CN110320467B - 一种低压直流断路器故障诊断方法 - Google Patents
一种低压直流断路器故障诊断方法 Download PDFInfo
- Publication number
- CN110320467B CN110320467B CN201910530188.3A CN201910530188A CN110320467B CN 110320467 B CN110320467 B CN 110320467B CN 201910530188 A CN201910530188 A CN 201910530188A CN 110320467 B CN110320467 B CN 110320467B
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- low
- current circuit
- vibration signal
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种低压直流断路器故障诊断方法,通过传感器技术获取低压直流断路器在分合闸动作中的振动信号,通过信号处理技术对振动信号滤波、去除趋势项、去噪、小波包提取振动信号各频段的归一化能量值作为特征量,最后利用带有局部反馈的神经网络Elman实现直流断路器状态的智能诊断,并且在纵向时间上预测直流断路器的状态和剩余寿命;由于Elman神经网络带有局部反馈部分,这种算法不但实现故障识别还能实现状态预测,因此本发明方法为直流断路器的维保提供了依据。
Description
技术领域
本发明属于直流电力***电器设备状态监测及诊断领域,具体涉及一种低压直流断路器的状态监测和故障诊断方法。
背景技术
直流配电相较于交流配电具有输电容量大、供电可靠性高、电能质量好等优点,目前诸如航天、船舶、轨道交通、新能源分布式发电等领域已采用直流配电技术。低压直流断路器作为直流配电***中最关键的开关设备,起着分断闭合***的控制作用和保证配电网安全可靠运行的保护作用,因此直流断路器的状态直接影响直流配电***的稳定运行。
低压直流断路器作为一种电气设备,机械部件多,很难从外观上直接观测断路器的状态进而去评估断路器是否出现劣化或故障。经国内外相关机构统计,发现断路器70%以上故障是机械故障。而以前的相关研究基本集中在高压断路器的监测和诊断。
因此需要一种能够针对配电侧低压直流断路器在线监测和故障诊断的方法,评估低压直流断路器的状态,实现低压直流断路器的故障诊断和预测性维修。这对于提高低压直流断路器的可靠性和实现预测性维护策略的全生命周期管理是非常有意义的。
发明内容
针对现有技术的不足,本发明的目的在于提出一种根据低压直流断路器振动信号进行故障诊断的方法。
本发明解决其技术问题所采用的技术方案是:一种低压直流断路器故障诊断方法,选择振动传感器,测量低压直流断路器在分合闸过程中产生的振动信号,通过合适的振动信号预处理和处理方法提取振动信号特征量,将特征量降维处理后输入到经过测试样本训练后的具有局部反馈功能神经网络Elman中,实现对低压直流断路器状态的故障诊断和预测。
进一步的实现步骤包括:
(1),选择合适振动传感器,采集低压直流断路器分合闸过程中的振动信号x(n),通过通讯板传输到上位机;
(2),将信号x(n)通过设计的低通滤波处理得到信号x 1(n);
(3),采用最小二乘法拟合多项式的方法处理信号x 1(n),得到去除趋势项后的振动信号x 2(n);
(4),采用启发式小波软阈值去噪法,对信号x 2(n)小波去噪后得到信号x 3(n);
(5),采用二层小波包分解算法在全频段处理信号x 3(n),小波基函数为db10,归一化处理得到各频段的能量占比T=[t 1 t 2 t 3 t 4];
(6),根据传感器范围和低通滤波器截止频率fc将T降维处理得到T j ;
(7),将T j 输入到Elman神经网络进行故障模式识别,诊断低压直流断路器故障,得出诊断结果:若出现故障或严重劣化则停机维修,否则继续采集振动信号;
(8),在没有得到停机指令的情况下重复执行(2)~(6)步骤,否则退出运行状态。
更进一步,
所述的步骤(1)选择的传感器要求在振动信号全时域范围内信息不缺失,满足量程条件,而且高灵敏度、测量频率范围宽。
所述的步骤(2)选择的滤波器要求能有效去除原始振动信号的干扰,避免随机选取截止频率的盲目性。
所述的步骤(4)采用小波软阈值去噪法对振动信号去噪,阈值的选取采用启发式阈值估计法,以实现阈值的最优估计。
所述的步骤(5)采用小波包分解算法提取振动信号特征量,在全频段对振动信号分析。
所述的步骤(6)中信号的有效范围受到截止频率的影响,去除高于低通滤波器截止频率信号的特征量,留下有效特征量,降低特征量维度。其中,对经去除趋势项和启发式小波软阈值去噪法得到预处理后的振动信号,经过两层小波包分解分别得到四个频率段的能量占总能量的值T=[t 1 t 2 t 3 t 4],由传感器频率范围和低通滤波器的截止频率,去除高频段的两个特征量T j =[t 1 t 2],实现特征量降维处理。
所述的步骤(7)中训练样本的获取方法为:(71),在试验条件下模拟故障时测量振动信号,模拟故障如分合闸线圈欠压或者过压、分合闸线圈卡滞、分合闸线圈老化;(72),在寿命试验中测量分合闸振动信号,该数据反映断路器随时间轴纵变化的特征;(73),在实际工况中测量分合闸振动信号。
其中,测量正常合闸、正常分闸、合闸线圈欠压到180V、合闸线圈欠压到160V,合闸线圈老化、合闸线圈卡滞等六种模拟情况下的振动信号,对每种模拟的情况测试多组数据,测量断路器寿命试验中和实际运行中的振动信号,采用上述步骤提取有效特征量,并随机分为训练样本和测试样本,将训练样本输入Elman神经网络学习,将测试样本输入学习后的神经网络得出诊断结果。
本发明的有益效果是:通过传感器技术获取低压直流断路器在分合闸动作中的振动信号,通过信号处理技术对振动信号滤波、去除趋势项、去噪、小波包提取振动信号各频段的归一化能量值作为特征量,最后利用带有局部反馈的神经网络Elman实现直流断路器状态的智能诊断,并且在纵向时间上预测直流断路器的状态和剩余寿命,为直流断路器的维保提供依据。
附图说明
图1为本发明方法的流程图;
图2为本发明的结构框图;
图3为低通滤波后振动信号;
图4为滤波后振动信号FFT频谱;
图5为采用二层小波包分解算法提取一次正常合闸时振动信号的归一化能量谱直方图;
图6为采用的Elman神经网络框图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
低压直流断路器是直流供配电***中的关键设备,如地铁牵引直流供电***中的直流断路器。在日常工作时需要经常分合闸控制一次回路通断,频繁分合闸会影响到低压直流断路器的状态和寿命。传统检查断路器状态的方法时定期维护,存在欠维护和过维护的问题。
本发明设计了一种根据低压直流断路器振动信号进行故障诊断的方法,在此方法下可以实现:
选择出一种量程满足、高灵敏度、宽频率范围的振动传感器,测量得到低压直流断路器在分合闸动作中的信息不缺失的振动信号。
设计出一种低通滤波器,有效去除原始振动信号的干扰,避免了随机选取截止频率的盲目性。
低通滤波的截止频率fc选取应考虑2点:1是振动传感器的频率范围f,2是对振动信号FFT频谱分析;根据1、2确定低通滤波器的截止频率fc。
在小波包处理得到的特征向量后,通过降维处理,进一步得到有效特征量。
训练样本的获取方法:1是在试验条件下模拟故障时测量振动信号,模拟故障如分合闸线圈欠压或者过压、分合闸线圈卡滞、分合闸线圈老化;2是在寿命试验中测量分合闸振动信号,该数据反映断路器随时间轴纵变化的特征,3是在实际工况中测量分合闸振动信号。
训练样本包括了可能发生的模拟故障数据、实际运行数据和寿命试验数据,这些样本数据不但可以用于故障模式识别还可以用于故障预测。
Elman神经网络是一种局部回归网络,可以记忆过去的状态,实现状态预测,该网络运用到断路器故障诊断***,不但可以实现断路器故障模式识别,还可以实现状态预测,将未发生故障但是已经严重劣化的状态预测出来,将低压直流断路器的定时维修转变为预测性维修。
结合附图1,本发明的目的是这样实现的:
(1)选择合适振动传感器,采集低压直流断路器分合闸过程中的振动信号x(n),通过通讯板传输到上位机。
(2)将x(n)通过设计的低通滤波处理得到信号x 1(n)。
(3)采用最小二乘法拟合多项式的方法处理x 1(n)得到去除趋势项后的振动信号x 2(n)。
(4)采用启发式小波软阈值去噪法得到信号x 3(n)。
(5)采用二层小波包分解算法在全频段处理x 3(n),小波基函数为db10,归一化处理得到各频段的能量占比T=[t 1 t 2 t 3 t 4]。
(6)根据传感器范围和低通滤波器截止频率fc将T降维处理得到T j 。
(6)将T j 输入到Elman神经网络进行故障模式识别,诊断低压直流断路器故障。若出现故障或严重劣化则停机维修,否则继续采集振动信号。
(7)在没有得到停机指令的情况下重复执行(2)~(6)步骤,否则退出运行状态。
通过比较选择一种满足量程、高灵敏度、宽频率范围的振动传感器,型号为ADXL1004,量程为±500g,灵敏度为10mV/g,频率范围为1~24000Hz测量低压振动传感器。
分析振动信号FFT频谱并结合ADXL1004传感器频率范围,设计了fc=30kHz的低通滤波器对原始振动信号滤波。
再经去除趋势项和启发式小波软阈值去噪法得到预处理后的振动信号,经过两层小波包分解分别得到四个频率段的能量占总能量的值T=[t 1 t 2 t 3 t 4],由传感器频率范围和低通滤波器的截止频率,去除高频段的两个特征量T j =[t 1 t 2],实现特征量降维处理。
测量六种模拟情况下振动信号:1正常合闸、2正常分闸、3合闸线圈欠压到180V、4合闸线圈欠压到160V,5合闸线圈老化(合闸线圈串联6Ω电阻)、6合闸线圈卡滞。对每种模拟的情况测试多组数据,测量断路器寿命试验中和实际运行中的振动信号,采用上述步骤提取有效特征量,并随机分为训练样本和测试样本,将训练样本输入Elman神经网络学习,将测试样本输入学习后的神经网络得出诊断结果。
从图2可以看出,振动传感器量程小会有超量程现象,灵敏度低又导致采集的信号有信息缺失。
图3和图4为滤波前后后振动信号波形和快速傅里叶(FFT)频谱。对比图3和图4可以看出经过低通滤波后,振动信号高频噪声减小很多。
图5为正常合闸时两层小波包分解归一化能量谱直方图;从图3和图4可以看出:在高频段能量占比极少,需要采用特征量降维处理。
图6为采用的Elman神经网络框图,主要包括输入层、输出层、隐含层。它的特点在于还有局部反馈,具有时间预测功能。这对于低压直流断路器故障诊断来说,从时间轴上纵向比较振动信号特征量,从而实现预测低压直流断路器故障模式识别以及状态预测,进一步实现低压直流断路器全生命周期管理。
上述实施例仅例示性说明本发明的原理及其功效,以及部分运用的实施例,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种低压直流断路器故障诊断方法,其特征在于:实现步骤包括:
(1),选择合适振动传感器,采集低压直流断路器分合闸过程中的振动信号x(n),通过通讯板传输到上位机;
(2),将信号x(n)通过低通滤波处理得到信号x 1(n);
(3),采用最小二乘法拟合多项式的方法处理信号x 1(n),得到去除趋势项后的振动信号x 2(n);
(4),采用启发式小波软阈值去噪法,对信号x 2(n)小波去噪后得到信号x 3(n) ,阈值的选取采用启发式阈值估计法,以实现阈值的最优估计;
(5),采用二层小波包分解算法提取振动信号特征量,在全频段对振动信号分析,处理信号x 3(n),小波基函数为db10,归一化处理得到各频段的能量占比T=[t 1 t 2 t 3 t 4];
(6),根据传感器范围和低通滤波器截止频率fc将T降维处理得到T j ,对经去除趋势项和启发式小波软阈值去噪法得到预处理后的振动信号,经过两层小波包分解分别得到四个频率段的能量占总能量的值T=[t 1 t 2 t 3 t 4],由传感器频率范围和低通滤波器的截止频率,去除高频段的两个特征量T j =[t 1 t 2],实现特征量降维处理;
(7),将T j 输入到Elman神经网络进行故障模式识别,诊断低压直流断路器故障,得出诊断结果:若出现故障或严重劣化则停机维修,否则继续采集振动信号,其中训练样本的获取方法为:
(71),在试验条件下模拟故障时测量振动信号,模拟故障如分合闸线圈欠压或者过压、分合闸线圈卡滞、分合闸线圈老化;
(72),在寿命试验中测量分合闸振动信号,该数据反映断路器随时间轴纵变化的特征;
(73),在实际工况中测量分合闸振动信号;
(8),在没有得到停机指令的情况下重复执行(2)~(6)步骤,否则退出运行状态。
2.根据权利要求1所述的一种低压直流断路器故障诊断方法,其特征在于,步骤(1)选择的传感器要求在振动信号全时域范围内信息不缺失,满足量程条件,而且高灵敏度、测量频率范围宽。
3.根据权利要求1所述的一种低压直流断路器故障诊断方法,其特征在于,步骤(2)选择的滤波器要求能有效去除原始振动信号的干扰,避免随机选取截止频率的盲目性。
4.根据权利要求1所述的一种低压直流断路器故障诊断方法,其特征在于,步骤(7)中测量正常合闸、正常分闸、合闸线圈欠压到180V、合闸线圈欠压到160V,合闸线圈老化、合闸线圈卡滞等六种模拟情况下的振动信号,对每种模拟的情况测试多组数据,测量断路器寿命试验中和实际运行中的振动信号,采用上述步骤提取有效特征量,并随机分为训练样本和测试样本,将训练样本输入Elman神经网络学习,将测试样本输入学习后的神经网络得出诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530188.3A CN110320467B (zh) | 2019-06-19 | 2019-06-19 | 一种低压直流断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530188.3A CN110320467B (zh) | 2019-06-19 | 2019-06-19 | 一种低压直流断路器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320467A CN110320467A (zh) | 2019-10-11 |
CN110320467B true CN110320467B (zh) | 2021-11-09 |
Family
ID=68120976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530188.3A Active CN110320467B (zh) | 2019-06-19 | 2019-06-19 | 一种低压直流断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320467B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926778B (zh) * | 2019-11-29 | 2021-08-20 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN111157882A (zh) * | 2019-12-26 | 2020-05-15 | 华电电力科学研究院有限公司 | 一种发电机出口断路器的合闸分闸状态监测方法 |
CN111289800B (zh) * | 2020-03-05 | 2022-04-26 | 国网安徽省电力有限公司 | 一种基于广义回归神经网络的小电阻振动监测方法 |
CN111781494B (zh) * | 2020-07-09 | 2021-04-20 | 西安交通大学 | 一种改良的断路器机械特性自动在线检测方法及其装置 |
CN112345213A (zh) * | 2020-09-18 | 2021-02-09 | 华能河南中原燃气发电有限公司 | 一种低压直流断路器机械故障诊断方法 |
CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
CN113466679B (zh) * | 2021-05-17 | 2024-01-05 | 浙江工业大学 | 一种断路器使用寿命估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1616196A4 (en) * | 2003-04-03 | 2009-05-20 | Univ Virginia | METHOD AND SYSTEM FOR CHARACTERIZING HUMAN APPROACH AND PASSIVE DETERMINATION OF FALLS FROM FLOOR VIBRATION |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103308292A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 基于振动信号分析的真空断路器机械状态检测方法 |
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
-
2019
- 2019-06-19 CN CN201910530188.3A patent/CN110320467B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1616196A4 (en) * | 2003-04-03 | 2009-05-20 | Univ Virginia | METHOD AND SYSTEM FOR CHARACTERIZING HUMAN APPROACH AND PASSIVE DETERMINATION OF FALLS FROM FLOOR VIBRATION |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103308292A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 基于振动信号分析的真空断路器机械状态检测方法 |
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
"低压断路器振动特性分析与合闸同期性研究";缪希仁 等;《电工技术学报》;20130630;第28卷(第6期);第81-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110320467A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320467B (zh) | 一种低压直流断路器故障诊断方法 | |
Razi-Kazemi et al. | Condition monitoring of high voltage circuit breakers: past to future | |
CN106597231B (zh) | 基于多源信息融合和深度学习网络的gis故障检测***及方法 | |
Schichler et al. | Risk assessment on defects in GIS based on PD diagnostics | |
Bollen et al. | Bridging the gap between signal and power | |
Ahmed et al. | Power transformer fault diagnosis using fuzzy logic technique based on dissolved gas analysis | |
CN105868770B (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
Idrees et al. | Fuzzy logic based calculation and analysis of health index for power transformer installed in grid stations | |
CN107884711A (zh) | 断路器测试方法和终端 | |
CN202404166U (zh) | 一种变压器振动特性在线监测*** | |
CN106959394B (zh) | 一种高压大容量statcom状态评估方法和*** | |
CN108828406A (zh) | 非侵入式用户用电的故障识别方法及其*** | |
CN109444690B (zh) | 一种模拟变压器内部绝缘缺陷放电的试验方法 | |
CN106597196A (zh) | 输变电设备状态监测智能诊断分析***及方法 | |
CN107728509A (zh) | 一种基于多维数据模型的断路器机械特性在线专家诊断*** | |
CN103901318B (zh) | 在能量转换***中定位接地故障和绝缘降级状况的方法 | |
CN113960463A (zh) | 一种调压变压器有载分接开关在线监测及故障诊断方法 | |
Faisal et al. | Power quality diagnosis using time frequency analysis and rule based techniques | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN117007901A (zh) | 一种基于电力输电线路拓扑的接头故障诊断方法及*** | |
Montanari | Envisaging links between fundamental research in electrical insulation and electrical asset management | |
CN105629144A (zh) | 基于指纹库的高压开关设备局部放电诊断方法及*** | |
Adami et al. | New approach to improve high-voltage transmission line reliability | |
CN113125949B (zh) | 一种基于电场的高压断路器绝缘监测方法及*** | |
CN115330046A (zh) | 一种轨交列车车载高压设备健康状态评估及寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |