萬書亭,馬曉棣,豆龍江,周建平

(1.華北電力大學 機械工程系,河北 保定 071003; 2.國網浙江省電力公司 檢修分公司,浙江 杭州 310004)

高壓斷路器作為電力系統(tǒng)中重要的保護與控制電器,其性能的可靠性對整個電網運行的安全具有重大意義.相關調查表明,高壓斷路器重大故障中有接近一半的故障是由于操作機構發(fā)生故障所引起的.因此,研究高壓斷路器操作機構機械特性對于提高斷路器運行可靠性具有十分重要的意義[1-2].高壓斷路器分合閘過程中所產生的振動，包含了操作機構的狀態(tài)信息.針對其振動信號展開分析,可發(fā)現斷路器操作機構的故障信息,近年來已有大量文獻提出利用振動信號對斷路器進行故障診斷[3-5].實踐證明:通過對高壓斷路器分合閘過程中產生的振動信號進行采集、提取和分析來對高壓斷路器進行故障診斷,是一種行之有效的方法.

斷路器在分合閘操作中所產生的振動信號是典型的非線性、非平穩(wěn)信號,夾雜著大量的噪聲和干擾,很難提取到有效的故障特征信息,而現有的傳統(tǒng)信號分析方法或多或少地存在著一些局限性和不足[6-9].熵是一種度量時間序列復雜度的非線性動力學參數,時間序列產生新模式的概率越大,其復雜度越高,熵值也越大[10].Pincus[11]提出了近似熵(Approximate Entropy,ApEn),ApEn通過比較數據和其自身來反映時間序列的復雜度,包含了自匹配.Richman[12]提出了樣本熵(Sample Entropy,SpEn),SpEn作為ApEn的改進算法,降低了ApEn計入自身匹配引入的偏差,具有所需的數據短、抗噪和抗干擾能力強、在參數大取值范圍內一致性好等特點[13].然而,ApEn和SpEn都是衡量時間序列單一尺度的復雜性,為了彌補單一尺度的不足,Costa等[14]提出了多尺度熵(Multiscale Entropy,MSE).MSE對時間序列進行空間尺度分割,計算各個尺度下時間序列的樣本熵,得到時間序列在不同尺度下的復雜度.目前,MSE已經廣泛應用到了故障診斷領域[15].變分模態(tài)分解(Variational Mode Decomposition,VMD)是Dragomiretskiy等[16]提出的一種信號處理新方法.該方法在獲取本征模函數(Intrinsic Mode Function,IMF)分量時不同于經驗模態(tài)分解(Empirical Mode Decomposition,EMD)算法和局部均值分解(Local Mean Decomposition,LMD)算法所使用的循環(huán)篩分剝離的信號處理方式,而是將信號分量的獲取過程轉移到變分框架內,通過構造并求解約束變分問題實現原始信號的分解,有效緩解或避免了EMD，LMD在遞歸模式分解過程中的模態(tài)混疊和邊界效應等一系列問題,具有較高的運算效率以及良好的噪聲魯棒性[17].

由于高壓斷路器的振動信號是瞬時、非平穩(wěn)的,且含有噪聲,若僅采用MSE對其進行處理會影響特征量的準確性,同時為了解決EMD和LMD方法中存在的一系列不足,本文結合VMD和MSE,針對斷路器振動信號非線性、非平穩(wěn)的特點,提出了一種基于VMD-MSE的故障信號特征提取方法.

1 特征提取的理論研究

1.1 VMD的基本原理

VMD的分解過程即變分問題的構造和求解,其中變分問題的構造步驟如下:① 對每有一個模態(tài)分量,通過Hilbert變換,得到其解析信號;② 對各解析信號一個預估中心頻率,將各解析信號的頻譜變換到基頻帶上;③ 利用頻移信號的高斯平滑指標估計各模態(tài)分量的帶寬[18].

VMD的具體實現過程見文獻[18].

1.2 MSE的基本原理

設原始數據為X={x1,x2,…,xN},長度為N,則MSE的具體計算步驟如下:

步驟1預先給定嵌入維數m、相似容限r及尺度因子τ=[1,2,…,τmax],對原始序列X進行粗粒化處理,建立新的粗粒向量，即

(5)

步驟2τ=1時,yi(1)就是原時間序列,對于非零,原始序列X被分割成τ段且每段長為N/τ的粗粒序列yi(τ).

步驟3計算每個粗粒序列的樣本熵,即可得到MSE,樣本熵算法見文獻[12],

(6)

1.3 基于VMD-MSE的特征提取

基于斷路器振動信號非線性、非平穩(wěn)的特點,本文提出了一種基于VMD-MSE的斷路器振動信號的特征提取方法,假設輸入信號為X={x1,x2,…,xN},其中N為信號長度,基于VMD-MSE的特征提取方法的具體算法流程步驟如下:

步驟1使用VMD對輸入信號進行分解,得到n個固有模態(tài)分量uk.

步驟2計算輸入信號分解得到的各固有模態(tài)分量uk不同尺度下的樣本熵,并將其進行組合,得到初始特征向量V.假設最大尺度因子τmax=m,則V為

(10)

式中:V的維度等于n×m;Enm為第n個模態(tài)分量計算得到的第m個尺度下熵值.

步驟3使用PCA[19]提取初始特征向量V的特征主成分Vm,Vm就是表征斷路器振動信號特征的特征向量.

2 斷路器振動信號特征提取

2.1 實驗模型

為了驗證所提出方法的有效性,本文以一臺35 kV戶外高壓SF6斷路器為實驗對象.在斷路器空載狀態(tài)下,本文分別設置了3種模擬故障,并對正常狀態(tài)及3種模擬故障狀態(tài)下的斷路器振動信號進行采集.其中,模擬故障分別為合閘彈簧疲勞、緩沖彈簧失效和基座螺栓松動.具體做法是調節(jié)合閘彈簧張緊力模擬合閘彈簧疲勞故障,摘除緩沖彈簧模擬緩沖彈簧失效故障,松動基座螺栓模擬基座螺栓松動故障.

本文選用江蘇東華測試公司的1A102E型加速度傳感器測量操作機構合閘過程中所產生的振動信號,該傳感器量程為0～5 000 m/s2,頻率響應范圍為0.5～10 000 Hz.考慮到斷路器合閘時間為(80±15) ms,設置采集時間為400 ms,采樣頻率為10 000 Hz,以保證振動信號的充分采集.考慮到斷路器的振動主要來自彈簧操作機構和動、靜觸頭的碰撞,加速度傳感器安裝在彈簧操作機構上,可以較好地獲取斷路器彈簧操作機構和動、靜觸頭的振動響應.

2.2 特征提取

本文選取了所采集的斷路器各運行狀態(tài)20組振動信號作為樣本信號,圖1為斷路器各運行狀態(tài)合閘過程中所產生振動信號的時域波形.從圖1中可以看出,各狀態(tài)下斷路器的時域信號沒有明顯的差異與變化規(guī)律.因此,需采用有效的特征提取方法從中提取特征參數,本文采用基于VMD-MSE的特征提取方法.

圖1 振動信號時域波形Fig.1 Time-domain waveform of vibration signals

首先,使用VMD對輸入信號進行分解.在使用VMD對原始信號進行分解時,需要預先設定懲罰因子α和分解模態(tài)數K.文獻[20]提出根據采樣頻率fs預設懲罰因子α,并指明當懲罰因子α值越小,分解后所得到各個本征模態(tài)分量的帶寬越大,容易出現中心頻率重疊以及模態(tài)混疊的現象;懲罰因子α越大,則各本征模態(tài)分量的帶寬越小,中心頻率重疊以及模態(tài)混疊的現象消失,為保證不出現中心頻率重疊以及模態(tài)混疊的現象,α應大于fs/2.本文為了保證計算精度與計算的時效性,取α為fs.

分解模態(tài)數K通過觀察各個模態(tài)分量的中心頻率及其與原始信號的相關系數確定.表1為選取某樣本信號對應不同K值下的中心頻率.

通過觀察表1可以發(fā)現,當模態(tài)數K值過大時,出現了相近模態(tài)數.如K=7時,出現了379.9 Hz和398.8 Hz兩個相近的模態(tài)數.

進一步分析不同K值下各模態(tài)分量與原始信號之間的相關系數,如表2所示.通過VMD分解后各模態(tài)與原始信號的相關系數分析,當K=7時,模態(tài)u3與原始信號之間的相關系數ρ1只有0.29,呈微相關;而當K=6時,各模態(tài)與原始信號的相關系數均大于0.3,呈實相關.

根據上述研究,本文首先預設初始分解數K=1,設定閾值c與θ.若分解后各模態(tài)與原信號之間的相關系數小于閾值c或前一模態(tài)的中心頻率與后一模態(tài)的中心頻率的比值小于閾值θ,則停止分解;反之令K=K+1,繼續(xù)分解,直到滿足條件停止.VMD分解流程：本文將閾值c設置為0.3,閾值θ設置為1.1.根據實驗數據所得,本文VMD的分解數K為6.

表1 不同K值下VMD分解的中心頻率Tab.1 The center frequency of VMD decomposition under different K

表2 不同K值下各模態(tài)分量與原始信號之間的相關系數Tab.2 The correlation coefficient between original signal and each mode under different K

計算各模態(tài)分量uk的MSE值.在使用MSE時,需要預先設定嵌入維數m、相似容限r和尺度因子τ.下面分別討論上述參數的取值.

(1) 嵌入維數m.在序列的聯(lián)合概率進行動態(tài)重構時,嵌入維數m越大就有越多的詳細信息,但需要的數據長度也會隨之增加[21].

(2) 相似容限r.相似容限r過大會丟失掉很多統(tǒng)計信息,r過小所得出的統(tǒng)計特性效果不理想,而且還會增加結果噪聲的敏感性.一般情況下,相似容限r設置為0.10～0.25 SD,SD為樣本數據的標準差[21].

(3) 尺度因子τ.過大的尺度因子τ會導致粗?；笮蛄虚L度縮短,繼而導致其熵值的精確度無法保證,所以尺度因子一般取τ=[1,20]即可.

通過數據對比,本文所使用的樣本數據在m=2,r=0.15 SD和τ=[1,10]時,具有較好的區(qū)分度,將求解得到的MSE值進行組合,得到特征向量V,特征向量V的維度為60.

為了降低模式識別過程中計算的復雜度,提高分類器的診斷精度,利用PCA提取初始特征向量V中累計貢獻率達到85%的特征主成分Vm.Vm即表征斷路器振動信號特征的特征向量.

3 斷路器振動信號的模式識別

斷路器的工作特性決定了其本身不能頻繁操作,實際實驗采集的測試數據量有限,測試樣本數較少不利于故障識別訓練.傳統(tǒng)的神經網絡識別方法需要大量的測試樣本,樣本越多,最終識別越準確.由于支持向量機(Support Vector Machine,SVM)在解決小樣本、非線性及高維模式識別中具有獨特的優(yōu)勢,更適合斷路器的故障識別,所以本文采用SVM來進行斷路器的故障識別與分類,具體算法見文獻[22].

選取各運行狀態(tài)下共80組樣本數據所提取的特征向量Vm,提取每種運行狀態(tài)下的14組數據,共56組數據構建為訓練樣本集訓練SVM分類器,剩余24組數據構建為測試樣本集用于檢驗SVM分類器的性能.考慮到徑向基函數(Radial Basis Function,RBF)模型簡單,參數少,本文選用RBF函數作為核函數.另外,還需要設置懲罰參數C和g,經過實驗對比,本文選擇驗證精度最高的參數C=4,g=0.1.測試樣本的識別結果如圖2所示,測試集中的24組數據分類結果與實際類別一致,說明利用訓練好的SVM對測試樣本進行分類測試,測試結果全部分類正確.

為了驗證所提方法的優(yōu)越性,本文同時設置了4組對照實驗,分別為以基于原始信號和原始信號經過EMD分解后得到的模態(tài)分量的MSE,以及原始信號經過VMD分解后得到的模態(tài)分量的ApEn和SapEn作為特征向量,通過使用SVM進行訓練和測試,識別結果如表3所示.其中,由于使用EMD對樣本信號進行分解時分解層數過多,本文將根據各分解模態(tài)分量與原始信號的相關系數選取有效分量,相關系數閾值設置為c=0.3,以相關系數大于c的分量作為有效分量.經驗證,經過EMD分解得到的前3個IMFs為有效分量.

圖2 測試樣本識別結果Fig.2 Recognition results of test samples

表3 對照實驗的識別結果Tab.3 Recognition results of control experiment

由表3可知:以VMD分解得到的IMFs的MSE作為特征向量的正確識別率,高于以原始信號和EMD分解得到的IMFs的MSE作為特征向量的正確識別率.這是由于EMD等效于頻域的一個高通濾波器和一系列的帶通濾波器的輸出,具有類似于二進制小波的頻域分割性質.這種信號頻域分割特性在處理故障信號時存在很大的弊端,在處理信號過程中,EMD方法自身的頻域分割特性使得其在信號高頻部分的分辨率過低,而具有帶通濾波器組結構特性的VMD方法則能夠彌補這一不足,實現信號高頻部分的精細化分析[18].同時,以VMD方法得到的IMFs的MSE作為特征向量的正確識別率,高于以ApEn和SapEn作為特征向量的正確識別率.這是由于SpEn作為ApEn的改進算法降低了ApEn計入自身匹配引入的偏差,具有更強的抗噪和抗干擾能力,能夠更好地表征振動信號的特征,而MSE可以在多個尺度上計算SapEn,包含了更多的信息.

4 結論

本文以高壓斷路器彈簧操作機構的振動信號為研究對象,采用基于VMD-MSE的特征提取方法對其進行特征提取,并采用SVM對斷路器的4種運行狀態(tài)進行分類,通過以上研究,得出以下結論:

(1) 以VMD-MSE的特征提取方法提取的特征向量相對其他提取方法所提取得到的特征向量具有更加明顯的特征,分類結果更精確,可以準確、全面地反映高壓斷路器操作機構的運行狀態(tài).

(2) 對于斷路器的振動信號,VMD和MSE參數的選取,目前尚沒有一個明確的理論指導,基本上依賴于使用者的經驗,而兩者的參數選擇會很大程度上影響斷路器故障識別的結果.因此,需要更進一步深入研究和探索參數的選取方法,提高算法的分類精度和實用性.

(3) 通過PCA對原始特征集進行分析優(yōu)化,可以大幅壓縮特征向量的維數,去除冗余信息,從而降低故障模式識別中的計算復雜性,提高分類結果的精確度.

(4) SVM能準確地進行狀態(tài)識別和分類,為斷路器的故障診斷提供了一種故障模式識別的方法.