高压断路器机械故障诊断与定位的新思路:KPCA-SoftMax诊断方法
高压断路器是保证电力系统安全、可靠运行的重要设备,对于高压断路器机械故障定位和诊断成为近年来重要的研究课题。北京航空航天大学自动化科学与电气工程学院、江苏省电力公司电力科学研究院的研究人员王昱皓、武建文、马速良、杨景刚、赵科,在2020年《电工技术学报》增刊1上撰文,针对高压断路器典型工况的振动信号,提出了一种基于核主成分分析(KPCA)的SoftMax故障诊断模型,为高压断路器机械故障诊断与定位提供了新思路。
根据国际大电网会议的两次统计,高压断路器(High Voltage Circuit Breaker, HVCB)的主要故障是机械故障,断路器的机械状态检测尤为重要,高压断路器机械特性的研究可反映出断路器80%以上的运行状态。因此,断路器故障诊断技术成为研究的重点。
随着输配电网自动化程度和可靠性要求的提高,对断路器自身的可靠性要求也不断增加。断路器在动作过程中蕴含着很多重要的反映其机械状态的信息。采集其动作时的振动信号,提取故障信号的特征向量,构建性能优越的分类器是对故障信号进行分析的关键。
断路器的状态检测是故障诊断中很重要的一个环节,近几年,国内学者从多个角度进行了探索研究,有学者将合闸过程中弹簧的加速度信号分为两段,利用前段信号获得待检测弹簧与标准弹簧能量释放速度的最小空间距离。利用后段信号提取弹簧的本征频率。对最小空间距离和本征频率进行数据融合,检测合闸弹簧储能状态,对高压断路器机械特性进行判断。
高压断路器电信号与位移信号反映了设备的机械特性,研究人员以此为切入点进行了相关研究,如有学者采集高压断路器分合闸线圈中的电流信号和动触头的行程信号,基于高压断路器运作机理,实现了两种信号相互验证分析方式的诊断方案。而有学者指出线圈电流能够获得电磁铁和辅助开关状态,且对测量位置和传感器安装方式要求低、波形稳定且直观,但难以全面诊断断路器的各类机械故障,特别是操动机构中电磁铁之外部分发生的机械故障。
而机械振动信号能够获得断路器整个操作过程中部件之间的机械撞击和摩擦的信息,可以实现多种机械故障的有效辨识,但对测量位置和安装方式比较敏感。有学者在振动传感器安装优化的基础上,将采集到的振动信号导入支持向量机进行诊断。有学者从振动信号诊断、声波信号诊断、振动和声波联合诊断等几个方面进行了深入的研究。
近些年,关于高压断路器故障诊断主要研究的热点和重点在于对采集到的振动信号进行分解,提取特征向量,进而设计智能诊断算法,并将其投入应用。在处理信号方面,给出了如小波包变换法、包络分析法、数理统计法等,有学者提出了一种基于数理统计的方法,通过分析采集到的振动信号,使用标准差作为特征参数,将机械状态的振动信号量化处理。由均值和标准差确定各个状态的置信空间,比较待诊断振动信号在各个振动状态置信空间的置信度来得到振动状态的分类结果。
有学者探索了小波变换与小波包变换分析采集到的振动信号的区别,使用小波包变换提取特征向量。得到特征向量之后,通过智能算法建立诊断模型来处理断路器的运行数据,从而对其工作状态进行评估。
支持向量机(Support Vector Machine, SVM)、反向神经网络(Back Propagation Neural Network, BPNN)、决策树(Decision Tree, DT)、朴素贝叶斯(Naive Bayes, NB)等经典分类方法在断路器故障诊断模型的建立中得到了广泛的应用,有学者介绍了支持向量机的基本原理,提出了基于小波包和熵理论的振动信号特征提取方法,并与传统的神经网络作对比,证明了支持向量机的效果优良。
有学者以真空断路器的机械特性作为训练与识别样本,为了规避传统神经网络需要大量样本才能保证分类准确率的不足,提出了基于自组织映射(Self Organizing Map, SOM)的机械故障诊断方法。通过提取正常与故障状态下断路器的机械特性,并将其输入至SOM网络中进行故障区分,经实验证实有良好的故障识别能力。
有学者运用决策树对保护或断路器的不正确动作进行反向追踪,给出故障原因。有学者提出一种将贝叶斯网络与非精确狄里赫雷模型相结合的故障概率估计方法,为小样本情况下断路器机械机构的状态检修提供了依据。有学者提出了基于多重支持向量域描述的故障诊断方法,增强了分类器在故障类别不完备时进行诊断的适应性。
现有诊断方法的基本原理是对被检测对象进行建模,对采集到的信号进行分析,从时域、频域、时频域以及数理统计方面进行特征描述,构建特征空间,进而在得到的特征空间中对被检设备进行分析和判断。
故障诊断精确度往往会受到多方面的影响:一是算法本身应用的局限性,二是对被检系统认识不足,难以精确地建立系统的模型,构建的特征空间往往维度过高,冗余成分过多。
高压断路器由大量电气设备和机械设备构成,在其动作的过程中,其内部各个部件相互影响、相互关联,并与外部环境相互作用,采集到的振动信号含有大量噪声和不确定性,导致构建的特征空间过于庞大,因此有必要对原始特征空间进行降维,高压断路器是一个典型的多变量、强耦合、非线性系统,而常用的降维方法如主成分分析法(Principal Component Analysis, PCA),往往是采用线性降维的原理,使用其处理高压断路器的特征空间易造成非线性成分的丢失,影响故障诊断效果。
北京航空航天大学自动化科学与电气工程学院、江苏省电力公司电力科学研究院的研究人员,对基于振动信息的高压断路器机械故障诊断定位展开研究。针对SF6高压断路器六种典型工况:正常、合闸弹簧疲劳、分闸弹簧疲劳、传动轴阻尼、油缓冲器漏油、地脚螺栓松动,提出了一种基于振动信号进行分析,核主成分分析法(Kernel PCA, KPCA)与SoftMax结合的诊断方法。
图1 某高压断路器振动信号采集平台
其中,KPCA降维法是PCA的非线性推广,用于非线性信号的降维处理,SoftMax(柔性最大)多分类器,更客观地衡量了各个工况的发生概率,在分类原理上有其优势。文中采用对比实验的方式说明了KPCA-SoftMax故障诊断方法对预防断路器故障具有重大价值和实际意义。
研究人员最后得到如下结论:
1)发现合闸振动信号属于局部突变的非平稳信号,使用时频能量比的特征描述技术进行分析,可以有效区别不同的工况,设计了一套可靠采集的高压断路器振动信号的检测装置。
2)使用KPCA进行特征空间重构降维,可以去掉多余不相干的成分,获取有效特征用于诊断分类。相对于原始特征空间,诊断准确度提高了6.63%,取得了高精度分类诊断结果。
3)提出了一套有效的基于KPCA特征空间重组和SoftMax故障定位的诊断方法,即振动信号检测、特征分析提取、特征变换以及诊断,通过对比不同故障分类方法的诊断准确度,发现SoftMax的诊断效果良好,均值为91.76%,性能最稳定,方差为2.20%,实现了对高压断路器故障的辨识,为高压断路器故障诊断提供了思路。