CN103809115B - 基于振动信号检测的断路器在线监测与故障诊断系统 - Google Patents

Abstract

本发明公开了一种基于振动信号检测的断路器在线监测与故障诊断系统，该系统中的加速度传感器用于采集断路器合闸振动信号，并将振动信号转换成电压信号输出；所述电压信号顺次经电压调理单元、双核处理器、EMD单元、IMF单元后进入SVM单元；依据WCPSO单元输出的优化信息在SVM分析单元中进行SVM性能优化，最后通过监测诊断结果显示单元进行结果输出。本发明系统通过合闸振动信号进行故障状态判断，实现了故障状态分类的功能，能完成故障类型提前预警，提高了断路器的检修效率及配电系统的供电可靠性。

Description

基于振动信号检测的断路器在线监测与故障诊断系统

技术领域

本发明涉及一种适用于断路器的故障诊断系统，更特别地说，是指一种基于振动信号检测的断路器在线监测与故障诊断系统。

背景技术

断路器是配电系统中非常关键的重要设备。随着配电网自动化程度和可靠性要求的提高，对断路器自身的可靠性要求也不断增加。断路器在动作过程中蕴含着很多重要的状态信息，当有故障信息出现时提取故障信号的特征向量是对故障信号进行分析的关键。

目前关于基于振动信号的断路器在线监测与故障诊断的分析方法主要有：小波变换和经验模态分解的方法。小波变换的分析方法主要是针对平稳振动信号，目前国内对于非平稳振动信号应用较多的是经验模态分解的方法（EMD），EMD方法具有自适应性、正交性和完备性及IMF分量的调制特性等突出特点。

发明内容

为了提高诊断的精度和故障分类的准确率，本发明采用基于振动信号采样断路器的故障诊断策略。该系统通过对断路器合闸产生的振动信号进行EMD分解及对IMF能量总量进行分析，通过SVM进行故障状态分类，并采用动态加速常数协同惯性权重系数的粒子群优化（WCPSO）方法优化支持向量机（SVM），从而得到优化的断路器故障状态类型分类。本发明在线监测与故障诊断系统提高了断路器在状态检修方面的效率，节省了断路器在状态检修中的人力、物力、财力。

本发明是一种基于振动信号检测的断路器在线监测与故障诊断系统，该系统包括有加速度传感器（1）、电压调理单元（2）、双核处理器（3）和上位机计算处理模块（4）；

其中，上位机计算处理模块（4）包括有EMD分解单元（41）、IMF计算单元（42）、SVM分析单元（43）、WCPSO优化单元（44）和监测诊断结果显示单元（45）；

加速度传感器（1）一方面用于采集12KV弹簧机构高压断路器的合闸振动信号A_in，另一方面将所述合闸振动信号A_in转换成电压信号V_in输出给电压调理单元（2）；

电压调理单元（2）一方面接收电压信号V_in，另一方面对所述电压信号V_in进行稳压处理，得到稳定的滤波后电压信号V₂₀；该稳定的滤波后电压信号V₂₀输出给双核处理器（3）；

双核处理器（3）一方面用于接收稳定的滤波后电压信号V₂₀，另一方面将所述稳定的滤波后电压信号V₂₀进行模数转换，获得数字量的电压值点V₃₀；所述数字量的电压值点V₃₀输出给上位机计算处理模块（4）中的EMD分解单元（41）；

EMD分解单元（41）一方面用于接收数字量的电压信号V₃₀，另一方面将所述数字量的电压值点V₃₀分解成内禀模态函数V_EMD，所述内禀模态函数V_EMD输出给IMF计算单元（42）；

IMF计算单元（42）一方面接收内禀模态函数V_EMD，另一方面将所述内禀模态函数V_EMD的分量能量总量进行计算，得到内禀模态函数的分量能量总量V_IMF；

SVM分析单元（43）第一方面接收内禀模态函数的分量能量总量V_IMF，第二方面接收WCPSO优化单元（44）输出的动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数OP_PSO，第三方面采用支持向量机对V_IMF和OP_PSO进行处理，得到故障状态分类信息S_SVM；

WCPSO优化单元（44）对断路器中振动信号产生的能量信号，结合支持向量机从而产生动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数OP_PSO；

监测诊断结果显示单元（45）用于将接收到的故障状态分类信息S_SVM进行界面可视化显示；也可以将故障状态分类信息S_SVM输出给用户。

本发明基于振动信号检测的断路器在线监测与故障诊断系统的优点在于：引入WCPSO先进的计算优化方法，缩短了分析计算的时间。提出应用SVM进行故障状态的分类，提高了分类的准确率。采用EMD分解与IMF能量总量的结合分析，对断路器实现了更为全面的数据检测，为断路器在线监测和故障诊断技术奠定了数据基础。

附图说明

图1是本发明在线监测与故障诊断系统的结构框图。

图2是本发明经验模态分解成内禀模态函数的流程图。

图3是本发明动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数的流程图。

图4是本发明中电压调理单元的电路原理图。

图5是本发明中EMD分解单元结果对比图。

具体实施方式

下面将结合附图对本发明做进一步的详细说明。

参见图1所示，本发明是一种基于振动信号检测的断路器在线监测与故障诊断系统，该系统包括有加速度传感器1、电压调理单元2、双核处理器3和上位机计算处理模块4；

所述上位机计算处理模块4包括有EMD分解单元41、IMF计算单元42、SVM分析单元43、WCPSO优化单元44和监测诊断结果显示单元45。

EMD：EmpiricalModeDecomposition，译文为：经验模态分解。

IMF：intrinsicmodefunction，译文为：内禀模态函数。

SVM：SupportVectorMachine，译文为：支持向量机。

WCPSO：CollaborativedynamicaccelerationconstantinertiaWeightParticleSwarmOptimization，译文为：动态加速常数协同惯性权重系数粒子群优化。

加速度传感器1

加速度传感器1一方面用于采集12KV弹簧机构高压断路器的合闸振动信号A_in，另一方面将所述合闸振动信号A_in转换成电压信号V_in输出给电压调理单元2。

在本发明中，加速度传感器1选用上海铸瑞自动化科技有限公司生产的YD-1型加速度传感器，其量程为0～1000m/s²，灵敏度为6pc/ms^-2。

电压调理单元2

电压调理单元2一方面接收电压信号V_in，另一方面对所述电压信号V_in进行稳压处理，得到稳定的滤波后电压信号V₂₀；该稳定的滤波后电压信号V₂₀输出给双核处理器3。

参见图4所示，在电压调理单元2中电压信号V_in经电阻R1接地，电压信号V_in经电阻R2连接在运算放大芯片（OP295型号）的3脚，运算放大芯片的2脚经电阻R3与1脚连接，4脚接地，8脚经电容C1接地，1脚输出的滤波后电压信号V₂₀连接在双核处理器3上。

双核处理器3

双核处理器3一方面用于接收稳定的滤波后电压信号V₂₀，另一方面将所述稳定的滤波后电压信号V₂₀进行模数转换，获得数字量的电压值点V₃₀；所述数字量的电压值点V₃₀输出给上位机计算处理模块4中的EMD分解单元41。

EMD分解单元41

EMD分解单元41一方面用于接收数字量的电压信号V₃₀，另一方面将所述数字量的电压值点V₃₀分解成内禀模态函数V_EMD，所述内禀模态函数V_EMD输出给IMF计算单元42。

在本发明中，参见图2、图5所示，EMD分解单元41的具体处理流程为：

步骤41－1：提取出数字量的电压值点V₃₀的局部最大值点及局部最小值点

步骤41－2：将提取出的所有局部最大值点进行拟合，得到上包络线；

步骤41－3：将提取出的所有局部最小值点进行拟合，得到局部下包络线；

步骤41－4：对步骤41－1中局部最大值点与局部最小值点相加后除2，得到平均电压各均值点；

步骤41－5：利用数字量的电压值点V₃₀减去平均电压均值点，得到相对电压各差值点；

步骤41－6：在一个采样周期里，判断相对电压差值点是否满足IMF条件；

首先，极值点的个数和过零点的个数必须相等或相差最多不超一个；

其次，在任意一采样时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于采样时间轴局部对称；

步骤41－7：若满足IMF条件，则数字量的电压值点V₃₀为EMD分解的第一个IMF分量；

若不满足，则返回步骤41－1重新进行局部最大最小点的获取。

IMF计算单元42

IMF计算单元42一方面接收内禀模态函数V_EMD，另一方面将所述内禀模态函数V_EMD的分量能量总量进行计算，得到内禀模态函数的分量能量总量V_IMF。

SVM分析单元43

SVM分析单元43第一方面接收内禀模态函数的分量能量总量V_IMF，第二方面接收WCPSO优化单元44输出的动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数OP_PSO，第三方面采用支持向量机对V_IMF和OP_PSO进行处理，得到故障状态分类信息S_SVM。

在本发明中，依据WCPSO优化单元44对SVM分析单元43的分类性能进行优化，从而提高故障状态分类的准确度及缩短分类时间。

WCPSO优化单元44

WCPSO优化单元44对断路器中振动信号产生的能量信号，结合支持向量机从而产生动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数OP_PSO。

参见图3所示，WCPSO优化单元44进行优化结果的处理流程为：

步骤44－1：初始化粒子群种群参数；

在本发明中，采用基于粒子群优化算法进行支持向量机参数及核函数参数的优化。基于粒子群优化算法参考2010年7月第1版第1次印刷，《粒子群优化及智能故障诊断》，作者魏秀业，潘宏侠，第18页至第25页的内容。

初始化参数：粒子群种群数量记为P（P一般取值为30），最大进化代数记为T_max（T_max一般取值为300），代数记为t（t的初始值为1），产生m个粒子x₁,x₂,…,x_m组成初始种群X(t)，设置适应度函数记为Y，依据Y初始化m个粒子x₁,x₂,…,x_m对应的位置A₁,A₂,…,A_m组成位移变化矩阵Add(t)。

若代数t为当前代数t，则当前代数t之前的代数记为前一个代数t-1，当前代数t之后的代数记为后一个代数t+1。

为了方便说明将最后一个粒子x_m也称为任意一个粒子x_m。

步骤44－2：粒子速度与粒子位置更新；

（A）基本粒子群优化算法的粒子速度更新公式为：

$v_{x_m}^{t+1}=v_{x_m}^t+c_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+c_2{r}_2(S-{\mathrm{Add}}_{x_m}^t)$

表示任意一个粒子x_m在后一个代数t+1的飞行速度；

表示任意一个粒子x_m在当前代数t的飞行速度；

表示任意一个粒子x_m在当前代数t的位置；

表示任意一个粒子x_m在当前代数t中的最优位置；

S表示当前种群到目前为止的最优位置；

c₁表示控制个体认知程度下的非负常数；

c₂表示控制社会认知程度下的非负常数；

r₁表示控制个体认知程度下的服从0～1上的均匀分布的随机数；

r₂表示控制社会认知程度下的服从0～1上的均匀分布的随机数；

（B）基本粒子群优化算法的粒子位置更新公式为：

${\mathrm{Add}}_{x_m}^{t+1}={\mathrm{Add}}_{x_m}^t+v_{x_m}^{t+1}$

表示任意一个粒子x_m在后一个代数t+1的位置；

表示任意一个粒子x_m在当前代数t的位置；

表示任意一个粒子x_m在后一个代数t+1的飞行速度；

步骤44－3：代入惯性权重系数；

在更新后的粒子速度中添加惯性权重系数ω，即得到带有惯性权重系数的粒子速度 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+c_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+c_2{r}_2(S-{\mathrm{Add}}_{x_m}^t);$

ω为惯性系数；

步骤44－4：动态加速常数动态更新；

依据动态加速常数关系式 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+z_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+z_2{r}_2(S-{\mathrm{Add}}_{x_m}^t)$ 进行加速常数动态更新；

z₁表示c₁随着代数t变化产生的动态加速常数；

z₂表示c₂随着代数t变化产生的动态加速常数；

步骤44－5：判断 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+z_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+z_2{r}_2(S-{\mathrm{Add}}_{x_m}^t),$ 如果优于或者相等则将赋值给执行步骤44－6；

如果不优于则返回步骤44－2；

步骤44－6：判断 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+z_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+z_2{r}_2(S-{\mathrm{Add}}_{x_m}^t),$ 如果S优于或者相等则将S赋值给执行步骤44－7；

如果S不优于则返回步骤44－2；

步骤44－7：判断是否达到迭代代数t设置值，若到达代数t设置值，则输出结果；若未到达代数t设置值，则返回步骤44－2。

监测诊断结果显示单元45

监测诊断结果显示单元45用于将接收到的故障状态分类信息S_SVM进行界面可视化显示。也可以将故障状态分类信息S_SVM输出给用户。

在本发明中，故障状态分类信息S_SVM结果进行界面化具有人机交换功能的输出，使结果更加直观。

本发明设计的一种基于振动信号检测的断路器在线监测与故障诊断系统，该系统通过对断路器合闸产生的振动信号进行EMD分解及对IMF能量总量进行分析，通过SVM进行故障状态分类，并采用动态加速常数协同惯性权重系数的粒子群优化（WCPSO）方法优化支持向量机（SVM），从而得到优化的断路器故障状态类型分类。本发明在线监测与故障诊断系统提高了断路器在状态检修方面的效率，节省了断路器在状态检修中的人力、物力、财力。

在本发明中，采用EMD分解及IMF分量能量总量结合SVM分类的故障状态分类方法能很好的进行分类，此外采用动态加速常数协同惯性权重系数的粒子群优化（WCPSO）方法优化支持向量机（SVM）能大大提高支持向量机的分类准确度，从而提高断路器在使用过程中预警的可靠性。并且还集成了上位机界面显示人机交互的功能，应用范围更加广泛。

Claims (5)

1.一种基于振动信号检测的断路器在线监测与故障诊断系统，该系统包括有双核处理器(3)和上位机计算处理模块(4)；其特征在于：还包括有加速度传感器(1)和电压调理单元(2)；

其中，上位机计算处理模块(4)包括有EMD分解单元(41)、IMF计算单元(42)、SVM分析单元(43)、WCPSO优化单元(44)和监测诊断结果显示单元(45)；

加速度传感器(1)一方面用于采集12KV弹簧机构高压断路器的合闸振动信号A_in，另一方面将所述合闸振动信号A_in转换成电压信号V_in输出给电压调理单元(2)；

电压调理单元(2)一方面接收电压信号V_in，另一方面对所述电压信号V_in进行稳压处理，得到稳定的滤波后电压信号V₂₀；该稳定的滤波后电压信号V₂₀输出给双核处理器(3)；

双核处理器(3)一方面用于接收稳定的滤波后电压信号V₂₀，另一方面将所述稳定的滤波后电压信号V₂₀进行模数转换，获得数字量的电压值点V₃₀；所述数字量的电压值点V₃₀输出给上位机计算处理模块(4)中的EMD分解单元(41)；

EMD分解单元(41)一方面用于接收数字量的电压信号V₃₀，另一方面将所述数字量的电压值点V₃₀分解成内禀模态函数V_EMD，所述内禀模态函数V_EMD输出给IMF计算单元(42)；

IMF计算单元(42)一方面接收内禀模态函数V_EMD，另一方面将所述内禀模态函数V_EMD的分量能量总量进行计算，得到内禀模态函数的分量能量总量V_IMF；

SVM分析单元(43)第一方面接收内禀模态函数的分量能量总量V_IMF，第二方面接收WCPSO优化单元(44)输出的动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数OP_PSO，第三方面采用支持向量机对V_IMF和OP_PSO进行处理，得到故障状态分类信息S_SVM；

WCPSO优化单元(44)对断路器中振动信号产生的能量信号，结合支持向量机从而产生动态加速常数协同惯性权重系数粒子群优化支持向量机参数及核函数参数OP_PSO；

监测诊断结果显示单元(45)用于将接收到的故障状态分类信息S_SVM进行界面可视化显示；也可以将故障状态分类信息S_SVM输出给用户。

2.根据权利要求1所述的基于振动信号检测的断路器在线监测与故障诊断系统，其特征在于EMD分解单元(41)的具体处理流程为：

步骤41－1：提取出数字量的电压值点V₃₀的局部最大值点及局部最小值点

步骤41－2：将提取出的所有局部最大值点进行拟合，得到上包络线；

步骤41－3：将提取出的所有局部最小值点进行拟合，得到下包络线；

步骤41－4：对步骤41－1中局部最大值点与局部最小值点相加后除2，得到平均电压各均值点；

步骤41－5：利用数字量的电压值点V₃₀减去平均电压均值点，得到相对电压各差值点；

步骤41－6：在一个采样周期里，判断相对电压差值点是否满足IMF条件；

首先，极值点的个数和过零点的个数必须相等或相差最多不超一个；

其次，在任意一采样时刻，由局部最大值点形成的上包络线和由局部最小值点形成的下包络线的平均值为零，即上、下包络线相对于采样时间轴局部对称；

步骤41－7：若满足IMF条件，则数字量的电压值点V₃₀为EMD分解的第一个IMF分量；

若不满足，则重新进行局部最大值点、局部最小值点的获取。

3.根据权利要求1所述的基于振动信号检测的断路器在线监测与故障诊断系统，其特征在于WCPSO优化单元(44)进行优化结果的处理流程为：

步骤44－1：初始化粒子群种群参数；

初始化参数：粒子群种群数量记为P，最大进化代数记为T_max，代数记为t，产生m个粒子x₁,x₂,…,x_m组成初始种群X(t)，设置适应度函数记为Y，依据Y初始化m个粒子x₁,x₂,…,x_m对应的位置A₁,A₂,…,A_m组成位移变化矩阵Add(t)；

若代数t为当前代数t，则当前代数t之前的代数记为前一个代数t-1，当前代数t之后的代数记为后一个代数t+1；

步骤44－2：粒子速度与粒子位置更新；

(A)基本粒子群优化算法的粒子速度更新公式为：

$v_{x_m}^{t+1}=v_{x_m}^t+c_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+c_2{r}_2(S-{\mathrm{Add}}_{x_m}^t)$

表示任意一个粒子x_m在后一个代数t+1的飞行速度；

表示任意一个粒子x_m在当前代数t的飞行速度；

表示任意一个粒子x_m在当前代数t的位置；

表示任意一个粒子x_m在当前代数t中的最优位置；

S表示当前种群到目前为止的最优位置；

c₁表示控制个体认知程度下的非负常数；

c₂表示控制社会认知程度下的非负常数；

r₁表示控制个体认知程度下的服从0～1上的均匀分布的随机数；

r₂表示控制社会认知程度下的服从0～1上的均匀分布的随机数；

(B)基本粒子群优化算法的粒子位置更新公式为：

${\mathrm{Add}}_{x_m}^{t+1}={\mathrm{Add}}_{x_m}^t+v_{x_m}^{t+1}$

表示任意一个粒子x_m在后一个代数t+1的位置；

表示任意一个粒子x_m在当前代数t的位置；

表示任意一个粒子x_m在后一个代数t+1的飞行速度；

步骤44－3：代入惯性权重系数；

在更新后的粒子速度中添加惯性权重系数ω，即得到带有惯性权重系数的粒子速度 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+c_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+c_2{r}_2(S-{\mathrm{Add}}_{x_m}^t);$

ω为惯性权重系数；

步骤44－4：动态加速常数动态更新；

依据动态加速常数关系式 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+z_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+z_2{r}_2(S-{\mathrm{Add}}_{x_m}^t)$ 进行加速常数动态更新；

z₁表示c₁随着代数t变化产生的动态加速常数；

z₂表示c₂随着代数t变化产生的动态加速常数；

步骤44－5：判断 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+z_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+z_2{r}_2(S-{\mathrm{Add}}_{x_m}^t),$ 如果优于或者相等则将赋值给执行步骤44－6；

如果不优于则返回步骤44－2；

步骤44－6：判断 $v_{x_m}^{t+1}={\mathrm{\ωv}}_{x_m}^t+z_1{r}_1(p_{x_m}^t-{\mathrm{Add}}_{x_m}^t)+z_2{r}_2(S-{\mathrm{Add}}_{x_m}^t),$ 如果S优于或者相等则将S赋值给执行步骤44－7；

如果S不优于则返回步骤44－2；

步骤44－7：判断是否达到迭代代数t设置值，若到达代数t设置值，则输出结果；若未到达代数t设置值，则返回步骤44－2。

4.根据权利要求1所述的基于振动信号检测的断路器在线监测与故障诊断系统，其特征在于：在电压调理单元(2)中电压信号V_in经电阻R1接地，电压信号V_in经电阻R2连接在OP295型号的运算放大芯片的3脚，运算放大芯片的2脚经电阻R3与1脚连接，4脚接地，8脚经电容C1接地，1脚输出的滤波后电压信号V₂₀连接在双核处理器(3)上。

5.根据权利要求1所述的基于振动信号检测的断路器在线监测与故障诊断系统，其特征在于：加速度传感器(1)的量程为0～1000m/s²，灵敏度为6pc/ms^-2。