[发明专利]基于振动信号分析的真空断路器机械状态检测方法

说明书

技术领域

本发明涉及真空断路器技术领域，特别涉及一种基于振动信号分析的VS1真空断路器机械状态检测方法。 

背景技术

VS1真空断路器是高压开关的一种，电网中高压开关的运行状态对系统的安全运行异常重要。状态检测是基于设备的实际运行工况确定设备是否需要检修，检修哪些部件和内容，具有极强的针对性。高压开关事故中，属于机械原因造成的故障占首位，故要实现VS1真空断路器的状态检测，必须考虑其机械状态，而其合、分闸过程中的振动信号包含着大量的设备机械状态信息且易于测量，所以选择分析VS1真空断路器的振动信号来实现其故障诊断。 

高压开关的振动信号属于瞬时非平稳信号，不具有周期性。有效信号出现的时间非常短，通常在数十到数百毫秒之间。通过小波分解得到的时-频-信号幅值谱图能看到在不同时刻不同频率下信号的大小，将振动信号的特征分解到不同的频段，更精确地描述高压断路器的机械状态，对了解信号的构成非常重要。而信息熵是在一定的状态下定位系统的一种测度，它是对序列未知程度的一种度量。对于高压断路器的振动信号而言，各种正常状态都是一个标准正常状态的脉动，各故障状态却可认为是这个标准正常状态的不同突变，因此，可以选择小波分解得到的各频段的信息熵作为故障诊断的特征向量。 

发明内容

本发明的目的在于提供一种基于振动信号分析的真空断路器机械状态检测方法，选择合适的小波基分析VS1真空断路器操作过程中振动信号，对其进行消噪，并对信 号进行小波分解，得到其在不同时间不同频率下的幅值，了解信号构成；同时得到各频段信息熵，并将信息熵向量作为故障诊断特征量输入神经网络，实现VS1真空断路器故障诊断的基于振动信号小波分析的VS1真空断路器机械状态检测。 

为达到上述目的，本发明采用如下技术方案： 

基于振动信号分析的真空断路器机械状态检测方法，包括以下步骤： 

1）采集VS1真空断路器动作过程中的振动信号； 

2）对步骤1）采集的振动信号进行小波分解消噪； 

3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量； 

4）将步骤3）的计算的故障特征向量输入训练好的神经网络；神经网络结合振动信号知识库将振动信号的故障特征向量进行分类，得到其机械状态为正常或具体故障类型，实现真空断路器的状态检测。 

本发明进一步的改进在于：振动信号知识库的建立及神经网络的训练包括以下步骤： 

S1）利用实验测量及多体动力学软件ADAMS仿真VS1真空断路器动作过程， 

获取多组不同位置不同状态下的振动信号； 

S2）对步骤S1）采集的振动信号进行小波分解消噪，利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：根据小波基与VS1断路器合、分闸振动信号的相似度选择与振动信号相似的小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪； 

S3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中； 

S4）计算信号由小波分解到各频段的信息熵；将振动信号各频段的信息熵组合到一起构成故障特征向量，建立VS1真空断路器振动信号知识库； 

S5）将各故障状态及正常状态下的振动信号故障特征向量按其机械状态编码，并输入支持向量机SVM神经网络进行训练得到训练好的神经网络。 

本发明进一步的改进在于：SVM神经网络采用径向基函数作为核函数，采用交叉验证的方法或粒子群优化算法实现参数寻优，得到使神经网络对训练集分类最为准确的惩罚参数c和核函数参数g。 

本发明进一步的改进在于：步骤S2）中选择小波基的方法为：考虑小波分解之后重构信号与原信号的相似性，既考虑其整体误差，又考虑其局部误差，选择与振动信号相似度较高的小波基；具体的相似度判断公式为：