基于多传感器振动信号融合的真空断路器故障诊断

2015-02-07 齐贺 河北工业大学电磁场与电器可靠性省部共建重点实验室

　　根据真空断路器故障诊断特点，提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先，运用小波包—能量谱分析方法对振动信号进行分解处理，提取特征向量，并以此作为诊断的依据；其次，建立神经网络模型，以特征向量为RBF神经网络的输入，进行断路器初步故障诊断；然后将诊断结果作为对各种故障模式的基本概率分配值，利用D-S证据理论，实现对初步诊断结果的融合，从而得到最终的融合诊断结果。实验结果表明，该方法诊断真空断路器故障能取得良好的效果。

　　引言

　　真空断路器是开关电器中尤为重要的一种电器，在中国应用领域越来越广，将向高压(72.5 kV 以上)、低压(380 V～3 kV)两极发展，部分取代SF6断路器和空气断路器，这就要求真空断路器有更加可靠的电气性能。国际大电网会议(CIGRE)对高压断路器及其操作机构的可靠性进行过两次世界范围内的调查，结果表明，断路器的大多数故障(主要故障的70%和次要故障的86%)都为机械故障，主要涉及到操作机构，监视装置和辅助装置。因而对于真空断路器的故障诊断的研究尤为重要。

　　真空断路器的振动信号包含着大量非线性的、动态的成分，如尖峰、谐波和不连续等，这些谐波和不连续频带较宽分布于信号的整个频带。不同频带内信号能量的变化反映了断路器运行状态的改变。真空技术网(http://www.chvacuum.com/)认为通过对振动信号进行分析，可以提取出真空断路器状态特征并以此为依据进行故障诊断。

　　目前对于断路器的故障诊断主要是采用基于神经网络技术的诊断，文提出利用小波包分解与重构原理，提取振动信号特征量，并采用RBF神经网络进行故障诊断；文在小波包与特征熵的基础上，按照熵理论提取特征熵向量，最后构造简单的BP神经网络实现故障诊断；文建立了高压断路器操动机构故障诊断的RBFNN 模型， 利用MATLAB工具实现故障诊断。但是上述方法都存在一些不足。对于神经网络，当系统的诊断参数较多，征兆信息量大时，将使网络结构庞大，训练时间太长，甚至无法训练；同时由于采用的样本不可避免的存在着矛盾性与随机性， 从而降低了网络的泛化能力，使故障定位精度不高。这就需要新的方法弥补其不足，多传感器数据融合技术弥补了单个诊断个体所具有的不确定性，D-S证据理论在表达和处理不确定信息方面具有独特的优势，它通过对同一识别框架的各证据体进行融合推理，提高了证据推理结论的可靠性，因而在信息融合领域得到广泛的应用。所以，笔者以小波包能量谱方法分析振动信号为基础，结合径向基函数RBF (radial basis function)神经网络和D-S证据理论，提出基于小波包、RBF神经网络与D-S 证据理论的决策层信息融合诊断方法，实现真空断路器故障的融合诊断，使诊断结果更加精确。

　　1、原理与设计

　　文中采用基于小波包、RBF 神经网络与D-S 证据理论的决策层信息融合诊断方法。首先，对安放在不同位置的两个振动传感器采集到的两个振动信号分别进行小波包—能量谱分析，得到当前状态的特征值；然后，将两组特征量分别输入到RBF 神经网络中，对真空断路器当前状态进行初步诊断；最后，将两个神经网络诊断结果作为对各种故障模式的基本概率分配值，利用D-S 证据理论，实现对神经网络的诊断结果的融合，从而得到最终的融合诊断结果。

　　当断路器工作在某一状态下，加速度传感器的安装位置不同， 其振动信号特征也会有很大不同，但是其神经网络的训练状态类别向量是相同的，也就是说，在同一状态下，两个传感器的输入特征不同，但是其初步诊断所得状态向量是一致的。文中采用决策层融合诊断，对初步诊断结果进行数据融合提高诊断结果精度。

　　由于每个神经网络所输出的[0，1]之间的数即为基于相应故障信息诊断的属于各故障状态的可能性，只是基于各类故障信息得到的属于某故障状态的可能性并非完全一致，甚至可能出现较大的偏差或矛盾情况。所以可以用对应于故障信息i 的RBF 神经网络之输出yij来代替相应的传感器信度函数分配的相关系数Ci( j)。由于这2 个量在物理意义上都表示根据某一传感器测得值来估计被测对象，属于某一类型的概率，即两者之间存在相关性，因而采用这种处理方法是合理的。这样，便可由各Ci(j)求出各传感器的信度函数分配，然后用D-S证据理论的合成规则联合每个传感器的信度函数分配，形成融合的信度函数分配。最后利用融合后的结果， 根据所提取故障特征值进行故障融合诊断，上述融合诊断方法及诊断过程见图1。

融合诊断过程

图1 融合诊断过程

　　4、结语

　　笔者以真空断路器故障诊断问题， 应用小波包—能量谱分析技术有效地对真空断路器故障中振动信号进行了频带能量特征提取,并作为RBF 神经网络的输入特征向量。同时，将信息融合技术应用于故障诊断中，建立和提出RBF 神经网络与D-S证据理论融合诊断的框架与方法，运用RBF 神经网络产生各种故障模式的基本概率分配，然后运用D-S证据理论的组合规则进行了融合诊断。

　　文中运用具体的实例进行验证， 结果表明了，基于小波包、RBF 神经网络与D-S 证据理论的决策层信息融合诊断方法的正确性和有效性。