本發(fā)明涉及高壓斷路器操動機(jī)構(gòu)故障診斷方法，尤其是適用于基于內(nèi)稟特征尺度分解和模糊熵的斷路器操動機(jī)構(gòu)智能診斷方法。

背景技術(shù)：

1、電力系統(tǒng)對高壓斷路器有如下要求：(1)高壓斷路器能在規(guī)定的條件下長期可靠的工作，正確執(zhí)行合閘或分閘動作；(2)在系統(tǒng)發(fā)生短路接地故障時，能短時間內(nèi)切除故障電流，減小短路電流對電氣設(shè)備和電力系統(tǒng)的危害。

2、高壓斷路器合閘或分閘動作由操動機(jī)構(gòu)許多部件凸輪、棘爪、拐臂、棘輪、分閘/合閘彈簧配合完成。大量案例說明，操動機(jī)構(gòu)故障是高壓斷路器的主要故障。目前，高壓斷路器操動機(jī)構(gòu)檢修主要依賴于檢修人員在停電期間采用便攜式儀器進(jìn)行預(yù)防性試驗，這種離線檢修方法可能造成高壓斷路器超危險運(yùn)行或過度檢修。近年來，挪威電力研究院或國內(nèi)科研機(jī)構(gòu)針對操動機(jī)構(gòu)振動信號進(jìn)行分析，取得了一定的效果。操動機(jī)構(gòu)振動信號典型的時頻分析方法有窗口傅里葉變換和小波分析。窗口傅里葉變換和小波分析因受heisenberg不確定性原理的限制，時間分辨率和頻率分辨率無法兼顧。

3、為了分析高壓斷路器振動信號這種非平穩(wěn)信號，國內(nèi)外有學(xué)者嘗試采用經(jīng)驗?zāi)B(tài)分解和局部均值分解方法。經(jīng)驗?zāi)B(tài)分解將振動信號分接為若干個內(nèi)稟模態(tài)函數(shù)，對每個內(nèi)稟模態(tài)函數(shù)采用hilbert變換求出瞬時頻率和瞬時幅值，從而得到原始振動信號的時頻分布。經(jīng)驗?zāi)B(tài)分解采用三次樣條形成上、下包絡(luò)線時存在過包絡(luò)或欠包絡(luò)現(xiàn)象，hilbert變換存在負(fù)頻率等問題。局部均值分解方法采用極值點獲取局部均值函數(shù)和包絡(luò)估計函數(shù)，將原始振動信號不斷解調(diào)為純調(diào)頻信號和包絡(luò)信號，純調(diào)頻信號和包絡(luò)信號相乘可得一個乘積分量，從而將原始振動信號表示為若干個乘積分量之和。局部均值分解方法存在端點效應(yīng)、頻率混淆、解調(diào)引起信號突變等問題。

4、綜上所述，現(xiàn)有的高壓斷路器操動機(jī)構(gòu)振動信號分析方法如窗口傅里葉變換、小波分析、經(jīng)驗?zāi)B(tài)分解和局部均值分解均存在智能性不強(qiáng)的缺點，往往需要技術(shù)人員介入。另外，針對操動機(jī)構(gòu)早期微弱故障，通常不能得出正確結(jié)論。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明旨在克服現(xiàn)有技術(shù)中上述問題的不足之處，提出一種基于內(nèi)稟特征尺度分解和模糊熵的斷路器操動機(jī)構(gòu)智能診斷方法，該方法首先采用內(nèi)稟特征尺度分解對原始振動信號進(jìn)行自適應(yīng)分解，接著計算內(nèi)稟特征尺度分量的模糊熵，最后以模糊熵向量作為輸入，采用多分類支持向量機(jī)對斷路器操動機(jī)構(gòu)進(jìn)行智能故障診斷。該方法將內(nèi)稟特征尺度分解和模糊熵進(jìn)行結(jié)合，充分利用了內(nèi)稟特征尺度分解的自適應(yīng)性和模糊熵的非線性特性和穩(wěn)定性，在高壓斷路器操動機(jī)構(gòu)故障診斷方面有更高的準(zhǔn)確率，具有很好的應(yīng)用前景。

2、為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

3、本發(fā)明第一方面提供了一種基于內(nèi)稟特征尺度分解和模糊熵的斷路器操動機(jī)構(gòu)智能診斷方法，包括如下步驟：

4、步驟1：對斷路器操動機(jī)構(gòu)振動信號進(jìn)行內(nèi)稟特征尺度分解，將振動信號自適應(yīng)分解為多個內(nèi)稟特征尺度分量和一個單調(diào)趨勢信號；

5、步驟2：計算每個內(nèi)稟特征尺度分量模糊熵，將所有內(nèi)稟特征尺度分量的模糊熵構(gòu)建成模糊熵特征向量；

6、步驟3：以模糊熵特征向量為輸入，采用多分類支持向量機(jī)進(jìn)行故障診斷。

7、進(jìn)一步的，所述步驟1中具體包括：

8、(1)確定斷路器操動機(jī)構(gòu)振動信號x(t)的極值點x(τk)和對應(yīng)時間點τk(k＝1,2,…m，m為極值點個數(shù))；

9、(2)計算參考點：

10、

11、(3)計算局部均值點：

12、mk＝αak+(1-α)xk?(2)

13、(4)局部均值點進(jìn)行三次樣條插值得到m(t)；

14、(5)計算局部包絡(luò)點：

15、ek＝|ak-xk|/2?(3)

16、(6)局部包絡(luò)點進(jìn)行三次樣條插值得到a(t)；

17、(7)計算信號h(t)和s(t)：

18、h(t)＝x(t)-m(t)?(4)

19、a(t)＝m(t)/a(t)?(5)

20、(8)判斷s(t)是否為純頻信號，若s(t)是純頻信號，則轉(zhuǎn)到步驟(9)；若s(t)不是純頻信號，則令x(t)＝s(t)，轉(zhuǎn)到步驟(1)；

21、(9)計算內(nèi)稟特征尺度分量isc1和剩余分量r1：

22、

23、r1＝x(t)-isc1?(7)

24、(10)重復(fù)上述步驟，直至剩余分量rn為單調(diào)函數(shù)，將斷路器操動機(jī)構(gòu)振動信號x(t)分解為：

25、

26、進(jìn)一步的，對于數(shù)據(jù)長度為n的時間序列{iscp(n)}，模糊熵計算方法為：

27、(1)構(gòu)成n-m+1個長度為m的數(shù)據(jù)序列：

28、

29、

30、

31、(2)計算任意兩個時間序列的距離：

32、

33、(3)計算任意兩個時間序列的相似度：

34、

35、其中r，n為相似度計算參數(shù)；

36、(4)定義函數(shù)：

37、

38、(5)模糊熵為：

39、sf(m,n,r)＝lnφm(n,r)-lnφm+1(n,r)?(15)。

40、進(jìn)一步的，設(shè)斷路器操動機(jī)構(gòu)振動信號x(t)采用內(nèi)稟特征尺度分解方法得到n個內(nèi)稟特征尺度分量isc1，isc2，…iscn，采用模糊熵方法得到n個模糊熵sf1，sf2，…sfn，將n個模糊熵構(gòu)成n維特征向量[sf1，sf2，…sfn]，輸入多分類支持向量機(jī)實現(xiàn)多分類支持向量機(jī)的訓(xùn)練和預(yù)測。

41、進(jìn)一步的，多分類支持向量機(jī)的核函數(shù)選用高斯核函數(shù)：

42、

43、其中σ為方差。

44、進(jìn)一步的，還包括進(jìn)行彈簧疲勞測試。

45、進(jìn)一步的，還包括進(jìn)行軸銷脫落測試。

46、進(jìn)一步的，還包括電磁鐵卡澀測試。

47、本發(fā)明第二方面提供了一種基于內(nèi)稟特征尺度分解和模糊熵的斷路器操動機(jī)構(gòu)智能診斷裝置，用于實現(xiàn)上述診斷方法，包括：

48、第一模塊，用于對斷路器操動機(jī)構(gòu)振動信號進(jìn)行內(nèi)稟特征尺度分解，將振動信號自適應(yīng)分解為多個內(nèi)稟特征尺度分量和一個單調(diào)趨勢信號；

49、第二模塊，用于計算每個內(nèi)稟特征尺度分量模糊熵，將所有內(nèi)稟特征尺度分量的模糊熵構(gòu)建成模糊熵特征向量；

50、第三模塊，用于以模糊熵特征向量為輸入，采用多分類支持向量機(jī)進(jìn)行故障診斷。

51、本發(fā)明第三方面提供了一種電子設(shè)備，包括處理器以及與處理器通信連接，且用于存儲所述處理器可執(zhí)行指令的存儲器，所述處理器用于執(zhí)行上述一種基于內(nèi)稟特征尺度分解和模糊熵的斷路器操動機(jī)構(gòu)智能診斷方法。

52、相對于現(xiàn)有技術(shù)，本發(fā)明所述的一種基于內(nèi)稟特征尺度分解和模糊熵的斷路器操動機(jī)構(gòu)智能診斷方法具有以下優(yōu)勢：

53、(1)本發(fā)明專利提出對斷路器操動機(jī)構(gòu)振動信號進(jìn)行內(nèi)稟特征尺度分解，該方法具有自適應(yīng)性，可避免了現(xiàn)有方法的窗口傅里葉變換、小波分析、經(jīng)驗?zāi)B(tài)分解和局部均值分解方法的缺點。

54、(2)針對操動機(jī)構(gòu)振動信號內(nèi)稟特征尺度分量具有非線性和非平穩(wěn)性特點，選擇模糊熵對內(nèi)稟特征尺度分量進(jìn)行復(fù)雜性分析，模糊熵相比較于關(guān)聯(lián)維數(shù)、近似熵和樣本熵具有更強(qiáng)的穩(wěn)定性和連續(xù)性，且對數(shù)據(jù)長度依賴性較好。

55、(3)構(gòu)建n維模糊熵特征向量[sf1，sf2，…sfn]，輸入多分類支持向量機(jī)即可實現(xiàn)多分類支持向量機(jī)的訓(xùn)練和預(yù)測。多分類支持向量機(jī)相對于嵌套二分類支持向量機(jī)具有分類時間短的優(yōu)點，另外，不同故障時模糊熵特征比較明顯，多分類支持向量機(jī)分類精度已足夠高。該方法在高壓斷路器操動機(jī)構(gòu)故障診斷方面識別準(zhǔn)確率高于95％。