[发明专利]一种断路器机械故障识别方法

说明书

技术领域

本发明涉及断路器技术领域，特别涉及一种断路器机械故障识别方法。

背景技术

断路器是电力系统中重要的设备之一，其性能的好坏对电力系统的稳定运行有着重要的作用。对断路器可靠性的统计表明，断路器因操动机构引起的故障占总故障数的64.18％，而操动机构机械故障占43.18％。因此，监测并有效判别断路器操动机构的运行状态至关重要。对于断路器状态监测及故障诊断方法，目前研究较多的为神经网络，普遍存在的问题是一般神经网络的应用需要大量样本数据。而在实际情况中，断路器只有小数据样本，这给神经网络的应用造成了一定的局限性。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种断路器机械故障识别方法，解决现有技术中采用神经网络进行断路器故障诊断存在网络结构复杂、样本数据需求量大、应用受限的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：一种断路器机械故障识别方法，包括如下步骤：

对断路器操动机构进行故障设置，采集断路器操动机构的振动信号；

对振动信号进行小波包分解确定有效的特征参数，组成特征向量；

随机选取部分特征向量输入Kohonen网络进行网络训练；

将需故障识别的断路器操动机构输出的振动信号输入至训练好的Kohonen网络，根据Kohonen网络的输出状态进行断路器机械故障识别。

采用横向和纵向分布的多个振动传感器采集断路器操动机构的振动信号，同一方向上的振动传感器保持在同一直线上。

故障设置包括：弹簧疲劳松动故障设置和传动拐臂螺丝松动故障设置。

故障设置时，采用同一测量回路进行多次分合闸操作，确保相同状态下振动信号测量的相关性。

小波包分解前需对振动信号进行预处理，包括：频谱变化和降噪处理。

采用循环输入的方式进行Kohonen网络训练。

与现有技术相比，本发明所达到的有益效果：

选取Kohonen网络作为故障识别器，网络结构简单，只有一层“平面”式神经元层，其兴奋状态就是输出；Kohonen网络的输入可以循环进行，克服了断路器只有小样本数据的不足，对于以往特征向量维数高、神经网络复杂、样本数据少等是一个较好的补充。

附图说明

图1是本发明的流程图；

图2是本发明采用的测量回路结构框图；

图3是状态1中根据本发明实施振动信号的三层小波包分解图；

图4是状态2中根据本发明实施振动信号的三层小波包分解图；

图5是状态3中根据本发明实施振动信号的三层小波包分解图；

图6是本发明所采用的Kohonen网络结构图。

具体实施方式

断路器故障识别最关键的两个步骤为特征向量的提取及故障诊断方法的选取。为了使故障诊断过程尽量简单方便，在保证正确的前提下，希望特征向量的维数越低越好，即需要根据实际情况选取有效简单的特征参数作为特征向量。本发明的目的在于通过实例对断路器振动信号进行分析研究，提供一种新的断路器机械故障识别方法，具体为：通过小波包分解确定有效的特征参数组成特征向量，将多次测量的振动信号组成的特征向量输入至Kohonen网络进行训练，然后将实时监测到振动信号的特征向量输入训练好的Kohonen网络，根据Kohonen网络的输出即可判断出断路器是否出现故障并确定故障类型。

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，为本发明方法的流程图，具体包括如下步骤：

步骤一：在试验开始之前，按照图2的结构连接好实验测量回路，其中：数据采集仪的采样率为16000Hz；

步骤二：将振动传感器按照横向和纵向的分布方式安装于断路器操动机构周围，且同一方向上的传感器尽量保持在同一直线上；

步骤三：对断路器操动机构进行故障设置，与正常状态进行比较，分别在同一测量回路下进行多次分合闸实验，确保相同状态下振动信号测量的相关性，以避免单次测量的偶然性和不确定性；

故障设置包括：弹簧疲劳松动故障设置和传动拐臂螺丝松动故障设置，分别记为状态2和状态3，正常状态记为状态1；

步骤四：对每个振动测点测得的振动信号进行时域分析，由于现场环境的复杂性，对振动信号进行简单去噪，观察比较各路振动信号，选择最灵敏的振动传感器输出的振动信号进行后续分析，避免随意选择测点的盲目性；