基于电流—振动信号联合分析的高压断路器操动机构故障诊断方法.pdf

基于电流振动信号联合分析的高压断路器操动机构故障诊断方法包伟川1，宿浩1，李璐1，刘会兰2，许文杰2（1.国网辽宁省电力有限公司阜新供电公司，辽宁 阜新123000；2.华北电力大学电力工程系，河北 保定071003）摘要：高压断路器分合闸操作伴随的电流、振动信号特征与电气和机械状态息息相关。提出一种线圈电流和振动信号联合分析的断路器操动机构故障诊断方法，针对线圈电流“双峰状”特点，提取关键时序特征和刻画波形畸变的波形特征。为捕捉振动信号细节变化，对振动信号进行自适应噪声集合经验模态分解CEEMDAN后，进一步计算各分量的时频分布，得到时间、频率边缘特征。将电流和振动特征组成的高维特征由因子分析进行降维处理，作为支持向量机SVM的输入进行故障诊断。实验表明，该方法能够有效提升断路器典型故障诊断准确率，且时间开销较少，为断路器机械故障诊断提供了新思路。关键词：断路器；操动机构；电流振动信号；边缘积分；因子分析Fault Diagnosis Method of Operating Mechanism for High Voltage Circuit Breaker Based onCombined Analysis of Current and Vibration SignalsBAO Weichuan1，SU Hao1，LI Lu1，LIU Huilan2，XU Wenjie2（1.Fuxin Power Supply Company，State Grid Liaoning Electric Power Supply Co.，Ltd.，Liaoning Fuxin 123000，China；2.Department of Electrical Engineering，North China Electric Power University，Hebei Baoding 071003，China）Abstract:The current and vibration signal characteristics accompanying the opening and closing operation of highvoltage circuit breaker are closely related to its electrical and mechanical condition.A kind of fault diagnosis methodof operating mechanism for circuit breaker with combined analysis of coil current and vibration signal is proposed.The key timing sequence features and the waveform features that characterize the waveform distortion are extractedfor the“bimodal”characteristics of the coil current.For capturing the variation of vibration signal in details，theCEEMDAN（complete ensemble empirical mode decomposition with adaptive noise）decomposition is performed onthe vibration signal，and then the timefrequency distribution of each component is calculated to obtain the time andfrequency edge characteristics.The highdimensional features consisting of current and vibration features are dimensionally reduced by factor analysis and then used as the input of a support vector machine for fault diagnosis.The experiments show that the method can effectively improve the accuracy of typical fault diagnosis of circuit breakers withless time overhead，which provides a new idea for mechanical fault diagnosis of circuit breakers.Key words:circuit breaker；operating mechanism；currentvibration signal；edge integration；factor analysis0引言作为电力系统中最重要的动作型电力设备，断路器故障引起的损失远大于其自身价值1-4，因此断路器故障智能诊断技术研究尤为重要。操动机构由众多部件组成，结构复杂，研究表明操动机构故障是断路器的主要故障5。在断路器操作过程中控制线圈电流会随时间而变化，其波形反映了电磁铁及其控制锁扣、传动部件在操动过程中的运行情况1。线圈电流波形为“双峰状”，其突变点与部件动作之间存在对应关系。文6针对GIS断路器采用固定窗口法提取分合第59卷第8期：016401722023年 8月16日High Voltage ApparatusVol.59，No.8：01640172Aug.16，2023DOI:10.13296/j.10011609.hva.2023.08.019_收稿日期：20230214；修回日期：20230429基金项目：国家电网有限公司科技项目(SGLNFX00YCJS2200552)。Project Supported by Science and Technology Project of SGCC(SGLNFX00YCJS2200552).闸线圈电流极值点作为特征量。文7利用小波去噪和形态滤波方法提取线圈电流特征量。文8通过小波包分析、近似求斜率及求极值点结合，提取高压断路器线圈电流的特征点。上述文献较多关注电流波形的突变点，而忽视了除突变点之外波形的畸变同样与断路器运行状态相关。断路器操动机构的振动信号属于典型非平稳信号，包含了丰富的设备状态信息。由于操动过程中参与的部件多，信号包含的成分众多，如何从复杂信号中提取关键有用的信息成为研究的重点。文9对振动信号进行变分模态分解后，计算信号的排列熵作为特征。文10提出参数自适应的信号分解方法，将振动信号各模态分量自适应地分离出来。文11以振动信号经验模态分解各分量Hilbert边际谱能量作为特征量。上述方法将振动信号分解为一系列子信号，以便捕捉与断路器运行状态下相关的细节变化。然而由于断路器振动信号包含多种频率成分，经过初次分解得到的子信号包含的信息仍然可以进一步挖掘，以精准捕捉信号在不同工况下的局部细节变化。“电流振动”联合分析实现断路器操作过程的故障研判更具优势，可有效填补断路器部件开始动作前振动信号缺失的判别能力12。在进行断路器故障诊断时，提取电流和振动等信号全方位、多角度特征，以便于捕捉信号局部细节变化。但是特征数量的增加，不仅可能带来“维数灾难”，还会对诊断算法的决策带来负面影响。通过因子分析可以深入剖析特征量之间的关联关系13，实现特征降维，提高诊断效率和准确率。文中提出一种线圈电流和振动信号联合分析的断路器操动机构故障诊断方法，提取电流信号的关键时序特征和波形特征，提取振动信号经CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise)分解后分量信号的时间边缘特征和频率边缘特征。电流和振动特征由因子分析进行降维处理后，输入支持向量机进行故障诊断。该方法诊断准确率高、时间开销少。1高压断路器操动机构故障诊断流程电流振动信号联合分析的断路器操动机构故障诊断流程见图1。对“双峰状”的线圈电流信号提取时序特征和波形特征，振动信号经CEEMDAN分解后，提取分量信号的时间边缘特征和频率边缘特征，得到电流振动特征共21维。21维高维特征经过因子分析进行降维处理，最后由SVM(supportvector machine)算法进行故障诊断。图1高压断路器操动机构故障诊断流程Fig.1Circuit breaker operating mechanism fault diagnosis process2高压断路器电流振动信号特征提取2.1分合闸线圈电流特征分合闸线圈电流包含着电磁铁及所控制的锁闩或阀门以及与之相连的辅助触点的工作情况14。通过分析分合闸线圈电流特征参数的变化，可以反映出铁心行程受阻、匝间短路和辅助触点接触不良等故障。开关设备包伟川，宿 浩，李 璐，等.基于电流振动信号联合分析的高压断路器操动机构故障诊断方法 1652023年8月第59卷第8期2.1.1时序特征高压断路器操作过程中分合闸线圈电流呈现出典型的“双峰状”波形，以合闸为例，线圈电流见图2。图2合闸线圈电流波形Fig.2Current waveform of closing coil铁心运动之前，电流指数上升，当电流达到一定限值促使铁心运动(t1时刻)，此时回路中反电动势增大，电流开始逐渐减小，直至铁心吸合(t2时刻)。之后线圈电流又呈指数上升趋势，达到稳定值后辅助开关断开(t3时刻)，电流再次减小15。双峰形态的电流波形呈现出明显的突变时刻，即t1、t2、t3，电磁铁及其相关部件的运动时序变化特征可由突变时刻描述，因此选取突变时刻作为线圈电流特征。2.1.2波形特征故障特征不仅体现在线圈电流突变拐点的时序变化上，还体现在线圈电流的幅值变化方面。以合闸为例，不同故障状态下线圈电流波形见图3。图3不同故障状态下合闸线圈电流波形Fig.3Current waveform of closing coil under differentfault conditions操作电压的变化体现为相对于正常双峰波形的时延和幅值大小变异。铁心卡涩直接影响撞击脱扣装置时刻，其电流波形与正常操作存在差异。峭度Kp用于描述波形的尖峰程度，偏度Ks用于描述波形相对于正态分布畸变程度16。利用峭度和偏度结合可以较为精准的描述波形的畸变情况：Kp=1Ni=1Nxi-x(1)Ks=3(2)式(1)、(2)中：xi为波形数据序列；x 为均值；为标准差；为3阶中心矩；N为采样长度。2.2振动信号特征2.2.1CEEMDAN分解振动分析是设备故障诊断领域常用的方法，断路器操作过程涉及多部件联动，产生的振动信号属于冲击性非平稳信号。由于断路器振动信号较为复杂，利用CEEMDAN分解算法做分解处理，以捕捉信号在不同故障状态下的细节变化特征。CEEMDAN 是在经验模态分解(empirical modedecomposition，EMD)基础上改进的一种自适应分解算法，能够有效解决模态混叠问题17。定义Ej()为经EMD分解得到的第j个模态分量，CEEMDAN分解得到的第k个模态分量记为-IMFk，Vi(t)表示第i 次试验中添加具有标准正态分布的白噪声序列，j-1代表第j个模态分量信噪比系数。CEEMDAN计算步骤如下18：1)原始信号s(t)添加噪声分量构成s(t)+0Vi()t进行I次试验。经EMD分解得到第1阶模态分量-IMF1()t及第一阶段的残余信号r1(t)为：-IMF1()t=1Ii=1IIMFi1()t(3)r1(t)=s(t)-IMF1(t)(4)2)由 EMD 对信号r1(t)+1E1Vi()t进行 i 次试验，得到第2阶模态分量-IMF2()t为-IMF2()t=1Ii=1IE1r1(t)+1E1Vi(t)(5)3)重复步骤 2)，可得第i个残余信号 rk(t)和第i+1阶模态分量-IMFk+1()t为：rk(t)=rk-1(t)-IMFk(t)(6)-IMFk+1()t=1Ii=1Irk(t)+kEkVi(t)(7)4)重复步骤3)，直至残余信号极点个数不超过2个时停止分解，最终残余信号R(t)为R(t)=s(t)-k=1n-IMFk(8)利用CEEMDAN 将高压断路器合闸振动信号分解7次，得到不同特征尺度的7个IMF分量(分量a-g)见图4，各分量功率谱波形(分量1-7)见图5。随着分解过程的进行，逐步剥离出信号中的高频信息。分量1-分量4的主峰频率大于1 kHz且幅值较大，表明分量a-d是构成原信号频率结构的主要成分。自分量5后信号频率急剧下降且幅值较小。因此选取分量a-d进一步分析。2.2.2时间、频率边缘积分振动信号时频分析从时间、频率、能量3个维度呈现断路器的动作特性，是非平稳信号分析的有力工具19。文中以魏格纳威尔分布(WignerVilledistribution，WVD)时频分析方法求得断路器振动信 166号的时频分布，进一步捕捉分量信号的局部细节变化。对振动信号Z(t)进行WVD时频变换W(t,f)=-+Z(t+2)Z（t+2）e-j2d(9)式(9)中：f为频率；为积分变量；Z*表示Z的共轭。WVD满足边缘积分的性质，利用时间边缘积分和频率边缘积分对振动信号时频分布进行量化处理。时间边缘积分：对WVD时频分布沿频率轴进行积分12fAD(t,f）=|s(t)2=M(t)(10)式(10)中，M(t)为信号的时间边缘积分曲线。频率边缘积分：对WVD时频分布沿时间轴进行积分tAD(t,f)=|s(f)2=M(f)(11)式(11)中，M(f)为信号的频率边缘积分曲线。时间、频率边缘积分揭示了信号能量随时间和频率的变化规律，由于篇幅考虑，展示合闸振动信号分量a的时间、频率边缘积分见图6、7。图6时间边缘积分曲线Fig.6Time edge integral curve图7频率边缘积分曲线Fig.7Frequency edge integration curve时间、频率边缘积分曲线均反映了信号的瞬态信息。波形越起伏曲折，表明信号能量变化程度越复杂。时间边缘积分波形呈现出锯齿状的子峰叠加形态，频率边缘积分波形相对较为和缓。峰值散度用于表征波形中峰值的分布和数量20F=1Nx i=1N（|xixi-T）2(12)式(12)中：x表示波形数据；i为波形数据的个数；N为波形数据的采样点数；T为波形数据的1阶图4CEEMDAN分量信号时域波形Fig.4Time domain waveform of CEEMDANcomponent signal图5CEEMDAN分解分量信号功率谱Fig.5CEEMDAN decomposed component signalpower spectrum开关设备包伟川，宿 浩，李 璐，等.基于电流振动信号联合分析的高压断路器操动机构故障诊断方法 1672023年8月第59卷第8期中心距；x 为波形数据的平均值。信息熵H可以从数据序列的角度刻画曲线蕴含的信号复杂度信息H=-q=1npqlog2pq(13)式(13)中：q为数据序列中出现过的数字；pq表示第q个数字在长度为n的序列中出现的概率。文中利用峰值散度和信息熵量化断路器分量信号a-d的时间边缘积分波形和频率边缘积分波形蕴含的断路器运行状态信息。3因子分析断路器的运行状态可以由众多特征指标来描述，然而各指标刻画不同故障类型的能力参差不齐。采用高维特征不仅会带来维数灾难，而且对状态诊断的决策带来负面影响21。为了获得高质量的可靠判据，需要剖析特征指标之间的关联关系。因子分析是多元统计中常用的方法，通过构造因子模型将原始变量分解为因子的线性组合，以少数几个相关独立的潜在因子来综合反映全部变量的大部分信息，达到用少数变量解释研究复杂问题的目的。因子分析数学模型可以表示为22Xp1=ApkFk1+p1(14)式(14)中：X为原始变量矩阵；F为因子变量矩阵；A为因子载荷矩阵，A中的元素apk称为为因子载荷；k为因子变量的数目；p为原始变量的数目；为特殊因子，代表原始变量无法被因子变量解释的部分。4实验分析4.1实验平台构建断路器振动测试平台见图8，主要包括高压断路器、加速度振动传感器、霍尔型电流传感器、信号采集设备和上位机。图8断路器振动测试平台Fig.8Circuit breaker vibration test platform振动传感器通过强磁座固定于机构外壁，振动和电流传感器采集的信息经信号采集设备传输至上位机进行数据分析，完成断路器操动机构运行状态诊断。以断路器合闸过程为例，设置3种典型故障用于验证本文方法的有效性，弹簧疲劳故障(通过减少合闸弹簧预压缩模拟)，铁心卡涩故障(通过在铁心中加入异物模拟)，操作电压偏低(通过调整二次回路输入电压至200 V模拟)。采集正常以及3种故障状态下的数据样本各50组。对电流和振动信号分别提取相应特征，共21 维，见表1。Hta-Htd代表分量a-d时间边缘积分曲线的信息熵特征；Fta-Ftd代表分量a-d时间边缘积分曲线的峰值散度特征；Hpa-Hpd代表分量a-d频率边缘积分曲线的信息熵特征；Fpa-Fpd代表分量a-d频率边缘积分曲线的峰值散度特征。表1电流和振动特征类别Table 1Current and vibration characteristic categories特征类别电流特征振动特征时序特征波形特征时间边缘特征频率边缘特征特征符号t1、t2、t3Kp、KsHta、Htb、Htc、Htd、Fta、Ftb、Ftc、FtdHpa、Hpb、Hpc、Hpd、Fpa、Fpb、Fpc、Fpd4.2降维处理因子分析提取正常及3种故障状态的振动和电流信号21维特征(称原始特征)，经因子分析降维后的特征称为因子变量，即降维特征。利用巴特利特球形检验和KMO检验对原始特征进行分析。巴特利特球形检验是所有变量的均方误差取对数后乘以自身自由度，标准差取对数后按照一定的权重相加，计算这两部分相减后的卡方分布右尾概率p，一般认为p0.5表明适合进行因子分析23。检验结果p为0.008，r为0.853，适合进行因子分析，从而进一步挖掘现有原始特征的本质信息。对原始特征进行式(14)运算，即因子分析。因子载荷apk为第p个原始变量与第k个因子变量的相关系数，反映原始变量与因子变量关系的密切程度。apk=Cov(p,k)VpVk(15)式(15)中：Cov为p和k的协方差；Vp为变量p的方差；Vk为变量k的方差。因子载荷矩阵中各列元素的平方和与所有列的总方差的比值称为方差贡献率，因子变量对数据方差的影响见表2。168表2因子变量方差影响结果Table 2Influence results of factor variable variance因子变量123456789方差贡献率/%71.87611.1466.5024.1772.5632.0070.8100.3230.219累积方差贡献率/%71.87683.02289.52493.70096.26398.27099.07999.40299.621因子方差贡献率反映了因子对原始变量总方差的解释能力，贡献率越大，说明相应因子对原始变量的影响越大，重要性越高。由表2可知，前6个因子变量对方差的累积贡献率已经达到98.270%，已经能够代表原始特征的绝大部分信息。而且此后的因子变量所占方差百分比骤降，因此将原始21维特征经因子分析降维至6维特征较为合适。利用主成分分析得到旋转后的因子载荷见表3。表3因子载荷统计表Table 3Factor load statistics原始特征HtdHtbKpFtaHtct3HpdFpaFtdFpcFpdFpbFtcHpbHpaHpct2t1FtbKsHta因子变量10.9410.9340.9110.8950.8570.8420.7230.6820.6790.3860.2940.2990.2280.3540.40820.3650.3380.3470.5540.3120.4010.7250.7160.7080.5020.4490.70030.3390.3280.3840.3720.4650.3240.3410.9500.7080.8550.24140.9230.35550.3370.91660.964-0.8750.822因子载荷用于反映因子与各原始特征之间的相关程度，因子载荷绝对值越大、各个因子对特征影响程度越大。为便于展示，表3中已经略去的因子载荷绝对值低于0.2的数值。因子变量1与Htc-Htd、Hpd、t3、Fta、Ftd、Kp、Fpa的相关性最大；因子变量2与Fpc-Fpd、Hpc的相关性最大。每个因子变量的最大载荷均大于0.7，因子分析效果较好。因此，进一步验证以因子变量1-6作为新的特征量作为诊断算法的输入向量，较为合适。4.3故障诊断利用具有小样本分类优势的支持向量机(SVM)分别对原始的电流特征、振动特征和电流振动特征进行故障诊断，随机选取正常及3种故障状态样本各25组作为训练样本，其余作为测试样本，结果见图9。图9不同特征的诊断结果Fig.9Diagnostic results of different characteristics由图9可知，电流特征和振动特征在识别断路器状态类型方面具有不同的倾向性。电流信号反映断路器操动机构动作初期的部件的动作情况，因此电流特征对于操作电压偏低和铁心卡涩故障表现出较好的识别能力。振动信号体现各部件依次动作后机械波叠加形成的整体动作情况，对识别正常合闸状态和弹簧疲劳具有较高的准确率，而对于动作初期的铁心卡涩和操作电压偏低故障识别准确率较低。因此，将电流和振动特征结合作为特征，分析断路器操作过程更具优势，可有效填补断路器部件开始动作前振动信号缺失的判别能力。选用支持向量机(SVM)算法诊断降维特征所对应的断路器故障状态，同时选取K近邻(KNN)、随机森林(RF)、人工神经网络(ANN)，3种算法进行对比实验，验证文中方法有效性。随机选取正常及3种故障状态样本各25组作为训练样本，其余作为测试样本，诊断结果见图10。开关设备包伟川，宿 浩，李 璐，等.基于电流振动信号联合分析的高压断路器操动机构故障诊断方法 1692023年8月第59卷第8期图10不同诊断方法下的诊断结果Fig.10Diagnostic results of different diagnostic methods由图10可知，降维特征的准确率均高于原始特征。原始特征为21维的电流和振动特征，通过因子分析优选，利用降维后的6维特征概括表达原21维特征的主要信息。降维特征之间的相关性较低，数值分布区分相较于降维之前更加明显，有利于故障诊断过程的决策。此外，断路器操作过程中存在一定程度的机械分散性，因此特征维数越高，产生畸变数据的概率越大，对故障诊断带来负面影响。以SVM算法诊断时间开销为基准，各算法诊断降维特征用时见图11。图11中的正值表示该诊断方法相较于SVM节省的时间，负值表示该诊断方法相较于SVM增加的时间。图11诊断降维特征时间开销Fig.11Time cost of diagnosis dimension reduction feature由图10、11可知，降维特征相较于原始特征诊断准确率均具有一定的提升，且在SVM诊断算法中效果最明显，准确率最高；ANN算法在特征降维前后表现较为稳定，但是诊断过程的时间开销最多；KNN算法原理简单，时间开销少，但诊断准确率较低；RF在准确率和时间开销方面表现较好，可以作为除SVM之外的备选方法。5结论1)线圈电流可以在断路器操作产生明显振动前，反映设备在继电器及其相关部件的运行状况。提取电流的关键时序特征和刻画波形畸变的波形特征，可深入挖掘线圈电流蕴含的设备状态信息。2)断路器非平稳振动信号经WVD时频分析得到的时间边缘特征和频率边缘特征可反映操动过程信号能量的细节变化。3)文中提取电流和振动特征经过因子分析降维处理后，作为SVM算法的输入进行故障诊断。实验表明，该方法能够提升断路器典型故障诊断准确率，且时间开销较少。参考文献：1庄瑞锋，陈丽安，肖梁贤.基于变分模态分解的高压断路器合分闸线圈电流特征值提取J高压电器，2022，58(4)：145150ZHUANG Ruifeng，CHEN Li an，XIAO Liangxian.Featurevalue extraction of high voltage circuit breaker s openingcoil current based on variational modal decompositionJ.High Voltage Apparatus，2022，58(4)：145150.2孙曙光，张婷婷，王景芹，等.基于连续小波变换和MTLSEResNet的断路器故障程度评估J仪器仪表学报，2022，43(6)：162173SUN Shuguang，ZHANG Tingting，WANG Jingqin，et al.Fault degree evaluation of circuit breaker based oncontinuous wavelet transform and MTL SEResNetJ.Chinese Journal of Scientific Instrument，2022，43(6)：162173.3陈俊峰，马飞林，闻铖，等.基于电弧能量的SF6断路器灭弧室在线状态评估方法J电测与仪表，2019，56(7)：126130CHEN Junfeng，MA Feilin，WEN Cheng，et al.On line stateevaluation method of arc extinguishing chamber of SF6circuitbreakerbasedonarcenergyJ.ElectricalMeasurement&Instrumentation，2019，56(7)：126130.4曹宇鹏，罗林，王乔，等.基于卷积深度网络的高压真空断路器机械故障诊断方法J.电力系统保护与控制，2021，49(3)：3947.CAO Yupeng，LUO Lin，WANG Qiao，et al.Fault diagnosisof highvoltage vacuum circuit breaker with a convolutionaldeep networkJ.Power System Protection and Control，2021，49(3)：3947.5王艳新，闫静，王建华，等.基于域对抗迁移卷积神经网络的小样本GIS绝缘缺陷智能诊断方法J.电工技术学报，2022，37(9)：21502160.170WANG Yanxin，YAN Jing，WANG Jianhua，et al.Intelligent diagnosis for GIS with small samples using a novel adversarial transfer learning in convolutional neural networkJ.Transactions of China Electrotechnical Society，2022，37(9)：21502160.6周凯峰，李海涛，薛峰，等.GIS分合闸线圈电流特征分析及故障诊断J电气自动化，2017，39(2)：9597ZHOU Kaifeng，LI Haitao，XUE Feng，et al.Currentcharacteristic analysis and fault diagnosis of breaking/closing coils in GISJ.Electrical Automation，2017，39(2)：9597.7王俊波，武利会，罗容波，等.基于小波变换振动起始时刻分析的高压断路器故障诊断方法J高压电器，2020，56(6)：211217WANG Junbo，WU Lihui，LUO Rongbo，et al.Faultdiagnosis method of high voltage circuit breaker based onwavelet transform vibration start time analysisJ.HighVoltage Apparatus，2020，56(6)：211217.8靳文娟，季天瑶，唐文虎.基于多参量的高压断路器分/合闸线圈的故障诊断J高压电器，2019，55(3)：226233JIN Wenjuan，JI Tianyao，TANG Wenhu.Fault diagnosis oftripping/closing coil of highvoltage circuit breaker basedon multiple parametersJ.High Voltage Apparatus，2019，55(3)：226233.9董耀，陈云，樊万昌，等.高压断路器声纹及振动熵特征联合的GWOKFCM故障诊断J高压电器，2023，59(3)：5360DONG Yao，CHEN Yun，FAN Wanchang，et al.GWO KFCM fault diagnosis of high voltage circuit breaker basedon sound texture and vibration entropy characteristicsJ.High Voltage Apparatus，2023，59(3)：5360.10 杨秋玉，王栋，阮江军，等.基于振动信号的断路器机械零部件故障程度识别J电工技术学报，2021，36(13)：28802892YANG Qiuyu，WANG Dong，RUAN Jiangjun，et al.Faultseverity estimation method for mechanical parts in circuitbreakers based on vibration analysisJ.Transactions ofChina Electrotechnical Society，2021，36(13)：28802892.11 林琳，陈志英.基于粗糙集神经网络和振动信号的高压断路器机械故障诊断J电工技术学报，2020，35(z1)：277283LIN Lin，CHEN Zhiying.Mechanical fault diagnosis of highvoltage circuit breakers based on rough set neural networksand vibration signalsJ.Transactions of China Electrotechnical Society，2020，35(z1)：277283.12 冯颖姣，汪黎明，张盛，等.基于分合闸线圈电流的断路器状态在线监测系统研究及应用J电工技术，2021(22)：9799FENG Yingjiao，WANG Liming，ZHANG Sheng，et al.Research and application of online monitoring system ofcircuit breaker state based on opening and closing coilcurrentJ.Electric Engineering，2021(22)：9799.13 万书亭，李聪，豆龙江，等.基于振电结合的高压断路器特征提取及分类方法研究J华北电力大学学报，2019，46(4)：3138WAN Shuting，LI Cong，DOU Longjiang，et al.Study on thesignal feature extraction and classification of high voltagecircuit breaker based on vibration signal and current signalJ.Journal of North China Electric Power University，2019，46(4)：3138.14 程序，关永刚，张文鹏，等.基于因子分析和支持向量机算法的高压断路器机械故障诊断方法J电工技术学报，2014，29(7)：209215CHENG Xu，GUAN Yonggang，ZHANG Wenpeng，et al.Diagnosis method on the mechanical failure of high voltagecircuit breakers based on factor analysis and SVMJ.Transactions of China Electrotechnical Society，2014，29(7)：209215.15 胡晓光，孙来军，纪延超.基于线圈电流和触点状态的断路器故障分析J电力自动化设备，2006，26(8)：57HU Xiaoguang，SUN Laijun，JI Yanchao.Circuit breakerfault analysis based on coil currents and contact statesJ.Electric Power Automation Equipment，2006，26(8)：57.16 赵书涛，许文杰，李云鹏，等.基于优选泛特征的真空断路器弹簧机构储能状态辨识方法J高电压技术，2021，47(11)：37773784ZHAO Shutao，XU Wenjie，LI Yunpeng，et al.Identification method for energy storage state of spring mechanism ofvacuum circuit breaker based on optimal multicharacteristicsJ.High Voltage Engineering，2021，47(11)：37773784.17 TORRES M E，COLOMINAS M A，SCHLOTTHAUER G，et al.A complete ensemble empirical mode decompositionwith adaptive noiseJ.Brain Research Bulletin，2011，125(3)：41444147.18 舒畅，金潇，李自品，等.基于CEEMDAN的配电变压器放电故障噪声诊断方法J高电压技术，2018，44(8)：26032611SHU Chang，JIN Xiao，LI Zipin，et al.Noise diagnosismethod of distribution transformer discharge fault based onCEEMDANJ.High Voltage Engineering，2018，44(8)：26032611.19 CHO H，YOON H J，JUNG J Y.ImageBased crack detection using crack width transform(CWT)algorithmJ.IEEEAccess，2018(6)：6010060114.20 吕苗荣，张晓晶.机械设备振动信号结构学M.上海：上海交通大学出版社，2017.LYU Miaorong，ZHANG Xiaojing.Mechanical equipmentvibration signal structureM.Shanghai：Shanghai Jiao TongUniversity Pres