论文部分内容阅读
作为电力系统中的电力设备,高压断路器在电网中具有重要的保护和控制作用,其动作可靠性是电力系统能否稳定运行的关键,因此对高压断路器的故障诊断具有重要意义。而高压断路器的振动信号携带着丰富的设备状态信息,可以通过提取它的振动信号来诊断设备的运行状态。基于此,本文将会分析高压断路器的振动信号,以开发合理可用的高压断路器故障诊断平台为目标。首先,将现场可编程门阵列(Field-Programmable Gate Array,FPGA)芯片作为控制核心,搭建了振动信号的采集系统。选择了合适的硬件,用Verilog编程语言编写了驱动程序,并搭建了信号采集平台。以ZW32-12型真空断路器为研究对象,对断路器正常、润滑不足、基座螺栓松动和储能弹簧脱落四种状态下的振动信号进行了采集,采集到的振动信号将用于特征提取和故障识别。其次,通过利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法对振动信号进行分解,选择信号分解后的“敏感”本征模态函数(Intrinsic Mode Function,IMF)分量,再利用能量熵方法计算“敏感”IMF分量的能量熵值,将能量熵值作为振动信号的特征向量。断路器故障识别方法采用了概率神经网络(Probabilistic Neural Network,PNN),将已得到的特征向量输入到PNN神经网络进行训练与故障类型的分类,同时将其与支持向量机(Support Vector Machine,SVM)和反向传播(Back Propagation,BP)神经网络两种诊断模型进行对比,从对比结果上看,PNN神经网络的识别率更高,优势更明显。最后,开发了基于MATLAB的图形用户界面(Graphical User Interface,GUI)的高压断路器故障诊断系统。以EEMD能量熵-PNN神经网络为理论基础,GUI为技术支持,设计了一套可用实时操作,不用后台编程的高压断路器故障诊断系统。将采集到的原始振动信号输入到系统后,经过简单的鼠标操作,得到的故障类型与实际结果一致,有效验证了该系统的合理性。