CN110954818B - 一种中间继电器线圈软故障检测方法 - Google Patents

Abstract

一种中间继电器线圈软故障检测方法，解决了现有继电器线圈检测方法复杂及不能有效检测软故障的问题，属于继电器故障检测领域。本发明包括：S1、建立两组数据样本：A组和B组，A组为中间继电器线圈正常的散射参数，B组为中间继电器线圈软故障后，得到的散射参数；S2、获取待测中间继电器线圈的散射参数，将该散射参数分别加入S1建立的A组和B组中，进行聚类，若待测中间继电器的散射参数与A组为一类，则确定待测中间继电器正常，若待测中间继电器的散射参数与B组为一类，则确定待测中间继电器出现软故障；所述散射参数包括相频特性中相角为零对应的频率。

Description

一种中间继电器线圈软故障检测方法

技术领域

本发明涉及一种继电器的软故障方法，特别涉及一种中间继电器线圈软故障检测方法。

背景技术

随着社会科技进步与社会生产力的发展，社会的电气化进一步提高，社会生产生活越来越离不开电气设备，中间继电器由于其良好的电气特性，被广泛用于继电保护与自动控制系统中，在控制电路中传递中间信号，以及增加触点的数量及容量。因此，中间继电器的安全将关系到整个电气设备乃至整个电气系统的安全，中间继电器的安全十分重要，每年因为中间继电器失效引起的电气设备故障都给生产生活造成极大的不便和巨大损失。

中间继电器的故障可以包括电气故障和机械故障，其中电气故障主要是继电器线圈的故障，可以划分为硬故障与软故障。线圈的硬故障是指线圈由于导体断裂等原因，无法实现最基本的功能；线圈的软故障是指线圈由于受到一定程度破坏或者老化，出现线圈绝缘老化以及线圈老化等，存在软故障的线圈仍然能实现其基本功能，但有发展为硬故障的趋势，随时间推移，软故障最终发展为硬故障，线圈将丧失工作能力。

将继电器机械故障和继电器线圈硬故障引起的故障统称为动作故障，现阶段对中间继电器的动作故障(继电器粘连和失效)得检测技术已经比较成熟。而对中间继电器线圈软故障还未有成熟的检测方式，目前的现状是：通过外接谐振电容利用谐振原理计算继电器线圈在未投入使用前与使用一段时间后振荡频率变化，通过使用前后传递函数比值来判断继电器线圈绝缘老化缺陷，对线圈进行老化检测；另一种方式是通过检测直流电阻的变化来实现对线圈老化的检测。现有的检测方法普遍比较复杂而且不能很好的实现对继电器线圈软故障的有效检测。

发明内容

针对现有继电器线圈检测方法复杂及不能有效检测软故障的问题，本发明提供一种中间继电器线圈软故障检测方法。

本发明的一种中间继电器线圈软故障检测方法，所述方法包括：

S1、建立两组数据样本：A组和B组，A组为中间继电器线圈正常的散射参数，B组为中间继电器线圈软故障后，得到的散射参数；

S2、获取待测中间继电器线圈的散射参数，将该散射参数分别加入S1建立的A组和B组中，进行聚类，若待测中间继电器的散射参数与A组为一类，则确定待测中间继电器正常，若待测中间继电器的散射参数与B组为一类，则确定待测中间继电器出现软故障；

所述散射参数包括相频特性中相角为零对应的频率。

作为优选，所述S2还包括：

当确定待测中间继电器线圈为软故障，根据待测中间继电器线圈的散射参数中相角为0时的第一个频率与正常中间继电器线圈相角为零对应的频率的距离，确定中间继电器线圈软故障的严重程度，所述距离与中间继电器线圈软故障的严重程度成正比。

作为优选，S1及S2中的散射参数的获取方法：将矢量网络分析仪接在中间继电器线圈的两个供电引脚，使用矢量网络分析仪给中间继电器的线圈施加激励信号，采集散射参数，在散射参数中辨识出相频特性中相角为零时对应的频率。

作为优选，设定矢量网络分析仪给中间继电器的线圈施加激励信号的上限及下限，中间继电器的相频特性中相角为零时对应的频率处于所述上限及下限的中间。

作为优选，所述S13和S2中采用系统聚类法进行聚类。

作为优选，所述S1包括：

S11、准备一批完好无损的中间继电器，直接测量中间继电器得到的散射参数；

S12、对一组完好无损的中间继电器线圈进行人为破坏，模拟使用过程中出现的软故障的情况，或找到一组线圈软故障的中间继电器，测量中间继电器的散射参数；

S13、对S11和S12中的散射参数进行聚类，获得两类，一类为A组样本数据，另一类为B组样本数据。

本发明的有益效果，本发明通过分析中间继电器线圈的散射参数，可以在中间继电器的定期维护时有效的检测出存在软故障的中间继电器，避免软故障发展成为硬故障造成巨大损失，本发明是完全可以实际操作和运用的，有很大的使用价值，可以广泛应用于中间继电器的软故障检测，为生产生活提供便利。同时，为了提高软故障检测精度，可以增加初始的对比样本组数。

附图说明

图1为采集中间继电器的S参数的电路连接示意图；

图2为初始样本聚类结果；

图3为加入待检测数据后的聚类结果；

图4为减少待测样本组数后的分类结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

当中间继电器的线圈由于绝缘破损和老化等原因引起软故障时，其电路参数将会发生改变，具体表现为漆包线的高频特征阻抗发生变化。此时，与正常继电器相比，发生软故障位置的漆包线特征阻抗会引起高频入射波的反射。

S参数，即散射参数，是建立在入射波、反射波关系基础上的网络参数，可以很好的反映高频状态下电路的参数与工况，电路发生细微变化都能得到很好的反映，因此可以采用S参数来反映中间继电器的电路参数，并基于S参数分析来实现继电器线圈软故障的检测。

在给中间继电器的线圈加入激励信号测试线圈的S参数，与正常的中间继电器相比，存在软故障的中间继电器的线圈的S参数的相频特性曲线中相角值为零时对应的频率会发生改变。本实施方式通过与正常中间继电器的S参数相角为零对应的频率进行对比分析，用来判断中间继电器的线圈是否存在软故障。

更进一步，与正常中间继电器相比，软故障越严重的中间继电器，其电路参数变化越大，S参数中相角为零时的频率变化程度越大，可以根据这个频率的变化程度来反映中间继电器软故障的严重程度。其软故障的严重程度与其目标频率(S参数中相角为0时的第一个频率)与正常中间继电器目标频率(相角值为0时对应的频率)的距离成正比。

本实施方式的一种中间继电器线圈软故障检测方法，包括：

S1、建立两组数据样本：A组和B组，A组为中间继电器线圈正常的散射参数，B组为中间继电器线圈软故障后，得到的散射参数；

S2、获取待测中间继电器线圈的散射参数，将该散射参数分别加入S1建立的A组和B组中，进行聚类，若待测中间继电器的散射参数与A组为一类，则确定待测中间继电器正常，若待测中间继电器的散射参数与B组为一类，则确定待测中间继电器出现软故障；

本实施方式的散射参数包括相频特性中相角为零对应的频率。

本实施方式为了实现对中间继电器线圈的软故障检测，首先需要采集多组正常中间继电器和存在软故障的S参数，记录它们的相频特性中相角为零时对应的频率作为软故障检测时的比对分析对照组。对待测中间继电器进行软故障检测操作时，获取待测中间继电器的S参数，即：相频特性中相角为零时对应的频率，将此频率放入到提前构建好的样本数据对照组中，再利用聚类方法对所有数据进行聚类分析，根据最终聚类结果可以分析出待测继电器是否存在软故障。

为了实现对中间继电器线圈的软故障检测，首先需要采集多组正常中间继电器和存在软故障的S参数，记录它们的相频特性中相角为零时对应的频率，即中间继电器线圈自身固有的谐振频率，将此谐振频率作为软故障检测时的比对分析对照组。优选实施例中，本实施方式的S1包括：

S11、准备一批完好无损的中间继电器，直接测量中间继电器得到的S参数；

S12、对一组完好无损的中间继电器线圈进行人为破坏，模拟使用过程中出现的软故障的情况，或找到一组线圈软故障的中间继电器，测量中间继电器的S参数；

S13、对S11和S12中的高频阻抗特性进行聚类，获得两类，一类为正常的A组样本数据，另一类为软故障的B组样本数据。

本实施方式按照图1所示，将矢量网络分析仪接在中间继电器的线圈两端，即将矢量网络分析仪接在中间继电器的两个供电引脚，使用矢量网络分析仪给中间继电器的线圈施加激励信号，采集中间继电器线圈的高S参数。矢量网络分析仪所施加的激励信号的频率下限应该低于中间继电器线圈自身的谐振频率，可以根据继电器的不同类型进行合理调整，信号频率上限要确保高于中间继电器线圈的谐振频率，同时要保证一定的信号带宽，尽量使目标频率处于频率范围中间。

作为对照组的中间继电器线圈的S参数，辨识出S参数中相频特性中相角为零对应的频率，即线圈的谐振频率，然后利用系统聚类法对数据进行聚类分析，最终将采集到的频率聚为两类，其中一类为线圈正常的中间继电器对应的谐振频率，另一类为线圈存在软故障的中间继电器对应的谐振频率，这样就完成了样本对照组的构建。应当注意的是，样本对照组的数据越多，数据越丰富，软故障的检测结果可信度就越高，随着使用过程中数据的积累迭代，软故障检测的可信度将越高。此外，还可以进一步延伸，根据存在软故障的中间继电器中线圈S参数相角为零对应频率与作为对照组的正常中间继电器的对应的频率中心的距离来刻画软故障的严重程度，二者距离越远，软故障程度越严重。

本实施方式聚类时使用的系统聚类法，系统聚类法是聚类分析的方法之一，其具体操作方法为：把最开始的每个样品单独列为一类，然在把类间距离最小的两类样品聚为新的小类，再把上一步已聚合的新的小类按其类间距离再次聚类，一直实施下去，直到把所有子类聚到一个大类下。

实施例：

下面将以额定电压为12V的MY 2NJ型中间继电器为例，说明实际的如故障检测过程以及检测的有效性。

受条件所限，使用6个额定电压为12V的MY 2NJ型中间继电器构建初始对照样本，直接测量得到的样本频率编为一组，人为制造软故障后采集到的频率编为二组，结果如表1所示。

表1初始对照样本数据(单位/MHz)

将表1中的数据使用特有的聚类方法进行聚类分析分为两大类，其结果如图2所示，1.1～1.6为正常组的6个中间继电器，2.1～2.6为存在软故障的6个中间继电器。

由图2可以看出，特定的聚类方法可以很好的区分有无软故障的中间继电器，可以用于中间继电器软故障的检测。

下面，我们加入几组已知是否损坏的待测中间继电器进行分析，待测中间继电器具体参数如表二所示，待测1、待测2、待测3为正常中间继电器，其余3组为存在软故障的继电器。

表2待测中间继电器阻抗特性参数(单位/MHz)

编号	待测1	待测2	待测3	待测4	待测5	待测6
							频率	3.456	3.447	3.434	3.300	3.260	3.275

将上述6组数据与初始样本混合，再利用特定聚类方法进行分类，得到的结果如图3所示。

由图3所示的聚类结果可以看出，待测1、2、3组的数据被划分到初始数据中的一组组成一大类，待测4、5、6组数据与初始数据中的二组组成了新的一大类，这表明待测1、2、3组的中间继电器是正常的，待测4、5、6组的中间继电器是存在软故障的，与实际情况相符，完成了软故障的检测。在将故障组的组数减少后，得到的结果如图4所以，仍然能够检测出存在软故障的中间继电器。以上实验结果表明，本文提出的基于中间继电器线圈高频阻抗特性的继电器软故障检测方法是完全实际操作和运用的，有很大的使用价值，可以广泛应用于中间继电器的软故障检测，能在中间继电器的定期维护中有效的检测出存在软故障的器件，避免发展为硬故障给生产生活造成损失，为生产生活提供便利。同时，为了提高软故障检测精度，可以增加初始的对比样本组数。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (6)

1.一种中间继电器线圈软故障检测方法，其特征在于，所述方法包括：

S1、建立两组数据样本：A组和B组，A组为中间继电器线圈正常的散射参数，B组为中间继电器线圈软故障后，得到的散射参数；所述散射参数为线圈的S参数的相频特性曲线中相角值为零时对应的频率；

S2、获取待测中间继电器线圈的散射参数，将该散射参数分别加入S1建立的A组和B组中，进行聚类，若待测中间继电器的散射参数与A组为一类，则确定待测中间继电器正常，若待测中间继电器的散射参数与B组为一类，则确定待测中间继电器出现软故障。

2.根据权利要求1所述的中间继电器线圈软故障检测方法，其特征在于，所述S2还包括：

当确定待测中间继电器线圈为软故障，根据待测中间继电器线圈的散射参数中相角为0时的第一个频率与正常中间继电器线圈相角为零对应的频率的距离，确定中间继电器线圈软故障的严重程度，所述距离与中间继电器线圈软故障的严重程度成正比。

3.根据权利要求2所述的中间继电器线圈软故障检测方法，其特征在于，S1及S2中的散射参数的获取方法：将矢量网络分析仪接在中间继电器线圈的两个供电引脚，使用矢量网络分析仪给中间继电器的线圈施加激励信号，采集散射参数，在散射参数中辨识出相频特性中相角为零时对应的频率。

4.根据权利要求3所述的中间继电器线圈软故障检测方法，其特征在于，设定矢量网络分析仪给中间继电器的线圈施加激励信号的上限及下限，中间继电器的相频特性中相角为零时对应的频率处于所述上限及下限的中间。

5.根据权利要求4所述的中间继电器线圈软故障检测方法，其特征在于，所述S2中采用系统聚类法进行聚类。

6.根据权利要求5所述的中间继电器线圈软故障检测方法，其特征在于，所述S1包括：

S11、准备一批完好无损的中间继电器，直接测量中间继电器得到的散射参数；

S12、对一组完好无损的中间继电器线圈进行人为破坏，模拟使用过程中出现的软故障的情况，或找到一组线圈软故障的中间继电器，测量中间继电器的散射参数；

S13、对S11和S12中的散射参数进行聚类，获得两类，一类为A组样本数据，另一类为B组样本数据。

Images