论文部分内容阅读
【摘 要】针对高压断路器的机械故障诊断问题，阐述了近十年来国内外高压断路器机械故障振动诊断的方法。从振动信号的特征提取、故障识别的角度，对其进行了具体的分析。
【关键词】高压断路器 机械故障 方法探讨 故障诊断
中图分类号：V351.31 文献标识码：A 文章编号：1009-914X（2013）35-043-01
前言：
机械故障是高压断路器的主要故障，常见的机械故障有传动机构变形、润滑不良、电磁铁卡塞、锁扣失灵、触头磨损、螺丝松动、部件破裂、缓冲器故障等，可通过监测断路器动作过程中的振动信号，来识别出断路器的机械故障或机械状态。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状态监测的合适手段。其内容一般包括振动信号采集、特征提取、故障识别三个环节的内容。目前，信号采集方面的工作已经比较成熟，后二个环节尚在不断完善中，笔者主要讨论这二个环节的内容。
一、特征提取
经过20多年发展，高压断路器的振动诊断尚未有在工程中成功应用的报道，还需要不断地深入研究。尤其是，当前的国家智能电网建设对实用化智能电器有着迫切的需求，如何利用振动诊断较好地解决高压断路器机械状态监测问题显得更加突出。从断路器振动信号中提取的特征参量可以是时间信息、频率信息、时间和频率的综合信息、以及表征信号特征的某些指数等。相对应的，可将这些特征提取方法分类为时域法、频域法、时频法和数据序列法，应用中通常将几种不同的方法相组合。
1、时域法
时域法直接从时域振动信号中提取事件发生的时刻、幅值及表达时域波形变化的指标来作为特征。在断路器机械故障振动诊断中得到应用的有短时能量法、包络谱分析等。
1）短时能量法。短时能量分析的基本思想是将时域信号序列的指数变换经过窗函数滤波得到能量函数序列，再进行分析。相对于传统的中值滤波法、时域包络法、自相关法等，短时能量法能提高信噪比，获得较高精度的振动事件起始时刻信息。利用多个传感器测量断路器各相的振动信号，在选择合适的窗函数的基础上，采用短时能量法能精确获得断路器的合闸同期性与合闸时刻等状态参数。且研究表明承载电流对该方法的影响很小，对于断路器状态的在线监测具有重要意义。
2）包络谱分析。利用时域信号的包络谱，不但能够获得线圈动作、触头接触、缓冲动作等振动事件发生的时间，还能反映出振动事件的强烈程度。对断路器振动信号进行经验模态分解，
从时间分辨率较好分量的包络谱中提取时间信息，具有明确的物理意义，通过与标准值比较，
便于判断断路器的工况。
2、频域法
频域法将断路器的振动信号变换到频域，根据频率的分布和变化来判定故障类型和故障程度，例如细化频谱分析、模态分析等。
1）细化频谱分析。细化频谱分析是为解决常规傅里叶变换频率分辨率不高的问题而产生的。对快速傅里叶变换（FFT）、细化FFT（ZFFT）、线性调频Z变换（CZT）进行比较分析，并将CZT引入断路器振动信号分析。通过仿真和实测信号的细化频谱分析表明，CZT方法有助于提高断路器振动信号频域分辨率。
2）模态分析。模态作为机械结构的固有振动特性，一般以固有频率、阻尼比和振型来表示。选用固有频率和振型作为特征参量，并结合线圈电流、接触电阻、触头行程等信息，来判断材料疲劳、连接松动、触头磨损等问题。该方法只适合于离线测试，且测试时需要额外的设备来对断路器施加激励。
3、时频法
时频法能兼顾时间和频率，较好地表达信号的局部特征，特别适合于对非平稳信号的分析。目前，在断路器机械故障振动诊断中应用的有小波分析、小波包分析、经验模态分解、希尔伯特变换等。
1）小波分析。小波分析具有可变的时频分辨率，在低频段频率分辨率高、时间分辨率低，高频段时间分辨率高、频率分辨率低。一般可利用小波分解来抽取或重构振动信号，从而达到提取有用信号、去除干扰的目的。用小波分解各尺度上的奇异性指数来计算对应振动信号包络的奇异性指数，可用奇异性指数作为特征参数来进行故障诊断。构造振动信号的解析信号，利用对解析信号的小波变换来观察即时频率变化，也是判断断路器状态的一种可行方法。另外，振动信号的小波变换能生成时间—尺度平面上的谱图，正常信号和故障信号的谱图存在明显区别，也可利用该特征诊断不易识别的小故障。
2）小波包分析。相较于小波分析，小波包能保证在全频段都具有很高的分辨率，在许多应用中用小波包分析来替代小波分析。经常依据小波包分解后各个频带的幅值、能量等，选定节点系数作为特征向量或选取特定频带的节点进行信号重构以消除噪声干扰。重构的信号可通过短时能量分析、信息熵、双谱估计[17-19]等方法得到特征量。
3）经验模态分解。经验模态分解是一种处理非平稳、非线性信号的方法。该方法将信号序列分解成多个不同频段的固有模态分量和一个残量之和，能很好地突出信号的局部特征。可利用经验模态分解来抽取或重构振动信号，再通过包络谱分析、希尔伯特谱的能量熵[20]等方法构造特征量；或者直接用固有模态分量的能量熵构造特征量。
4）希尔伯特变换。希尔伯特变换是从实信号构造解析信号的常用方法。有研究者用希尔伯特变换从小波分解或者小波包分解后的信号中进一步提取信号包络、相位和瞬时频率等信息来评估断路器的状态。希尔伯特变换与经验模态分解相结合构成希尔伯特—黄变换，其希尔伯特谱很好地表示了信号时频分布特性，可作为故障诊断的依据。
4、数据序列法
数据序列分析方法着眼于通过少量数据直接得到某种数学模型或数值，而不在意数据的具体物理意义，从模型中得出数据的本质特征，如积分参数法、分形方法、信息熵、相空间重构等。 1）积分参数法。其基本思想是通过对振动信号的时域或频域数据序列进行加权积分，将波形中细微的变化累积放大，以期通过拟合积分曲线来区分断路器状态的目的。
2）分形方法。分形维数是对复杂形体不规则性的一种度量。相同状态断路器振动信号的局部分形维数曲线具有良好的一致性，而在不同状态下其分形维数曲线则具有很好的区分度。因而可利用振动信号的分形维数曲线作为高压断路器机械机构信息特征量。
3）信息熵。与分形维数类似，信息熵可对数据的复杂程度进行度量。因而信息熵通常被用来对小波包分解、经验模态分解或者谱图的数据序列进行量化表达。
4）相空间重构。相空间重构的基本思想在于用系统的一个观察量（如一个时间序列）可以重构系统的等价状态空间，即相空间。因而，可利用断路器振动信号来重构整个断路器的状态空间。实际应用中，相空间的步长和嵌入维数选取是关键，目前还没有通用的方法。通过多次试验发现，当嵌入维数达到10以上时，不同机械状态下的相空间关联维数基本趋于相应的固定值，可作为特征量。
二、故障识别方法
基本的故障识别可分为基于规则、基于模型和基于案例的3类方法。为取得好的识别结果，
可将多种方法结合使用。在断路器故障诊断领域内，基于规则的方法借助于专家知识达到故障识别的目的，实际应用中经验和知识的积累还有所欠缺，应用较少；基于模型的方法要求对断路器系统及其故障机理有深入的理解，而断路器系统的复杂性、多学科交叉的特点限制了其发展；基于案例（基于指纹）的方法将待诊断的案例与已有案例进行比对分析，从而达到分类或故障诊断的目的，目前应用最多。在高压断路器振动诊断的早期，一般采用相关系数、χ平方偏差测试、动态时间规整法等，随着人工智能的发展，神经网络、支持向量机、人工免疫网络等新方法被引入。
三、结语
高压断路器振动诊断一直未有突破，存在多方面的原因：断路器和操动机构种类繁多、结构复杂，很难找到通用的诊断方法；测量信号对传感器的安装位置敏感，加之机械结构造成的离散性，重复性有时较差；断路器振動信号是瞬时非平稳信号，分析起来较困难等。而要将高压断路器振动诊断应用到实际中，还需要考虑现场电磁干扰对测量的影响；不确定的开合电流对振动信号的影响；高压断路器较少动作，信号样本数少，如何建立有效的指纹库等。
【关键词】高压断路器 机械故障 方法探讨 故障诊断
中图分类号：V351.31 文献标识码：A 文章编号：1009-914X（2013）35-043-01
前言：
机械故障是高压断路器的主要故障，常见的机械故障有传动机构变形、润滑不良、电磁铁卡塞、锁扣失灵、触头磨损、螺丝松动、部件破裂、缓冲器故障等，可通过监测断路器动作过程中的振动信号，来识别出断路器的机械故障或机械状态。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状态监测的合适手段。其内容一般包括振动信号采集、特征提取、故障识别三个环节的内容。目前，信号采集方面的工作已经比较成熟，后二个环节尚在不断完善中，笔者主要讨论这二个环节的内容。
一、特征提取
经过20多年发展，高压断路器的振动诊断尚未有在工程中成功应用的报道，还需要不断地深入研究。尤其是，当前的国家智能电网建设对实用化智能电器有着迫切的需求，如何利用振动诊断较好地解决高压断路器机械状态监测问题显得更加突出。从断路器振动信号中提取的特征参量可以是时间信息、频率信息、时间和频率的综合信息、以及表征信号特征的某些指数等。相对应的，可将这些特征提取方法分类为时域法、频域法、时频法和数据序列法，应用中通常将几种不同的方法相组合。
1、时域法
时域法直接从时域振动信号中提取事件发生的时刻、幅值及表达时域波形变化的指标来作为特征。在断路器机械故障振动诊断中得到应用的有短时能量法、包络谱分析等。
1）短时能量法。短时能量分析的基本思想是将时域信号序列的指数变换经过窗函数滤波得到能量函数序列，再进行分析。相对于传统的中值滤波法、时域包络法、自相关法等，短时能量法能提高信噪比，获得较高精度的振动事件起始时刻信息。利用多个传感器测量断路器各相的振动信号，在选择合适的窗函数的基础上，采用短时能量法能精确获得断路器的合闸同期性与合闸时刻等状态参数。且研究表明承载电流对该方法的影响很小，对于断路器状态的在线监测具有重要意义。
2）包络谱分析。利用时域信号的包络谱，不但能够获得线圈动作、触头接触、缓冲动作等振动事件发生的时间，还能反映出振动事件的强烈程度。对断路器振动信号进行经验模态分解，
从时间分辨率较好分量的包络谱中提取时间信息，具有明确的物理意义，通过与标准值比较，
便于判断断路器的工况。
2、频域法
频域法将断路器的振动信号变换到频域，根据频率的分布和变化来判定故障类型和故障程度，例如细化频谱分析、模态分析等。
1）细化频谱分析。细化频谱分析是为解决常规傅里叶变换频率分辨率不高的问题而产生的。对快速傅里叶变换（FFT）、细化FFT（ZFFT）、线性调频Z变换（CZT）进行比较分析，并将CZT引入断路器振动信号分析。通过仿真和实测信号的细化频谱分析表明，CZT方法有助于提高断路器振动信号频域分辨率。
2）模态分析。模态作为机械结构的固有振动特性，一般以固有频率、阻尼比和振型来表示。选用固有频率和振型作为特征参量，并结合线圈电流、接触电阻、触头行程等信息，来判断材料疲劳、连接松动、触头磨损等问题。该方法只适合于离线测试，且测试时需要额外的设备来对断路器施加激励。
3、时频法
时频法能兼顾时间和频率，较好地表达信号的局部特征，特别适合于对非平稳信号的分析。目前，在断路器机械故障振动诊断中应用的有小波分析、小波包分析、经验模态分解、希尔伯特变换等。
1）小波分析。小波分析具有可变的时频分辨率，在低频段频率分辨率高、时间分辨率低，高频段时间分辨率高、频率分辨率低。一般可利用小波分解来抽取或重构振动信号，从而达到提取有用信号、去除干扰的目的。用小波分解各尺度上的奇异性指数来计算对应振动信号包络的奇异性指数，可用奇异性指数作为特征参数来进行故障诊断。构造振动信号的解析信号，利用对解析信号的小波变换来观察即时频率变化，也是判断断路器状态的一种可行方法。另外，振动信号的小波变换能生成时间—尺度平面上的谱图，正常信号和故障信号的谱图存在明显区别，也可利用该特征诊断不易识别的小故障。
2）小波包分析。相较于小波分析，小波包能保证在全频段都具有很高的分辨率，在许多应用中用小波包分析来替代小波分析。经常依据小波包分解后各个频带的幅值、能量等，选定节点系数作为特征向量或选取特定频带的节点进行信号重构以消除噪声干扰。重构的信号可通过短时能量分析、信息熵、双谱估计[17-19]等方法得到特征量。
3）经验模态分解。经验模态分解是一种处理非平稳、非线性信号的方法。该方法将信号序列分解成多个不同频段的固有模态分量和一个残量之和，能很好地突出信号的局部特征。可利用经验模态分解来抽取或重构振动信号，再通过包络谱分析、希尔伯特谱的能量熵[20]等方法构造特征量；或者直接用固有模态分量的能量熵构造特征量。
4）希尔伯特变换。希尔伯特变换是从实信号构造解析信号的常用方法。有研究者用希尔伯特变换从小波分解或者小波包分解后的信号中进一步提取信号包络、相位和瞬时频率等信息来评估断路器的状态。希尔伯特变换与经验模态分解相结合构成希尔伯特—黄变换，其希尔伯特谱很好地表示了信号时频分布特性，可作为故障诊断的依据。
4、数据序列法
数据序列分析方法着眼于通过少量数据直接得到某种数学模型或数值，而不在意数据的具体物理意义，从模型中得出数据的本质特征，如积分参数法、分形方法、信息熵、相空间重构等。 1）积分参数法。其基本思想是通过对振动信号的时域或频域数据序列进行加权积分，将波形中细微的变化累积放大，以期通过拟合积分曲线来区分断路器状态的目的。
2）分形方法。分形维数是对复杂形体不规则性的一种度量。相同状态断路器振动信号的局部分形维数曲线具有良好的一致性，而在不同状态下其分形维数曲线则具有很好的区分度。因而可利用振动信号的分形维数曲线作为高压断路器机械机构信息特征量。
3）信息熵。与分形维数类似，信息熵可对数据的复杂程度进行度量。因而信息熵通常被用来对小波包分解、经验模态分解或者谱图的数据序列进行量化表达。
4）相空间重构。相空间重构的基本思想在于用系统的一个观察量（如一个时间序列）可以重构系统的等价状态空间，即相空间。因而，可利用断路器振动信号来重构整个断路器的状态空间。实际应用中，相空间的步长和嵌入维数选取是关键，目前还没有通用的方法。通过多次试验发现，当嵌入维数达到10以上时，不同机械状态下的相空间关联维数基本趋于相应的固定值，可作为特征量。
二、故障识别方法
基本的故障识别可分为基于规则、基于模型和基于案例的3类方法。为取得好的识别结果，
可将多种方法结合使用。在断路器故障诊断领域内，基于规则的方法借助于专家知识达到故障识别的目的，实际应用中经验和知识的积累还有所欠缺，应用较少；基于模型的方法要求对断路器系统及其故障机理有深入的理解，而断路器系统的复杂性、多学科交叉的特点限制了其发展；基于案例（基于指纹）的方法将待诊断的案例与已有案例进行比对分析，从而达到分类或故障诊断的目的，目前应用最多。在高压断路器振动诊断的早期，一般采用相关系数、χ平方偏差测试、动态时间规整法等，随着人工智能的发展，神经网络、支持向量机、人工免疫网络等新方法被引入。
三、结语
高压断路器振动诊断一直未有突破，存在多方面的原因：断路器和操动机构种类繁多、结构复杂，很难找到通用的诊断方法；测量信号对传感器的安装位置敏感，加之机械结构造成的离散性，重复性有时较差；断路器振動信号是瞬时非平稳信号，分析起来较困难等。而要将高压断路器振动诊断应用到实际中，还需要考虑现场电磁干扰对测量的影响；不确定的开合电流对振动信号的影响；高压断路器较少动作，信号样本数少，如何建立有效的指纹库等。