基于LMD边际谱能量熵的高压断路器机械故障诊断.pdf

基于LMD边际谱能量熵的高压断路器机械故障诊断Mechanical Fault Diagnosis of High-voltage Circuit Breakers Based on LMD Marginal Spectral Energy Entropy 王国东1 马莉2 李科云1 万钧1（1.国网宁夏电力有限公司超高压公司，宁夏银川 750011；2.国网宁夏电力有限公司电力科学研究院，宁夏银川 750011）摘 要 断路器分合闸振动信号蕴含着丰富的机械特征信息，为准确提取其特征，提出一种基于LMD边际谱能量熵与GPSO算法相结合的高压断路器机械故障诊断方法。首先将原始振动信号进行小波软阈值去噪处理，然后将去噪后的信号利用 LMD 进行分解，获取若干反映断路器操动过程中机械状态信息的PF分量；然后依据各PF分量与原始信号相关性确定包含主要状态信息的 PF分量，并将前 3阶分量进行希尔伯特变换（Hilbert变换），求取其边际谱能量熵作为特征向量；最后将特征向量输入到GPSO-SVM分类器，实现断路器机械故障诊断。实验结果表明：LMD边际谱能量熵能准确反映断路器机械故障特征，GPSO-SVM可有效辨识断路器机械故障。关键词 高压断路器；LMD；Hilbert变换；边际谱能量熵；GPSO-SVM中图分类号 TM561 文献标识码 B基于LMD边际谱能量熵的高压断路器机械故障诊断王国东，等0 引言高压断路器是电力系统中重要的控制和保护设备之一，其可靠与否对大电网的安全稳定运行具有直接影响1,2。据国内外调查结果，断路器机械故障占比 80%以上3。因此，对高压断路器进行在线监测与故障诊断，提前发现其故障征兆，对保障电力系统稳定可靠运行具有重要意义4。高压断路器分合闸过程时间短、速度快，产生的振动信号包含着丰富的机械状态信息，近年4谷云峰,高红梅.厚膜型MCH电加热元件制造工艺研究J.山西电子技术,2017,No.192(03):67-68.曹勇.电动汽车动力电源系统低温加热策略研究J.电源技术,2017,41(05):765-769.5孟庆锋.不锈钢基片厚膜电热元件及其应用J.安徽电子信息职业技术学院学报,2008,No.36(03):82-84.陈潇.基于移相全桥电子负载的研究D.安徽理工大学,2021.DOI:10.26918/ki.ghngc.2021.000201.6张子阳.移相全桥DC/DC变增益控制方法研究D.辽宁工程技术大学,2021.DOI:10.27210/ki.glnju.2021.000537.7陈潇.基于移相全桥电子负载的研究D.安徽理工大学,2021.DOI:10.26918/ki.ghngc.2021.000201.8高霖.3.6 kW数字式移相全桥ZVS直流变换器研究D.河 北 科 技 大 学,2022.DOI:10.27107/ki.ghbku.2022.000110.-17仪器仪表与分析监测 2024年第1期来，越来越多的学者对其展开了研究。孙来军等5基于小波包分解提取振动信号特征熵，并利用 BP神经网络实现特征分类。孙一航等6利用经验 模 态 分 解（Empirical Mode Decomposition，EMD）能量总量法提取振动信号特征值，输入二叉树分类支持向量机进行故障诊断，该算法能够准确识别断路器故障类型。刘荣海等7提出一种基 于 集 合 经 验 模 态 分 解（Ensemble Empirical Mode Decomposition，EEMD）样本熵与支持向量机（Support Vector Machines，SVM）相结合的高压断路器振动信号故障诊断分析方法，为断路器故障诊断提供了新思路。但上述信号特征提取方法仍具有一定缺陷：小波变换参数选取依赖人工经验，算法无法实现自适应分解，并具有能量泄露等问题8；EMD 算法可实现自适应分解，但分解信号具有端点效应、模态混叠等现象9；EEMD算法添加白噪声抑制EMD模态混叠，但残余噪声会导致重构误差等问题10。针对以上问题，Smith等11提出的局部均值分解（(Local Mean Decomposition，LMD)）具有良好的 自 适 应 性 和 时 频 聚 集 性，能 够 克 服 EMD、EEMD 算法的端点效应和模态混叠等问题，对于信号高频带辨识效果优于EMD，更能体现故障特点。本文基于LMD边际谱能量熵提取高压断路器振动信号特征值，再将其输入 GPSO-SVM 分类器实现高压断路器机械故障诊断。1 断路器机械故障诊断流程在不同机械状态下高压断路器分合闸动作表现出的振动信号不同，因此，提出一种基于LMD边际谱能量熵的高压断路器机械故障诊断方法，其流程图如图 1 所示。利用传感器采集 ZN65 型高压断路器合闸操动过程中的振动信号，采用小波包软阈值去除信号中包含的环境噪声，再将其进行LMD分解，得到前3阶具有主要信息的乘积函数 PF（Product Function）分量，提取其边际谱能量熵作为特征值，并输入 GPSO-SVM 进行故障诊断。图1 断路器故障诊断流程图2 断路器机械故障特征提取2.1 小波软阈值去噪小波软阈值去噪是将信号先进行小波分解，再利用软阈值对每一层的高频系数进行量化处理，最后将处理后的小波系数进行重构，可得到去噪后的振动信号。软阈值函数如下：Wnew=sgn()Wold()|Wold-T,|Wold T0,|Wold T（1）式中：W为小波系数，T表示阈值。2.2 局部均值分解局部均值分解将原始信号分解后可得到各包络信号和纯调频信号，相乘得到具有瞬时频率物理意义的PF分量，算法具体分解步骤如下。1）对任意非平稳、非线性振动信号X()t，找出其所有极值点，定义为ni，计算全部的局部均值mi和包络值ai：mi=(ni+ni+1)/2（2）ai=(ni-ni+1)/2（3）2）将mi和ai分别用直线连结并进行平滑处理，求出局部均值函数m11(t)和局部包络函数a11(t)。3）从原始信号X()t中减去局部均值函数m11(t)可得：h11()t=x()t-m11()t（4）再除以包络函数a11(t)，得到：s11()t=h11()ta11()t（5）4）计 算s11()t的 包 络 估 计 函 数a12(t)，若a12(t)1，则重复迭代，设定()0作为终止-18条件，直到得到纯调频信号s1n()t：limn|a1n()t-1 （6）5）将各包络估计函数相乘得到包络信号a1(t)，则第1个PF分量为：v1(t)=s1n()t a1()t（7）6）X()t减去v1(t)得到u1(t)，重复循环 j 次，直到uj(t)变为单调函数。7）原始信号X()t分解为一系列 PF分量与单调函数之和：X()t=p=1jvp()t+uj()t（8）2.3 Hilbert边际谱能量熵对每个PF分量进行Hilbert变换：vp()t=1-+up()t-d（9）构造解析函数z(t)：zp(t)=vp(t)+kvp(t)=Ap(t)ekp(t)（10）Ap(t)=v2p(t)+v2p(t)（11）p(t)=arctanvp(t)vp(t)（12）式中：Ap(t)为瞬时振幅，p(t)为瞬时相位，fp(t)为瞬时频率。fp(t)=12dp()tdt（13）Hilbert谱定义为：H()f,t=Rep=1nAp()tj2fp()t dt（14）对Hilbert谱积分，得到Hilbert 边际谱：h()f=0TH()f,t dt（15）式中T为信号总长度。Hilbert边际谱能量值：E=h2()（16）将能量值进行归一化，定义 Hilbert边际谱能量熵为：Hp=-plogp（17）式中p为第p个PF分量能量占总能量的比值。3 GPSO-SVM 故障诊断SVM算法可解决小样本、非线性等情况下的分类问题，适用于在实际运行中不能频繁分合闸的断路器机械故障诊断12。为提高算法分类准确率，本文采用分群粒子群算法（Grouped Particle Swarm Optimization,GPSO）实现对 SVM 核函数参数 g 和 惩 罚 参 数 C 的 寻 优。传 统 粒 子 群 算 法（PSO）粒子更新具有导向性，能快速收敛到最优解，但存在易陷入局部最优、后续迭代效率不高等问题，GPSO 采用遗传算法（GA）改进传统PSO 算法13，提高全局搜索能力。GPSO-SVM 算法具体步骤如下。1）对特征集U进行归一化处理。2）设定参数，并初始化粒子群。3）将粒子转化为SVM参数和数据特征子集，并利用SVM进行寻优，计算粒子适应度值：fit=Wa accuracy+WF()x=1NFx-1（18）式中：Wa为分类精度权重，accuracy为分类准确率，WF为特征数目权重，Fx取1或0（第x个特征被选中或未被选中），N为特征维数。4）更新惯性权重：w()k=wstart-()wstart-wend()kDmax2（19）式中：wstart为初始惯性权重，wend迭代至Dmax时的惯性权重，Dmax为最大迭代次数。5）更新粒子速度和位置，计算当代粒子适应度值：VK+1xd=wVKxd+c1r1(PKxd-XKxd)+c2r2(PKgd-XKxd)+c3r3(PKsd-XKxd)（20）XK+1xd=XKxd+VK+1xd（21）式中：w为惯性权重，VKxd为粒子速度，c1、c2、c3为学习因子，r1、r2、r3为01之间的随机数，Pxd为粒子的历史最优解，Pgd为整个群体最优解，Psd基于LMD边际谱能量熵的高压断路器机械故障诊断王国东，等-19仪器仪表与分析监测 2024年第1期为全局搜索粒子群的全局历史最优解，K 为迭代次数，d为维度。6）引入GA的自适应交叉和变异算子，得到新的粒子群：Pc()x=K1L()gmax-g()gmax-g g g K2 g g （22）Pc()x=K1L()gmax-g()gmax-g g g K2 g g （23）式中：K1、K2为调整系数，L为染色体长度，gmax为父代个体的最大适应度值，g为适应度值较大的交叉个体，g 为平均适应度值，g为变异个体适应度值。7）当达到最大迭代次数，则终止迭代，输出最优个体，否则返回步骤4）。8）通过得到的最优个体输出最优参数值和特征子集，构造分类器，获得最终分类准确度。4 测试实验与结果分析4.1 实验及信号处理在 ZN-65型真空断路器上模拟三种故障：合闸弹簧与主轴连杆脱落，基座松动，以及拒合故障。采集装置如图 2所示，实验中振动传感器通过同轴电缆与 PXI 同步采集卡连接，采集卡再将信号传输至计算机采集系统。振动传感器采用EV21A4 型压电加速度传感器，固定在断路器支架上，采样频率设置为 52kHz，正常状态和三种故障状态下各进行20次合闸实验。对采集到的四种状态下的振动信号进行小波软阈值去噪，去噪后的信号时域波形图如图3所示。图2 高压断路器振动信号采集装置图3 正常和故障状态的信号波形图4.2 信号特征提取采用 LMD 对去噪后的振动信号进行处理，以拒合故障为例，其分解结果如图 4 所示。由图 4 可以得到 6 个 PF 分量和 1 个剩余分量，连续的 PF 分量反映了信号从高频段到低频段的变化，PF1PF5 包含了原始振动信号主要状态信息。为进一步精准提取有效特征向量，计算各 PF 分量与原始信号的相关系数，结果如图 5所示。-20图4 拒合故障LMD分解后的PF分量图5 PF分量与主分量相关系数图由图 5 可知，PF1PF3 分量与原始信号的相关系数大于0.2，PF4PF7分量相关系数较小，则前 3 阶信号分量包含了原始信号的大部分信息。为提高算法运算效率，选择前3阶PF分量作为信号的主分量，进一步将主 PF 分量进行 Hilbert 变换，得到相应的 Hilbert 边际谱，如图 6所示，可以看出，前 3 阶 PF 分量频率成分由低到高排列，未出现混叠，精确反映了原始信号的频率信息。图6 PF分量Hilbert边际谱图依据式（17）求取各 PF 分量的 Hilbert 边际谱能量值熵，部分信号能量熵特征如表 1 所示。不同状态的PF分量的边际谱能量熵按照拒合、合闸弹簧与主轴连杆脱落、正常和松动递增，同种状态下的能量熵随着PF阶数增加而减小。表1 部分工况特征向量状态正常脱落拒合松动PF20.437 80.466 10.391 20.415 30.353 80.332 30.544 30.532 4PF30.323 60.271 50.313 10.327 50.208 30.218 80.211 50.232 3PF40.142 40.174 10.222 30.156 00.176 60.152 30.105 10.104 0随机选取断路器各状态下的 60%信号特征值作为训练样本，剩余40%作为测试样本，为便于表示，设置正常状态标签为 1，合闸弹簧与主轴连杆脱落为 2，拒合故障为 3，基座松动为 4，各算法分类结果如表 2 所示。GPSO-SVM 算法分类时间短，且与SVM、PSO-SVM算法相比分类准确率更高，分类结果如图 7所示，对断路器正常和故障状态均能100%诊断。表2 不同寻优算法特征识别结果算法SVMPSO-SVMGPSO-SVMt/s2.043.18 3.21准确率/%90.495.1100基于LMD边际谱能量熵的高压断路器机械故障诊断王国东，等-21仪器仪表与分析监测 2024年第1期图7 声振联合KFCM-SVM分类结果对比 EMD 边际谱能量熵与 LMD 边际谱能量熵特征输入 GPSO-SVM 分类结果，结果如表 3 所示。LMD 的分类准确率要高于 EMD，基于 LMD Hilbert边际谱提取的能量熵能够更准确地反映信号故障特征。表3 EMD与LMD分类结果对比状态类型正常脱落拒合松动样本总数分类结果EMD-GPSO-SVM100%（10/10）90%(9/10)100%(10/10)100%(10/10)97.5%(39/40)LMD-GPSO-SVM100%（10/10）100%（10/10）100%（10/10）100%（10/10）100%（40/40）5 结论本文提出一种基于LMD边际谱能量熵的高压断路器机械故障诊断方法，通过对断路器合闸过程中正常状态、合闸弹簧与主轴连杆脱落、基座松动及拒合故障四种状态进行分析，得到以下结论。1）振动信号经过 LMD 分解，弥补了传统算法的不足，通过相关系数确定包含信号主要信息的PF分量，提高了算法运行速度和诊断率。2）对不同状态下的PF分量进行Hilbert变换，得到的边际谱没有明显重叠，能够精确反应信号原始频率信息，提取的边际谱能量熵具有明显差异，输入SVM分类器可准确识别断路器四种状态。3）相比于 SVM 以及 PSO-SVM 算法，GPSO-SVM 分类时间略有增加，但其分类准确率最高，可有效提升PSO算法的全局搜索能力。参考文献：1孙来军,胡晓光,纪延超,等.基于支持向量机的高压断路器机械状态分类J.电工技术学,2006,08（21）:53-58.2Shutao Zhao,Li Ma,Kedeng Wang,et al.Research on optimal identification method of circuit breaker defect type based on phase space reconstruction and SVMJ.IEEJ Transactions on Electrical and Electronic Engineering,2019,14(10)：1471-1477.3Zhang Z,Zhang J,Gockenbach E,et al.Lifemanagement of SF6 circuit breakers based onmonitoring and diagnosis J.IEEE Electrical InsulationMagazine,2009,25（3）:21-29.4李国立,霍明霞,高新志,等.基于LMD和时频谱分形维数的断路器机械故障诊断方法J.仪器仪表与分析监测,2018(04):1-5.5孙来军,胡晓光,纪延超,等.小波包-特征熵在高压断路器故障诊断中的应用J.电力系统自动化,2006(14):62-65.6孙一航,武建文,廉世军,张路明.结合经验模态分解能量总量法的断路器振动信号特征向量提取J.电工技术学报,2014,29(03):228-236.7刘荣海,豆龙江,万书亭,等.基于EEMD样本熵和支持向量机的高压断路器故障诊断J.华北电力大学学报(自然科学版),2018,45(02):82-88.8陈伟根,范海炉,王有元,等.基于小波能量与神经网络的断路器振动信号识别方法J.电力自动化设备,2008,28（2）:29-32.9朱赛,尚伟.经验模态分解中包络线算法J.火力与指挥控制,2012,37（9）:125-128.10 蔡艳平,李艾华,徐斌,等 集成经验模态分解中加入白噪声的自适应准则J.振动、测试与诊断,2011,31（6）：709-71411 Smith J S.The local mean decomposition and its application ti EEG perception dataJJournal of the Royal Society Interface,2005,2(5):443-45412 赵书涛，许文杰，刘会兰，等.基于振动信号谱形状熵特征的高压断路器操动状态辨识方法J.电工技术学报，2022，37(09)：2170-2178.13 张进，丁胜，李波.改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法J.计算机应用，2016，36(05)：1330-1335.-22