一种永磁机构高压真空断路器故障模式识别方法与流程

本发明涉及一种高压断路器状态监测与故障诊断，尤其是一种高压真空断路器的故模式识别方法。
背景技术：
：高压真空断路器属于高压开关设备的一种，其作用是响应控制命令，投入或切除负载或者线路，保证电力系统的安全可靠运行。随着电力系统的装机容量不断增加，配备的断路器也不断增多。真空断路器由于其结构简单，稳定运行时间长，近年来被广泛使用。永磁机构指的是断路器的操作机构是永磁结构的，由于其力学特性与断路器的分合闸过程比较吻合，且价格便宜，近年来被广泛应用到断路器操作机构中。然而，在运行过程中，随着时间的推移以及周围环境的影响，设备难免会变形老化，或者使用者操作不当，极有可能发生故障。因此，研究永磁机构高压真空断路器的故障模式识别方法具有重要的意义。国内外针对高压断路器的故障研究时间比较长，从最早的预防性实验开始，到设备的定期检修与状态检修，以及设备的状态监测与预警，过渡到了在设备的故障诊断。断路器故障诊断方法研究的比较多，专利文献《基于分合闸线圈电流的断路器操作机构故障诊断专家系统》（CN104360263A）利用专家系统的知识对断路器分合闸线圈电流的特征信息进行管理分析，诊断操作机构故障；专利文献《一种基于多信息融合的永磁机构真空断路器故障诊断方法》（CN104181460A）融合多种状态信息，提取状态信息的特征值作为模型输入，训练学习相关向量机故障诊断模型，该技术对断路器的故障监测状态类型比较丰富。然而上述现有技术至少存在以下技术不足。（1）监测信息量单一，多种参量同时监测又没有考虑到信息冗余问题。（2）由于现场有干扰，特征量不易准确提取，现有技术未涉及到有效的特征提取方法，缺乏对特征量准确性的验证。（3）难以捕获设备故障时的状态信息，故障数据样本缺乏，数据不丰富。（4）故障分析方法针对性不强，且难以建立对应的故障识别数学模型。由于对高压断路器故障的研究存在多种问题，导致缺乏有效的故障数据处理方法，存在着故障识别不够准确的技术问题。技术实现要素：针对现有技术存在的不足，本发明旨在解决永磁机构高压真空断路器故障信息获取不全面，故障模式识别准确率低的问题，并提供一种永磁机构高压断路器故障模式识别方法。本发明的问题是通过如下措施来解决的。一种永磁机构高压真空断路器故障模式识别方法，所述方法包括故障状态信息分类方法、状态信息特征提取方法和故障分类识别方法；所述故障状态信息分类方法，包括控制回路状态信息方法、机械状态信息方法及真空灭弧室状态信息方法；所述控制回路状态信息包括合闸线圈电流、分闸线圈电流和储能电容电压；所述机械状态信息包括断路器分合闸过程中的时间特性、行程特性、速度特性与振动特性；所述真空灭弧室状态信息包括波纹管状态、触头电磨损与真空度；其中，所述时间特性包括合闸时间、分闸时间、合闸不同期、分闸不同期、合闸弹跳时间和触头动作时间；所述行程特性包括触头行程、触头开距、触头超行程和触头反弹幅值；所述速度特性包括刚合速度、刚分速度、合闸最大速度、分闸最大速度、合闸平均速度和分闸平均速度；所述振动特性是断路器分合闸时动触头连杆底端的加速度特性；所述状态信息特征提取方法，包括时域信号特征提取方法与频域信号特征提取方法；所述时域信号特征提取方法是通过选取信号中值滤波秩、求取波峰波谷的阈值和宽度，在一定范围内对信号波形起始点、拐点与稳定点三个参数进行遍历寻优，得到最优解；所述频域信号特征提取方法是通过小波分解信号并利用分层阈值降低噪声，最后重构信号，再利用小波包分解之后，求取每一波段上的能量谱作为特征量；所述故障分类识别方法是基于支持向量机增量学习的故障模式识别方法，具体方法步骤如下：1）归一化故障特征数据，并将数据随机分为A、B、C3组数据，建立故障特征数据样本；2）利用支持向量机分类算法训练数据A得到分类模型M1，利用支持向量机增量学习算法训练数据B得到模型M2；3）利用数据C验证模型M1与M2的准确性。其中，所述支持向量机增量学习算法是将新增故障样本与原有故障样本结合，重新训练支持向量机分类器，得到新的故障分类识别模型。本发明上述一种永磁机构高压真空断路器故障模式识别方法的实施，与现有技术相比，其优点与有益效果在于：本方法首先将高压真空断路器故障状态信息分成三大类，对每一类故障分类识别，解决了单一状态量监测信息不全面与多参量监测存在信息冗余的矛盾；第二是在特征提取时运用了参数寻优的思想，避免了噪声干扰，提高了监测信号特征量提取的准确性与有效性；第三是将支持向量机与增量学习相结合，识别永磁机构高压真空断路器常见故障。充分利用小样本数据来训练模型，提高了故障识别的泛化能力，并通过学习新增数据不断丰富样本库，可将分类识别精度提高到90%以上。附图说明图1是本发明断路器合闸线圈电流波形及特征量。图2是本发明断路器分闸线圈电流波形及特征量。图3是本发明断路器储能电容电压波形及特征量。图4是本发明断路器合闸位移波形及特征量。图5是本发明断路器分闸位移波形及特征量。图6是本发明断路器分闸时振动信号。图7是本发明断路器分闸时振动信号的功率谱。图8是本发明基于支持向量机的增量学习算法步骤。具体实施方式下面对本发明的具体实施方式作出进一步的说明。实施一种永磁机构高压断路器故障模式识别方法的技术方案，包括三方面内容，即故障状态信息分类、状态信息特征提取、故障分类识别方法。所述的故障状态信息分类包括：控制回路状态信息、机械状态信息、真空灭弧室状态信息。所述的控制回路状态信息包括合闸线圈电流、分闸线圈电流、储能电容电压。所述的机械状态信息包括断路器分合闸过程中的时间特性、行程特性、速度特性与振动特性。所述的时间特性，包括6个部分，具体定义如下：合闸时间：合闸线圈从有电流时刻到动静触头完全接合的时刻；分闸时间：分闸线圈从有电流的时刻到动静触头刚好分离时刻；合闸不同期：从第一个触头完成合闸的时刻到最后一个触头完成合闸时刻；分闸不同期：从第一个触头完成分闸的时刻到最后一个触头完成分闸时刻；合闸弹跳时间：触头从合闸刚好接触的时刻到动静触头稳定接合的时刻；触头动作时间：从触头开始运动到运动停止时的时间。所述的行程特性，包括4个部分，具体定义如下：触头行程：运动过程中动触头之间的最大距离；触头开距：稳态下动静触头之间的距离；触头超行程：触头行程与开距之间位置差（从所有相触头都接触开始到合闸稳定位置为止之间的位移量之差）；触头反弹幅值：分闸过程中的最大振幅为分闸反弹幅值。所述的速度特性，包括6个部分，具体定义如下：刚合速度：合闸时动静触头接触之前10ms内速度的平均值；刚分速度：分闸时动静触头分离之后10ms内速度的平均值；合闸最大速度：合闸时间段内动触头运动的最大速度；分闸最大速度：分闸时间段内动触头运动的最大速度；合闸平均速度：动触头在合闸阶段段内速度的平均值；分闸平均速度：分闸期间段内动静触头从刚分开的时刻到刚好停止的时刻这一时间段内速度的平均值；所述的振动特性，是断路器分合闸时动触头连杆底端的加速度特性；所述的真空灭弧室状态信息包括波纹管状态、触头电磨损与真空度；所述的状态信息特征提取方法包括时域信号特征提取方法与频域信号特征提取方法；所述的时域信号特征提取方法主要是提取信号波形起始点、拐点与稳定点，其特征在于：通过选取信号中值滤波秩、求取波峰波谷的阈值和宽度，在一定范围内对三个参数进行遍历寻优，得到最优解。所述的频域信号主要指的是振动信号，其特征提取方法具体特征在于：通过小波分解信号并利用分层阈值降低噪声，最后重构信号，再利用小波包分解之后，求取每一波段上的能量谱作为特征量。所述的故障分类识别方法是一种基于支持向量机增量学习的故障模式识别方法，其特征在于：具体由以下步骤实现：归一化故障特征数据，并将数据随机分为A、B、C共3组数据，建立故障特征数据样本；利用支持向量机分类算法训练数据A得到分类模型M1，利用支持向量机增量学习算法训练数据B得到模型M2；利用数据C验证模型M1与M2的准确性。所述的增量学习算法是将新增故障样本与原有故障样本结合，重新训练支持向量机分类器，得到新的故障分类模型。下面本发明以ZNY1-6(10)/630-12.5永磁机构高压真空断路器为例，结合附图对具体实施方式作出进一步的详细说明。选择霍尔电流传感器与霍尔电压传感器分别测量断路器分合闸动作时控制回路的合闸线圈电流信号、分闸线圈电流信号与储能电容电压信号。选择拉线位移传感器测量分合闸时的位移信号与振动传感器测量分合闸时的振动信号。按照时域信号特征提取方法，提取附图1、附图2、附图3、附图4及附图5中每一曲线标注的坐标为特征量。具体包括以下步骤：步骤1：对原始信号中值滤波，主要影响滤波效果的参数为中值滤波秩。其中，中值滤波秩是用于计算中值的元素数；步骤2：求取滤波后的波峰与波谷，影响参数为阈值和宽度。阈值是可以去除过小的波峰和波谷的限度，宽度是指拟合方法所用窗口的宽度；步骤3：确定中值滤波秩、阈值、宽度三个参数范围，在范围内遍历所有数据组合，使得到的坐标在有效范围内，且找到个数最少，即求最优解。按照频域信号特征提取方法，提取附图6中振动信号三层小波包分解之后的功率谱作为振动信号的特征量。特征提取步骤如下：步骤1：小波分解信号并利用分层阈值降低噪声，最后重构信号；步骤2：对重构后的信号进行小波包3层分解，得到8段频率下的信号；步骤3：求取信号在每一频段内的功率，将归一化之后的功率谱作为振动信号的特征量。利用一台0~200V的交流调压器改变交流输入电压，模拟永磁机构控制回路交流输入电压故障；在主回路中串联接入相应阻值的电阻模拟回路由于线圈老化导致电阻增加的故障；通过在传动拐臂转轴上施加反作用力，模拟铁芯卡涩故障；通过调节分闸弹簧与连杆连接处螺丝的松紧，模拟弹簧松动故障。建立了故障特征数据样本，具体包括：分别提取每一故障时的特征量，对上述4种故障各提取50组数据。同时提取了5组正常情况下的特征量作为对照组数据。将特征量归一化后并分组，对每种故障数据随机均匀抽取20组作为模型训练数据，组别记为A。再随机均匀选10组作为增量学习数据，组别记为B。另外20组作为模型验证数据，组别记为C。通过K-CV交叉验证寻求C-SVC支持向量机模型中的最佳参数，其核函数为RBF，首先需要对模型参数进行选择，即错误惩罚因子C和RBF函数中的gamma参数g。寻找最佳的(C，g)参数对，使得分类器的分类效果最优。具体寻优过程为：选择C、g的参数范围，将范围构成的二维空间内所有的(C，g)构成参数对，并将训练集数据作为原始数据，求得此组参数对下分类模型的平均分类准确率，选取准确率高的(C，g)参数对即为最优参数对。利用支持向量机算法训练第A组数据，采用C-SVC作为训练模型，K-CV交叉验证作为参数寻优方法，径向基函数RBF作为核函数，最终的分类决策函数为：（1）式中，f（x）是分类结果，sgn为决策函数映射，w是超平面的法向量，γ是核函数中的参数，xi是支持向量，x是输入特征量，b是偏置。利用增量学习算法训练数据B组数据，具体步骤如下：步骤1：训练历史样本A，得到分类器ψ1与支持向量SVa；步骤2：分类器ψ1与新增样本B联合训练得到不能正确区分的样本集E；步骤3：将SVa与E结合重新训练得到新的ψ2和SVb；步骤4：取SVa与SVb的并集作为新的训练集，对错分样本重新训练，直到没有错分样本为止；步骤5：将新训练的分类器ψ与支持向量SV作为最终分类结果。得到具体模型如下表：上表1训练模型参数表上表1中model1为支持向量机分类模型，model2为增量学习分类模型，w为支持向量的系数，与表3、4中的参数model.sv_coef相对应；γ即参数g；xi表示支持向量，与表中model.SVs相对应；x表示输入待预测向量；b代表偏置，是参数model.rho的负数。更优的，将C组数据分别代入支持向量机与增量学习分类模型，对比两种模型的准确率。如下表2所示，原始数据训练出的模型对于正常情况与供电异常故障各有一次没有准确识别，增量学习模型对各个故障全部识别准确。表2模型准确率对比类别正确样本数准确率初始数据训练模型1890%增量学习数据训练模型20100%由上述模型识别准确率对比表可以得出，通过支持向量机增量学习算法可以有效提高故障分类准确性，该方法对处理小样本故障数据具有极强的泛化能力与针对性。实施结果表明，将高压真空断路器故障有效分类，并针对每一类故障确定相应的监测状态信息，可以有效避免数据冗余的问题。所用的状态信息特征提取方法可以避免信号干扰，并能有效反映故障特征信息。本发明运用在断路器故障诊断中，有效解决了故障监测信息获取不全面，故障识别准确率低的问题，为状态检修提供指导，提高了设备运行的经济性与安全性。当前第1页1 2 3