高壓斷路器是保證電力系統(tǒng)安全、可靠運行的重要設(shè)備，對于高壓斷路器機械故障定位和診斷成為近年來重要的研究課題。北京航空航天大學(xué)自動化科學(xué)與電氣工程學(xué)院、江蘇省電力公司電力科學(xué)研究院的研究人員王昱皓、武建文、馬速良、楊景剛、趙科，在2020年《電工技術(shù)學(xué)報》增刊1上撰文，針對高壓斷路器典型工況的振動信號，提出了一種基于核主成分分析(KPCA)的SoftMax故障診斷模型，為高壓斷路器機械故障診斷與定位提供了新思路。

根據(jù)國際大電網(wǎng)會議的兩次統(tǒng)計，高壓斷路器(High Voltage Circuit Breaker, HVCB)的主要故障是機械故障，斷路器的機械狀態(tài)檢測尤為重要，高壓斷路器機械特性的研究可反映出斷路器80%以上的運行狀態(tài)。因此，斷路器故障診斷技術(shù)成為研究的重點。

隨著輸配電網(wǎng)自動化程度和可靠性要求的提高，對斷路器自身的可靠性要求也不斷增加。斷路器在動作過程中蘊含著很多重要的反映其機械狀態(tài)的信息。采集其動作時的振動信號，提取故障信號的特征向量，構(gòu)建性能優(yōu)越的分類器是對故障信號進行分析的關(guān)鍵。

斷路器的狀態(tài)檢測是故障診斷中很重要的一個環(huán)節(jié)，近幾年，國內(nèi)學(xué)者從多個角度進行了探索研究，有學(xué)者將合閘過程中彈簧的加速度信號分為兩段，利用前段信號獲得待檢測彈簧與標準彈簧能量釋放速度的最小空間距離。利用后段信號提取彈簧的本征頻率。對最小空間距離和本征頻率進行數(shù)據(jù)融合，檢測合閘彈簧儲能狀態(tài)，對高壓斷路器機械特性進行判斷。

高壓斷路器電信號與位移信號反映了設(shè)備的機械特性，研究人員以此為切入點進行了相關(guān)研究，如有學(xué)者采集高壓斷路器分合閘線圈中的電流信號和動觸頭的行程信號，基于高壓斷路器運作機理，實現(xiàn)了兩種信號相互驗證分析方式的診斷方案。而有學(xué)者指出線圈電流能夠獲得電磁鐵和輔助開關(guān)狀態(tài)，且對測量位置和傳感器安裝方式要求低、波形穩(wěn)定且直觀，但難以全面診斷斷路器的各類機械故障，特別是操動機構(gòu)中電磁鐵之外部分發(fā)生的機械故障。

而機械振動信號能夠獲得斷路器整個操作過程中部件之間的機械撞擊和摩擦的信息，可以實現(xiàn)多種機械故障的有效辨識，但對測量位置和安裝方式比較敏感。有學(xué)者在振動傳感器安裝優(yōu)化的基礎(chǔ)上，將采集到的振動信號導(dǎo)入支持向量機進行診斷。有學(xué)者從振動信號診斷、聲波信號診斷、振動和聲波聯(lián)合診斷等幾個方面進行了深入的研究。

近些年，關(guān)于高壓斷路器故障診斷主要研究的熱點和重點在于對采集到的振動信號進行分解，提取特征向量，進而設(shè)計智能診斷算法，并將其投入應(yīng)用。在處理信號方面，給出了如小波包變換法、包絡(luò)分析法、數(shù)理統(tǒng)計法等，有學(xué)者提出了一種基于數(shù)理統(tǒng)計的方法，通過分析采集到的振動信號，使用標準差作為特征參數(shù)，將機械狀態(tài)的振動信號量化處理。由均值和標準差確定各個狀態(tài)的置信空間，比較待診斷振動信號在各個振動狀態(tài)置信空間的置信度來得到振動狀態(tài)的分類結(jié)果。

有學(xué)者探索了小波變換與小波包變換分析采集到的振動信號的區(qū)別，使用小波包變換提取特征向量。得到特征向量之后，通過智能算法建立診斷模型來處理斷路器的運行數(shù)據(jù)，從而對其工作狀態(tài)進行評估。

支持向量機(Support Vector Machine, SVM)、反向神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、決策樹(Decision Tree, DT)、樸素貝葉斯(Naive Bayes, NB)等經(jīng)典分類方法在斷路器故障診斷模型的建立中得到了廣泛的應(yīng)用，有學(xué)者介紹了支持向量機的基本原理，提出了基于小波包和熵理論的振動信號特征提取方法，并與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)作對比，證明了支持向量機的效果優(yōu)良。

有學(xué)者以真空斷路器的機械特性作為訓(xùn)練與識別樣本，為了規(guī)避傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要大量樣本才能保證分類準確率的不足，提出了基于自組織映射(Self Organizing Map, SOM)的機械故障診斷方法。通過提取正常與故障狀態(tài)下斷路器的機械特性，并將其輸入至SOM網(wǎng)絡(luò)中進行故障區(qū)分，經(jīng)實驗證實有良好的故障識別能力。

有學(xué)者運用決策樹對保護或斷路器的不正確動作進行反向追蹤，給出故障原因。有學(xué)者提出一種將貝葉斯網(wǎng)絡(luò)與非精確狄里赫雷模型相結(jié)合的故障概率估計方法，為小樣本情況下斷路器機械機構(gòu)的狀態(tài)檢修提供了依據(jù)。有學(xué)者提出了基于多重支持向量域描述的故障診斷方法，增強了分類器在故障類別不完備時進行診斷的適應(yīng)性。

現(xiàn)有診斷方法的基本原理是對被檢測對象進行建模，對采集到的信號進行分析，從時域、頻域、時頻域以及數(shù)理統(tǒng)計方面進行特征描述，構(gòu)建特征空間，進而在得到的特征空間中對被檢設(shè)備進行分析和判斷。

故障診斷精確度往往會受到多方面的影響：一是算法本身應(yīng)用的局限性，二是對被檢系統(tǒng)認識不足，難以精確地建立系統(tǒng)的模型，構(gòu)建的特征空間往往維度過高，冗余成分過多。

高壓斷路器由大量電氣設(shè)備和機械設(shè)備構(gòu)成，在其動作的過程中，其內(nèi)部各個部件相互影響、相互關(guān)聯(lián)，并與外部環(huán)境相互作用，采集到的振動信號含有大量噪聲和不確定性，導(dǎo)致構(gòu)建的特征空間過于龐大，因此有必要對原始特征空間進行降維，高壓斷路器是一個典型的多變量、強耦合、非線性系統(tǒng)，而常用的降維方法如主成分分析法(Principal Component Analysis, PCA)，往往是采用線性降維的原理，使用其處理高壓斷路器的特征空間易造成非線性成分的丟失，影響故障診斷效果。

北京航空航天大學(xué)自動化科學(xué)與電氣工程學(xué)院、江蘇省電力公司電力科學(xué)研究院的研究人員，對基于振動信息的高壓斷路器機械故障診斷定位展開研究。針對SF6高壓斷路器六種典型工況：正常、合閘彈簧疲勞、分閘彈簧疲勞、傳動軸阻尼、油緩沖器漏油、地腳螺栓松動，提出了一種基于振動信號進行分析，核主成分分析法(Kernel PCA, KPCA)與SoftMax結(jié)合的診斷方法。

圖1 某高壓斷路器振動信號采集平臺

其中，KPCA降維法是PCA的非線性推廣，用于非線性信號的降維處理，SoftMax(柔性最大)多分類器，更客觀地衡量了各個工況的發(fā)生概率，在分類原理上有其優(yōu)勢。文中采用對比實驗的方式說明了KPCA-SoftMax故障診斷方法對預(yù)防斷路器故障具有重大價值和實際意義。

研究人員最后得到如下結(jié)論：

• 1)發(fā)現(xiàn)合閘振動信號屬于局部突變的非平穩(wěn)信號，使用時頻能量比的特征描述技術(shù)進行分析，可以有效區(qū)別不同的工況，設(shè)計了一套可靠采集的高壓斷路器振動信號的檢測裝置。
• 2)使用KPCA進行特征空間重構(gòu)降維，可以去掉多余不相干的成分，獲取有效特征用于診斷分類。相對于原始特征空間，診斷準確度提高了6.63%，取得了高精度分類診斷結(jié)果。
• 3)提出了一套有效的基于KPCA特征空間重組和SoftMax故障定位的診斷方法，即振動信號檢測、特征分析提取、特征變換以及診斷，通過對比不同故障分類方法的診斷準確度，發(fā)現(xiàn)SoftMax的診斷效果良好，均值為91.76%，性能最穩(wěn)定，方差為2.20%，實現(xiàn)了對高壓斷路器故障的辨識，為高壓斷路器故障診斷提供了思路。

以上研究成果發(fā)表在2020年《電工技術(shù)學(xué)報》增刊1，論文標題為“基于核主成分分析-SoftMax的高壓斷路器機械故障診斷技術(shù)研究”，作者為王昱皓、武建文、馬速良、楊景剛、趙科。

總結(jié)

以上是生活随笔為你收集整理的传统的线性降维方法效果不佳。_高压断路器机械故障诊断与定位的新思路：KPCA-SoftMax诊断方法...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。