[发明专利]一种断路器故障诊断方法

说明书

本发明公开了一种断路器故障诊断方法，步骤包括：采集断路器的振动信号以及声音信号；利用烟花算法优化VMD分解中的参数K和参数alpha，再获取振动信号IMF分量以及声音信号的无量纲参数；将振动信号IMF分量的能量熵作为振动信号特征向量W₁，将声音信号的无量纲参数作为声音信号特征向量W₂；将W₁以及W₂作为特征向量W的子集，并将特征向量W输入到网格搜索优化的支持向量机中进行诊断识别。该断路器故障诊断方法基于振声联合分析的故障诊断算法相较于单一信号的故障诊断算法来说，有明显的优势；基于烟花算法优化的变分模态分解效果相较于未优化的变分模态分解具有更好的信号分解效果，能更加完整的对于信号的进行分解，分解结果较好。

技术领域

本发明涉及一种电路设备故障诊断方法，尤其是一种断路器故障诊断方法。

背景技术

高压断路器作为电力生产中的保护设备，对电气设备的正常运行有重要意义。据研究结果表明，断路器的大多数故障为机械故障，于是针对高压断路器机械故障的诊断十分重要。

当前针对高压断路器机械故障诊断的研究方法分作线圈电流、振动信号、声音信号三种，其中以基于振动信号进行故障诊断为主。基于线圈电流的断路器故障诊断类型较为单一，只能对电磁铁和辅助开关的状态诊断。振动信号主要由断路器机械部件在分合闸动作时的振动产生，具有信噪比低的优点，在断路器故障诊断时效果较好。

现阶段，存在一些以振声联合的方法对断路器故障进行诊断的研究，利用声音信号与振动信号的特征互补，实现更好的故障诊断效果。例如，基于振声联合分布的断路器故障诊断方法，分别将振动信号和声音信号进行小波包分解提取能量熵特征，将特征输入基于Libsvm的进行可信度分配，最后利用DS证据融合理论进行故障诊断。

有人提出一种变分模态分解(Variational Mode Decomposition，VMD)方法，与集合经验模态分解(Ensemble empirical Mode Decomposition，EEMD)以及局部均值分解(Local Mean Decomposition，LMD)方法相比，VMD分解方法效果好，且能分离频率相近的信号，受采样频率影响小，具有一定的去噪效果，但是不同信号特点下K和alpha参数的选择对于分解效果影响很大。

发明内容

发明目的：提供一种断路器故障诊断方法，能够对于断路器传动机构卡涩、基座螺丝松动、合闸弹簧储能不足、正常状态四种状态能进行准确诊断，相较单一振动或声音信号的故障诊断精度有了明显的提升。

技术方案：本发明所述的断路器故障诊断方法，包括如下步骤：

步骤1，利用振动传感器以及声音传感器分别采集断路器的振动信号以及声音信号；

步骤2，利用烟花算法优化VMD分解中的参数K和参数alpha，再利用优化后的VMD分解对振动信号以及声音信号进行分解，获取振动信号IMF分量以及声音信号的无量纲参数；

步骤3，将振动信号IMF分量的能量熵作为振动信号特征向量W₁，将声音信号的无量纲参数作为声音信号特征向量W₂；

步骤4，将振动信号特征向量W₁以及声音信号特征向量W₂作为特征向量W的子集，并将特征向量W输入到网格搜索优化的支持向量机中进行诊断识别。

进一步的，步骤2中，利用烟花算法优化VMD分解中的参数K和参数alpha的具体步骤为：

步骤2.1，初始化设置烟花算法参数，设置烟花数目、爆炸半径、爆炸数量、变异火花数、迭代次数、参数K的范围以及参数alpha的范围，并将参数K和参数alpha构建的二维参数作为烟花算子；

步骤2.2，计算每个烟花的适应度值；