SVM在電磁斥力機構(gòu)故障診斷的應(yīng)用
時間:2022-05-18 08:57:24
導(dǎo)語:SVM在電磁斥力機構(gòu)故障診斷的應(yīng)用一文來源于網(wǎng)友上傳,不代表本站觀點,若需要原創(chuàng)文章可咨詢客服老師,歡迎參考。
摘要:電磁斥力機構(gòu)具有分閘速度快,分斷能力強的優(yōu)點,在故障限流器和直流輸電領(lǐng)域中應(yīng)用廣泛,但分斷過程中對開關(guān)造成的沖擊強,易導(dǎo)致機構(gòu)失效。文章分析電磁斥力機構(gòu)在故障診斷方面的研究現(xiàn)狀,對比研究不同故障診斷算法的優(yōu)劣,通過對電磁斥力機構(gòu)分斷過程中振動信號分析,優(yōu)化電磁斥力機構(gòu)故障特征量提取算法,并建立基于小波包能量熵和支持向量機(svm)組合的故障診斷模型,通過對實際應(yīng)用中出現(xiàn)的故障信號分析,驗證故障診斷模型的準確性。
關(guān)鍵詞:電磁斥力機構(gòu);故障診斷;小波包分解;SVM
目前,隨著社會經(jīng)濟水平的不斷提高,我國的電網(wǎng)規(guī)模也不斷擴大,電力系統(tǒng)負荷也隨之快速增長,導(dǎo)致很多地區(qū)的短路電流逐步逼近或已經(jīng)超過電力系統(tǒng)現(xiàn)有的開斷容量,對電力系統(tǒng)的安全構(gòu)成嚴重威脅。故障限流器能夠有效限制電網(wǎng)的故障短路電流,保證電力系統(tǒng)的穩(wěn)定運行,而限流器的機械操動機構(gòu)對限流器的性能有著非常重要的影響[1]。另外,由于我國能源分布十分不平衡,東部地區(qū)用電量越來越大,由此引出的輸電問題也愈發(fā)凸顯,而傳統(tǒng)的交流輸電相較直流輸電存在輸電穩(wěn)定性、輸電效率較低等問題,且存在同步問題,因此直流輸電在我國得到了廣泛的關(guān)注和研究。但直流輸電系統(tǒng)對短路故障十分敏感,一旦沒有及時切除故障電流,就會導(dǎo)致整個系統(tǒng)停運,因此需要一種快速開關(guān)來切斷故障電流,保障直流輸電系統(tǒng)穩(wěn)定運行[2]。綜上,在故障限流器和直流斷路器等領(lǐng)域,對開關(guān)的分閘速度有非常高的要求,而基于電磁斥力機構(gòu)的快速真空斷路器開斷速度在2~5ms之間,滿足上述領(lǐng)域的需求[3]。然而,正是由于電磁斥力機構(gòu)分閘速度很快,因此電磁斥力機構(gòu)中的機械部件受到的沖擊也很大,導(dǎo)致其相比彈簧操動機構(gòu)更容易出現(xiàn)故障。而一旦電磁斥力機構(gòu)出現(xiàn)故障,導(dǎo)致短路故障電流無法正常分斷,就可能會造成十分嚴重的電力系統(tǒng)事故[4]。另外,根據(jù)國際大電網(wǎng)會議第三次調(diào)查統(tǒng)計結(jié)果[5],斷路器操動機構(gòu)機械故障和輔助回路電氣故障是導(dǎo)致其故障的主要原因。因此,需要對故障限流器和直流斷路器中的電磁斥力機構(gòu)進行故障診斷,以預(yù)防電力系統(tǒng)事故的發(fā)生。
1電磁斥力機構(gòu)概述
電磁斥力機構(gòu)的基本結(jié)構(gòu)圖如圖1所示[6]。從圖1可以看出,電磁斥力機構(gòu)主要由操動機構(gòu)和控制回路組成。其中,操動機構(gòu)是主要部分,主要由連桿、分閘線圈、合閘保持永磁鐵、銜鐵、分閘保持永磁鐵、斥力盤和合閘線圈組成;控制回路用于分合閘線圈的充放電控制,主要由充電電源、分合閘儲能電容、分合閘控制晶閘管組成。其工作原理為(以合閘為例):充電電源預(yù)先向合閘電容充電,當接到合閘指令時,合閘控制晶閘管導(dǎo)通,合閘電容向合閘線圈放電,從而在合閘線圈中產(chǎn)生一個脈沖電流,由電磁感應(yīng)定律可知,斥力盤中會感應(yīng)出一反向渦流并與脈沖電流相互作用,從而推動斥力盤向上運動并帶動連桿,完成合閘動作,分閘動作同理[7]。
2電磁斥力機構(gòu)故障診斷
目前,斷路器狀態(tài)監(jiān)測主要包括3個步驟:原始信號采集、信號特征量提取以及斷路器故障診斷。原始信號主要包括高壓斷路器分合閘動作時產(chǎn)生的振動信號。振動信號是由斷路器分合閘瞬間觸頭碰撞或與緩沖器撞擊形成,并可引起整個操動機構(gòu)的振動,因此,測量振動信號可以獲得整個斷路器機械結(jié)構(gòu)的狀態(tài)信息。另外,振動信號為非接觸式測量,不會破壞斷路器原有結(jié)構(gòu),且不會受到電磁干擾,目前在狀態(tài)監(jiān)測和故障診斷領(lǐng)域已有廣泛的應(yīng)用。在獲得斷路器原始信號之后,就要對信號采用時頻分析方法提取能夠表征斷路器狀態(tài)的信號特征量,最后將特征量輸入到故障診斷模型中,實現(xiàn)斷路器的狀態(tài)監(jiān)測。特征提取方面,目前使用較多的是小波包分解,而支持向量機(SupportVectorMachine,SVM)由于其在樣本數(shù)較少的情況下,也可以達到較高的模型準確率,在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。
2.1小波包分解原理
小波包分解是一種線性時頻分析方法,可以將信號的時間和頻率信息同時表征出來,并且具有較好的時頻分辨率,尤其對高頻部分可以進行更為精細的分解。(1)式中,u(t)表示輸入信號;g(k)表示低通濾波器;h(k)表示高通濾波器;k為小波函數(shù)的位置坐標;n為小波函數(shù)的震蕩次數(shù)。h(k)與g(k)滿足:g(k)=(-1)kh(1-k),(2)即二者為正交關(guān)系。以三層小波包分解為例,原始振動信號S可以分解為:S=AAA3+DAA3+ADA3+DDA3+AA3D+DAD3+ADD3+DDD3,其中,A為低頻分量,D為高頻分量。三層小波包分解的示意圖如圖2所示。由圖可知,三層小波包分解可以得到23即8個分解分量,有利于更加精細地提取信號的時頻信息。電磁斥力機構(gòu)的狀態(tài)改變時,會引起振動信號能量分布的變化;另外,在能量理論中,熵是混亂程度的度量,與信號的不確定度有關(guān)[9]。因此,可以將小波包分解與能量熵相結(jié)合,作為表征電磁斥力機構(gòu)狀態(tài)的特征量。
2.2SVM原理
SVM是一種基于統(tǒng)計學習理論的機器學習算法,而統(tǒng)計學習理論追求在小樣本條件下,利用有限的信息得到最優(yōu)的結(jié)果[10]。SVM的核心問題是尋找一個分類超平面,該超平面滿足距離兩側(cè)樣本距離最大。SVM的分類原理如圖3所示。圖3中,“○”和“■”分別代表2種不同類別的數(shù)據(jù)點,ωx+b=0代表分類超平面。ωx+b=-1和ωx+b=1分別代表2類數(shù)據(jù)點的支持向量超平面,Margin表示2類數(shù)據(jù)的分類距離。
2.3故障診斷結(jié)果
本文采用持續(xù)監(jiān)測某樣機中電磁斥力機構(gòu)壽命試驗的方法,監(jiān)測過程中電磁斥力機構(gòu)共分合閘250次,共采集247組分閘信號,采集有效信號210組,其中正常狀態(tài)信號183組,故障狀態(tài)信號27組,故障類型3種,分別為連桿彎曲、分閘不到位以及電容充電電壓過高。選取小波包分解層數(shù)為5層,則可以得到一個32維的小波包能量熵行向量,記為[W1,W2,…,W32]。4種不同狀態(tài)信號的小波包能量熵對比如圖4所示。圖4小波包能量熵對比圖由圖4可知,連桿彎曲在全區(qū)間均與其他3種狀態(tài)不同;在W1-W16區(qū)間,正常狀態(tài)、分閘不到位、電壓過高3種狀態(tài)變化趨勢較為接近,且能量熵值相差不大;而在W16-W32區(qū)間,3種狀態(tài)的小波包能量熵表現(xiàn)出較大差異,有利于分類器對不同狀態(tài)進行區(qū)分。將小波包能量熵作為SVM的輸入向量來驗證故障診斷模型的性能。經(jīng)過多次嘗試和對比,采用RBF函數(shù)作為SVM的核函數(shù),采用網(wǎng)格尋優(yōu)算法確定每種特征量的最佳參數(shù),取100組正常信號、6組連桿彎曲信號、4組分閘不到位和電壓過高信號作為訓練集,剩余數(shù)據(jù)作為測試集,最終得到3種特征量的SVM分類結(jié)果均如圖5所示。其中分類標簽1-4分別代表正常信號、連桿彎曲、分閘不到位和電壓過高。從圖5中可以看出,SVM分類結(jié)果為100%。由此可見,小波包能量熵和SVM可以用于電磁斥力機構(gòu)的故障診斷,并取得了較好的結(jié)果。
3結(jié)束語
本文首先介紹了電磁斥力機構(gòu)的應(yīng)用背景和現(xiàn)狀,說明了對其進行故障診斷的必要性,并對其基本結(jié)構(gòu)和工作原理進行了詳細闡述,然后對目前斷路器故障診斷領(lǐng)域的研究現(xiàn)狀進行了簡要概括,詳細介紹了小波包分解和SVM的計算原理,最后應(yīng)用小波包能量熵和SVM對電磁斥力機構(gòu)進行了故障診斷,主要得到了以下結(jié)論。(1)在故障限流器和直流斷路器等領(lǐng)域,對開關(guān)的分閘速度有非常高的要求,電磁斥力機構(gòu)因此得到了應(yīng)用,然而相比彈簧操動機構(gòu)更容易出現(xiàn)故障。因此,需要對故障限流器和直流斷路器中的電磁斥力機構(gòu)進行故障診斷,以預(yù)防電力系統(tǒng)事故的發(fā)生。(2)測量振動信號可以獲得整個電磁斥力機構(gòu)的狀態(tài)信息,目前在狀態(tài)監(jiān)測和故障診斷領(lǐng)域已有廣泛的應(yīng)用。特征提取方面,目前使用較多的是小波包分解,SVM由于其在樣本數(shù)較少的情況下,也可以達到較高的模型準確率,在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。(3)采用持續(xù)監(jiān)測某樣機中電磁斥力機構(gòu)壽命試驗的方法,獲得了實際出現(xiàn)的3種故障信號,將小波包能量熵作為SVM的輸入向量最終得到SVM分類準確率為100%。由此可見,小波包能量熵和SVM可以用于電磁斥力機構(gòu)的故障診斷,并取得了較好的結(jié)果。
作者:龔森 單位:廣東電網(wǎng)廣州供電局