一种基于振动信号包络线识别的高压断路器故障诊断方法技术

本发明专利技术公开一种基于振动信号包络线识别的高压断路器故障诊断方法，包括故障特征离线训练和在线故障诊断，故障特征离线训练过程包括针对高压断路器操作振动信号历史数据进行信号预处理，然后提取振动信号的包络线，再采用小波包

【技术实现步骤摘要】
一种基于振动信号包络线识别的高压断路器故障诊断方法


[0001]本专利技术涉及气设备状态监测和故障诊断
，具体是一种基于振动信号包络线识别的高压断路器故障诊断方法。

技术介绍

[0002]高压断路器是电力系统中的关键设备，其在电网中承担着极其重要的控制和保护作用。在电网正常运行时，高压断路器根据电网运行的需要，控制部分电力设备或线路投入/退出运行。在电力设备或者线路发生故障时，高压断路器将故障部分从电网快速切除，保证电网中无故障的部分正常运行。若高压断路器发生故障，其造成损失远高于高压断路器自身的价值。为此，需要着重围绕高压断路器的可靠性开展研究，保证高压断路器在各种工况下能够确保正常运行，减小断路器故障发生的可能性。
[0003]为了监测高压断路器状态信息并实现故障诊断，常用的采集信号有振动信号(基于SSD
‑
SRAE的高压断路器故障诊断方法，CN112327149A；一种高压断路器故障诊断方法及系统和装置，CN112083328A；一种基于小波包关联维数组合的高压断路器振动信号特征提取方法，CN105021277A；基于LMD的断路器弹簧操动机构状态异常检测方法，CN109270445A)、电流信号(基于线圈电流信号的变电站高压断路器故障诊断方法，CN114298079A；高压断路器故障诊断方法，CN108828441A)、声音信号(一种多特征优化融合的高压断路器故障诊断方法，CN112255538A)和行程
‑
时间曲线(基于模糊聚类的支持向量机高压断路器故障诊断方法，CN103345639A)，其中基于振动信号的高压断路器故障诊断具有信号易获取、诊断效果好等优点。但是，现有的基于振动信号的高压断路器故障诊断方法，均直接对采集的操作振动信号提取故障特征，采用的算法有小波分解、经验模态分解、小波包分解(一种基于多数据融合技术的高压断路器机械故障诊断方法，CN201610299059.4；基于智能理论的高压断路器机械故障诊断[J].江苏电机工程，2014，33(06)：12
‑
15.)等。但由于现有故障诊断方法需基于完整的操作振动信号构建故障特征，信号处理算法较复杂，诊断速度慢，软硬件开销大。

技术实现思路

[0004]本专利技术的目的在于提供一种基于振动信号包络线识别的高压断路器故障诊断方法，克服现有信号处理方法的不足，提高诊断速度和降低软硬件开销，提升高压断路器运行的可靠性，本专利技术仅需要处理振动信号的包络线，处理信号的带宽和所需的软硬件资源大为降低。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种基于振动信号包络线识别的高压断路器故障诊断方法，故障诊断方法包括故障特征离线训练和在线故障诊断，所述故障特征离线训练用于构建故障特征库，在线故障诊断用于获取断路器在线故障诊断结果，故障诊断方法包括以下步骤：
[0007]故障特征离线训练包括步骤S1至S5：
[0008]S1、收集并输入高压断路器操作的振动信号历史数据。
[0009]S2、信号预处理。
[0010]S3、提取振动信号包络线。
[0011]S4、基于小波包
‑
能量谱提取典型故障特征向量M。
[0012]S5、构建故障特征库。
[0013]在线故障诊断包括步骤S6至S11：
[0014]S6、采集高压断路器操作的振动信号。
[0015]S7、信号预处理。
[0016]S8、提取振动信号包络线。
[0017]S9、基于小波包
‑
能量谱提取故障特征向量T。
[0018]S10、结合离线训练构建的故障特征库，计算故障特征向量T与典型故障特征向量M之间的欧式距离。
[0019]S11、进行故障诊断并输出诊断结果。
[0020]进一步的，所述步骤S1和S6中的振动信号包括高压断路器的合闸操作振动信号和分闸操作振动信号，采集并记录高压断路器的操作振动信号，用包含有正常状态和故障状态的振动信号历史数据离线训练构建故障特征库。
[0021]进一步的，所述步骤S2和S7的信号预处理包括对振动信号进行小波降噪处理、滤除高频噪声和干扰。
[0022]进一步的，所述小波降噪过程分为三个步骤：
[0023](1)、选择小波基和分解层数，利用小波变换对采集的振动信号进行j层的小波分解，小波分解过程用公式表示为：
[0024][0025]式中：f(n)为采集的原始振动信号，L为低通滤波器，H为高通滤波器，近似值a是较大的尺度因子产生的小波系数，表示信号的低频分量，而细节值d是较小的尺度因子产生的小波系数表示信号的高频分量。
[0026](2)选择细节系数阈值，对于从1到j的每个层，选择一个阈值并对细节系数应用阈值。对于小波系数的处理一般使用门限阈值方法，该方法又分为软阈值法以及硬阈值法。硬阈值法如下式所示：
[0027][0028]其中w为原小波系数，λ为阈值函数中的阈值，假如系数的绝对值不小于λ时保持其值不变，当小于给定阈值时，将小波系数置0。
[0029]当原始信号分解后的系数的绝对值不小于阈值时，将系数变为原系数减去λ，当系数小于阈值时，将小波系数变为0，软阈值法如下式所示：
[0030][0031]阈值的选取对振动信号的降噪效果十分重要，选择Sqtwolog准则计算降噪阈值的大小，其公示表示为：
[0032][0033]式中：
[0034](3)进行小波重建，根据层数j的原始近似系数和1到j的修改细节系数计算小波重构，具体的包括：首先利用最后一层分解后的近似值a
j
和细节值d
j
分别进行隔点插零，然后分别与滤波器L1以及H1进行卷积运算后得到j
‑
1层近似值a
j
‑1，重复该过程，最终得到原始信号a0＝f(n)，用公式表示为：
[0035][0036]进一步的，所述步骤S3和S8包括选用Envelope函数来提取振动信号包络线，Envelop函数输入振动信号，Envelop函数返回的上下峰值包络线。
[0037]进一步的，所述步骤S4和S9采用小波包
‑
能量谱技术提取振动信号包络线的故障特征向量，具体操作包括：先对振动信号包络线经过n层小波包分解得到2
n
个频带数据，再计算各个频带的能量值并进行归一化处理得到振动信号的特征向量，即基于离线历史数据处理得到典型故障特征向量M和故障特征库，基于在线振动信号得到故障特征向量T。
[0038]进一步的，所述小波包分解可将振动信号包络线的低频部分和高频部分进行多次分解，小波包分解的算法形式为：
[0039][0040]式中：n为时段分解层数。
[0041]包络线的时段分解之后，各个时间段信号的能量值计算方式为：
[0042][0043]式中：N为小波包分解中系数的个数，为第j层小波包分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动信号包络线识别的高压断路器故障诊断方法，故障诊断方法包括故障特征离线训练和在线故障诊断，其特征在于，所述故障特征离线训练用于构建故障特征库，在线故障诊断用于获取断路器在线故障诊断结果，故障诊断方法包括以下步骤：故障特征离线训练包括步骤S1至S5：S1、收集并输入高压断路器操作的振动信号历史数据；S2、信号预处理；S3、提取振动信号包络线；S4、基于小波包
‑
能量谱提取典型故障特征向量M；S5、构建故障特征库；在线故障诊断包括步骤S6至S11：S6、采集高压断路器操作的振动信号；S7、信号预处理；S8、提取振动信号包络线；S9、基于小波包
‑
能量谱提取故障特征向量T；S10、结合离线训练构建的故障特征库，计算故障特征向量T与典型故障特征向量M之间的欧式距离；S11、进行故障诊断并输出诊断结果。2.根据权利要求1所述的一种基于振动信号包络线识别的高压断路器故障诊断方法，其特征在于，所述步骤S1和S6中的振动信号包括高压断路器的合闸操作振动信号和分闸操作振动信号，采集并记录高压断路器的操作振动信号，用包含有正常状态和故障状态的振动信号历史数据离线训练构建故障特征库。3.根据权利要求1所述的一种基于振动信号包络线识别的高压断路器故障诊断方法，其特征在于，所述步骤S2和S7的信号预处理包括对振动信号进行小波降噪处理、滤除高频噪声和干扰。4.根据权利要求1所述的一种基于振动信号包络线识别的高压断路器故障诊断方法，其特征在于，所述小波降噪过程分为三个步骤：(1)、选择小波基和分解层数，利用小波变换对采集的振动信号进行j层的小波分解，小波分解过程用公式表示为：式中：f(n)为采集的原始振动信号，L为低通滤波器，H为高通滤波器，近似值a是较大的尺度因子产生的小波系数，表示信号的低频分量，而细节值d是较小的尺度因子产生的小波系数表示信号的高频分量；(2)选择细节系数阈值，对于从1到j的每个层，选择一个阈值并对细节系数应用阈值。对于小波系数的处理一般使用门限阈值方法，该方法又分为软阈值法以及硬阈值法。硬阈值法如下式所示：
其中w为原小波系数，λ为阈值函数中的阈值，假如系数的绝对值不小于λ时保持其值不变，当小于给定阈值时，将小波系数置0；当原始信号分解后的系数的绝对值不小于阈值时，将系数变为原系数减去λ，当系数小于阈值时，将小波系数变为0，软阈值法如下式所示：阈值的选取对振动信号的降噪...

【专利技术属性】
技术研发人员：张建忠，吴永斌，袁正舾，
申请(专利权)人：东南大学，
类型：发明
国别省市：