[发明专利]低压框架断路器故障诊断方法、装置及计算设备

说明书

本发明公开了一种低压框架断路器故障诊断方法、装置及计算设备。本发明的诊断方法包括：接收低压框架断路器分闸振动信号；对断路器振动信号进行经验模态分解，获得多组基于固有模态函数表征的分量；其中，每一固有模态函数表征的分量对应振动信号中的不同频段；分别确定至少一组分量的能量在能量总和中的占比，能量总和为多组固有模态函数表征的各个分量所对应能量的和；依据至少一组分量在能量总和中的占比，以及，计算获取的断路器振动信号的总能量，对低压框架断路器进行故障诊断。此外，本发明还公开了一种诊断装置及计算设备。通过本发明，有效地对低压框架断路器常见机械故障进行分类，更加全面反应断路器的真实状态。

技术领域

本发明涉及电网技术领域，尤其涉及一种低压框架断路器故障诊断方法、装置及计算设备。

背景技术

低压框架断路器是电网中起保护和控制作用的重要电力设备，其运行状态和电网的稳定息息相关，因此，对于低压框架断路器的故障诊断有着重要意义。

目前，针对低压框架断路器基于振动信号的机械故障诊断方法较少，而且其故障特征提取方法仅包括:短时傅里叶变换提取特征量；高阶谱分析提取特征量；小波包-特征熵提取特征量；小波包特征节点最大系数提取特征量：经验模态分解能量熵提取特征量；希尔伯特变换提取振动信号零相位滤波时频熵作为特征量等。

但是，现有的方法都仅提取振动信号的一类特征量，无法更加全面反应低压框架断路器的真实状态。

此外，在现有技术基于特征量的故障诊断中，人工神经网络时常用的一种数学模型目前常见的模型有：传统神经网络(如BP神经网络)和支持向量机。传统的神经网络虽然具有较好的泛化能力和抗噪性，但是训练时需要大量的样本，实际操作中断路器不宜长期在故障状态下动作，可获取的故障状态训练样本不大，故传统神经网络不能满足断路器的小样本分类；SVM支持向量机训练过程中有较多的参数需要设置：小样本分类算法中，SVM网络训练样本数少，需要确保训练样本的典型性才能使网络具有良好的泛化能力网。所以，对于人工神经网络模型的优化对于低压框架断路器的故障诊断也时非常有意义的。

发明内容

有鉴于此，本发明实施例提供了一种低压框架断路器故障诊断方法、装置及计算设备，至少部分的解决现有技术中存在的问题。

第一方面，本发明实施例提供了一种低压框架断路器故障诊断方法，包括：接收低压框架断路器分闸振动信号；对所述断路器振动信号进行经验模态分解(EMD)，获得多组基于固有模态函数表征的分量(IMF)；其中，每一所述固有模态函数表征的分量对应所述振动信号中的不同频段；分别确定至少一组所述分量的能量在能量总和中的占比，所述能量总和为所述多组固有模态函数表征的各个分量所对应能量的和；依据至少一组分量在所述能量总和中的占比，以及，计算获取的所述断路器振动信号的总能量，对低压框架断路器进行故障诊断。

进一步地，根据本发明实施例诊断方法的一种具体实现方式，所述对低压框架断路器进行故障诊断为：将所述至少一组分量在所述能量总和中的占比，以及，计算获取的所述断路器振动信号的总能量作为输入信息，输入至人工神经网络模型中；所述人工神经网络模型包括输入层、隐含层和输出层；其中，所述输入层包括多个输入节点，每一所述输入信息用于作为其中一个节点的输入；所述隐含层包括多个隐含节点、输入连接权值和输出权重；所述隐含节点的数目、所述输入连接权值和所述输出权重由多个训练样本训练获得；所述输出层包括多个输出节点，所述每一输出节点为与所述输入节点的输入信息对应的诊断结果，所述诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。