[发明专利]一种基于振动信号的框架式断路器机械故障程度评估方法

说明书

一种基于振动信号的框架式断路器机械故障程度评估方法，该评估方法中振动信号为通过框架式断路器机械故障检测系统采集框架式断路器分合闸过程中的机械振动信号，该方法采用小波包去噪对振动信号进行去噪预处理，其次对去噪振动信号采用局部均值分解算法进行自适应分解，筛选出与原始振动信号相关性最大的前d个PF分量，对各PF分量进行改进的多尺度排列熵分析，并利用主成分分析法对由上述改进的多尺度排列熵值构成的特征向量进行降维处理，建立故障特征向量，再构建多分类支持向量机，进行模式识别，通过参照不同故障模式下的故障程度特性曲线，用于对断路器分合闸过程中出现的机械故障的严重程度进行定量评估，该方法稳定、可靠、有效。

技术领域

本发明涉及断路器的机械故障程度评估技术领域，具体地说是一种基于振动信号的框架式断路器机械故障程度评估方法。

背景技术

智能电网是当前国内外的研究热点，智能化供电系统是智能电网的重要组成部分，作为在供电系统低压侧起着“控制”和“保护”双重作用的框架式断路器，其广泛应用于低压配电系统各级馈出线、各种机械设备的电源控制和用电终端的控制和保护。国内外研究与统计机构发现，断路器发生的绝大部分故障属于机械故障，而机械故障中分合闸故障最为常见。近年来，故障诊断技术得到了深入研究和广泛应用，现有的断路器机械故障诊断技术中也出现了较多的智能诊断方法。而在实际应用中，仅仅知道故障是否发生以及对故障类型的判定对于断路器的合理有效运行是远远不够的，在故障发生时识别故障的严重程度是故障诊断领域的一个新的挑战，获取故障的严重程度信息能够帮助用户了解设备状态的发展趋势，制定合理的维修决策和检修方案。因此，针对断路器机械故障程度定量评估的研究具有重要的意义。

目前，在故障程度定量评估研究中主要是直接对故障程度进行模式识别，即有序分类问题。黄强等(黄强,宋士华,丁志华,等.基于振动分析的柴油机故障程度的研究[J].华中科技大学学报(自然科学版),2007,35(6):105-107.)利用神经网络诊断模型来识别故障的发展程度，并以柴油机连杆铜套磨损故障为例进行了多种故障程度的模式识别分析；陈斌等(陈斌,阎兆立,程晓斌.基于SVDD和相对距离的设备故障程度预测[J].仪器仪表学报,2011,32(7):1558-1563.)找出转子振动模拟台振动信号频谱曲线的统计变化规律，提取出能够描述故障设备故障程度变化的频域特征来构造相对距离，然后进行故障程度大小的有效识别。目前故障程度的研究仅仅实现了故障程度大小的分类，即只能根据智能识别算法诊断出固定的故障程度，是一种离散型的对应关系，但并未从根本上揭示信号特征与故障程度的变化规律，即根据一些故障程度特征和故障的严重程度之间存在的特性关系进行故障程度的定量分析，容易产生错误的故障程度判定，轻则影响对断路器机械状态的判定，重则造成停电事故和重大经济损失。

发明内容