CN109061463A - 一种高压断路器机械状态监测和故障诊断方法 - Google Patents

Abstract

本发明公开了一种高压断路器机械状态监测和故障诊断方法，包括步骤：1)根据高压断路器历史故障数据统计结果，对常见的一些高压断路器进行人为的故障模拟实验，获得故障数据；2)对故障的电流数据进行分析，提取各机构故障的电流数据特征量作为状态诊断分类依据之一；3)对故障的振动信号进行分析，分别利用小波包分解和样本熵处理振动信号高、低频分量得到相应的小波包相对能量和样本熵，作为振动信号特征量；4)利用主成分分析对振动信号特征量进行降维，作为状态诊断分类依据之一，并利用支持向量机对断路器进行状态诊断。本发明可有效利用故障状态的多维信息，促进断路器多参量多维映射故障诊断的发展。

Description

一种高压断路器机械状态监测和故障诊断方法

技术领域

本发明涉及断路器故障检测和诊断的技术领域，尤其是指一种高压断路器机械状态监测和故障诊断方法。

背景技术

当前电网系统扩展迅速，供电安全和稳定性也逐渐引起人们的重视，供电负荷不断增加，电力系统中高压断路器的使用和维护越来越受到运行和检修人员的关注，所以保障电网中运行设备的运行正常非常有必要。电网中最重要组成部分是高电压等级的电气设备，它成为保障电网能够安全稳定运作的根本。在电网安全运行过程当中，断路器作为一种连接、断开以及接通一般状态的电流分合装置承担着举足轻重的作用。高压断路器一般指电网中使用的超过3kV电压等级的断路器在短路故障等不正常情况下，也可以进行一定时间内开断和导通。高压断路器在电网中的作用非常重要，维持电网安全可靠运作需要利用它来加入或切掉一些电力设备和负荷，从而达到系统控制和保护的功能。断路器不仅用来系统正常运作时侯开断和闭合，并且当某些部位发生故障时能够在系统保护设备的控制下快速响应配合，迅速切除电力系统中的事故部分，从而确保电网中非故障部分运作正常。电力系统出现事故的时候，高压断路器如果没有开断线路并切除事故部分，可能导致问题变得更严重，甚至于产生大范围供电失常。高压断路器的一些部位会随着使用年限增加发生老化甚至破坏，出现如机械部位损坏、联接部位消磨等问题，所以如果使用年限过长，就非常有必要将相应的部位实施检修。如果不针对性的对出现问题的设备实施大面积拆解和大量维修操作，可能导致很多资源、人力、经济上的消耗和损失。不仅如此，还存在检修水平差或检修工人技能培训不到位等可能问题，这样在设备检修过后会遗留甚至产生新的问题，使得正常运行的断路器等设备可能发生认为的故障。随着信息处理、信息采集监测等基础研究取得了重大进展和信号特征提取手段的不断丰富，实现设备的状态监测和故障诊断逐渐成为现实。断路器分合闸线圈老化、铁芯卡滞、传动机构卡涩、凸轮磨损等机械故障严重影响电网安全稳定运行，也会造成巨大经济损失。因此，对断路器机械状态进行监测，对监测数据进行准确的特征识别，分析断路器运行状态、故障性质与部位，具有非常重要的意义。

针对现有断路器状态监测手段单一、特征提取算法过于传统、无法从监测数据中准确提取有效特征、尚未有完备的故障诊断系统出现等问题，本发明提出了在线监测方法和数据的获取，搭建了一个故障模拟试验平台，主要通过故障模拟的手段获取断路器机械故障数据，利用小波包分解和样本熵对监测数据进行特征提取以及特征信息的选择。最后将从故障模拟得到的数据中提取的特征信息主成分用于建立多维映射知识库，并利用支持向量机对断路器的状态进行诊断。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种高压断路器机械状态监测和故障诊断方法，突破传统数据采集的不足，利用实验平台模拟故障的方法采集不同种类的断路器机械故障，并结合振动信号构成多参量的映射知识库用于故障诊断分析。

为实现上述目的，本发明所提供的技术方案为：一种高压断路器机械状态监测和故障诊断方法，所述高压断路器常发生故障的机构有分合闸线圈回路、传动机构和储能机构，其中分合闸线圈回路故障类型有分合闸线圈老化、分合控制电压偏离、分合闸铁芯空程不足和分合闸铁芯卡涩四种，传动机构故障类型分为传动机构卡涩和凸轮磨损两种，储能机构故障类型分为弹簧疲劳和电机线圈老化两种，利用断路器故障模拟平台生成以上几种故障的故障数据，包括电流信号和振动信号，分别利用小波包分解和样本熵处理振动信号的高频和低频部分，以获得各类故障的振动信号特征量，利用主成分分析PCA对振动信号特征量进行降维，将振动信号特征量与电流信号特征量相结合，利用支持向量机SVM进行断路器状态诊断；其包括以下步骤：

1)根据高压断路器历史故障数据统计结果，在实验技术条件允许的情况下，对常见的一些高压断路器进行人为的故障模拟实验，获得故障数据；

2)根据模拟实验，对故障的电流数据进行分析，提取各机构故障的电流数据特征量作为状态诊断分类依据之一；

3)根据模拟实验，对故障的振动信号进行分析，分别利用小波包分解和样本熵处理振动信号高、低频分量得到相应的小波包相对能量和样本熵，作为振动信号特征量；

4)利用主成分分析对振动信号特征量进行降维，作为状态诊断分类依据之一，并利用支持向量机对断路器进行状态诊断。

在步骤1)中，根据高压断路器历史故障数据统计结果，在实验技术条件允许的情况下，对常见的一些高压断路器进行人为的故障模拟实验，获得故障数据；

分合闸线圈：分合闸线圈控制电压偏离、分合闸线圈老化、铁芯空行程不足和铁芯卡涩这四种故障状态，通过将原有分合闸线圈回路供电电源断开，代之外部直流电流供电，以额定工作电压的85％，90％，…,110％进行供电，模拟分合闸线圈控制电压偏离，通过在线圈中串联滑动变阻器模拟分合闸线圈老化，通过改变铁芯的初始位置，来改变铁芯撞击锁扣的行程模拟铁芯空程不足，通过洗涤铁芯内的润滑油并掺入杂质模拟铁芯卡涩；

传动机构：传动机构卡涩、凸轮磨损，通过联接弹簧利用弹簧阻力来模拟传动机构卡涩，通过打磨凸轮模拟凸轮磨损；

储能机构：储能电机电压偏离、储能电机线圈老化和弹簧疲劳，通过将原有供电电源从储能电机线圈回路断开，代之外部直流电流供电，以额定工作电压的75％，90％，…,120％进行供电模拟储能电机电压偏离，通过在储能电机线圈中串联滑动变阻器模拟储能电机线圈老化，通过更换不同弹性系数的弹簧代替原有的合闸弹簧模拟弹簧疲劳。

在步骤2)中，根据模拟实验，对故障的电流数据进行分析，提取各机构故障的电流数据特征量作为状态诊断分类依据之一；

分合闸线圈故障通过线圈电流来表征，模拟步骤1)所述的四种故障，主要通过电流波形的差异来判断故障状态，分合闸线圈等效为电感L、电阻R和外接电源U的回路，工作回路微分方程：

其中，ψ为磁链，为计算方便，假设铁芯没饱和，ψ＝Li，则电感L不随电流i的变化而变化，但与铁芯的气隙δ有关，而铁芯气隙δ又与铁芯运动速度v有关：

线圈通电之后，分合闸线圈回路分为以下几个步骤：

①t₀～t₁：t₀时刻分合闸线圈通电，满足铁芯运动速度为0，回路电流在电感的作用下缓慢上升直至t₁时刻铁芯开始运动，此时电流达到最大值；

②t₁～t₂：铁芯开始运动，电流逐渐下降，至t₂电磁铁接触到机构锁扣停止运动；

③t₂～t₃：操动机构动作，铁芯停止运动后电流缓慢上升，物理过程和②相同，仅由于气隙δ不同，电感参数不同；

④t₃～t₄：辅助开关断开，触头间产生电弧，电弧电压迅速增大，电流衰减至0；分合闸线圈控制电压偏离、线圈老化、铁芯空程不足和铁芯卡涩故障均会导致整个过程线圈电流发生变化，四种故障类型均选取对应状态下分合闸线圈电流的三个相对时间参数Δt₁，Δt₂，Δt₃，其中Δt₁＝t₁-t₀，Δt₂＝t₂-t₁，Δt₃＝t₃-t₂，以及t₁，t₂，t₃三个时刻对应的电流值I₁(A)，I₂(A)，I₃(A)作为分合闸线圈的电流差异特征量；

传动机构故障通过的动触头行程来表征，模拟步骤1)所述的两种故障，采用传感器测量触头刚合速度v₁、刚分速度v₂和平均速度v₃为动触头的三个差异特征量；

储能机构故障通过储能电机电流来表征，模拟步骤1)所述的两种故障，典型储能电机电流波动主要分为以下几个阶段：

①储能电机上电，其中，i_a、U_a、R_a分别为储能电机电枢电流、电枢电压、电枢电阻，T_M为机电时间常数，T_M＝JR_a/C²，J是电机转子以及连接机构的转动惯量，C是机电常数，C＝pQφ/2πa，p是电机极对数，Q是电枢绕组有效导体数，φ是每极的磁通量，a是支路对数；

②电机电流平稳过程中电机开始转动，其中，R_ω是旋转阻力系数；

③储能电机做功：选取电机启动时刻对应的时间t₀和该时刻的电流幅值I_max为差异特征量。

在步骤3)中，根据模拟实验，对故障的振动信号进行分析，分别利用小波包分解和样本熵处理振动信号高、低频分量得到相应的小波包相对能量和样本熵，作为振动信号特征量；

分别采用小波包变换和样本熵来提取提取高频分量的相对能量和低频部分的样本熵作为振动信号的特征量，其中高频部分的相对小波能量提取过程为：对序列长度为L的振动信号，对该序列进行l层级的分解，能够将原始信号分解到不同而连续的频段上，信号的能量也同样分散到各个高低不同的频带上，但是分解后各节点信号所包含的能量之和不会发生改变，任何一个节点的重构信号代表初始信号在该节点频域范围内的所有特征信息，如(j,i)代表小波包变换后层级为j，编号为i的节点，E_ji代表该点的节点能量，Y_ji代表该点的重构序列，则：

j＝0,1,...,l,i＝0,1,...,2^j-1,j为分解层数，第j层的总能量E_j表示为：

将振动信号进行3层的小波包分解，共得到8个频段节点，提取出高频段4、5、6、7四个节点的相对小波构成特征量[Y₁,Y₂,Y₃,Y₄]：

[Y₁,Y₂,Y₃,Y₄]＝[E₃₄,E₃₅,E₃₆,E₃₇]/E₃；

此外，低频部分的样本熵的提取过程如下：对由N个数据组成的时间序列{x(N)}＝x(1),x(2),...,x(N),

①首先构成一组向量序列，X_m(1),...,X_m(N-m)，其中X_m(i)＝{x(i),x(i+1),...,x(i+m-1),1≤i≤N-m}，这个序列指的是i点往后相邻的m个点的取值；

②定义向量X_m(i)与X_m(j)之间的距离d[X_m(i),X_m(j)]为两者对应元素中最大差值的绝对值，即:

③对于给定的r，统计X_m(i)与X_m(j)之间距离小于r的j(1≤j≤N-m,j≠i)的数目及此数目N^m(i)与距离总数N-m-1的比值B_r ^m(i)：

④该比值对所有i的平均值增加到m+1维，同理计算N^m+1(i)，和所得B^m(r)为信号之间在r下相似m个值的可能性，而B^m+1(r)是相似m+1个值的可能性，得样本熵：

提取低频信号的样本熵S₁到S₄构成特征量[Y₅,Y₆,Y₇,Y₈]：

[Y₅,Y₆,Y₇,Y₈]＝[S₁,S₂,S₃,S₄]。

在步骤4)中，利用主成分分析PCA对振动信号特征量进行降维，作为状态诊断分类依据之一，并利用支持向量机对断路器进行状态诊断；对于主成分分析方法：振动信号X(n)经过分解得到P个频段的节点信息，那么对应的特征量有P个相对小波能量值和P个样本熵值，分别设为Y₁,Y₂,...,Y_P/2和Y_p/2+1,Y_p/2+2,...,Y_P，则H个振动信号可得到特征矩阵：

Y＝[Y₁,Y₂,...,Y_P]_H*_P

其中，Y₁,Y₂,...,Y_P为H个振动信号的特征向量，计算Y的协方差矩阵C_Y；求出C_Y的特征值及相应的正交化单位特征向量，即映射向量α_j,则原变量的第j个主成分Z_i＝Yα_j，由映射向量α_j，j＝1,2,...,K组成的矩阵W＝[α₁,α₂,...,α_K]_P*K叫做Y的映射矩阵，降维后的矩阵Z即为Y的主成分矩阵：

Z＝YW＝[Z₁,Z₂,...,Z_K]_H*K

得到主成分矩阵后结合各类故障相应的特征量作为故障诊断分类依据，由支持向量机诊断出故障类型。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次实现了较简便可行的高压断路器故障模拟，解决了传统高压断路器故障数据少的缺点。

2、本发明首次对构成操动机构的几个重要机构进行动作时物理过程的分析，提取了合理有效的状态特征量。

3、本发明首次通过高低频的分解来获取振动信号在不同频段的信息，实现了振动信号运用于故障诊断分析。

4、本发明首次通过电流信号和振动信号的有机结合，构成多参量检测和多维映射的诊断理念。

5、本发明方法在断路器多参量监测和多维映射诊断上具有广泛的使用空间，操作简单、适应性强，在断路器故障数据的采集和故障诊断上有广阔前景。

附图说明

图1为本发明逻辑流程示意图。

图2为本发明采集到的分合闸线圈控制电压偏移时的线圈电流波形图。

图3为本发明模拟的不同种分合闸线圈故障状态的线圈电流波形图。

图4为本发明采集的分合闸线圈工作时的振动信号波形图。

图5为本发明分合闸线圈不同故障状态下铁芯动作振动信号的高频部分小波能量。

图6为本发明分合闸线圈不同故障状态下触头动作振动信号的低频部分的样本熵。

图7为本发明对分合闸线圈故障的诊断结果图。

图8为本发明对传动机构故障的诊断结果图。

图9为本发明对储能机构故障的诊断结果图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的高压断路器机械状态监测和故障诊断方法，使用了断路器模拟故障采集的数据，包括电流信号和振动信号进行故障诊断，其包括以下步骤：

1)在实验条件允许的情况下，认为模拟故障，获得故障数据，其中图2为分合闸线圈控制电压偏移的线圈电流波形对比图，图3为分合闸线圈不同状态下的线圈电流波形对比图。

常见的高压断路器故障指的是断路器机械故障，包括分合闸线圈、传动机构和储能机构。

分合闸线圈：控制电压偏离、分合闸线圈老化、铁芯空行程不足和铁芯卡涩这四种故障状态通过将原有供电电源从分合闸线圈回路断开，代之外部直流电流供电(以额定工作电压的85％，90％，…,110％)进行供电模拟分合闸线圈控制电压偏离，通过在线圈中串联滑动变阻器模拟分合闸线圈老化，通过改变铁芯的初始位置，来改变铁芯撞击锁扣的行程模拟铁芯空程不足，通过洗涤铁芯内的润滑油并掺入杂质模拟铁芯卡涩；

传动机构：传动机构卡涩、凸轮磨损，通过联接弹簧利用弹簧阻力来模拟传动机构卡涩，通过打磨凸轮模拟凸轮磨损；

储能机构：储能电机电压偏离、储能电机线圈老化、弹簧疲劳，通过将原有供电电源从储能电机线圈回路断开，代之外部直流电流供电(以额定工作电压的75％，90％，…,120％)进行供电模拟储能电机电压偏离，通过在储能电机线圈中串联滑动变阻器模拟储能电机线圈老化，通过更换不同弹性系数的弹簧代替原有的合闸弹簧模拟弹簧疲劳。

2)根据模拟实验，对故障的电流数据进行分析，提取各机构故障的电流数据特征量作为状态诊断分类依据之一，具体如下：

分合闸线圈故障通过线圈电流来表征，模拟上述四种故障，主要通过电流波形的差异来判断故障状态，分合闸线圈等效为电感L、电阻R和外接电源U的回路，工作回路微分方程：

其中ψ为磁链，为计算方便，假设铁芯没饱和，ψ＝Li，则电感L不随电流i的变化而变化，但与铁芯的气隙δ有关，而铁芯气隙δ又与铁芯运动速度v有关：

线圈通电之后，分合闸线圈回路分为以下几个步骤：

①t₀～t₁：t₀时刻分合闸线圈通电，满足铁芯运动速度为0，回路电流在电感的作用下缓慢上升直至t₁时刻铁芯开始运动，此时电流达到最大值；

②t₁～t₂：铁芯开始运动，电流逐渐下降，至t₂电磁铁接触到机构锁扣停止运动；

③t₂～t₃：操动机构动作，铁芯停止运动后电流缓慢上升，物理过程和②相同，仅由于气隙δ不同，电感参数不同；

④t₃～t₄：辅助开关断开，触头间产生电弧，电弧电压迅速增大，电流衰减至0；分合闸线圈控制电压偏离、线圈老化、铁芯空程不足和铁芯卡涩故障均会导致整个过程线圈电流发生变化，四种故障类型均选取对应状态下分合闸线圈电流的三个相对时间参数Δt₁，Δt₂，Δt₃，其中Δt₁＝t₁-t₀，Δt₂＝t₂-t₁，Δt₃＝t₃-t₂，以及t₁，t₂，t₃三个时刻对应的电流值I₁(A)，I₂(A)，I₃(A)作为分合闸线圈的电流差异特征量；

传动机构故障通过的动触头行程来表征，模拟上述的两种故障，采用传感器测量触头刚合速度v₁、刚分速度v₂和平均速度v₃为动触头的三个差异特征量；

储能机构故障通过储能电机电流来表征，模拟上述的两种故障，典型储能电机电流波动主要分为以下几个阶段：

①储能电机上电，其中，i_a、U_a、R_a分别为储能电机电枢电流、电枢电压、电枢电阻，T_M为机电时间常数，T_M＝JR_a/C²，J是电机转子以及连接机构的转动惯量，C是机电常数，C＝pQφ/2πa，p是电机极对数，Q是电枢绕组有效导体数，φ是每极的磁通量，a是支路对数；

②电机电流平稳过程中电机开始转动，其中，Rω是旋转阻力系数；

③储能电机做功：选取电机启动时刻对应的时间t₀和该时刻的电流幅值I_max为差异特征量；

如表1到3分别分合闸线圈、传动机构、储能机构在不同状态下的特征量，另外Z₁、Z₂、Z₃、Z₄是振动信号特征量将在步骤3)介绍：

表1分合闸线圈特征量

表2传动机构特征参量

表3储能机构特征参量

3)根据模拟实验，对故障的振动信号进行分析，分别利用小波包分解和样本熵处理振动信号高、低频分量得到相应的小波包相对能量和样本熵，作为振动信号特征量。

分别采用小波包变换和样本熵来提取提取高频分量的相对能量和低频部分的样本熵作为振动信号的特征量，其中高频部分的相对小波能量提取过程如下：对序列长度为L的振动信号，对该序列进行l层级的分解，能够将原始信号分解到不同而连续的频段上，信号的能量也同样分散到各个高低不同的频带上，但是分解后各节点信号所包含的能量之和不会发生改变，任何一个节点的重构信号代表初始信号在该节点频域范围内的所有特征信息，如(j,i)代表小波包变换后层级为j，编号为i的节点，E_ji代表该点的节点能量，Y_ji代表该点的重构序列，则：

j＝0,1,...,l,i＝0,1,...,2^j-1,j为分解层数，第j层的总能量E_j表示为：

将振动信号进行3层的小波包分解，共得到8个频段节点，提取出高频段4、5、6、7四个节点的相对小波构成特征量[Y₁,Y₂,Y₃,Y₄]：

[Y₁,Y₂,Y₃,Y₄]＝[E₃₄,E₃₅,E₃₆,E₃₇]/E₃；

此外，低频部分的样本熵的提取过程如下：对由N个数据组成的时间序列{x(N)}＝x(1),x(2),...,x(N),

①首先构成一组向量序列，X_m(1),...,X_m(N-m)，其中X_m(i)＝{x(i),x(i+1),...,x(i+m-1),1≤i≤N-m}，这个序列指的是i点往后相邻的m个点的取值；

②定义向量X_m(i)与X_m(j)之间的距离d[X_m(i),X_m(j)]为两者对应元素中最大差值的绝对值，即:

(③对于给定的r，统计X_m(i)与X_m(j)之间距离小于r的j(1≤j≤N-m,j≠i)的数目及此数目N^m(i)与距离总数N-m-1的比值B_r ^m(i)：

④该比值对所有i的平均值增加到m+1维，同理计算N^m+1(i)，和所得B^m(r)为信号之间在r下相似m个值的可能性，而B^m+1(r)是相似m+1个值的可能性，得样本熵：

提取低频信号的样本熵S₁到S₄构成特征量[Y₅,Y₆,Y₇,Y₈]：

[Y₅,Y₆,Y₇,Y₈]＝[S₁,S₂,S₃,S₄]。

图4分合闸过程中铁芯和触头运动采集的振动波形，采样频率为25kHz，如图5和图6所示，分别利用小波包分解和样本熵得到分合闸过程中振动信号的特征量Y₁,Y₂,Y₃,Y₄和Y₅,Y₆,Y₇,Y₈，如表4，以分合闸过程振动信号为例，得到不同故障状态下样本的分合闸过程振动信号特征量：

表4分合闸过程振动信号特征量

4)利用主成分分析PCA对振动信号特征量进行降维，作为状态诊断分类依据之一，并利用支持向量机对断路器进行状态诊断；对于主成分分析方法：振动信号X(n)经过分解得到P个频段的节点信息，那么对应的特征量有P个相对小波能量值和P个样本熵值，分别设为Y₁,Y₂,...,Y_P/2和Y_p/2+1,Y_p/2+2,...,Y_P，则H个振动信号可得到特征矩阵：

Y＝[Y₁,Y₂,...,Y_P]_H*P

其中，Y₁,Y₂,...,Y_P为H个振动信号的特征向量，计算Y的协方差矩阵C_Y；求出C_Y的特征值及相应的正交化单位特征向量，即映射向量α_j,则原变量的第j个主成分Z_i＝Yα_j，由映射向量α_j，j＝1,2,...,K组成的矩阵W＝[α₁,α₂,...,α_K]_P*K叫做Y的映射矩阵，降维后的矩阵Z即为Y的主成分矩阵：

Z＝YW＝[Z₁,Z₂,...,Z_K]_H*K

得到主成分矩阵后结合各类故障相应的特征量作为故障诊断分类依据，由支持向量机诊断出故障类型。

利用主成分分析法PCA，得各个特征量贡献率如表5所示,由表可知前四个特征对主成分方差累计贡献率为100％，故取前四个特征量作为振动信号的特征信息；

表5主成分对方差的贡献率及累计贡献率

由此，在得到各机构故障特征量，如表1到3所示之后利用支持向量机对断路器进行状态诊断，诊断结果如图7到图9所示，得各机构故障诊断识别率如表6到8所示：

表6分合闸线圈回路状态诊断识别率

表7传动机构状态诊断识别率

状态	正常	传动机构卡涩	凸轮磨损
				状态标签	1	2	3
分类识别率	90％	80％	60％

表8储能机构状态诊断识别率

状态	正常	储能电机老化	弹簧疲劳
				状态标签	1	2	3
分类识别率	80％	60％	70％

综上所述，在采用以上方案后，本发明为断路器故障模拟数据采集和故障状态诊断提供了新的方法，除电流信号特征量之外，将振动信号包含的信息也作为诊断特征量，能够有效地利用故障状态的多维信息，有效推动多映射故障诊断的发展，具有实际推广价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种高压断路器机械状态监测和故障诊断方法，其特征在于：所述高压断路器常发生故障的机构有分合闸线圈回路、传动机构和储能机构，其中分合闸线圈回路故障类型有分合闸线圈老化、分合控制电压偏离、分合闸铁芯空程不足和分合闸铁芯卡涩四种，传动机构故障类型分为传动机构卡涩和凸轮磨损两种，储能机构故障类型分为弹簧疲劳和电机线圈老化两种，利用断路器故障模拟平台生成以上几种故障的故障数据，包括电流信号和振动信号，分别利用小波包分解和样本熵处理振动信号的高频和低频部分，以获得各类故障的振动信号特征量，利用主成分分析PCA对振动信号特征量进行降维，将振动信号特征量与电流信号特征量相结合，利用支持向量机SVM进行断路器状态诊断；其包括以下步骤：

1)根据高压断路器历史故障数据统计结果，在实验技术条件允许的情况下，对常见的一些高压断路器进行人为的故障模拟实验，获得故障数据；

2)根据模拟实验，对故障的电流数据进行分析，提取各机构故障的电流数据特征量作为状态诊断分类依据之一；

3)根据模拟实验，对故障的振动信号进行分析，分别利用小波包分解和样本熵处理振动信号高、低频分量得到相应的小波包相对能量和样本熵，作为振动信号特征量；

4)利用主成分分析对振动信号特征量进行降维，作为状态诊断分类依据之一，并利用支持向量机对断路器进行状态诊断。

2.根据权利要求1所述的一种高压断路器机械状态监测和故障诊断方法，其特征在于：在步骤1)中，根据高压断路器历史故障数据统计结果，在实验技术条件允许的情况下，对常见的一些高压断路器进行人为的故障模拟实验，获得故障数据；

分合闸线圈：分合闸线圈控制电压偏离、分合闸线圈老化、铁芯空行程不足和铁芯卡涩这四种故障状态，通过将原有分合闸线圈回路供电电源断开，代之外部直流电流供电，以额定工作电压的85％，90％，…,110％进行供电，模拟分合闸线圈控制电压偏离，通过在线圈中串联滑动变阻器模拟分合闸线圈老化，通过改变铁芯的初始位置，来改变铁芯撞击锁扣的行程模拟铁芯空程不足，通过洗涤铁芯内的润滑油并掺入杂质模拟铁芯卡涩；

传动机构：传动机构卡涩、凸轮磨损，通过联接弹簧利用弹簧阻力来模拟传动机构卡涩，通过打磨凸轮模拟凸轮磨损；

储能机构：储能电机电压偏离、储能电机线圈老化和弹簧疲劳，通过将原有供电电源从储能电机线圈回路断开，代之外部直流电流供电，以额定工作电压的75％，90％，…,120％进行供电模拟储能电机电压偏离，通过在储能电机线圈中串联滑动变阻器模拟储能电机线圈老化，通过更换不同弹性系数的弹簧代替原有的合闸弹簧模拟弹簧疲劳。

3.根据权利要求1所述的一种高压断路器机械状态监测和故障诊断方法，其特征在于：在步骤2)中，根据模拟实验，对故障的电流数据进行分析，提取各机构故障的电流数据特征量作为状态诊断分类依据之一；

分合闸线圈故障通过线圈电流来表征，模拟步骤1)所述的四种故障，主要通过电流波形的差异来判断故障状态，分合闸线圈等效为电感L、电阻R和外接电源U的回路，工作回路微分方程：

其中，ψ为磁链，为计算方便，假设铁芯没饱和，ψ＝Li，则电感L不随电流i的变化而变化，但与铁芯的气隙δ有关，而铁芯气隙δ又与铁芯运动速度v有关：

线圈通电之后，分合闸线圈回路分为以下几个步骤：

①t₀～t₁：t₀时刻分合闸线圈通电，满足铁芯运动速度为0，回路电流在电感的作用下缓慢上升直至t₁时刻铁芯开始运动，此时电流达到最大值；

②t₁～t₂：铁芯开始运动，电流逐渐下降，至t₂电磁铁接触到机构锁扣停止运动；

③t₂～t₃：操动机构动作，铁芯停止运动后电流缓慢上升，物理过程和②相同，仅由于气隙δ不同，电感参数不同；

④t₃～t₄：辅助开关断开，触头间产生电弧，电弧电压迅速增大，电流衰减至0；分合闸线圈控制电压偏离、线圈老化、铁芯空程不足和铁芯卡涩故障均会导致整个过程线圈电流发生变化，四种故障类型均选取对应状态下分合闸线圈电流的三个相对时间参数Δt₁，Δt₂，Δt₃，其中Δt₁＝t₁-t₀，Δt₂＝t₂-t₁，Δt₃＝t₃-t₂，以及t₁，t₂，t₃三个时刻对应的电流值I₁(A)，I₂(A)，I₃(A)作为分合闸线圈的电流差异特征量；

传动机构故障通过的动触头行程来表征，模拟步骤1)所述的两种故障，采用传感器测量触头刚合速度v₁、刚分速度v₂和平均速度v₃为动触头的三个差异特征量；

储能机构故障通过储能电机电流来表征，模拟步骤1)所述的两种故障，典型储能电机电流波动主要分为以下几个阶段：

①储能电机上电，其中，i_a、U_a、R_a分别为储能电机电枢电流、电枢电压、电枢电阻，T_M为机电时间常数，T_M＝JR_a/C²，J是电机转子以及连接机构的转动惯量，C是机电常数，C＝pQφ/2πa，p是电机极对数，Q是电枢绕组有效导体数，φ是每极的磁通量，a是支路对数；

②电机电流平稳过程中电机开始转动，其中，R_ω是旋转阻力系数；

③储能电机做功：选取电机启动时刻对应的时间t₀和该时刻的电流幅值I_max为差异特征量。

4.根据权利要求1所述的一种高压断路器机械状态监测和故障诊断方法，其特征在于：在步骤3)中，根据模拟实验，对故障的振动信号进行分析，分别利用小波包分解和样本熵处理振动信号高、低频分量得到相应的小波包相对能量和样本熵，作为振动信号特征量；

分别采用小波包变换和样本熵来提取提取高频分量的相对能量和低频部分的样本熵作为振动信号的特征量，其中高频部分的相对小波能量提取过程为：对序列长度为L的振动信号，对该序列进行l层级的分解，能够将原始信号分解到不同而连续的频段上，信号的能量也同样分散到各个高低不同的频带上，但是分解后各节点信号所包含的能量之和不会发生改变，任何一个节点的重构信号代表初始信号在该节点频域范围内的所有特征信息，(j,i)代表小波包变换后层级为j，编号为i的节点，E_ji代表该点的节点能量，Y_ji代表该点的重构序列，则：

j＝0,1,...,l,i＝0,1,...,2^j-1,j为分解层数，第j层的总能量E_j表示为：

将振动信号进行3层的小波包分解，共得到8个频段节点，提取出高频段4、5、6、7四个节点的相对小波构成特征量[Y₁,Y₂,Y₃,Y₄]：

[Y₁,Y₂,Y₃,Y₄]＝[E₃₄,E₃₅,E₃₆,E₃₇]/E₃；

此外，低频部分的样本熵的提取过程如下：对由N个数据组成的时间序列{x(N)}＝x(1),x(2),...,x(N),

①首先构成一组向量序列，X_m(1),...,X_m(N-m)，其中X_m(i)＝{x(i),x(i+1),...,x(i+m-1),1≤i≤N-m}，这个序列指的是i点往后相邻的m个点的取值；

②定义向量X_m(i)与X_m(j)之间的距离d[X_m(i),X_m(j)]为两者对应元素中最大差值的绝对值，即:

③对于给定的r，统计X_m(i)与X_m(j)之间距离小于r的j(1≤j≤N-m,j≠i)的数目及此数目N^m(i)与距离总数N-m-1的比值B_r ^m(i)：

④该比值对所有i的平均值增加到m+1维，同理计算N^m+¹(i)，和所得B^m(r)为信号之间在r下相似m个值的可能性，而B^m+1(r)是相似m+1个值的可能性，得样本熵：

提取低频信号的样本熵S₁到S₄构成特征量[Y₅,Y₆,Y₇,Y₈]：

[Y₅,Y₆,Y₇,Y₈]＝[S₁,S₂,S₃,S₄]。

5.根据权利要求1所述的一种高压断路器机械状态监测和故障诊断方法，其特征在于：在步骤4)中，利用主成分分析PCA对振动信号特征量进行降维，作为状态诊断分类依据之一，并利用支持向量机对断路器进行状态诊断；对于主成分分析方法：振动信号X(n)经过分解得到P个频段的节点信息，那么对应的特征量有P个相对小波能量值和P个样本熵值，分别设为Y₁,Y₂,...,Y_P/2和Y_p/2+1,Y_p/2+2,...,Y_P，则H个振动信号可得到特征矩阵：

Y＝[Y₁,Y₂,...,Y_P]_H*P

其中，Y₁,Y₂,...,Y_P为H个振动信号的特征向量，计算Y的协方差矩阵C_Y；求出C_Y的特征值及相应的正交化单位特征向量，即映射向量α_j,则原变量的第j个主成分Z_i＝Yα_j，由映射向量α_j，j＝1,2,...,K组成的矩阵W＝[α₁,α₂,...,α_K]_P*K叫做Y的映射矩阵，降维后的矩阵Z即为Y的主成分矩阵：

Z＝YW＝[Z₁,Z₂,...,Z_K]_H*K

得到主成分矩阵后结合各类故障相应的特征量作为故障诊断分类依据，由支持向量机诊断出故障类型。