在高压断路器中，滤波信号的接收，将如何避免出现弹簧疲劳问题？

欢迎大家来到IT世界,在知识的湖畔探索吧!

阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。

欢迎大家来到IT世界,在知识的湖畔探索吧!

文|题少年

编辑|题少年

前言

高压断路器检修方式一般经历事后检修、定期检修、状态检修三个阶段，其中事后检修为非计划检修，在设备出现故障造成大面积停电事故后再对设备进行相关检修工作，将造成高维修费用、高事故代价。

定期检修为计划性检修，固定时间间隔对高压设备进统一检修，这种检修模式存在检修量大、费用高、容易出现检修过剩或者检修不足等问题，操作机构检修条件不佳时甚至会出现“不修不坏，一修就坏”的情况。

针对事后检修与定期检修的弊端提出了状态检修的新模式，高压断路器操作机构的状态检修是对运行中的高压断路器的机械状态进行监测。

通过各种监测特性信号对高压断路器操作机构的运行状态评估，状态检修具有很强的针对性与实时性，及时发现高压断路器操作机构缺陷，对缺陷部位进行针对性的检修工作，对于异常的断路器可采取缩短检修周期或立即停电处理的策略。

对于评价结果为正常状态的断路器，检修周期可以适当延长，有效避免断路器“无病也修”现象，减少了计划停电时间与事故停电时间，节省了检修所需的人工、耗材、工具等成本。

同时，状态检修还能对未完全传化成故障的缺陷进行反映，对缺陷进行提前预防处理，将故障消灭在萌芽阶段，提高操作机构的动作可靠性与电网的安全可靠性。

目前关于BP神经网络在高压断路器故障诊断，已有文献重点研究了BP神经网络算法在故障诊断中的应用，并提出了基于BP神经网络的高压断路器故障诊断方法，将仿真输出数据与故障编码比较获得诊断结果。

然而传统BP神经网络存在易陷入局部最小点和网络收敛速度慢的缺点，使用LM算法进行优化可以提高算法训练速度及分类精确度。

因此本文将利用LM优化后的BP算法对于高压断路器弹簧操作机构的电机电流进行故障诊断。

神经网络的数学模型及映射关系

人工神经网络是以人类大脑神经网络为参考，由大量处理单元组成的并行分布式系统，通过模拟人脑神经网络的信息处理与学习方式，实现非线性、自适应、非局限性、非凸性的信息处理。

神经元为神经网络的基本组成单元，模型如图1所示。

其由输入信号（xk1、xk2、…、xkN）、突触权值（wk1、wk2、…、wkN）、求和节点、阈值θk、激活函数f、输出yk组成，神经元的输出yk为：yk=f(vk+θk)。

神经元之间的突触权值起到抑制或激活的作用，权值越大，抑制或激活作用越明显。

当突触权值为正时，则起到激活的作用，促进神经元之间传递信息，如果突触权值为负时，则起到抑制的作用，抑制神经元之间传递信息。

当阈值θk比较大时，神经元间的激活阈值较大，节点激活较困难；当阈值θk比较小时，神经元间的激活阈值小，节点易激活。

神经网络每层的输出只是承接了上层输入函数的线性变换，输出均为输入的线性变换，为实现神经网络可以逼近任何非线性函数，需引进激活函数，神经元常用的激活函数为阈值函数、sigmoid函数、tanh函数、softmax函数等。

BP神经网络

采用BP学习算法的前馈型神经网络称为BP神经网络，又称误差反向传播神经网络，其信号正向传递，而误差为反向传递，其具有很强的非线性映射能力。

图2是一个典型的3层BP神经网络模型，其能实现对任意非线性函数的逼近。

BP神经网络的过程主要由两个阶段组成，第一阶段为信号的正向传递，从输入层传递到隐含层，再从隐含层传递到输出层。

第二阶段为误差的反向传递，从输出层传递回隐含层，最后传递回输入层，依次调整隐含层与输出层的权重与偏置，输入层与隐含层的权重与偏置。

BP 神经网络优点如下：

线性映射能力强：神经网络本质上是为了实现输入与输出间的映射，理论与实验证明，BP 神经网络只需最基本的三层神经网络结构便可以实现对任意非线性函数的逼近，无需对网络结构进行复杂的搭建。

自学习与自适应能力强：BP神经网络在训练过程中，自动学习输入与输出间的“规则”，并将所学习的“规则”自适应于网络权值中。

泛化能力强：既能实现对所需分类对象进行正确分类，同时能在训练完成后，对未知对象仍能进行正确分类。

容错能力强：当神经网络局部遭到破坏或产生错误时，不会对全局的训练结构产生严重的影响，整个神经网络仍能正常工作。

基于LM-BP神经网络的高压断路器储能弹簧故障诊断

在断路器操作机构故障诊断中，输入层节点数的选择主要根据输入特征向量来决定的，本模型选择电机电流曲线时间量t1、t2和电流量i1、i2作为输入特征向量。故输入层节点数确定为4个。

输出层节点数的选择主要根据操作机构的种类来决定。

文中操作机构为设备1：10kV六氟化硫开关柜（GAE630-1K）合闸电机电流、设备2：10kV压气式负荷开关（FLN12-12RD）合闸电机电流（电机输入电压为220V市电绝对值）。

设备3：10kV压气式负荷开关（FLN12-12RD）合闸电机电流（电机输入电压为恒定直流220V）、设备4：三相机械联动罐式高压断路器（LW24-252）合闸弹簧储能电机电流4类，因此，该网络输出层的节点数确定为4个。

一般认为，增加隐含层数可以降低网络误差、提高精度，但也会使网络复杂化，进而增加网络训练时间。

文中采用含有一个隐含层的BP网络，通过增加隐含层节点数来降低误差，隐含层节点数的确定很重要，隐含层节点数太少则无法建立复杂的判定界，训练不出合适的网络，容错性差，但隐含层节点数过多会使网络训练时间过长，网络泛化能力差。

综上，隐含层节点数的确定要满足以下条件：

隐含层节点数必须小于N-1（N为训练样本数），否则网络模型的系统误差与训练样本的特性无关而趋于0，即建立的网络无泛化能力。

训练样本数必须多于网络模型的链接权数，一般为2~10倍，否则训练样本必须采用“轮流训练”的方法才能获得可靠的网络。

电机电流典型波形

直流电机主要分为永磁直流电机、并励直流电机和串励直流电机，直流电机-弹簧操作机构的主要代表为高压断路器和负荷开关。

两者的弹簧储能过程一般由储能电机完成，储能电机在工作时其输出的转矩、速度都与储能电机定子回路电流密切相关。

图3 为直流储能电机的典型电流波形

图3

从图中可看出，直流储能电机定子回路电流波形可分为4个阶段：

阶段Ⅰ（t0-t1）：电机启动阶段，t0时刻开始通电，电机带负载启动，电流急剧上升，此阶段的特点是存在一个高幅值电流脉冲。

阶段Ⅱ（t1-t2）：电机稳定运行阶段，此阶段电机轻载稳定工作，电机电流幅值为Ia。

阶段Ⅲ（t2-t4）：弹簧储能阶段，随着弹簧储能，电机荷力矩逐渐增大至t3时刻达到最大，此时电机电流幅值也达到最大值Im；随后电机荷力矩逐渐减小。

阶段Ⅳ（t4-t5）：电机电流开断阶段，t4时刻限位开关断开，电机电流被切断；t5时刻电机电流下降为0。

通过分析典型电机电流波形，将时刻点t0、t1、t2、t3、t4、t5与电流幅值点Ist、Ia、Im作为特征参数，便可以判断电机状态与电机储能系统操作机构的传动齿轮、传动机械机构和储能弹簧的状态。

图4为带电检测的开关设备操作机构无故障状态下的电机电流，图4(a)带电检测的设备为10kV六氟化硫开关柜。

图4

图4(b)为10kV压气式负荷开关，且电机输入电压为220V市电绝对值；

图4

图4(c)为10kV压气式负荷开关，且电机输入电压为恒定直流220V；

图6

图4(d)为三相机械联动罐式高压断路器。

图4

由图4可知无论是负荷开关或高压断路器，其电机电流波形类似。

而文中考虑了开关设备的弹簧疲软，弹簧卡涩，弹簧脱落和齿轮卡涩这四种常见的故障情况。

操作机构运行状态诊断实例

由于操作机构分合闸动作过程类似，操作机构相同故障对机构分合闸电机电流影响相同，故文中以操作机构合闸操作故障诊断为例。

文中对四种不同型号的高压断路器进行测试，并选取了正常和四种典型故障状态：弹簧疲软，弹簧卡涩，弹簧脱落及齿轮卡涩进行算法训练。

在每组算法训练中选取了“A—设备1运行状态”、“B—设备2运行状态”、“C—设备3运行状态”、“D—设备4运行状态”这4种类型的断路器操作机构状态样本数据各15组，从各状态类型样本数据中选取10组作为训练样本，5组作为测试样本.

如表1所示；

由于电机电流时间特征量与电流特征量量纲不同，为防止不同量纲影响网络训练时间与训练结果，在进行训练前，需对样本数据进行归一化处理，归一化公式为：

其中x为输入向量，max为x中最大值，min为x中最小值，y为归一化后的数据，其值范围为0~1。

设网络结构不变，神经网络训练目标误差为0.01，最大迭代次数为105次，训练样本与测试样本不变。

分别采用梯度下降法、自适应lr梯度下降法、自适应lr动量梯度下降法、拟牛顿法及Levenberg-Marquart算法对网络进行训练，取各自训练下降速度最快的结果，

图5（a）为梯度下降法所得误差下降曲线，其迭代了次达到目标误差值，图5（b）为自适应lr梯度下降法所得误差下降曲线，其迭代了436次达到目标误差值。

图5

图5（c）为自适应lr动量梯度下降法所得误差下降曲线，其迭代了254次达到目标误差值，图5（d）为拟牛顿法所得误差下降曲线。

图5

其迭代了53次达到目标误差值，但此方法极易出现平坦区，导致训练结果无法达到目标误差，训练准确率受到严重影响。

图6为采用Levenberg-Marquart算法所得误差曲线，其迭代了6次便达到了目标误差值，其误差下降速度明显更快，网络训练时间更短。

图6

本模型激活函数采用softmax函数，其作用为估算样本对各分类的概率值。

表2为L-MBP算法的训练结果，表中编号1-5为“A—设备1正常”样本、编号6-10为“B—设备2正常”样本、编号11-15为“C— 设备3正常”样本、编号16-20为“D—设备4正常”。

表2

由表2可见，编号1-5样本判断为类别“A”的概率在0.99以上，编号6-10样本判断为“B”的概率在0.99以上，编号11-15样本判断为类别“C”的概率在0.5以上，编号16-20样本判断为类别“D”的概率在0.6以上。

样本判断为各类别的概率与模型所设目标误差有关，从训练结果可知，目标误差0.01已能极为准确的判断样本是否处于正常状态。

使用L-MBP算法对四种典型故障状态：弹簧疲软、弹簧卡涩、弹簧脱落及齿轮卡涩的训练结果进行分析，以弹簧疲软为例，表3为L-MBP算法的训练结果。

表3

表中编号1-5为“A—设备1弹簧疲软”样本、编号6-10为“B—设备2弹簧疲软”样本、编号11-15为“C—设备3弹簧疲软”样本、编号16-20为“D—设备4弹簧疲软”样本。

样本判断为各类别的概率与模型所设目标误差有关，从训练结果可知，目标误差0.01已能极为准确的判断样本是否弹簧疲软。

同样，利用 L-M BP 算法对弹簧卡涩、弹簧脱落和齿轮卡涩三种典型故障状态进行判别，算法训练结果均能对故障状态准确识别，验证了算法的有效性。

结语

文中在对操作机构电机电流特性进行仿真与实验研究的基础上，提出了基于L-M算法优化的 BP神经网络的高压断路器操作机构故障诊断。

建立了BP神经网络模型，针对传统BP神经网络梯度下降法易陷入局本部最小点、易产生平坦区网络收敛速度慢的问题，选择L-M算法优化BP神经网络，有效地提高了算法的训练速度，提高了分类的精确度。

分类结果表明，L-M 算法优化的 BP 神经网络能有效地对高压断路器操作机构的正常状态和常见故障进行诊断。