CN116224047A - 一种断路器弹簧操作机构故障诊断方法 - Google Patents
一种断路器弹簧操作机构故障诊断方法 Download PDFInfo
- Publication number
- CN116224047A CN116224047A CN202211505888.5A CN202211505888A CN116224047A CN 116224047 A CN116224047 A CN 116224047A CN 202211505888 A CN202211505888 A CN 202211505888A CN 116224047 A CN116224047 A CN 116224047A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- operating mechanism
- faults
- spring operating
- circuit breaker
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明提出了一种断路器弹簧操作机构故障诊断方法,能够提高断路器弹簧操作机构故障诊断准确率,增强对关键故障诊断的识别率。本发明通过信号采集、预处理、特征提取、故障模型训练及验证,提高了系统对于各类故障的诊断效果以及关键故障的分辨率,从而保证了供电可靠性,对比已有技术,能够提高断路器弹簧操作机构故障识别的准确性,提升系统运行速度,具有系统可靠性高,关键故障识别准确率高的效果。
Description
技术领域
本发明涉及电力设备检测技术领域,具体涉及一种断路器弹簧操作机构故障诊断方法。
背景技术
断路器是指能够关合、承载和开断正常回路条件下的电流并能在规定的时间内关合、承载和开断异常回路条件下的电流的开关装置,有控制和保护电力设备的双重作用。弹簧操作机构作为断路器的执行机构,其运行状态直接影响了断路器的分合闸能力。断路器弹簧操作机构发生故障时,会直接危害被保护的线路、设备的安全运行和检修人员的人身安全,从而导致巨大的财产损失和不良的社会影响。
随着传感技术、总线技术和数字信号处理技术的不断发展,断路器检测技术的发展速度越来越快。但断路器弹簧操作机构的在线监测与故障诊断在技术和政策上仍存在很多问题需要解决。大多电气设备仍处于定期检修或事故检修阶段,仍过分依赖人力资源;设备故障诊断存在时效性较低、诊断类型少、分类方法单一和关键故障诊断精确度低等问题。这些问题也会导致上级变配电单位发生“越级跳闸”等现象,引发更大范围的停电,严重影响国民经济发展。
发明内容
有鉴于此,本发明提出了一种断路器弹簧操作机构故障诊断方法,能够提高断路器弹簧操作机构故障诊断准确率,增强对关键故障诊断的识别率。
为实现上述目的,本发明的技术方案为:
一种断路器弹簧操作机构故障诊断方法,包括如下步骤:模拟断路器弹簧操作机构的常见故障,利用传感器采集断路器在分合闸操作过程中产生的振动信号;对采集到的信号进行小波包去噪,采用自适应变分模态分解算法对小波包去噪后的信号进行分解,得到各模态分量;对每个模态分量提取特征向量,特征向量的组合作为振动信号的特征矩阵,建立故障诊断数据集;选用多种分类算法建立各个故障的诊断模型,并进行交叉验证,得到模型最终的准确率指标;选取指标最高的模型供给故障诊断决策模块。
其中,得到模型最终的准确率指标的具体实现方式为:针对k类故障,采用基于支持向量机的一对一、一对多、决策树和权值序列优化决策树四种多分类方案建立诊断模型,其中按照其严重程度构造权值序列W=[w1,w2,w3,…,wk],其中w1≥w2≥w3≥…≥wk,w1+w2+w3+…+wk=1,将无序的多分类问题转换为有序多分类问题,利用权值序列减弱决策树中绝对误差的传递效果,得到权值序列优化的决策树分类方案,采用4折交叉验证方法,将训练样本分为4份,轮流选择3份作为训练集,剩余的作为测试集,最终将4次验证准确率的均值作为模型最终的准确率指标。
其中,对每个模态分量提取特征向量M=[m1,m2,m3,m4,m5,m6,m7],中心频率幅值(m1),中心频率相对值(m2),中心频率频带宽度(m3),信号绝对平均值(m4),绝对平均值占比(m5),能量值(m6)和能量占比(m7);其中,中心频率所占频宽取频谱中幅值大于7/8最大幅值部分的频带宽度表示,能量值用均方根值表示。
其中,根据故障类型给各个特征矩阵打标签,获取有标签的故障诊断数据集。
其中,所述常见故障包括:分闸线圈电压异常、分闸电磁铁铁芯运动受阻、四连杆机构卡涩、储能弹簧疲软以及储能电机供电异常。
有益效果
1、本发明通过信号采集、预处理、特征提取、故障模型训练及验证,提高了系统对于各类故障的诊断效果以及关键故障的分辨率,从而保证了供电可靠性,对比已有技术,能够提高断路器弹簧操作机构故障识别的准确性,提升系统运行速度,具有系统可靠性高,关键故障识别准确率高的效果。
2、本发明采用自适应变分模态分解算法对预处理后的信号进行分解,得到各模态分量,将每个模态分量提取特征向量组合,作为振动信号的特征矩阵,建立故障诊断数据集,实现精确的特征值提取,进而提高断路器弹簧操作机构故障诊断的准确性。
3、本发明中,选用多种分类算法建立各个故障的诊断模型,并进行交叉验证,提高了断路器弹簧操作机构故障诊断的准确性,特别是关键故障类型的识别率。
附图说明
图1是本发明方法流程图。
图2为本发明断路器信号特征提取流程示意图。
图3是本发明基于权值序列优化的分类问题转换流程示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
一种断路器弹簧操作机构故障诊断方法,流程图如图1所示,具体包括如下步骤:
步骤S10,模拟断路器弹簧操作机构的多种常见故障,利用加速度传感器采集断路器在分合闸操作过程中产生的振动信号S(t);所述常见故障包括:分闸线圈电压异常、分闸电磁铁铁芯运动受阻、四连杆机构卡涩、储能弹簧疲软以及储能电机供电异常;
步骤S20,对采集到的信号进行预处理,采用自适应VMD变分模态分解算法对预处理后的信号S1(t)进行分解,得到各模态分量集合Uk0;所述预处理包括:对振动信号进行小波包去噪,使其低频和高频噪声被去除,最后得到更利于特征提取的振动信号;
本实施例中,对采集到的振动信号进行小波包去噪,使其低频和高频噪声被去除,得到更利于特征提取的振动信号;将不同K(模态个数)值下VMD算法的分解结果Ui与S1(t)作为能量熵系统输入,确定熵值最接近1时的K值k0;确定分解系统初始化关键参数值:K=k0,将信号S1(t)分解得到各模态分量集合Uk0;
步骤S30,对每个模态分量提取特征向量M,组成的矩阵Mij作为振动信号的特征矩阵,建立故障诊断数据集;
具体地,对每个模态分量提取特征向量M=[m1,m2,m3,m4,m5,m6,m7],中心频率幅值(m1),中心频率相对值(m2),中心频率频带宽度(m3),信号绝对平均值(m4),绝对平均值占比(m5),能量值(m6)和能量占比(m7);其中,中心频率所占频宽取频谱中幅值大于7/8最大幅值部分的频带宽度表示,能量值用均方根值表示;组成的矩阵Mij作为振动信号的特征矩阵,按照故障类型对各个样本赋予标签,获取有标签的故障诊断数据集;其中故障诊断数据集分为训练集和测试集,样本数量比例为3:1。
本发明断路器信号特征提取流程示意图如图2所示。
步骤S40,选用多种分类算法建立各个故障的诊断模型,并进行交叉验证,得到模型最终的准确率指标,具体实现方式为:
针对k类故障,采用基于支持向量机的“一对一”、“一对多”、“决策树”和“权值序列优化决策树”四种多分类方案建立诊断模型。其中按照其严重程度构造权值序列W=[w1,w2,w3,…,wk],其中w1≥w2≥w3≥…≥wk,w1+w2+w3+…+wk=1,将无序的多分类问题转换为有序多分类问题,利用权值序列减弱“决策树”中绝对误差的传递效果,得到权值序列优化的“决策树”分类方案。本发明基于权值序列优化的分类问题转换流程如图3所示。
采用4折交叉验证方法,将训练样本分为4份,轮流选择3份作为训练集,剩余的作为测试集,最终将4次验证准确率的均值作为模型最终的准确率指标。
步骤S50,统计各模型的评价指标,选取指标最高的模型提供给故障诊断决策模块。进一步地,将各类故障的准确率和该类型故障的权重乘积作为该故障类型的评价指标,评价指标中最大的即为引起该断路器弹簧操作机构发生故障的事件类型。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种断路器弹簧操作机构故障诊断方法,其特征在于,包括如下步骤:模拟断路器弹簧操作机构的常见故障,利用传感器采集断路器在分合闸操作过程中产生的振动信号;对采集到的信号进行小波包去噪,采用自适应变分模态分解算法对小波包去噪后的信号进行分解,得到各模态分量;对每个模态分量提取特征向量,特征向量的组合作为振动信号的特征矩阵,建立故障诊断数据集;选用多种分类算法建立各个故障的诊断模型,并进行交叉验证,得到模型最终的准确率指标;选取指标最高的模型供给故障诊断决策模块。
2.如权利要求1所述的方法,其特征在于,得到模型最终的准确率指标的具体实现方式为:针对k类故障,采用基于支持向量机的一对一、一对多、决策树和权值序列优化决策树四种多分类方案建立诊断模型,其中按照其严重程度构造权值序列W=[w1,w2,w3,…,wk],其中w1≥w2≥w3≥…≥wk,w1+w2+w3+…+wk=1,将无序的多分类问题转换为有序多分类问题,利用权值序列减弱决策树中绝对误差的传递效果,得到权值序列优化的决策树分类方案,采用4折交叉验证方法,将训练样本分为4份,轮流选择3份作为训练集,剩余的作为测试集,最终将4次验证准确率的均值作为模型最终的准确率指标。
3.如权利要求1或2所述的方法,其特征在于,对每个模态分量提取特征向量M=[m1,m2,m3,m4,m5,m6,m7],中心频率幅值(m1),中心频率相对值(m2),中心频率频带宽度(m3),信号绝对平均值(m4),绝对平均值占比(m5),能量值(m6)和能量占比(m7);其中,中心频率所占频宽取频谱中幅值大于7/8最大幅值部分的频带宽度表示,能量值用均方根值表示。
4.如权利要求3所述的方法,其特征在于,根据故障类型给各个特征矩阵打标签,获取有标签的故障诊断数据集。
5.如权利要求1、2或4所述的方法,其特征在于,所述常见故障包括:分闸线圈电压异常、分闸电磁铁铁芯运动受阻、四连杆机构卡涩、储能弹簧疲软以及储能电机供电异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211505888.5A CN116224047A (zh) | 2022-11-28 | 2022-11-28 | 一种断路器弹簧操作机构故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211505888.5A CN116224047A (zh) | 2022-11-28 | 2022-11-28 | 一种断路器弹簧操作机构故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116224047A true CN116224047A (zh) | 2023-06-06 |
Family
ID=86586089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211505888.5A Pending CN116224047A (zh) | 2022-11-28 | 2022-11-28 | 一种断路器弹簧操作机构故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116224047A (zh) |
-
2022
- 2022-11-28 CN CN202211505888.5A patent/CN116224047A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103968937B (zh) | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 | |
Wu et al. | A genetic-algorithm support vector machine and DS evidence theory based fault diagnostic model for transmission line | |
CN108680348A (zh) | 一种基于随机森林的断路器机械故障诊断方法及系统 | |
Duan et al. | Method of inter‐turn fault detection for next‐generation smart transformers based on deep learning algorithm | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN110796120A (zh) | 基于时域特征的断路器机械故障XGBoost诊断方法 | |
CN113671361A (zh) | 基于多源信号融合的高压断路器特性参数预测方法及系统 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN116683648A (zh) | 一种智能型配电柜及其控制系统 | |
Lu et al. | A novel fault diagnosis method for circuit breakers based on optimized affinity propagation clustering | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
CN116224047A (zh) | 一种断路器弹簧操作机构故障诊断方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN112149845A (zh) | 基于大数据和机器学习的智能运维方法 | |
CN105116323B (zh) | 一种基于rbf的电机故障检测方法 | |
CN115408196B (zh) | 一种高容错电网故障诊断方法及系统 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN114137401B (zh) | 一种故障的电磁信号的确定方法及装置 | |
CN115456106A (zh) | 一种高压断路器故障诊断模型优化方法 | |
CN112906489A (zh) | 一种基于lmd与排列熵的变压器机绕组松动识别方法 | |
Ma et al. | Fault diagnosis of fan gearboxes based on EEMD energy entropy and SOM neural networks | |
CN114415056A (zh) | 一种分布式电源孤岛故障的检测方法 | |
CN112529066A (zh) | 一种基于bas-bp分类器模型的电压暂降源识别方法 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 |
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 |