CN103487749A - 高压断路器机械状态在线监测诊断系统及方法 - Google Patents

Abstract

本发明公开了一种高压断路器机械状态在线监测诊断系统，包括设置于高压断路器本体上以及开关操作机构箱内能够获取反映设备运行状况的多路传感器，多路传感器通过线路与信号调理装置相连，信号调理装置通过线路与在线监测服务器相连。在线监测服务器包括数据采集模块，数据采集模块分别与网络传输模块、数据存储模块、数据分析模块和报表打印模块通信，数据存数模块分别与报表打印模块、数据分析模块和数据检索模块通信，数据分析模块分别与数据存储模块和报表打印模块相连。本发明同时还公开了利用该系的监测诊断方法。本发明能够有效诊断高压断路器的机械故障，具有非常优异的故障分类功能。

Description

高压断路器机械状态在线监测诊断系统及方法

技术领域

本发明涉及一种高压断路器机械状态在线监测诊断系统及方法。

背景技术

近年来，随着经济的繁荣发展，电力系统容量与能量的需求都随之增加，对电力系统的可靠性和经济性提出了越来越高的要求。高压断路器作为发电和用电之间的联系环节，其可靠运行对于保证电网的安全意义重大。高压断路器在电力系统中起着两方面的作用：一是控制作用，即根据电网运行要求，将一部分电气设备或线路投入或退出运行状态，转为备用或检修状态；二是保护作用，即电气设备或线路发生故障时，通过继电保护及自动装置动作高压断路器，将故障部分从电网中迅速切除，保护电网的无故障部分得以正常运行。

目前，我国电气设备的检修工作主要是按照《电气设备预防性试验规程》的要求定期进行预防性试验，根据试验的结果来判断设备的运行状态，从而确定是否可以继续运行。但随着电力系统的大容量化、高压化和结构复杂化，随着工农业生产的发展和用电部门重要性的提高，对电力系统安全可靠性指标的要求也越来越高，这种传统的试验与诊断方法已越来越不适应需要。目前比较保守的计划检修中，时常发生许多部件运行很多年后更新时仍保持性能良好的情况，而由于没有及时发现某一部件出现缺陷而导致电网事故的情况也时有发生。因此如果能够了解设备的状态，减少过早或不必要的停电试验和检修，做到应修则修，就可以显著提高电力系统的可靠性和经济性。

断路器状态监测为实现由计划检修到状态检修的转变创造了条件。长期以来的计划检修、盲目解体拆卸，浪费了大量的人力、物力和财力，同时也造成了停电损失和设备寿命的降低。目前，电力系统各个运行单位正致力于高压断路器由计划检修到状态检修的转变，不再以投入年限和动作次数作为衡量标准，而是以设备的实际状态为维修依据。

随着传感技术、微电子、计算机软硬件和数字信号处理技术、人工神经网络、专家系统、模糊集理论等综合智能系统在状态监测及故障诊断中的应用，使对电气设备的运行状态进行在线监测已经成为可能。这种方法能够及时发现设备的缺陷，降低事故的发生率，减少设备预防性试验和检修的工作量及停电次数。因此为了确保高压断路器的安全运行和提高电力系统运行的可靠性，以在线监测为依据的状态维修逐步取代以预防性试验为依据的预测维修，或者弥补预防性试验的不足，延长预测维修的周期，这无论在理论和实用上都具有重大的技术经济价值。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种高压断路器机械状态在线监测诊断系统及方法。

为实现上述目的，本发明采用下述技术方案：

一种高压断路器机械状态在线监测诊断系统，包括设置于高压断路器本体上以及开关操作机构箱内能够获取反映设备运行状况的多路传感器，多路传感器通过线路与信号调理装置相连，信号调理装置通过线路与在线监测服务器相连。

所述在线监测服务器包括数据采集模块，数据采集模块分别与网络传输模块、数据存储模块、数据分析模块和报表打印模块通信，数据存数模块分别与报表打印模块、数据分析模块和数据检索模块通信，数据分析模块分别与数据存储模块和报表打印模块相连，数据采集模块通过网络传输模块与客户端通信。

所述多路传感器包括振动信号监测传感器、行程—时间监测传感器、合(分)闸线圈电流在线监测传感器和主操作杆上机械负载特性在线监测传感器。

所述振动信号监测传感器安装于高压断路器外部。

所述行程—时间监测传感器为安装在高压断路器直线运动部件上的光电式位移传感器。

所述合（分)闸线圈电流在线监测传感器为补偿式霍尔电流传感器。

所述在线检测服务器放置在变电站控制室内，且在线检测服务器内嵌入数据采集系统。

所述在线监测服务器通过网络与远程监测客户端相连，远程监测客户端放置于远程电力调度中心内，安装有在线监测客户端程序，并能通过网络实时接收在线监测服务器发送的监测数据。

一种高压断路器机械状态在线监测诊断方法，包括：

1）通过高压断路器本体上以及开关操作机构箱内的多路传感器采集信号；

2）多路传感器采集的信号经信号调理装置传输至在线监测服务器；

3）由在线监测服务器完成监测数据的采集、数字信号分析处理、故障诊断和数据存储，并将监测结果通过网络实时发布；

4)远程电力调度中心或其它监测中心的客户端计算机从网络上接收相应的在线监测服务器发布的监测数据，实现远程在线监测和网络化故障诊断。

所述步骤3）中的数字信号分析处理为：应用信号分析和处理技术对采集到的数据进行处理，即平均技术与数字滤波，并对信号进行时域和频域的分析以提取被测信号的特征量，即平均值、峰值、谷值、时间间隔、特征频率和能量密度；采用现代数字信号处理方法，即小波变换和模糊分析，提取各种机械故障模式的特征以描述高压断路器的正常和异常机械性能。

所述步骤3）中的故障诊断采用基于隐马尔可夫模型的高压断路器机械故障诊断方法，即，提取待诊断数据组的特征向量，由Viterbi算法计算所述特征向量在各个隐马尔可夫模型下的输出概率值P(D|λ_k)，选取其中输出概率值最大的隐马尔可夫模型对应的故障类型，作为此时的机械状态。

所述隐马尔可夫模型用下列参数描述：

(a)N：模型中Markov链状态数目，记N个状态为θ₁,θ₂,L,θ_N，记t时刻Markov链所处状态为q_t，显然q_t∈(θ₁,θ₂,L,θ_N)；

(b)M：每个状态对应的可能的观察值数目，记M个观察值为V₁,V₂,L,V_M，记t时刻观察值为O_t，其中O_t∈(V₁,V₂,L,V_M)；

(c)π：初始状态概率矢量π＝(π₁,π₂,L,π_N)，其中，

π_i＝P(q₁＝θ_i),1≤i≤N

(d)A：状态转移概率矩阵A＝(ai_j)_N×N，其中

ai_j＝P(q_t+1＝θ_j|q_t＝θ_i),1≤i,j≤N

(e)B：观察值概率矩阵B＝(b_jk)_N×M，其中

b_jk＝P(O_t＝V_k|q_t＝θ_j),1≤j≤N,1≤k≤M

可以记一个隐马尔可夫模型为λ＝(N,M,π,A,B)，或简写为λ＝(π,A,B)，即隐马尔可夫模型可分为两部分，一个是Markov链，由π、A描述，产生的输出为状态序列；另一个是由矩阵B描述的随机过程，产生的输出为观察值序列。

所述提取待诊断数据组的特征向量，包括功率谱的区间化、归一化和矢量量化处理，以获得一长度为n，1≤n＜∞，的离散观测向量：

（a）功率谱的区间化，设振动信号的采样频率为f_s，则求取的功率谱密度PSD(ω)在[0,f_s/2]区间内，将此区间划分为n段，并求取每一频段内的离散频谱b_i：

$b_i=\underset{{\mathrm{bl}}_i}{\overset{{\mathrm{bh}}_i}{\mathrm{\Σ}}}\mathrm{PSD}\left(\mathrm{\ω}\right),0\≤i\≤n$

其中bl_i与bh_i为第i个频段的上、下限截至频率；

（b）功率谱的归一化，对求取的离散频谱{b_i|i＝1,2L,n}作归一化处理后，得到归一化的离散谱矢量

便于作进一步量化处理；

（c）离散谱的矢量量化，采用信源编码技术Lloyds算法，生成隐马尔可夫模型所要求的观测向量码本，实现矢量量化过程；

针对振动信号的归一化离散谱矢量将[0，1]区间等分为N个区域，并按升序排列，将信号N个相邻区域映射为N个离散值，选取每个区域的索引值作为矢量量化值，即：

$d_i=\left\{\begin{array}{cc}1& \stackrel{\&OverBar;}{b_i}\&le;\frac{1}{N}\\ j+1& \frac{j}{N}<\stackrel{\&OverBar;}{b_i}\&le;\frac{j+1}{N},1\&le;j\&le;N-1\end{array}\right.$

由此，获得离散观测向量{d_i|i＝1,2L,n}，将其作为特征向量参于隐马尔可夫模型训练，利用隐马尔可夫模型的模式分类能力继而实现高压断路器的机械故障诊断。

所述Viterbi算法为：给定一个观察值序列O=(O₁，O₂，…，O_t)以及一个模型λ＝(π,A,B)，确定一个最优状态序列Q=(q₁，q₂，…，q_t)，使P(O|λ)最大。

所述隐马尔可夫模型为，根据待诊断数据组的特征向量，针对每一组监测数据提取n维特征向量{d_i|i＝1,2L,n}；将某一特定机械状态，即正常状态和多种故障状态下的多组数据构成隐马尔可夫模型训练样本集，通过Baum-Welch算法训练得到各种故障类型的隐马尔可夫模型模型，记为λ_k，从而建立包含M种机械状态的隐马尔可夫模型库。

所述Baum-Welch算法为：解决隐马尔可夫模型的训练，即隐马尔可夫模型的参数估计问题，给定一个观察值序列O=(O₁，O₂，…，O_t)，确定一个模型λ＝(π,A,B)，使P(O|λ)最大。

本发明的有益效果是，本发明公开了一种基于隐马尔可夫模型的高压断路器机械故障诊断新策略。采用功率谱区间化、归一化和矢量量化处理，建立了一种振动信号离散谱的特征向量提取方法，可最大限度地包含各种机械状态模式的特征信息和差异，能较好满足隐马尔可夫模型的样本训练需求。利用实验室模拟和现场测试数据，训练建立了高压断路器机械状态的隐马尔可夫模型标准模式库。本发明能够有效诊断高压断路器的机械故障，具有非常优异的故障分类功能。

为高压断路器的现场监测工作提供了一整套集成化、网络化、智能化的远程监测和故障诊断综合分析系统。本发明与传统的检修技术相比，其对于确定高压断路器的实际运行状态、合理安排维修周期，以控制过剩维修而造成的费用增加，防止不足维修而导致的故障发生，对防止预伏性故障和保证电力系统安全、经济与可靠运行，具有重要意义。

附图说明

图1是本发明所采用的高压断路器机械性能综合故障诊断决策树；

图2是高压断路器机械性能综合故障诊断系统的总体结构图；

图3是系统总体模块结构图；

图4是典型振动信号的功率谱密度分布图；

图5是OLTC典型振动信号的归一化离散特征谱图；

图6是高压断路器振动信号的量化离散特征谱；

图7是高压断路器机械故障诊断系统的原理框图；

图8是机座松动故障时提取的典型特征向量图；

图9是各种状态模式的隐马尔可夫模型训练曲线图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

1.高压断路器机械状态监测的综合信号传感方法

准确而有效的信号传感方法是在线监测与故障诊断技术的基础。断路器的操作过程对应着一系列的机构动作和碰撞过程，能够产生连续的振动信号，信号中必然包含了操作过程的丰富信息；因此，断路器机械性能和异常可通过监测振动事件及其变化而获取。为使得机械状态特征的提取多样化并更加有效，应同时获取反映设备运行状况的多路传感信号——机械振动信号、行程-时间监测信号、合(分)闸线圈电流信号与主操作杆上机械负载特性监测信号。

（1）振动信号监测

机械振动是一个丰富的信息载体，它包含着大量的设备状态信息。机座、外壳上的振动是内部多种受激的反应，这些受激包括机械操作、电动力或静电力作用、局部放电以及SF₆气体中的微粒运动等。通过适当的检测和信号处理可找到某些特定现象的状态信息。因此利用振动检测来诊断高压断路器机械系统状态已受到国内、外重视。振动信号监测的最大优点是不涉及电气量，传感器安装在外部，对断路器本身无任何影响。

（2）行程一时间监测

高压断路器的行程一时间特性是表征高压断路器机械特性的重要参数，也是计算高压断路器分、合闸速度的依据。高压断路器分、合闸速度，尤其是断路器合闸前、分闸后的动触头速度，对断路器的开断性能有至关重要的影响。高压断路器动触头速度的测量，主要是通过测量动触头的行程一时间关系，然后经过计算得到动触头的速度等参数。因此，高压断路器的行程一时间特性监测，是高压断路器在线监测的重要内容。测量高压断路器的行程时间特性，采用光电式位移传感器与相应的测量电路配合进行，将直线光电编码器安装在断路器直线运动部件上，通过传感器测量断路器分(合)闸动作时动触头的运动信号波形。

（3）合(分)闸线圈电流在线监测

高压断路器一般都以电磁铁作为操作的第一级控制元件，操动机构中使用的绝大部分是直流电磁铁。当线圈中通过电流时，在电磁铁内产生磁通，动铁心受磁力吸引，使断路器分闸或合闸，从能量角度看，电磁铁的作用是把来自电源的电能转化为磁能，并通过动铁心的动作，再转换成机械功输出。合(分)闸线圈的电流中含有作为诊断机械故障用的丰富信息，选用补偿式霍尔电流传感器监测电流信号。对线圈电流的监测主要是提取事件发生的相对时刻，根据时间间隔来判断故障征兆，对于诊断拒动、误动故障有效。

（4）主操作杆上机械负载特性的在线监测

监测主操作杆上机械负载特性，可以提供开关刚分(合)的时刻、触头接触压力，还可以反映连杆松动、断裂、卡死以及机械负载特性与机构输出特性之间的配合情况。

2.高压断路器机械状态监测数据采集系统

针对上述的实现高压断路器在线监测的4种传感信号，需要采用先进快速的数据采集装置完成断路器动作信号的同步记录。开发了基于LabVIEW和虚拟仪器的数据计算、分析与处理系统，还包括数据采集的设计等。

传感测量装置安装在断路器本体以及开关操动机构箱内，主要包括上述四类测量传感器。信号调理电气柜安放在距离断路器4～6米的范围内，内装有隔离变压器，以及信号放大、滤波等信号调理装置。

在线监测服务器放置在变电站控制室内，并嵌入数据采集系统，选用美国NI公司生产的数据采集卡完成测量信号的A/D转换与数字信号采集。在线监测服务器安装有独立的服务器端，并与网络相连接，通过网络实时发布现场监测数据与诊断结果。远程监测客户端计算机放置于远程电力调度中心内，并能通过网络实时接收在线监测服务器发送的监测数据。

在线监测系统工作时，通过传感测量装置获取多路监测信号，在信号调理柜内完成信号的放大、滤波等信号调理工作后，传送至现场在线监测服务器，由服务器完成监测数据的采集、数字信号分析处理、故障诊断、数据存储等工作，并将监测结果通过网络实时发布，远程电力调度中心或其它监测中心的客户端计算机可以从网络上接收到相应的监测数据，实现远程在线监测和网络化故障诊断功能。

3.高压断路器机械状态监测信号处理和故障诊断方法的采用

由于高压断路器的结构较为复杂，导致振动波在断路器中的传播过程也很复杂，存在的多个边界、多个传播途径、多种传播介质，使得振动波的衰减、折射、反射和散射等过程相互叠加，很难在数学上精确描述。而运用数字信号处理、模式识别等方法，可以方便地从振动信号中提取有用信息，用于断路器的故障诊断中。

（1）数据处理方法。应用信号分析和处理技术对采集到的数据进行处理（平均技术与数字滤波等），并对信号进行时域和频域的分析以提取被测信号的特征量（平均值、峰值、谷值、时间间隔、特征频率、能量密度等）。这里采用现代数字信号处理方法，如小波变换和模糊分析等，提取各种机械故障模式的特征以描述高压断路器的正常和异常机械性能。

（2）故障诊断方法。故障诊断所用的参数有数据和图形两种，诊断方法包括比较法、模式识别法和专家系统法等。模式识别是基于距离、人工神经网络和分形特征的几类方法。专家系统法是基于专家经验和实测数据相结合的推理系统。本发明构建了高压断路器机械性能综合故障诊断专家系统，并将有关算法集成到综合分析系统中。附图1所示为本发明所采用的高压断路器机械性能综合故障诊断决策树。附图2所示为高压断路器机械性能综合故障诊断系统的总体结构。

4.综合式网络化的“高压断路器机械性能的在线监测与故障诊断系统”

为实现在线监测的自动化和故障诊断的智能化，需将上述信号处理和故障诊断方法汇聚在一个集成环境下，这样开发具有丰富处理功能和良好用户界面的综合分析系统势在必然。应用虚拟仪器技术，采用图形化编程语言LabVIEW作为系统开发平台，构建在线监测和故障诊断的综合分析系统。该系统能实现数据采集、分析、存储、检索、打印以及网络传输等丰富功能，从而形成一套功能完备的综合式网络化的“高压断路器机械性能的在线监测与故障诊断系统”。

高压断路器机械性能在线监测与故障诊断系统分为服务器端与客户端两部分，分别安装于现场数据采集服务器与远程监测客户端，两者的根本区别在于数据来源不同，即服务器端数据直接来源于现场安装的监测传感器所采集的信息，而客户端数据来源于由网络传输的服务器端所采集数据。

根据需求分析，明确本系统设计目标及实现功能，将服务器端划分为数据采集、网络传输、数据分析、数据存储、数据检索及报表打印等六大基本模块。各模块之间即相对独立又互相联系，利用数据流作为系统运行流程的驱动，附图3所示为系统总体模块结构图。

作为数据流驱动，数据采集模块是整个系统的发起者、数据的来源，也是系统的接口部分，在整个系统中处于重要的地位。数据采集是LabVIEW的核心技术之一。待监测模拟信号由数据采集模块转换为数字信号后采入计算机系统内，即可作为系统继续运行所必须的原始数据传递给系统的其他模块。

网络传输模块接收到数据采集模块采集的原始数据后，即启动网络传输功能，将原始数据通过互联网高速实时发布，装有客户端的计算机即可实现远程数据采集功能。网络传输利用NI公司提供的DataSocket技术，通过计算机网络向多个远程终端同时广播现场的测量数据。DataSocket技术专门为满足测试与自动化的需求而设计，以自己特有编码格式传输各种类型的数据，还可以在现场数据和用户属性之间建立联系一起传输。

数据分析模块针对原始数据进行分析计算，并根据所得各项指标给出综合的故障诊断结果，因此在整个监测与诊断系统中处于核心地位。该模块集合了此系统所涉及的绝大多数数学分析与数字信号处理等数学功能，完成分析与诊断算法的实现。数据分析模块输入原始监测数据进行分析计算后，输出分析计算结果，将作为数据存储及报表打印模块的输入数据。数据分析模块的设计是整个系统设计的最重要的环节，关系到系统设计目标及功能能否正确实现。LabVIEW自身集成了丰富而功能强大的数学工具，这些工具涵盖了线性代数、概率统计、最优化、曲线拟合、微积分等方面的应用，提供了极大的方便。与此同时，LabVIEW自身还提供了与Visual C++、Matlab的丰富接口功能，针对前述研究内容中提出的综合分析与故障诊断算法在Matlab中已实现，可以方便的向在线监测系统中移植。

数据存储模块将接收到的原始监测数据及相应的分析计算结果存入实时数据库中，针对每一次监测数据及相应的分析结果建立一条记录，方便数据的管理与查询。利用数据访问技术，可创建一个使用数据库来管理复杂测试任务、存储测试数据并且能够总结测试结果的自动测试系统。

数据检索模块提供方便的实时查询功能，可任意查询已记录在数据库中的某次历史事件的原始数据及相应的分析计算结果，便于监测工作与实验研究的开展。除此之外，数据检索模块还提供了针对重要监测指标的数据变化趋势查询，运行人员可观测出断路器工作状态的变化趋势，直观的对运行状态作出评价。

报表打印是测控系统普遍要求的一项基本功能，便于监测资料以纸质媒介的形式存档及流通。报表打印模块针对接收到的原始监测数据及相应的分析计算结果提供实时打印功能，即针对当次监测记录进行打印。除此之外，报表打印模块还可由数据库中检索出相应的历史记录进行打印。

上述六大基本模块为针对服务器端系统而划分，在客户端系统设计中，将数据采集与网络传输模块合并为一个基本模块，即将所接收的服务器端远程传输的原始数据作为客户端分析与计算所使用的原始数据，在用户角度上看客户端与服务器端的数据来源无任何区别，实际上实现了客户端的远程数据采集。客户端系统的数据分析、数据存储、数据检索及报表打印等其他四大基本模块与服务器端系统基本相同。由于系统的模块化设计以及LabVIEW自身具备的丰富接口功能，为在线监测系统的完善以及新监测诊断算法的应用提供了良好的扩展空间。

5.基于隐马尔可夫模型的高压断路器机械故障诊断方法

（1）隐马尔可夫模型的基本算法

隐马尔可夫模型是一个双重随机过程，其中之一是马尔科夫链，描述状态之间的转移；另一个随机过程是描述状态和观测值之间的统计对应关系。在实际应用中需要解决三个基本问题，相应的采用三种较成熟的算法，即前向—后向算法、Viterbi算法、Baum-Welch算法。

（a）前向—后向算法：给定一个观察值序列O＝(O₁，O₂，…，O_t)以及一个模型λ＝(π,A,B)，计算由模型λ产生出O的概率P(O|λ)。

（b）Viterbi算法：给定一个观察值序列O＝(O₁，O₂，…，O_t)以及一个模型λ＝(π,A,B)，确定一个最优状态序列Q＝(q₁,q₂,L,q_T)，使P(O|λ)最大。

（c）Baum-Welch算法：解决隐马尔可夫模型的训练，即隐马尔可夫模型的参数估计问题，给定一个观察值序列O=(O₁，O₂，…，O_t)，确定一个模型λ＝(π,A,B)，使P（O|λ)最大。

（2）高压断路器振动信号的特征提取方法

机器设备故障的发生、发展，通常会引起振动信号频率的变化，主要表现为增生新的频率成分以及原有频率的幅值增长。因此，频域分析是机械故障诊断中的一项重要手段。为研究高压断路器振动信号的功率谱分布，并突出信号频谱图中的主频率成分，可对其作功率谱分析。附图4所示为典型振动信号的功率谱密度分布图。

为满足隐马尔可夫模型训练的要求，需要对求取的振动信号功率谱密度作一定处理。为此，本发明建立了下述的信号特征提取方法，包括功率谱的区间化、归一化和矢量量化处理，以获得一长度为n的离散观测向量：

（a）功率谱的区间化。设信号的采样频率为f_s，则求取的功率谱密度PSD(ω)在[0,f_s/2]区间内，将此区间划分为n段，并求取每一频段内的离散频谱：

$b_i=\underset{{\mathrm{bl}}_i}{\overset{{\mathrm{bh}}_i}{\mathrm{\&Sigma;}}}\mathrm{PSD}\left(\mathrm{\&omega;}\right),0\&le;i\&le;n$

其中bl_i与bh_i为第i个频段的上、下限截至频率。

本发明开展的高压断路器振动信号测试研究中，采样频率为10kHz，通过分析信号的频谱分布特点，将[0,5kHz]区间划分为12个特征频段，具有低频窄、高频宽的特点，具体的区间划分为：0～250Hz、250～500Hz、500～800Hz、800～1100Hz、1100～1400Hz、1400～1800Hz、1800～2200Hz、2200～2700Hz、2700～3200Hz、3200～3800Hz、3800～4400Hz、4400～5000Hz。

（b）功率谱的归一化。对求取的离散频谱{b_i|i＝1,2L,n}作归一化处理后，可得到归一化的离散谱矢量

便于作进一步量化处理。附图5所示为OLTC典型振动信号的归一化离散特征谱。

（c）离散谱的矢量量化。由于离散隐马尔可夫模型要求观测向量中所有元素必须在一个有限离散符号集内，因此需要对归一化后的离散谱做进一步的量化处理。采用信源编码技术Lloyds算法，可以生成隐马尔可夫模型所要求的观测向量码本，实现矢量量化过程。

针对振动信号的归一化离散谱矢量

将[0，1]区间等分为N个区域，并按升序排列，将信号N个相邻区域映射为N个离散值，选取每个区域的索引值作为矢量量化值，即：

$d_i=\left\{\begin{array}{cc}1& \stackrel{\&OverBar;}{b_i}\&le;\frac{1}{N}\\ j+1& \frac{j}{N}<\stackrel{\&OverBar;}{b_i}\&le;\frac{j+1}{N},1\&le;j\&le;N-1\end{array}\right.$

附图6所示为高压断路器振动信号的量化离散特征谱，其中，量化过程中码本长度N选取为40。由此，可获得离散观测向量{d_i|i＝1,2L,n}，将其作为特征向量参于隐马尔可夫模型训练，利用隐马尔可夫模型的模式分类能力继而实现高压断路器的机械故障诊断。

（3）基于隐马尔可夫模型的高压断路器机械故障诊断方法

由上述的振动信号特征提取方法，可针对每一组监测数据提取n维特征向量{d_i|i=1,2L,n}。将某一特定机械状态（包括正常状态和多种故障状态）下的多组数据构成隐马尔可夫模型训练样本集，通过Baum-Welch算法训练可得到各种故障类型的隐马尔可夫模型模型，记为λ_k，从而建立包含M种机械状态的隐马尔可夫模型库。由此，可建立如下的故障诊断方法：提取待诊断数据组的特征向量，由Viterbi算法计算特征向量在各个HMM模型下的输出概率值P(D|λ_k)，选取其中输出概率值最大的模型对应的故障类型，作为此时的机械状态。附图7所示为高压断路器机械故障诊断系统的原理框图。

（4）实验研究和应用分析

针对高压断路器的机械操作过程，本发明开展了大量的实验室故障模拟和现场测试应用研究。试验数据来源于利用加速度传感器拾取的高压断路器多次切换过程的机械振动信号波形，分别对应于四种运行状态，即正常运行状态以及三种主要故障状态：弹簧松动、触头磨损、机座松动。每种状态分别采集60组试验数据样本，其中20组数据应用于隐马尔可夫模型训练，另外40组用于故障模式诊断，以验证诊断方法的有效性。

首先，应用上述振动信号特征提取方法，对每一组数据样本提取相应的12维特征向量D＝{d_i|i＝1,2L,12}，用于隐马尔可夫模型训练。高压断路器不同运行状态下的特征向量模式存在较明显的差异，例如，附图8所示为机座松动故障时提取的典型特征向量，与附图6所示的正常运行时的特征向量相比，第7维的值d₇有明显的差异。

针对四种高压断路器状态模式的隐马尔可夫模型，分别应用20组标准样本进行训练，附图9所示为各种状态模式的隐马尔可夫模型训练曲线。为避免计算得到的概率值P(D|λ_k)过小，图中纵坐标采用对数似然概率值log(P(D|λ_k))表示。由附图9可以看出，随着迭代次数的增加，四种状态模式的概率值逐渐收敛，并且迭代次数较少，都在50步之内，表现出隐马尔可夫模型具有较强的学习能力。

基于试验数据，对四种模式的隐马尔可夫模型训练结束后，可相应建立包含四种高压断路器机械状态的隐马尔可夫模型标准模式库。选取任一实际状态模式的典型振动信号特征向量，输入到已建立好的隐马尔可夫模型标准模式库中进行测试，可得到表1所示以对数似然概率值表示的测试结果。可以看出，每种实际状态相对于同种隐马尔可夫模型标准模式的输出概率值较大，且接近训练好的隐马尔可夫模型收敛值（见图8）。例如，对于实际触头磨损状态的特征向量，表1中列出其输入到四种隐马尔可夫模型标准模式的概率计算值分别为：-53.78、-67.91、-29.26、-83.64，可明显看出，其对应隐马尔可夫模型触头磨损标准模式的输出概率值最大（-29.26）。由此可见，训练好的隐马尔可夫模型标准模式具有良好的故障分类功能。

表1隐马尔可夫模型分类功能测试

更进一步，分别将试验采集（模拟实验和现场测试）的四种模式下的各40组振动测试样本，利用已训练建立的隐马尔可夫模型标准库进行分类测试。表2为分类结果的统计分析，平均分类成功率达到了约95%，表明本发明建立的基于隐马尔可夫模型的高压断路器机械故障诊断方法是切实有效的，具有非常优异的故障分类性能。

表2隐马尔可夫模型分类结果统计分析

上述的机械故障诊断方法，已经成功实验性应用于多个110kV和220kV变电站的高压断路器中，实现对其机械状态的在线监测和故障诊断。实际上，这种基于隐马尔可夫模型的故障诊断方法还具有良好的可扩展性，每当在现场测试采集到新的机械状态模式数据时，即可利用这些新的样本进行训练以获得新的隐马尔可夫诊断模型，实现隐马尔可夫模型标准模式库的自动更新，可显著提高高压断路器机械故障诊断的成功率。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种高压断路器机械状态在线监测诊断系统，其特征是，包括设置于高压断路器本体上以及开关操作机构箱内能够获取反映设备运行状况的多路传感器，多路传感器通过线路与信号调理装置相连，信号调理装置通过线路与在线监测服务器相连；

所述在线监测服务器包括数据采集模块，数据采集模块分别与网络传输模块、数据存储模块、数据分析模块和报表打印模块通信，数据存数模块分别与报表打印模块、数据分析模块和数据检索模块通信，数据分析模块分别与数据存储模块和报表打印模块相连。

2.如权利要求1所述的系统，其特征是，所述多路传感器包括振动信号监测传感器、行程—时间监测传感器、合/分闸线圈电流在线监测传感器和主操作杆上机械负载特性在线监测传感器。

3.如权利要求1所述的系统，其特征是，所述振动信号监测传感器安装于高压断路器外部；所述行程—时间监测传感器为安装在高压断路器直线运动部件上的光电式位移传感器；所述合/分闸线圈电流在线监测传感器为补偿式霍尔电流传感器。

4.如权利要求1所述的系统，其特征是，所述在线检测服务器放置在变电站控制室内，且在线检测服务器内嵌入数据采集系统。

5.如权利要求1所述的系统，其特征是，所述在线监测服务器通过网络与远程监测客户端相连，远程监测客户端放置于远程电力调度中心内，并能通过网络实时接收在线监测服务器发送的监测数据。

6.一种利用权利要求1所述系统的高压断路器机械状态在线监测诊断方法，其特征是，包括：

1）通过高压断路器本体上以及开关操作机构箱内的多路传感器采集信号；

2）多路传感器采集的信号经信号调理装置传输至在线监测服务器；

3）由在线监测服务器完成监测数据的采集、数字信号分析处理、故障诊断和数据存储，并将监测结果通过网络实时发布；

4)远程电力调度中心或其它监测中心的客户端计算机从网络上接收相应的在线监测服务器发布的监测数据，实现远程在线监测和网络化故障诊断。

7.如权利要求6所述的方法，其特征是，所述步骤3）中的数字信号分析处理为：应用信号分析和处理技术对采集到的数据进行处理，即平均技术与数字滤波，并对信号进行时域和频域的分析以提取被测信号的特征量，即平均值、峰值、谷值、时间间隔、特征频率和能量密度；采用现代数字信号处理方法，即小波变换和模糊分析，提取各种机械故障模式的特征以描述高压断路器的正常和异常机械性能。

8.如权利要求6所述的方法，其特征是，所述步骤3）中的故障诊断采用基于隐马尔可夫模型的高压断路器机械故障诊断方法，即，提取待诊断数据组的特征向量，由Viterbi算法计算所述特征向量在各个隐马尔可夫模型下的输出概率值P(D|λ_k)，选取其中输出概率值最大的隐马尔可夫模型对应的故障类型，作为此时的机械状态。

9.如权利要求8所述的方法，其特征是，所述提取待诊断数据组的特征向量，包括功率谱的区间化、归一化和矢量量化处理，以获得一长度为n，1≤n＜∞，的离散观测向量：

（a）功率谱的区间化，设振动信号的采样频率为f_s，则求取的功率谱密度PSD(ω)在[0,f_s/2]区间内，将此区间划分为n段，并求取每一频段内的离散频谱b_i：

$b_i=\underset{{\mathrm{bl}}_i}{\overset{{\mathrm{bh}}_i}{\mathrm{\&Sigma;}}}\mathrm{PSD}\left(\mathrm{\&omega;}\right),0\&le;i\&le;n$

其中bl_i与bh_i为第i个频段的上、下限截至频率；

（b）功率谱的归一化，对求取的离散频谱{b_i|i＝1,2L,n}作归一化处理后，得到归一化的离散谱矢量

便于作进一步量化处理；

（c）离散谱的矢量量化，采用信源编码技术Lloyds算法，生成隐马尔可夫模型所要求的观测向量码本，实现矢量量化过程；

针对振动信号的归一化离散谱矢量

将[0，1]区间等分为N个区域，并按升序排列，将信号N个相邻区域映射为N个离散值，选取每个区域的索引值作为矢量量化值，即：

$d_i=\left\{\begin{array}{cc}1& \stackrel{\&OverBar;}{b_i}\&le;\frac{1}{N}\\ j+1& \frac{j}{N}<\stackrel{\&OverBar;}{b_i}\&le;\frac{j+1}{N},1\&le;j\&le;N-1\end{array}\right.$

由此，获得离散观测向量{d_i|i＝1,2L,n}，将其作为特征向量参于隐马尔可夫模型训练，利用隐马尔可夫模型的模式分类能力继而实现高压断路器的机械故障诊断。

10.如权利要求9所述的方法，其特征是，所述隐马尔可夫模型为，根据待诊断数据组的特征向量，针对每一组监测数据提取n维特征向量{d_i|i＝1,2L,n}；将某一特定机械状态，即正常状态和多种故障状态下的多组数据构成隐马尔可夫模型训练样本集，通过Baum-Welch算法训练得到各种故障类型的隐马尔可夫模型模型，记为λ_k，从而建立包含M种机械状态的隐马尔可夫模型库。

Images