[发明专利]一种基于振动信号的断路器状态辨识方法

说明书

本发明公开了一种断路器状态辨识方法，包括以下步骤：(1)将合闸振动信号依据本发明定义的“电磁铁运止时间”、“广义合闸时间”、“合闸衰减时间”划分为非等间隔的4段子信号。(2)利用Bootstrap算法对子信号分别进行重采样，得到一定数量的伪样本。(3)求伪样本的功率谱。(4)对伪样本功率谱波形，提取本发明定义的“混乱度”特征。(5)绘制“混乱度”特征的概率分布直方图。(6)根据混乱度分布特性确定的阈值区间。(7)以不同状态下断路器的子信号混乱度阈值区间构建特征经验知识库，并取4个子信号判定结果的最大交集作为最终的判定结果。实验表明，本方法能够有效地刻画断路器振动信号的特征，在断路器状态辨识领域发挥重要作用。

技术领域

本发明涉及电气设备故障诊断技术领域，具体的，涉及一种分析振动信号时域分段后各段功率谱波形参数统计特性的断路器状态辨识方法。

背景技术

断路器在电力系统中承担控制和保护的重要功能，一旦发生故障造成的经济损失远大于其自身价值，而且高压断路器在电力系统中数量众多且分布广泛。一旦发生故障，首先影响其保护的电缆线路、电器设备运行安全，其次会造成电网事故不断扩大，给生产、生活带来巨大影响，实现其运行状态的智能辨识具有重要的研究价值。

振动信号作为一种非侵入检测方法在设备故障诊断领域得到广泛应用。近年来涌现了大量的基于振动信号的断路器状态智能辨识算法，如经验模态分解、希尔伯特-黄变换、神经网络、模糊聚类等。一些论文在实验室环境条件下验证此类方法具有较高的辨识准确率。但是在实际工程应用中，迄今未见成熟的断路器故障全方位监测和故障诊断报导，鲜见成熟的断路器机械状态在线监测装置。一方面，由于智能算法往往涉及复杂的计算过程，需要占用过多的时间开销，不满足实时在线监测设备速动性的要求而难以推广。另一方面，断路器在正常运行时操作不频繁，造成现场积累的测试数据十分匮乏。智能算法因缺乏多样性样本的训练，在实际现场的泛化能力较低而降低了分析结果的准确性。随着电网对断路器状态检修要求越来越高，迫切需要对断路器机械状态检测新技术深入研究，通过监测信号科学分析对断路器机械状态特征进行定量评价。

发明内容

为了解决上述问题，达到上述目的，本发明采用下述技术方案：

一种断路器振动信号状态辨识方法，本发明提出一种基于时域分段的断路器振动信号“混乱度”参数的统计特征量化方法。根据断路器动作过程中各部件运动的时序特点，将振动信号以“电磁铁运止时间”、“广义合闸时间”、“合闸衰减时间”为截点划分为4段子信号。利用Bootstrap自采样算法对子信号进行重采样，获得一定数量的伪样本。基于伪样本的功率谱波形求取“混乱度”参数，依据该参数的概率分布特性确定阈值区间，最后取4段子信号的判定结果的最大交集，作为判定断路器运行状态的特征表达。

本发明基于对断路器部件运行机理的分析，进行具有物理意义的分段处理，利用Bootstrap自采样算法挖掘数据分布特性，解决了难以获取大量样本数据问题。以阈值区间的综合判据对断路器状态进行判定，避免了复杂计算占用的时间开销，是一种具有重要实际应用价值的断路器状态辨识方法。

具体步骤如下：

步骤1：采用压电加速度传感器采集断路器合闸过程振动信号。

步骤2：基于对断路器合闸过程运行机理的分析，将合闸振动信号依据本发明定义的“电磁铁运止时间”、“广义合闸时间”、“合闸衰减时间”划分为非等间隔的4段子信号。

步骤3：利用Bootstrap自采样算法对步骤2得到的4段子信号分别进行重采样，得到一定数量的伪样本。

步骤4：求取所有伪样本的功率谱。

步骤5：依据伪样本功率谱波形，求取本发明定义的“混乱度”特征。

步骤6：绘制“混乱度”特征的概率分布直方图。

步骤7：根据样本分布的区间确定的阈值区间，作为判定断路器运行状态准则。