一種基于振動信號的框架式斷路器機械故障程度評估方法，該評估方法中振動信號為通過框架式斷路器機械故障檢測系統采集框架式斷路器分合閘過程中的機械振動信號，該方法采用小波包去噪對振動信號進行去噪預處理，其次對去噪振動信號采用局部均值分解算法進行自適應分解，篩選出與原始振動信號相關性最大的前d個PF分量，對各PF分量進行改進的多尺度排列熵分析，并利用主成分分析法對由上述改進的多尺度排列熵值構成的特征向量進行降維處理，建立故障特征向量，再構建多分類支持向量機，進行模式識別，通過參照不同故障模式下的故障程度特性曲線，用于對斷路器分合閘過程中出現的機械故障的嚴重程度進行定量評估，該方法穩定、可靠、有效。

技術領域

本發明涉及斷路器的機械故障程度評估技術領域，具體地說是一種基于振動信號的框架式斷路器機械故障程度評估方法。

背景技術

智能電網是當前國內外的研究熱點，智能化供電系統是智能電網的重要組成部分，作為在供電系統低壓側起著“控制”和“保護”雙重作用的框架式斷路器，其廣泛應用于低壓配電系統各級饋出線、各種機械設備的電源控制和用電終端的控制和保護。國內外研究與統計機構發現，斷路器發生的絕大部分故障屬于機械故障，而機械故障中分合閘故障最為常見。近年來，故障診斷技術得到了深入研究和廣泛應用，現有的斷路器機械故障診斷技術中也出現了較多的智能診斷方法。而在實際應用中，僅僅知道故障是否發生以及對故障類型的判定對于斷路器的合理有效運行是遠遠不夠的，在故障發生時識別故障的嚴重程度是故障診斷領域的一個新的挑戰，獲取故障的嚴重程度信息能夠幫助用戶了解設備狀態的發展趨勢，制定合理的維修決策和檢修方案。因此，針對斷路器機械故障程度定量評估的研究具有重要的意義。

目前，在故障程度定量評估研究中主要是直接對故障程度進行模式識別，即有序分類問題。黃強等(黃強,宋士華,丁志華,等.基于振動分析的柴油機故障程度的研究[J].華中科技大學學報(自然科學版),2007,35(6):105-107.)利用神經網絡診斷模型來識別故障的發展程度，并以柴油機連桿銅套磨損故障為例進行了多種故障程度的模式識別分析；陳斌等(陳斌,閻兆立,程曉斌.基于SVDD和相對距離的設備故障程度預測[J].儀器儀表學報,2011,32(7):1558-1563.)找出轉子振動模擬臺振動信號頻譜曲線的統計變化規律，提取出能夠描述故障設備故障程度變化的頻域特征來構造相對距離，然后進行故障程度大小的有效識別。目前故障程度的研究僅僅實現了故障程度大小的分類，即只能根據智能識別算法診斷出固定的故障程度，是一種離散型的對應關系，但并未從根本上揭示信號特征與故障程度的變化規律，即根據一些故障程度特征和故障的嚴重程度之間存在的特性關系進行故障程度的定量分析，容易產生錯誤的故障程度判定，輕則影響對斷路器機械狀態的判定，重則造成停電事故和重大經濟損失。

發明內容