一种基于换流变分接开关振动特征差异度的状态评估方法与流程

1.本发明涉及一种基于换流变分接开关振动特征差异度的状态评估方法。


背景技术：

2.统的状态评估方法依赖于实际结构的试验数据，对该类模型进行评估建模需要大量的设备缺陷和故障状态数据，但是，由于输变电设备可靠性较高，缺陷和故障状态数据匮乏，训练样本不足、导致模型的准确度不够理想，同时，部分模型的收敛速度较慢，容易陷入局部最优。


技术实现要素：

3.本发明所要解决的技术问题是一种基于换流变分接开关振动特征差异度的状态评估方法，采用有限元模型模拟的故障数据作为神经网络模型的训练样本可以有效解决这一问题，采用均匀设计采样为神经网络模型提供训练样本数据可以有效提高神经网络评估模型的预测精度。
4.本发明是通过以下技术方案来实现的：一种基于换流变分接开关振动特征差异度的状态评估方法，分别建立分接开关典型机械故障的状态评估模型，基于状态评估模型对弹簧储能不足、触头磨损及触头松动的故障程度进行评估，首先，通过大样本抽样获得输入故障参数的组合，将故障参数代入分接开关状态评估模型进行分析，给出分接开关典型机械故障的故障程度与振动位移响应的对应关系，根据振动响应对故障程度进行分级，主要分为四个状态等级，分别为正常状态、注意状态、异常状态和严重状态，在状态评估模型的基础上，对各个状态的故障程度进行评估。
5.作为优选的技术方案，弹簧储能不足的状态评估：
6.由弹簧储能不足故障的仿真结果可知，模拟弹簧储能不足的激励力与振动响应成线性关系，因此储能不足的程度与振动响应也呈线性关系，由振动相应的幅值可知，共振频率43hz、92.5hz、250.5hz和289.5hz处，随着弹簧储能不足程度的变化，对应振动响应y1、y2、y3、y4都会发生变化，且这种变化基本是成比例的，
7.由于振动响应y2(92.5hz)对弹簧储能程度的变化最敏感，采用振动位移响应幅值y2(92.5hz)表征弹簧储能不足的故障程度。
8.作为优选的技术方案，触头磨损故障的状态评估：
9.由触头磨损故障的仿真结果可知，共振频率250.5hz和289.5hz处，随着触头磨损程度的变化，对应振动响应发生变化。由于振动响应y1(250.5hz)对触头磨损程度的变化最敏感，采用振动位移响应幅值y1(250.5hz)表征触头磨损故障程度。
10.作为优选的技术方案，触头松动故障的状态评估：
11.由触头松动故障的仿真结果可知，共振频率75hz、211hz和279hz处，随着触头磨损程度的变化，对应振动响应发生变化，由于振动响应y1(211hz)对触头磨损程度的变化最敏感，采用振动位移响应幅值y1(211hz)表征触头磨损故障程度。
12.本发明的有益效果是：分接开关典型故障振动特征差异度的状态评估，是基于有限元故障仿真的结果，提取能够反映分接开关典型故障的振动特征量，并在此基础上选择具有代表性的指标对其故障程度进行评估。基于神经网络响应面模型对分接开关的弹簧储能不足、静触头松动、触头磨损进行故障程度评估，最终状态评估分为4个等级。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1为本发明的弹簧储能-正常状态的振动响应分布图；
15.图2为本发明的弹簧储能-注意状态的振动响应分布图；
16.图3为本发明的弹簧储能-异常状态的振动响应分布图；
17.图4为本发明的弹簧储能-严重状态的振动响应分布图；
18.图5为本发明的触头磨损-正常状态的振动响应分布图；
19.图6为本发明的触头磨损-注意状态的振动响应分布图；
20.图7为本发明的触头磨损-异常状态的振动响应分布图；
21.图8为本发明的触头磨损-严重状态的振动响应分布图；
22.图9为本发明的触头松动-正常状态的振动响应分布图；
23.图10为本发明的触头松动-注意状态的振动响应分图；
24.图11为本发明的触头松动-异常状态的振动响应分布图；
25.图12为本发明的触头松动-严重状态的振动响应分布图。
具体实施方式
26.本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
27.本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
28.在本发明的描述中，需要理解的是，术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
29.此外，在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
30.本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如，如果将图中的设备翻转，则被描述为位于其他单元或特征“下方”或“之下”的单元
将位于其他单元或特征“上方”。因此，示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向(旋转90度或其他朝向)，并相应地解释本文使用的与空间相关的描述语
31.在本发明中，除非另有明确的规定和限定，术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
32.本发明的一种基于换流变分接开关振动特征差异度的状态评估方法，分别建立分接开关典型机械故障的状态评估模型，基于状态评估模型对弹簧储能不足、触头磨损及触头松动的故障程度进行评估，首先，通过大样本抽样获得输入故障参数的组合，将故障参数代入分接开关状态评估模型进行分析，给出分接开关典型机械故障的故障程度与振动位移响应的对应关系，根据振动响应对故障程度进行分级，主要分为四个状态等级，分别为正常状态、注意状态、异常状态和严重状态，在状态评估模型的基础上，对各个状态的故障程度进行评估。
33.弹簧储能不足的状态评估：
34.由弹簧储能不足故障的仿真结果可知，模拟弹簧储能不足的激励力与振动响应成线性关系，因此储能不足的程度与振动响应也呈线性关系，由振动相应的幅值可知，共振频率43hz、92.5hz、250.5hz和289.5hz处，随着弹簧储能不足程度的变化，对应振动响应y1、y2、y3、y4都会发生变化，且这种变化基本是成比例的，
35.由于振动响应y2(92.5hz)对弹簧储能程度的变化最敏感，采用振动位移响应幅值y2(92.5hz)表征弹簧储能不足的故障程度。
36.(1)等级1弹簧储能-正常状态
37.采用神经网络模型优化弹簧储能程度的区间，若储能程度x1为均匀分布，正常状态时对应的y2响应幅值为[0.00018,0.00019]，通过神经网络模型优化弹簧储能程度的分布使其满足振动响应处于正常状态，弹簧储能程度的分布如表1所示。图1给出了弹簧储能正常时的响应y2的分布。
[0038]
范围弹簧储能程度x1/％上限100下限85
[0039]
表1。
[0040]
(2)等级2弹簧储能-注意状态
[0041]
采用神经网络模型优化弹簧储能程度的区间，若储能程度x1为均匀分布，注意状态时对应的y2响应幅值为[0.000175,0.00018)，通过神经网络模型优化弹簧储能程度的分布使其振动响应处于注意状态，弹簧储能程度的分布如表2所示。图2给出了弹簧储能注意状态时的响应y2的分布。
[0042]
范围弹簧储能程度x1/％上限85下限78
[0043]
表2。
[0044]
(3)等级3弹簧储能-异常状态
[0045]
采用神经网络模型优化弹簧储能程度的区间，若储能程度x1为均匀分布，异常状态时对应的y2响应幅值为[0.00017,0.000175)，通过神经网络模型优化弹簧储能程度的分布使其振动响应处于异常状态，弹簧储能程度的分布如表3所示。图3给出了弹簧储能异常状态时的响应y2的分布。
[0046][0047][0048]
表3。
[0049]
等级4弹簧储能-严重状态
[0050]
采用神经网络模型优化弹簧储能程度的区间，若储能程度x1为均匀分布，严重状态时对应的y2响应幅值为[0.00016,0.00017)，通过神经网络模型优化弹簧储能程度的分布使其振动响应处于严重状态，弹簧储能程度的分布如表4所示。图4给出了弹簧储能严重状态时的响应y2的分布。
[0051]
范围弹簧储能程度x1/％上限70下限53
[0052]
表4。
[0053]
综上所述，将弹簧的储能状态根据y2(92.5hz)的响应分为四个等级，如表5所示。
[0054]
触头磨损状态弹簧储能程度x1/％y2(92.5hz)响应幅值/m等级1(正常)[85，100][0.00018,0.00019]等级2(注意)[78，85)[0.000175,0.00018)等级3(异常)[70，78)[0.00017,0.000175)等级4(严重)[53，70)[0.00016,0.00017)
[0055]
表5。
[0056]
触头磨损故障的状态评估：
[0057]
由触头磨损故障的仿真结果可知，共振频率250.5hz和289.5hz处，随着触头磨损程度的变化，对应振动响应发生变化。由于振动响应y1(250.5hz)对触头磨损程度的变化最敏感，采用振动位移响应幅值y1(250.5hz)表征触头磨损故障程度。
[0058]
(1)等级1触头磨损-正常状态
[0059]
采用神经网络模型优化触头磨损程度的区间，若磨损程度x1～x2为均匀分布，正常状态时对应的y1响应幅值为[0.00017,0.00019]，通过神经网络模型优化触头磨损程度的分布使其满足振动响应正常，磨损程度的分布如表6所示。图5给出了触头磨损正常时的响应y1的分布。
[0060]
范围触头1磨损程度/％触头2磨损程度/％
上限1515下限00
[0061]
表6。
[0062]
等级2触头磨损-注意状态
[0063]
采用神经网络模型优化触头磨损程度的区间，若磨损程度x1～x2为均匀分布，注意状态时对应的y1响应幅值为[0.00015，0.00017)，通过神经网络模型优化触头磨损程度的分布使其满足振动响应处于注意状态，磨损程度的分布如表7所示。图6给出了触头磨损注意状态时的响应y1的分布。
[0064]
范围触头1磨损程度/％触头2磨损程度/％上限3131下限1515
[0065]
表7。
[0066]
等级3触头磨损-异常状态
[0067]
采用神经网络模型优化触头磨损程度的区间，若磨损程度x1～x2为均匀分布，异常状态时对应的y1响应幅值为[0.00014,0.00015)，通过神经网络模型优化触头磨损程度的分布使其满足振动响应处于异常状态，磨损程度的分布如表8所示。图7给出了触头磨损注意状态时的响应y1的分布。
[0068]
范围触头1磨损程度/％触头2磨损程度/％上限4040下限3131
[0069]
表8。
[0070]
等级4触头磨损-严重状态
[0071]
采用神经网络模型优化触头磨损程度的区间，若磨损程度x1～x2为均匀分布，严重状态时对应的y1响应幅值为[0.0001,0.00014)，通过神经网络模型优化触头磨损程度的分布使其满足振动响应处于严重状态，磨损程度的分布如表9所示。图8给出了触头磨损注意状态时的响应y1的分布。
[0072]
范围触头1磨损程度/％触头2磨损程度/％上限8080下限4040
[0073]
表9。
[0074]
触头松动故障的状态评估：
[0075]
由触头松动故障的仿真结果可知，共振频率75hz、211hz和279hz处，随着触头磨损程度的变化，对应振动响应发生变化，由于振动响应y1(211hz)对触头磨损程度的变化最敏感，采用振动位移响应幅值y1(211hz)表征触头磨损故障程度。
[0076]
(1)等级1触头松动-正常状态
[0077]
采用神经网络模型优化触头连接刚度的区间，若连接刚度x1～x2为均匀分布，触头连接正常状态时对应的y1响应幅值为[0.0000542,0.0000558]，通过神经网络模型优化触头连接刚度的分布使其满足触头连接正常，触头连接刚度的的分布如表10所示。图9给出
了触头松动-正常状态时的响应y1的分布。
[0078]
范围触头1连接刚度/(n/m)触头2连接刚度/(n/m)上限10000010000下限1000010000
[0079]
表10。
[0080]
等级2触头松动-注意状态
[0081]
采用神经网络模型优化触头连接刚度的区间，若连接刚度x1～x2为均匀分布，触头松动注意状态时对应的y1响应幅值为[0.00005,0.0000542)，通过神经网络模型优化触头连接刚度的分布使其满足触头连接处于注意状态，触头连接刚度的的分布如表11所示。图10给出了触头松动-注意状态时的响应y1的分布。
[0082][0083][0084]
表11。
[0085]
等级3触头松动-异常状态
[0086]
采用神经网络模型优化触头连接刚度的区间，若连接刚度x1～x2为均匀分布，触头松动异常状态时对应的y1响应幅值为[0.0000428,0.00005)，通过神经网络模型优化触头连接刚度的分布使其满足触头连接处于异常状态，触头连接刚度的的分布如表12所示。图11给出了触头松动-异常状态时的响应y1的分布。
[0087]
范围触头1连接刚度/(n/m)触头2连接刚度/(n/m)上限15849001584900下限354810354810
[0088]
表12
[0089]
等级4触头松动-严重状态
[0090]
采用神经网络模型优化触头连接刚度的区间，若连接刚度x1～x2为均匀分布，触头松动严重状态时对应的y1响应幅值为[0.0000345,0.0000428)，通过神经网络模型优化触头连接刚度的分布使其满足触头连接处于严重状态，触头连接刚度的的分布如表13所示。图12给出了触头松动-严重状态时的响应y1的分布。
[0091]
范围触头1连接刚度/(n/m)触头2连接刚度/(n/m)上限100000000100000000下限15849001584900
[0092]
表13。
[0093]
综上所述，将触头松动状态根据y1(211hz)的响应分为四个等级如表14所示。
[0094][0095][0096]
表14。
[0097]
本发明的有益效果是：分接开关典型故障振动特征差异度的状态评估，是基于有限元故障仿真的结果，提取能够反映分接开关典型故障的振动特征量，并在此基础上选择具有代表性的指标对其故障程度进行评估。基于神经网络响应面模型对分接开关的弹簧储能不足、静触头松动、触头磨损进行故障程度评估，最终状态评估分为4个等级。
[0098]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。