CN105891707A - 一种基于振动信号的万能式断路器分合闸故障诊断方法 - Google Patents

Abstract

一种基于振动信号的万能式断路器分合闸故障诊断方法，通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，包括以下步骤：第一步通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号并转化为数字信号，得到初始的振动信号；第二步采用改进的小波包阈值去噪算法对所采集振动信号；第三步采用互补总体平均经验模态分解算法对降噪振动信号提取固有模态函数分量；第四步确定固有模态函数分量的数量Z；第五步选择的前Z阶固有模态函数分量提取作为特征量的样本熵；第六步建立基于相关向量机的二叉树多分类器；第七步以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型。

Description

一种基于振动信号的万能式断路器分合闸故障诊断方法

技术领域

本发明的技术方案涉及断路器的故障诊断，具体地说是一种基于振动信号的万能式断路器分合闸故障诊断方法。

背景技术

依照国家对智能电网建设的规划，智能变电站是智能电网的重要组成部分和关键环节，万能式断路器智能化是智能变电站的重要组成部分，所以保障其可靠运行是十分必要的。然而，现阶段国内外学者对断路器故障诊断的研究多为高压断路器，而对低压断路器研究很少，尤其是万能式断路器。目前，针对断路器的故障诊断技术一般包括信号采集、特征提取、故障识别3个环节的内容。

第一环节中采集的信号有：分合闸线圈电流及电压、动触头行程、开断电流及电弧电压、触头受力等。近来，利用振动法检测断路器机械状态逐渐成为国内外研究的热点。利用振动诊断方法有利于实现对断路器的非侵入式的状态监测，其采集不需要与断路器电气连接且不会破坏断路器本体结构，因而振动诊断成为断路器机械状态监测的合适手段。

第二环节的特征提取过程中，针对振动信号的非线性、非平稳特性，常采用适用于具有暂态、突变等非平稳信号分析的小波分析、经验模态分解(empirical modedecomposition,EMD)、总体平均经验模态分解(ensemble EMD,EEMD)、希尔伯特-黄变换(Hilbert-Huang transform,HHT)等，但小波在故障信号分解上存在自身缺陷，其分解效果依赖于小波基和分解尺度的选取，不具有自适应性，此外，小波分解还存在能量泄漏。虽然经验模态分解是一种自适应的时频局部化分析方法，却存在模态混叠和端点效应现象，对其进行改进的总体平均经验模态分解能够在一定程度上抑制模态混叠，但添加的白噪声不能被完全中和，不具有完备性。

第三环节的故障识别方法随着人工智能的发展，常采用神经网络、支持向量机等。较为常用的神经网络具有一定的抗噪声和泛化能力，但是训练需要较多样本，且存在局部收敛问题。虽然支持向量机适于解决小样本、高维数、非线性等问题，但该算法有规则化系数确定困难、预测结果不具有统计意义、核函数受Mercer条件限制等固有局限。针对以上问题，相关向量机可以有效弥补上述缺陷。但与现有的特征提取方法匹配的效果较差，不能有效提高的故障识别率，因此在现有故障识别方法基础上，通过改进特征提取环节和故障识别方法，使其匹配之后产生更好的效果，实现对故障更高的识别率，并在此基础行提供一种改进的基于振动信号的万能式断路器分合闸故障诊断方法成为现有技术亟待解决的问题。

发明内容

本发明所要解决的技术问题是：提供一种基于振动信号的万能式断路器分合闸故障诊断方法，是一种基于振动信号互补总体平均经验模态分解-样本熵和相关向量机相结合的万能式断路器故障诊断方法，采用改进的小波包阈值去噪算法对振动信号去噪处理，优于现有技术的小波去噪与小波包去噪算法；采用互补总体平均经验模态分解算法对降噪后的振动信号分解进行时频分析，更好地克服了模态混叠和端点效应现象；建立基于相关向量机的二叉树多 分类器，可利用相对较少的故障数据样本实现对万能式断路器故障类型的识别并具有较高的识别率。

本发明解决该技术问题所采用的技术方案是：提供一种基于振动信号的万能式断路器分合闸故障诊断方法，所振动信号为通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，其特征是所述方法包括以下步骤：

第一步，通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号，并将采集到的模拟信号转化为数字信号，得到初始的振动信号s'(t)，t为分合闸动作时间；

第二步，采用改进的小波包阈值去噪算法对所采集振动信号s'(t)去噪，得到降噪振动信号s(t)。

所述第二步具体包括以下步骤

1)选用Daubechies(dbN)小波基作为小波分解的基函数，分解层数为5层，对振动信号s'(t)进行小波包分解；

2)采用阈值函数对小波包系数W_j,i进行阈值量化处理，得到经阈值函数处理后的小波包系数所述阈值函数为将软阈值函数与硬阈值函数相结合构造而成，处理过程如式(1)所示：

式(1)中：为经阈值函数处理后的小波包系数,其中α_j,i为小波包分解第j层上的第i个频段子带的能量归一化系数；W_j,i为处理之前的小波包系数；采用基于heursure的启发式阈值选取函数对阈值λ进行选取；β为调节系数，0.5≤β≤1。

式(1)中小波包能量系数α_j,i可以由小波包系数W_j,i求得，具体：

小波包系数W_j,i为W(j,0),W(j,1),…,W(j,2^j-1)，每个子频带小波包的能量E_j,i＝||W(j,i)||²，总小波包能量为小波包能量系数

最后将经阈值函数处理后的小波包系数重建小波包树，并反变换重构去噪后的信号，得到降噪振动信号s(t)。

第三步，采用互补总体平均经验模态分解算法对降噪振动信号s(t)提取若干个反映断路器状态信息的固有模态函数分量(IMF)，具体包括以下步骤

1)将符号相反的白噪声信号成对地添加到降噪振动信号s(t)，形成两个新的信号s₁(t)，s₂(t)；

2)对目标信号s₁(t)，s₂(t)进行经验模态分解，具体包括

2.1)确定目标信号s₁(t)所有的极大值点和极小值点，然后将所有极大值点用一条光滑的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到下包络线，使上、下包络线线间包含所有的信号。上、下包络线的平均值记为m₁(t)，求出目标信号s₁(t)的第一个分量h₁(t)：s₁(t)-m₁(t)＝h₁(t) (2)

2.2)，将h₁(t)作为s₁(t)带入式(2)中，重复进行步骤2.1)的筛选k次，得到h_1k(t)＝h_1(k-1)(t)-m_1k(t)，使得h_1k(t)变为一个固有模态函数分量。记c₁(t)＝h_1k(t)，则c₁(t)为信号s₁(t)的固有模态函数条件的分量。

2.3)将c₁(t)从s₁(t)中分离出来，得到：r₁(t)＝s₁(t)-c₁(t) (3)

将r₁(t)作为s₁(t)重复步骤2.1)和2.2)，得到s₁(t)的第二个满足固有模态函数条件的分量c₂(t)，

2.4)重复步骤2.3)n次得到信号s₁(t)的n个固有模态分量，

即

在步骤2.4)的重复循环的终止条件为：当分量c_n(t)或残量r_n(t)足够小以至于当残量r_n(t)为一个单调函数不能再从中提取满足固有模态函数条件的分量时。

目标信号s₂(t)同样按照s₁(t)的处理方式，按照步骤2.1)到2.4)对s₂(t)进行处理

3)循环上述步骤1)～2)，重复向降噪振动信号s(t)添加符号相反的成对白噪声信号然后将得到的新信号进行经验模态分解；分解得到的模态需要满足以下条件，a.整个时间序列中的极值点与过零点的数量最多相差一个；b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；最后将分解结果进行总体平均运算，得到分解结果如式(5)，即

式中，为经过总体平均运算得到的分解结果信号；c_j(t)(i＝1,2,…,n)为第j个固有模态函数分量；r_n(t)为残余分量。

第四步，确定所需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％时的Z值，即计算出各固有模态函数分量能量，第i阶固有模态函数分量的能量的计算公式为

式(6)中n为振动信号互补总体平均经验模态分解的固有模态函数分量阶数，N为每个固有模态函数分量的数据点数；

各阶固有模态函数分量的能量总和为则第i阶的固有模态函数分量的能量比定义为当R₁+R₂+…+R_Z≥90％时的Z值，即为归一化能量值累计大于90％的Z值；

第五步，选择第三步得到的n阶固有模态函数分量中的前Z阶固有模态函数分量提取其特征量——样本熵，方法如下：

1))记第i个固有模态函数分量为c_i(t)＝{c(n)}＝c(1),c(2),…,c(N)的N点数据序列。将序列{c(n)}按顺序组成m维的向量，C_m(1),…,C_m(N-m+1)，

即C_m(i)＝{c(i),c(i+1),…,c(i+m-1)},1≤i≤N-m+1 (9)

2)定义向量C_m(i)和C_m(j)之间的距离d[C_m(i),C_m(j)](i≠j)为两组向量对应元素中最大差值的绝对值，即

3)给定相似容限r(r＞0)，对每个i值统计d[C_m(i),C_m(j)]＜r的C_m(j)(1≤j≤N-m+1,j≠i)的数目，然后计算其与总距离N-m的比值，记作即

4)计算所有的平均值B^(m)(r)，即

5)将向量增加维数到m+1，重复步骤1)～3)，则的平均值B^(m+1)(r)如式(13)所示，即实测数据N为有限值时，样本熵的估计值如式(14)所示，即SampEn(m,r,N)＝-ln[B^(m+1)(r)/B^(m)(r)] (14)，所述m取值为1或2，r取0.1-0.25倍SD。

第六步，依照第一步到第五步，分别求出不同机械状态下前n阶固有模态函数分量的样本熵并形成有效的特征样本后，通过计算不同机械状态下的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器，具体包括以下步骤

设为输入向量，t＝[t₁,t₂,…,t_N]^T为目标向量，则相关向量机分类模型如式(15)所示，即(15)，式(15)中，w为权重向量， w＝[w₀,w₁,…,w_N]^T；K(x,x_i)为核函数，噪声ε_n～N(0,σ²)；

整个数据集的似然函数如式(16)所示，即 式(16)中，Φ＝[φ(x₁),φ(x₂),…,φ(x_N)]^T为设计矩阵，φ(x_i)＝[1,K(x_i,x₁),K(x_i,x₂),…,K(x_i,x_N)]^T；

当目标值为0或1时，似然函数如式(17)所示，即

式(17)中，δ(·)为sigmoid函数；

采用稀疏贝叶斯方法对权重向量w赋予零均值高斯先验分布如式(18)所示，即式(18)中，α为N+1维超参数向量，α＝(α₀,α₁,…,α_N)^T，N(·)为正态分布函数；

对于新的输入向量x_*，其对应的目标值t_*的概率预测式为p(t_*|t)＝∫p(t_*|w,α,σ²)p(w,α,σ²|t)dwdαdσ² (19)，对式(19)进行贝叶斯推导，可得p(w,α,σ²|t)＝p(w|t,α,σ²)p(α,σ²|t) (20)

对式(20)进行近似处理，相关向量机的学习过程为最大化p(α,σ²|t)∝p(t|α,σ²)p(α)p(σ²)的过程，即找到α_MP、σ² _MP，满足采用数值方法近似求解α_MP、σ² _MP，可得α、σ²迭代更新公式如式(22)、(23)、(24)，

即 γ_i＝1-α_iΣ_i,i (24)

式(24)中，Σ_i,i为Σ＝[σ^-2Φ^TΦ+diag(α₀,α₁,…,α_N)]^-1中第i项对角线元素，μ_i为权重向量μ＝σ^-2ΣΦ^Tt的第i个元素；在足够多的更新后，大部分的α_i将趋近无穷大，其对应的w_i为0，而其他的α_i则会趋近于有限值，与之对应的x_i的集合称为相关向量，进而可得相关向量机的分类模型；以类间样本平均欧式距离作为可分性测度设计相关向量机二叉树分类器的层次结构，将万能式断路器故障诊断这一多分类问题转化为多个二分类问题，从而建立基于相关向量机的二叉树分类器的万能式断路器故障诊断模型。

对于两类样本集合和其中x_i∈A类，类，则A类与B类的类间样本 平均欧式距离如式(25)所示，即式(25)中，为2个不同类别样本间的欧式距离。

第七步，以分合闸动作过程中虚假合闸、分闸不彻底或单相不同期的机械状态以及正常状态下选定的前Z阶样本熵特征向量为相关向量机的输入向量，以万能式断路器正常、虚假合闸、分闸不彻底或单相不同期的机械状态为相关向量机的输出向量，以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型。

所述第七步中，基于相关向量机的二叉树多分类器中相关向量机的处理次序依据不同状态下振动信号样本的类间样本平均欧式距离从大到小排序。

上述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是执行所述方法的万能式断路器分合闸故障检测系统包括操作台、LC0159加速度传感器、固态继电器组、工控机、PCL720板卡和USB7648A采集卡，工控机通过ISA总线控制PCL720板卡对固态继电器组进行操作；通过USB7648A采集卡将加速度传感器的模拟信号转换成数字信号并通过USB总线传送给工控机进行后续处理。

上述一种基于振动信号的万能式断路器分合闸故障诊断方法，所述振动信号的捕捉可通过设定USB7648A采集卡实时采集信号的阈值作为有效振动信号的时间标识，也可以给定断路器合闸线圈的电信号作为有效振动信号的时间标识。

本发明的有益效果是：与现有技术相比，本发明一种基于振动信号的万能式断路器分合闸故障诊断方法的突出的实质性特点是：本发明一种基于振动信号的万能式断路器分合闸故障诊断方法，首先将振动信号通过改进的小波包阈值去噪算法处理；其次采用互补总体平均经验模态分解提取若干个反映断路器状态信息的固有模态函数分量，依据各固有模态函数分量的能量分布特点，选择其中前n阶固有模态函数分量进行处理，计算其样本熵形成有效的特征样本；最后通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器，诊断得出万能式断路器故障类型，所提方法在非侵入式测量的条件下，利用相对较少的故障数据样本实现了对万能式断路器故障类型的识别并具有较高的识别率。

与现有技术相比，本发明一种基于振动信号的万能式断路器分合闸故障诊断方法的显著的进步是：

(1)本发明方法以断路器分合闸过程中所产生的包含丰富机械特性信息的振动作为信号来源，同时加速度传感器安装方便并且在不破坏断路器本体的情况下，实现了对万能式断路器非侵入式监测和故障诊断。

(2)本发明方法针对振动信号非线性非平稳的特点，利用改进的小波包去噪算法，兼顾软、硬阈值法降噪的优点，更好地提高了信号信噪比，降低了均方根误差。

(3)本发明方法所采用的互补总体平均经验模态分解算法缩小了由于添加白噪声引起的重构误差，得到了更好的模态分解效果。

(4)本发明方法所提取的特征量即固有模态函数分量样本熵具有较好稳定性，适合于万能式断路器故障状态的区分。

(5)本发明方法所采用的基于相关向量机的二叉树故障诊断模型，可在相对较少的故障数据样本下，实现对万能式断路器分合闸故障类型的准确识别。

附图说明

下面结合附图和本实施例对本发明进一步说明。

图1为执行本发明提供的一种基于振动信号的万能式断路器分合闸故障诊断方法的万能式断路器分合闸故障检测系统的结构示意图；

图2为实施例1中断路器不同机械状态下分合闸振动信号图；

图3为实施例1中采用改进的小波包降噪技术对正常状态的振动信号的去噪效果图；

图4为实施例1中断路器虚假合闸状态振动信号互补总体平均经验模态分解结果图；

图5为实施例1中断路器不同机械状态前8阶固有模态函数分量归一化能量柱状图；

图6为实施例1中断路器不同机械状态下前7阶固有模态函数分量的样本熵折线图；

图7为实施例1中基于相关向量机的二叉树多分类器结构图；

图8为实施例2中调整A相触头开距分别为3mm和4mm的A相不同期特征对比图；

图9为实施例2中调整B相触头开距分别为3mm和4mm的B相不同期特征对比图；

图10为实施例2中调整C相触头开距分别为3mm和4mm的C相不同期特征对比图。

图中

1、操作台，2、LC0159加速度传感器，3、固态继电器组，3.1、合闸继电器，3.2、分闸继电器，3.3储能继电器，3.4、欠压继电器，4、工控机，5、PCL720板卡，6、USB7648A采集卡，7、万能断路器。

具体实施方式

本发明提供的一种基于振动信号的万能式断路器分合闸故障诊断方法的总体流程是：

第一步，通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号，并将采集到的模拟信号转化为数字信号，得到初始的振动信号s'(t)，t为分合闸动作时间；

第二步，采用改进的小波包阈值去噪算法对所采集振动信号s'(t)去噪，得到降噪振动信号s(t)。

第三步，采用互补总体平均经验模态分解算法对降噪振动信号s(t)提取若干个反映断路器状态信息的固有模态函数(intrinsic mode function，IMF)分量，所述互补总体平均经验模态分解算法是在经验模态分解(empirical mode decomposition,EMD)和总体平均经验模态分解(ensemble EMD,EEMD)算法基础上，针对其分解完备性较差的问题，提出了补充的方法，具体包括以下步骤

1)将符号相反的白噪声信号成对地添加到降噪振动信号s(t)，形成两个新的信号s₁(t)，s₂(t)；

2)对目标信号s₁(t)，s₂(t)进行经验模态分解，具体包括

2.1)确定目标信号s₁(t)所有的极大值点和极小值点，然后将所有极大值点用一条光滑的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到下包络线，使上、下包络线线间包含所有的信号。上、下包络线的平均值记为m₁(t)，求出目标信号s₁(t)的第一个分量h₁(t)：s₁(t)-m₁(t)＝h₁(t) (2)

2.2)，将h₁(t)作为s₁(t)带入式(2)中，重复进行步骤2.1)的筛选k次，得到h_1k(t)＝h_1(k-1)(t)-m_1k(t)，使得h_1k(t)变为一个固有模态函数分量。记c₁(t)＝h_1k(t)，则c₁(t)为信号s₁(t)的固有模态函数条件的分量。

2.3)将c₁(t)从s₁(t)中分离出来，得到：r₁(t)＝s₁(t)-c₁(t) (3)

将r₁(t)作为s₁(t)重复步骤2.1)和2.2)，得到s₁(t)的第二个满足固有模态函数条件的分量c₂(t)，

2.4)重复步骤2.3)n次得到信号s₁(t)的n个固有模态分量，

即

在步骤2.4)的重复循环的终止条件为：当分量c_n(t)或残量r_n(t)足够小以至于当残量r_n(t)为一个单调函数不能再从中提取满足固有模态函数条件的分量时。

目标信号s₂(t)同样按照s₁(t)的处理方式，按照步骤2.1)到2.4)对s₂(t)进行处理

3)循环上述步骤1)～2)，重复向降噪振动信号s(t)添加符号相反的成对白噪声信号然后将得到的新信号进行经验模态分解；分解得到的模态需要满足以下条件，a.整个时间序列中的极值点与过零点的数量最多相差一个；b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；最后将分解结果进行总体平均运算，得到分解结果如式(5)，即

式中，为经过总体平均运算得到的分解结果信号；c_j(t)(i＝1,2,…,n)为第j个固有模态函数分量；r_n(t)为残余分量。

第四步，确定所需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％的Z值，即计算出各固有模态函数分量能量，第i阶固有模态函数分量的能量的计算公式为

式(6)中n为振动信号互补总体平均经验模态分解的固有模态函数分量阶数，N为每个固有模态函数分量的数据点数；

各阶固有模态函数分量的能量总和为则第i阶的固有模态函数分量的能量比定义为当R₁+R₂+…+R_k≥90％时的Z值，即为归一化能量值累计大于90％的Z值；

第五步，选择第四步得到的Z阶需提取特征量的固有模态函数分量中的前n阶固有模态函数分量提取其样本熵，方法如下：

1))记第i个固有模态函数分量为c_i(t)＝{c(n)}＝c(1),c(2),…,c(N)的N点数据序列。将序列{c(n)}按顺序组成m维的向量，C_m(1),…,C_m(N-m+1)，

即C_m(i)＝{c(i),c(i+1),…,c(i+m-1)},1≤i≤N-m+1 (9)

2)定义向量C_m(i)和C_m(j)之间的距离d[C_m(i),C_m(j)](i≠j)为两组向量对应元素中最大差值的绝对值，即

3)给定相似容限r(r＞0)，对每个i值统计d[C_m(i),C_m(j)]＜r的C_m(j)(1≤j≤N-m+1,j≠i)的数目，然后计算其与总距离N-m的比值，记作即

4)计算所有的平均值B^(m)(r)，即

5)将向量增加维数到m+1，重复步骤1)～3)，则的平均值B^(m+1)(r)如式(13)所示，即可以看出，样本熵的值与m，r的取值有关，但样本熵具有良好的一致性，其熵值增大与减小的趋势并不受m和r的影响，实测数据N为有限值时，样本熵的估计值如式(14)所示，即SampEn(m,r,N)＝-ln[B^(m+1)(r)/B^(m)(r)] (14)，所述m取值为1或2，r取0.1-0.25倍SD。

第六步，依照第一步到第五步，分别求出不同机械状态下前n阶固有模态函数分量的样本熵并形成有效的特征样本后，通过计算不同机械状态下的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器，所述相关向量机采用了与支持向量机同样的预测式，具体包括以下步骤

设为输入向量，t＝[t₁,t₂,…,t_N]^T为目标向量，则相关向量机分类模型如式(15)所 示，即式(15)中，w为权重向量，w＝[w₀,w₁,…,w_N]^T；K(x,x_i)为核函数，噪声ε_n～N(0,σ²)；

整个数据集的似然函数如式(16)所示，即 式(16)中，Φ＝[φ(x₁),φ(x₂),…,φ(x_N)]^T为设计矩阵，φ(x_i)＝[1,K(x_i,x₁),K(x_i,x₂),…,K(x_i,x_N)]^T；

当目标值为0或1时，似然函数如式(17)所示，即

式(17)中，δ(·)为sigmoid函数；

为避免过拟合，确保模型的稀疏性，采用稀疏贝叶斯方法对权重向量w赋予零均值高斯先验分布如式(18)所示，即式(18)中，α为N+1维超参数向量，α＝(α₀,α₁,…,α_N)^T，N(·)为正态分布函数；

对于新的输入向量x_*，其对应的目标值t_*的概率预测式为p(t_*|t)＝∫p(t_*|w,α,σ²)p(w,α,σ²|t)dwdαdσ² (19)，对式(19)进行贝叶斯推导，可得p(w,α,σ²|t)＝p(w|t,α,σ²)p(α,σ²|t) (20)

对式(20)进行近似处理，相关向量机的学习过程为最大化p(α,σ²|t)∝p(t|α,σ²)p(α)p(σ²)的过程，即找到α_MP、σ² _MP，满足采用数值方法近似求解α_MP、σ² _MP，可得α、σ²迭代更新公式如式(22)、(23)、(24)，

即 γ_i＝1-α_iΣ_i,i (24)

式(24)中，Σ_i,i为Σ＝[σ^-2Φ^TΦ+diag(α₀,α₁,…,α_N)]^-1中第i项对角线元素，μ_i为权重向量μ＝σ^-2ΣΦ^Tt的第i个元素；在足够多的更新后，大部分的α_i将趋近无穷大，其对应的w_i为0，而其他的α_i则会趋近于有限值，与之对应的x_i的集合称为相关向量，进而可得相关向量机的分类模型；本方法依据类间距离越大且类内样本分布最广的类最先分离这一原则，以类间样本平均欧式距离作为可分性测度，设计相关向量机二叉树分类器的层次结构，将万能 式断路器故障诊断这一多分类问题转化为多个二分类问题，从而建立基于相关向量机的二叉树故障诊断模型。

对于两类样本集合和其中x_i∈A类，类，则A类与B类的类间样本平均欧式距离如式(25)所示，即式(25)中，为2个不同类别样本间的欧式距离。

第七步，以分合闸动作过程中虚假合闸、分闸不彻底或单相不同期的机械状态以及正常状态下选定的前Z阶样本熵特征向量为相关向量机的输入向量，以万能式断路器正常、虚假合闸、分闸不彻底或单相不同期的机械状态为相关向量机的输出向量，以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型，基于相关向量机的二叉树多分类器中相关向量机的处理次序依据不同状态下振动信号样本的类间样本平均欧式距离的大小选定。

执行所述一种基于振动信号的万能式断路器分合闸故障诊断方法的万能式断路器分合闸故障诊断系统的整体结构示意图如图1所示，所述万能式断路器分合闸故障检测系统包括操作台1、LC0159加速度传感器2、固态继电器组3、工控机4、PCL720板卡5和USB7648A采集卡6，工控机通过ISA总线控制PCL720板卡对固态继电器组进行操作；通过USB7648A采集卡将加速度传感器产生的模拟信号转换成数字信号并通过USB总线传送给工控机进行后续处理，工控机上用于由控制PCL720板卡的对固态继电器操作的程序由Labview所开发，工控机用于对USB-7648A采集卡传送来的数字信号的进行特征提取与识别的分析程序采用Matlab所开发。待进行故障检测的万能断路器7固定安装在操作台上，其合闸、分闸、储能、欠压分别由固态继电器组中的合闸继电器3.1、分闸继电器3.2、储能继电器3.3、欠压继电器3.4控制。

实施例1

本实施例以DW15系列万能式断路器DW15-1600为实验对象。断路器的分合闸故障集中表现在动作时间超过规程，可通过调整触头间的开距与超程模拟分合闸的典型故障的机械状态。调整触头系统的悬臂模拟虚假合闸状态；在分闸的到位卡扣间多加垫片，模拟分闸不彻底状态；分别调整三相触头的连杆长短模拟因机构磨损或调整不当造成的三相中某一相触头与另两相动作不同步，即A、B、C三相中的单相不同期状态。采用前述基于振动信号的万能式断路器分合闸故障诊断方法和执行该方法的万能式断路器分合闸故障检测系统对该模拟了各典型故障机械状态的万能断路器进行故障诊断。具体步骤如下

第一步，通过万能式断路器分合闸故障检测系统采集万能式断路器分合闸动作过程中的振动信号s'(t)，所述振动信号的采样频率为20kHz，6种机械状态下典型的振动信号如图4所示，分别为正常状态，虚假合闸状态即触头全超程5mm，分闸不彻底状态即垫片厚度2mm，A相不同期状态即A相开距与另两相开距相差3mm，B、C相不同期与A相同理。

第二步，采用改进的小波包阈值去噪算法对所采集振动信号去噪，得到降噪振动信号s(t)， 本实施例中，调节系数β为0.9，选取Matlab软件中自带的“db25”小波基进行5层分解降噪处理。

以正常状态下典型的振动信号为例，去噪前后的效果如图3所示，图3中合闸振动信号即为正常状态下的振动信号s'(t)，去躁信号即正常状态下的降噪振动信号s(t)。

第三步，采用互补总体平均经验模态分解算法对6种机械状态下分别得到降噪振动信号s(t)各自提取若干个反映断路器状态信息的固有模态函数分量。

其中白噪声信号的幅值取降噪振动信号标准差的0.2倍，总体平均次数取500，此时分解误差小于0.01，分解误差在可接受的范围内。图4为对虚假合闸状态下典型的降噪振动信号s(t)进行在添加了白噪声后形成的新的目标信号s₁(t)进行经验模态分解时，提取到的所有固有模态函数(IMF)分量及剩余分量，从图4可以看出共提取到的14阶IMF分量(IMF1～IMF14)和剩余分量r14，第8阶(IMF8)之后的固有模态函数分量的最大幅值已经很小，经验表明，只需选取前8阶固有模态函数分量进行分析。

第四步，确定所需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％的Z值。

将前8阶固有模态函数分量进行能量分析，图5依次列出了6种机械状态下不同阶固有模态函数分量的归一化能量。由图5可以直观地看出振动信号的能量主要集中在前8阶模态，且第8阶固有模态函数分量的能量已经很小，归一化能量值累计大于90％的Z值为7，即R₁+R₂+…+R₇≥90％。

对6种机械状态下的前8阶固有模态函数分量进行频谱分析，发现前8阶固有模态函数分量的频率最高点大体依次分布在3000-4000Hz，2000-2500Hz，1200-1700Hz，600-1000Hz，500-600Hz，300-500Hz，100-200Hz和10-100Hz。由频谱分析得，第8阶固有模态函数分量频率低，对信号影响很小。因此，进一步验证取前7阶固有模态函数分量分析即可反映断路器主要机械状态信息。

第五步，选择其中前Z阶固有模态函数分量进行处理，计算其样本熵。

取Z＝7，m＝2，r＝0.2，提取6种机械状态下前7阶固有模态函数分量的样本熵，前7阶固有模态函数分量样本熵的典型曲线如图6所示。由图6可看出，不同故障状态固有模态函数分量的样本熵之间的差异明显，可用于故障状态的区分。

第六步，依照第一步到第五步，分别求出断路器不同机械状态下前7阶固有模态函数分量的样本熵并形成有效的特征样本后，通过计算不同故障类型的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器。

第七步，以分合闸动作过程中各频带样本熵特征向量为相关向量机的输入向量，以万能式断路器正常、虚假合闸、分闸不彻底或某相不同期的机械状态为相关向量机的输出向量，建立万能式断路器故障识别模型。相关向量机的核函数采用高斯核函数，核函数的宽度参数取0.5。以断路器每个机械状态下前7阶固有模态函数分量的样本熵为一类样本，以式(25)计算每一类样本的类间样本平均欧式距离，结果为正常0.7773，虚假合闸0.6057，分闸不彻 底0.5877，A相不同期0.5678，B相不同期0.5656、C相不同期0.4435。根据类间样本平均欧式距离，建立如图7所示的基于相关向量机的二叉树多分类器的万能式断路器故障诊断模型，即相关向量机的处理次序依据每一类样本的类间样本平均欧式距离的大小选定，第一个相关向量机首先识别正常状态，则训练样本分别为正常特征数据以及剩余所有故障样本；第二个相关向量机识别虚假合闸，而第一个向量机已经区分出正常，所以第二个相关向量机不会有正常状态的样本，所以剩余训练样本为除去正常和虚假合闸的剩余故障样本；依次类推。

在DW15-1600万能式断路器中模拟常见的5机械故障，每种故障状态下做100组实验并记录数据。记正常、虚假合闸、分闸不彻底、A相不同期、B相不同期、C相不同期分别为类1、2、3、4、5、6。部分数据样本见表1，记第n阶固有模态函数分量为IMFn，每种机械状态列出二次实验数据。

表1部分实验数据样本熵

以每一类样本的前40组数据中的部分样本作为训练样本，建立识别模型，并用其余60组中的部分数据样本测试。

利用相同的数据样本，将相关向量机与支持向量机对比分析，支持向量机同样选用高斯核函数，核函数的宽度参数为0.5，其中规则化系数为5，并采用相同的二叉树策略模型对测试数据样本进行识别，识别效果如表2所示，表2中记相关向量机为RVM，支持向量机为SVM。

表2SVM与RVM故障诊断模型性能对比

由表2可以得出，基于相关向量机的二叉树多分类器模型比支持向量机分类模型具有更高的诊断准确率，能更好地保证故障诊断结果的可靠性。

基于上述相关向量机的二叉树多分类器模型，采用对非线性、非平稳信号时频分析效果较好的其它方法如小波包分解、EMD、EEMD用以分解振动信号，并提取能量较大的前7个频带能量系数和样本熵，与本发明的基于振动信号的万能式断路器分合闸故障诊断方法进行对比，相应的识别率如表3所示。由表3可看出，小波包方法识别率受分解层数影响，而EMD和EEMD分解所得模态存在不同程度的混叠，造成所提取的特征模糊，识别率较低；在识别效果上，样本熵优于能量系数，原因是能量系数不能像样本熵挖掘信号内在非线性和复杂性特征。综合以上分析，可看出本发明提供的基于振动信号的万能式断路器分合闸故障诊断方法，优化了各步骤的处理手段，识别效果最好。

表3不同时频分析方法识别效果的评价

实施例2

本实施例以DW15系列万能式断路器DW15-1600为实验对象。在三相不同期故障类型下，调整A相开距与另两相开距相差4mm作为A相不同期状态；调整B相开距与另两相开距相差4mm作为B相不同期状态；调整C相开距与另两相开距相差4mm作为C相不同期状态，其余调整的虚假合闸、分闸不彻底故障类型状态与实施例1一样。此时，对新的故障类型的断路器振动信号提取特征量即样本熵，与实施例1中A相、B相与C相开距相差3mm的不同期状态的样本熵作比较，比较结果如图8～10所示，从图8～10可以看出，调整开距为3mm与开距为4mm的不同期故障的样本熵基本一致，采用式(25)计算对应机械状态的类间样本平均欧式距离，分别为A相不同期0.0726、B相不同期0.0927、C相不同期0.0651，根据类间样本平均欧式距离，建立基于相关向量机的二叉树多分类器的万能式断路器故障识别模型，即相关向量机的处理次序依据每一类样本的类间样本平均欧式距离从大到小排列，采用该模型对新的故障状态进行识别。

采用调整开距相差值为4mm的断路器不同期故障的振动信号进行实验，三相不同期故障中每种机械类型选取40个样本，共计120个样本作为测试数据样本，以实施例1得到的基于相关向量机的二叉树多分类器模型进行识别测试，此时总体识别率在90.83％。本实施例表明，在同一故障类型下，当故障状态略微变化时，所提样本熵作为特征量具有一定的鲁棒性，能有效反映不同故障类型。

上述步骤均采用软件Labview和Matlab实现。

上述本实施例中所用的软件Labview和Matlab是本技术领域的技术人员所熟知的。

上述实例中的百分比均为数字百分比。

上述本实施例中加速度传感器安装位置为断路器基座横梁。

Claims (10)

1.一种基于振动信号的万能式断路器分合闸故障诊断方法，所振动信号为通过加速度传感器采集到的万能断路器分合闸过程中的机身振动信号，其特征是所述方法包括以下步骤：

第一步，通过加速度传感器采集万能式断路器分合闸动作过程中的机身振动信号，并将采集到的模拟信号转化为数字信号，得到初始的振动信号s'(t)，t为分合闸动作时间；

第二步，采用改进的小波包阈值去噪算法对所采集振动信号s'(t)去噪，得到降噪振动信号s(t)；

第三步，采用互补总体平均经验模态分解算法对降噪振动信号s(t)提取若干个反映断路器状态信息的固有模态函数分量，具体包括

1)将符号相反的白噪声信号成对地添加到降噪振动信号s(t)，形成两个新的信号s₁(t)，s₂(t)；

2)对目标信号s₁(t)，s₂(t)进行经验模态分解；

3)循环上述步骤1)～2)，重复向降噪振动信号s(t)添加符号相反的成对白噪声信号然后将得到的新信号进行经验模态分解；分解得到的模态需要满足以下条件，a.整个时间序列中的极值点与过零点的数量最多相差一个；b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；最后将分解结果进行总体平均运算，得到分解结果如式(5)，即式(5)中，为经过总体平均运算得到的分解结果信号；c_j(t)(i＝1,2,…,n)为第j个固有模态函数分量；r_n(t)为残余分量；

第四步，确定所需提取特征量的固有模态函数分量的数量Z，即依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％时的Z值；

第五步，选择第三步得到的n阶固有模态函数分量中的前Z阶固有模态函数分量提取作为特征量的样本熵；

第六步，依照第一步到第五步，分别求出不同机械状态下前Z阶固有模态函数分量的样本熵并形成有效的特征样本后，通过计算不同机械状态下的样本间欧氏距离来定量评价类间样本平均距离，建立基于相关向量机的二叉树多分类器；

第七步，以分合闸动作过程中虚假合闸、分闸不彻底或单相不同期的机械状态以及正常状态下选定的前Z阶样本熵特征向量为相关向量机的输入向量，以万能式断路器正常、虚假合闸、分闸不彻底或单相不同期的机械状态为相关向量机的输出向量，以第六步中得到的基于相关向量机的二叉树多分类器建立万能式断路器故障识别模型。

2.如权利要求1所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是所述第二步具体包括以下步骤

1)选用Daubechies(dbN)小波基作为小波分解的基函数，分解层数为5层，对振动信号s'(t)进行小波包分解；

2)采用阈值函数对小波包系数W_j,i进行阈值量化处理，得到经阈值函数处理后的小波包系数所述阈值函数为将软阈值函数与硬阈值函数相结合构造而成，处理过程如式(1)所示：

${\hat{W}}_{j,i}=\left\{\begin{array}{cc}\mathrm{sgn}\left(W_{j,i}\right)\&lsqb;\left|W_{j,i}\right|-\mathrm{\&lambda;}(\mathrm{\&beta;}-{\mathrm{\&alpha;}}_{j,i})\&rsqb;,& \left|W_{j,i}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|W_{j,i}\right|<\mathrm{\&lambda;}\end{array}\right.---\left(1\right)$

式(1)中：为经阈值函数处理后的小波包系数,其中α_j,i为小波包分解第j层上的第i个频段子带的能量归一化系数；W_j,i为处理之前的小波包系数；采用基于heursure的启发式阈值选取函数对阈值λ进行选取；β为调节系数，0.5≤β≤1；

式(1)中小波包能量系数α_j,i可以由小波包系数W_j,i求得，小波包系数W_j,i为W(j,0),W(j,1),…,W(j,2^j-1)，每个子频带小波包的能量E_j,i＝||W(j,i)||²，总小波包能量为小波包能量系数

最后将经阈值函数处理后的小波包系数重建小波包树，并反变换重构去噪后的信号，得到降噪振动信号s(t)。

3.如权利要求1所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是所述第三步中2)对目标信号s₁(t)，s₂(t)进行经验模态分解，具体包括

2.1)确定目标信号s₁(t)所有的极大值点和极小值点，然后将所有极大值点用一条光滑的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到下包络线，使上、下包络线线间包含所有的信号；上、下包络线的平均值记为m₁(t)，求出目标信号s₁(t)的第一个分量h₁(t)：s₁(t)-m₁(t)＝h₁(t) (2)

2.2)，将h₁(t)作为s₁(t)带入式(2)中，重复进行步骤2.1)的筛选k次，得到h_1k(t)＝h_1(k-1)(t)-m_1k(t)，使得h_1k(t)变为一个固有模态函数分量；记c₁(t)＝h_1k(t)，则c₁(t)为信号s₁(t)的固有模态函数条件的分量；

2.3)将c₁(t)从s₁(t)中分离出来，得到：r₁(t)＝s₁(t)-c₁(t) (3)

将r₁(t)作为s₁(t)重复步骤2.1)和2.2)，得到s₁(t)的第二个满足固有模态函数条件的分量c₂(t)，

2.4)重复步骤2.3)n次得到信号s₁(t)的n个固有模态分量，

即

在步骤2.4)的重复循环的终止条件为：当分量c_n(t)或残量r_n(t)足够小以至于当残量r_n(t)为一个单调函数不能再从中提取满足固有模态函数条件的分量时；目标信号s₂(t)同样按照s₁(t)的处理方式，按照步骤2.1)到2.4)对s₂(t)进行处理。

4.如权利要求1所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是所述第四步中，确定所需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，归一化能量值累计大于90％时的Z值，即计算出各固有模态函数分量能量，第i阶固有模态函数分量的能量的计算公式为式(6)中n为振动信号互补总体平均经验模态分解的固有模态函数分量阶数，N为每个固有模态函数分量的数据点数；各阶固有模态函数分量的能量总和为则第i阶的固有模态函数分量的能量比定义为当R₁+R₂+…+R_k≥90％时的Z值，即为归一化能量值累计大于90％的Z值。

5.如权利要求1所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是第五步提取提取其样本熵的方法如下：

1))记第i个固有模态函数分量为c_i(t)＝{c(n)}＝c(1),c(2),…,c(N)的N点数据序列，将序列{c(n)}按顺序组成m维的向量，C_m(1),…,C_m(N-m+1)，

即C_m(i)＝{c(i),c(i+1),…,c(i+m-1)},1≤i≤N-m+1(9)

2)定义向量C_m(i)和C_m(j)之间的距离d[C_m(i),C_m(j)](i≠j)为两组向量对应元素中最大差值的绝对值，即

3)给定相似容限r(r＞0)，对每个i值统计d[C_m(i),C_m(j)]＜r的C_m(j)(1≤j≤N-m+1,j≠i)的数目，然后计算其与总距离N-m的比值，记作即

4)计算所有的平均值B^(m)(r)，即

5)将向量增加维数到m+1，重复步骤1)～3)，则的平均值B^(m+1)(r)如式(13)所示，即实测数据N为有限值时，样本熵的估计值如式(14)所示，即SampEn(m,r,N)＝-ln[B^(m+1)(r)/B^(m)(r)](14)。

6.如权利要求5所述的一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征在于所述m取值为1或2，r取0.1-0.25倍SD。

7.如权利要求所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是第六步具体包括以下步骤

设为输入向量，t＝[t₁,t₂,…,t_N]^T为目标向量，则相关向量机分类模型如式(15)所示，即式(15)中，w为权重向量，w＝[w₀,w₁,…,w_N]^T；K(x,x_i)为核函数，噪声ε_n～N(0,σ²)；

整个数据集的似然函数如式(16)所示，即 式(16)中，Φ＝[φ(x₁),φ(x₂),…,φ(x_N)]^T为设计矩阵，φ(x_i)＝[1,K(x_i,x₁),K(x_i,x₂),…,K(x_i,x_N)]^T；

当目标值为0或1时，似然函数如式(17)所示，即

式(17)中，δ(·)为sigmoid函数；

采用稀疏贝叶斯方法对权重向量w赋予零均值高斯先验分布如式(18)所示，即式(18)中，α为N+1维超参数向量，α＝(α₀,α₁,…,α_N)^T，N(·)为正态分布函数；

对于新的输入向量x_*，其对应的目标值t_*的概率预测式为p(t_*|t)＝∫p(t_*|w,α,σ²)p(w,α,σ²|t)dwdαdσ²(19)，对式(19)进行贝叶斯推导，可得p(w,α,σ²|t)＝p(w|t,α,σ²)p(α,σ²|t)(20)

对式(20)进行近似处理，相关向量机的学习过程为最大化p(α,σ²|t)∝p(t|α,σ²)p(α)p(σ²)的过程，即找到α_MP、σ² _MP，满足采用数值方法近似求解α_MP、σ² _MP，可得α、σ²迭代更新公式如式(22)、(23)、(24)，即γ_i＝1-α_iΣ_i,i(24)；式(24)中，Σ_i,i为Σ＝[σ^-2Φ^TΦ+diag(α₀,α₁,…,α_N)]^-1中第i项对角线元素，μ_i为权重向量μ＝σ^-2ΣΦ^Tt的第i个元素；在足够多的更新后，大部分的α_i将趋近无穷大，其对应的w_i为0，而其他的α_i则会趋近于有限值，与之对应的x_i的集合称为相关向量，进而可得相关向量机的分类模型；以类间样本平均欧式距离作为可分性测度设计相关向量机二叉树分类器的层次结构，将万能式断路器故障诊断这一多分类问题转化为多个二分类问题，从而建立基于相关向量机的二叉树分类器的万能式断路器故障诊断模型；

对于两类样本集合和其中x_i∈A类，类，则A类与B类的类间样本平均欧式距离如式(25)所示，即式(25)中，为2个不同类别样本间的欧式距离。

8.如权利要求1所述的一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是所述第七步中，基于相关向量机的二叉树多分类器中相关向量机的处理次序依据不同状态下振动信号样本的类间样本平均欧式距离从大到小排序。

9.如权利要求1～7所述任一一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征是执行所述方法的万能式断路器分合闸故障检测系统包括操作台、LC0159加速度传感器、固态继电器组、工控机、PCL720板卡和USB7648A采集卡，工控机通过ISA总线控制PCL720板卡对固态继电器组进行操作；通过USB7648A采集卡将加速度传感器的模拟信号转换成数字信号并通过USB总线传送给工控机进行后续处理。

10.如权利要求8所述一种基于振动信号的万能式断路器分合闸故障诊断方法，其特征所述振动信号的捕捉可通过设定USB7648A采集卡实时采集信号的阈值作为有效振动信号的时间标识，也可以给定断路器合闸线圈的电信号作为有效振动信号的时间标识。