基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断
中国电工技术学会主办，2017年6月21-24日在河北省张北县举办，大会围绕新能源发展战略、系统关键技术、微电网及储能等重要议题展开交流。浏览会议详情和在线报名参会请长按识别二维码。
河北工业大学控制科学与工程学院、电磁场与电器可靠性省部共建重点实验室(河北工业大学)的研究人员孙曙光、于晗、杜太行、王景芹、赵黎媛，在2017年第7期《电工技术学报》上撰文指出，为实现对万能式断路器分合闸故障的非侵入式监测和诊断,以分合闸过程中所产生的包含丰富机械特性信息的振动作为信号来源,提出一种基于振动信号互补总体平均经验模态分解(CEEMD)-样本熵和相关向量机(RVM)相结合的万能式断路器故障诊断方法。
该方法首先将振动信号通过改进的小波包阈值去噪算法处理;其次采用CEEMD提取若干个反映断路器状态信息的固有模态函数(IMF)分量,依据各IMF分量的能量分布特点,选择其中前7阶进行处理,计算其样本熵形成有效的特征样本;最后通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离,建立基于RVM的二叉树多分类器,诊断得出万能式断路器故障类型。基于所设计的分合闸典型故障模型进行实验。
与其他方法的对比实验表明,所提方法可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率;同时实验表明,辅以同一故障类型的样本间欧氏距离,可实现对分合闸故障中三相不同期故障严重程度的初步评估。
国内外研究表明断路器易发生机械故障，但对其研究工作主要集中在高压断路器机械故障诊断。万能式断路器是电力系统低压配电网的关键设备之一，广泛应用在低压配电系统中总进线处或重要设备处。
例如，在风力发电中，并网柜中的万能式断路器作为与风电机组相配的箱变低压侧断路器，在风机的并网与脱网过程中频繁开断，其操作的可靠性关系到电力系统的安全运行。因此，针对其机械状态的监测和故障诊断具有重要的意义。
断路器的故障常出现在触头动作过程中，造成分合闸故障，常见的类型有“虚假合闸”，即合闸时主触头接触不实; 分闸不彻底，即分闸速度慢，触头开距过小，分闸后触头不到位; 三相不同期，即三相触头动作不同步。
虚假合闸会造成触头接触电阻增大，使设备的接触点发热，时间过长会缩短设备的使用寿命，严重时可引起火灾; 分闸不彻底会在动触头和静触头之间产生电弧，电弧可能会烧坏断路器，甚至会发生爆炸; 三相不同期将造成线路或用电设备的非全相接入或切除，易引起保护误动作等，此外还需对此类故障的严重程度进行分析。因此，万能式断路器能否正常动作，直接影响到低压配电网的安全可靠运行。
目前，针对断路器机械特性的测量途径有分合闸线圈电流及电压、动触头行程、开断电流及电弧电压、触头受力等。近年来，利用振动法检测断路器机械状态逐渐成为国内外研究的热点。断路器运行和动作过程中的振动信号包含丰富的机械特性信息，相比较而言，振动信号作为非侵入测量方式，可实现便捷可靠地监测断路器的机械状态，其采集不需要与断路器电气连接，不会破坏断路器本体结构。虽然振动信号具有较高的测量灵敏度，但现场的信号采集过程中难免引入噪声干扰，可依据振动子波在断路器机械结构中传播的特点，采用相应的降噪方法对原始振动信号降噪处理。
针对振动信号的非线性、非平稳特性，常采用适用于具有暂态、突变等非平稳信号分析的小波分析、经验模态分解( Empirical Mode Decomposition， EMD)、总体平均经验模态分解(Ensemble EMD，EEMD) 、希尔伯特-黄变换( Hilbert-Huang Transform，HHT)等，但小波在故障信号分解上存在自身缺陷，其分解效果依赖于小波基和分解尺度的选取，不具有自适应性，此外，小波分解还存在能量泄漏。
虽然EMD 是一种自适应的时频局部化分析方法，却存在模态混叠和端点效应现象，对其进行改进的EEMD能够在一定程度上抑制模态混叠，但添加的白噪声不能被完全中和，不具有完备性，而互补总体平均经验模态分解( Complementary EEMD，CEEMD) ，通过成对地添加符号相反的白噪声到目标信号，从而大大减小重构误差，实现信号各模态分量的准确分解。
对于故障识别方法随着人工智能的发展，常采用神经网络 ( Neural Network，NN)、支持向量机 ( SupportVector Machine，SVM)等。较为常用的神经网络具有一定的抗噪声和泛化能力，但是训练需要较多样本，且存在局部收敛问题。虽然SVM适于解决小样本、高维数、非线性等问题，但该算法有规则化系数确定困难、预测结果不具有统计意义、核函数受Mercer条件限制等固有局限。
针对以上问题，相关向量机(Ｒelevance Vector Machine，ＲVM) 可以有效弥补上述缺陷。此外，ＲVM还能以概率形式输出结果，更加具备实用性，采用ＲVM作为模式分类器，可有效提高故障识别率。
本文将改进小波包去噪与CEEMD结合，提出一种将固有模态函数(Intrinsic Mode Function，IMF)分量的样本熵作为特征样本，并采用依据不同故障类型的样本间欧氏距离建立的基于ＲVM二叉树分类器作为故障识别模型的新方法; 同时辅以同一故障类型的样本间欧氏距离来评估三相不同期故障的严重程度。
结论
本文采用振动信号，在不破坏断路器本体的情况下，实现了对万能式断路器非侵入式监测和故障诊断。对仿真信号和实测信号的分析表明: 针对振动信号非线性非平稳的特点，利用改进的小波包去噪，兼顾软、硬阈值法降噪的优点，更好地提高了信号信噪比，降低均方根误差; CEEMD 分解缩小了由于添加白噪声引起的重构误差，得到了更好的模态分解效果。
所提取的IMF分量样本熵具有较好稳定性，适合于万能式断路器故障状态的区分，最后利用相关向量机在相对较少的故障数据样本下实现了对万能式断路器分合闸故障类型的准确识别，相比于其他方法，本文方法具有较高的识别率; 同时可以利用样本间欧氏距离，初步评估三相不同期故障的严重程度。因此本文方法具有较高的实用价值。
考虑到不同代的断路器在机械结构上的差异，可将该方法进一步应用到DW45系列智能型断路器的分合闸故障诊断上，这也是需要进一步完善的地方。