高压隔离开关故障诊断是根据故障特征库判断当前状态是否正常的过程。因此,前期对故障样本采集非常重要。支持向量机、神经网络等识别方法通过对故障特征进行训练,可诊断出故障的种类与位置。但上述诊断方法主要基于完备的故障样本数据实现对设备已知故障类型进行诊断[1]。
在对高压隔离开关进行状态监测与故障诊断时,相对于大量正常状态的样本,故障状态的样本往往很少,而且表现出不同的故障模式[2]。这些情况导致建立的故障特征库是不完备的,基于支持向量机等算法训练出的超平面对空间进行划分时,与实际情况发生偏移,造成对未知故障出现误诊或漏诊等错误。
实际上,在工程应用中能及时发现异常远比识别故障类型更重要。因此,研究如何利用不完备的故障样本建立可识别出未知异常和已知故障种类的诊断模型更具实用价值。
本文在252 kV隔离开关上开展了故障模拟与数据采集试验,利用振动传感器采集隔离开关5处位置的信号。模拟并采集了正常与低压85%UN、高压110%UN、主刀联动拐臂松动、极间连杆松动、相间连杆松动、底座松动、闭锁松动7种故障的合闸振动数据(训练30组,测试10组),另外采集10组训练数据缺失的未知异常数据[3]。
文献[4]通过支持向量域描述(Support Vector Data Description, SVDD)算法生成一个闭合的超球体作为正常样本的决策边界,实现了设备异常检测。SVDD是在SVM基础上发展起来的单值分类方法,随着隔离开关故障样本的积累,该模型并不具备对多类故障进行分类的能力。
因此,需对其进行改进,建立基于多重支持向量域描述(Multi Support Vector Data Description, Multi-SVDD)的预测模型,对特征空间进行有效划分,以实现对已知故障种类和未知异常进行诊断。
文献[5]研究表明SVDD的分类性能与所选核函数类型关系紧密,高斯核函数(Radial Basis Function, RBF)对距离较近的数据点非常敏感,容易产生过学习,外推能力不佳。文献[6]通过构造密度加权高斯核函数改进分类器的性能,其主要考虑样本局部分布,忽略了特征差异,当出现少量高密度样本时会使全局样本特征差异辨识能力降低。因此充分利用类间特征差异构造核函数,可提高分类器的性能[7]。
本文针对高压隔离开关故障样本类别不完备的问题,提出了基于Multi-SVDD的多类故障诊断方法,诊断模型整体框图如图1所示。
首先,利用主成分分析(Principal Component Analysis, PCA)算法对特征量进行主元提取并计算贡献度作为加权高斯核函数中多项式系数,并为贡献度较大的特征维度分配较大的权重。然后,通过建立多个SVDD对样本空间进行划分。最后,结合空间相对距离指标,对已知故障种类和未知异常进行诊断,试验结果表明该方法可有效提高分类器的适应性。
图1 诊断模型整体框图