[发明专利]基于操作附件电流的框架式断路器故障诊断及程度评估方法

摘要

本发明涉及基于操作附件电流的框架式断路器故障诊断及程度评估方法，该方法首先判断待诊断及评估断路器的工作阶段，所述工作阶段包括储能阶段、合闸阶段和分闸阶段，然后利用储能电机电流对储能阶段进行故障诊断、利用合闸线圈电流对合闸阶段进行故障诊断及程度评估和利用分闸线圈电流对分闸阶段进行故障诊断及程度评估；分别检测框架式断路器在储能阶段中的储能电机电流信号、合闸阶段中的合闸线圈电流信号以及分闸阶段中的分闸线圈电流信号，同时结合多核支持向量机进行故障诊断，在当诊断出故障需要进行故障程度评估时，通过故障程度特性曲线能够准确的进行故障程度的判定。

主权项

1.一种基于操作附件电流的框架式断路器故障诊断及程度评估方法，该方法首先判断待诊断及评估断路器的工作阶段，所述工作阶段包括储能阶段、合闸阶段和分闸阶段，然后利用储能电机电流对储能阶段进行故障诊断、利用合闸线圈电流对合闸阶段进行故障诊断及程度评估和利用分闸线圈电流对分闸阶段进行故障诊断及程度评估；其中，一、利用储能电机电流对储能阶段进行故障诊断，包括以下步骤：第一步，采集断路器在不同工作状态下的储能电机电流S_cc(t)，设定储能电机共有正常、传动齿轮卡涩、弹簧卡涩和弹簧脱落4种不同的工作状态，每种工作状态下均采集r组储能电机电流信号；第二步，对采集的储能电机电流信号进行去噪预处理，采用均值滤波去噪算法得到去噪储能电机电流信号S′_cc(t)；第三步，通过希尔伯特包络法对去噪储能电机电流信号S′_cc(t)进行包络线求取，根据式(3)求得去噪储能电机电流信号的幅值A(t)，A(t)即为去噪储能电机电流信号S′_cc(t)的希尔伯特包络线；第四步，通过希尔伯特包络线对去噪储能电机电流信号S′_cc(t)进行关键时间和电流幅值参数提取，将储能电机电流信号中启动时的电流最大值I₁、电机稳定运行的电流最大值I₂及最大值I₂对应时刻t₁、储能电机电流持续总时间t₂作为储能电机电流的局部故障特征，得到储能电机电流在时域内形成的局部特征向量分量T₁＝[I₁，I₂，t₁，t₂]；第五步，对去噪储能电机电流信号S′_cc(t)进行集合经验模态分解EEMD能量矩特征提取，即全局特征提取；集合经验模态分解EEMD能量矩特征提取的具体步骤是：5‑1.确定分解次数M和要加入的噪声幅值，将白噪声信号n_m(t)加入到需要进行分解的去噪储能电机电流信号S′_cc(t)中，按照式(5)得到新的待分解信号x_m(t)：x_m(t)＝S′_cc(t)+n_m(t)  (5)5‑2.确定新的待分解信号x_m(t)的局部极大值点和极小值点，利用三次样条插值将全部的极大值点进行连接，形成上包络线；同理，对所有极小值点进行三次样条插值，得到下包络线；5‑3.求出上包络线和下包络线的所有包络点的平均值，记为m1；5‑4.将新的待分解信号x_m(t)减去m1，按照式(6)得到第一个分量h₁：若h₁满足本征模态IMF分量条件，则h₁就为新的待分解信号x_m(t)第一个满足本征模态IMF分量条件的本征模态IMF分量，第一个满足本征模态IMF分量条件的本征模态分量记为c₁，进入步骤5‑6；h₁＝x_m(t)‑m₁  (6)5‑5.若h₁不满足本征模态IMF分量条件，且包含其他不同尺度的奇函数，则将h₁作为原始信号，重复步骤5‑2～5‑4，得到h₁的上、下包络线，计算h₁的上包络的平均值，记为m₁₁；然后判断h₁₁＝h₁‑m₁₁能否满足本征模态IMF分量条件，如果还不能满足，则继续循环，直到h_1k＝h_1(k‑1)‑m_1k满足本征模态IMF分量条件为止；将h_1k成为新的待分解信号x_m(t)的第一个满足本征模态IMF分量条件的本征模态分量，记为c₁；5‑6.把c₁从新的待分解信号x_m(t)中独立出去，按照式(7)得到r₁：r₁＝x_m(t)‑c₁  (7)5‑7.将r₁作为原始待分解信号重复步骤5‑2～5‑5，得到第二个本征模态IMF分量c₂；5‑8.重复步骤5‑2～5‑7，按照式(8)得到新的待分解信号x_m(t)的m个本征模态IMF分量，当残余分量r_m为单调函数时，则停止重复步骤5‑2～5‑7，完成一次分解，此时，新的待分解信号x_m(t)用式(9)表示；式中，r_m是残余函数，代表信号的平均趋势；c_i为第i个本征模态IMF分量；5‑9.将新的等幅值噪声信号加入到需要进行分解的去噪储能电机电流信号S′_cc(t)中，依次重复步骤5‑2～5‑8 M次，得到M组本征模态IMF分量序列{c_n,l}，c_n,l为第n次分解的第l个本征模态IMF分量，n＝1,2,……,M，l＝1,2,……,m；5‑10.按照式(10)求取M组本征模态IMF分量序列{c_n,l}的第l个本征模态IMF分量M次分解的平均值将作为集合经验模态分解EEMD的第l个本征模态IMF分量，即经过集合经验模态分解EEMD得到的本征模态IMF分量为5‑11.按照式(11)对经过集合经验模态分解EEMD得到的本征模态IMF分量进行取能量矩计算：式中：Δt为采样时间间隔，n₁为采样点数，k₁＝1,2,……,n₁；5‑12.新的待分解信号x_m(t)分解为m个本征模态IMF分量，共求得m个能量矩E_m，则储能电机电流在时频域内形成的全局特征向量分量T₂＝[E₁，E₂，……，E_m]；第六步，建立储能电机故障特征向量，构建储能电机样本降维特征矩阵：通过第四步求得储能电机电流在时域内形成的局部特征向量分量T₁＝[I₁，I₂，t₁，t₂]和第五步求得储能电机电流在时频域内形成的全局特征向量分量T₂＝[E₁，E₂，……，E_m]，将两个特征向量分量融合构造成储能电机故障特征向量T，用式(12)表示：T＝[T₁ T₂]  (12)此储能电机故障特征向量的维数为4+m维，采用主成分分析法对储能电机故障特征向量进行降维处理，降维后的特征向量T′的维数为λ维；所有工作状态下的储能电机降维后的特征向量构成储能电机样本降维特征矩阵，则储能电机样本降维特征矩阵的维数为4r×λ；第七步，构建储能电机多分类支持向量机，进行故障诊断：需要进行识别的储能电机工作状态总类数为4，把某个工作状态下的数据看做正类，其余工作状态下的数据看做负类，使用第六步得到的储能电机样本降维特征矩阵，采用“一对多”方法构建三个子支持向量机，三个子支持向量机再以多项式核函数、高斯径向基核函数和多层感知器核函数为基础构成多核支持向量机，各核函数的核参数利用经验法确定，并采用遗传算法对多核权值系数进行优化，进而得到多分类支持向量机，通过该多分类支持向量机对断路器储能电机的工作状态进行识别；当断路器储能电机需要进行故障诊断时，采集储能电机电流信号，按照第六步提取储能电机故障特征向量，然后将储能电机故障特征向量降维后作为输入量，输入到储能电机多分类支持向量机，即可完成对储能电机的工作状态识别；二、利用合闸线圈电流对合闸阶段进行故障诊断及程度评估，包括以下步骤：第一步，采集断路器在不同工作状态下的合闸线圈电流S_hc(t)，设定合闸线圈回路共有正常、铁芯卡涩、机械结构卡涩、铁芯行程不足和线圈电压不足5种不同的工作状态，每种工作状态下均采集r组电流信号；第二步，对合闸线圈电流S_hc(t)进行去噪处理，得到去噪合闸线圈电流S′_hc(t)，去噪算法同储能电机电流信号处理中去噪算法一致；第三步，对去噪合闸线圈电流S′_hc(t)进行关键时间、电流幅值参数提取，得到合闸线圈电流信号在时域内形成的局部特征向量分量T_h1；分析合闸线圈电流波形特性，将铁芯动作的过程分为四个阶段：第一个阶段为铁芯开始运动，线圈励磁，但始终未产生磁饱和；第二个阶段为线圈磁饱和，产生的励磁电流为具有1/4周期对称特点的尖顶波；第三个阶段为电流近似稳态阶段，线圈电流波形与磁通同相位、峰谷幅值不变；第四阶段为辅助开关分离阶段的电流波形，电流表现为迅速减小，直至电流彻底消失；上述四个阶段的时间t₁₁、t₁₂、t₁₃、t₁₄会由于断路器处于不同的工作状态而发生相应的变化，同时合闸线圈电流持续总时间t₁₅也会发生变化；由于合闸线圈为交流电压供电，产生的线圈电流也为交流波形，合闸线圈电流共出现3个波谷I₁₁、I₁₃、I₁₅，2个波峰I₁₂、I₁₄，由此可以得到合闸线圈电流信号在时域内形成的局部特征向量分量T_h1＝[t₁₁，t₁₂，t₁₃，t₁₄，t₁₅，I₁₁，I₁₂，I₁₃，I₁₄，I₁₅]；第四步，将去噪合闸线圈电流S′_hc(t)进行集合经验模态分解EEMD能量矩特征提取，去噪合闸线圈电流S′_hc(t)分解为m_h个本征模态IMF分量，共求得m_h个能量矩，则合闸线圈电流信号在时频域内形成的全局特征向量分量T_h2＝[E_1h，E_2h，……，E_mh]；具体步骤同储能阶段中集合经验模态分解EEMD能量矩特征提取的方法；第五步，建立合闸线圈故障特征向量，构建合闸线圈样本降维特征矩阵：将合闸线圈电流信号在时域内的局部特征向量分量T_h1＝[t₁₁，t₁₂，t₁₃，t₁₄，t₁₅，I₁₁，I₁₂，I₁₃，I₁₄，I₁₅]和在时频域内的全局特征向量分量T_h2＝[E_1h，E_2h，……，E_mh]融合构造合闸线圈故障特征向量T_h＝[T_h1，T_h2]，由此得到的合闸线圈故障特征向量的维数为10+m_h，经主成分分析法降维后得到的合闸线圈特征向量T′_h的维数为λ_h维，所有工作状态下的合闸线圈降维后的特征向量构成合闸线圈样本降维特征矩阵，合闸线圈样本降维特征矩阵的维数为5r×λ_h；第六步，构建合闸线圈回路多分类支持向量机，进行故障诊断：需要进行识别的合闸线圈回路工作状态总类数为5，使用上述的合闸线圈样本降维特征矩阵，构建4个子支持向量机，4个子支持向量机再以多项式核函数、高斯径向基核函数和多层感知器核函数为基础构成多核支持向量机，各核函数的核参数利用经验法确定，并采用遗传算法对多核权值系数进行优化，进而得到多分类支持向量机，通过该多分类支持向量机对断路器合闸线圈的工作状态进行识别，构建合闸线圈回路多分类支持向量机，使用合闸线圈回路多分类支持向量机对断路器合闸线圈回路进行故障诊断；第七步，确定合闸线圈故障程度评估指标：当通过合闸线圈回路多分类支持向量机确定输入的去噪合闸线圈电流S′_hc(t)为故障电流信号时，诊断出合闸线圈回路故障中出现铁芯行程不足和线圈电压不足故障，以集合经验模态分解EEMD能量矩相对熵值作为故障程度评估指标，进行故障程度评估；合闸线圈的集合经验模态分解EEMD能量矩相对熵值的计算步骤如下：B7‑1.由第四步中求得去噪合闸线圈电流S′_hc(t)的m_h个本征模态IMF分量的m_h个能量矩，即E_1h，E_2h，……，Em_h；然后按照式(13)求出m_h个能量矩的总和E_H：B7‑2.根据式(14)求出第k’个能量矩占能量矩总和的比重为：则去噪合闸线圈电流S′_hc(t)的能量矩分布特性矩阵为：P＝(p₁,p₂,…,p_k′,…,p_mh)；同理计算正常状态下去噪合闸线圈电流信号S′_hz(t)的能量矩分布特性矩阵为：P′＝(p′₁,p′₂,…,p′_k′,…,p′_mh)；B7‑3.通过式(15)得到故障去噪合闸线圈电流信号S′_hc(t)与正常状态下去噪合闸线圈电流信号S′_hz(t)的集合经验模态分解EEMD能量矩相对熵：第八步，构造合闸线圈回路故障程度特性曲线：将每种故障均设置4种不同的故障程度，利用第七步计算不同程度下的铁芯行程不足和线圈电压不足故障对应的集合经验模态分解EEMD能量矩相对熵值，然后利用线性函数进行拟合，线性函数为式(16)，得到合闸线圈回路故障程度特性曲线，y＝a₁x+a₂  (16)其中：x为故障程度，y为集合经验模态分解EEMD能量矩相对熵值，a₁，a₂为常数；分别得到铁芯行程不足和线圈电压不足两种故障相应的合闸线圈回路故障程度特性曲线，当需要进行故障程度评估时，经第二步对待评估合闸线圈电流信号进行去噪处理，然后按照第七步计算去噪合闸线圈电流信号的集合经验模态分解EEMD能量矩相对熵值，代入上述相应的合闸线圈回路故障程度特性曲线中，即可得出对应的合闸线圈故障程度定量值；三、利用分闸线圈电流对分闸阶段进行故障诊断及程度评估，包括以下步骤：第一步，采集断路器在不同故障状态下的分闸线圈电流S_fc(t)，设定分闸线圈回路共有正常、衔铁阻力异常、衔铁行程不足和线圈电压不足4种不同的工作状态，每种工作状态下均采集r组电流信号；第二步，对分闸线圈电流S_fc(t)进行去噪处理，得到去噪分闸线圈电流S′_fc(t)，去噪算法同储能电机电流信号处理中去噪算法一致；第三步，对去噪分闸线圈电流S′_fc(t)进行关键时间、电流幅值参数提取，得到分闸线圈电流信号在时域内形成的局部特征向量分量T_f1；分析分闸线圈电流经过特性，产生5个关键时间点t₂₁，t₂₂，t₂₃，t₂₄，t₂₅，分闸线圈电流共出现2个波谷I₂₁、I₂₃，2个波峰I₂₂、I₂₄，得到分闸线圈电流在时域内形成的局部特征向量分量T_f1＝[t₂₁，t₂₂，t₂₃，t₂₄，t₂₅，I₂₁，I₂₂，I₂₃，I₂₄]；第四步，将去噪分闸线圈电流S′_fc(t)进行集合经验模态分解EEMD能量矩特征提取，去噪分闸线圈电流S′_fc(t)分解为m_f个本征模态IMF分量，共求得m_f个能量矩，则分闸线圈电流信号在时频域内形成的全局特征向量分量T_f2＝[E_1f，E_2f，……，Em_f]；第五步，建立分闸线圈故障特征向量，构建分闸线圈样本降维特征矩阵：将分闸线圈电流信号在时域内的局部特征向量分量T_f1＝[t₂₁，t₂₂，t₂₃，t₂₄，t₂₅，I₂₁，I₂₂，I₂₃，I₂₄]和在时频域内的全局特征向量分量T_f2＝[E_1f，E_2f，……，Em_f]融合构造分闸线圈故障特征向量T_f＝[T_f1，T_f2]，由此得到的合闸线圈故障特征向量的维数为9+m_f，经主成分分析法降维后得到的特征向量T′_f的维数为λ_f维；所有工作状态下的分闸线圈降维后的特征向量构成分闸线圈样本降维特征矩阵，合闸线圈样本降维特征矩阵的维数为4r×λ_f；第六步，构建分闸线圈回路多分类支持向量机，进行故障诊断：需要进行识别的分闸线圈回路工作状态总类数为4，使用上述的分闸线圈样本降维特征矩阵，构建3个子支持向量机，3个子支持向量机再以多项式核函数、高斯径向基核函数和多层感知器核函数为基础构成多核支持向量机，各核函数的核参数利用经验法确定，并采用遗传算法对多核权值系数进行优化，进而得到多分类支持向量机，通过该多分类支持向量机对断路器分闸线圈的工作状态进行识别，构建分闸线圈回路多分类支持向量机，通过分闸线圈回路多分类支持向量机对断路器分闸线圈回路进行故障诊断；第七步，确定分闸线圈故障程度评估指标：当通过分闸线圈回路多分类支持向量机确定出输入的去噪分闸线圈电流S′_fc(t)为故障电流信号时，诊断出分闸线圈回路故障中出现衔铁行程不足和线圈电压不足故障，以集合经验模态分解EEMD能量矩相对熵作为故障程度评估指标，进行故障程度评估；分闸线圈的集合经验模态分解EEMD能量矩相对熵值的计算步骤如下：由第四步中求得去噪分闸线圈电流S′_fc(t)的m_f个本征模态IMF分量的m_f个能量矩，即E_1f，E_2f，……，Em_f；然后按照求出m_f个能量矩的总和E_F；然后根据k′＝1_f,2_f,…,m_f求出第k’个能量矩占能量矩总和的比重；则去噪分闸线圈电流S′_fc(t)的能量矩分布特性矩阵为：P＝(p_1f,p_2f,…,p_k′,…,p_mf)；同理计算正常状态下去噪分闸线圈电流信号S′_fc(t)的能量矩分布特性矩阵为：P′＝(p′_1f,p′_2f,…,p′_k′,…,p′_mf)^；最后通过得到故障去噪分闸线圈电流信号S′_fc(t)与正常状态下去噪合闸线圈电流信号S′_fc(t)的集合经验模态分解EEMD能量矩相对熵；第八步，构造分闸线圈回路故障程度特性曲线，将每种故障均设置4种不同的故障程度，利用第七步计算不同程度下的衔铁行程不足和线圈电压不足故障对应的集合经验模态分解EEMD能量矩相对熵值，然后利用线性函数进行拟合，线性函数为式(17)，得到分闸线圈回路故障程度特性曲线；y＝b₁x+b₂  (17)其中：x为故障程度，y为集合经验模态分解EEMD能量矩相对熵值，b₁，b₂为常数；通过上述构建的分闸线圈回路多分类支持向量机完成对分闸线圈回路中出现的正常、衔铁阻力异常、衔铁行程不足、线圈电压不足4种工作状态进行诊断；当诊断出的故障为衔铁行程不足或线圈电压不足时，需要继续进行故障程度评估，通过计算待评估去噪后分闸线圈电流集合经验模态分解EEMD能量矩相对熵，代入上述建立的分闸线圈回路故障程度特性曲线中，即可完成对分闸线圈故障程度的定量评估。