[发明专利]基于高压断路器振动信号的故障诊断方法

说明书

本发明公开了一种基于高压断路器振动信号的故障诊断方法。该方法为：利用加速度传感器采集高压断路器在合闸操作过程中产生的加速度波形信号；采用VMD‑SVD技术提取高压断路器在不同状态下的振动信号特征量，在进行VMD分解时，本征模态分量IMF的个数K的选取采用归一化距离法，通过比较原始正常状态下的振动信号与经过VMD分解再重构得到的振动信号的相似性确定K值；利用粒子群算法对BP神经网络进行优化，即将神经网络原来每层神经元之间的阈值与权值用粒子群的位置分量来替代，得到PSO‑BP神经网络；采用PSO‑BP神经网络对断路器状态进行识别分类。本发明在诊断速度与准确率方面均有显著的提升，实际应用价值高。

技术领域

本发明涉及电力系统的故障诊断技术领域，特别是一种基于高压断路器振动信号的故障诊断方法。

背景技术

真空断路器作为电力系统的开关以及保护设备，大量用于配电系统中，具有体积小、噪声低、可靠性高等优点。在电力系统发生局部故障时，一旦由于断路器故障而导致故障不能及时切除等问题，将极有可能造成地区大面积停电。因此真空断路器能够可靠的动作，对电力系统的安全、稳定运行尤为重要。据资料显示，因断路器控制回路和操动机构等方面的问题而引起的机械故障，占全部故障的70％～80％。

目前国内外相继展开了针对断路器的故障诊断研究工作，在研究时涉及到的技术较广，包括了信号处理与模式识别等领域中的最新技术，但对振动信号的处理方法选取较为局限，主要为基于经验模态分解(EMD)的HHT与小波包变换，而EMD本身具有一定的局限性，例如停止准则的选取以及模态混叠等问题，而断路器的振动信号是一种非平稳、非周期信号。在高压断路器状态识别时，大多数采取了机器学习等方法，但是这些方法受样本数量得影响较大。高压断路器属于高压设备在工作时停断次数较少，所以高压断路器故障诊断属于小样本问题研究。传统BP神经网络直接用于全局，由于神经网络的阈值与权值不是最优，会影响最终分类结果的准确性和时效性。

发明内容

本发明的目的在于提供一种速度快、准确率高的基于高压断路器振动信号的故障诊断方法。

实现本发明目的的技术解决方案为：一种基于高压断路器振动信号的故障诊断方法，包含以下步骤：

步骤1，利用加速度传感器采集高压断路器在合闸操作过程中产生的加速度波形信号；

步骤2，采用VMD-SVD技术提取高压断路器在不同状态下的振动信号特征量；

步骤3，利用粒子群算法对BP神经网络进行优化，得到PSO-BP神经网络；

步骤4，采用PSO-BP神经网络对断路器状态进行识别分类。

本发明与现有技术相比，其显著优点为：(1)采用了变分模态分解VMD技术对断路器在不同状态下的振动信号进行分解，得到本征模态分量IMF；对本征模态分量进行SVD奇异值分解，得到奇异值特征向量；再采用经过PSO粒子群算法优化过的BP神经网络对特征向量进行识别分类；(2)与利用小波包-能量熵进行特征提取再直接利用BP神经网络来诊断断路器故障的技术相比，对断路器各类故障状态进行诊断时，在正确性与算法的速动性方面均有显著的提升，具有较高的实际应用价值。

附图说明

图1是本发明中VJ12型真空断路器的基本结构原理图。

图2是本发明基于高压断路器振动信号的故障诊断方法的流程图。

图3是本发明中振动信号的采集流程图。

图4是本发明中断路器在正常状态下振动信号的IMF图。

图5是6种状态下的振动信号特征量分布图。

图6是小波包4层分解后得到的示意图。

图7是BP神经网络对于小波包-能量熵特征量的学习误差曲线图。