CN109870299A - 一种断路器故障检测装置及多种数据融合故障检测方法 - Google Patents
一种断路器故障检测装置及多种数据融合故障检测方法 Download PDFInfo
- Publication number
- CN109870299A CN109870299A CN201910263499.8A CN201910263499A CN109870299A CN 109870299 A CN109870299 A CN 109870299A CN 201910263499 A CN201910263499 A CN 201910263499A CN 109870299 A CN109870299 A CN 109870299A
- Authority
- CN
- China
- Prior art keywords
- parameter
- breaker
- signal
- speed
- interface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000006073 displacement reaction Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000380131 Ammophila arenaria Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010338 mechanical breakdown Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Abstract
一种断路器故障检测装置及多种数据融合故障检测方法，涉及模型分类分析技术领域。包括中央处理器及与其相连的电源、RTC定时器、复位电路、SRAM、EEPROM、开关量输入接口、报警电路、RS485接口、RS232接口、JTAG、位移传感器、真空变送器、模数转换器、语音模块和加速度传感器；本发明提出融合机械特性、语音、真空度和振动信号等多种方法的断路器故障检测方法，将断路器机械特性参数与语音信息特征参数、真空度参数、振动信号特征量组合得到多特征量参数进行识别，能够更加准确和全面的反映出断路器的机械状态。
Description
技术领域
本发明涉及模型分类分析技术领域，具体是涉及一种断路器故障检测装置及多种数据融合故障检测方法。
背景技术
断路器应用场合及其广泛，其工作状态影响着整个电力系统的工作稳定性。如今，电力设备的检修方式已经发生了改变，不再以设备的动作次数为依据，而是以设备的状态为依据，这就意味着对断路器状态进行在线监测变得至关重要。
统计结果表明，断路器的操动机构是发生问题的常见地方，而且机械特性是造成大多数断路器故障主要原因。实现断路器机械特性在线监测的方法很多，如频谱分析，红外线分析，系统动态响应特性的测试分析，系统压力的动态测试，组件壳体的振动信号分析，超声波的分析等。但是，机械特性在线监测和故障诊断方法存在受周围强电磁场的影响较大的问题，而且断路器之间的差异及环境的差异性使得断路器的工作特性并不是完全相同的，断路器机械特性的变化，要求对处理数据得到算法进行改进，才能达到对断路器的稳定监测的效果。
为更加精确地获取断路器的运行状态，本发明提出融合机械特性、语音、真空度和振动信号等多种方法的断路器故障检测方法，在特征参数层将机械特性参数与语音信息特征参数、真空度参数、加速度参数相结合，得到一个新的特征参数，再将新的特征参数输入到训练好的高斯混合模型中，判断更接近哪个状态的模型，据此对断路器的运行状态及故障类型作出综合评判。同时，能够在故障出现之前发出警示，从而提高断路器运行的可靠性。
发明内容
本发明解决的问题是：为弥补环境因素对断路器机械特性在线监测结果影响较大的缺陷，提出一种融合机械特性、语音、真空度和振动信号等多种方法的断路器运行状态在线检测方法。这种系统既能够兼顾断路器机械特性的在线监测，又能够通过语音信息采集、真空度监测和振动信号监测等多种方法进行分析来弥补不同环境下机械特性的差异性导致的误差，达到更加精准的在线监测和故障判断结果。
为了实现上述目的，本发明所采用的技术方案为：一种断路器故障检测装置，包括中央处理器及与其相连的电源、RTC定时器、复位电路、SRAM、EEPROM、开关量输入接口、报警电路、RS485接口、RS232接口、JTAG、位移传感器、真空变送器、模数转换器、语音模块和加速度传感器；
位移传感器和真空变送器的输出端接模拟/数字转换器的输入端，模拟/数字转换器并行接口与处理器的数据总线相连；
语音模块与处理器通过SPI接口连接，包括存储模块和处理模块；
SRAM并行接口与处理器的数据总线相连；EEPROM与处理器提供的IIC主机控制器直接相连；
开关量输入接口监测断路器分、合闸信号；报警电路通过GPIO口与处理器相连；
RS485接口为与上位机通信的串行接口；RS232接口可作为调试或接其他满足232电平标准的串口设备；JTAG接口为仿真调试接口，以及程序烧写接口；RS485接口收发控制端通过GPIO口接到处理器，接收发送端与处理器通过SCIC接口相连；RS232接口与处理器通过SCIB接口相连；
加速度传感器通过IIC总线与处理器相连。
一种多种数据融合故障检测方法，包括以下步骤：
步骤A：获得断路器分、合闸发生信号；
步骤B：接收语音片断输入，提取语音特征参数F1，该特征参数为12维美尔频率倒谱系数；
步骤C：接收位移传感器输出信号，求取真空断路器机械特性参数F2：合(分)闸时间、触头行程、开距、超行程、合(分)闸平均速度以及刚合刚分速度；
步骤D：接收真空变送器输出信号，求取真空断路器的真空度参数F3；
步骤E：接收加速度传感器的输出信号，求取断路器的5维振动信号特征参数F4；
步骤F：获得24维特征参数将特征参数F5输入到已经训练好的状态识别模型中，来确定哪一个状态识别模型是一个最佳匹配，根据匹配的状态识别模型来选择该模型对应的断路器工作状态，并将结果显示在上位机。
作为本发明的多种数据融合故障检测方法的优选技术方案：步骤B中提取特性参数F1采用如下方法：
步骤1：接收待识别的语音片断输入；
步骤2：对待识别的语音片断数字化以提供数字语音信号；
步骤3：对待识别的数字语音信号X(n)进行预处理，包括预加重、分帧、加窗、端点检测：
步骤3.1：对待识别的数字语音信号X(n)按下面进行预加重：
式中α＝0.9375，n表示待识别的情感数字语音离散点序号；
步骤3.2：对信号进行5层小波包分解，分别提取小波包分解第5层从低频到高频32个频率的信号特征S5j(j＝0,1,...,31)，则总信号为
S＝S50+S51+...+S531 (2)
1)求频带信号能量；
设S5j(j＝0,1,...,31)对应的能量为E5j(j＝0,1,...,31)，则有
其中xjk表示信号S5j离散点的幅值；
2)构造特征向量；
不同类型的信号在各个频带内的能量各不相同，以能量为特征构造特征向量：
T＝[E50,E51,...,E531] (4)
再对其进行归一化处理得最后的特征矢量。
作为本发明的多种数据融合故障检测方法的优选技术方案：步骤C提取真空断路器机械特性参数采用如下方法：
步骤1：接收位移传感器输出信号；
步骤2：模拟/数字转换器将采样模拟电压信号转换为数字信号；
步骤3：对采样信号进行预处理，即对其进行数字滤波；
步骤3.1：对行程-时间曲线作频谱分析，采用快速傅里叶变换得到频谱图；
步骤3.2：分析频谱图，得到数字滤波器的设计指标；
步骤3.3：根据指标，分析需要使用的数字滤波器类型以及相关参数；最终确定使用FIR低通数字滤波器，选用窗函数法对理想滤波器序列进行加汉宁窗N＝80，Fs＝40800HZ，Fc＝3000HZ；
汉宁窗的窗函数为：
步骤4：采取双极值法对分(合)闸曲线求取合(分)闸换位点；
步骤4.1：在采样程序中设置采样4000个点的信息，每隔20us采样一次，经过试验可知前3000个点包含了断路器所有的断路器动触头行程信息；
步骤4.2：获得位移数据后，对其进行两次差分，获得速度-时间曲线和加速度-时间曲线；
步骤4.3：通过查找算法可找到速度-时间曲线上相邻的极大值点和极小值点对(即相邻的波峰和波谷)，并根据此判断出换位点的位置；
步骤5：根据得到的合(分)闸换位点求取真空断路器机械特性参数F2：合(分)闸时间、触头行程、开距、超行程、合(分)闸平均速度以及刚合刚分速度。
作为本发明的多种数据融合故障检测方法的优选技术方案：步骤4.3中具体判断换位点位置的方法为：
在合闸过程中，从零开始，若极值点对能首次满足以下两个条件，即可判定该极值点对中的极大值点为合闸换位点；
1)在极值点对所对应的加速度-时间曲线中加速度连续小于0的点数超过预先设置的阀值K1；
2)极值点对所对应的速度-时间曲线中速度之差的绝对值大于预先设置的阀值K2；
在分闸过程中，从零时刻开始，当极值点对首次满足以下两个条件时即可判定此极值点对中的速度极小值点所对应的位置为分闸换位点；
1)在极值点所对应的加速度-时间曲线段上，加速度连续大于零的时间超过预先设定的阀值M1；
2)极值点对所对应的速度之差的绝对值大于预先设定的阀值M2。
作为本发明的多种数据融合故障检测方法的优选技术方案：步骤5中对F2各项参数的具体计算方法如下：
合(分)闸时间：从合(分)闸线圈中有电流通过开始，一直到动触头运动到换位点的时间，即为合(分)闸时间；合(分)闸时间是否稳定反映了断路器机构灵活性及磨损情况；
动触头行程：计算动触头合闸前的稳态位置到合闸后的稳态位置之间的位移量之差，即可得到动触头合闸行程；
动触头开距：将合闸行程减去超行程即可得到相应的动触头开距；
动触头超行程：动触头与静触头刚接触到稳态位置间的位移量；
断路器平均速度：断路器平均速度包括合闸平均速度和分闸平均速度；计算动触头在合闸换位点之前6ms的速度即可得到合闸平均速度；计算动触头在分闸换位点之后6ms的速度即可得到分闸平均速度；
刚合速度：计算动触头在合闸换位点之前2ms的速度可得刚合速度；
刚分速度：计算动触头在分闸换位点之后2ms的速度可得刚分速度。
作为本发明的多种数据融合故障检测方法的优选技术方案：步骤D提取真空断路器振动信号特征参数F4采用如下方法：
步骤1：采集z轴加速度信号；
步骤2：获得z轴加速度信号的最大峰峰值和平均值，并将z轴加速度信号进行积分获得最大速度；
步骤3：采集x轴加速度信号，获得x轴加速度信号的最大峰峰值；
步骤4：采集y轴加速度信号，获得x轴加速度信号的最大峰峰值；
步骤5：将以上几个参数合成断路器的5维振动信号特征参数F4。
作为本发明的多种数据融合故障检测方法的优选技术方案：步骤F状态识别模型训练方法包括以下步骤：
步骤1：接收两种运行状态的训练语音片断输入；
步骤2：分别求取两种运行状态下的语音特征参数F1，该特征参数为12维美尔频率倒谱系数；
步骤3：分别接收两种运行状态下位移传感器输出信号；
步骤4：根据得到的合(分)闸换位点分别求取两种运行状态下真空断路器机械特性参数F2；
步骤5：分别接收两种运行状态下真空变送器输出信号；
步骤6：分别求取两种运行状态下真空断路器真空度参数F3；
步骤7：分别接收两种运行状态下加速度传感器的输出信号；
步骤8：分别求取两种运行状态下真空断路器的振动信号特征参数F4；
步骤9：分别获得两种运行状态下的24维特征参数
步骤10：利用特征参数F5来训练状态识别模型，具体步骤如下：
步骤10.1：设置状态识别模型的高斯混合模型的阶数为4；
步骤10.2：用K均值方法(kmeans)初始化状态识别模型，得到各高斯分布的初始化参数：均值向量μk，协方差矩阵∑k，混合分量权值ck，其表示第k个运行状态对应的初始化子模型参数；
步骤10.3：设第c个状态训练语音的第t个特征参数为其中Tc表示第c个状态训练语音的帧数，C表示训练样本的总数，按照下面的公式对高斯分布的初始化参数进行重新估计，令其中表示对应的运行状态，得到各运行状态识别子模型参数：
步骤10.4：状态识别模型为高斯混合模型，将上面得到的各运行状态识别子模型参数代入下面的公式，形成训练好的各运行状态识别子模型，这些训练好的子模型集合即为最终运行状态识别模型：
该高斯混合模型用4个单高斯分布的线性组合来描述帧特征在特征空间中的分布，具体描述如下：
其中
其中，D为特征维数，此处D＝12，bk(x)称为核函数，是均值向量为协方差矩阵为的高斯分布函数，高斯混合分布的加权系数满足：
状态识别高斯混合模型参数集λ1就是由上述的各均值分量、协方差矩阵及混合分量的权值组成，表示成如下三元组的形式：
高压断路器的合(分)闸操作主要由其机械部件来完成，机械部件运行的可靠性直接关系到断路器的正常运行。而断路器故障来源大多数是机械故障，更加说明了断路器的稳定性在很大程度上取决于其机械操动机构，因此，高压断路器的机械特性在线监测十分关键。但另一方面，机械特性在线监测和故障诊断方法存在受周围强电磁场的影响较大的问题，且断路器之间的差异及环境的差异性使得每台断路器的工作特性并不是完全相同。为更加精确地获取断路器的运行状态，本发明提出融合机械特性、语音、真空度和振动信号等多种方法的断路器故障检测方法，将断路器机械特性参数与语音信息特征参数、真空度参数、振动信号特征量组合得到多特征量参数进行识别，能够更加准确和全面的反映出断路器的机械状态。
与现有技术相比，本发明的有益效果表现在：
(1)本发明使用了真空度参数来监测真空灭弧室的故障，既能够发现灭弧室外壳破裂进气导致的真空度丢失故障，又能够发现由于制造工艺、运输、安装及使用等等原因，灭弧室内的压强高于允许的工作压强(运行中真空度不得高于6.6×10-2Pa)，灭弧室缓慢泄露，不能满足正常开断容量的潜伏性故障。
(2)本发明在常用的机械特性在线监测和故障诊断方法的基础上增加了语音信息分析、真空度监测、振动信号监测等方法。机械特性在线监测和故障诊断方法存在受周围强电磁场的影响较大的问题，而且断路器之间的差异及环境的差异性使得断路器的工作特性并不是完全相同的，断路器机械特性的变化，要求对处理数据得到算法进行改进，才能达到对断路器的稳定监测的效果。对比单一特征量的故障模式识别效果，将断路器机械特性参数与语音信息特征参数、真空度参数、振动信号特征量组合得到的多特征量的识别效果是更加有效的，能够更加准确和全面的反映出断路器的机械状态。
附图说明
以下结合实施例和附图对本发明的断路器故障检测装置及多种数据融合故障检测方法作进一步的详述。
图1为本发明的系统结构框图；
图2为语音模块结构框图；
图3为本发明的机械特性采集模块总体框图；
图4为本发明的机械特性采集软件流程图；
图5为本发明的特征提取流程图。
具体实施方式
实施例1
请参阅图1和2所示，一种断路器故障检测装置，包括中央处理器101及与其相连的电源102、RTC定时器103、复位电路104、SRAM105、EEPROM106、开关量输入接口107、报警电路108、RS485接口109、RS232接口110、JTAG111、位移传感器112、真空变送器113、模数转换器114、语音模块115和加速度传感器116。
中央处理器101为信号采集及处理的控制芯片，采用TI公司生产的TMS320F28335芯片。
位移传感器112和真空变送器113的输出端接模拟/数字转换器114的输入端，模拟/数字转换器114并行接口与处理器101的数据总线相连，其中片选端与处理器101的XZCS0相连，即将AD转换的数据存放在处理器101的片外存储区XINTF区0，读写控制信号端与处理器101的XRD和XWE信号相连。位移传感器112，测量断路器行程-时间特性，采用WDL25-2型直滑式导电塑料电位器。真空变送器113，检测断路器真空灭弧室的压力情况，采用德国HELM公司的HM27A-2-V1-F1-W2真空变送器，信号输出为1～5V直流电压。模拟/数字转换器114完成传感器采集信号的模拟/数字转换。
语音模块115与处理器101通过SPI接口连接，包括存储模块1151和处理模块1152，存储模块1151内预存有语音识别模型，处理模块1152用于基于语音识别模型及当前的语音信息判断出当前断路器的运行状况。
SRAM105并行接口与处理器101的数据总线相连，片选端与处理器101的XZCS6信号相连，表示外部RAM位于处理器101的片外存储区XINTF6。EEPROM106，与处理器101提供的IIC主机控制器直接相连。SRAM105和EEPROM106，为片外扩展的存储器，分别为保存系统运行时的数据及参数做准备。
开关量输入接口107监测断路器分、合闸信号。报警电路108通过GPIO口与处理器101相连，为断路器故障报警电路。
RS485接口109为与上位机通信的串行接口。RS232接口110可作为调试或接其他满足232电平标准的串口设备。JTAG接口111，为仿真调试接口，以及程序烧写接口。RS485接口109采用TI公司生产的3.3V供电芯片SN65HVD12作为485收发芯片，收发控制端通过GPIO口接到处理器101，通过控制GPIO口的高低电平来切换485的收发状态，接收发送端与处理器101通过SCIC接口相连。RS232接口110，采用MAXIM公司生产的MAX3232芯片完成电平转换，并与处理器101通过SCIB接口相连。
加速度传感器116通过IIC总线与处理器101相连，测量断路器动作时产生的振动信号，并以电压信号表现出来，采用MMA8451三轴加速度计。
实施例2
请一并参阅图3-5，一种多种数据融合故障检测方法，包括以下步骤：
步骤A：获得断路器分、合闸发生信号。
步骤B：接收语音片断输入，提取语音特征参数F1，该特征参数为12维美尔频率倒谱系数。
步骤C：接收位移传感器输出信号，求取真空断路器机械特性参数F2：合(分)闸时间、触头行程、开距、超行程、合(分)闸平均速度以及刚合刚分速度。
步骤D：接收真空变送器输出信号，求取真空断路器的真空度参数F3。
步骤E：接收加速度传感器的输出信号，求取断路器的5维振动信号特征参数F4。
步骤F：获得24维特征参数将特征参数F5输入到已经训练好的状态识别模型中，来确定哪一个状态识别模型是一个最佳匹配，根据匹配的状态识别模型来选择该模型对应的断路器工作状态，并将结果显示在上位机。
在本实施例中，步骤B中提取特性参数F1采用如下方法：
步骤1：接收待识别的语音片断输入。
步骤2：对待识别的语音片断数字化以提供数字语音信号。
步骤3：对待识别的数字语音信号X(n)进行预处理，包括预加重、分帧、加窗、端点检测：
步骤3.1：对待识别的数字语音信号X(n)按下面进行预加重：
式中α＝0.9375，n表示待识别的情感数字语音离散点序号。
步骤3.2：对信号进行5层小波包分解，分别提取小波包分解第5层从低频到高频32个频率的信号特征S5j(j＝0,1,...,31)，则总信号为
S＝S50+S51+...+S531 (2)
1)求频带信号能量。
设S5j(j＝0,1,...,31)对应的能量为E5j(j＝0,1,...,31)，则有
其中xjk表示信号S5j离散点的幅值。
2)构造特征向量。
不同类型的信号在各个频带内的能量各不相同，以能量为特征构造特征向量：
T＝[E50,E51,...,E531] (4)
再对其进行归一化处理得最后的特征矢量。
在本实施例中，步骤C提取真空断路器机械特性参数采用如下方法：
步骤1：接收位移传感器输出信号。
步骤2：模拟/数字转换器将采样模拟电压信号转换为数字信号。
步骤3：对采样信号进行预处理，即对其进行数字滤波。
步骤3.1：对行程-时间曲线作频谱分析，采用快速傅里叶变换得到频谱图。
步骤3.2：分析频谱图，得到数字滤波器的设计指标。
步骤3.3：根据指标，分析需要使用的数字滤波器类型以及相关参数。最终确定使用FIR低通数字滤波器，选用窗函数法对理想滤波器序列进行加汉宁窗N＝80，Fs＝40800HZ，Fc＝3000HZ。
汉宁窗的窗函数为：
步骤4：采取双极值法对分(合)闸曲线求取合(分)闸换位点。
步骤4.1：在采样程序中设置采样4000个点的信息，每隔20us采样一次，经过试验可知前3000个点包含了断路器所有的断路器动触头行程信息。
步骤4.2：获得位移数据后，对其进行两次差分，获得速度-时间曲线和加速度-时间曲线。
步骤4.3：通过查找算法可找到速度-时间曲线上相邻的极大值点和极小值点对(即相邻的波峰和波谷)，并根据此判断出换位点的位置。
具体判断换位点位置的方法为：
在合闸过程中，从零开始，若极值点对能首次满足以下两个条件，即可判定该极值点对中的极大值点为合闸换位点。
1)在极值点对所对应的加速度-时间曲线中加速度连续小于0的点数超过预先设置的阀值K1。
2)极值点对所对应的速度-时间曲线中速度之差的绝对值大于预先设置的阀值K2。
在分闸过程中，从零时刻开始，当极值点对首次满足以下两个条件时即可判定此极值点对中的速度极小值点所对应的位置为分闸换位点。
1)在极值点所对应的加速度-时间曲线段上，加速度连续大于零的时间超过预先设定的阀值M1。
2)极值点对所对应的速度之差的绝对值大于预先设定的阀值M2。
步骤5：根据得到的合(分)闸换位点求取真空断路器机械特性参数F2：合(分)闸时间、触头行程、开距、超行程、合(分)闸平均速度以及刚合刚分速度。
对F2各项参数的具体计算方法如下：
合(分)闸时间：从合(分)闸线圈中有电流通过开始，一直到动触头运动到换位点的时间，即为合(分)闸时间。合(分)闸时间是否稳定反映了断路器机构灵活性及磨损情况。
动触头行程：计算动触头合闸前的稳态位置到合闸后的稳态位置之间的位移量之差，即可得到动触头合闸行程。
动触头开距：将合闸行程减去超行程即可得到相应的动触头开距。
动触头超行程：动触头与静触头刚接触到稳态位置间的位移量。
断路器平均速度：断路器平均速度包括合闸平均速度和分闸平均速度。计算动触头在合闸换位点之前6ms的速度即可得到合闸平均速度。计算动触头在分闸换位点之后6ms的速度即可得到分闸平均速度。
刚合速度：计算动触头在合闸换位点之前2ms的速度可得刚合速度。
刚分速度：计算动触头在分闸换位点之后2ms的速度可得刚分速度。
在本实施例中，步骤D提取真空断路器振动信号特征参数F4采用如下方法：
步骤1：采集z轴加速度信号。
步骤2：获得z轴加速度信号的最大峰峰值和平均值，并将z轴加速度信号进行积分获得最大速度。
步骤3：采集x轴加速度信号，获得x轴加速度信号的最大峰峰值。
步骤4：采集y轴加速度信号，获得x轴加速度信号的最大峰峰值。
步骤5：将以上几个参数合成断路器的5维振动信号特征参数F4。
在本实施例中，步骤F状态识别模型训练方法包括以下步骤：
步骤1：接收两种运行状态的训练语音片断输入。
步骤2：分别求取两种运行状态下的语音特征参数F1，该特征参数为12维美尔频率倒谱系数。
步骤3：分别接收两种运行状态下位移传感器输出信号。
步骤4：根据得到的合(分)闸换位点分别求取两种运行状态下真空断路器机械特性参数F2。
步骤5：分别接收两种运行状态下真空变送器输出信号。
步骤6：分别求取两种运行状态下真空断路器真空度参数F3。
步骤7：分别接收两种运行状态下加速度传感器的输出信号。
步骤8：分别求取两种运行状态下真空断路器的振动信号特征参数F4。
步骤9：分别获得两种运行状态下的24维特征参数
步骤10：利用特征参数F5来训练状态识别模型，具体步骤如下：
步骤10.1：设置状态识别模型的高斯混合模型的阶数为4。
步骤10.2：用K均值方法(kmeans)初始化状态识别模型，得到各高斯分布的初始化参数：均值向量μk，协方差矩阵∑k，混合分量权值ck，其表示第k个运行状态对应的初始化子模型参数。
步骤10.3：设第c个状态训练语音的第t个特征参数为其中Tc表示第c个状态训练语音的帧数，C表示训练样本的总数，按照下面的公式对高斯分布的初始化参数进行重新估计，令其中表示对应的运行状态，得到各运行状态识别子模型参数：
步骤10.4：状态识别模型为高斯混合模型，将上面得到的各运行状态识别子模型参数代入下面的公式，形成训练好的各运行状态识别子模型，这些训练好的子模型集合即为最终运行状态识别模型：
该高斯混合模型用4个单高斯分布的线性组合来描述帧特征在特征空间中的分布，具体描述如下：
其中
其中，D为特征维数，此处D＝12，bk(x)称为核函数，是均值向量为协方差矩阵为的高斯分布函数，高斯混合分布的加权系数满足：
状态识别高斯混合模型参数集λ1就是由上述的各均值分量、协方差矩阵及混合分量的权值组成，表示成如下三元组的形式：
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (8)
1.一种断路器故障检测装置，其特征在于，该装置包括中央处理器(101)及与其相连的电源(102)、RTC定时器(103)、复位电路(104)、SRAM(105)、EEPROM(106)、开关量输入接口(107)、报警电路(108)、RS485接口(109)、RS232接口(110)、JTAG(111)、位移传感器(112)、真空变送器(113)、模数转换器(114)、语音模块(115)和加速度传感器(116)；
位移传感器(112)和真空变送器(113)的输出端接模拟/数字转换器(114)的输入端，模拟/数字转换器(114)并行接口与处理器(101)的数据总线相连；
语音模块(115)与处理器(101)通过SPI接口连接，包括存储模块(1151)和处理模块(1152)；
SRAM(105)并行接口与处理器(101)的数据总线相连；EEPROM(106)与处理器(101)提供的IIC主机控制器直接相连；
开关量输入接口(107)监测断路器分、合闸信号；报警电路(108)通过GPIO口与处理器(101)相连；
RS485接口(109)为与上位机通信的串行接口；RS232接口(110)可作为调试或接其他满足232电平标准的串口设备；JTAG接口(111)为仿真调试接口，以及程序烧写接口；RS485接口(109)收发控制端通过GPIO口接到处理器(101)，接收发送端与处理器(101)通过SCIC接口相连；RS232接口(110)与处理器(101)通过SCIB接口相连；
加速度传感器(116)通过IIC总线与处理器(101)相连。
2.一种基于权利要求1所述装置的多种数据融合故障检测方法，其特征在于，包括以下步骤：
步骤A：获得断路器分、合闸发生信号；
步骤B：接收语音片断输入，提取语音特征参数F1，该特征参数为12维美尔频率倒谱系数；
步骤C：接收位移传感器输出信号，求取真空断路器机械特性参数F2：合(分)闸时间、触头行程、开距、超行程、合(分)闸平均速度以及刚合刚分速度；
步骤D：接收真空变送器输出信号，求取真空断路器的真空度参数F3；
步骤E：接收加速度传感器的输出信号，求取断路器的5维振动信号特征参数F4；
步骤F：获得24维特征参数将特征参数F5输入到已经训练好的状态识别模型中，来确定哪一个状态识别模型是一个最佳匹配，根据匹配的状态识别模型来选择该模型对应的断路器工作状态，并将结果显示在上位机。
3.如权利要求2所述的多种数据融合故障检测方法，其特征在于，步骤B中提取特性参数F1采用如下方法：
步骤1：接收待识别的语音片断输入；
步骤2：对待识别的语音片断数字化以提供数字语音信号；
步骤3：对待识别的数字语音信号X(n)进行预处理，包括预加重、分帧、加窗、端点检测：
步骤3.1：对待识别的数字语音信号X(n)按下面进行预加重：
式中α＝0.9375，n表示待识别的情感数字语音离散点序号；
步骤3.2：对信号进行5层小波包分解，分别提取小波包分解第5层从低频到高频32个频率的信号特征S5j(j＝0,1,...,31)，则总信号为
S＝S50+S51+...+S531 (2)
1)求频带信号能量；
设S5j(j＝0,1,...,31)对应的能量为E5j(j＝0,1,...,31)，则有
其中xjk表示信号S5j离散点的幅值；
2)构造特征向量；
不同类型的信号在各个频带内的能量各不相同，以能量为特征构造特征向量：
T＝[E50,E51,...,E531] (4)
再对其进行归一化处理得最后的特征矢量。
4.如权利要求3所述的多种数据融合故障检测方法，其特征在于，步骤C提取真空断路器机械特性参数采用如下方法：
步骤1：接收位移传感器输出信号；
步骤2：模拟/数字转换器将采样模拟电压信号转换为数字信号；
步骤3：对采样信号进行预处理，即对其进行数字滤波；
步骤3.1：对行程-时间曲线作频谱分析，采用快速傅里叶变换得到频谱图；
步骤3.2：分析频谱图，得到数字滤波器的设计指标；
步骤3.3：根据指标，分析需要使用的数字滤波器类型以及相关参数；最终确定使用FIR低通数字滤波器，选用窗函数法对理想滤波器序列进行加汉宁窗N＝80，Fs＝40800HZ，Fc＝3000HZ；
汉宁窗的窗函数为：
步骤4：采取双极值法对分(合)闸曲线求取合(分)闸换位点；
步骤4.1：在采样程序中设置采样4000个点的信息，每隔20us采样一次，经过试验可知前3000个点包含了断路器所有的断路器动触头行程信息；
步骤4.2：获得位移数据后，对其进行两次差分，获得速度-时间曲线和加速度-时间曲线；
步骤4.3：通过查找算法可找到速度-时间曲线上相邻的极大值点和极小值点对，即相邻的波峰和波谷，并根据此判断出换位点的位置；
步骤5：根据得到的合(分)闸换位点求取真空断路器机械特性参数F2：合(分)闸时间、触头行程、开距、超行程、合(分)闸平均速度以及刚合刚分速度。
5.如权利要求4所述的多种数据融合故障检测方法，其特征在于，步骤4.3中具体判断换位点位置的方法为：
在合闸过程中，从零开始，若极值点对能首次满足以下两个条件，即可判定该极值点对中的极大值点为合闸换位点；
1)在极值点对所对应的加速度-时间曲线中加速度连续小于0的点数超过预先设置的阀值K1；
2)极值点对所对应的速度-时间曲线中速度之差的绝对值大于预先设置的阀值K2；
在分闸过程中，从零时刻开始，当极值点对首次满足以下两个条件时即可判定此极值点对中的速度极小值点所对应的位置为分闸换位点；
1)在极值点所对应的加速度-时间曲线段上，加速度连续大于零的时间超过预先设定的阀值M1；
2)极值点对所对应的速度之差的绝对值大于预先设定的阀值M2。
6.如权利要求5所述的多种数据融合故障检测方法，其特征在于，步骤5中对F2各项参数的具体计算方法如下：
合(分)闸时间：从合(分)闸线圈中有电流通过开始，一直到动触头运动到换位点的时间，即为合(分)闸时间；合(分)闸时间是否稳定反映了断路器机构灵活性及磨损情况；
动触头行程：计算动触头合闸前的稳态位置到合闸后的稳态位置之间的位移量之差，即可得到动触头合闸行程；
动触头开距：将合闸行程减去超行程即可得到相应的动触头开距；
动触头超行程：动触头与静触头刚接触到稳态位置间的位移量；
断路器平均速度：断路器平均速度包括合闸平均速度和分闸平均速度；计算动触头在合闸换位点之前6ms的速度即可得到合闸平均速度；计算动触头在分闸换位点之后6ms的速度即可得到分闸平均速度；
刚合速度：计算动触头在合闸换位点之前2ms的速度可得刚合速度；
刚分速度：计算动触头在分闸换位点之后2ms的速度可得刚分速度。
7.如权利要求4或5或6所述的多种数据融合故障检测方法，其特征在于，步骤D提取真空断路器振动信号特征参数F4采用如下方法：
步骤1：采集z轴加速度信号；
步骤2：获得z轴加速度信号的最大峰峰值和平均值，并将z轴加速度信号进行积分获得最大速度；
步骤3：采集x轴加速度信号，获得x轴加速度信号的最大峰峰值；
步骤4：采集y轴加速度信号，获得x轴加速度信号的最大峰峰值；
步骤5：将以上几个参数合成断路器的5维振动信号特征参数F4。
8.如权利要求7所述的多种数据融合故障检测方法，其特征在于，步骤F状态识别模型训练方法包括以下步骤：
步骤1：接收两种运行状态的训练语音片断输入；
步骤2：分别求取两种运行状态下的语音特征参数F1，该特征参数为12维美尔频率倒谱系数；
步骤3：分别接收两种运行状态下位移传感器输出信号；
步骤4：根据得到的合(分)闸换位点分别求取两种运行状态下真空断路器机械特性参数F2；
步骤5：分别接收两种运行状态下真空变送器输出信号；
步骤6：分别求取两种运行状态下真空断路器真空度参数F3；
步骤7：分别接收两种运行状态下加速度传感器的输出信号；
步骤8：分别求取两种运行状态下真空断路器的振动信号特征参数F4；
步骤9：分别获得两种运行状态下的24维特征参数
步骤10：利用特征参数F5来训练状态识别模型，具体步骤如下：
步骤10.1：设置状态识别模型的高斯混合模型的阶数为4；
步骤10.2：用K均值方法(kmeans)初始化状态识别模型，得到各高斯分布的初始化参数：均值向量μk，协方差矩阵∑k，混合分量权值ck，其表示第k个运行状态对应的初始化子模型参数；
步骤10.3：设第c个状态训练语音的第t个特征参数为其中Tc表示第c个状态训练语音的帧数，C表示训练样本的总数，按照下面的公式对高斯分布的初始化参数进行重新估计，令其中表示对应的运行状态，得到各运行状态识别子模型参数：
步骤10.4：状态识别模型为高斯混合模型，将上面得到的各运行状态识别子模型参数代入下面的公式，形成训练好的各运行状态识别子模型，这些训练好的子模型集合即为最终运行状态识别模型：
该高斯混合模型用4个单高斯分布的线性组合来描述帧特征在特征空间中的分布，具体描述如下：
其中
其中，D为特征维数，此处D＝12，bk(x)称为核函数，是均值向量为协方差矩阵为的高斯分布函数，高斯混合分布的加权系数满足：
状态识别高斯混合模型参数集λ1就是由上述的各均值分量、协方差矩阵及混合分量的权值组成，表示成如下三元组的形式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910263499.8A CN109870299A (zh) | 2019-04-02 | 2019-04-02 | 一种断路器故障检测装置及多种数据融合故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910263499.8A CN109870299A (zh) | 2019-04-02 | 2019-04-02 | 一种断路器故障检测装置及多种数据融合故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109870299A true CN109870299A (zh) | 2019-06-11 |
Family
ID=66921998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910263499.8A Pending CN109870299A (zh) | 2019-04-02 | 2019-04-02 | 一种断路器故障检测装置及多种数据融合故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109870299A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| CN111044272A (zh) * | 2019-11-14 | 2020-04-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于大数据技术的高压断路器机械特性试验方法及装置 |
| CN111504627A (zh) * | 2020-05-07 | 2020-08-07 | 山东泰开高压开关有限公司 | 一种断路器缺陷部件的检测方法 |
| CN113567844A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器状态诊断方法及真空灭弧室结构 |
| CN116754934A (zh) * | 2023-05-22 | 2023-09-15 | 杭州轨物科技有限公司 | 一种高压断路器机械特性故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040174169A1 (en) * | 2002-03-22 | 2004-09-09 | Ernst Slamecka | Synthetic test circuit for circuit breaker testing |
| CN1701877A (zh) * | 2005-05-11 | 2005-11-30 | 浙江大学 | 一种基于振动监测的连铸下渣检测方法及装置 |
| CN101825684A (zh) * | 2010-05-20 | 2010-09-08 | 常州市明及电气技术开发有限公司 | 智能型真空断路器在线监测方法 |
| CN101858958A (zh) * | 2010-05-20 | 2010-10-13 | 常州市明及电气技术开发有限公司 | 智能型真空断路器在线监测装置及方法 |
| CN103744018A (zh) * | 2014-01-16 | 2014-04-23 | 常州市明及电气技术开发有限公司 | 一种针对高压断路器的在线监测系统 |
| CN108090427A (zh) * | 2017-12-07 | 2018-05-29 | 上海电机学院 | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 |
| CN108593282A (zh) * | 2018-07-05 | 2018-09-28 | 国网安徽省电力有限公司培训中心 | 一种断路器在线监测和故障诊断装置及其工作方法 |
-
2019
- 2019-04-02 CN CN201910263499.8A patent/CN109870299A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040174169A1 (en) * | 2002-03-22 | 2004-09-09 | Ernst Slamecka | Synthetic test circuit for circuit breaker testing |
| CN1701877A (zh) * | 2005-05-11 | 2005-11-30 | 浙江大学 | 一种基于振动监测的连铸下渣检测方法及装置 |
| CN101825684A (zh) * | 2010-05-20 | 2010-09-08 | 常州市明及电气技术开发有限公司 | 智能型真空断路器在线监测方法 |
| CN101858958A (zh) * | 2010-05-20 | 2010-10-13 | 常州市明及电气技术开发有限公司 | 智能型真空断路器在线监测装置及方法 |
| CN103744018A (zh) * | 2014-01-16 | 2014-04-23 | 常州市明及电气技术开发有限公司 | 一种针对高压断路器的在线监测系统 |
| CN108090427A (zh) * | 2017-12-07 | 2018-05-29 | 上海电机学院 | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 |
| CN108593282A (zh) * | 2018-07-05 | 2018-09-28 | 国网安徽省电力有限公司培训中心 | 一种断路器在线监测和故障诊断装置及其工作方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| CN110929763B (zh) * | 2019-10-30 | 2022-06-21 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| CN111044272A (zh) * | 2019-11-14 | 2020-04-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于大数据技术的高压断路器机械特性试验方法及装置 |
| CN111504627A (zh) * | 2020-05-07 | 2020-08-07 | 山东泰开高压开关有限公司 | 一种断路器缺陷部件的检测方法 |
| CN111504627B (zh) * | 2020-05-07 | 2022-04-29 | 山东泰开高压开关有限公司 | 一种断路器缺陷部件的检测方法 |
| CN113567844A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器状态诊断方法及真空灭弧室结构 |
| CN116754934A (zh) * | 2023-05-22 | 2023-09-15 | 杭州轨物科技有限公司 | 一种高压断路器机械特性故障诊断方法 |
| CN116754934B (zh) * | 2023-05-22 | 2024-02-23 | 杭州轨物科技有限公司 | 一种高压断路器机械特性故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109870299A (zh) | 一种断路器故障检测装置及多种数据融合故障检测方法 | |
| CN108593282A (zh) | 一种断路器在线监测和故障诊断装置及其工作方法 | |
| CN110275094B (zh) | 一种高压电缆局部放电声光联合检测方法及系统 | |
| CN102680860B (zh) | 一种高压电力线路行波测距用故障点自动定位方法 | |
| CN112200032A (zh) | 一种基于注意力机制的高压断路器机械状态在线监测方法 | |
| CN109188258A (zh) | 基于振电结合的高压断路器特征提取及分类方法 | |
| CN110470465B (zh) | 一种基于振动信号分析的断路器测试方法及系统 | |
| CN106646205A (zh) | 一种声振联合分析断路器故障的随机大扰动信号剔除算法 | |
| CN103558529A (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| CN107989511A (zh) | 一种汽车车窗的控制系统及方法 | |
| CN207300606U (zh) | 基于声学原理的变压器信息采集装置 | |
| CN109801646A (zh) | 一种基于融合特征的语音端点检测方法和装置 | |
| CN109946535A (zh) | 一种故障电弧检测方法 | |
| CN113569338A (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
| CN108919104B (zh) | 一种基于Fisher判别分类法的断路器故障诊断方法 | |
| CN104636746B (zh) | 一种基于局部区域小波变换的gis设备特征值提取方法 | |
| CN113745049A (zh) | 一种真空灭弧室内真空度监测方法及系统 | |
| CN1776807A (zh) | 声音辨识系统及具有该系统的安全装置 | |
| CN115420977A (zh) | 电器故障检测方法、训练方法、计算机设备及存储介质 | |
| Yang et al. | Transient fault diagnosis of track circuit based on MFCC-DTW | |
| CN114252765A (zh) | 基于合闸预击穿的sf6断路器触头烧蚀状态评估方法 | |
| CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 | |
| Wen-Xi et al. | Automatic segmentation method for voltage sag detection and characterization | |
| CN112710972A (zh) | Gis触头接触不良故障诊断方法、装置、系统及存储介质 | |
| CN110824344A (zh) | 基于振动信号短时能熵比与dtw的高压断路器状态评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
| RJ01 | Rejection of invention patent application after publication |