肖鵬斌,韋云清
(1.海軍裝備部,甘肅 蘭州 730000; 2.甘肅省航空電作動重點實驗室,甘肅 蘭州 730000)
近年來,高壓真空斷路器在電力系統中得到了廣泛的應用和發展。但同時,電力系統也對其機械開關及操動機構的快速性、可靠性和經濟性方面提出了更高的要求。因此,一種應用在高壓真空斷路器中的新型電磁斥力機構成為研究熱點[1]。而目前對電磁斥力機構的研究主要集中在機械結構的設計和改進方面,忽略了其故障問題。國際大電網會議(CIGRE)對高壓設備可靠性的國際調查報告中指出,80%的高壓電力設備故障出現在操動機構上[2]。因此有必要對電磁斥力機構中出現的機械故障進行監測和診斷,而利用振動信號對高壓斷路器進行機械故障診斷已取得了較多成果[3-6]。但目前的這些方法均存在缺陷,如:傳統的小波包分解不具有自適應性,存在基函數選擇困難的問題,并且受噪聲影響較大;經驗模態分解具有自適應性但存在邊界效應和模態混疊等現象,影響特征量的有效性。
S變換(ST)由Stockwell[7]在1996年提出。作為小波變換和短時傅立葉變換的繼承和發展,ST采用高斯窗函數且窗寬與頻率的倒數成正比,免去了窗函數的選擇并改善了窗寬固定的缺陷,在電能質量擾動分析領域得到廣泛應用[8]。然而,ST中固定的高斯窗函數限制了其應用效果。為此,Mansinha等[9]提出廣義S變換(GST)。但無論ST還是GST,都無法在全時段兼顧頻率分辨率和時間分辨率。因此學者周竹生等[10]提出一種S變換改進方法,即含可變因子的廣義S變換,進一步提高非平穩信號的時頻分辨率。筆者通過改進S變換對高壓真空斷路器的振動信號進行分解,利用支持向量機進行故障分類,使針對斷路器機械故障診斷的準確率達到更高水平。
標準ST的表達式為:
(1)
式中:h(t)為輸入信號;ω(τ-t,f)為高斯窗函數;τ為位移因子。
由于控制高斯窗在時軸上位置,高斯密函數表達式為:
(2)
高斯窗函數的窗寬因子σ被定義為頻率f的倒數。為改善ST時頻分辨率固定的缺點,將窗寬因子定義為σ=δ/|f|。其中,δ為頻率f的線性函數,其表達式為:
δ=kf+h
(3)
其中,參數k和h共同控制高斯窗的窗寬,k增加,高頻段頻率分辨率上升,時間分辨率下降;h增加,低頻段的時間分辨率提高。從而高斯窗函數的表達式變為:
(4)
由此得到的改進S變換(IST)的表達式為:
e-(τ-t)2f2/2(kf+h)2e-i2πftdt
(5)
當k=0,h=1時,IST即退化為標準ST。振動信號經IST處理后得到的結果為一個二維復矩陣,其行向量表示時間,列向量表示頻率。對該二維復矩陣求模后即可得到IST模矩陣(ISTMM),從中可以提取特征量作為支持向量機輸入向量,進而用于電磁斥力機構機械故障診斷。
小波包能量熵在高壓斷路器故障診斷領域的應用已經較為廣泛[11]。文章參考小波包能量熵的思想,提出一種改進S變換能量熵提取方法。
首先將ISTMM分別按照行和列劃分為N段,則ISTMM被劃分為N×N個小的時頻塊。對每一個時頻塊求能量Qij,計算公式為:
Qij=∑|Aij|2,i=1,2,...,N;j=1,2,...,N
(6)
式中:Aij表示每個時頻塊中所有元素的幅值。然后求每個時頻塊的歸一化能量Eij:
Eij=Qij/Q
(7)
式中:Q為所有時頻塊的能量總和。最后可求得S變換能量熵Ti和Fj:
(8)
(9)
式中:Ti為時域能量熵;Fj為頻域能量熵。則振動信號特征量S=[T1,...,TN,F1,...,FN]。由此可得到基于改進S變換和支持向量機的高壓真空斷路器機械故障診斷流程如圖1所示。
圖1 高壓真空斷路器機械故障診斷流程圖
建立電磁斥力機構高壓真空斷路器實驗平臺,模擬電磁斥力機構中的正常信號和5種故障信號:類別1-正常信號;類別2-控制回路電壓過低(線圈充電電壓降為85%額定電壓);類別3-控制回路電壓過高(線圈充電電壓升至105%額定電壓);類別4-控制回路電阻增大(模擬線圈老化);類別5-緩沖器卡澀;類別6-基座固定螺絲松動。綜合分析斷路器不同位置的振動信號后,選擇位置1、位置2安裝加速度傳感器采集振動信號,如圖2所示。
圖2 振動信號實驗測試平臺
兩個位置傳感器對斷路器各個故障敏感度不同,將兩個位置振動信號的特征量共同作為分類器的輸入向量能夠取得更好的故障診斷效果。文章數據采集器采用示波器,采樣速率設置為1 MHz,采樣時間為100 ms,則每組數據共100 000個采樣點,最高頻率為500 kHz。每種狀態采集10組數據,其中5組作為訓練樣本,5組作為預測樣本,位置1、2正常狀態下振動信號如圖3所示。
圖3 正常狀態下振動信號
按照公式(5),選取不同的k和h計算改進S變換。經大量測試后,取k=h=1,分別得到位置1、2正常狀態下振動信號在8 000~25 000采樣點、頻率范圍為0~20 kHz的改進S變換結果,如圖4所示。從圖中可以清楚地看出振動信號在時頻平面的能量分布。
圖4 正常狀態下振動信號改進S變換結果
根據前文所述的特征量提取方法,觀察原始振動的時域波形和快速傅里葉變換(FFT)頻譜后發現,振動信號的能量集中在8 000~25 000采樣點0~20 kHz頻率范圍之間,因此將8 000~25 000采樣點、頻率范圍為0~20 kHz分別分為10段,計算得到位置1正常狀態和五種故障狀態下的IST能量熵。位置1和位置2正常狀態下三組數據的對比如圖5所示。
圖5 正常狀態下三組數據對比
由圖5可以看出不同狀態下的特征量可區分度較高,相同狀態下特征量一致性較好,可以作為SVM的輸入向量進行故障診斷。
主成分分析(PCA)是一種使用最廣泛的數據降維算法[12]。首先將前述位置1和位置2的STMM能量熵S1和S2共同作為特征量Z,之后對Z進行PCA降維,得到輸入向量X;SVM采用C-SVC模型并使用徑向基函數(RBF)作為分類器核函數,分別通過網格搜索算法(GSA)、粒子群算法(PSO)、遺傳算法(GA)三種優化算法進行參數尋優,得到SVM故障診斷模型。圖6給出了GSA-SVM模型、PCA-GSA-SVM模型的預測結果。
圖6 模型預測結果
不同診斷模型以IST能量熵作為輸入向量,得到的故障分類結果如表1所列。從表中可以看出,在未使用PCA降維的情況下,GA-SVM模型表現最佳,達到了100%的分類準確率,但分類效率最低,使用了5.771 061 s完成分類。使用PCA降維后,三種參數尋優算法的效率都得到了提升,而PCA-GSA-SVM則是達到了100%的分類準確率。但PCA-PSO-SVM和PCA-GA-SVM模型的分類準確率都有所下降。究其原因,PCA雖然降低了數據的維數,但同時也損失了部分信息,而PSO和GA參數尋優模型都很復雜,因此PCA降維后的分類效果很難保證。綜合分類準確率和效率可以看出,PCA-GSA-SVM為最優模型。
表1 不同分類器使用IST能量熵的故障分類結果
為了顯示文章提出的改進S變換的優越性,將小波包能量熵作為輸入向量進行故障診斷,小波基函數選取db10小波進行7層小波包分解,選取第七層小波的前八個分量計算能量熵,診斷結果如表2所列。對比表1、2可以看出,雖然使用小波包能量熵也取得了較好的診斷效果,但使用IST能量熵作為輸入向量時,診斷模型的準確率和運行時間均優于使用小波包能量熵。另外,IST相比小波包的另一個優點是可以直觀地看出振動信號在時頻平面的分布,并且可以根據信號特點選擇合適的k和h,改善了標準S變換時頻分辨率固定的缺點,也避免了小波包分解選擇小波基函數的困難。
表2 不同分類器使用小波包能量熵的故障分類結果
文章對標準S變換進行了改進,參考小波包能量熵思想,從改進S變換模型矩陣中提取能量熵作為特征量輸入SVM模型進行電磁斥力機構高壓真空斷路器機械故障診斷。研究結果表明。
(1) 提出的IST時頻分辨率高,振動信號經過IST后可直觀看出信號在時頻平面的能量分布,且不同狀態下的可區分度較高。
(2) 提出的故障診斷模型取得了較好的診斷效果,其中GA-SVM和PCA-GSA-SVM均達到了100%的準確率,并且準確率和效率均優于傳統的小波包能量熵,為小樣本下高壓真空斷路器機械故障診斷提供了一種新的思路。