高压断路器机械故障的诊断技术之研究

何 刚

（ 肇东市人民政府油田服务中心，黑龙江 肇东151100）

1 振动信号分析技术在高压断路器机械故障诊断中的应用

在高压断路器机械故障诊断中， 可以对振动信号分析技术进行运用，由于高压断路器产生的振动信号具有非线性的特征，并且其中含有谐波，所以在进行振动信号分析前，需要先去除噪声，并对特征进行提取，随后构建诊断模型进行故障诊断。

1.1 噪声去除

在高压断路器的振动信号中，除了有高频之外，还有低频，与机械状态相关联的信息大部分都集中在高频上， 如触头撞击形成的冲击信号，除此之外的信息则集中在低频上。 在现场对高压断路器进行振动信号采集时，若是其它断路器进行分合闸操作，则会对振动信号测量结果的准确性造成影响。 不仅如此，采集的振动信号本身也存在噪声，所以需要进行去噪处理，将无用的信息除去，保留具有利用价值的信息，从而提高机械故障诊断结果的准确性。 在对高压断路器振动信号的噪声进行去除时， 可以采用小波变换的方法，这种方法分为两种情况，一种是借助软阈值来去除振动信号中的噪声，另一种则是通过硬阈值来完成去噪[1]。 在实际应用中发现，软阈值的函数虽然要比硬阈值的函数更加光滑， 但却会导致部分具有利用价值的信息损失，为避免该情况的发生，可以采用硬阈值的方法对振动信号中的噪声进行去除。

1.2 振动信号提取

当高压断路器发生机械故障后，在分闸时振动信号会出现两次非常明显的振动波。 同时，还有一些幅值相对较小的振动波会在机械内进行传播，在对振动信号进行提取时，要先对起止位置进行确定，其中起点时间的确定方法如下：当振动信号连续10 个采样点全部大于设定值，便可判定为发生振动事件，振动信号的起始点为事件发生前的25ms，由于在此之后还有幅值比较小的振动信号，故此将振动信号的分析时间最终确定后30ms。 对振动信号特征进行提取时，可以采用时频特征谱，这是一种较为实用的特征提取方法，在详细的时频划分后，得到的时频能量谱具有明显的差别，其特征非常明显[2]。 当高压断路器的机械状态出现变化后，振动信号会随之改变，能够在时频特征能量谱上如实地反映出来，换言之，对振动信号的时频能量特征进行分析，能了解高压断路器的机械状态，将能量谱作为机械故障诊断模型的输入量，可对机械故障进行快速诊断。

1.3 构建故障诊断模型

在对高压断路器机械故障诊断模型进行构建时， 可以利用深度学习网络中的自编码网络， 其又被称之为SAE， 即栈式自编码器，它在复杂非线性问题的处理中效果较好，能够快速完成特征提取，并对故障进行准确分类。 SAE 是由多个AE（ 自编码器）以堆叠的方式组合而成，具体的学习过程包括预训练和微调，前者为无监督学习，后者为监督学习，使网络达到全局最优为止。 AE 作为SAE中的基本单元，其结构与神经网络相类似，它的预训练是一个逐层训练过程，输入层数据为振动信号划分后的时频段能量，输出层为高压断路器机械故障振动的结果。 随后通过微调能够大幅度增强网络的性能，从而使诊断结果变得更加准确。

2 基于线圈电流的高压断路器机械故障诊断技术

对于高压断路器而言， 分合闸线圈电流是其机械运行状态的重要监测数据，由监测结果可知，当高压断路器出现机械故障时，分合闸线圈电流会随之出现较为明显的变化。 因此，通过对分合闸线圈电流波形的分析，并对相关的特征进行提取，能够为机械故障诊断提供依据。 与振动信号相比，由于线圈电流波形信号并不会受到传感器装设位置的影响，所以得到的数据更加可靠，并且便于特征向量的提取。

2.1 线圈电流的特性

2.1.1 等效电路

当高压断路器进行分合闸时， 动触头会在操作机构的带动下发生动作，进而完成分合闸，这个操作最初是线圈通电后生成电磁场，在电磁力的作用下，铁芯引起脱口机构动作，并带动分合闸杠杆运动[3]。由此可知，分合闸线圈电流是铁芯由静止状态转变为运动状态，最终恢复为静止状态时，线圈中流过的电流波形，它可以反映出操作机构当前所处的工况。 比如，线圈的电阻是否处于正常状态、铁芯以及操作机构有无卡涩的现象等。 据此，便可对高压断路器的机械故障进行快速诊断。 可以采用等效的方法，将高压断路器分合闸线圈的回路转换为以下器件的串联形式：电源（ 直流）、电阻和电感、开关，这样便组成了一个等效电路[3]。

2.1.2 电流波形

在高压断路器的分合闸线圈中， 电流信号波形主要与铁芯的运动特性有关， 大体上可将铁芯的运动分为以下几个阶段：A 阶段为静止欲动， 在该阶段分合闸线圈电流呈现出指数形式增长的特点，电流的特征能够反映出线圈的工作状态；B 阶段为铁芯运动，在该阶段，线圈电流出现明显的下降，并且铁芯开始运动，从电流的变化趋势中能够反映出铁芯的运动状况， 如卡涩、 所受阻力的大小、脱扣等等；C 阶段为触头分合闸，在该阶段，高压断路器的辅助接点会被切断， 线圈电路特征能够反映出操作机构的工作状态；D阶段为电流切断，在该阶段，电流的变化能够反映出电磁辅助电路的性能。

2.2 线圈电流的处理

由于通过传感器采集到的电流，除了会受到电磁的干扰之外，还会受到噪声的影响，所以在对线圈电流进行提取之前，应当对噪声进行有效去除。 分合闸线圈的电流从性质上看具有简单的特点，它的处理要比振动信号更加容易， 可以采用软阈值对线圈电流信号进行处理，经过处理后，能够为特征提取提供有利条件。 以小波对线圈电流信号进行分解，并对阈值进行合理设定，用软阈值处理小波系数后，经重构便可得到去噪后的电流波形。

2.3 线圈电流的故障特性

为对高压断路器不同机械状态的电流波形特征是否相同进行验证，分别对正常和故障状态的线圈电流进行处理，然后以随机的方式选取电流信号， 共计三组进行对比分析。 在正常与故障状态下，分合闸线圈的电流波形在时域平面内呈现出不同的状态，并且特征量的分布也不相同。 由于各个故障状态与正常状态之间的距离存在明显的差异， 所以可对特征向量间的距离变化趋势进行计算，来对线圈电流当前所处的状态进行具体分类，正常状态时，三条线圈电流为基本重合状态。 当高压断路器基座的螺栓出现松动故障时，线圈电流比正常状态时的电流大，之所以会出现这样的情况，主要是因为螺栓松动导致机构的牢固性降低，增大了分合闸操作时机构的磨损程度，铁芯的摩擦面变得过于光滑，运动时间随之缩短。 铁芯卡涩故障时，由于需要克服摩擦阻力，从而使得铁芯的运动时间延长，电流值增大[4]。

2.4 故障诊断模型的构建

在对基于分合闸线圈电流信号的高压断路器机械故障诊断模型进行构建时，可以引入KNN（ k 最邻近算法），这是数据挖掘中最为简单且实用的一种方法，可将之视作为非参数化分类器，在该分类器当中，状态都是特征空间中由特征向量组成的点[5]。诊断模型的构建过程如下： 对传感器采集到的高压断路器正常与故障状态的分合闸线圈电流数据进行处理，然后以随机的方法，从处理好的数据中选取一部分作为训练样本，另一部分作为待分类样本；对初始值k 进行设定，按照距离从大到小的顺序，建立队列，以此来对最近的训练样本进行存储；对训练样本集进行编历，并对欧氏距离进行计算，经比较之后进行舍弃，当编历完成后，找出的k 归类到元素最多的类别中，最后给出故障识别结果。 实践证明，这种方法在高压断路器机械故障诊断中的效果较好。

3 结论

综上所述， 高压断路器机械故障诊断是一个较为复杂的过程，为加快诊断速度，并提高诊断结果的准确性，可以对振动信号和线圈电流加以利用，据此构建相关的诊断模型，借助模型对高压断路器的机械故障进行诊断。