下载文档原格式
基于VMD模糊熵和SVM的高压断路器故障诊断张燕珂;王萱;万书亭【摘要】为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)模糊熵和支持向量机(Support Vector Machine,SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别.首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM 分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别.结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition,EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障.【期刊名称】《电力科学与工程》【年(卷),期】2019(035)004【总页数】7页(P25-31)【关键词】断路器;VMD;模糊熵;特征提取;故障诊断【作者】张燕珂;王萱;万书亭【作者单位】浙江工商职业技术学院智能电子学院,浙江宁波315012;华北电力大学能源动力与机械工程学院,河北保定071003;华北电力大学能源动力与机械工程学院,河北保定071003【正文语种】中文【中图分类】TM5070 引言高压断路器作为电力系统中重要的保护与控制电器，其性能的可靠性对整个电网运行的安全性具有重大意义。
相关的调查表明，高压断路器的重大故障中有将近一半的故障是由于操作机构发生故障引起的，所以对高压断路器操作机构的故障机理及其诊断方法进行研究对于提高断路器运行的可靠性具有重要意义[1]。
高压断路器在分合闸过程中所产生的振动包含了操作机构的状态信息，针对其振动信号展开分析可发现断路器操作机构的故障信息，现已有大量文献提出利用振动信号来对断路器进行故障诊断[2-4]。
相空间重构与差分进化算法-烟花算法-支持向量机结合的高压开关机械故障诊断方法陈志华;孙逸翀;王紫薇;柯强;刘洋;刘会兰【期刊名称】《科学技术与工程》【年(卷),期】2022(22)17【摘要】振动信号特征识别是一种有效的非侵入式高压开关机械故障诊断方法。
提出利用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)结合相空间重构提取振动信号的有效特征;用差分进化(differential evolution,DE)算法和烟花算法(fireworks algorithm,FWA)优化支持向量机(support vector machine,SVM)核函数参数的分类器,实现DE-FWA-SVM 对机械故障的准确识别。
首先,通过CEEMD将振动信号分解成一系列固有模态函数(intrinsic mode functions,IMF),对相关系数较大的IMF分量进行相空间重构,提取表征混合特征的最大李雅普诺夫指数和关联维数构造特征向量;其次,引入DE 算法优化FWA算法的求解精度和收敛速度,以DE-FWA对SVM参数寻优,解决SVM参数选择敏感问题;最后,根据对5种典型工况进行模拟试验,结果表明本文方法能准确提取特征,DE-FWA-SVM算法表现出更优分类性能。
【总页数】8页(P6984-6991)【作者】陈志华;孙逸翀;王紫薇;柯强;刘洋;刘会兰【作者单位】国网湖北省电力有限公司黄冈供电公司;华北电力大学电气与电子工程学院【正文语种】中文【中图分类】TM423【相关文献】1.基于差分进化算法优化支持向量机的柴油机故障诊断2.基于烟花算法与差分进化算法的模糊分类系统设计3.基于因子分析和支持向量机算法的高压断路器机械故障诊断方法4.基于相空间重构与改进GSA-SVM的高压断路器机械故障诊断5.基于经验模态分解及支持向量机的高压隔离开关机械故障诊断方法因版权原因，仅展示原文概要，查看原文内容请购买。
基于EMD模态分解的断路器线圈短路检测信号去噪方法研究摘要：小波变换是去噪领域最常用的一种去噪方法，但是由于使用过程中小波基选取困难的问题，使小波变换缺乏自适应性。
本文介绍一种基于经验模态分解的去噪新方法，用于对高压断路器在线监测信号的降噪处理，并与小波变换的去噪结果进行对比分析。
仿真结果及数据表明：与小波变换相比，经验模态分解去噪的信噪比平均提高率为35%，平滑度的平均提高率为85%，噪声抑制比的平均提高率97%，这一结果验证了经验模态分解去噪的有效性与可靠性。
关键词：断路器；经验模态分解；降噪0 引言随着电力系统快速发展，人们对供电质量的要求也越来越高，因此保证电力设备的安全运行越来越重要。
高压电力设备是电力系统的基本组成元件，也是保证电力系统运行可靠性的基础。
高压断路器在电网中起到控制和保护的作用，是电力系统中最重要的的控制和保护设备，即根据电网运行的需要用它来安全、可靠的投入或切除相应的线路或电气设备[1]。
高压断路器状态监测是个综合检测技术、数字信号处理、模式识别的跨学科的热点问题，其核心功能是对断路器动作过程信息采集并录波，再提取关键特征参量，并与标准指标或历史指标比对，得出对断路器的状态诊断[2]。
断路器在开断过程中，伴随着强烈的振动、声响以及电磁干扰，采集信号中也混杂着各种各样的噪声干扰，如何在分布式现场监测装置中实现在强噪声背景下的特征参量提取，对于提高断路器在线监测的实用性是至关重要的[3-5]。
因此消噪是对断路器在线监测信号进行处理前的一种必要的预处理手段。
本文主要介绍一种基于经验模态分解(Empirical Mode Decoposition, EMD)的信号去噪新方法，并将其应用于高压断路器在线监测信号的去噪中，与小波变换的去噪结果进行对比分析。
仿真结果显示：断路器跳闸的振动信号，小波变换去噪的信噪比、平滑度、噪声抑制比分别为29.2556dB、0.0444、1.8196，经验模态分解去噪的信噪比、平滑度、噪声抑制比分别为36.4360dB、0.0239、3.5817，三个参数的提高率分别为：25%、86%、97%；断路器跳闸的行程信号，小波变换去噪的信噪比、平滑度、噪声抑制比分别为16.4366dB、0.0019、1.2803，经验模态分解去噪的信噪比、平滑度、噪声抑制比分别为23.8324dB、0.0003、2.5475，三个参数的提高率分别为：45%、84%、98%。
0引言随着人类社会的不断进步以及工业水平的不断提升，电机作为人类现代工业的核心动力，在工业中无论数量或者电机容量都在不断增加。
以北京卷烟厂制丝车间为例，共计有大小电机约2000台，因此，电机的正常工作与否对车间生产工作的正常、有序进行起到了关键性作用，尤其是车间很多电机已经运行7-8年之久，所以对电机的故障诊断就显得十分必要。
在电机故障初期，如果能将其有效的诊断出来，那么一方面有效的减少了电机故障的进一步严重化，另一方面为故障电机的维修争取了宝贵的时间，有效减少了因电机故障而造成的车间停机率，最终最大程度的减少了因电机故障而造成的经济损失[1]。
以往电机故障的判断需要人为通过听诊器对电机运转时的声音进行判断，往往只有经验丰富的老师傅才能听出其中细微的差距，并且很难在故障初始阶段及时发现。
其他一些方法如电流分析法，需要在电机中串联电流计，对于正在生产任务中的电机无法诊断，使得其具有一定的局限性。
噪声信号作为电机运行中十分常见的信号，其包含了大量的电机状态信息，并且十分方便获取，因此，通过对电机运行时的噪声信号的分析可以有效对电机故障与否、何种故障进行早期判断。
1电机故障诊断的常用方法1.1频域诊断法由于电机系统运转具有周期性特点，所以频域分析法成为电机故障诊断最常用、最成熟的特征分析方法。
如功率谱估计、傅里叶变换等。
1.2时-频诊断法当电机运行时发生如动静碰撞、转轴裂纹等，会使得电机运行时声音具有非线性、非平稳等特点，针对此类信号，一些人员提出了小波变换、希尔伯特黄变换等时频诊断法，有效解决了以往时频分析法无法分析和诊断非平稳信号的缺点[2]。
1.3经验模态分解法经验模态分解（Empirical Mode Decomposition ，EMD ）是希尔伯特黄变换的关键部分，它适合多成分信号的分析[3]。
EMD 可以根据信号的特点自适应的将其分解成由高频到低频的有限个数的IMF ，从而使得希尔伯特变换具有物理意义[4]。
基于经验模式分解和极限学习机的机械故障诊断王新琴;曾励【摘要】针对机械故障诊断过程中特征提取和学习算法的选择问题,提出一种基于经验模式分解和极限学习机的机械故障诊断模型.首先采用小波变换消除机械信号中的噪声,然后采用经验模式分解提取机械信号特征,并采用极限学习机建立机械故障诊断模型,最后通过实例对不同模型的有效性和可行性进行对比分析.结果表明,改进后的模型明显改善了机械故障诊断效果,缩短了机械故障诊断时间.【期刊名称】《内蒙古师范大学学报（自然科学汉文版）》【年(卷),期】2015(044)006【总页数】4页(P788-791)【关键词】机械故障诊断;经验模式分解;极限学习机;特征提取【作者】王新琴;曾励【作者单位】无锡商业职业技术学院机电技术学院,江苏无锡214153;扬州大学机械工程学院,江苏扬州225127【正文语种】中文【中图分类】TP301.6随着科学技术的不断进步,工业生产系统规模越来越大,机械设备正向自动化、精密化方向发展.机械结构的复杂性及工作环境的多样性,给机械故障诊断带来一定的困难[1-2].20世纪初,人们就对机械故障诊断问题进行了研究[3],其中信号特征提取是一个重要的研究内容,它主要刻画机械部件的工作状态.目前,特征提取方法主要有主成分分析、局部均值分解等[4-6],由于机械信号具有非平稳性,所以这些方法均存在一定的局限性.经验模态分解(EMD)是一非线性非平稳信号处理方法,可以将复杂信号分解成为多个单分量,从而提取机械信号的特征信息[7].机械故障诊断主要有神经网络和支持向量机等学习算法,支持向量机分类能力强,但是学习速度慢; 神经网络学习速度快,但是易出现“过拟合”的分类结果[8].极端学习机(extreme learning machine,ELM)是一种基于结构风险最小化原理的神经网络,具有支持向量机的分类能力和传统神经网络的学习速度[9].为了提高机械故障诊断的准确性,本文针对特征提取和学习算法问题,提出一种经验模式分解和极限学习机的机械故障诊断模型(EMD-ELM),并通过应用实例对其有效性进行检验.1.1 小波去噪设ψ(t)∈L2(R),对ψ(t)进行傅里叶变换,可以得到(ω),如果(ω)满足<∞,则称其为母小波.对ψ(t)进行伸缩和平移操作,可以得到其小波序列ψa,b(t)为,其中a和b分别为伸缩因子和平移因子.采集到的一维信号s(t)可以表示为s(t)=x(t)+n(t),其中n(t)为噪声信号,x(t)为真实信号.对s(t)进行离散采样得到s(n) (n= 0,1,2,L,…,N-1),则小波变换为,其中W2js(k)为小波系数.由于(2)式太复杂,为此采用递归方式实现小波变换,xf(j+1,k)=xf(j,k)h(j,k), Wf(j+1,k)=xf(j,k)g(j,k),其中h和g分别代表低通和高通滤波器,xf(j,k)为尺度系数.于是小波变换的重构公式可以描述为xf(j-1,k)=xf(j,k)h0(j,k)+Wf(j,k)g0(j,k).对s(k)进行小波变换后,得到信号x(t)和噪声n(t)对应的小波系数,采用硬阈值去噪方法去掉信号中的噪声,其中门限阈值.1.2 经验模态分解经验模态分解(EMD)可以将复杂非平稳信号分解成多个固有模态函数(IMF),其工作过程为:(1) 确定去噪后信号x(t)的极大值点和极小值点,采取三次样条线求它们的上下包络线,得平均值m1(t).(2) 根据x(t)与m1(t),得h1(t)=x(t)-m1(t).(3) 如果h1(t)不满足IMF条件,将其作为原始信号重复上述步骤,直到满足IMF条件为止.设x(t)的第一个固有模态分量为c1(t)=h1k(t).(4) 将r1(t)=x(t)-c1(t) 作为新原始信号,重复上述步骤,得到第2个固有模态分量c2(t),重复n次得到rn(t).如果rn(t)只有一个极值点就停止分解,那么x(t)可表示为x(t)(t).1.3 极限学习机极限学习机(ELM)是一种新型神经网络,与其他神经网络相比学习效率和收敛精度更高,其结构如图1所示.设共有n个学习样本为输入变量,为输出变量,那么ELM的输出值为,其中: L为隐层节点数; T和分别为隐含层节点的连接权值和阈值; T为隐含层与输出层之间的连接权值.这样(4)式可以化简为Hβ=Y,其中.ELM的训练过程实质是就是找到最优w和β,使‖Oj-Yj‖最小.由于ELM的w和β随机给定,因此训练过程可归结为一个非线性优化过程,通过MP广义逆理论,可以得到输出权值β的计算公式为β=H+Y,其中H+表示H的MP广义逆.1.4 机械故障诊断步骤(1) 对机械设备状态进行收集,并采用小波变换进行去噪处理.(2) 采用经验模式分解提取机械设备状态特征.(3) 将训练样本输入ELM中进行训练,找到最优w和β,建立最优ELM的机械故障诊断模型.(4) 采用最优ELM的机械故障诊断模型对测试样本进行测试,输出机械故障诊断结果.3.1 数据来源为了测试EMD-ELM的机械故障诊断效果,选择机械设备中的齿轮作为研究对象,主要包括齿根裂纹、断齿、齿面磨损和正常等4种工作状态,共收集到500个样本,其中训练样本400个,其他为测试样本.选择文献 [11] 和文献 [12] 的机械故障诊断模型进行对比实验,采用故障诊断正确率和平均诊断时间作为性能评价指标.3.2 结果与分析每一种模型均重复5次实验,EMD-ELM和文献 [11] 及文献 [12] 的机械故障诊断模型的诊断正确率和平均诊断时间如图2和3所示.从图2和图3可以得到以下结论:(1) 相对于文献 [11] 及文献 [12] 的机械故障诊断模型,EMD-ELM提高了机械故障诊断的正确率,这是由于采用EMD对机械信号特征进行提取,可以获得区分机械故障类别的信息,然后采用ELM对机械特征进行非线性学习,可以获得较准确的故障诊断结果,证明了将EMD和ELM进行融合,较好地解决了机械信号特征提取和学习算法的选择难题,是一种有效的机械故障诊断模型,诊断结果可以为维修人员提供有价值的参考信息.(2) 相对于文献 [11] 及文献 [12] 的机械故障诊断模型,EMD-ELM的机械故障平均诊断时间最短,机械故障诊断速度最快.这说明EMD-ELM减少了机械故障诊断的计算复杂度,简化学习过程,加快了机械故障诊断效率,实际应用价值更高.针对当前机械故障诊断过程中特征提取和训练算法选择的问题,提出一种基于经验模式分解和极限学习机的机械故障诊断模型.首先采用小波变换对机械信号进行处理,消除其中的噪声,然后采用经验模式分解提取机械信号特征,最后采用极限学习机建立机械故障诊断模型.仿真实验结果表明,本文模型解决了故障诊断过程中的特征提取和训练算法选择问题,明显改善了机械故障诊断效果,缩短了机械故障诊断时间.【相关文献】[1] 龚雪. 工程机械智能故障诊断技术的研究现状及发展趋势 [J]. 机床与液压,2011,39(4):124-126.[2] 王炳成,任朝晖,闻邦椿. 基于非线性多参数的旋转机械故障诊断方法 [J]. 机械工程学报,2012,48(5): 63-64.[3] 王新峰,邱静,刘冠军. 机械故障特征与分类器的联合优化 [J]. 国防科技大学学报,2005(2):95-98.[4] 刘永斌,何清波,张平,等. 基于SVM的旋转机械故障诊断方法 [J]. 计算机工程,2012,38(5):233.[5] 李彦彦,华晨辉. 谐波小波在旋转机械故障诊断中的应用 [J]. 辽宁工程技术大学学报:自然科学版,2012,31(1):123-124.[6] 张吉先,钟秋海,戴亚平. RBF及模糊神经网络在旋转机械故障诊断中的应用 [J]. 系统仿真学报,2004,16(3):560-561.[7] 吕勇,李友荣,王志刚. 基于经验模式分解的轧机主传动减速机故障诊断 [J]. 振动、测试与诊断,2007,27(2):112-116.[8] 王光研,许宝杰. RBF神经网络在旋转机械故障诊断中的应用 [J]. 机械设计与制造,2008(9):57-58.[9] 陈法法,杨宝平,董绍江. 基于粒子群优化LS-WSVM的旋转机械故障诊断 [J]. 仪器仪表学报,2011,32(12):2747-2752.[10] 张建刚,秦红义,王冬云. 基于谐波小波包的旋转机械故障诊断新方法 [J]. 测控技术,2012,31(5):55-59.[11] 王书涛,李亮,张淑清,等. 基于EEMD样本熵和GK模糊聚类的机械故障识别 [J]. 中国机械工程,2013,24(22):3036-3042.[12] 李凌均,张周锁,何正嘉. 基于支持向量机的机械故障智能分类研究 [J]. 小型微型计算机系统,2004,25(4):667-670.。
高压断路器机械故障振动诊断综述摘要：机械故障在高压断路器的安全运行中一直以来都是较为重要的一项问题。
通常机械故障主要包含了润滑不良、触头磨损和螺丝松动等问题。
这些问题可以通过监测断路器动作过程中的振动信号来进行故障的识别，以便于能将故障问题有效排除。
本文主要针对高压断路器机械故障振动诊断进行了分析。
关键词：高压断路器；机械故障；振动诊断1 引言高压断路器是高压电力系统中一种至关重要的安全电力设备。
高压断路器能够对电力系统进行有效的控制，当电力系统运行出现异常时，高压断路器能够及时断开，以确保电力系统的安全运行。
但是高压断路器在使用过程中容易出现各类故障，对电力系统的安全运行造成了极大的不利影响。
根据国际大电网会议的调查统计，断路器的机械问题造成断路器出现故障的比例高达80%。
由此可见，对高压断路器的机械故障诊断问题进行研究是非常有必要的，而且对断路器的机械故障进行有效的诊断可以进一步确保电力系统安全高效地运行。
2 高压断路器概念监测管理(1)随着变电站综合自动化水平提高，高压断路器在配电系统中的使用数量、检修数量和费用都很高，高压断路器故障会造成严重的停电问题，也会产生高昂的设备修理费用，所以需要要加强对于高压断路器的监测和管理工作。
高压断路器需要实时进行监测工作，及时了解运行中存在问题，掌握好运行特殊性和变化趋势，发现问题要及早处理，采取有效措施保证维修管理可靠性。
实施高压断路器检测会提高维修费用，所以需要具有针对性进行检修处理，从而提高设备使用时间，同时更好的服务于电力系统。
(2)高压断路器监测技术主要用于设备状态检修过程，为了更好地实现有计划检修，需要对断路器故障按照操作机构设计方法进行机械性检测管理，。
目前发展情况是国内很多高压断路器设备都是在处理交换期间，利用便携式设备进行定期管理和预防试验，根据检修结构实现合理维修管理。
3 高压断路器操作机构机械合闸线圈电流检测(1) 断路器运动形程都具有一定时间特性，利用计算机和电子技术，，结合其他参数不断提取各种机械动作参数，实现计算合闸操作管理，同时做好断路器速度与动触头运动管理。
高压断路器机械故障诊断技术杨景刚;刘媛;高山;陈曦【摘要】高压断路器安全可靠运行具有十分重要的工程意义.文中在调研高压断路器常见机械故障类型的基础上,探讨了不同故障产生的原因.评述了目前国内外高压断路器机械故障诊断技术,从机械故障特征量的提取以及故障识别的角度,对其进行了深入的分析.最后综合高压断路器机械故障诊断技术发展现状,指出了目前机械故障诊断急需解决的问题及其发展方向.【期刊名称】《江苏电机工程》【年(卷),期】2016(035)002【总页数】7页(P1-6,10)【关键词】断路器;机械特性;故障诊断;特征量提取;故障识别【作者】杨景刚;刘媛;高山;陈曦【作者单位】江苏省电力公司电力科学研究院,江苏南京211103;江苏省电力公司电力科学研究院,江苏南京211103;江苏省电力公司电力科学研究院,江苏南京211103;江苏省电力公司经济技术研究院,江苏南京210008【正文语种】中文【中图分类】TM855高压断路器指额定电压等级在12 kV及以上的断路器。
在电力系统中一般指110 kV以上的输配电断路器，是电力系统中关键设备之一。
作为灭弧和开断线路的装置，高压断路器肩负着控制和保护双重任务，其电气动作也最为频繁[1]。
因此，保证其安全可靠运行具有十分重要的工程意义[2]。
目前最常见的是真空断路器和SF6断路器[3]。
根据国际大电网会议（CIGRE）关于高压断路器可靠性三次世界范围内调査的结果，机械故障占断路器故障总数48%左右[4-6]。
与变压器、发电机等其他电力设备相比，断路器的机械故障诊断起步较晚，因此加强机械故障诊断和机械状态监测研究，尽量提前发现潜在故障，对提髙高压断路器的可靠性，增强电力系统的安全性、可靠性和经济性，建设坚强智能电网意义重大[7，8]。
常见的断路器机械故障类型有拒分、拒合、误分、误合等，在操动机构和传动机构上具体表现为机构卡涩，部件变形，位移或损坏，分合松动，卡涩，轴销松断，脱扣失灵等。
高压断路器故障的分析方法
由于高压断路器故障不仅多样化，还比较繁琐简单，所以要想找到故障点和详细的缘由，必需采纳科学和相宜的方法进行诊断，并且在诊断时要以实际状况为依据。
1.人工经络诊断法
在高压断路器故障检修中，有一种比较特别的方法，即人工经络诊断法，也叫人工神经网络诊断法。
其原理是以人脑结构、人脸整体认知过程为对象，模拟电路信息的处理工作系统。
适应性强和内存学问储备大是该技术的最大优势。
通过神经网络模型可以再现故障，便于更强全面的观看故障发生点，从而精确的找到故障发生的主要缘由。
该技术对于高压断路器诊断来说，不仅具有精确性，还具有良好的可操作性。
2.计算机系统专家诊断法
随时代的进展，计算机技术应用范围渐渐扩大，如今已经延长到电力企业当中，并且在高压断路器故障检修中，以计算机技术为基础的专家系统诊断方法已经得到广泛应用。
学问库、推理机、学问猎取模块与解释界面是构成该系统的主要组成部分。
存储专家提出的事实依据和规章都来源于学问库；推理机的作用则是用于协调机构掌握整个系统；存储专家提出的事实依据和规章来源于学问库；学问库在推理机的协调下，可以为高压断路器故障检修人员提高诊断依据。
第31卷 第12期 中 国 电 机 工 程 学 报 Vol.31 No.12 Apr.25, 2011 108 2011年4月25日 Proceedings of the CSEE ©2011 Chin.Soc.for Elec.Eng.
文章编号：0258-8013 (2011) 12-0108-06 中图分类号：TM 56 文献标志码：A 学科分类号：470⋅40
基于经验模态分解的高压断路器 机械故障诊断方法
黄建，胡晓光，巩玉楠 （北京航空航天大学自动化科学与电气工程学院，北京市 海淀区 100191）
Machinery Fault Diagnosis of High Voltage Circuit Breaker Based on Empirical Mode Decomposition HUANG Jian, HU Xiaoguang, GONG Yunan (School of Automation Science and Electrical Engineering, Beihang University, Haidian District, Beijing 100191, China)
ABSTRACT: To research the characteristics of mechanical vibration signals of high voltage circuit breakers, a new method for fault diagnosis was proposed based on improved empirical mode decomposition (EMD) energy entropy and support vector machine (SVM); and feasible diagnostic steps and analysis were also introduced. Firstly, the original vibration signals were decomposed into a number of intrinsic mode functions (IMF) by the EMD method. Secondly, the energy entropy vector was extracted with the segmental energy of IMF based on the theory of entropy and the method of equal energy, and was considered as the input vector of SVM. The Binary tree vector machine was used to solve the multi-class classification problem; and the gradient method and cross-validation were taken to optimize model parameters. The experiment shows that the proposed method is effective to diagnose the machinery faults of high voltage circuit breakers.
KEY WORDS: high voltage circuit breaker；vibration signal；energy entropy；support vector machine(SVM)；fault diagnosis
摘要：分析高压断路器机械振动信号的特性，提出一种以改进的经验模态分解(empirical mode decomposition，EMD)能量熵和支持向量机(support vector machine，SVM)相结合的诊断高压断路器机械故障的方法，并给出了可行的诊断步骤和分析。首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数(intrinsic mode function，IMF)，然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式，实现对待测状态信号各IMF包络的时间轴分段，计算各待测信号IMF包络的能量熵向量，以此构造的经验模态分解能量熵向量作为支持向量机的输入向量。采用“次序二叉树”向量机分类，利用梯度法和交叉检验优化支持向量机模型参数。实验结果表明，该方法诊断
高压断路器机械故障能取得良好的效果。 关键词：高压断路器；振动信号；能量熵；支持向量机；故障诊断
0 引言 随着电网运行自动化程度和可靠性要求的提高，高压断路器作为电力系统中一种重要的设备，对其故障诊断技术的研究具有重要意义。高压断路器动作产生的机械振动信号蕴含着许多重要的状态信息，分析振动信号能够发现触头磨损、螺丝松动等许多机械故障征兆[1-3]，因此，基于振动信号的状态分析逐渐成为研究的焦点[4-10]。文献[6]提出利用小波包和短时能量分析的方法处理振动信号，得出了断路器合闸同期性；文献[8]使用改进的动态时间规整算法(dynamic time warping，DTW)分析振动信号，得到正常状态和测试状态的振动信号时间偏移的估计，以此与参考相比较进行诊断，取得良好的诊断效果；文献[9]提出利用小波包能量熵提取振动信号包络的特征，并对机械故障进行诊断，也取得了较好的效果；文献[10]研究了断路器各机构部件运动的内在机理，分析了振动频率变化与时间偏移的关系。但这些诊断方法仍存在一些不足，例如，采用小波进行特征提取时，一旦小波基和分解尺度选定，小波分解则不随信号变化而自适应变化，同时小波分解存在能量泄露，这些问题严重影响故障信号的特征提取。在状态识别中，人工神经网络具有较强的自学习、非线性模式识别能力，但其本身有着一些无法克服的缺点：如网络中的结构选择和基金项目：国家自然科学基金项目(50875011)。
Project Supported by National Natural Science Foundation of China(50875011). 第12期 黄建等：基于经验模态分解的高压断路器机械故障诊断方法 109 权重的初值设定需要借助于经验、网络训练速度慢、易陷入局部极小点、过学习等[11-12]。支持向量机建立在统计学习理论和结构风险最小原理基础上，该算法有效地改善了传统分类方法的缺陷，已取得比较广泛的应用[13-18]。 近年来，huang等提出了一种基于经验模态分解(empirical mide decomposition，EMD)的信号处理方法，基函数直接根据信号本身的特征尺度产生，把复杂信号分解成一系列内禀模态函数(intrinsic mode function，IMF)，通过分析包含信号局部特性的IMF来准确提取原始信号的重要特性，每一个IMF里所包含的频率成分不与信号的采样频率相关，而与信号本身有关，此方法已被应用于非平稳信号的处理[19-21]。针对由于机械润滑不足引起的高压断路器故障振动信号，若直接采用EMD分解求取能量熵进行特征提取则难以判断故障的问题，本文提出了EMD等能量分段方法来提取特征量。 本文将改进的EMD能量熵和支持向量机(support vector machine，SVM)理论相结合，提出了一种诊断高压断路器机械故障的方法。重点分析高压断路器基座螺丝松动故障、缓冲器弹簧无效超程和机械动作时间延迟类故障。 1 EMD分解原理 假设任何复杂的信号都是由一些相互独立的IMF相互叠加而成，在此基础上，可以采用EMD方法将一个多频率分量信号分解为若干个IMF之和。每一个IMF必须满足下面2个条件： 1）在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不超过一个。 2）在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴对称。 EMD方法的基本步骤如下： 1）确定信号x(t)的所有局部极值点。 2）利用3次样条插值将所有局部极值点连接起来分别形成上、下包络线，上、下包络线应该包络所有的数据点。在求取包络的过程中，需要在信号两端采用镜像延拓极值点的方法抑制端点效应。 3）上、下包络线的平均值记为m1(t) 11()()()htxtmt=− (1) 4）如果h1(t)满足IMF的条件，则h1(t)就是x(t)的第1个IMF分量，否则令x(t)=h1(t)，重复步骤1）—3），循环k次，得到h1(k-1)(t)-m1k(t)=h1k(t)，使得
h1k(t)满足IMF的条件。记c1(t)=h1k(t)，则c1(t)为信
号x(t)的第1个IMF分量。这种求取IMF分量的做法称为“筛分”。 一般通过筛分前后2次结果的标准差(standard deviation，SD) 作为IMF的判据：
21201[()()]SD()Tkk
tk
hththt−
=−
−=∑ (2)
SD的阈值通常取0.2~0.3。 5）将c1(t)从x(t)中分离出来，得到
11()()()rtxtct=− (3) 把r1(t)作为原始信号，重复步骤1）—4），得x(t)
的第2个IMF分量c2(t)，重复循环n次，得到信号
x(t)的n个满足IMF条件的分量。这样就有
1221()()()()()()nnn
rtctrt
rtctrt−
−=⎧
⎪
⎨−=⎪
⎩
(4)
直到rn(t)为单调函数，不能再从中提取IMF分
量时，循环结束，得到
1()()()ninixtctrt==+
∑ (5)
式中rn(t)为残余函数，代表信号的平均趋势。
2 SVM原理 SVM是实现结构风险最小化原则的一种通用
学习算法，比较适合于小样本数据的分类，其基本思想如图1所示。图中圆点和方点分别表示2类训练样本，H为把2类样本完全无误分开的分类线，H1、H2分别为通过样本中离分类线最近的样本且平
行于分类线的直线，他们之间的间隔为分类间隔，线上的样本点就是支持向量。该最优面不但将2类样本无误的分开，而且要使分类间隔最大，前者保证经验风险最小，后者使问题的真实风险最小。
H1:{x|(ω+x)b=+1
H:{x|(ω+x)b=0} H2:{x|(ω+x)b=−1
图1 SVM两类分类 Fig. 1 Classification of two classes using SVM
SVM 最初针对模式识别中线性可分的2类分 类问题提出。即给定训练集{}lkkk1,xy==T(nkx∈R
