接触网隔离开关机械状态监测的SVM实现.docx

1、第36卷第5期计算机仿真2019年5月文章编号:1006-9348（2019）05-0445-05接触网隔离开关机械状态监测的SVM实现刘仕兵，马志方，仇智圣（华东交通大学电气与自动化工程学院，江西南昌330013）摘要:随着电气化铁路的迅速发展，接触网高压隔离开关成为了使用量:最大的高压开关设备。由于工作环境复杂性和时变性，其故障频发严重威胁接触网安全稳定运行。机械故障作为户外隔离开关出现最多的故障类型，对其进行状态监测分析具有f分重要的意义。通过采集高压隔离开关合、分闸动作过程中的电机定子电流以获得各个工况的电机电流，使用同步挤压小波变换获得时频分析和信号重构，并采用核主元分析（KPCA）

2、获得重构信号的主元个数，并建立以支持向量机（SVM）为分类器的故障诊断系统。该方法具有广泛适用性,对于监测高压隔离开关的机械故障、提高电气化铁路的安全稳定运行具有实用性。关键词：高压隔离开关;电机电流信号分析;同步挤压小波变换;核主成分分析;支持向量机中图分类号：U225.4+5文献标识码：BSVMImplementationofMechanicalMonitoringforDisconnectorofContactLineLIUShi-bing,MAZhi-fang,QIUZhi-sheng(SchoolofElectricalandAutomationEngineering,EastChi

3、naJiaotongUniversity,NanchangJiangxi330013,China)ABSTRACT:Withtherapiddevelopmentofelectrifiedrailway,thehighvoltageisolatingswitchofcatenaryhasbecomethemosthigh-voltageswitchgearwiththelargestusage.Duetothecomplexityoftheworkingenvironmentandthetime-varyingoperation,itsfrequentfailuresseriouslythre

4、atenthesafeandstableoperationofthecatenary.Mechanicalfailure,asthemostfrequentfaulttypeofOutdoorDisconnector,isveryimportantforitsconditionmonitoringandanalysis.Bycollectingthemotorcurrentofthemotorduringtheclosingandclosingofthehighvoltageisolationswitch,thesynchronousextrusionwavelettransformisuse

5、dtoobtainthetimefrequencyanalysisandsignalreconstruction,andthenumberofthemainelementsofthereconstructedsignalisobtainedbyKPCA(KernelPrincipalComponentAnalysis),andafaultdiagnosissystembasedontheSVM(SupportVectorMachine)classifierisestablished.Thismethodhaswideapplicabilityandispracticalformonitorin

6、gmechanicalfaultsofhighvoltageisolatingswitchesandimprovingsafeandstableoperationofelectrifiedrailways.KEYWORDS:Highvoltageisolator；Motorcurrentsignalanalysis；Synchrosqueezingwavelettransform(SST)；Kernelprincipalcomponentanalysis(KPCA)；Supportvectormachine(SVM)1引言接触网高压隔离开关是电气化铁路使用量最大的电气开关，其结构简单，工作可靠

7、性要求高，由于高压隔离开关长期暴露在户外恶劣大气环境下，多年来其故障频发，成为影响电网安全运行的重要问题之一（，*2o根据调查统计显示,隔离开关在运行过程中普遍存在的管理不足、常年失修等情况,高压隔离开关长期暴露在恶劣自然环境下，隔离开关容基金项目：国家自然基金类项目（11162006）；江西省教育厅科技项目（GJJ150530）收稿日期：2018-08-29修回日期：2018-08-31易暴露出各种缺陷3-4o随着中国高速铁路里程的蓬勃发展与运力的与日俱增，接触网隔离开关面临着线路振动、高电压运作以及频繁分合闸等运行压力，机械故障成为高压隔离开关故障的主要故障,对其进行检测分析并研究其诊断技

8、术具有重要意义。高压隔离开关状态监测手段主要包括:红外测温、触头温度在线监测、触头压力检测、绝缘子探伤等，以上办法仅局限于检测导电回路发热和支柱绝缘子裂纹等状况，对于机械状态仍缺乏有效的检测办法。文献7提出将电机电流作为高压断路器机械特性监测特征量之一,并验证了电机电流信号作为高压隔离开关机械故障依据的有效性。文献8提出利用电机电流的时间特性，采用空间重构法和K-means算法计算出高压隔离开关的特性以便于检测和分析o同步挤压小波变换（synchrosqueezingwavelettransform,SST）是一种新的具有EMD风味的时频分析方法,克服了EMD的缺点，在机械故障诊断、信号消噪等

9、方面的应用得到了良好的效果，其在频域方向压缩效果，使得信号的处理更加明晰。文献10利用同步挤压小波变换抗模态混叠能力和抗噪性，对含有间谐波的电力信号进行了高精度的提取，证明了SST的实用性和可行性。本文通过同步挤压小波变换重构电机电流信号与核主元分析（KPCA）结合的方式,分析高压隔离开关电机电流的各工况的主要特征，并采用以支持向量机（SVM）为分类器的故障检测系统，可以对接触网高压隔离开关的机械故障进行快速准确的故障识别，为接触网高压隔离开关的在线监测提供了思路。2同步挤压小波变换同步挤压小波变换是由Daubechies等人提出的基于连续小波变换的一种特殊的非线性时频重分配算法。该算法通过对

10、信号中各频率成分在频率域方向上进行压缩,得到较高的频率分辨率，使各频率清晰的展现在时频分析图上。作为一种特殊的再分配方式，同步挤压小波变换首先对信号M进行连续小波变换影响，导致ssr在对瞬时频率变化率不为。的信号进行处理时，模糊了时频分析图假设信号的瞬时频率满足/=八式（1）可知/心=吧（Q,b）/心=吧（Q,b）-i-ia(3(Q,6)(5)w,(at6)凹(a,6)db即为对任意的（"）,当w,（q,6）尹0时，信号s（z）的瞬时频率。由此可得/*的瞬时变化率c（£）为(6)当/心的瞬时变化可以由c（£）表征出来，当c（£）=0的时候，即心不再随着时

11、间的变化而变化，此时时频分析曲线不会出现模糊现象，提高了分辨率。由此将信号中c（z）尹0的转换成为c（£）=0,从而完成对信号的压缩重排，形成一种基于解析重构的SST,通过对变换系数股的调整使得时频分析谱图在ssr处理后获得聚焦,其频率可以由瞬时频率脊线获得W,b）=r.（A（/（-）°（-）”）由此可得基于信号解析重构的SST在恢复的同时,改进时频分析曲线，这样可以在减少模糊现象的情况下使得信号的时频分析谱图清晰。WXa9b)=(1)式中*满足的条件为/（I,（£）I2/海<+00,其中击为族的傅里叶变换。当收,（Q,6）=0时，由式（2）可知其瞬时频率一

12、，a（W/（o,b）吧（a,b）dbSS7通过挤压时频面上小波系数吧（。,6）在叫附近的区间3+0T）/2,3）/2的值获得同步挤压变换量值7(a,6)T®,b)=(服尸£吟(a,a,6)W学（3）其中,斜为信号/U）第/个频率分量的中心频率皿为连续小波变换尺度a的离散值；（】）&=-a；&>=斜-o由式（3）可知,SST将Wgb）#0重新分配到（料,6）的坐标系。在对吧（。,方）进行挤压时，其被限制在耕附近,避免频率的混叠。由式（4）可以重建信号中的第L分量儿fMI马3,5其中LM）是围绕在人（即/的第&分量）的下标集合;七=0.5x夜）峪。

13、重构值与信号的第A个分量之间的误J0差小于C洁（C为常数），由式（4）可实现人（£）的近似完全重构。文献11在对SS7研究时发现，由于忽视了时间因子的3KPCA（核主成分分析）核主元分析法（KPCA）作为主元分析法（PCA）的一种改进算法，完全弥合了PCA在非线性空间的缺点，其引入非线性映射依从输入空间映射到高维特征空间：夕：为<?3）,同时标准化处理伊（3），计算出其协方差矩阵COV（Z）=土1>（"扩（"（8）COV（Z）计算得出特征值入,与特征向量p“计算公式如下COV（Z）Pl=3（9）对式（9）做内积处理，可得<C0V（Z）p,（p（x

14、J）=（Ap,（p（xJ>=（10）式中,p=£。仲（豹）为线性系数，将p带入公式（io）可得.mm一£伊（气）伊（五）£%伊（七），伊（孔）mia,*（ii）m=A<£。冲（气）EG此时，定义K矿=9（",心）,则式（11）右边为mm入（气），0（叫）=入£%伊（咒），伊（叫）=AKa（其中，Q=（%,°2，。3,，）'，则公式（11）等式左边为.mni.<Z。厚3)，以叫)=孟KKa(13)由此可得，人Ka=KKa0投影样本/到特征空间中，可m得m4=伊3),P&=£a；K(X

15、j,x)(14)Jsi其中皿为特征向量;#为K的第k个特征值对应的第，个系数。通过比对k个主元t.%八，从而实现KPCA的分类处理。4支持向量机(SVM)支持向量机作为时下新兴的分类工具，对于故障的分类识别有着显著地效果。文中采用二叉树算法构建支持向量机故障分类的模型，对于类训练样本，训练-1个支持向量机，第一个SVM以第一类样本为正训练样本，将第2,.，类训练样本作为负的训练样本训练S伽1,第i个支持向量机以第，类样本作为正的训练样本，将第£+13+2. .，类训练样本作为负的训练样本训练SUM,直到第n-1个支持向量机将以第-1类样本作为正样本，以第几类样本为负样本训练SVM：二

16、叉树方法可以避免传统方法的不可分解情况，并且只需构造n-1个SVM分类器，测试时无需计算所有的分类器来判别函数，提高计算的速度和精度。5结合SST和KPCA对高压隔离开关故障检测的SVM实现5.1基本原理高压隔离开关在运行过程中会产生大址的即使数据，本文通过GW5-35DW隔离开关RTU遥测端采集电机电流信号获取高压隔离开关的动作参数，如图1。所得的数据主要分为两大类:正常情况和故障状态。由于高压隔离开关电机在运行过程中会产生噪声的干扰，对后续的分析工作产生较大影响，因此对采集的数据进行SST处理。图1GW5-35DW隔离开关与RTU乂图2可见，隔离开关合、分闸动作历时约7s,电机电流信号持续

17、时间贯穿隔离开关合、分闸动作过程，其动作的持续时间相对稳定。在分合闸过程中，随着操作力矩的变化,电流出现数个波峰,且信号振动程度正常，如图2(a)所示。00正常情况(b)#W失效(c)合间不到位(d)严重卡涩(e)轻微卡涩图2高压隔离开关电机电流时频分析图当隔离开关内部发生卡涩时，驱动电机电流随操作力矩与阻力增大。如图2(d).(e)所示，轻微卡涩时，电机电流峰值为2.7936A；严重卡涩时，电机电流峰值为4.3623A,相较于正常情况远大于电机的额定电流，随着卡涩程度的增加,信号振动的程度也越来越剧烈。在隔离开关操作机括平衡弹簧失效时，需驱动电机输入额外的力矩来完成合闸操作。如图2(c)所示

18、，当平衡弹簧失效时，高压隔离开关合、分闸动作工程电机电流峰值达3.382A,远大于正常情况额定电流。可见由于平衡弹簧失效的影响，隔离开关合闸动作出现弹簧压缩储存的能力无法释放以及电机克服平衡弹簧卡涩阻力释放弹性势能的情况，且信号在分合闸过程中振动情况较为剧烈。当隔离开关一次机构发生卡涩或传动系统出现调试不当的问题时，会引发合闸不到位等问题，影响隔离开关合、分闸动作的稳定运作。如图2(b),隔离开关合闸不到位的时候在大约5s左右，驱动电机电流明显增大，其波形出现分层及强烈振动。由此可知,SST在频域压缩信号表征信号的振动特性的同时，将信号压缩重构，使得信号在做KPCA分析时可以获得更加直观的特征

19、向量，凸显了数据之间的差异性，从而提高了SVM模型的抗干扰能力。根据SST时域特征分类，可得隔离开关机械故障类别如表1。表1隔离开关机械故障细化表故障类别故障编号弹簧失效G合闸不到位i2轻微卡涩t3严重卡涩侦表2SST-KPCA训练样本No012q10.9161291.861941.192530.693250.5361420.9179611.850821.201280.701340.5122830.9201281.822861.181120.696840.5268940.9189841.870021.200210.69128*0.53446在高压隔离开关处于故障状态时，通过对进行KPCA处理得

20、到的特征向量进行检测，可以做到故障的识别与检测。如下图3即为结合SST和KPCA对高压隔离开关故障检测的SVM的识别流程。图3SST-KCA的SVM诊断流程4.2仿真和实测数据分析结合SST和KPCA对高压隔离开关故障检测的SVM实现主要分为三个部分:数据的处理及核主元模型的建立，异常数据样本检测和SVM故障诊断。通过对原始数据进行数据处理、分类获得分类数据样本作为测试样本，将RTU遥测端采集的正常丁.作状态的电机电流数据作为训练样本，通过KPCA建立核主元模型。通过比对不同状态的核主元成分以及对频谱分析图的分析，显示故障的存在，并建立SVM诊断模型并进行故障检测。为了验证文中算法的有效性，将

21、各40组正常工作状态下的高压隔离开关的电机电流数据集作为核主元模型的训练样本，同时以40组隔离开关机械故障各工况下的电机电流数据集作为故障测试样本。所得训练样本如表2所示。390.920821.861881.186350.695230.52581400.918481.859201.196980.689920.53541由于SST对数据的处理，使得信号分离和特征值提取的效果明显，其中，轻微卡涩与严重卡涩属于同种类不同程度的故障，区分的界限比较主观。不同工况下，电机电流的时频分析图谱振动程度不同，更加直观的表现在特征值上。表3为SST-KPCA故障数据监测结果及其对应的故障类型。表3SST-KPC

22、A测试样本监测结果故障编号SVM测试样本测试结果k)1-8正常情况ti9-16弹簧失效q17-24合闸不到位q25-32轻微卡涩433-40严重卡涩表明通过SST-KPCA的方法对高压隔离开关的机械故障监测有着较高的针对性和准确性。为了验证算法的鲁棒性能,在故障测试样本数据集中随机加入5%、10%.20%和30%的噪声，进行1000次的故障诊断测试,测试结果如表4所示。表4SST-KPCA-SVM的机械故障数据样本鲁棒性测试干扰强度各组数据的诊断精度（%）q七2t45%10010010010010%10010099.810020%10099.798.599.730%10099.198.199.

23、1通过表中可以看出，由于SST算法的加入，提高了SVM模型的抗干扰能力，在较强干扰的情况下仍然具有较高的诊断精度。表5中对比KPCA-SVM算法与文中改进算法的准确度和耗时分析,可以发现虽然结合了SST算法增加了数据处理的负担，但是由于SST对数据的简化处理，使得KPCA在数据分类方面更加精确，且耗时相差无几。表5KPCA-SVM与SST-KPCA-SVM的性能比对算法准确度（%）耗时（s）KPCA-SVM96.536.2SST-KPCA-SVM97.138.75结论笔者以GW5-35DW隔离开关为例，通过RTU遥测端采集高压隔离开关在正常情况和机械故障状况下驱动电机电流，结合SST（同步挤压

24、小波变换）和KPCA（核主元分析）以及SVM（支持向址机）将对高压隔离开关机械故障的分类和识别予以实现，得出以下结论：1）利用SST可以较好地改善频率混叠现象，提高了信号时频分辨率的特点，使得各个机械故障的时频分析图具有很高的辨识度，同时弥补了KPCA在非线性分析中的不足。2）利用KPCA转换,获取高压隔离开关各个工况下的特征值，结合SVM对特征值予以分类和识别的方法，对于电网安全运行以及铁路线路运行具有良好的应用前景。参考文献：1钟振蛟.户外隔离开关机械故障的起因及预防J.高压电器，2006,（6）:464-467.2程文平.隔离开关的可靠性评估及其检修管理研究D.华南理工大学,2016.3

25、杨志钧.高压隔离开关机械故障分析及改进技术J.价值工程，2016,（18）：97-98.4宣峰，张新春.高压隔离开关的检修方法与技术J.精密制造与自动化.2011,（2）：55-57.5张俊超.大西高铁接触网隔离开关常见故障及应对措施C.中国铁道学会自动化委员会.中国铁道学会电气化委员会2017年年会及新技术研讨会论文集，2017：3.6凌铁勇，吴婷.高压隔离开关的验收、维护及故障检修J.低碳世界，2016,（36）：94-95.7邱志斌，阮江军,黄道春，张宇，张恩伟.高压隔离开关机械故障分析及诊断技术综述J.高电压器，2015,51(8):171-179.8 刘仕兵，您俊祥.基于K-mean

26、s聚类法的牵引供电隔离开美故障状态监测J.华东交通大学学报，2017,34(3):109-117.9 汪祥莉，王斌.王文波，喻敏，王震.常毓禅.混沌I扰中基于同步挤压小波变换的谐波信号提取方法J.物理学报，2015.(10)：15-24.10 喻敏，王斌，王文波,陈绪轩，徐万万.基FSST的间谐波检测方法J.中国电机T.程学报，2016,(】1)：2944-2951.11 LiChuan,LiangMing.Ageneralizedsynchrosqueezingtransfonnforenhancingsignaltime-frequencyrepresentationJ.SignalProcessing,2012,92(9).i12jGauravThakur,EugeneBrevdo,NevenSEukar,ILiu-PiengWuTheSynchros