考虑小波包-灰度共生矩阵的高压断路器弹簧疲劳故障程度诊断研究

张艳飞，邵阳，公维炜，张昭维，武建文

（1.内蒙古电力科学研究院，呼和浩特 010020；2.北京航空航天大学 自动化科学与电气工程学院，北京 100191）

高压断路器在电网中起到控制、保护作用，是电力系统中负责关合和开断负荷电流、故障电流的最关键、也是唯一的开断元件[1]。弹簧操作机构是高压断路器中分合闸动作的动力来源，且在断路器机械系统中占有绝对大的比重，是影响断路器整体可靠性的关键。弹簧操作机构频繁操作将导致分合闸弹簧产生不同程度的金属疲劳甚至发生断裂的可能，若不能及时发现故障并判断当前故障程度，可能引起重大安全事故[2]，因此，深入探究分合闸弹簧故障发生及故障程度很有实际应用价值。

当前国内外对于高压断路器的机械故障主要从故障广度考虑，专注于从宏观区分多种故障类型，集中在基座螺丝松动故障[3]、缓冲器弹簧无效故障[4]、电压过低、铁芯卡涩、操动机构卡涩[5]、分合闸弹簧应力松弛[6]等不同故障类型的区分；但是均未从故障深度考虑，对某种单一故障的故障程度做出深度研究。另一方面，如何从细微处判断分合闸弹簧的故障程度，对于当前的研究来说是一个难点问题，具有研究的必要性。因此本文研究重点集中在如何对分合闸弹簧的故障程度做出准确诊断，不对多种不同机械故障进行区分研究。

断路器是依靠机械操动机构来实现主触头的分合闸操作的，所以只有通过传感器，监测其机械系统的操动过程中的相关物理量才能如实地了解其机械结构是否存在故障。当前对高压断路器机械故障的监测手段研究主要集中在：动触头位移-时间信号、分合闸线圈电流信号、断路器整体机械振动信号、断路器机械声音信号等。但位移-时间信号、分合闸线圈电流信号的特征较为单一，不利于一些复杂的故障诊断；而振动信号监测是一种非侵入式测量方法，不受电磁场影响，具有良好的信噪比，同时振动测点的安装位置选择确定困难；机械声音信号监测可在一定程度上弥补振动信号监测的缺陷，但存在难以消除噪声影响的缺点。

对原始采集信号进行特征提取是高压断路器故障诊断的必要手段。目前的特征提取手段主要有：统计法、时域法、频域法、时频法等，其中时频法可同时描述不同时间和频率的能量密度或强度，行程对各个时刻的瞬时频率的刻画，在众多特征提取手段中脱颖而出。小波包变换（Wavelet packet transform,WPT）是基于小波分析的基础上的更加精细的时频分析方法，从时间和频率两个角度对高压断路器的故障信号进行描绘时，具有更高的频率分辨率[7-8]。但是，在故障诊断时，仅了解信号的特点是不够的，如何利用定义的特征标识出不同类别故障的分布区域以及分界更为重要。因此，我们需要对小波包时频变换的结果进行二次特征提取。

针对以上存在的问题，本文以六氟化硫高压断路器的弹簧操动机构为研究对象，重点对分合闸弹簧的故障机理进行分析，分别采集了：正常工况、3 种不同程度的分闸弹簧故障、3 种不同程度的合闸弹簧故障的声音和振动信号；对多种工况的声音-振动信号进行联合分析，提出一种小波包-灰度共生矩阵特征的特征方法，然后综合考虑诊断准确度和速度，对支持向量机、决策树、朴素贝叶斯、K 近邻4 种诊断算法进行比较；最后模拟实际应用场景，选用K 近邻模型对未知信号进行故障类型及程度诊断，给出训练及诊断流程，为高压断路器弹簧机械故障深度诊断提供应用思路。

1 高压断路器弹簧故障机理

1.1 高压断路器分合闸动作机理

本文对252 kV 的六氟化硫高压断路器的弹簧操动机构进行研究，操动机构的结构示意图如图1。

图1 操动机构结构示意图Fig.1 Schematic diagram of the operating mechanism structure

弹簧操动机构由储能单元、传动单元和控制单元组成，机构零件众多，结构复杂，易发生机械故障。操动机构实物图如图2 所示。

图2 操动机构实物图Fig.2 The operating mechanism

高压断路器在分合闸操作过程中主要分为3 个阶段：合闸弹簧储能阶段、合闸操作阶段、分闸操作阶段。其中，合闸弹簧储能阶段由磁力开关带电后接通电机回路，使储能电机带动棘爪轴顺时针旋转，偏心棘爪轴上的两个棘爪交替推动棘轮逆时针旋转，从而拉动合闸弹簧压缩储能，合闸弹簧储能到位后由合闸弹簧储能保持掣子将其锁定，同时限位开关切断电机回路，合闸弹簧储能过程结束。

在合闸操作阶段，机构处于分闸状态，合闸弹簧已储能完毕。当操动机构接收到合闸信号，合闸线圈受电，合闸电磁铁动铁心吸合带动合闸导杆撞击合闸掣子使其转动，从而释放储能保持掣子。合闸弹簧带动棘轮顺时针快速转动，使凸轮撞击大拐臂上的滚子，使输出拐臂向上运动，通过拉杆带动本体快速合闸。同时分闸弹簧向上压缩储能。合闸完成后，合闸弹簧能量释放，电机再次对合闸弹簧储能，合闸操作结束。

在分闸操作阶段，首先合闸弹簧与分闸弹簧均已压缩储能。当机构接到分闸信号后，分闸线圈受电，分闸电磁铁动铁心吸合带动分闸导杆撞击分闸掣子使其转动，从而释放合闸保持掣子。分闸弹簧拉动拐臂旋转带动断路器本体完成快速分闸操作；同时大拐臂向下运动，将合闸保持掣子压下，使机构处于分闸位置，分闸操作结束。

1.2 分合闸弹簧疲劳故障设置

由于在合闸过程中，合闸弹簧储存的能量一部分为分闸弹簧压缩储能，另一部分为主导杆提供向上的冲量及油缓冲器等机械损耗，因此合闸弹簧为大簧套小簧的双弹簧形式，而分闸弹簧仅为单弹簧。分合闸弹簧的实物图如图3 所示。

图3 分合闸弹簧实物图Fig.3 The opening and closing springs

分合闸弹簧作为机构的储能元件，为机构的分合闸动作储存能量。在运行状态时，合闸弹簧始终处于储能状态，随着断路器在实际工作中分合闸操作频繁，分合闸弹簧承受往复的冲击载荷，使得其机械性能逐渐下降，直至最后失效，弹簧会产生金属疲劳甚至发生断裂，导致电力系统发生故障时，不能及时切断故障电流，造成重大的安全事故。

从弹簧故障的模拟真实性与严谨性角度考虑，应采用已达到固定机械使用次数，达到了不同程度机械疲劳现象的分合闸弹簧，来替换本文252 kV 六氟化硫高压断路器的原有弹簧。但是在故障模拟时，很难找到符合条件的已达到不同程度疲劳状态的分合闸弹簧。

分合闸弹簧的结构图如图4 所示，其中合闸弹簧为大簧套小簧的双弹簧形式，大合闸弹簧总长615 mm，小合闸弹簧总长592 mm；分闸弹簧为单弹簧形式，总长535 mm。

图4 分合闸弹簧结构图Fig.4 Structure of the opening and closing spring

由分合闸弹簧结构可知，分合闸弹簧的预压缩量与弹簧力成正比，预压缩量减少，相当于弹簧力变弱，即疲劳程度加大，且通过调节预压缩量的方式对于故障程度易于量化。因此，本文通过调节分合闸弹簧的预压缩量，来模拟弹簧疲劳故障程度。分别设置合闸弹簧预压缩量减少：10 mm、20 mm、30 mm来模拟不同程度的合闸弹簧疲劳故障；设置分闸弹簧预压缩量减少5 mm、10 mm、15 mm 来模拟分合闸弹簧疲劳故障。故障模拟前后的弹簧预压缩量及故障程度如表1 所示，模拟过程如图5 所示。

表1 弹簧疲劳故障模拟Tab.1 Simulation of spring fatigue failure

图5 分合闸弹簧疲劳故障模拟Fig.5 Simulation of opening and closing springfatigue failure

2 声-振信号特征提取

本文采用压电式振动传感器及自由场声音传感器对正常工况、合闸弹簧疲劳故障、分闸弹簧疲劳故障的分合闸信号进行采集，传感器具体型号和参数如表2、表3 所示。

表2 振动传感器技术参数Tab.2 Technical parameters of vibration sensors

表3 声音传感器技术参数Tab.3 Technical parameters of sound sensor

每一次分、合闸操作采集3 路振动、3 路声音共6 路信号。如表1 所示，正常工况、合闸弹簧疲劳10 mm 故障、合闸弹簧疲劳20 mm 故障、合闸弹簧疲劳30 mm 故障、分闸弹簧疲劳5 mm 故障、分闸弹簧疲劳10 mm 故障、分闸弹簧疲劳15 mm 故障各采集60 组分闸样本、60 组合闸样本，总共420 个合闸样本，420 个分闸样本。采样频率为200 kHz，采样时长为0.19 s。

原始振动和声音信号是高压断路器机械动作信息的载体，保存了系统的丰富信息，但同时也存在部分无效、冗余的成分，对故障诊断起到干扰作用，因此对原始声-振信号进行特征提取，数据挖掘出信号间的关联性及差异性，最大程度的总结归纳出对故障诊断有益的关键特征，是故障诊断前的必要处理手段。

小波包分析是由小波变换发展而来的更精细的时频分析法。小波包变换对于非平稳信号可以利用不同尺度分析，针对突变信号分析效果很好，不用为局部信息而牺牲全局。本文采用db3 小波，对原始信号进行3 层分解，并对分解后的各层信号进行时域信号，获得原始信号的时频分布图。以分闸弹簧疲劳5 mm 故障的合闸振动信号为例，得到其小波包变换时频图如图6 所示。

图6 分闸弹簧疲劳5 mm 故障合闸振动时频图Fig.6 Time frequency of closing vibration for 5 mm fatigue failure of opening spring

由图6 可知，虽然小波包时频图可以反映信号在不同时间和频率的能量强度，从多个角度显示信号的细节变化，进而有效描述信号细微的故障特征。但是其特征维数过高、信息冗余过多，根据小波包变换生成的灰度时频图来判断识别故障种类时，需依赖经验丰富的专业人员，判断结果包含人的主观因素，且故障复杂程度的提高使得认为判断已经很难满足识别的准确性和效率要求[9]。因此需要对小波包时频图进行二次特征提取，在此基础上通过灰度共生矩阵算法构造更能表征各工况代表信息的特征集。

灰度共生矩阵是一种反映图像在方向、间隔和变化幅度快慢综合信息的图像分析方法，具有较强的图像表征能力[10]。灰度共生矩阵是关于各像素灰度级点对出现次数的矩阵，当像素移动的方向与距离发生变化时，矩阵也会随之改变。灰度共生矩阵通过计算图像在行列方向上灰度等级变化，得到一个反映图像纹理深浅、纹理复杂度分布等图像特征的矩阵。

灰度共生矩阵定义为：先确定距离d和方向 θ，在方向为 θ的直线上，一个像素的灰度等级为i，另一个的灰度等级为j的点，两者相距d，记录二者点对的出现次数，并除以所有点对出现次数得到该点对出现的概率。在本文中，d=1， θ分别取0、45°、90°、135°。灰度共生矩阵原理示意图如图7 所示。

图7 灰度共生矩阵原理示意图Fig.7 Schematic diagram of the principle of gray level co-occurrence matrix

直接运用灰度共生矩阵作为区分各工况的特征会导致计算量过大，因此需要基于灰度共生矩阵建立一些统计量作为分类特征，Haralick etal（1979）曾提出了14 种关于灰度共生矩阵的统计量[11]。本文选用：对比度、相关性、能量、同质性作为各样本的纹理特征。

对比度越高，纹理越深，表现出来的图像效果越佳；反之则效果一般且沟纹较浅。计算公式为

相关性越高，图像灰度分布在行或列上越相似。计算公式为

其中：

能量越大，直观的表现即是图像纹理越粗。能量其值的大小可以直观看出图像的纹理规则变化是否均匀。计算公式为

同质性反应图像纹理的局部变化情况，计算公式为

最终采用灰度共生矩阵二次统计特征分别有：对比度、相关性、能量、同质性，方向取0、45°、90°、135°这4 个角度，得到每个样本的16 维灰度共生矩阵特征量。

3 弹簧疲劳故障程度诊断

对正常工况、合闸弹簧疲劳故障、分闸弹簧疲劳故障3 种不同工况的振动、声音样本进行灰度共生矩阵特征提取后，需要对诊断模型进行训练与诊断。通过对比，从支持向量机（SVM）、决策树（DT）、K 近邻（KNN）以及朴素贝叶斯（Naïve Bayes）4 种诊断模型中选出综合最佳模型。然后运用此最佳模型对未知工况进行故障类别及程度诊断，模拟实际应用的诊断场景。

3.1 诊断模型比较

将采集到的多种工况样本按照5∶1 的比例进行训练集和测试集的划分，根据训练样本和对应的工况类别，训练出一个优质划分模型，即模型训练过程，再以测试样本作为输入，计算该诊断模型的诊断准确度，即为模型测试过程。

常用模型方法有支持向量机[12-14]、决策树[15]、K 近邻法[16]、朴素贝叶斯模型[17-18]等，这些诊断算法已在多个领域的故障诊断中获得了广泛应用。支持向量机模型有坚实的理论基础，最终决策函数只由少数的支持向量所确定,而不是样本空间的维数,这在某种意义上避免了“维数灾难”，但其对于大规模训练样本难以实施，难以解决多分类问题；决策树模型便于理解，计算量较小，可清晰地显示各特征的重要性，但是当类别太多时，错误率会大幅度增加；K 近邻模型模式简单、高效，体现了“物以类聚”思想，但其诊断准确度过度依赖于K 值得选择；朴素贝叶斯模型所需估计的参数较少，算法较简单，但服从概率分布的规律对分类结果的影响较大且需要知道先验概率。

在实际诊断应用中，诊断速度是断路器在发生故障时及时切断电流，避免发生安全事故的重要指标，而准确判断故障类型是消除安全隐患，及时恢复线路正常运行的前提。因此，对比这4 种诊断模型的诊断准确度和诊断速度，选择综合最佳的模型作为最终的诊断实例应用模型。其中诊断准确度由诊断正确的样本数占测设样本总数的比例确定，诊断速度由训练时长与诊断时长二者之和确定。诊断模型选择过程如图8 所示。

图8 诊断模型选择过程流程图Fig.8 Flow chart of diagnostic model selection process

上述过程重复200 次，取诊断准确度的平均值，4 种诊断模型的综合时长及诊断准确度结果如表4所示。其中综合时长为训练时长和诊断时长之和。

表4 4 种诊断模型用时及诊断准确度对比Tab.4 Comparison of time consumption and diagnostic accuracy among four diagnostic models

由图9 所示的对比结果可知，从综合时长的角度考虑，K 近邻的综合用时最短，即诊断速度最快；从诊断准确度的角度考虑，K 近邻法准确度最高。因此，相较于支持向量机、决策树和朴素贝叶斯模型，K 近邻模型在诊断准确度和速度上更为占优。因此，最终选用K 近邻模型对未知工况进行故障类别及程度诊断，模拟实际应用的诊断场景。

图9 4 种诊断模型结果对比Fig.9 Comparison of results of four diagnostic models

3.2 诊断实例应用

在高压断路器的实际故障诊断应用场景中，系统会根据已有数据，训练诊断模型，以K 近邻模型为例。当断路器在未知工况下进行分合闸时，产生振动、声音信号，通过布置的传感器设备及采集系统，对振动、声音信号进行采集。对采集到的信号进行小波包-灰度共生矩阵特征提取，再用训练好的K 近邻模型进行故障类型及故障程度诊断，并给出诊断结果。

在模拟诊断场景时，首先从正常工况、合闸弹簧疲劳故障、分闸弹簧疲劳故障3 种不同工况，共420 个样本中随机抽取一个样本，作为测试样本，其余419 个样本用来训练K 近邻诊断模型。首先运用训练好的K 近邻模型对未知工况进行类型诊断，并给出工况结果，如“当前工况类型为正常工况！”或者“当前为：分闸/合闸弹簧疲劳故障！”。

若判断当前工况存在分闸或合闸弹簧疲劳故障，则进一步判断具体的故障程度。以合闸弹簧疲劳故障为例，3 种故障程度共180 个样本，其中179 个重新进行训练，得到新的K 近邻诊断模型，此时的样本标签与判断故障类型时不同。运用新的K 近邻模型对该未知样本进行故障程度诊断，并给出诊断结果。最后将诊断结果与后台数据进行对比，检验诊断是否正确，若是，则输出“故障程度判断正确！”，否则输出“故障程度判断失败！”。至此，对单一的未知工况信号进行故障类型及故障程度的诊断过程结束，具体的诊断流程如图10 所示。

图10 未知工况故障类型及程度诊断流程图Fig.10 Flowchart of unknown working condition fault type and degree diagnosis

为了确定在模拟诊断场景中，未知工况的故障程度的诊断精确度，重复上述诊断流程200 次，分别获得3 种合闸弹簧疲劳故障程度和3 种分闸弹簧疲劳故障程度的准确率，结果如表5 所示。

表5 分合闸弹簧疲劳故障种类及故障程度的准确率Tab.5 Accuracy of types and degrees of fatigue faults in opening and closing springs

在合闸过程中，合闸弹簧释放能量，推动主轴向上完成合闸操作，同时给分闸弹簧压缩储能；在分闸过程中，释放分闸弹簧能量，完成分闸操作。

由表5 可知，合闸弹簧疲劳故障的程度诊断准确度比分闸弹簧疲劳程度整体要高，这是因为合闸弹簧作为合闸过程和分闸弹簧储能的动力来源，当合闸弹簧发生故障时，信号的故障特征更加明显。另外，在合闸弹簧疲劳故障程度中，3 种等级的诊断准确度呈下降趋势，这是因为随着故障程度越来越重，3 种程度的合闸弹簧疲劳故障可区分度逐渐降低，容易出现误判。

4 结论

本文以六氟化硫高压断路器的弹簧操动机构为研究对象，对分合闸弹簧故障进行故障类型及故障程度诊断研究，得到结论如下：

1）探究了弹簧操动机构在合闸弹簧储能阶段、合闸操作阶段、分闸操作阶段中的动作机理，给出分合闸弹簧疲劳故障的模拟设置方法，采用减少预压缩量的方式来模拟不同程度的分合闸弹簧疲劳故障。

2）介绍了弹簧故障信号的振动、声音信号的传感器设备及采集参数，对不同工况的信号进行特征提取，结合小波包时频分析的优缺点，提出了一种小波包-灰度共生矩阵特征提取方法，选用对比度、相关性、能量、同质性4 种统计量作为信号的纹理特征。

3）从诊断速度及准确度对比支持向量机、决策树、K 近邻法、朴素贝叶斯四种诊断模型的性能，并给出具体模型选择过程及结果，实验表明，K 近邻为最佳诊断模型，诊断时长为10.3 毫秒，诊断准确度高达98.3%。最后运用K 近邻模型对未知工况进行故障类别及程度诊断，模拟实际应用的诊断场景，给出详细的诊断流程图，并获得3 种合闸弹簧疲劳故障程度和3 种分闸弹簧疲劳故障程度的诊断准确度，对实际现场应用具有重要实用价值。

4）本文所提的特征提取及故障诊断方法具有一定的普适性。不仅在本文的252 kV 六氟化硫高压断路器实例中得到了充分验证，且在LW30-126 kV型号断路器得到进一步应用实践，也为其他型号断路器的声振信号处理及诊断提供了思路。