论文部分内容阅读
摘要:对于高压断路器来说,其故障产生的主要原因就是机械故障。因此,要对其机械状态进行监测,主要的方法有对行程与速度进行监测以及对合分闸线圈的具体电流进行监测还有在操作过程中对振动信号进行监测等。在机械振动信号基础上对高压断路器状态进行监测和诊断的技术正在研究之中。本文从特征提取和故障识别两个方面进行阐述。
关键词:高压断路器;机械故障;振动诊断
中图分类号:O32文献标识码: A
对于高压断路器来说,主要的故障就是机械故障,利用对断路器的具体动作过程中的各个振动信号进行监测,能够识别出机械故障或者是机械状态。使用振动诊断的方法能对高压断路器中的非侵入式的具体状态进行监测,并能较好地使高压隔离问题得到解决。
一、关于特征提取
1.关于频域法。这种方法是把高压断路器的相关振动信号进行变换,使之达到频域。然后对频率的具体分布与变化,对故障类型以及故障程度进行判定。主要的方法有细化频谱分析和模态分析等。我们以模态分析为例,对于机械结构来说,模态是其原本就有的振动特性,主要是用固有频率以及阻尼比与振型进行表示。主要的特征参量是固有频率与振型,还要将线圈电流以及接触电阻和触头行程等各種信息结合起来,对材料疲劳以及连接松动和触头磨损等各种问题进行判断,这种方法只能在离线测试时进行使用,在测试时要使用额外设备对高压短路器施加一定的激励。
2.关于时频法。这种方法能将时间与频率兼顾起来,使信号局部特征得到较好的表达,对于非平稳信号进行分析时,能够使用这种方法。主要包括小波分析以及小波包分析还有希尔伯特变换与经验模态分解等方法。以希尔伯特变换为例,这是一种从实信号对解析信号进行构造时的较为常用的方法。有人曾经使用这种方法从利用小波分解或小波包分解之后的相关信号之中提取信号包络以及瞬时频率还有相位等信息对断路器具体状态进行评估。希尔伯特变换和经验模态分解结合起来能构成希尔伯特—黄变换,能够将信号时频具体的分布特性表达出来,作为对故障进行诊断的具体依据。
3.关于时域法。这种方法是在时域振动信号之中直接将事件发生时刻以及幅值还有对时域波形变化进行表达的相关指标当做特征。主要应用的方法有短时能量法以及包络谱分析等。以包络谱分析为例,这种方法不仅能获得像线圈动作以及触头接触还有缓冲动作等各种振动时间具体的发生时间,同时还能将事件具体的强烈程度反映出来。对于断路器中的振动信号,要对其做好经验模态分解工作,对于具有较好的时间分辨率的包络谱之中将时间信息提取出来,其物理意义较为明确,将其和标准值进行比较,能将断路器具体的工况判断出来。
4.关于数据序列法。这种方法主要是运用少量的数据将某种数学模型还有数值直接得到,对于数据的物理意义并不在意,在模型之中将数据本质特征明确。主要包括积分参数法以及分形方法还有信息熵还有相空间重构等。比如,积分参数法主要就是对振动信号具体的时域或者是频域中的数据序列做好加权积分工作,使波形之中细微变化得到积累放大,利用拟合积分曲线对断路器的状态进行区分。
二、关于故障识别
1.利用动态事件规整法。这种方法主要是对时间规整函数进行利用,从而对两个时间序列具体的相似度进行判断,这种方法可以对事件时间以及幅值等的变化进行灵敏反应,但是会消耗大量计算机内存。在对断路器进行诊断时,选择的振动信号,必须要在正常状态下,才能当做标准信号。将诊断信号和它进行动态事件的相关规整,利用频率与时间对标准信号偏离的大小对断路器状态进行区分,这种方法应用较为广泛。有人利用时间偏差的相关惩罚因子以及时间重调还有多信号取平均等方式将这种方法的性能进行改善,利用时间偏差以及幅值的大小对断路器进行有效诊断。将等待进行诊断的相关振动信号和标准信号之间的时间特征量利用起来,对距离矩阵进行构造,将累及的最小距离找出来,如果两者之间的状态差异比较大,那么累积的最小距离就会明显增加。
2.关于人工免疫网络的运用。对生物免疫系统进行模拟,构造出人工免疫网络并在自动分类方面进行应用。在训练的时候,要把故障样本当做网络抗原,将初始抗体集构造出来,在多次迭代之后形成了抗体集,也就是最佳的指纹集。在对故障进行识别时,和等待进行分类的相关样本最近的几个抗体集对样本具体的故障类别有着决定作用。在断路器对机械状态进行分类时,引入人工免疫网络的相关分类器,效果比较好。是对振动诊断研究中的一个新思路。
3.关于支持向量机的应用。支持向量机是建立在统计学习的基础上的分类法。主要的原理是通过核函数将样本在高维特征空间中进行直接映射。在这一空间之中将线性分类的最优超平面构造出来,要想保证分类的良好效果,就要选取合适的核函数。这一方法在小样本以及二分类问题上比较合适,如果是多类型的相关分类处理,则不太适合。在高压断路器中,其振动诊断是小样本以及多分类的相关问题。要将合理的特征向量,比如,小波包分解节点中的最大系数选取出来,在输入时,要选择一对其余的相关策略,对其状态进行分类,从而保证识别效果良好。
4.关于神经网络的运用。从理论的角度看,神经网络能够无限接近各种非线性的系统,达到故障分类的效果。对于神经网络而言,其具有较好的抗噪声与泛化能力,但是它也有一定的缺点:首先,在训练时需要的样本量比较大,其次,局部收敛问题普遍存在。在神经网络中,把在不同状态之下提取出来的相关特征向量作为输入,把状态类型编码当做输出,利用径向基函数网络以及误差反向传播等合理的网络类型,就能形成需要的相关分类器。在实际进行应用时,还能将置信度引入进来,对识别结果进行评判。
结语:
总之,利用振动对高压断路器具体的机械状态进行监测,具有一定的优点:第一,硬件比较简单;第二,花费费用比较低;第三,信噪比高。但是,从目前的技术水平看,这种诊断技术还有一定的缺点:第一,研究开发具体的工作量比较大,没有较好的通用性;第二,信号中具有一些不稳定的相关因素;第三,对故障进行及时发现的相关灵敏度不充足。
参考文献:
[1]常广,张振乾,王毅.高压断路器机械故障振动诊断综述[J].高压电器,2011(08)
[2]钟建英,刘洋,林莘,郭煜敬.基于振动信号特征的高压断路器机械故障诊断技术研究[J].高压电器,2013(09)
[3]常广,王毅,王玮.采用振动信号零相位滤波时频熵的高压断路器机械故障诊断[J].中国电机工程学报,2013(03)
关键词:高压断路器;机械故障;振动诊断
中图分类号:O32文献标识码: A
对于高压断路器来说,主要的故障就是机械故障,利用对断路器的具体动作过程中的各个振动信号进行监测,能够识别出机械故障或者是机械状态。使用振动诊断的方法能对高压断路器中的非侵入式的具体状态进行监测,并能较好地使高压隔离问题得到解决。
一、关于特征提取
1.关于频域法。这种方法是把高压断路器的相关振动信号进行变换,使之达到频域。然后对频率的具体分布与变化,对故障类型以及故障程度进行判定。主要的方法有细化频谱分析和模态分析等。我们以模态分析为例,对于机械结构来说,模态是其原本就有的振动特性,主要是用固有频率以及阻尼比与振型进行表示。主要的特征参量是固有频率与振型,还要将线圈电流以及接触电阻和触头行程等各種信息结合起来,对材料疲劳以及连接松动和触头磨损等各种问题进行判断,这种方法只能在离线测试时进行使用,在测试时要使用额外设备对高压短路器施加一定的激励。
2.关于时频法。这种方法能将时间与频率兼顾起来,使信号局部特征得到较好的表达,对于非平稳信号进行分析时,能够使用这种方法。主要包括小波分析以及小波包分析还有希尔伯特变换与经验模态分解等方法。以希尔伯特变换为例,这是一种从实信号对解析信号进行构造时的较为常用的方法。有人曾经使用这种方法从利用小波分解或小波包分解之后的相关信号之中提取信号包络以及瞬时频率还有相位等信息对断路器具体状态进行评估。希尔伯特变换和经验模态分解结合起来能构成希尔伯特—黄变换,能够将信号时频具体的分布特性表达出来,作为对故障进行诊断的具体依据。
3.关于时域法。这种方法是在时域振动信号之中直接将事件发生时刻以及幅值还有对时域波形变化进行表达的相关指标当做特征。主要应用的方法有短时能量法以及包络谱分析等。以包络谱分析为例,这种方法不仅能获得像线圈动作以及触头接触还有缓冲动作等各种振动时间具体的发生时间,同时还能将事件具体的强烈程度反映出来。对于断路器中的振动信号,要对其做好经验模态分解工作,对于具有较好的时间分辨率的包络谱之中将时间信息提取出来,其物理意义较为明确,将其和标准值进行比较,能将断路器具体的工况判断出来。
4.关于数据序列法。这种方法主要是运用少量的数据将某种数学模型还有数值直接得到,对于数据的物理意义并不在意,在模型之中将数据本质特征明确。主要包括积分参数法以及分形方法还有信息熵还有相空间重构等。比如,积分参数法主要就是对振动信号具体的时域或者是频域中的数据序列做好加权积分工作,使波形之中细微变化得到积累放大,利用拟合积分曲线对断路器的状态进行区分。
二、关于故障识别
1.利用动态事件规整法。这种方法主要是对时间规整函数进行利用,从而对两个时间序列具体的相似度进行判断,这种方法可以对事件时间以及幅值等的变化进行灵敏反应,但是会消耗大量计算机内存。在对断路器进行诊断时,选择的振动信号,必须要在正常状态下,才能当做标准信号。将诊断信号和它进行动态事件的相关规整,利用频率与时间对标准信号偏离的大小对断路器状态进行区分,这种方法应用较为广泛。有人利用时间偏差的相关惩罚因子以及时间重调还有多信号取平均等方式将这种方法的性能进行改善,利用时间偏差以及幅值的大小对断路器进行有效诊断。将等待进行诊断的相关振动信号和标准信号之间的时间特征量利用起来,对距离矩阵进行构造,将累及的最小距离找出来,如果两者之间的状态差异比较大,那么累积的最小距离就会明显增加。
2.关于人工免疫网络的运用。对生物免疫系统进行模拟,构造出人工免疫网络并在自动分类方面进行应用。在训练的时候,要把故障样本当做网络抗原,将初始抗体集构造出来,在多次迭代之后形成了抗体集,也就是最佳的指纹集。在对故障进行识别时,和等待进行分类的相关样本最近的几个抗体集对样本具体的故障类别有着决定作用。在断路器对机械状态进行分类时,引入人工免疫网络的相关分类器,效果比较好。是对振动诊断研究中的一个新思路。
3.关于支持向量机的应用。支持向量机是建立在统计学习的基础上的分类法。主要的原理是通过核函数将样本在高维特征空间中进行直接映射。在这一空间之中将线性分类的最优超平面构造出来,要想保证分类的良好效果,就要选取合适的核函数。这一方法在小样本以及二分类问题上比较合适,如果是多类型的相关分类处理,则不太适合。在高压断路器中,其振动诊断是小样本以及多分类的相关问题。要将合理的特征向量,比如,小波包分解节点中的最大系数选取出来,在输入时,要选择一对其余的相关策略,对其状态进行分类,从而保证识别效果良好。
4.关于神经网络的运用。从理论的角度看,神经网络能够无限接近各种非线性的系统,达到故障分类的效果。对于神经网络而言,其具有较好的抗噪声与泛化能力,但是它也有一定的缺点:首先,在训练时需要的样本量比较大,其次,局部收敛问题普遍存在。在神经网络中,把在不同状态之下提取出来的相关特征向量作为输入,把状态类型编码当做输出,利用径向基函数网络以及误差反向传播等合理的网络类型,就能形成需要的相关分类器。在实际进行应用时,还能将置信度引入进来,对识别结果进行评判。
结语:
总之,利用振动对高压断路器具体的机械状态进行监测,具有一定的优点:第一,硬件比较简单;第二,花费费用比较低;第三,信噪比高。但是,从目前的技术水平看,这种诊断技术还有一定的缺点:第一,研究开发具体的工作量比较大,没有较好的通用性;第二,信号中具有一些不稳定的相关因素;第三,对故障进行及时发现的相关灵敏度不充足。
参考文献:
[1]常广,张振乾,王毅.高压断路器机械故障振动诊断综述[J].高压电器,2011(08)
[2]钟建英,刘洋,林莘,郭煜敬.基于振动信号特征的高压断路器机械故障诊断技术研究[J].高压电器,2013(09)
[3]常广,王毅,王玮.采用振动信号零相位滤波时频熵的高压断路器机械故障诊断[J].中国电机工程学报,2013(03)