王兴宇, 迟长春

(上海电机学院 电气学院, 上海 201306)

断路器使用广泛,一旦出现突发故障,会造成巨大损失,严重时甚至会危及生命。断路器的可靠性非常重要,更有针对性的断路器故障诊断技术研究也十分迫切[1]。目前的研究多集中在高压断路器方面,而针对低压断路器故障诊断的研究相对较少。有数据表明,低压断路器故障主要来自机械故障[2],通过定期拆卸检查的方法无法满足现实的需求,将智能算法与故障诊断结合已成为研究的主流。

针对低压断路器机械故障诊断主要分为3步:故障信号的采集;故障信号特征向量的提取;故障信号特征向量的识别[3]。由于信号采集技术已较为成熟,本文主要对后两步进行研究。对振动信号分析研究的方法有很多,如傅里叶变换(Fast Fourier Transform, FFT)、小波变换、经验模态分解(Empirical Mode Decomposition, EMD)[4-5]、集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)[6]和局部均值分解(Local Mean Decomposition, LMD)[7]。但这些方法或多或少都存在一些问题,如FFT是一种全局的分析,只能在时域和频域之中选择一种,这样就不能表述信号的时频局域性质;小波变换容易受到邻近谐波的影响;EMD存在模态混叠和端点效应的现象。因此,由Dragomiretskiy等[8]在2014年提出一种新的非递归式自适应模态分解算法——变分模态分解(Variational Mode Decomposition, VMD),对噪声有很好的适应性,能够快速地分解出不同频率的特征信号,精度很高。

本文研究了一种基于VMD参数优化和样本熵(Sample Entropy, SE)的低压断路器振动信号特征提取方法。将VMD与SE结合,提高信号特征的精确度。首先,故障信号经VMD分解后产生各个模态分量;其次,计算各个分量的SE,并将其组成特征向量;最后,输入到支持向量机(Support Vector Machine, SVM)中进行故障识别。……