万能式断路器是电力系统低压配电网的关键设备之一，广泛应用在低压配电系统中总进线处或重要设备处。国内外研究表明断路器易发生机械故障，对其研究工作主要集中在高压断路器机械故障诊断[1-7]，但低压大电流万能式断路器的操作可靠性同样关系到电力系统的安全运行。因此，针对其机械状态的监测和故障诊断具有重要意义。
断路器运行和动作过程中的振动信号与声音信号的组成虽然复杂难以解释，但却包含丰富的机械特性信息，与检测分合闸线圈电流与电压[1]、触头受力[2]、动触头行程或主轴转角[8]等测量方式相比，振动与声音信号的检测无须与断路器电气连接或侵入其内部，可更便捷可靠地监测断路器的机械状态[3-7]。
振动信号抗干扰强、灵敏度高，但测量方向固定，仅能检测轴线方向引起的振动；声音信号易受噪声干扰，但测量来源广，可更好地检测由触头动作引起不同方向振动以及内部其他连接机械器件振动所产生的声音[9]。振声信号蕴含的信息虽存在冗余但同时具有互补性，二者结合可更有效地对断路器进行无损检测[3]。同时，针对振声信号中的噪声，可采用小波包软硬阈值结合去噪预处理。
针对振动与声音信号所具有的非线性、非平稳特点，文献[3]利用中值滤波器改进总体经验模态分解（EnsembleEmpirical Mode Decomposition, EEMD）算法，求取二维谱熵矩阵的变换矩阵作为特征；文献[4]将改进的经验模态分解（Empirical ModeDecomposition, EMD）和能量熵相结合，用于振动信号的特征提取；文献[5]采用小波包方法，提取不同状态振动信号的频带零相位时频熵的特征；文献[6]提出基于EMD能量总量法，用于表征主要故障特征信息；文献[7]采用小波包分解，将各层中节点最大系数选做特征参量；文献[10]计算了希尔伯特-黄变换后的各固有模态函数（Intrinsic ModeFunction, IMF）分量的能量比，并将其作为识别故障的特征向量。
但这些特征提取方法仍存在一些不足，例如：小波包分解算法的分解效果依赖于小波基和分解尺度的选取，不具有自适应性，并且分解存在能量泄漏问题[11]；EMD与EEMD虽然是一种自适应的时频局部化分析方法，但EMD存在模态混叠和端点效应现象；EEMD虽在一定程度上抑制模态混叠，但添加的白噪声不能被完全中和，不具有完备性。而互补总体经验模态分解算法（ComplementaryEEMD, CEEMD）通过成对地添加符号相反的白噪声到目标信号，从而大大减小了重构误差，实现信号各IMF分量的准确分解[12]。
同时，这些方法所提特征单一，包含的故障信息有限，而且仅依靠某一种特征存在准确率低、可靠性和稳定性差等问题。为进一步提高故障识别的精度与稳定性，本文分别提取IMF分量样本熵、能量系数、功率谱熵来综合分析，并用组合核函数核主元分析（Kernel PrincipleComponent Analysis, KPCA）降维[13]，实现故障特征信息的有效融合，进而建立特征向量。
对于故障识别方法，随着人工智能的发展，常采用神经网络（Neural Network,NN）[10]、支持向量机（Support Vector Machine, SVM）[3-6]等。较为常用的神经网络具有一定的抗噪声和泛化能力，但是训练需要较多样本，且存在局部收敛问题。
虽然SVM适于解决小样本、高维数、非线性等问题，但该算法有规则化系数确定困难、预测结果不具有统计意义、核函数受Mercer条件限制等固有局限。相关向量机（Relevance VectorMachine, RVM）可以有效弥补上述缺陷，还能以概率形式输出结果，更加具备实用性，采用RVM作为模式分类器，可有效提高故障识别率[14]。
然而，虽然RVM仅需选择核函数参数，但其分类结果对核参数依然敏感。改进的量子粒子群优化算法引入了量子粒子群进化速度因子和聚集度因子，动态地调整收缩-扩张系数，从而使算法具有动态自适应性[15]。改进后的量子粒子群优化算法更好地解决了全局优化问题，并且收敛速度明显提高。采用改进的量子粒子群优化的RVM算法，并利用K-折交叉验证来评估核函数参数，可以更有效率地搜索全局最优核参数值。
本文在对振声信号小波包软硬阈值结合去噪以及CEEMD分解的基础上，提出了一种多特征融合与改进量子粒子群（Quantum ParticleSwarm Optimization, QPSO）优化的RVM算法相结合的万能式断路器分合闸故障振声诊断方法。重点分析了常出现在触头动作过程中的分合闸故障，即虚假合闸、分闸不彻底、三相不同期。
结论
为保证断路器故障非侵入式诊断结果的准确性与稳定性，本文提出了一种基于多特征融合与改进QPSO-RVM相结合的万能式断路器故障振声诊断方法。首先采用组合核KPCA对融合的振声特征数据降维，再利用改进的QPSO对RVM核参数进行优化，建立断路器的故障诊断模型，与其他故障诊断模型对比分析，得到如下结论：
1）利用组合核KPCA不同核函数性质间的互补特性，在原有核函数的基础上构造组合核函数，比单核函数分析更全面，降维结果的区分度更好。
2）将改进的QPSO算法融入RVM模型的识别过程，有效消除了核参数选择的局部最优，提高了基于RVM次序二叉树分类模型的正确率。
3）振声数据多特征的信息融合克服了单信息源的片面性，更全面地反映故障状态，能有效降低故障识别的不确定性。
4）实例对比分析表明，本文方法具有较高的识别率，同时验证了其在苛刻条件下故障诊断的可靠性和稳定性。所提方法利用LabVIEW和Matlab混合编程，在不破坏断路器本体的基础上，已通过基于工控机的方式实现了对断路器故障便捷可靠地诊断，后续应加以优化，将其应用于嵌入式微处理器中，以减小设备体积并降低成本。
![]()
