断路器状态识别方法的研究.docx

《断路器状态识别方法的研究.docx》由会员分享，可在线阅读，更多相关《断路器状态识别方法的研究.docx（5页珍藏版）》请在第一文库网上搜索。

1、断路器状态识别方法的研究故障识别就是依据特征向量在特征空间中的位置对系统的状态进行分类，分类算法分为线性分类方法和非线性分类方法。线性分类方法具有计算量少、速度快等优点，对于线性可分的特征向量，可以取得较好的分类效果。常用的线性分类算法包括基于马氏(Mahalanobis)距离的线性分类算法和基于线性判别分析(Linear Discriminant Analysis, LDA)的分类算法等错误!未找至!j引用源。非线性分类算法比线性分类算法具有更好的分类特性，特别是对于线性不可分的分类问题，仍然能取得较高的分类性能。常用的非线性分类算法包括支持向量机(SupportVector Machine

2、 ,SVM) 人工神经网络(Neural Networks, NN)分类器等。其中，神经网络分类器具有高速并行处理、分布存贮信息等特性，这使其在模式识别方面具有传统模式识别方法不可比拟的优点。采用基于无迹卡尔曼滤波(UnsecntKalman Filter, UKF)算法的多层前向神经网络对振动信号的特征进行分类，并验证分类效果。(1)分辨系数法在比较向量之间的相似性时，比较朴素的方法就是选取向量间的欧氏距离作为判据，在很多其他的方法中也借鉴了欧氏距离的概念，如动态时间规整、人工免疫网络等。前述方法都使用了欧氏距离的绝对值,其阈值的合理选择是关键。分辨系数法(Resolution Ratio,

3、 RR)利用了归一化方法，其值由待检向量与基准向量距离、参考向量与基准向量距离之比决定，辨识系数越大则待检状态偏离参考状态越远，应用中应通过多次试验确定合理的阈值。(2)协方差协方差(Covariance)是统计学中用于度量两个变量整体误差的指标，当两个变量相同时，协方差转化为方差(Variance),方差的平方根称为标准差(StandardDeviation)o当以选定频带能量作为特征向量时,不同合阐同期性状态的特征向量在特征平面的分布具有明显的界限，利用特征向量的标准差确定容差可以对状态进行分类。以振动信号的方差和协方差为坐标，不同状态下的坐标各自归类到不同的区域，可用于故障识别。(3)人

4、工神经网络人工神经网络是一种模拟人脑神经系统信息处理机制的数学模型，其通过相互连接的各神经元之间的并行处理，来模仿人脑的思维判断过程。人工神经网络具有并行性高、自适应性强、容错性好以及良好联想记忆功能和知识分布存储等特点，对外界输入样本表现出了良好的识别与分类能力。将断路器振动信号的特征量输入到神经网络，神经网络通过其网络模型的相关运算输出对应的状态类别,从而实现断路器的故障诊断。人工神经网络存在易陷入局部最优解、网络训练速度慢、过学习等缺点，在实际应用中其参数设置也具有一定难度，而且由于其对训练样本要求较高，不大适合于小样本分类问题，因此其在高压断路器故障诊断领域的应用并不广泛。(4)支持向

5、量机支持向量机一种基于统计学习理论的机器学习方法，具有强大的分类和预测功能。支持向量机模型是一个高维特征空间上的线性分类器，其基于结构风险最小化理论，能够在样本空间较小的条件下仍保持较高的精度，十分适合于小样本、高维度及非线性的分类问题。由于高压断路器一般很少动作，无法获得足够的故障样本数据，所以高压断路器故障诊断实际上是一个小样本分类问题，因此支持向量机在该研究中获得了广泛的应用。均采用支持向量机对高压断路器状态进行识别，将断路器振动信号的特征向量输入到支持向量机中，支持向量机根据其训练模型对断路器状态进行分类。相较于人工神经网络，支持向量机在解决小样本分类问题上能力更加突出，因此在断路器故

6、障诊断领域的使用也更为广泛。但是支持向量机的识别准确率在很大程度上也会受训练样本的影响，当实际应用中出现新的未知类型故障时，由于缺失该故障类型的训练样本，无法支持向量机进行训练以获得相应的分类器模型，支持向量机必然会将其识别为正常状态或者其他错误的故障类型。显然，这种情况下支持向量机的分类性能是难以满足可靠性要求。因此，需要设计更加合理的故障诊断方案，以更加完善现有研究方法中存在的不足和缺陷。1.2.3存在的主要问题各国学者对高压断路器机械故障的振动诊断进行了多年的研究，取得了一定的成果，但绝大多数工作尚局限于实验室研究方面。缺乏对断路器机械故障机理的研究；断路器及其操动机构种类多种多样，涉及

7、到多学科知识，很难找到通用性较好的方法；在测点位置对测量信号影响方面缺乏深入研究，造成了各研究结果的重复性较差；高压断路器动作过程中的振动信号是多分量叠加的瞬时非平稳信号，处理起来有一定困难等，这些原因造成了高压断路器振动诊断研究进展缓慢。考虑到高压断路器振动诊断方法的实用化，则还需进一步研究现场电磁噪声对测量信号的干扰；断路器开合电流大小不确定时，振动信号的差异对诊断结果的影响；运行中的高压断路器动作频度较低，振动信号样本积累较少等问题。1.2研究的主要内容及研究方法1.2.1 研究的主要内容鉴于高压断路器振动诊断工作的现状和当前存在的问题，本研究设计断路器振动数据采集装置，对断路器不同故障

8、状态进行实验，利用所测数据进行非线性时频分析。将EMD能量端和基于UKF的神经网络分类器相结合，提出一种高压断路器机械状态监测新方法。首先，用小波分解和重构算法对振动信号进行分解，提取振动信号不同频带信号，提取不同频带的LZ复杂度和小波焙特征；用EMD方法将每一个原始信号分解为一系列的IMF分量，选取包含最有效故障信息的前6个IMF分量，将各分量包络按时间等间隔分成M段并计算各IMF能量嫡；最后，用正常状态和故障状态断路器振动信号的LZ复杂度、小波燧和IMF能量端作为训练样本，训练神经网络，并实现故障状态诊断。通过实测信号实验，并与FKCM分类器、SVM和BPNN分类器作对比，来验证新方法的有

9、效性。1.2.2 解决的主要问题解决的主要问题如下：(1)针对高压断路器故障诊断训练数据样本较少问题，设计断路器数据采集装置，通过实验采集断路器不同故障时的数据。(2)对采集的断路器故障信号进行了分解，利用非线性分析方法，分析能量在不同频率下的变化规律。通过分析子频带，提取潜藏在振动信号中的能量熠特征，并将此能量燧特征作为故障诊断的特征值。(3)针对现有的分类器需要训练样本多、训练时间长的问题，提出基于UKF的神经网络分类器，通过实验验证分类器的性能。1.2.3研究方法高压断路器动作过程中产生的振动信号含有重要的状态信息，对该振动信号进行处理能够将反映断路器机械状态的好坏的状态特征量提取出来，

10、进而可以获得断路器故障诊断结果。通过振动传感器采集断路器动作期间产生的振动信号，进而采用基于振动分析的故障诊断方法来获取断路器状态情况，是一种非侵入式监测方法，不会影响设备本身的可靠性。因此，本研究提出一种基于振动信号分析的高压断路器机械故障诊断的方案。该方案通过获取加速度传感器采集断路器振动信号，并采用先进的信号处理方法对振动信号进行分解，以提取振动信号特征向量，然后通过模式识别方法对断路器机械状态进行识别和分类。本课题的研究思路如图1-1所示。首先，基于虚拟仪器技术，开发振动测试实验系统。实验系统应能控制断路器动作、同时测量断路器振动数据信号。对采集的信号进行预处理，去除信号中的噪声。利用

11、带通滤波提取出振动信号中的有用的频率成分，并去除高频噪声。利用小波分解和小波重构技术，得到测量数据不同频带的信号。利用多尺度小波燧对测量数据的不同频带的进行分析，得出LZ复杂度和小波熠在不同子频带的变化特征；利用EMD方法将每一个原始信号分解为一系列的IMF分量；选取包含最有效故障信息的前6个IMF分量，将各分量包络按时间等间隔分成M段并计算各IMF能量烯。通过实验对比LZ复杂度、小波能量端和IMF能量燧的差别，选取更有效的能量燧作为故障诊断的特征值。最后，采用分类方法对所提取的特征进行分类。研究不同分类方法的分类结果，寻找分类性能较好的分类方法。特征提取传感器采集。与预处理信号采集特征分类识别结果（故障识别）图1-1研究思路框图Fig. 1-1 Research route block diagram