低压断路器振动特性分析与合闸同期性研究

低压断路器振动特性分析与合闸同期性研究

陈国涛

四川电力设计咨询有限责任公司，四川 成都 610016

摘要：断路器振动信号含有丰富的机械特性信息，具有非侵入性状态监测的特点。在这一领域，国内外研究人员对断路器机械故障诊断进行了大量的理论研究。开关同步电路是断路器最重要的机械特性参数之一。断路器由于多次合断保护主回路触点磨损、冲击或保养和调整不当，都会引起断路器三相触点开关状态的改变。随着断路器不在允许的范围内,断路器的性能和使用寿命以及电网的稳定运行受到影响,所以断路器关闭断路器的研究是对其状态监测和故障诊断具有重要意义,但目前的研究断路器开关断路器仍局限于中、高压断路器。

关键词：低压断路器；振动分析；神经网络；合闸同期性；故障识别；

根据低压断路器的机械特性，采用小波分解方法对其振动信号进行分析。根据电动操作机构与低压断路器合闸动作的时序，以驱动电机的电流信号为时间标记，有效提取合闸振动信号。提出了小波包能量谱分析低压断路器关闭同步,基于小波包分解的细节振动开关信号,利用小波包重构关闭振动主要频带信号特征提取,构造切换同步状态特征向量,并利用BP神经网络建立三相开关故障的识别模型在不同的时期。

一、概述

基于小波变换的信号奇异性检测理论处理振动信号和小波变换的多尺度提取方法提出了故障特征参数,也就是说,奇点指数计算通过使用的动词的包络信号小波变换模极大值在每个规模,并得到更实际的结果。采用小波包和短时能量分析方法对振动信号进行处理，并对高压断路器开关同步电路进行了分析，取得了良好的性能。测试表明,该振动信号产生的相同类型的断路器是相似的,这使得它可以检测断路器的故障的振动信号进行比较和不同的相同类型的断路器,并进一步提高了泛化和实用性断路器状态检测和故障诊断的基于振动信号。小波包能量谱分析技术,具有高频部分的更复杂的振动信号分解,小波包重构可以用于断路器带振动信号的能量分布分析,由于不同的关闭同步状态振动信号不同频带的能量分布,从而确定断路器关闭不同步故障状态。低压断路器的电动操作机构具有电机驱动结束后立即闭合断路器的特点。利用驱动电机的电流信号作为时间标记，可以有效地提取出闭合振动信号。因此，提出了一种结合小波包能量谱与工作机构电流驱动信号分析和提取低压断路器开关特性矢量的新方法。应用BP神经网络对低压断路器三相不同步合闸故障进行了识别。

二、振动信号的小波包能谱分析技术

与任意小波包变换的多尺度分解特性,在小波变换分解的高频部分不是一个更好的分解,分解没有冗余,并可根据要求和分析信号特性,在一定频率范围内提高频率分辨率,在一定时间内提高时间分辨率,从而对“高频低分辨率”问题造成的频率增减问题，弥补了小波变换对频率分辨率的不足。针对低压断路器振动信号特性，采用三层小波包分解的二叉树分解结构，如图1所示。其中节点(0,0)代表原始信号S，节点(i,j)代表小波包分解的第i层（i为分解尺度）第j个频带信号分量S_ij(i=1,2,3;j=0,1,2,…,7)。每一层覆盖信号的所有频率，但每一层的分辨率是不同的。分解层数越高，频域分辨率越高。三层小波包的分解关系为;

图1三层小波包分解

另外，对每个节点的小波包分解系数进行重构算法。将每个节点的重构信号通过小波包分解，表示该节点对应的频带分量在原始信号中的分布，提取原始信号的频域，反映故障状态的特征频率的变化。应用小波包分解与重构原理，提取断路器振动信号特征向量步骤如下:（1）通过选择合适的小波函数，对振动信号进行三层小波包分解。由于振动信号的分解质量取决于所选的基波函数，因此对所选基波函数的评价可以用信息代价函数来描述。低压断路器振动信号选用Db5小波函数，以适合于振动信号分析的Shannon信息熵作为小波包分解的标准。（2）分别重构了各频段的小波包分解系数。仅对第三层小波包中的8个节点进行分析。由于振动信号的最大频率为8kHz(见图2，振动信号的频率范围为0 ~ 8kHz)，所以每个节点代表1kHz的频率范围。通过重构小波包分解系数，提取振动信号从低频到高频的8个频带的信号特征。

图2正常振动合闸信号

（3）找出振动信号在各频带的能量分布。设节点S_3j(j=0,1,…,7)对应的能量为E_3j(j=0,1,…,7)，在提取信号特征的基础上计算各频段的能量。

这个公式的意思是信号在时域的能量等于在频域的能量。式中X3（j k）（j=0,1,…,7；k=1,2,…,N）表示小波包重构信号各离散点的幅值，N表示采样点个数。（4）构造一个特征向量。当低压断路器的合闸过程发生在不同的相位时，各频段的信号特性也会发生相应的变化。以频带能量谱构造一个特征矢量；

由于低压断路器振动信号各频带之间的能量差异较大，为了比较各频带在三相不同状态下的能量和数据分析，对各频带的能量进行归一化；

因此，向量T1为经过归一化后的低压断路器振动信号的能谱特征向量。

三、有效振动信号的提取

针对低压断路器电机运行机制,断路器的特点结束时立即关闭马达驱动,以电机电流信号提取振动信号的时间点,来限制断路器闭合过程接触碰撞振动信号提取,提供三相同步的开关过程的分析与振动信号范围更有效。以DW15—1600万能式断路器为试验样机，在断路器底座的横梁上安装单个振动加速度传感器，检测到的振动方向与触点闭合冲击方向一致。在空载状态下采集反映三相同步状态的触点闭合振动信号，设置振动信号采样频率为16kHz，采样数据点数为40000。根据DW15-1600万能断路器的工厂技术要求，当触头的厚度小于2mm时，应更换触头。在断路器正常合闸振动试验的基础上，分别通过调整触点开距和超程来模拟三相触点磨损或调整不当造成的各种开关状态。以电机驱动电流末端作为振动信号提取的识别点，分别对低压断路器A、B、C的触头磨损引起的异步故障进行振动信号检测试验。闭合振动信号及其傅里叶变换频谱分析如图3所示。

图3合闸不同期振动信号及频谱图

由图2和图3可以看出，当低压断路器正常合闸，三相A、B、C在不同时间段合闸时，各频段的振动信号特性会发生相应的变化。因此，利用上述小波包能谱分析技术，对图2和图3的振动信号分别计算得出4种合闸同期性状态归一化后各频段能量谱特征矢量柱状图如图4所示。

四、三相不同期故障神经网络识别

使用多个正常关闭状态振动信号和三相断路器故障切换状态(B期,分别在同一时期,C或不同期)的振动信号小波包分解和重建,然后提取相应的振动信号在各频带能量谱特征向量作为BP神经网络的输入向量,并选用trainlm函数（Levenberg-Marquardt优化方法）训练BP网络，以建立低压断路器三相不同期故障识别模型。 在每个频带的能量特征向量的正常,不同相的,不同相的B和C的振动信号作为神经网络的输入,和上面的4种三相同步状态的关闭低压断路器相同或不同相的时期作为神经网络的输出,低压断路器三相故障识别不同时期模型的建立,使用trainlm函数的BP神经网络 ，采用TrainLM训练函数的BP神经网络经过9次迭代后达到收敛要求，即建立的基于振动信号小波包能谱分析的神经网络模型可以有效识别低压断路器三相开关故障。

总之，以工作电机驱动电流信号的终点为标志提取合闸振动信号，可以有效地提取和限制断路器合闸时振动信号的分析范围。由于振动信号的时频域分量对开关断路器的变化特别大，通过小波包分解和重构，有效地提取了低压断路器三相开关断路器的能谱故障特征向量。小波包能量谱与神经网络相结合，尤其容易因机构磨损和调整不当而导致开关同步状态。

参考文献：

1. 杨小华,基于小波包变换与样本熵的滚动轴承故障诊断.2018.

[2]孙延超.低压断路器振动特性分析与合闸同期性研究.2019.