[发明专利]基于小波包与SOM网络的高压断路器机械故障识别方法

说明书

技术领域

本发明提出了一种基于小波包与SOM网络的高压断路器机械故障识别方法，属于断路器故障识别技术领域。

背景技术

机械故障是高压断路器的主要故障。国际大电网会议(CIGER)对高压断路器可靠性所做的2次世界范围的调查及我国电力科学研究院对高压开关事故的统计分析均表明，80％高压断路器故障起因于机械故障。因而高压断路器的机械振动信号在其机械故障诊断中有着重要作用。断路器在分合闸操作中所产生的振动信号是一系列无规则的信号量，这些振动信号还会夹杂着各种各样的噪声干扰和随机振动。高压断路器的振动信号是一种瞬时非平稳信号，包含有大量设备状态信息，通过监测断路器动作过程中的振动信号，可以识别出断路器的机械故障或机械状态。且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，可很好地解决高压隔离问题。

对振动信号的处理一般包括2个环节，即特征提取、故障识别。特征提取比较常用的是时频法，时频法能兼顾时间和频率，能较好地表达信号地局部特征，特别适合非平稳信号的分析。小波包技术在保持小波正交基的优良特性的基础上改善了小波“高频低分辨”的问题，它为振动信号提供了一种更加精细的分析方法，并对不同信号的特征具有自适应能力。小波包正交分解后的信号具有各频带信号独立、能量守衡的特点，更适用于振动信号的时频分析及能量谱分析。故障识别针对机械故障特征量对系统状态进行判断。高压断路器故障识别方法较常用的是人工智能算法，包括人工神经网络、支持向量机、人工免疫网络等。神经网络具有较好的容错能力和泛化性能，但存在局部收敛问题。目前可选用的网络类型有EBP、径向基函数RBF等。首先对网络进行训练，得到分类器，或者径向基函数预测结果与实测信号的偏差来做诊断。但大多数神经都受到样本数据少的限制。支持向量机是一种基于统计学习理论的分类算法，适合小样本分类问题，但它是二分判断，当采用“一对余”策略进行多状态分类时，计算较为复杂，目前还没有一种较为完善的故障识别方法。不可否认，现有诊断方法以及故障模式识别的诊断效率与准确率普遍较低。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于小波包与SOM网络的高压断路器机械故障识别方法，其诊断结果确实精度高，结构简单，可操作性强。

为解决上述技术问题，本发明提供一种基于小波包与SOM网络的高压断路器机械故障识别方法，包括以下步骤：

1)通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集，并对振动信号做预处理；

2)对采集到的振动信号进行小波包分解，得到8个频段，8个频段信号分别以能量的形式表示，并进行归一化，构造特征向量，作为SOM网络的输入；

3)对SOM网络进行训练，将所述步骤2)构造的特征向量输入到SOM网络中，对SOM网络进行训练；当SOM网络达到训练误差时，将测试数据输入到训练好的SOM网络，从而判断高压断路器的故障模式。

前述的步骤1)中，模拟某少油断路器在合闸过程中正常和故障状态下的振动信号，将压电式加速度传感器安装于断路器每相基座支架上，数据采集卡在断路器模拟动作时以30kHz的速率每相采集12000点振动数据送至PC机进行处理；将采集到的振动数据分成二组，每组都包括正常振动信号与故障振动信号，一组用于SOM网络的训练，另一组用于SOM网络的测试。

前述的故障状态是指合闸线圈有短路匝和缓冲器弹簧无效超行程两种情况。

前述的步骤2)中，采用Daubechies小波系列的db10小波对采集到的振动信号进行3层小波包变换，得到8个频段。

前述的步骤2)中，频段信号的能量表达式为：

其中，E₃(i)为第i个频段的能量，W(3,i)为小波包3层分解后第三层第i个频段信号，x_ik表示第i个频段信号W(3,i)的第k个离散点的值，i＝0,1,…,7，表示8个频段，k＝1,2,…,N，N表示离散点数，离散点即步骤1)中采集的振动信号。

前述的步骤2)中，由各个频带能量所占的比例构造的特征向量T为：

T＝[E₃(0)/S₃,…,E₃(7)/S₃]，

其中，S₃为小波包3层分解后第三层总能量，

前述的步骤3)中，SOM网络的训练步骤如下：