邹宇 章守宇 陆元翠 杨骏 王晨

摘 要：为实现高压断路器的故障诊断，提出了基于振动信号的故障特征提取与诊断方法。首先采用变分模态分解对振动信号进行处理，综合考虑模态重复系数与归一化距离来确定模态分解个数，最终将本征模态分量的分段奇异值作为断路器的故障特征。将特征数据集输入机器学习模型，故障分类结果表明，所提的故障特征可以准确实现断路器的故障诊断。

关键词：高压断路器;振动信号;故障诊断;变分模态分解

中图分类号：TM561  文献标志码：A  文章编号：1671-0797（2022）07-0020-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.07.006

0    引言

高压断路器是电力系统中最为重要的控制和保护设备之一，其运行可靠性直接影响电力系统能否稳定运行。因此，对高压断路器进行状态监测以及时发现其故障是目前的研究热点之一。

过去，高压断路器运维常采取事故检修或定时检修的方式，显然这两种方式存在一定的局限性。事故检修即在故障发生后进行检修，无法有效避免事故的发生;定时检修即固定时间间隔的检修，常常因此反而导致断路器的损坏。因此，发展断路器的在线监测技术及在线故障诊断方法是十分必要的。

高压断路器动作时的振动信号包含了丰富的信息，学者们对基于振动信号的断路器故障诊断方法已经进行了大量研究。首先是断路器振动信号的处理方面，经验模态分解（EMD）[1]、小波变换[2]、S变换[3]等都是断路器振动信号的常用处理方法，可以有效反映信号的暂态特性，但EMD存在模态混叠问题，小波基函数的选取需要一定的经验。在特征提取方面，动作时间、振动幅值、能量、熵、高阶统计参数[4-5]等是常见的特征参数，可以有效反映高压断路器的铁芯卡涩、螺丝松动等问题，但特征重复性还有待提高。在故障诊断方面，神经网络[6]、支持向量机[7]等模型均在高压断路器的故障诊断中得到了应用，并取得了较好的诊断效果。

为进一步挖掘高压断路器振动信号所包含的状态信息，提高故障诊断准确率，本文提出了一种基于变分模态分解的振动信号处理与特征挖掘方法，并采用机器学习算法对振动特征进行分类，验证了所提方法的有效性。

1    高压断路器故障诊断原理

拒动和误动是高压断路器的主要故障，机械结构的变形、移位或断裂均有可能导致断路器拒动，而二次回路故障和操作机构故障是导致断路器误动的主要原因。以上这些缺陷在断路器振动信号中均有所体现。典型的断路器振动信号波形图如图1所示，图中高压断路器动作时间节点如表1所示。

由图1和表1可知，高压断路器的振动信号包含了各零部件的动作时间信息，当各部件动作异常或发生卡涩拒动等情况时可以在振动信号中有所体现。此外，根据振动的时域波形还可以进一步得到信号的幅值以及频率，这些信息进一步反映了断路器的机械状态信息，当断路器结构变形损坏或触头烧毁时，振动信号的幅值和频率均会有所变化，因此，可以根据振动信号的时频信息来实现高压断路器的故障诊断。

2    高压断路器振动信号处理

2.1    变分模态分解原理

高压断路器的振动信号可以看作是由多个呈指数衰减的正弦信号叠加而成，为研究高压断路器的时频特性，生成仿真振动信号如图2所示。

对于振动信号或声学信号的分类，现在一般采用时频图结合卷积神经网络的方式，但对于高压断路器的振动信号，其时频图是稀疏的，直接作为训练样本将导致训练时间过长，因此可以对其进行压缩或降维。为此，可采用变分模态分解（VMD）对其进行处理[8]。

VMD可以将一个复杂的信号分解成为多个本征模态分量，并使得这些分量的带宽之和最小。VMD的模型如下：

?tδ（t）+

×uk（t）e

（1）

s.t.uk=x（t）（2）

uk即本征模态分量，它具有如下形式：

uk（t）=Ak（t）cos[φ（t）]（3）

式中：Ak（t）为瞬时幅值;φ（t）为瞬时频率。

式（1）所表达的含义为对本征模态分量进行希尔伯特变换，得到解析信号，并通过加入e将频谱调制到相应的基频带。然后上述解调信号梯度的L2范数，并使得各模态的带宽之和最小。式（2）即满足的约束为各本征模态分量之和和原始信号x（t）相等。

VMD通过构造增广拉格朗日函数并结合乘法算子交替方向法求解上述约束问题，最终得到各本征模态分量uk以及对应的中心频率ωk。

2.2    模态个数选取

分解个数k的选取对分解结果具有较大的影响，既要信号充分分解，又要使得分解后的信号完整保留原始信号的信息，因此根据高压断路器的振动特点，本文提出了一种分解模态个数k的确定方法。

首先要保证分解后的信号完整保留了原始信号的信息，可以计算分解重构信号r与原始信号x的归一化距离[9]，表达式如下：

d=（4）

选取k=1～15，计算图2所示仿真信号与分解重构信号的归一化距离如图3所示。

当分解个数达到5个时，重构信号与原始信号已经几乎没有差别，因此选择分解个数k≥5是比较合适的。为防止过度分解，本文采用模态重复系數[10]来进一步确定k的取值。

模态重复系数c定义为：

c=（5）

如图4所示，当分解个数超过5个时，模态便发生了重叠现象，此时模态重复系数明显升高，因此分解个数k应当小于等于5。综上，对于该仿真信号，可以选择模态个数为5。

在处理实测信号时，可能存在多个数值满足重复系数和归一化距离，此时应尽量选取较大的数值。若重复系数取值小于归一化距离取值，则应按照归一化距离的计算结果进行取值，并对重复模态进行合并。选取k为5时，图2所示的仿真振动信号分解结果如图5所示。

从分解结果可以看出，各模态之间没有发生混叠重复现象，表明所采用的分解方法及分解个数选取方法是合理有效的。

2.3    特征参数提取

振动信号经模态分解后得到了多个本征模态分量，实现了对信号时频信息的初步压缩提取，但此时数据量仍然较大，为进一步实现数据压缩并提取状态信息，本文采用奇异值分解的方式。

对于一个矩阵A，必定存在两个正交的矩阵U、V以及一个对角矩阵Σ满足：

A=UΣVT（6）

Σ=diag（λ1，λ2，…，λr）（7）

λ即矩阵A的奇异值，并且λ1≥λ2≥…≥λn，数值越大包含的信息也就越多。为充分体现振动信号的时频特性，这里对本征模态分量进行时间上的分割[11]，以仿真信号为例，模态分解后得到5×2 048的矩阵，将其在时域上平均分割为32个矩阵，即5×64×32，计算每个小矩阵的奇异值且只保留最大值，得到32个最大奇异值，将其视作特征信号的特征向量。图2仿真信号的特征向量如图6所示。

3    高压断路器故障诊断

对高压断路器进行故障模拟得到了正常状态、铁芯卡涩、基座螺丝松动、拐臂润滑不良4种状态下共40组振动信号，首先采用归一化距离和模态重复系数确定分解层数，以正常状态为例，结果如图7所示。

综合二者来看，当k取7时重构信号与原始信号已经几乎一致，且此时没有发生模态重叠现象，因此选取分解个数为7。对各组信号进行特征提取，结果如图8所示。

结果表明，相同状态下，振动信号特征向量具有较好的重复性，不同状态下振动特征向量具有较大的差异性，可以满足状态分类的需求。

基于Matlab的机器学习工具箱，采用不同的故障诊断方法对振动信号进行分类，特征数为32，数据集共40组，选择5组数据用作交叉验证，分类准确率如表2所示。

结果表明，采用当前特征数据时，常用的分类方法均能取得较高的分类准确率，这就验证了本文所提故障诊断特征的有效性。

4    结语

本文提出采用变分模态分解对高压断路器振动信号进行处理，采用归一化距离和模态重复系数结合的方式确定分解模态个数，并采用奇异值分解提取状态特征。机器学习工具箱分类结果表明，所提特征和方法可以有效实现高压断路器的状态分类。

[参考文献]

[1] 孙抗，刘永超.基于EEMD和马氏距离的高压断路器机械故障诊断研究[J].高压电器，2018，54（12）：43-49.

[2] 王俊波，武利会，罗容波，等.基于小波变换—振动起始时刻分析的高压断路器故障诊断方法[J].高压电器，2020，56（6）：211-217.

[3] 黄南天，陈怀金，林琳，等.基于S变换和极限学习机的高压断路器机械故障诊断[J].高压电器，2018，54（6）：74-80.

[4] 万书亭，马晓棣，陈磊，等.基于振动信号短时能熵比与DTW的高压断路器状态评估及故障诊断[J].高电压技术，2020，46（12）：4249-4257.

[5] 杨秋玉，阮江军，黄道春，等.基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断[J].电机与控制学报，2020，24（3）：11-19.

[6] 陈欣昌，冯玎，林圣.基于深度自编码网络的高压断路器操作机构机械故障诊断方法[J].高电压技术，2020，46（9）：3080-3088.

[7] 邵阳，武建文，马速良，等.用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法[J].中国电机工程学报，2021，41（8）：2890-2900.

[8] ZOSSO D，DRAGOMIRETSKIY K.Variational mode decomposition[J].IEEE Transactions on Signal Processing，2013，62（3）：531-544.

[9] HUANG N T，CHEN H J，CAI G，et al.Mechanical fault diagnosis of high voltage circuit breakers based on variational mode decomposition and multi-layer classifier[J].Sensors，2016，16（11）：1887.

[10] 殷紅，董康立，彭珍瑞.基于VMD-SSI的结构模态参数识别[J].振动与冲击，2020，39（10）：81-91.

[11] 陈怀金.基于振动分析的高压断路器机械故障诊断研究[D].吉林：东北电力大学，2017.

收稿日期：2022-01-10

作者简介：邹宇（1983—），男，江苏南京人，高级工程师，主要从事电力工程施工管理工作。