当前位置：文档库 › 改进的小波包_特征熵在高压断路器故障诊断中的应用

改进的小波包_特征熵在高压断路器故障诊断中的应用

第27卷第12期中国电机工程学报V ol.27 No.12 Apr. 2007

2007年4月Proceedings of the CSEE ?2007 Chin.Soc.for Elec.Eng. 文章编号：0258-8013 (2007) 12-0103-06 中图分类号：TM835 文献标识码：A 学科分类号：470?40

改进的小波包–特征熵在高压断路器

故障诊断中的应用

孙来军1，胡晓光2，纪延超3

(1．黑龙江大学电子工程黑龙江省高校重点实验室自动控制实验室，黑龙江省哈尔滨市 150080；

2．北京航空航天大学自动化与电气工程学院，北京市海淀区 100083；

3．哈尔滨工业大学电气工程系，黑龙江省哈尔滨市 150001)

Fault Diagnosis for High Voltage Circuit Breakers With Improved

Characteristic Entropy of Wavelet Packet

SUN Lai-jun1, HU Xiao-guang2, JI Yan-chao3

(1. Automation Control Laboratory, HLJ Province Key Lab of Senior-Education for Electronic Engineering, HLJ University, Harbin

150080, Heilongjiang Province, China; 2. School of Automation Science and Electrical Engineering, Beijing University of Aeronautics & Astronautics, Haidian District, Beijing 100083, China; 3. Department of Electrical Engineering, Harbin Institute of

Technology, Harbin 150001, Heilongjiang Province, China)

ABSTRACT: Based on the introduction of wavelet packet and characteristic entropy, a new method to diagnosis fault for high voltage circuit breakers is presented, and its steps and analysis are also introduced. The method combines the strongpoint of wavelet packet and characteristic entropy. Firstly, vibration after clearing up noise is wp-decomposed at the third level, and the eight signals of each junction at the third level are reconstructed; Secondly, the vector is extracted with the segmental energy of reconstructed signals based on the theory of entropy; and lastly the classification of characteristic parameter is realized with simple BP neural network for fault diagnosis. The experimentation without loads indicates the method can easily and accurately diagnose breaker faults, and exploit a new road for fault diagnosis of HV circuit breakers.

KEY WORDS: high voltage circuit breakers; wavelet packet; characteristic entropy; neural network; fault diagnosis

摘要：在详细介绍小波包与特征熵的基础上，将二者结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。该方法首先将断路器基座振动信号进行3层小波包分解，提取第3层各节点重构信号的包络；然后利用正常状态标准信号所得各包络信号的等能量分段方式，实现对应节点待测状态信号包络的时间轴分段，并利用各分段积分能量、按照熵理论提取特征熵向量；最后构造简单的BP神经网络实现特征熵向量的分类。经正常和2种故障状态下高压断路器无负载振动信号测试，证明该方法检测高压断路器故障简单、准确，为断路器的故障诊断开拓了新的思路。关键词：高压断路器；小波包；特征熵；神经网络；故障诊断0 引言

作为电力系统中一种必不可少的设备，高压断路器的健康状况近年来逐渐成为使用者关注的焦点，对高压断路器的运行维护也成了所有断路器使用者工作的重点。高压断路器的维护费用巨大，在传统上都是使用预定规程定期检修，不仅费时、费力，还会带来许多不必要的停工，危害断路器工作可靠性，甚至在检修时会引入一些新的故障[1-4]。基于状态的断路器检修只是在断路器存在故障趋势时进行维护，可以极大地改善断路器可靠性，减少维护费用。

近年来，对断路器诊断方法的研究日趋高涨，许多新型的技术已经用于实际[5-7]。基于振动信号的分析逐渐成为研究热点[8-9]，例如1996年Runde等使用加窗FFT和DTW(dynamic time warping)分析振动信号，得到正常状态和测试状态的振动信号时间偏移的估计，以此与参考相比较进行诊断，取得良好的诊断效果[2,10]；2002年胡晓光教授等提出基于小波变换的信号奇异性检测理论处理振动信号，利用信号包络小波变换各尺度上模极大值的传递性计算奇异性指数，并作为故障诊断的特征参数，取得了较为实用的效果[11]；2003年Dennis等使用小波包分解断路器一次动作所产生的4个振动信号，找出对断路器非正常状

104 中国电机工程学报第27卷

态敏感的节点，形成节点直角坐标图，显示断路器4个部分的状态对比图，并利用后向传播神经网络(BPNN)进行状态分类，这种方法对比于其他方法(统计方法、神经网络、专家系统)取得较高的检测准确

率[12]；

文献[5]中荣命哲教授等利用小波包和短时能量分析的方法处理振动信号，分析断路器合闸同期性，也取得很好的使用效果；文献[13]中实验表明，同类型的断路器动作时所产生的振动信号相似，这就使通过比较同种类型不同断路器的振动信号检测断路器故障成为可能，使基于振动信号所进行的断路器状态检测和故障诊断推广性与实用性得到进一步提高。

建立在概率统计基础上的信息熵是系统不确定程度的一种描述，反映了信息概率分布的均匀性，近年来在生物医学、故障诊断中多有应用[14-15]，并取得初步成果。本文将小波包和信息熵相结合，提出一种诊断断路器机械故障的新方法。将正常信号各频段重构包络的等能量分段模式应用于待测信号的分段，并根据各分段能量计算特征熵向量，利用熵向量的离散性反映断路器状态的变化；然后构造简单BP 神经网络实现断路器状态识别；最后利用所提方法重点分析断路器时间延迟类故障、基座螺丝松动故障，经高压断路器无负载振动信号测试，取得良好诊断效果。

1 振动信号的小波包分解

在正交小波多分辨分析中，设尺度方程为

()(2)n n t h t n φφ∈=?Z

(1)

由此构造的小波方程为

()(2)n n t g t n ψφ∈=?Z

(2)

式中：g n 、h n 分别为高、低通滤波器系数，1(1)n n g ?=?? 1n h ?，h n 是空间L 2(R )上与小波函数φ(t )构成标准正

交基的唯一系数系列。引入记号：

0()()t t μφ= (3)

1()t μ=()t ψ

(4)

j 0()e n n H h ωω?∈=Z

(5) j 1()e n n H g ωω?∈=∑Z

(6) 这样，由尺度函数φ(t )所确定的小波包可定义为函数列{();0,1,2,...,}m t m μ=+∞，其中

221()(2)()(2)

m n m n m n m n t h t n t g t n μμμμ∈+∈?=???

=???

Z (7) 式(7)即为信号的小波包分解。在小波分解中，随着分解层数的增加，小波逐渐向低频方向聚焦，信号不断地被分解成近似信号和细节信号，但细节信号不再分解[5,14,16]。而小波包分解则是在保留信号时频局部化特性的基础之上，在通频范围内聚焦，同时关注近似信号与细节信号。在每一层的分解中所有子带均一分为二，并传至下一层，这样就构成一种

二叉树的分解，如图1。

图中每一层都覆盖信号所有频率，并随层数增加频率分辨率也在增加。

图1 信号小波包分解

Fig. 1 Wavelet packet decomposition

另外，可以在小波包分解的各节点进行系数重构，具体的重构算法在文献[17]中有详细的介绍。小波包分解各节点重构的信号反映了该节点所对应频段成分在原始信号中的分布情况，即实现了对原始信号的频域抽取，在故障诊断中反映状态特征频率的变化。而对于高压断路器的故障诊断，时间特性反映了各振动事件在整个振动过程中的相对位置，对应着断路器动触头的运动过程，对断路器机械故障诊断尤为重要。

2 振动信号特征向量的提取与故障诊断

2.1 信号包络提取

信号的突变信息往往体现在信号的包络里，断路器机械振动冲击所包含的高频成分就是包络信号的载波。在机械故障的诊断中经常会用到Hilbert 方法提取信号包络[11]。

某信号x (t )

的解析信号定义为

?()()j ()g t x t x

t =+ (8) 其中?()x

t 为信号x (t )的Hilbert 变换，则g (t )的幅值 ()A t = (9) 便是信号x (t )的包络。

2.2 特征熵的提取

文献[14]中介绍了一种信号特征熵的提取方法，即根据信息熵的基本理论，利用小波包分解序列逐点的归一化值提取小波包特征熵，这种提取方法在类似于水轮机尾水管等的脉动信号突变检测中取得较好的使用效果，而对于断路器振动所产生的非平稳信号却不适合。但是从本质上来说，基于

第12期孙来军等：改进的小波包–特征熵在高压断路器故障诊断中的应用 105

振动信号的故障诊断就是在于区分断路器的正常状态与故障状态，而各种正常状态都是一个标准正常状态的脉动，各故障状态却可认为是这个标准正常状态的不同突变。本文所提出的特征熵提取方法是利用信号包络的分段能量计算特征熵。

首先将包络信号沿时间轴分成N 段，并对每段信号利用时间积分计算分段能量[16,18]：

()()d t t Q i A t t =∫ (10)

其中：1,2,...,i N =；t 0、t 1为第i 分段的起止时间点。将包络信号各分段能量进行归一化处理如下：

()()/()N

i i Q i Q i ε==∑ (11)

根据熵的基本理论，定义信号x (t )的特征熵为[14]

1()lg ()N

i H i i εε==?∑ (12)

2.3 诊断步骤

利用上述原理所设计的小波包–特征熵提取与故障诊断步骤如下：

（1）分别对正常状态标准信号和待测信号进行k 层小波包分解，并在第k 层2k 个节点重构信号。

（2）利用式(7)分别提取各重构信号包络。（3）按照积分能量均等的原则将正常信号各包络分成N 段，并将分段方式应用于待测信号对应节点包络的分段。

（4）根据2.2在待测信号各节点分别计算小波包–特征熵，从而得到小波包–特征熵向量T = 0121[,,...,]k H H H ?。

（5）设计神经网络，T 为输入，输出对应各故障，实现故障诊断。

步骤（3）将正常状态分段方式应用于待测状态分段，在参量提取之前实现了状态信号之间的比较，使所得特征熵反映状态间的差异。但在上述处理过程中还需要注意以下2个问题：

（1）小波包分解的层数k 决定频率分辨率，其选择由原始信号主要频率和各故障特征频率决定。k 太小，则对频率成分的多少、分布的较小波动反应迟钝；k 太大则不但会增加运算量，而且还可能将正常的波动当作故障，反映过于敏感。

（2）分段数目N 决定时间分辨率，其选择主要由撞击事件正常时间波动范围来决定。N 太小则很难检测出小的时间波动，N 太大则时间分辨率太高，正常的事件时间偏移都会认为是故障；N 过大

时，如单点成段，很难检测出事件时间的偏移和频段成分分布变化。

3 实际应用分析

3.1 特征参量提取与分析

以一少油断路器做测试，在无负载情况下利用断路器自身的润滑不足测试时间延迟类故障；松动A 相基座螺丝，模拟基座螺丝松动状态。利用安装于断路器控制箱内的在线监测数据采集器采集基座振动数据。加速度传感器利用直径为3mm 的螺栓安装于断路器基座的支架角铁内侧，外侧焊接角铁同外部隔开以减少外部干扰振动的影响，同时可以防止雨、尘等对传感器的侵蚀。数据采集器在断路器动作时以25kHz 的速率每相采集8500点，振动数据通过RS485总线传送至PC 机进行处理。各状态下控制断路器连续动作3次，共得到A 相6组数据，同时利用断路器运行之初得到的正常状态下的标准振动信号。其中A 相原始振动信号如图2所示，从上到下依次为正常状态标准信号、螺丝松动(故障I ，3个信号)、时间延迟(故障II ，3个信号)故

100

?100

00100

200 300 t /ms x (t )/(m /s 2)

(a)正常

100?100