基于振动信号时频能量分布特征的断路器故障识别方法

摘要

本发明公开一种基于振动信号时频能量分布特征的断路器故障识别方法，首先通过实验获取断路器各状态的振动信号，利用这些实验数据的时频能量分布特征完成对深度自编码网络的训练；然后将待识别信号的时频能量分布特征输入训练完成的深度自编码网络，利用该网络准确可靠地识别断路器操作机构机械故障。本发明能够判断断路器的故障类型，及时发现潜在故障，帮助检修人员更有针对性的完成断路器的维护修理工作，进一步减少由断路器引起的事故损失。

权利要求

1.一种基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，包括以下步骤：

步骤A：分别采集断路器处于正常状态下，以及断路器处于操作机构卡涩、铁芯卡涩和基座螺丝松动三种故障状态下的A次实验过程中操作机构的合闸振动信号实验数据；

步骤B：从所述合闸振动信号实验数据种提取各状态下待处理合闸振动信号，并计算各状态下实验数据的时频能量分布特征：步骤B1：利用小波变换分别对采集到的各状态下断路器操作机构的合闸振动信号实验数据进行去噪；将各状态下去噪后的振动信号的每个采样点的幅值逐点与阈值α进行比较，当某个点后连续a个采样点的均值大于阈值α时认为合闸振动已经发生，选取该点前T1秒到该点后T2秒时间内的信号作为各状态下待处理合闸振动信号sb(t)，b为断路器状态，b＝0表示正常状态，b＝1表示操作机构卡涩故障，b＝2表示铁芯卡涩，b＝3表示基座螺丝松动；

m

步骤B2：将各状态下待处理合闸振动信号sb(t)经m层小波包变换后，得到I＝2个频带的振动信号分量sbi(t)，i＝1,2,…,I；将各频带信号分为时间长度相等的N段，得到I×N个时频子平面；计算各个子平面内振动信号的能量：式中，Eb,i,n表示b类断路器状态下第i频带第n时间段内时频子平面的能量大小，tn、tn+1分别是第n时间段开始及结束的时间；

步骤B3：将时频子平面能量Eb,i,n进行Z‑score标准化处理后，按照频率、时间顺序进行排列，得到振动信号的时频能量分布特征式中， 表示b类断路器状态下第v个实验数据的时频能量分布特征；v＝1,2,…,A；

步骤C：根据所述各状态下实验数据的时频能量分布特征训练深度自编码网络；

步骤D：采集实际工程中断路器操作机构的合闸振动信号，从中提取待识别振动信号，计算待识别振动信号的时频能量分布特征；

步骤E：将待识别信号的时频能量分布特征输入训练完成的深度自编码网络中，输出故障识别结果。

2.根据权利要求1所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，所述步骤C具体为：

步骤C1：将各状态实验数据的时频能量分布特征作为深度自编码网络的训练样本集：设置正常状态下深度自编码网络的输出层期望为[1，0，0，0]；设置操作机构卡涩故障下深度自编码网络的输出层期望为[0，1，0，0]；设置铁芯卡涩故障下深度自编码网络的输出层期望为[0，0，1，0]；设置基座螺丝松动故障下深度自编码网络的输出层期望为[0，0，0，

1]；

步骤C2：设置深度自编码网络输入层的神经节点数K1等于振动信号时频子平面的数量，即K1＝I×N；设置深度自编码网络输出层的神经节点数K2等于断路器输出层期望的长度，即K2＝4；设置深度自编码网络含有2层隐藏层，第一层隐藏层含有I×N/2个神经节点，第二层隐藏层含有I×N/4个神经节点；设置深度自编码网络的激活函数为sigmoid函数；

步骤C3：将训练样本集T导入深度自编码网络，利用无监督逐层贪婪算法对深度自编码网络进行预训练，再利用误差反向传播算法对深度自编码网络进行微调；当微调过程中误差小于误差阈值δ或迭代次数大于迭代次数阈值ε时，深度自编码网络训练完成，保存训练完成的深度自编码网络。

3.根据权利要求2所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，所述步骤D具体为：

步骤D1：按采样频率f采集实际工程中断路器合闸操作时的振动信号，利用小波变换对该振动信号进行去噪；完成，将去噪后振动信号的每个采样点的幅值逐点与阈值α进行比较，当某个点后连续a个采样点的均值大于阈值α时认为合闸振动已经发生，选取该点前T1秒到该点后T2秒时间内的信号作为待识别振动信号g(t)；

m

步骤D2：待识别振动信号g(t)经m层小波包变换后，得到I＝2个频带的信号分量gi(t)，i＝1,2,…,I；将各频带信号分为时间长度相等的N段，得到I×N个时频子平面；计算待识别振动信号各个子平面内振动信号的能量大小Gi,n：式中，Gi,n表示第i频带第n时间段内时频子平面的能量大小，tn、tn+1分别是第n时间段开始及结束的时间；

将待识别信号的时频子平面能量Gi,n进行Z‑score标准化处理后，按照频率、时间顺序进行排列，得到将待识别信号的时频能量分布特征Hw：Hw＝[G1,1,G1,2,…,G1,N,G2,1,G2,2,…,G2,N,…,GI,1,GI,2,…,GI,N]。

4.根据权利要求3所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，所述步骤E中断路器的故障状态的判断方法为：当深度自编码网络的输出层第1个神经节点的输出最大时，断路器目前处于正常状态；当输出层第2个神经节点的输出最大时，断路器目前处于操作机构卡涩故障；当输出层第3个神经节点的输出最大时，断路器目前处于铁芯卡涩故障；当输出层第4个神经节点的输出最大时，断路器目前处于基座螺丝松动故障。

5.根据权利要求1所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，步骤A中每种类型故障样本的数量不小于200。

6.根据权利要求1或3所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，所述阈值α的取值为2～5。

7.根据权利要求2所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，所述误差阈值δ不大于0.005，迭代次数阈值ε不小于20000。

8.根据权利要求1或3所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，所分的时间段的段数N为12段，小波包层数m为3层。

9.根据权利要求1或3所述的基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，比较过程中，连续采样点个数a为10个。

说明书

基于振动信号时频能量分布特征的断路器故障识别方法

技术领域

[0001] 本发明涉及断路器故障诊断技术领域，具体为一种基于振动信号时频能量分布特征的断路器故障识别方法。

背景技术

[0002] 断路器在电力系统中起到了控制和保护的关键作用。国内外统计结果表明，操作机构机械故障是断路器的主要故障类型。断路器振动信号包含丰富的机械状态信息，可以
将其视为断路器内部操作机构中多种元件运动产生的结果，一旦断路器机械状态发生变化
就会引起相应元件的运动状态发生变化，从而导致振动信号发生变化。因此通过振动信号
特征信息的变化，能够反映机械结构上一些细微的变化，从而能够对操作机构机械故障类
型进行诊断。

[0003] 断路器内部结构复杂，多个元件间相互关联，且不确定因素众多，出现的故障往往具有随机性、传播性以及并发性等性质，整个断路器的组成有着强烈的非线型性及不确定
性，无法依靠精确的物理模型进行监测诊断。因此在特征提取阶段，特征提取方法的选择依
赖于专业知识及诊断经验，往往某种方法的采用只能针对特定的几种机械故障，特征提取
的不确定性高、通用性较差，提高了故障诊断的难度。在利用提取出的特征信息对断路器进
行故障识别的过程时，传统的支持向量机、BP神经网络等浅层网络学习复杂函数的能力不
足，存在着局部最优等问题；在处理断路器振动信号这样的复杂信号时，这些浅层网络不能
充分挖掘出数据的深层特征，分析处理复杂信息时局限性较大。由于特征提取与故障识别
这两方面存在的缺陷，目前断路器故障诊断的可靠性较低，因此有必要引入一种通用性更
高、更加可靠的断路器故障诊断方法。

发明内容

[0004] 针对上述问题，本发明的目的在于提供一种能够判断断路器的故障类型，及时发现潜在故障，帮助检修人员更有针对性的完成断路器的维护修理工作，进一步减少由断路
器引起的事故损失的基于振动信号时频能量分布特征的断路器故障识别方法。技术方案如
下：

[0005] 一种基于振动信号时频能量分布特征的断路器故障识别方法，其特征在于，包括以下步骤：

[0006] 步骤A：分别采集断路器处于正常状态下，以及断路器处于操作机构卡涩、铁芯卡涩和基座螺丝松动三种故障状态下的A次实验过程中操作机构的合闸振动信号实验数据；

[0007] 步骤B：从所述合闸振动信号实验数据种提取各状态下待处理合闸振动信号，并计算各状态下实验数据的时频能量分布特征；

[0008] 步骤C：根据所述各状态下实验数据的时频能量分布特征训练深度自编码网络；

[0009] 步骤D：采集实际工程中断路器操作机构的合闸振动信号，从中提取待识别振动信号，计算待识别振动信号的时频能量分布特征；

[0010] 步骤E：将待识别信号的时频能量分布特征输入训练完成的深度自编码网络中，输出故障识别结果。

[0011] 进一步的，所述步骤B具体为：

[0012] 步骤B1：利用小波变换分别对采集到的各状态下断路器操作机构的合闸振动信号实验数据进行去噪；将各状态下去噪后的振动信号的每个采样点的幅值逐点与阈值α进行
比较，当某个点后连续a个采样点的均值大于阈值α时认为合闸振动已经发生，选取该点前
T1秒到该点后T2秒时间内的信号作为各状态下待处理合闸振动信号sb(t)，b为断路器状态，
b＝0表示正常状态，b＝1表示操作机构卡涩故障，b＝2表示铁芯卡涩，b＝3表示基座螺丝松
动；

[0013] 步骤B2：将各状态下待处理合闸振动信号sb(t)经m层小波包变换后，得到I＝2m个频带的振动信号分量sbi(t)，i＝1,2,…,I；将各频带信号分为时间长度相等的N段，得到I×
N个时频子平面；计算各个子平面内振动信号的能量：

[0014]

[0015] 式中，Eb,i,n表示b类断路器状态下第i频带第n时间段内时频子平面的能量大小，tn、tn+1分别是第n时间段开始及结束的时间；

[0016] 步骤B3：将时频子平面能量Eb,i,n进行Z‑score标准化处理后，按照频率、时间顺序进行排列，得到振动信号的时频能量分布特征

[0017]

[0018] 式中， 表示b类断路器状态下第v个实验数据的时频能量分布特征；v＝1,2,…,A。

[0019] 更进一步的，所述步骤C具体为：

[0020] 步骤C1：将各状态实验数据的时频能量分布特征作为深度自编码网络的训练样本集：

[0021]

[0022] 设置正常状态下深度自编码网络的输出层期望为[1，0，0，0]；设置操作机构卡涩故障下深度自编码网络的输出层期望为[0，1，0，0]；设置铁芯卡涩故障下深度自编码网络
的输出层期望为[0，0，1，0]；设置操作机构卡涩故障下深度自编码网络的输出层期望为[0，
0，0，1]；

[0023] 步骤C2：设置深度自编码网络输入层的神经节点数K1等于振动信号时频子平面的数量，即K1＝I×N；设置深度自编码网络输出层的神经节点数K2等于断路器输出层期望的长
度，即K2＝4；设置深度自编码网络含有2层隐藏层，第一层隐藏层含有I×N/2个神经节点，
第二层隐藏层含有I×N/4个神经节点；设置深度自编码网络的激活函数为sigmoid函数；

[0024] 步骤C3：将训练样本集T导入深度自编码网络，利用无监督逐层贪婪算法对深度自编码网络进行预训练，再利用误差反向传播算法对深度自编码网络进行微调；当微调过程
中误差小于误差阈值δ或迭代次数大于迭代次数阈值ε时，深度自编码网络训练完成，保存
训练完成的深度自编码网络。

[0025] 更进一步的，所述步骤D具体为：

[0026] 步骤D1：按采样频率f采集实际工程中断路器合闸操作时的振动信号，利用小波变换对该振动信号进行去噪；完成，将去噪后振动信号的每个采样点的幅值逐点与阈值α进行
比较，当某个点后连续a个采样点的均值大于阈值α时认为合闸振动已经发生，选取该点前
T1秒到该点后T2秒时间内的信号作为待识别振动信号g(t)；

[0027] 步骤D2：待识别振动信号g(t)经m层小波包变换后，得到I＝2m个频带的信号分量gi(t)，i＝1,2,…,I；将各频带信号分为时间长度相等的N段，得到I×N个时频子平面；计算待
识别振动信号各个子平面内振动信号的能量大小Gi,n：

[0028]

[0029] 式中，Gi,n表示第i频带第n时间段内时频子平面的能量大小，tn、tn+1分别是第n时间段开始及结束的时间；

[0030] 将待识别信号的时频子平面能量Gi,n进行Z‑score标准化处理后，按照频率、时间顺序进行排列，得到将待识别信号的时频能量分布特征Hw：

[0031]

[0032] 更进一步的，所述步骤E中断路器的故障状态的判断方法为：当深度自编码网络的输出层第1个神经节点的输出最大时，断路器目前处于正常状态；当输出层第2个神经节点
的输出最大时，断路器目前处于操作机构卡涩故障；当输出层第3个神经节点的输出最大
时，断路器目前处于铁芯卡涩故障；当输出层第4个神经节点的输出最大时，断路器目前处
于基座螺丝松动故障。

[0033] 更进一步的，步骤A中每种类型故障样本的数量不小于200。

[0034] 更进一步的，所述阈值α的取值为2～5。

[0035] 更进一步的，所述误差阈值δ不大于0.005，迭代次数阈值ε不小于20000。

[0036] 更进一步的，所分的时间段的段数N为12段，小波包层数m为3层。

[0037] 更进一步的，比较过程中，连续采样点个数a为10个。

[0038] 本发明的有益效果是：

[0039] 1)本发明首先对断路器振动信号进行小波包变换以及等时间分段，将振动信号划分为多个时频子平面。断路器发生机械故障后，只要振动信号的时域与频域发生改变，对应
时频子平面的能量就会发生变化，从而引起时频能量分布特征的变化，因此本发明尽可能
的保留了断路器振动信号中的有效信息，通用性较强。

[0040] 2)本发明采用了深度自编码网络进行故障识别，深入挖掘时频能量分布特征与故障类型间的潜在关联，并且解决了局部最优问题，相比于现有技术有着更高的故障诊断准
确率，使检修人员能够针对断路器采取针对性的维修措施，进一步降低由断路器引起的事
故损失。

附图说明

[0041] 图1为本发明的断路器故障识别流程图。

具体实施方式

[0042] 下面结合附图和具体实施例对本发明做进一步详细说明。本具体实施方式提供了一种基于振动信号时频能量分布特征的断路器故障识别方法，其流程如图1所示，具体步骤
如下：

[0043] A、断路器实验数据的获取

[0044] 分别对正常状态以及操作机构卡涩、铁芯卡涩、基座螺丝松动三种故障状态的断路器进行合闸操作实验，通过加速度传感器以采样频率f采集，

[0045] 断路器处于正常状态时，A次实验过程中操作机构的合闸振动信号；

[0046] 断路器处于操作机构卡涩故障时，A次实验过程中操作机构的合闸振动信号；

[0047] 断路器处于铁芯卡涩故障时，A次实验过程中操作机构的合闸振动信号；

[0048] 断路器处于基座螺丝松动故障时，A次实验过程中操作机构的合闸振动信号。

[0049] 每种类型故障样本的数量N不小于200。

[0050] B、断路器实验数据能量分布特征的提取

[0051] B1、利用小波变换对断路器实验数据进行去噪。去噪完成后，将振动信号的每个采样点的幅值逐点与阈值α进行比较，当某个点后连续10个采样点的均值大于阈值α时认为合
闸振动已经发生，选取该点前T1秒到该点后T2秒时间内的信号作为待处理振动信号s(t)。

[0052] B2、待处理振动信号s(t)经3层小波包变换后，得到8个频带的信号分量si(t)，i＝1,2,…,8。将各频带信号分为时间长度相等的12段，则振动信号si(t)被划分为8×12，共96
个时频子平面。用下式计算各个子平面内振动信号的能量大小Ei,n：

[0053]

[0054] 式中Ei,n表示第i频带第n时间段内时频子平面的能量大小，tn、tn+1分别是第n时间段开始及结束的时间。

[0055] B3：将时频子平面能量Ei,n进行Z‑score标准化处理后，按照频率、时间顺序进行排列，得到振动信号的时频能量分布特征

[0056]

[0057] 式中 表示b类断路器状态下第v个实验数据的时频能量分布特征；b＝0表示正常状态，b＝1表示操作机构卡涩故障，b＝2表示铁芯卡涩，b＝3表示基座螺丝松动；v＝1,
2,…,A。

[0058] 对每个正常状态的实验数据重复所述步骤B1、B2，得到A个正常状态的时频能量分布特征 对每个操作机构卡涩故障的实验数据重复所述步骤B1、B2，得到A个操作机构卡
涩故障的时频能量分布特征 对每个铁芯卡涩故障的实验数据重复所述步骤B1、B2，得
到A个铁芯卡涩故障的时频能量分布特征 对每个基座螺丝松动故障的实验数据重复所
述步骤B1、B2，得到A个基座螺丝松动故障的时频能量分布特征

[0059] C、深度自编码网络的训练

[0060] C1、将所述步骤B3中各状态实验数据的时频能量分布特征作为深度自编码网络的训练样本集

[0061] 设置正常状态下深度自编码网络的输出层期望为[1，0，0，0]；设置操作机构卡涩故障下深度自编码网络的输出层期望为[0，1，0，0]；设置铁芯卡涩故障下深度自编码网络
的输出层期望为[0，0，1，0]；设置操作机构卡涩故障下深度自编码网络的输出层期望为[0，
0，0，1]。

[0062] C2、设置深度自编码网络输入层的神经节点数K1等于振动信号时频子平面的数量，即K1＝8×12＝96；设置深度自编码网络输出层的神经节点数K2等于断路器输出层期望
的长度，即K2＝4；设置深度自编码网络含有2层隐藏层，第一层隐藏层含有48个神经节点，
第二层隐藏层含有24个神经节点；设置深度自编码网络的激活函数为sigmoid函数。

[0063] C3、将训练样本T导入深度自编码网络，利用无监督逐层贪婪算法对深度自编码网络进行预训练，再利用误差反向传播算法对深度自编码网络进行微调。当微调过程中误差
小于δ或迭代次数大于ε时，深度自编码网络训练完成，保存训练完成的深度自编码网络。

[0064] 本实施例中误差阈值δ不大于0.005，迭代次数阈值ε不小于20000。

[0065] D、断路器合闸振动信号时频能量分布特征的获取

[0066] D1、按采样频率f采集实际工程中断路器合闸操作时的振动信号，(此处断路器型号、结构参数均与步骤A中实验采用的断路器相同)利用小波变换对该振动信号进行去噪。
去噪完成后，将该信号的每个采样点的幅值逐点与阈值α进行比较，当某个点后连续10个采
样点的均值大于阈值α时认为合闸振动已经发生，选取该点前T1秒到该点后T2秒时间内的信
号作为待识别振动信号g(t)。

[0067] D2、待识别振动信号g(t)经3层小波包变换后，得到8个频带的信号分量gi(t)，i＝1,2,…,8。将各频带信号分为时间长度相等的12段，则振动信号gi(t)被划分为8×12，共96
个时频子平面。用下式计算待识别振动信号各个子平面内振动信号的能量大小Gi,n：

[0068]

[0069] 式中，Ei,n表示第i频带第n时间段内时频子平面的能量大小，tn、tn+1分别是第n时间段开始及结束的时间。

[0070] D3、将待识别信号的时频子平面能量Ei,n进行Z‑score标准化处理后，按照频率、时间顺序进行排列，得到将待识别信号的时频能量分布特征Hw：

[0071] Hw＝[G1,1,G1,2,…,G1,12,G2,1,G2,2,…,G2,12,…,G8,1,G8,2,…,G8,12]

[0072] E、将待识别信号的时频能量分布特征Hw输入步骤C3中训练完成的深度自编码网络，当输出层第1个神经节点的输出最大时，断路器目前处于正常状态；当输出层第2个神经
节点的输出最大时，断路器目前处于操作机构卡涩故障；当输出层第3个神经节点的输出最
大时，断路器目前处于铁芯卡涩故障；当输出层第4个神经节点的输出最大时，断路器目前
处于基座螺丝松动故障。

[0073] 本发明故障识别方法的原理如下：

[0074] 断路器振动信号由断路器内部元件碰撞、摩擦产生的多次振动叠加产生，包含着丰富的机械状态信息，当发生机械故障时其振动信号就会发生相应的变化。这些变化可以
归类于三个方面，即时间特性、频率特性以及幅值特性。时间特性的变化指断路器振动信号
中某次振动的起始时间以及持续时间发生变化；频率特性的变化指某次振动的频率发生改
变；而幅值特性的变化指断路器某次振动幅值大小发生变化。为反映这些变化所带来的影
响，本发明首先通过小波包对振动信号的频域进行划分，然后通过等时间分段的方法对信
号的时域进行划分，得到振动信号的时频子平面，计算每个时频子平面内振动幅值的能量
大小，得到时频能量分布特征作为特征信息，能够较为全面的反映振动信号的时间、频率以
及振动幅值发生的变化。

[0075] 断路器内部结构复杂，多个元件间相互关联，且不确定因素众多，出现的故障往往具有随机性、传播性以及并发性等性质，整个断路器的组成有着强烈的非线型性及不确定
性，采用传统故障诊断效果较差，因此本发明利用深度自编码网络对复杂函数的逼近能力
以及特征挖掘能力对断路器操作机构机械故障做出诊断。深度自编码网络是由多个自编码
器堆叠形成的网络结构，其训练过程分为两个阶段。第一阶段是预训练阶段，即对自编码器
进行从底层向顶层的逐层训练，当完成当前自编码器的训练后，将其隐藏层输出作为下一
层自编码器的输入，然后开始下一层自编码器的训练，直到利用这种数据的传播方式完成
所有自编码器的训练过程。通过预训练过程可以完成网络初始的参数设置。第二部分是微
调阶段，这一阶段采用有监督的学习方式，由分类结果层向输入层对上一阶段得到的网络
参数进行微调，采用误差反向传播算法使深度自编码网络趋向于全局最优，因此通过将时
频能量分布特征输入深度自编码网络，本发明能够有效对机械结构复杂的断路器操作机构
进行可靠有效的故障识别。