一种断路器机械故障的智能诊断方法
【专利摘要】本发明公开了一种断路器机械故障的智能诊断方法，包括如下步骤：（1）建立样本断路器的振动数据库作为训练样本用于训练支持向量机，所述振动数据库包括无故障时的断路器振动数据和存在机械故障时的断路器振动数据；（2）采集目标断路器的振动信号，并对其进行如下处理：首先提取振动信号的包络谱，然后利用小波变换对包络谱进行分解提取故障特征，最后对故障特征进行归一化处理来提取故障特征向量；（3）将得到的故障特征向量输入到训练好的支持向量机进行故障识别，实现故障诊断。本发明能够利用振动信号和小波分解有效地诊断断路器的机械故障，是一种能够有效提高断路器可靠性的方法。
【专利说明】一种断路器机械故障的智能诊断方法
【技术领域】
[0001]本发明涉及一种断路器机械故障的智能诊断方法，属于故障诊断技术。
【背景技术】
[0002]断路器是电力系统中最重要的控制和保护设备，也是变电站里机械和电气动作最频繁的设备，其安全可靠运行具有重要的现实意义。但是当电力系统出现短路等异常情况时，断路器会出现拒动、误动、慢动和三相不同期性等机械故障，这样会造成恶性事故，给人民的生命和国家财产造成无法估量的损失。因此，对高压断路器的运行中出现的故障及时的进行快速的监测和诊断就显得十分重要。国内外大量调查数据表明，机械故障是高压断路器的主要故障，所以进行高压断路器机械故障的诊断研究具有巨大的社会和经济效益。
[0003]目前，高压断路器的检修方式共有三种，即事后检修、定期检修和状态检修，其中以定期检修居多。随着电力系统对经济性要求的不断提高，定期检修已逐渐不能适应现场的需求，进行高压断路器机械状态在线监测与故障诊断，建立电站断路器信息统一管理系统，实现电站信息管理自动化已是大势所趋。随着传感器技术和信息处理技术的发展，对高压断路器进行状态监测和故障诊断已经成为可能。这种方法能够及时发现高压断路器的缺陷，降低事故的发生率，减少预防性试验和检修的工作量及停电次数。因此，确保了高压断路器的安全运行和提高电力系统运行的可靠性，以在线监测为依据的故障诊断技术，无论在理论和实用上都具有重大的技术经济价值。
[0004]对于高压断路器机械特性的检测方法主要有行程-时间检测法、分合闸线圈电流检测法、图像测量及振动信号检测法四种方法。其中利用振动诊断方法有利于实现对断路器的非侵入式的状态监测且可很好地解决高压隔离问题，因而振动诊断成为高压断路器机械故障诊断的最合适的方法。
[0005]近年来，国内外研究人员对高压断路器机械故障振动诊断投入了大量研究。但是目前的利用高压断路器振动信号进行故障诊断的方法还存在一些问题，例如算法太复杂、计算量太大，当变电所内监控的断路器数量较多时，将使计算机不堪重负；抵抗外界干扰的性能差；断路器的操作次数较少，获取的特征量少，降低系统故障诊断的精度等。
【发明内容】
[0006]发明目的:为了克服现有技术中存在的不足，本发明提供一种断路器机械故障的智能诊断方法，利用振动信号和小波分解有效地诊断断路器的机械故障，简单易行、成本低，可以有效克服外界的干扰，鲁棒性强。
[0007]技术方案:为实现上述目的，本发明采用的技术方案为:
[0008]一种断路器机械故障的智能诊断方法，包括如下步骤:
[0009](I)建立样本断路器的振动数据库作为训练样本用于训练支持向量机，所述振动数据库包括无故障时的断路器振动数据和存在机械故障时的断路器振动数据；
[0010](2)采集目标断路器的振动信号，并对其进行如下处理:首先提取振动信号的包络谱，然后利用小波变换对包络谱进行分解提取故障特征，最后对故障特征进行归一化处理来提取故障特征向量；
[0011](3)将得到的故障特征向量输入到训练好的支持向量机进行故障识别，实现故障诊断。
[0012]所述步骤(1)中，通过下述方法建立样本断路器的振动数据库:调节样本断路器的不同部件，尽可能地模拟断路器的各种状况，并采集各种状况下的振动信号，提取振动信号的包络谱，然后利用小波变换对包络谱进行分解提取各种状况的特征，最后对特征进行归一化处理来提取特征向量，并将提取的特征向量作为样本断路器相应状况的表征；所述各种状况包括样本断路器无故障时的状况和存在机械故障时的状况。
[0013]利用小波变换对包络谱进行分解提取故障特征，具体包括如下步骤:
[0014]a)计算振动信号的包络谱E (i):
[0015]利用希尔伯特变换实现包络谱E (i)的计算:首先将原始的振动信号序列x(i)转换成希尔伯特形式Xh (i)，再计算包络谱E (i)为:
【权利要求】
1.一种断路器机械故障的智能诊断方法，其特征在于:包括如下步骤: (1)建立样本断路器的振动数据库作为训练样本用于训练支持向量机，所述振动数据库包括无故障时的断路器振动数据和存在机械故障时的断路器振动数据； (2)采集目标断路器的振动信号，并对其进行如下处理:首先提取振动信号的包络谱，然后利用小波变换对包络谱进行分解提取故障特征，最后对故障特征进行归一化处理来提取故障特征向量； (3)将得到的故障特征向量输入到训练好的支持向量机进行故障识别，实现故障诊断。
2.根据权利要求1所述的断路器机械故障的智能诊断方法，其特征在于:所述步骤(1)中，通过下述方法建立样本断路器的振动数据库:调节样本断路器的不同部件，模拟断路器的各种状况，并采集各种状况下的振动信号，提取振动信号的包络谱，然后利用小波变换对包络谱进行分解提取各种状况的特征，最后对特征进行归一化处理来提取特征向量，并将提取的特征向量作为样本断路器相应状况的表征；所述各种状况包括样本断路器无故障时的状况和存在机械故障时的状况。
3.根据权利要求1或2所述的断路器机械故障的智能诊断方法，其特征在于:利用小波变换对包络谱进行分解提取故障特征，具体包括如下步骤: a)计算振动信号的包络谱E(i): 利用希尔伯特变换实现包络谱E (i)的计算:首先将原始的振动信号序列x(i)转换成希尔伯特形式Xh (i)，再计算包络谱E (i)为:
4.根据权利要求1或2所述的断路器机械故障的智能诊断方法，其特征在于:所述步骤(3)中，使用支持向量机进行故障识别，具体方法为:采用一对多的多类分类器实现多类分类，构造m-Ι个分类器实现m类分类，在构造m-1个分类器中的第I个分类器时，将属于第I类的故障训练样本作为一类，类别标号由原来的I改为1，将除去第I类的其余所有故障训练样本作为一类，类别标号为-1，决策函数为:
fi (X) =Sgn(ω1·x+b1) 其中，ω1和bl为第I个分类器的优化参数；其中X即为故障特征向量E ；若故障特征向量符合第I个分类器的特征，则确定样本断路器的故障为第I类故障，否则构造m-ι个分类器中的第1+1个分类器对故障特征向量进行分类 。
【文档编号】G01M13/00GK103575525SQ201310581714
【公开日】2014年2月12日 申请日期:2013年11月18日 优先权日:2013年11月18日
【发明者】张建忠, 杭俊, 程明 申请人:东南大学