[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

摘要

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。

主权项

1.一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，其特征是所述方法包括以下步骤：第一步，将断路器的工作模式分为正常模式、报警模式和故障模式，所述故障模式包括A相不同期、B相不同期、C相不同期、虚假合闸和分闸不彻底五种；采集断路器不同工作模式下的分合闸动作过程中的振动信号Sv(t)，每种工作模式下均采集r个振动信号；第二步，对采集的振动信号Sv(t)采用小波包阈值去噪算法进行去噪预处理，得到去噪振动信号S′v(t)；第三步，将不同工作模式下的去噪振动信号S′v(t)进行局部均值分解，并选取d个主要PF分量：第四步，对第三步得到的d个主要PF分量进行改进的多尺度排列熵计算，步骤如下：4‑1.将长度为N的主要PF分量x_i按照公式(11)进行粗粒化处理，得到粗粒化序列式中：i＝1,2,…,d；j＝1,2,…,N；τ＝1,2,…,τmax；τmax为τ的最大值，为改进的尺度因子，τmax大于10；4‑2.将步骤4‑1得到的τ_max个粗粒化序列分别求取排列熵值，得到的排列熵值即为d个主要PF分量的改进的多尺度排列熵值第五步，构建样本降维特征矩阵：按照第四步分别求出不同工作模式下去噪振动信号的d个主要PF分量的改进的多尺度排列熵值，并在每一种工作模式下将改进的多尺度排列熵值构建成一个特征向量T_T＝[MMPE₁ MMPE₂ … MMPE_d]，特征向量T_T的维数为τ_max×d，所有工作模式下共有7r个样本，7r个样本的所有特征向量构成样本特征矩阵，样本特征矩阵的维数为7r×τ_maxd；然后通过主成分分析法对样本特征矩阵进行降维处理，降维后得到为一个维的矩阵，该矩阵即为样本降维特征矩阵；第六步，构建多分类支持向量机，识别工作模式：使用第五步得到的样本降维特征矩阵，需要进行识别的工作模式总类数为7，把某个工作模式下的数据看做正类，其余工作模式下的数据看做负类，采用“一对多”方法构建六个子支持向量机，六个子支持向量机再以高斯径向基核函数为基础，并采用网格搜索算法进行核参数优化，得到多分类支持向量机，通过该多分类支持向量机对断路器的工作模式进行识别，当处于正常模式时，不需要进行任何处理，当处于报警模式时，需要提醒工作人员注意，当处于故障模式时，需要进行故障程度评估；第七步，确定故障程度评估指标：在经过第六步所得到的多分类支持向量机诊断出断路器处于故障模式中的某种故障时，需要对该种故障发生的故障程度进行评估，以改进的多尺度排列熵偏均值作为故障程度评估指标，计算故障模式中A相不同期、B相不同期、C相不同期、虚假合闸与分闸不彻底故障的不同故障程度的改进的多尺度排列熵偏均值；改进的多尺度排列熵偏均值的计算步骤如下：7‑1.确定第二步中去噪振动信号的改进的尺度因子τ′max，τ′max大于10；7‑2.将长度为N的去噪振动信号S′_v(t)按照公式(12)进行粗粒化处理，得到粗粒化序列式中：t＝1,2,…,N；τ＝1,2,…,τ′_max；τ′_max为去噪振动信号的改进的尺度因子；将得到的τ′_max个粗粒化序列分别求取排列熵值，得到的排列熵值即为去噪振动信号S′_v(t)的改进的多尺度排列熵值；7‑3.根据公式(13)计算去噪振动信号S′v(t)的改进的多尺度排列熵值的偏斜度Ske：其中，分别为去噪振动信号S′_v(t)的改进的多尺度排列熵值的均值、中位数和标准差；7‑4.根据公式(14)计算该去噪振动信号的改进的多尺度排列熵偏均值第八步，构造故障程度特性曲线：将第七步得到的所有去噪振动信号的改进的多尺度排列熵偏均值与故障程度之间建立函数关系，通过曲线拟合，得到A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障相应的故障程度特性曲线，当需要进行故障程度评估时，经第二步对待评估振动信号进行去噪处理，然后按照第七步计算去噪振动信号的改进的多尺度排列熵偏均值，代入上述相应的故障程度特性曲线中，即可得出对应的故障程度的定量值。