基于振动信号的高压断路器故障诊断

基于振动信号的高压断路器故障诊断

张晨

辽宁高压电器产品质量检测有限公司，辽宁 沈阳 110000

摘要：高压断路器作为电力系统的关键保护设备，在系统发生故障时，迅速切断故障部分以保障整个电网的正常运行，其可靠性影响电力系统的稳定运行。高压断路器常见故障中操动机构相关的缺陷约占50%，是设备运维的重点。操动机构受到环境侵蚀，在电磁铁铁心、传动部件轴销等位置会产生锈蚀，据统计锈蚀及异物缺陷约占2%～5%，严重锈蚀时，将导致分合闸弹簧无法充分释能、机构动作卡涩、分合闸速度降低甚至拒动等严重事故。因此，准确评估高压断路器操动机构的锈蚀状态，并及时采取相应的处理措施，对保障电力系统供电安全性具有重要的意义。本文对基于振动信号的高压断路器故障诊断进行分析，以供参考。

关键词：振动信号；高压断路器；故障诊断

引言

高压断路器是电力系统中重要的设备，起到控制和保护电网的作用，在电网正常运行或异常事件发生时，及时安全地接通或者切断载荷。高压断路器可靠运行是电网可靠稳定的重要前提与基础，一旦高压断路器发生故障可造成巨大的经济损失和社会影响。目前，高压断路器的检修模式仍为定期巡检与事故后维修，其检修缺乏明确目标，并且在检修过程中可能会由于整体拆卸与装配造成特性差异导致严重后果，所以有必要对其动作特性进行分析。根据国内外可靠性统计分析表明高压断路器故障中的80%以上都是由于机械性能和电气控制回路所导致的。

1概述

高压断路器作为动作型控制和保护设备，其可靠性是保证电力系统安全稳定运行的基础。在分闸、合闸和储能等操动状态下，断路器部件动作产生强烈的冲击，易引发各种机械故障。国际大电网会议调查表明，断路器机械故障占比61%。振动信号蕴含大量机械部件状态信息，利用非侵入式振动信号辨识断路器操动过程机械状态取得了较好的实践效果。经典振动特征提取方法包括短时能量法、包络分析、功率谱和希尔伯特-黄变换等。断路器动作产生的振动波通过透射、反射和衍射等传输过程呈现出非平稳、非线性特点，在时域和频域均有繁杂的结构特征。由于缺少定量描述信号细节变化的特征，上述方法在精准描述信号局部变化和辨识复杂故障方面受到限制。断路器在实际运行中不会频繁操作，造成积累现场数据样本困难，限制了人工神经网络、聚类分析等需要较多训练样本智能辨识方法的应用。支持向量机（SupportVectorMachine,SVM）适用于小样本分类问题，但是其准确率在很大程度上依赖参数的选取。分群粒子群优化-支持向量机（Grouped－Particle－Swarm－Optimization-SVM,GPSO-SVM）算法通过分群粒子群（Grouped－Particle－SwarmOptimization,GPSO）优化SVM函数参量，提高搜索效率和辨识准确率。由振动信号判别断路器操动状态是一种非侵入式测试方法，现场实用化的关键在于选取信号精准特征及优化辨识模型。1）谱形状熵可有效刻画非平稳信号的波形变化和功率主峰分布特征，且性能稳定。当极径尺度和极角尺度分别介于14～18、28～40之间，采用本文辨识算法准确率均≥95%。2）GPSO-SVM辨识模型相较于BPNN、SVM和PSO-SVM时间开销略有增加，但有效提高了操动状态辨识准确率，尤其对断路器机构卡涩和弹簧疲劳等潜伏性故障具有较好的辨识能力。3）断路器因储能方式、操动部件结构不同而有所差异，通过更新GPSO-SVM模型训练集中的谱形状熵特征，可使算法对断路器操动状态辨识具有通用性，在现场带电测试和故障监测中有广阔的应用前景。

2高压断路器故障诊断原理

高压断路器是电力系统中最为重要的控制和保护设备之一，其运行可靠性直接影响电力系统能否稳定运行。因此，对高压断路器进行状态监测以及时发现其故障是目前的研究热点之一。拒动和误动是高压断路器的主要故障，机械结构的变形、移位或断裂均有可能导致断路器拒动，而二次回路故障和操作机构故障是导致断路器误动的主要原因。以上这些缺陷在断路器振动信号中均有所体现。高压断路器的振动信号包含了各零部件的动作时间信息，当各部件动作异常或发生卡涩拒动等情况时可以在振动信号中有所体现。此外，根据振动的时域波形还可以进一步得到信号的幅值以及频率，这些信息进一步反映了断路器的机械状态信息，当断路器结构变形损坏或触头烧毁时，振动信号的幅值和频率均会有所变化，因此，可以根据振动信号的时频信息来实现高压断路器的故障诊断。

3高压断路器振动信号处理

高压断路器的振动信号可以看作是由多个呈指数衰减的正弦信号叠加而成，为研究高压断路器的时频特性，生成仿真振动信号。对于振动信号或声学信号的分类，现在一般采用时频图结合卷积神经网络的方式，但对于高压断路器的振动信号，其时频图是稀疏的，直接作为训练样本将导致训练时间过长，因此可以对其进行压缩或降维。为此，可采用变分模态分解（VMD）对其进行处理。

4锈蚀位置与锈蚀等级检测

原始数据集由变电站等实际作业环境中采集的结构类似的高压断路器操动机构照片构成。在断路器操动机构锈蚀检测领域，目前没有公开的大型数据集，且实际采集照片数量有限，因此本文首先通过非形变的旋转、随机裁剪对数据集进行初步增广。参考国家标准GB/T8923.1—2011对锈蚀等级的规定，使用图像处理软件将标准中给出的不同等级锈蚀照片添加至操动机构关键零部件连接处，以扩充锈蚀检测数据集样本。由于锈迹的颜色和形状与设备本身的颜色形状及所处环境相关，不同设备产生的锈迹差异较大，相同设备在不同温度、湿度下锈蚀状况有所不同，因此采取颜色变换、随机插入高斯噪声、随机高斯模糊等方式，进一步扩充锈蚀数据样本。

5高压断路器故障诊断

对高压断路器进行故障模拟得到了正常状态、铁芯卡涩、基座螺丝松动、拐臂润滑不良4种状态下共40组振动信号，采用归一化距离和模态重复系数确定分解层数，结果如图1所示。当k取7时重构信号与原始信号已经几乎一致，且此时没有发生模态重叠现象，因此选取分解个数为7。对各组信号进行特征提取。结果表明，相同状态下，振动信号特征向量具有较好的重复性，不同状态下振动特征向量具有较大的差异性，可以满足状态分类的需求。

图1模态个数选取

结束语

针对高压断路器非平稳振动信号特征提取困难、特征向量识别准确率不高的问题，本文提出了一种基于多尺度一维卷积神经网络的高压断路器故障诊断方法，通过采集断路器分合闸操作机构本体的振动信号，对其进行特征提取，能准确识别故障类型。其特点如下：①无须专家经验即可提取原始振动信号的故障特征，泛化能力强；②相比传统CNN网络结构，本文提出的方法更符合振动信号特点，识别精度更高；③提出了多尺度卷积核，全值Top-K池化层，增大了卷积过程的感知域，提高了故障诊断的精度与可靠性。实际运行中的高压断路器型号多，其正常运行数据多，故障少，由于样本不平衡在训练中会出现过拟合等现象，且故障状况与实验室模拟有一定差距，应针对不同型号及不平衡样本进行深入的泛化研究。

参考文献

[1]刘文,程江洲.基于小波变换的高压断路器机械故障监测装置的研究[J].东北电力技术,2021,42(03):56-59.

[2]杨秋玉,阮江军,庄志坚,翟鹏飞.高压断路器机械振动信号的参数自适应降噪方法[J].高电压技术,2021,47(12):4274-4287.

[3]邢伟,杨博,刘宇.IMBSE融合AFS-DBN模型的高压断路器故障诊断[J].组合机床与自动化加工技术,2020(11):68-73+81.

[4]陈欣昌,冯玎,林圣.基于深度自编码网络的高压断路器操作机构机械故障诊断方法[J].高电压技术,2020,46(09):3080-3088.

[5]薛源,刘海东.一种基于振动电流相融合的高压断路器故障诊断方法[J].电子技术与软件工程,2019(21):200-201.