【高压电器动作特性测量装置设计开题报告文献综述5700字】

开题报告学生姓名学号专业电气工程及其自动化班级指导教师职称校外指导教师职称题目高压电器动作特性测量装置设计题目类别设计类论文类题目来源生产实际科研实际社会实际理论研究及其它√√一、选题目的意义高压电器通常表示目前大众生产以及生活过程中所触摸到或者使用到的发电、输电、变电以及配电设施的关键构成方面。在日常运作流程中，因为高压电气系统运作的高压性、高温性，这上述系统在工作的时候并不稳定。也许会出现多种短路情况。为了在高压电气系统工作的时候，严格保证工作顺利进行，我们就必须高效且迅速的排除问题，然后把高压电气系统的状态调整到到最好。这就要求我们根据断路器所在的外部环境进行分析，这就包含环境温度、湿度、海拔以及污秽，对断路器的工作功能造成的影响进行深入的探究以及分析。本课题毕业设计就是在了解高压电器动作特性测量方法、目的、要求、国家相关标准、国内外研究应用概况的基础上，研究设计高压电器动作特性测量装置，找到准确方便测试断路器动作时间的方法，防止老化的、不合格的以及故障的断路器对电力系统的安全造成威胁。国内外研究现状（一）国外研究现状国外对于高压断路器机械状态检测系统的各种状态特征都有研究，其中线圈电流信号研究较多，世界各国确定了一些较为实用的线圈电流信号处理方法，提出了指数衰减振荡模型和动态时间归整法。由于高压断路器线圈电流信号处理方法非常复杂，并且不同的线圈电流信号所反映的故障类型也不唯一。国外的研究的方法大多于对高压断路器机械状态监测信号的处理分析，对于如何同时采集多种特征信息并处理分析研究较少。基于高压断路器状态监测故障原因的复杂性和特征信号的多样性，通过分析高压断路器的监测原理，建立一种虚拟仪器技术的在线监测系统，为高压断路器机械状态监测系统的故障监测提供新的方法。经过几十年的技术发展与研究，许多传统的故障方法不断产生。目前主要的传统故障诊断方法大致有以下几种：（1）支持向量机（SVM）。建立在统计学习理论基础上的SVM是一种通过监督学习方式对输入数据进行二元分类的广义线性分类器。SVM的稳健性和稀疏性实现了结构风险最小化并确保了可靠求解结果。因此能够良好的应用于断路器的故障诊断之中。（2）模糊逻辑（FL）。FL是一种模仿人脑对于具有模糊性概念事件的判断方式，通过创建模糊集合并根据模糊规则进行推理达到解决强非线性、大滞后问题的算法。在实际故障诊断中某一故障特征往往是有多种故障原因导致，故障特征与故障原因并不是一一对应的关系这说明故障诊断是具有模糊性的。因此模糊逻辑也可以作为一种故障诊断方法。（3）神经网络。人工神经网络是一种模仿人脑神经网络工作方式，通过调整内部大量节点的权值进行信息处理的算法。由于它能通过自学习对非线性问题达到良好的逼近效果，并且能根据已学习到的知识对于新信息有较好的预测分类能力，因此非常适合与故障诊断。近年来，随着机械状态监测系统和处理故障诊断技术的高速的发展和普及，电气设备的故障监测成为电力电子电网企业和国内外科研人员研究的热门之一。尽管传统的故障诊断方法在工业设备诊断方面已经有了广泛的应用，并且取得了相对良好的故障诊断效果，但是在某些特定方面传统故障诊断方法仍有各自的局限之处。因此为了提高故障诊断精度，更好的充实故障诊断方面的技术方法和拓宽故障诊断可应用的范围，学术界提出了一种基于振动信号分析的多尺度卷积神经网络故障诊断方法，深度学习算法起源于传统人工神经网络算法，与传统神经网络相比，深度学习通过构建多个隐层来学习数据特征，并基于海量的训练数据对网络进行训练，达到对数据特征充分学习的目的。作为深度学习方法之一，卷积神经网络（CNN）是一种通过卷积运算对数据进行处理的前馈神经网络。作为一种有监督学习，它并不需要获取输入输出之间的相关关系，只要通过已有数据对网络进行训练，CNN就可以对测试数据进行分类。这大大降低了故障诊断的复杂度。并且作为一种多隐层神经网络，CNN具有很强的学习能力而且能够更好的提取出有用的特征，这提高了故障诊断的精度，同时较多的网络层数使得它能够解决很复杂的问题，这使得CNN能够应用于复杂系统的故障诊断。YangQ等人提出了一种基于振动时频图像和CNN的高压断路器分闸状态评估方法。该方法通过Hilbert-Huang变换(HHT)将高压断路器的一维振动信号转换为三维时频图像；然后将三维时频信号输入CNN中，实现断路器分闸状态特征的提取与分类，完成高压断路器分闸状态评估。LiuZ等人提出了一种基于轻量化1DCNN的多任务学习轮对轴承故障诊断方法。该方法针对实际问题的复杂性提出了一种多任务一维卷积神经网络（MT-1DCNN）。MT-1DCNN可以利用干线网络学习每个任务所需的共享特征，然后通过多个任务特定的分支来处理不同的任务。这样，MT-1DCNN可以利用相关任务学习到的特征来提高故障诊断的性能。尽管CNN在故障诊断领域已经十分优秀，但是它仍存在着对振动信号幅相信息挖掘不充分的问题。而多尺度卷积神经网络（MSCNN）在CNN的基础上使用多个尺寸的卷积核提取信号中的特征，这进一步提升了网络对信号信息的挖掘能力，有效的提升了故障诊断精度。

在故障程度评估方面，目前基于卷积神经网络的故障程度评估方法还很少，曲建岭等人提出了一种基于卷积神经网络层级化的故障诊断算法(CNN-HFD)。该方法首先对振动信号分段预处理和分割；其后设计了识别不同故障类型的MSCNN及识别同一故障类型不同故障程度的多个MSCNN，并将分割后的振动信号输入MSCNN，完成网络的训练；最后将测试集振动信号输入CNN-HFD模型，信号在经过MSCNN网络分层故障诊断之后，在模型末端的MSCNN处输出测试集信号的故障类别和故障程度。WenL等人提出了一种基于两层诊断的分层卷积神经网络（HCNN）故障诊断方法。该方法首先提出了一个两级分层诊断网络模型，该模型将故障模式和故障程度分别建模作为分层结构；然后提出了一种新的HCNN结构，该结构包含两个分类器，这两个分类器同时对故障模式和故障程度进行分类，实现了对故障模式的诊断与故障程度的评估。该类研究为本课题基于多尺度卷积神经网络实现断路器的故障程度评估起到了重要指导意义。（二）国内研究现状国内电机领域测试设施发展大体上能被划分成下面三个时期，二十世纪中期之前是早期建设时期，设施少；六十年代到九十年代是发展时期，产生了以高压机组为重点的传统高压电机型式测试系统，然而设施的研发资金高，流程繁杂，难扩容；八、九十年代之后，高压电机领域逐渐在自动测试部分得到快速发展。现在，我国高压机领域中有实力开展型式试验的公司大部分使用之前的非系统化测试设施，将高压调压器、高压机组、高压油等人工管控设施当做根据。在实验的时候，人工读表筹集最初资料，职员数据整理、制作曲线来得到具体参数。测试时间长、效率并不高，受外界影响明显，测试安全性需要依赖硬件以及人工管控，稳定性差、自动化水平不高。伴随着计算机科技、测试科技的研发，我国众多电机制造公司以及机构研发了低压电机的计算机测试体系，可顺利完成电机产品性能参数的自主测试。然而重点使用在低压小型电机，另外在实际使用的过程中也出现了相应的问题，例如资金成本高，设施、系统稳定性差，特性模型不精准等不足。测试设施容量发展无法紧跟商品容量的发展。高压电机试验设施因为电压高、容量大、科技改造资金成本高，测试设施无法满足需要的问题日益明显。另外高压电气规程的严苛标准，测试危险系数不断提高，高压电机自动化试验系统还没有很多成功使用的案例。在高压电机出厂品质评判部分，现在有测试设施自身取代专家评判的性能。一般由有工作时间很长的试验工程师担当，依照型式测试信息以及公司的工艺、设计能力融合技术条件人工开展整体评判。评判的准确和公司检验员的经验以及能力有很大的关系。现在所分析的高压电机测试研究系统，通常使用在现场的机组或单机运营阶段的监管，大部分用于某一部分例如绝缘、温度、机械等参数的研究，主要目的是明确电机能否顺利运行以及工作等。用在电机制造领域，可以表现出电机整体功能和制造能力，清楚评判产品能否达到要求和探究出现的不足，在生产中改正问题的电机试验专家系统的相关资料并不常见。断路器发生机械故障会导致在断路器分合闸过程中出现较为明显的异常振动信号。并且不同的机械故障所激发的异常振动所相应的频率也不相同，而同一种机械故障所引起的异常振动信号一般分布在某一种或者特定几种频率上。由此可知，在断路器分合闸过程中由于机械动作产生的振动信号包含着丰富的故障特征，而如何提取信号中包含的故障特征对断路器故障诊断十分重要。其中冯英等人采用支持向量机（SVM）、经验模态分解(EMD)和能量法相结合的方式，实现了断路器的故障诊断。该方法首先通过对振动信号进行EMD分解，获得相应的本征模态函数（IMF）；然后针对于包含主要故障信息的IMF分量，计算其能量总量并输入SVM；最后通过“一对其他”SVM分类最终得到故障诊断结果。杨秋玉等人提出一种基于振动信号时频图像特征及SVM的高压断路器分闸缓冲器状态评估方法。在故障程度方面，孙曙光等人提出了一种基于LMD、改进多尺度排列熵（MMPE）和多尺度排列熵偏均值（PMMPE）的低压万能式断路器分合闸故障程度定量评估方法。该方法首先利用LMD对去噪后的分合闸振动信号进行分解；然后通过计算求得主要乘积函数（PF）的MMPE，经过降维处理后作为SVM的输入，以此实现对断路器状态的识别；其后，当识别出断路器为故障状态时，对去噪后的分合闸振动信号求取PMMPE，并将求得的PMMP值作为断路器故障程度评估指标；最后求取不同故障模式下的故障程度特性曲线，与振动信号的PMMP值进行对照，完成故障程度的评估。通过查新，东南大学胡虔生等报道了所分析的“电机试验诊断系统”，上述系统的构成部分是知识库、推理机、人机接口等，目的是开展电机重点功能的判断干口诊断探究，评判包含单项性能指标以及整体功能的评判，评判电机有没有达到国家要求。诊断探究式使用知识库中阐述电机功能的电机行业知和专家经验，利用一定的知识推理测算，然后和顾客交换资料，得出最后的诊断结果，提出一定的改善方式”。沈阳化工学院的畅玉亮提出“一个用PROOG语言建造的电机质量分析专家系统”，上述系统可以完成电机性能参数的自动检验与统计，系统的知识库包含电机学相关行业知识与实际工程师的现实工作常识，其推理体制，能自主运用相关知识与专家经验，对电机商品的品质情况开展深入的探究”。陈雷说明了“电机试验自动诊断的专家系统”，上述系统重点部分是，由众多电机技术参数与标准测量值、经合理处理数据组成的知识库，以及依照专家经验和试验特征用众多语句组成的推理机”。现在，传统高压电机试验设置资金存在投入低、科技含量不高、无法照顾到低压测试等不足；但是使用专家系统开展出厂合格区设定和评判并不常见于分子和现实。另外，高压断路器的开断和关合试验内容众多，去除交流高压断路器国家标准GBl984·2003中要求的必要种类：出线端短路开断、关合试验，近区故障开断测试和线路充电电流开断测试（空载线路开断试验）之外，还包含失步短路开断以及关合测试、电缆充电电流开断测试、单组以及并联电容器组开断和关合试验、小电感电流的开断测试等。上述测试能在现实电力系统中开展，也能在特定的实验室中开展。在系统内部开展实地试验不只受到电网限制，试验参数也无法随时转变。研究内容本课题研究内容是对高压电器动作特性测量装置设计，具体包含对断路器现状和测量断路器分合闸时间方法的阐述和研究。其系统包括继电器，单片机，A/D转换芯片，显示屏，晶振开关，PNP三极管，信号发生器等器件。此次设计完善了断路器动作时间测试系统，并让系统时间测量更为精确地在显示屏上显示出来。方法步骤本设计的断路器动作时间测试系统是利用单片机来实现C语言的编程从而来实现动作时间的精确计时。利用继电器模拟断路器的动作。其中A/D模块通过通信线和供电线接到单片机上，显示屏通过供电线和数据总线接到单片机上，通过信号发生器发出脉冲模拟分闸命令，控制断路器分闸，实现对断路器进行分闸时间的测试，并让其分闸的时间在显示屏上显示出来。相比于传统的示波器检测，其触头接地电阻电压信号记录简便又准确，减小了人工处理波形数据而产生的误差。该试验方案简单可行，该装置性价比比较高，对于本课题设计容易实现。总体方案设计框图如图1所示。图1整体方案框图五、进度安排第1周：提交开题报告和外文文献翻译。第2周：装置结构设计。第3-5周：设定电路设计计算、显示电路设计计算等。第6周：完整的装置电路设计。第7周：装置主程序设计，单片机初始化程序设计。第8-10周：完成装置全部程序设计。第11周：撰写学位论文。第12周：继续撰写、完善学位论文，提交学位论文（导师）。第13周：修改完善论文，提交学位论文（导师）。第14周：修改完善论文，提交学位论文（学院）。第15周：制作PPT讲稿，学位论文答辩。六、参考文献[1]钟建英,陈刚,谭盛武,姚永其,魏建巍,李凯.高压开关设备关键技术及发展趋势[J].高电压技术,2021,47(08):2769-2782.[2]陈磊.高压断路器振动信号特征提取及故障诊断方法研究[D].华北电力大学(北京),2021.[3]董驰,李晓峰,顾朝敏,贾伯岩,李天辉,庞先海.高压开关柜断路器机械特性在线监测装置研究[J].电子器件,2021,44(03):713-717.[4]肖梁贤.基于调度自动化数据的高压开关设备动作特性重要表征参数提取[J].电工技术,2021,(05):89-91.[5]曾祥浩.多断口真空断路器有限异步分断研究[D].大连理工大学,2019.[6]晁雪薇,张明,田宇,董思源.真空断路器动作特性受运动阻尼影响的研究[J],大连理工大学2017,(02):75-80.[7]闫荣格，焦佩林，董正予．基于多测点振动信号的变压器绕组形变故障诊断研究[J]．变压器，2020，57(12)：27-31．[8]冯英，武建文，王承玉，等．基于振动信号识别的断路器故障诊断研究[J]．高压电器，2017，53(02)：1-7+13．[9]杨秋玉，阮江军，黄道春，等．基于振动信号时频图像识别的高压断路器分闸缓冲器状态评估[J]．电工技术学报，2019，34(19)：4048-4057．[10]李益兵，马建波，江丽．基于SFLA改进卷积神经网络的滚动轴承故障诊断[J]．振动与冲击，2020，39(24)：187-193．[11]邢蓉，高丙朋，侯培浩，等．基于MSCNN与STFT的滚动轴承故障诊断研究[J]．机械传动，2020，44(07)：41-45+58．[12]黄新波，胡潇文，朱永灿．基于卷积神经网络算法的高压断路器故障诊断[J]．电力自动化设备，2018,38(5)：136-140+147．[13]MaS，ChenM，WuJ，etal．High-voltagecircuitbreakerfaultdiagnosisusingahybridfeaturetransformationapproachbasedonrandomforestandstackedautoencoder[J]．IEEETransactionsonIndustrialElectronics，2019，66(12)：9777-9788．[14]KhalyasmaaA，SenyukM，andEroshenkoS．High-voltagecircuitbreakerstechnicalstatepatternsrecognitionbasedonmachinelearningmethods[J]．IEEETransactionsonPowerDelivery，2019，34(4)：1747-1756．[15]