基于SVM算法的真空断路器永磁机构故障诊断方法.pdf

真空电子技术VACUUM ELECTRONICS真空开关技术专辑基于SVM算法的真空断路器永磁机构故障诊断方法唐立1，符一凡，廖敏夫？（1.南华大学电气工程学院，湖南衡阳42 10 0 1；2.大连理工大学电气工程学院，辽宁大连116 0 2 4）摘要：永磁操动机构作为新式真空断路器常用的操动机构，其运行状态决定真空断路器的性能，因此有必要对永磁操动机构进行故障诊断研究。本文以ZW45-12型永磁机构真空断路器为研究对象，对真空断路器永磁机构行程曲线进行特征参数分析，选择断路器启动时间、动作时间、刚分合速度、分合闸平均速度等四个参数作为诊断特征参数；基于断路器分合闸实验数据，对比常用的故障诊断算法，结果表明SVM算法性能最优；基于Spark平台搭建使用SVM算法的永磁机构故障诊断模型，并通过不断调整SVM算法的惩罚参数C和核函数kernel,对诊断模型进行优化。优化的SVM故障诊断模型对永磁机构回路电阻增大、机构卡涩及分闸弹簧单根脱落故障诊断精确率均在90%以上，分闸弹簧单根脱落故障诊断准确率可达96%，可以满足永磁机构故障诊断精度需求。研究结果为永磁机构的故障诊断提供参考。关键词：永磁机构；故障诊断；支持向量机中图分类号：TM561doi:10.16540/11-2485/tn.2023.05.09文献标识码：A文章编号：10 0 2-8 935(2 0 2 3)0 5-0 0 6 4-0 6A Fault Diagnosis Method for Permanent Magnet Mechanism ofVacuum Circuit Breaker Based on SVM AlgorithmTANG Lil,FU Yi-fan?,LIAO Min-fu?(l.School of Electrical Engineering,University of South China,Hengyang 42100l,China;2.School of Electrical Engineering,Dalian University of Technology,Dalian 116024,China)Abstract:The permanent magnetic actuator mechanism is widely used in vacuum circuit breakers andplays a crucial role in their performance.Therefore,it is essential to conduct fault diagnosis research onthis mechanism.This research focuses on the ZW45-12 type permanent magnetic mechanism vacuum cir-cuit breaker.Firstly,the stroke-time curve of the permanent magnetic mechanism of the vacuum circuitbreaker is analyzed using characteristic parameters.Four specific parameters,namely starting time,actiontime,instantaneous open(closing)speed,and average speed of opening and closing,are selected as diag-nostic characteristic parameters.Secondly,various commonly used fault diagnosis algorithms are comparedusing experimental data of circuit breaker opening and closing,and the SVM algorithm is found to have thebest performance.Subsequently,a permanent magnet mechanism fault diagnosis model using the SVM al-gorithm is constructed based on the Spark platform.The diagnosis model is then optimized by continuouslyadjusting the penalty parameter C and kernel function of the SVM algorithm.The optimized SVM fault di-agnosis model has a diagnostic accuracy of over 90%for the faults of increased circuit resistance of the per-manent magnet mechanism,jams of the mechanism and single detachment of the detachment spring,andthe accuracy of single detachment of the detachment spring can be up to 96%,which can meet the demandfor the fault diagnosis accuracy of the permanent magnet mechanism.The result serves as a reference forthe fault diagnosis of the permanent magnet mechanism.Keywords:Permanent magnet mechanism,Fault diagnosis,SVM基金项目：国家自然科学基金项目（52 17 7 131）；武汉强磁场学科交叉基金项目（WHMFC202130）642023-05VACUUM ELECTRONICS高压断路器在电力系统中扮演着确保供电质量限，导致目前的故障诊断方法和实用产品的开发进和可靠性的关键角色，其性能的好坏直接影响着电展缓慢。因此，针对永磁机构进行故障诊断研究力系统是否能安全、可靠地运行1。操动机构作为有利于加强对电力系统的运行维护。断路器的重要组成部分，其稳定性是决定断路器性本文首先对永磁机构位移信号进行分析，并说能的关键因素2 。据国家电网公司统计，高压断路明需提取的特征信号，然后基于实验数据，对比多种器设备故障中约有6 0%为操动机构的机械故障引传统故障诊断算法，结果表明支持向量机（Support起3。因此，为了确保真空断路器安全稳定运行，对VectorMachine，SV M)诊断模型更为适合永磁机操动机构进行故障诊断势在必行。构故障诊断，最后通过对SVM诊断模型调参和实电磁机构起步最早，但由于需要配套大功率直验结果准确率对比，选出最优故障诊断算法参数。流电源，已被弹簧机构逐渐代替，现弹簧机构已占领1真空断路器永磁机构行程曲线特征参数了主要市场4。然而随着电网智能化的发展，弹簧真空断路器分合闸时的操动机构行程曲线可以机构受限于自身结构，难以满足电网对开关越来越直观地反映断路器的运行状态和特性变化12 。通高的故障切除时间要求；其次弹簧机构结构复杂，动过对永磁机构行程曲线分析，提出特征参数，如断路作过程多，难以达到智能电网实时监测运行状态的器的分合闸速度、动触头的刚分合速度、动触头平均需求。永磁机构因其结构简单、零件数量少、故障次速度、动触头行程等，可以反映断路器分合闸时的操数少、机械寿命长等优点，更适合断路器智能化的发动机构卡涩、断路器拒动等机械故障。展，近年来它在真空断路器中的应用越来越广泛5。永磁机构断路器分合闸触头行程S信号的正因此,永磁断路器的故障诊断研究具有重要的理论常波形如图1所示。和技术意义6 。刚合点操动机构的故障诊断主要对线圈电流信号、振S,F动信号和触头位移信号进行特征参数采集门。线圈S1i电流能够反映铁芯运动的细微变化，文献8 利用改S.进的多分类相关向量机（RVM)针对线圈的电流信1号对断路器成功进行故障诊断。结果表明该诊断模1L0to型能在样本数据较少的情况下对高压断路器多种故障进行识别且分类精度较BP神经网络高，但线圈电流信号易受外界工作环境影响，采集信号含有噪声，需对信号进行降噪处理才能进一步用于故障诊断。振动信号相对易采集，且包含信息量丰富，是主流的故障诊断方法。文献9 基于断路器振动信号，采用小波包频带能量分解算法成功对螺栓松动故障真空电子技术超程K-+乐合闽时间111S2H一S,L一一uu/sS.L1K6ms1t4t2t3t/ms(a)合闸6ms刚分点份闸时间超程触头开距触头行程1进行诊断。结果表明合闸过程较于分闸过程，其特10征量阈值可以更准确地反映断路器的机械状态，但由于振动信号普遍存在，采集信号容易伴随干扰信号，造成后续提取信号特征困难，触头位移信号能直观反映操动机构的机械故障。文献10 通过仿真对比，发现正常状态和多种故障状态下的断路器行程曲线存在明显差异，并通过各个阶段行程差和时间差绝对值作为特征参数，成功对高压断路器进行故障诊断。结果表明断路器位移信号可以有效诊断断路器机械故障。然而，由于永磁机构故障复杂，永磁机构状态特征与故障特征呈现非线性对应关系。传统方法在处理上述信号以推断永磁机构运行状态方面进展有to图1永磁机构断路器分合闸触头行程to是断路器发出合(分)闸信号时刻;ti是断路器启动时刻，可以反映合闸线圈电压、回路电阻及铁芯卡涩等故障；t2是断路器触头刚合（分)时刻；t3是断路器动作完成时刻；Si是断路器触头开距；S2是断路器触头行程。根据断路器刚合（分)速度定义为断路器刚合点前(刚分点后)6 ms的平均值131,找到距离刚合点前（刚分点后）6 ms时间点t4，及对应的行程距离S3。65tt2tt3t/ms(b)分闸2023-05真空电子技术VACUUMELECTRONICS特征参数断路器刚分(合)速度Ug：t4一t2通过S2、t 1、t s 计算平均速度Up：S2特征参数刚分合速度g、特征参数平均速度Up可以反映机构出力与卡涩故障。2真空断路器永磁机构故障诊断方法早期的故障诊断主要采用机理建模，根据系统的变化规律建立相对应的数学模型，从而对系统进行实时监测，但机理建模模型复杂，且现实数据获取困难，因此并未广泛应用。由于真空断路器永磁机构状态与故障特征呈非线性对应，难以针对其建立精确的数学模型。而基于机器学习的故障诊断方法，能够自适应学习样本数据中的特征信息，通过大量实验找到建立真空断路器永磁机构状态特征与故障特征之间隐含的非线性函数关系，进而实现真空断路器永磁机构智能诊断。基于机器学习的真空断路器永磁机构故障诊断过程如图2 所示，主要包含模型训练与诊断试验两过程。永磁机构真信号采集原始数据空断路器输出诊断试验模型训练验证是结果图2 永磁机构真空断路器故障诊断过程在对真空断路器故障诊断的机器学习算法应用中，比较典型的有SVM算法、朴素贝叶斯算法、决策树算法等。2.1 SVM原理SVM算法是一种经典的二分类算法，原理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化14，如图3所示。图3中有两类样本，分别“十”和“”表示。首先找到最优分类超平面（）十b=0,此超平面能够将“十”跟“二”完全分开。找到两侧经过离此超平662023-05Margin=ioll2X24S3(1)(2)数据预处理特征参数否oTx+b=1+0图3最优分类面面最近样本点，并作经过样本点且平行此超平面的平面（）十b=土1,则两平面上的样本点为支持向量，之间间隔为分类间隔。可以计算出分类间隔为2/Ill（图3中mar-gin的值），于是构造最优超平面的问题便转化为优化问题。引人Lagrange乘数ai，将优化问题转为对偶问题求解，变化后形式为：j=1s.t.aj0j=1,2,lj=1经计算可以得到最优分类函数为：f()=sgn(*)+b*)=sgn(Zaj y;(aj a)+b)j1式中，aER，a*为Lagrange最优系数，b*是最优偏置。线性可分情况之外，SVM则引人核函数将输入向量转化为高维特征向量，从而化为在高维空间构造最优分类面的情况。常见核函数有15 ;(1)线性核函数(liner)K(ai,a,)=ai:aj(2)d阶多项式核函数(poly)K(ai,a,)=(a;a)+1a(3)高斯核函数(Radial Basis Function，r b f)(4)神经网络核函数（sigmoid)K(i,j）=ta n h(ij)+cTx+b=0、oTx+b=-1一二2=1j-1XI(3)(4)(5)(6)(7)(8)（根节点）VACUUM ELECTRONICS此时目标函数通过核函数映射为：2.3决策树原理决策树（Decision Tree，D T）算法是一种常用Q(a)=Caiajyiy,K(aizj)(9)同时，分类函数也转变为：f(z)=sgn(aj y,K(a,a)+b)j=12.2朴素贝叶斯原理朴素贝叶斯（Naive Bayes，NB)算法是一种基于贝叶斯定理的分类算法，其核心思想是使用贝叶斯定理来计算某个样本属于各个类别的后验概率，然后选择具有最高后验概率的类别作为预测结果16 NB算法假设特征之间是相互独立的，并通过此假设简化计算。假设有一个待分类的样本和一组类别c1，C2，.，Ck），根据贝叶斯定理：P(c;/z)=P(c.)P(ale.)式中,P(lc）表示在类别c,下观察到样本的概率;P(c.)表示类别c;的先验概率，可以通过最大似然估计、概率密度函数或者训练集计算得出17 P()是样本出现的概率。由于NB算法特征之间相互独立，因此可以分解为各个特征的条件概率的乘积，即：P(|c,)=P(i Ic,)P(2 c,).P(n/ci)式中，1，2.，,是样本的特征。将计算简化为对每个特征的条件概率进行单独计算，最终在给定样本的情况下，通过公式：P(i/c,)P(r2/c,).P(c,/c,)P(c;/)=计算后验概率。选择arg max P(c;l),即具有最高后验概率的类别进行预测样本类别。15r10050真空电子技术的监督学习算法，它通过对训练数据集进行学习来构建一个树状模型,用于解决分类和回归问题。DT算法的思想是基于一系列的决策规则来对实例进行分类或预测。(10)（子节点）（叶节点）（叶节点）（叶节点）（叶节点）（叶节点）图 4 DT 工作原理图DT算法的工作原理如下：(1)特征选择：从训练数据中选择一个最优特征作为当前节点的划分准则。常用的特征选择指标有信息增益、信息增益比、基尼指数等。(11)P()(12)(13)P()15r10正常电阻增加0.2 Quu/s503311020t/ms（a）电阻增大与正常状态图5控制回路电阻增大、机构卡涩、分闸弹簧单根脱落与正常状态行程对比子节点(2)DT生成：根据选定的特征划分数据集，将数据集分割成多个子集，每个子集对应一个子节点。重复这个过程，直到达到终止条件，例如所有样本属于同一类别,或者没有更多特征可供选择。(3)DT修剪：为了避免过拟合，可以使用剪枝技术对生成的决策树进行修剪。剪枝方法可以通过最小化决策树的复杂度来提高泛化能力。(4)DT预测：使用训练好的DT对新样本进行分类或回归预测。通过沿着树的分支根据特征的取值逐步向下遍历，直到达到叶节点并返回预测结果。3实验数据分析本实验采用ZW45-12型永磁机构真空断路器进行分合闸测试，选取控制回路电阻增大、机构卡涩、分闸弹簧单根脱落三种故障作为诊断对象。对比三种故障与正常状态，以合闸曲线为例,行程对比如图5所示。15r10机构卡涩正常3313040子节点（叶节点）分闸弹簧单根脱落0正常t31-5010（b）机构卡涩与正常状态t32030t/ms4010（c）分闸弹簧单根脱落与正常状态2023-056720t/ms3040真空电子技术VACUUM ELECTRONICS图中t为正常状态下的启动时间，ti为故障状态下的启动时间；t3为正常状态下的动作时间，t31为故障状态下的动作时间。可以看出电阻增大时，永磁机构速度不变，启动时间增加，动作时间增加；机构卡涩时，永磁机构速度减小，启动时间不变，动作时间增加；分闸弹簧单根脱落时，永磁机构速度增加，启动时间减小，动作时间减小。提取启动时间ti、动作时间t3、刚分合闸速度ug和平均速度等4个特征信号作为故障诊断输人信号，利用Spark平台丰富的机器学习库及灵活的大数据处理能力，对提取的特征参数搭建故障诊断模型18 。用0,1,2 数字表示3个故障诊断模型的输出结果，其中0 表示操作机构控制回路电阻增大，1表示操作及传动机构卡涩，2 表示分闸弹簧单根脱落。最后选择数据进行故障诊断测试。故障诊断结束后，采用精确率（Precision），数据召回率（Recall)和Fl值(Precision和Recall的调和平均值)来显示故障诊断模型的准确率193.1故障诊断算法对比将获取的特征参数划分90%为训练集，10%为测试集，如表1所示。表1特征参数（部分）序号ti/ms144.2244.3344.0444.1541.5644.3选择50 组永磁机构的测量数据并进行归一化，将归一化后的数据输人DT、NB和 SVM等诊断模型,并在不调参的基础上采用10-CV交叉验证法对模型的精确率、数据召回率和F1值进行比较，比较结果如图6 所示。1.0一SVM0.80.60.40.20682023-05根据图6，SVM的精确率为0.8 5，F1值为0.82，是三个算法中最高的，而召回率为0.7 9，仅次于NB模型的0.8 2。同时对比算法之前的准确率及运行时间，结果如图 7 所示。1.20.90.30由图7 可知，SVM运行时间为4.8 s，小于NB模型的6 s、D T 模型的6.2 s;SVM模型的准确率为95%，高于NB模型的8 8%和DT模型的8 4%。通过实验数据可知，SVM模型更适合永磁机构真空断路器故障诊断。3.2SVM诊断模型调参t:/msUg/m/s58.30.96361.90.91755.71.06757.80.99846.10.82453.81.28NB精确率数据召回率图6 算法评估结果10SVMNBDT算法算法图7 算法对比图Up/m/s0.6200.5920.6620.6401.0341.298DTF1值86420作为SVM模型关键参数，通过调整惩罚系数C和核函数kernel 可以优化故障诊断模型准确率，具体的算法调优结果如表2 所示。表2 算法调优结果Ckernel0.2linear0.4linear0.6linear0.8linear1.0linear1.2linear1.4linear1.6linear1.8linear2.0linear0.2sigmoid0.4sigmoid0.6sigmoid0.8sigmoid1.0sigmoid1.2sigmoid1.4sigmoid1.6sigmoid1.8sigmoid2.0sigmoid准确率0.850.820.850.880.720.810.890.860.840.830.810.830.900.860.810.740.760.820.840.81C0.20.40.60.81.01.21.41.61.82.00.20.40.60.81.01.21.41.61.82.0kernelrbfrbfrbfrbfrbfrbfrbfrbfrbfrbfpolypolypolypolypolypolypolypolypolypoly准确率0.870.860.840.880.840.800.960.880.890.870.840.810.830.920.820.840.770.800.830.818zhang Y,Jiang Y,Chen Y,et al.Fault Diagnosis ofVACUUM ELECTRONICS根据表2 的结果显示，SVM模型在参数C为Magnetic Actuator in Vacuum Circuit BreakerJ.IE-1.4,核函数为rbf 的情况下具有最高的准确率，达ICE Transactions on Electronics，2 0 10，93（9):到了 96%。1404-1410.6李斌，永磁机构真空断路器运动特性状态评估方法研基于上述参数配置，对测试数据进行了故障诊究D.沈阳：沈阳工业大学，2 0 13.断，并将模型输出的故障诊断分类结果汇总如表37 Carvalho A,Cormenzana M,Furuta H,et al.Final Re-所示。port of the 2004-2007 International Enquiry on Reliabili-表3故障诊断分类结果ty of High Voltage EquipmentJJ.Electra,2012,264:49-53.故障标号精确率0.9410.9520.96均值0.95根据表3的结果显示,SVM模型对上述三种故障识别精确率均达到9 0%以上，且对分闸弹簧单根脱落故障识别最为精准，可达96%，表明SVM算法能够满足对故障诊断高精度的需求，因此，采用SVM算法对永磁机构真空断路器进行故障诊断是可行的。4结论本文在Spark平台上对永磁机构真空断路器应用SVM模型进行故障诊断，得到了关键参数配置情况，通过实验数据验证了模型的准确性，研究结论如下：(1)SVM模型相比于 NB、D T 模型更加适用于永磁机构的故障诊断，准确率最大提高11%，运行耗时减少1.4 s。(2）当模型中参数C=1.4，k e r n e l=r b f时，SVM模型准确率最高，且针对分闸弹簧单根脱落故障诊断精确率能够达到96%。参考文献1 章敏俊基于TMR传感器的非接触式弧后电流测量研究D.大连：大连理工大学，2 0 2 3.2刘北阳，李志兵，赵子瑞，等，高压断路器电磁类型操动机构的位移跟踪技术研究J.高压电器，2 0 2 1，57（0 9）：9-18.3蒋佳明真空断路器用新型永磁操动机构设计优化与控制技术研究D.南京：东南大学，2 0 2 3.4洪礼通，缪希仁操动机构研究现状与发展新趋势J.电器与能效管理技术，2 0 17，（2 2）：1-7.5 Liu Y,Yuan H,Zhang Q,et al.Calculation and Analy-sis of Dynamic Characteristics of Multilink Permanent真空电子技术召回率F1值0.930.930.870.910.900.930.900.92High Voltage Circuit Breaker Based on Multi-classifica-tion Relevance Vector MachineJ.Journal of ElectricalEngineering&Technology,2020,15:413-420.9林婧，张佳灏，黎旭，等基于振动信号的高压断路器螺栓松动故障诊断研究J.高压电器，2 0 2 3，59（0 3）：28-33.10刑锋，钟声，梁胜乐，等，基于行程曲线的高压断路器典型故障特征参数提取J.华北电力大学学报（自然科学版），2 0 2 1,48（0 4)：56-6 2+90.11吕子印，基于神经网络的真空开关操动机构故障诊断D.大连：大连交通大学，2 0 18.12 董华庆双断口真空断路器速度调控对动态电压分布影响D.大连：大连理工大学，2 0 2 1.13孙丽琼，王振兴，何塞楠，等.12 6 kV真空断路器分离磁路式永磁操动机构J.电工技术学报，2 0 15，30(20):49-56.14丁世飞，齐丙娟，谭红艳支持向量机理论与算法研究综述J.电子科技大学学报，2 0 11，40（0 1）：2-10.15黄静，张招君基于GAPSO-SVM的滚动轴承故障分类方法J.软件导刊，2 0 2 1，2 0（0 1)：36-40.16杜拓，方红基于朴素贝叶斯算法的信息过滤研究J.信息与电脑（理论版），2 0 2 3,35（0 9）：90-92.17朱兴统，旋转机械智能故障诊断方法的研究D.广东：广东工业大学，2 0 2 1.18单小雨：基于Spark平台的高压断路器故障诊断研究D.大连：大连理工大学，2 0 2 1.19张健，张朋，宫铭辰，等，基于机器学习算法的高压断路器故障诊断研究J.东北电力技术，2 0 2 2，43（11)：12-16.收稿日期：2 0 2 3-0 8-31作者简介：唐立（1999-），男，硕士，主要从事真空断路器故障诊断领域的研究。2023-0569