（电力设备电气绝缘国家重点实验室（西安交通大学）西安710000）
关键词：断路器状态监测智能评估数据驱动人工智能
近年来，随着“双碳”目标的提出[1]，绿色低碳和能源转型逐渐成为我国经济社会发展的重要战略目标。目前，我国的电力系统碳排放置占全社会碳排放置的40%左右[2]，是实现“双碳”目标的关键领域和主战场。我国电网经过多年的快速发展，大量运行中的电力设备已逐渐接近初始设计的寿命年限，老旧设备的比例逐渐增加，提高电力设备的利用效率并延长使用寿命是“双碳”目标下电力行业所面临的共性需求，实现基础即是设备剩余寿命预测和全寿命周期的健康管理[3]。
预测与健康管理（PrognosticsandHealthManage-ment,PHM）技术是在设备发生故障前，对健康状态进行预测，并结合可利用的资源信息，提供一系列的维修保障措施，通常包括诊断和预防设备故障，评估设备核心组件的可靠性和剩余使用寿命[4]。目前，PHM技术已成为航空航天、储能系统、机械工业等诸多领域后勤保障、维护和自主健康管理的重要支撑技术和基础[5]，具有重要的应用价值和现实意义，而在电气领域特别是电力开关设备领域的应用研究相对较少。
图1基于数据驱动的电磁式断路器的健康管理技术
Fig.1Healthassessmenttechnologyofelectromagneticcircuitbreakerbasedondatadrive
状态监测技术主要分为“传感监测”和“特征提取与降维”，一方面选择反映断路器劣化规律的传感信号，并采用合适的传感手段获取；另一方面应用信号处理技术从原始传感信号中进一步提取劣化特征。
断路器传感监测早期采用离线监测，主要测试断路器的分合机械参数，适合出厂检测和定期故障检修，无法满足状态监测的实时性要求。目前，多采用在线监测获取监测数据，即通过不同类型传感器实时采集断路器工作时的不同状态参量。在线传感监测主要针对电气特性、机械特性和温度特性进行监测。
1.1.1电气特性监测
1）电流信号
电流信号是传感监测中的常用信号，断路器的电流信号主要包括分合闸线圈电流、主回路电流、储能电机电流等，前两个信号的应用最广泛。
（1）分合闸线圈电流。分闸电磁铁和合闸电磁铁是中低压断路器操动机构的重要部件，典型的分合闸线圈电流波形如图2所示，对应的五个变化过程见表1。
图2分合闸线圈电流波形
Fig.2Switchingcoilcurrentwaveform
表1分合闸线圈电流的变化过程
Tab.1Thechangingprocessofopeningandclosingcoilcurrent
（2）主回路电流。断路器分断电流时，动静触头打开产生电弧，电弧烧蚀触头，长期累积导致触头失效。断路器分闸时主回路的电流波形如图3所示[16]，从图3中可看出，电弧的产生导致主回路电流波形发生畸变，畸变部分刚好对应电弧烧蚀过程。已有研究通过实时监测主回路电流波形，并对畸变部分采用电流积分法[14]、累积I2t法[15]等方法累积计算以量化电弧对触头的烧蚀，进而反映触头的劣化程度。
（3）电流监测方法。断路器的动作时长在ms量级，因此分合闸线圈电流和主回路电流（电弧畸变部分）对传感器的精度和采样速率都提出较高要求。
图3分闸时的主回路电流波形
Fig.3Maincircuitcurrentwaveformsatswitching
目前，电流信号的传感方式主要分为接触式和非接触式。接触式测量是在被测回路中串入采样电阻，基于欧姆定律来推算回路电流，简单易实现，但是在被测回路中放置元件易增添新的安全隐患、降低回路可靠性；非接触式测量能实现电气隔离，有电流互感器、罗氏线圈和霍尔电流传感器等，电流互感器和罗氏线圈的原理是电磁感应定律，前者易发生铁心饱和，后者没有铁心，不会磁饱和，但在测量小电流时，精度较低且抗干扰性差，常用于大电流的测量；霍尔电流传感器基于零磁通原理，交、直流均可测量，测量原理如图4所示，输出电压正比于一次电流，测量精度高、响应快[17]。因此，霍尔电流传感器成为分合闸线圈电流和主回路电流的主流监测方案。
图4霍尔电流传感器原理
Fig.4SchematicdiagramofHallcurrentsensor
2）弧压信号
弧压信号可以反映断路器分断电流时的燃弧过程[18]，直流断路器的典型弧压信号如图5所示[19]，从中可提取熄弧时长、弧压峰值等特征来直接反映断路器灭弧系统和动静触头的劣化情况。
弧压的幅值最高可达几十伏，常采用电压探头进行测量，但高压探头在低压区域的精度不足，低压探头又无法承受熄弧后断口间较大的动态恢复电压，为解决这一矛盾，文献[20]最新提出了如图6所示的双向弧压测量装置，既能实现弧压信号的准确测量，又能解决熄弧后恢复电压损坏小功率型器件的问题。
图5直流断路器弧压示意图
Fig.5DiagramofarcvoltageofDCcircuitbreaker
图6双向弧压测量装置
Fig.6Bidirectionalarcvoltagemeasuringdevice
1.1.2机械特性监测
断路器的机械特性能直接反映各个机械部件的劣化程度，主要包括振动信号、声音信号和触头位移信号。
1）振动信号
振动信号产生后沿断路器壳壁等固体材料传播，衰减较小，安装加速度传感器即可实时监测，属于接触式测量。振动检测的关键是确定传感器的安装位置与检测方向，考虑到振动信号主要源于动静触头的碰撞，安装位置应足够靠近触头系统，检测方向应与触头的撞击方向一致，文献[23]整理了加速度传感器的五种安装方式，对比之后采用“磁铁吸附”方法，简单易行。
图7振动信号
Fig.7Vibrationsignal
2）声音信号
振动信号产生的同时，断路器发出相应的声音信号。声音信号与振动信号属于同源信号，两者都包含断路器的多种机械状态信息，但两种信号的传播介质和监测方式不同，声音信号产生后通过空气传播，多采用拾音器测量。不同于振动信号的监测，拾音器属于非接触式测量，安装较方便，因此声音信号在电力设备的状态评估领域也逐渐得到广泛研究[24-25]。
声音信号如图8所示[27]，相比于图7，声音信号的时域信息不够明显，难以直接提取事件时刻点，往往需采取其他方法辅助提取特征，如文献[26]将声音信号划分区间，基于K-S检验法选取个别区间的幅值和作为时域特征。另外，声音信号的测量中易混入环境噪声，抗干扰性较差，应先对声音信号进行盲源分离才能提取有用信息，如文献[27]用快速独立分量分析来分离杂音，效果明显。
图8声音信号
Fig.8Soundsignal
3）触头位移信号
图9合闸过程的触头位移
Fig.9Tripcurvesofclosingprocess
1.1.3温度特性监测
值得一提的是，当前传感监测的大多数研究只基于单一类型的传感信号来挖掘特征。考虑到单一信号包含数据信息有限，有学者提出综合多个信号的方法，如文献[39]通过测量多个位置下的振动信号来提取特征，取得了一定效果，但仍属于同类信号的融合，文献[40]同时使用振动信号与声音信号进行联合分析，但振声信号同源，反映的仍是同一类部件的劣化状态。事实上，各类信号对断路器不同部件劣化的敏感程度不同，仅依赖单一类型的信号难以反映断路器整体的劣化状态，可能需要监测多源传感信号进行融合分析。
为从传感信号中进一步挖掘断路器劣化特性，常结合信号处理技术综合提取特征。考虑到特征维数一般较高，高维特征可能存在冗余性，因此采用特征降维方法来简化特征维数以提高特征的综合表征能力。下面分别对特征提取和特征降维展开叙述。
1.2.1特征提取
1）时域分析
2）时频混合分析
断路器动作机理复杂，仅提取时域特征不能全面反映其劣化状态，且对于一些特征不直观的信号，难以准确提取时域特征。现有方法多综合信号的时域、频域来提取劣化特征。考虑到断路器的传感信号多数是非平稳、非线性信号，常含多个突变点，传统的傅里叶变换系列方法在处理这类信号时存在频谱泄露、栅栏效应等问题，因此，单独频域分析的方法逐渐被时频混合分析方法所替代。小波变换和经验模态分解是处理非平稳信号的研究热点，也是典型的时频混合分析方法。近些年，这两类方法在特征提取方面应用广泛。
图10短时能量与短时能熵比的效果对比
Fig.10Effectcomparisonofshort-termenergyandshort-termenergyentropyratio
图11小波变换过程
Fig.11Waveletanalysisprocess
从小波系数可提取频带能量值[45]、信息熵[46]等作为断路器的劣化特征，同时，对小波系数进行阈值处理，还可滤除环境噪声等的干扰，如文献[47]采用小波变换对振动信号去噪，有效凸显了振动信号中包含的突变信息；从图11可看出，小波变换只能细分低频段信号，高频段信号的处理不够细致，对细小的边缘信号和纹波信号不敏感。小波包变换能对小波分析中未处理的高频段信号进一步分解，提高高频段信号的频率分辨率，实现方法与小波变换类似，文献[48]即采用小波包变换分析振动信号，提取了各频带的能量分布作为劣化特征。
小波及小波包变换在实用方面存在一定局限性。小波基函数和分解层数共同决定了研究频段和分解的细致程度，考虑到断路器传感信号中高频分量所含特征信息的机理尚不明确，因此难以确定该类方法的最优参数，即小波基函数和分解层数的选择需要较强的经验性。但小波变换系列方法经过了多年的发展，理论相对成熟，实现步骤较为方便，仍是非平稳信号分析领域的研究热点。
（2）经验模态分解系列。经验模态分解（Empi-ricalModeDecomposition,EMD）方法是一种自适应的频率分析方法，不需要人为设定参数，避免了人工不确定性因素的干扰，广泛应用于非平稳信号的处理。振动信号的EMD分解实例如图12所示[57]，EMD将原始传感信号循环分解为一系列不同特征尺度下的、独立的本征模态函数（IntrinsicModeFunction,IMF）分量，随着分解层数的增加，IMF分量的频率逐渐降低，且每个IMF分量所含频率成分仅与信号本身有关，与信号的采样频率无关，因此EMD具有较高的时频域分辨率，能够准确地揭示原始传感信号的内在特征。EMD每一层分解后，计算原始信号的剩余分量，当某一层分解后的剩余分量满足一定条件时，分解随即停止，各层IMF分量与最后的剩余分量满足式（1），即IMF分解层数无需人为确定，自适应性较强。当EMD分解完成后，现有方法多是对各阶IMF分量进行希尔伯特变换，再进一步提取能量值或信息熵作为劣化特征[49-50]。
式中，为原信号；n为自适应确定的分解层数；为第i层IMF分量；为分解结束后的剩余分量。
图12振动信号的EMD分解
Fig.12EMDdecompositionofvibrationsignal
1.2.2特征降维
智能评估是电磁式断路器健康管理的核心环节，评估结果对运维策略的制定起决定性作用。当前研究主要包括故障诊断、健康评估和剩余寿命预测。
2.1.1构建专家系统
2.1.2机器学习
故障诊断的核心问题是寻求各个劣化特征与故障状态之间的映射关系，机器学习（MachineLearning,ML）是近些年的研究热点，具有强大的非线性映射能力，相比于构建专家系统，ML基于数据挖掘技术学习诊断规则，自适应性高，因此，基于ML的故障诊断方法逐渐成为该领域的主流研究方法。这类方法将断路器故障诊断问题转化为ML领域的多分类问题：先人为确定若干故障状态，再结合监测数据和机器学习算法实现对断路器故障状态类型的识别与分类。
上述方法中，特征提取和诊断算法相互独立，诊断准确性一定程度上取决于前者所提供的故障信息是否全面，将这两方面作为整体考虑，进而实现端到端的故障诊断是该领域的一个重要发展方向。近几年，深度学习（DeepLearning,DL）是ML的热点领域，它是由多层隐含层构建的深层模型，可逐层深入地学习原始输入信号的抽象信息[74]，DL能自动提取劣化特征，为实现特征提取与诊断算法的融合、摆脱对专家经验的依赖提供了新的解决思路[75]。卷积神经网络（ConvolutionalNeuralNetwork,CNN）、深度信念网络和循环神经网络等DL经典体系结构被应用到了断路器的故障诊断领域，如文献[76]构建了如图13所示的CNN故障模型，将分合闸线圈电流的原始信号输入CNN，输出即是故障类型，实现了断路器劣化特征的自适应提取和故障诊断，有效避免了特征提取考虑不周等问题。此外，DL方法对研究对象的限制大大弱化，不再受制于断路器劣化规律的局限，极大地提高了故障诊断模型的普适性。然而，DL模型的原理较为复杂，数学理论尚不完备，应用中的计算成本较大，对数据质量、数量的要求较高，受到了诸多限制，DL目前还处于快速发展阶段，未来有望进一步实用化。
图13CNN故障诊断模型示意图
Fig.13SchematicdiagramofCNNfaultdiagnosismodel
健康评估是断路器健康管理的重要步骤，是预测剩余寿命的关键和前提，目的是对断路器从完好状态到故障、失效状态的全周期劣化过程进行定量评估。第2.1节涉及方法仅适用于定性诊断断路器的个别故障类型，为拓宽故障诊断的评估范围，有学者针对每一种故障状态去细分断路器的故障程度，得到了较为细致的评估结果，如文献[77]基于SVM模型对五种故障类型分别细分了七种故障程度，但故障程度的范围仍没有涵盖断路器的全寿命周期，无法全面评估断路器的健康程度。文献[78]针对断路器的零部件从正常到故障划分成了6个阶段，借助混沌吸引子的形态特性来判断故障程度，实现了健康状态的等级评估。
通过构建健康度（HealthIndex,HI）曲线可实现对健康状态的定量评估，相比于等级评估，HI更精准地反映了断路器的健康状态，避免分级的粗放性和不统一性。HI曲线的构建可分为直接构建和间接构建两类[79]，直接构建是将原始传感信号或劣化特征直接作为HI来表征劣化过程；间接构建是结合1.2.2节提到的特征降维算法，将多维劣化特征直接映射成一维的HI曲线。显然，间接构建更能全面反映劣化状态。机械工业领域对构建HI曲线的研究已有进展[80-82]，如文献[82]基于机械轴承的全周期劣化数据，采用堆叠去噪自编码器（StackedDenoisingAutoencoder,SDAE）和自组织映射（SelfOrganizingMapping,SOM）神经网络间接构建HI曲线，所构建的全周期HI曲线如图14所示，从图中可看出，轴承的前期HI变化较慢、后期变化较快，这与实际中轴承前期劣化速度慢、后期劣化速度加快的情况相符，能较好地描述轴承全周期的退化过程。
图14轴承的全周期健康度曲线
Fig.14Thewholecyclehealthcurveofbearings
当前构建HI曲线的方法存在HI含义不清晰、非线性度较高等缺陷，难以根据HI预测剩余使用寿命。同时，在电气领域，针对电力设备特别是断路器构建HI曲线的应用研究相对较少，国内外多数也仅实现了健康状态的等级评估[83-85]，还需进一步研究。
剩余寿命（RemainingUsefulLife,RUL）预测是断路器智能评估技术的最终目的。长期工作过程中，断路器机械部件发生磨损、润滑不良、弹簧劲度系数降低等问题，导致断路器的机械寿命减少；断路器分断不同等级电流时产生不同程度的电弧，电弧烧蚀触头系统，导致电气寿命减少，电寿命终结也是断路器失效的主要原因之一[86]。
2.3.1基于映射模型直接预测
获得全寿命周期的劣化数据或HI曲线后，可计算每组数据对应的RUL，劣化数据或HI作为输入变量，RUL作为输出响应，两者之间是非线性映射关系，选择合适的映射模型去逼近该映射关系是这种方法的研究重点，模型训练完成后可基于实际监测数据直接获得RUL预测值。
回归模型是较为常用的数据挖掘与分析手段，但常规的回归算法只能映射输入与输出间的线性关系，需改进算法，如文献[87]引入一个链接函数推广了传统回归模型，将非线性输出变为线性响应，采用广义线性回归模型建立了断路器RUL与特征参量之间的映射关系。此外，ML方法因具有很强的非线性映射能力也常被用来做拟合逼近，如文献[88-89]分别将人工神经网络和支持向量机作为映射模型，实现了RUL预测。
断路器的劣化过程中存在随机因素，如起弧相位随机、操作机构磨损程度不一等，导致劣化规律多变且复杂，表现为断路器的每一次全周期劣化轨迹都不同。因此，基于映射模型的RUL预测方法需大量重复性实验才能提高预测精度，自适应能力较弱，且容易过拟合。
2.3.2基于劣化模型间接预测
对断路器劣化过程建模以保留随机性对RUL预测的影响，现有方法多基于随机过程建模来间接预测RUL。应用广泛的随机过程有Markov过程[90]、Gamma过程[91]、Wiener过程[92]等，其中Markov过程无记忆性，认为断路器的劣化程度仅与当前状态有关；Gamma过程只含有非负增量，具有严格单调性质；Wiener过程由标准布朗运动驱动，带有线性漂移项，如式（2）所示，常用来建模具有线性趋势的非单调退化过程。相比之下，Wiener过程最符合断路器的劣化规律。
式中，x0为劣化特征的初始值；为漂移系数；为扩散系数；B(t)为标准布朗运动，服从标准正态分布。
基于Wiener过程的RUL预测如图15所示，先基于历史劣化数据采用极大似然估计法获得与的取值，进而预测劣化轨迹。Wiener过程具有很好的数学特性，在确定失效阈值后，Wiener过程的RUL满足逆高斯分布，可给出RUL概率密度函数[93]，通常取概率密度函数的最大值点作为RUL。文献[94-95]分别从分合闸线圈电流和振动信号中提取劣化量，借助Wiener模型成功实现了RUL预测。但是，这种方法存在的问题是：
图15基于Wiener过程的剩余寿命预测示意图
Fig.15SchematicdiagramofresiduallifepredictionbasedonWienerprocess
（1）现有方法需划分预测周期，在每个周期内分别计算与，只能周期性预测RUL，无法实时预测。文献[96]提出一种改进方法，首先基于历史数据对与进行极大似然估计，之后每增加一组新数据，就用所有数据更新一次参数，随即输出新的RUL，一定程度实现了实时预测。
（2）Wiener过程默认劣化趋势是线性趋势，仅适用于断路器在自然情况下的劣化。当断路器分断工况环境较为恶劣的故障电流时，会导致断路器加速劣化，劣化趋势随之改变，此时Wiener过程的参数估计受到极大干扰，模型可能失效。
（3）失效阈值的选择具有较大经验性，通常认为同一批次断路器的失效阈值相同，忽视了个体差异性，一定程度上降低了RUL预测的准确度。
电磁式断路器的健康管理系统需硬件软件相结合才能较好地实现功能。第1.2节内容多属于软件部分，硬件实现的示意图如图16所示，下面分别对状态监测和智能评估阐述其现有的硬件实现方法。
图16健康管理系统的硬件实现示意图
Fig.16Schematicdiagramofhardwareimplementation
如图16a所示，构建多维传感网络全方位测量断路器的状态参量，采集到的原始传感信号中常含有高频干扰，搭建低通滤波器或在软件中设计小波去噪、平滑滤波等算法[97]滤除，滤波后信号是模拟量，通过A-D模数转换传输到处理器中进行特征提取和评估。近些年，随着电力传感技术的发展，状态监测呈现出无线化和无源化的发展趋势：
（1）传感信号无线传输。断路器的运行环境通常较为恶劣，且传感器信号较小，传统采用信号线串口通信的方法极易受到高电压和强电磁的干扰，导致测量精度降低。为解决这一问题，蓝牙、红外传播、WiFi、ZigBee等短距离的无线通信技术逐渐被应用于传感信号的传输领域[14,98]，不仅避免了信号线布线的困难，还提高了传感器的绝缘性能。然而，目前短距离无线传输的抗干扰能力不足、易丢失数据，在发展信息传输技术的同时，还可从算法角度辅佐优化，如文献[99]提出了一种基于K近邻算法和极限学习机的故障诊断方法，一定程度上可修复丢失的数据；再者，无线传输的成本相对较高，需在权衡设计需求与经济后合理制定信号传输方案，如ABB公司设计的断路器[100]评估系统即采用有线+无线混合传输的模式，部分传感器通过信号线直接连接处理器，对于需要隔离的传感器则采用无线传输。
（2）传感器自供电。以往传感器的供电方式存在电源引线困难、电池更换成本高等缺陷。随着微能量收集技术的发展以及传感器功耗的降低，通过收集、储存传感器周围的光能、电场能、磁场能、温差能、振动能等原位能量实现传感器的自供电已成为一种可行的供电解决方案[101]，该方法在满足传感器供电需求的同时，还能起到节能减排的效用，提高能量利用率。
如图16b所示，处理器在接收传感信号后进行特征提取和智能评估，评估结果通过有线或无线的方式传输给上位机，当处理器功耗控制在小范围内时，也可采用环境能量收集的方式供电。智能评估硬件设计的核心是处理器的选择，目前多采用高级精简指令集计算机（AdvancedRISCMachine,ARM）、现场可编程逻辑门阵列（FieldProgrammableGateArray,FPGA）、数字信号处理器（DigitalSignalProcessor,DSP）等处理器模块中的单个或多个进行控制[14,30,102]，多数仅搭载了简单的阈值判定算法，评估结果的准确性、自适应性相对较差。事实上，评估算法已取得很大进展，但现有处理器的运算、存储能力不能完全满足智能评估嵌入式开发的要求，导致很多新的评估方法（特别是深度学习算法）仍停留在仿真实验阶段。随着人工智能嵌入式技术和云计算技术的发展，这些方法有望进一步实用化。
1）创新多源专用型传感监测方式
监测数据的种类、数量与质量直接决定了健康管理的最终效果。在电磁式断路器非线性、强耦合、强干扰、易冲击的应用环境下，传统通用型传感器已不能完全满足需求，急需针对触头烧蚀情况、电弧电压、触头行程等特定参量，从先进传感材料、智能感知芯片、器件制备等多维度开发专用型电力传感器，并兼顾测量的长期可靠性、准确性、抗干扰性、抗冲击性、经济性以及尺寸需求之间的平衡。
随着物联网技术的发展，监测并融合多源传感信息，进而构建高可靠、低成本的分布式多源传感网络势必成为传感监测的主流方式，包括运用微能量收集技术实现传感器自供电和运用低成本无线通信技术实现传感网络的互通互联等技术，目前，这方面还存在着能量收集效率低、数据传输失真率高等问题，仍需进一步研究和优化。
2）多途径探究综合影响下的劣化规律
电磁式断路器内部结构紧凑、动作机理繁琐、运行环境恶劣、产品存在个体差异性，多方面因素共同决定了劣化规律的复杂性。目前，多数研究仅考虑了断路器在单方面影响下的劣化规律，存在实验环境与实际环境差别较大、数据片面等问题。未来可从两个层面开展：一方面，结合理论原理和实际应用场合，考虑运行环境中多变量对劣化规律的综合影响，采集更多的现场数据，并改进特征提取方法，充分挖掘劣化特征，提高表征效果；另一方面，结合数字孪生技术、多物理场耦合仿真技术和虚拟现实仿真技术，建立高保真数字化仿真模型，进而利用数字孪生模型来推演劣化状态的演变机理，同时利用仿真模拟故障状况，可为评估算法提供数据支撑，但数字孪生技术的技术理论和准确性、普适性还需进一步研究和改良。高精度的数字孪生模型与现场监测数据、智能运维算法相结合，功能上相互补充，将成为健康管理技术发展的一大趋势。
3）增强智能评估方法的完备性
同时，智能评估技术中大多数智能算法的理论尚不完备，逻辑中含有随机性因素，参数整定的经验性较强，均给应用带来限制，实际上还需要多学科交叉融合来推进评估算法的智能化发展。
4）加快系统平台的实用化进程
受制于嵌入式算力和存储能力的局限，电磁式断路器健康管理的研究多数仍处于实验室阶段，特别是评估方面的很多成果需处理海量数据资源，计算任务繁重。随着云计算技术的发展，通过构建云计算平台、共享接入互联网的优质计算资源，可有效缓解健康管理技术的计算、存储难题。未来，应加快云计算、5G等新技术的应用步伐，并尽可能综合考虑嵌入式一体化、实时控制、分布式控制、系统安全等多方面因素，进行闭环验证和评估，共同推动电磁式断路器健康管理系统平台的实用化进程。
需要指出的是，本文针对电磁式断路器所综述的研究方法和发展趋势也适用于电磁系统操动的接触器和继电器。
参考文献
[2]肖先勇,郑子萱.“双碳”目标下新能源为主体的新型电力系统:贡献、关键技术与挑战[J].工程科学与技术,2022(1):47-59.
XiaoXianyong,ZhengZixuan.Newpowersystemsdominatedbyrenewableenergytowardsthegoalofemissionpeak&carbonneutrality:contribution,keytechniques,andchallenges[J].AdvancedEngineeringSciences,2022(1):47-59.
[3]盛戈皞,钱勇,罗林根,等.面向新型电力系统的电力设备运行维护关键技术及其应用展望[J].高电压技术,2021,47(9):3072-3084.
ShengGehao,QianYong,LuoLingen,etal.Keytechnologiesandapplicationprospectsforoperationandmaintenanceofpowerequipmentinnewtypepowersystem[J].HighVoltageEngineering,2021,47(9):3072-3084.
[4]KhanS,YairiT.Areviewontheapplicationofdeeplearninginsystemhealthmanagement[J].MechanicalSystemsandSignalProcessing,2018,107:241-265.
[5]JohnsonSB,GormleyTJ,KesslerSS,etal.Systemhealthmanagementwithaerospaoceapplications[M].WestSussex:JohnWiley＆Sons,Inc,2011.
[6]CarvalhoA,CormenzanaML,FurutaH,etal.CIGRétechnicalbrochureNo.512:finalreportofthe2004-2007internationalenquiryonreliabilityofhighvoltageequipment,part2reliabilityofhighvoltageequipment[M].Paris:CIGRE,2012.
[7]国家电网有限公司设备管理部.构建基于“大云物移智”等现代信息通信技术的智能运检体系[J].电力设备管理,2019(4):26-27.
StateGridCo.Ltd.Constructingaintelligenttrans-portationinspectionsystembasedonmoderninformationandcommunicationtechnologiessuchas“BCIMS”[J].ElectricPowerEquipmentManagement,2019(4):26-27.
[8]SullivanG,PughR,MelendezAP,etal.Operations&maintenancebestpractices—aguidetoachievingoperationalefficiency[R].Richland:PacificNorthwestNationalLab,2010.
[9]寇伟.加快推进“三型两网”建设促进电力工业高质量发展[J].电力设备管理,2019(6):13.
KouWei.Acceleratetheconstructionof“threetypesandtwonetworks”topromotethehighqualitydevelopmentofthepowerindustry[J].ElectricPowerEquipmentManagement,2019(6):13.
[10]薛禹胜,赖业宁.大能源思维与大数据思维的融合(一)大数据与电力大数据[J].电力系统自动化,2016,40(1):1-8.
XueYusheng,LaiYening.Integrationofmacroenergythinkingandbigdatathinkingpartonebigdataandpowerbigdata[J].AutomationofElectricPowerSystems,2016,40(1):1-8.
[11]MiaoQiang.Remainingusefullifepredictionoflithium-ionbatterywithunscentedparticlefiltertechnique[J].MicroelectronicsReliability,2013,53(6):805-810.
[12]孙曙光,张强,杜太行,等.基于分合闸线圈电流的万能式断路器故障诊断[J].仪器仪表学报,2018,39(2):130-140.
SunShuguang,ZhangQiang,DuTaihang,etal.Faultdiagnosisforconventionalcircuitbreakerbasedonswitchingcoilcurrent[J].ChineseJournalofScien-tificInstrument,2018,39(2):130-140.
[13]李劲彬,全江涛,陈隽,等.基于分合闸线圈电流的某换流站开关故障分析[J].高压电器,2015,51(2):141-145.
LiJinbin,QuanJiangtao,ChenJun,etal.Faultanalysisofcircuitbreakerinaconverterstationbasedonswitchingcoilcurrents[J].HighVoltageApparatus,2015,51(2):141-145.
[14]GuoJiao,ChenJie,LiTing,etal.Anonlinemonitoringschemeforcircuitbreakerscontactsystem[M].Singapore:SpringerSingapore,2020.
[15]常广,王毅.高压断路器机械状态在线监测装置的研究[J].高压电器,2003,39(2):44-46.
ChangGuang,WangYi.Anon-linemechanicalconditionmonitoringdeviceforhighvoltagecircuitbreakers[J].HighVoltageApparatus,2003,39(2):44-46.
[16]郭娇.开关类设备寿命预测方法研究[D].北京:北京交通大学,2020.
[17]王天泽,陈尔东,吉小军.断路器分合闸线圈电流信号及其特征点采集系统设计[J].仪表技术与传感器,2021(10):47-51,64.
WangTianze,ChenErdong,JiXiaojun.Designofcircuitbreakeropeningandclosingcoilcurrentsignalandcharacteristicpointacquisitionsystem[J].InstrumentTechniqueandSensor,2021(10):47-51,64.
[18]何志鹏,赵虎.微型断路器电寿命评估[J].电工技术学报,2022,37(4):1031-1040.
HeZhipeng,ZhaoHu.Electricallifespanevaluationofminiaturecircuitbreakers[J].TransactionsofChinaElectrotechnicalSociety,2022,37(4):1031-1040.
[19]李博,彭振东,沙新乐,等.混合直流断路器自然换流过程中弧压的测量及建模[J].船电技术,2019,39(2):45-48.
LiBo,PengZhendong,ShaXinle,etal.Measurementandmodelingofvacuumarcvoltageinthenatural-commutateofhybridDCcircuitbreaker[J].MarineElectric&ElectronicEngineering,2019,39(2):45-48.
[20]李博,任志刚,张少华,等.一种高压直流真空断路器的双向弧压测量装置及方法:CN113791340A[P].2021-12-14.
[21]程序,关永刚,张文鹏,等.基于因子分析和支持向量机算法的高压断路器机械故障诊断方法[J].电工技术学报,2014,29(7):209-215.
ChengXu,GuanYonggang,ZhangWenpeng,etal.DiagnosismethodonthemechanicalfailureofhighvoltagecircuitbreakersbasedonfactoranalysisandSVM[J].TransactionsofChinaElectrotechnicalSociety,2014,29(7):209-215.
[22]王继锋,唐文虎,季天瑶.基于振动信号的SF6高压断路器操动机构状态监测[J].高压电器,2017,53(9):53-59,65.
WangJifeng,TangWenhu,JiTianyao.On-lineconditionmonitoringofoperatingmechanismforSF6highvoltagecircuitbreakersbasedonvibrationsignals[J].HighVoltageApparatus,2017,53(9):53-59,65.
[23]陈北.基于振动信号的低压断路器故障诊断技术研究[D].北京:北京交通大学,2021.
[24]张瑶,罗林根,王辉,等.基于MPSO-MLE的变电站设备异常声源定位方法[J].高电压技术,2020,46(9):3145-3153.
ZhangYao,LuoLingen,WangHui,etal.MethodoflocatingabnormalacousticsourceofsubstationequipmentbasedonMPSO-MLE[J].HighVoltageEngineering,2020,46(9):3145-3153.
[25]周南,罗林根,黄辉,等.基于虚拟阵列扩展的特高频多源局部放电DOA估计方法[J].高电压技术,2019,45(5):1551-1558.
ZhouNan,LuoLingen,HuangHui,etal.Ultra-highfrequencymulti-sourcepartialdischargedirectionofarrivalestimationmethodbasedonvirtualarrayextension[J].HighVoltageEngineering,2019,45(5):1551-1558.
[26]杨元威,关永刚,陈士刚,等.基于声音信号的高压断路器机械故障诊断方法[J].中国电机工程学报,2018,38(22):6730-6737.
YangYuanwei,GuanYonggang,ChenShigang,etal.Mechanicalfaultdiagnosismethodofhighvoltagecircuitbreakerbasedonsoundsignal[J].ProceedingsoftheCSEE,2018,38(22):6730-6737.
[27]孙玉伟,罗林根,陈敬德,等.含噪背景下基于盲源分离与NSVDD的断路器机械故障诊断方法[J].高电压技术,2022,48(3):1104-1112.
SunYuwei,LuoLingen,ChenJingde,etal.MechanicalfaultdiagnosismethodofcircuitbreakerbasedonblindsourceseparationandNSVDDundernoisybackground[J].HighVoltageEngineering,2022,48(3):1104-1112.
[28]李德阁,武建文,马速良,等.基于行程信息的断路器弹簧故障程度诊断[J].高压电器,2018,54(4):20-27.
LiDege,WuJianwen,MaSuliang,etal.Faultdegreediagnosisofcircuitbreakerspringbasedontravelsignal[J].HighVoltageApparatus,2018,54(4):20-27.
[29]白云飞,王代远,朱庆洋,等.基于合闸行程曲线的12kV真空断路器合闸速度在线监测研究[J].高压电器,2021,57(10):59-65,76.
BaiYunfei,WangDaiyuan,ZhuQingyang,etal.Studyonon-linemonitoringofclosingspeedfor12kVvacuumcircuitbreakerbasedonclosingstrokecurve[J].HighVoltageApparatus,2021,57(10):59-65,76.
[30]谭佳明,陈玲玲,蒋佳成,等.交流中压真空断路器机械特性在线监测装置的研制[J].高压电器,2020,56(7):69-76.
TanJiaming,ChenLingling,JiangJiacheng,etal.Developmentofon-linemonitoringdeviceformechanicalcharacteristicsofACmediumvoltagevacuumcircuitbreaker[J].HighVoltageApparatus,2020,56(7):69-76.
[31]黄新波,陶晨,刘斌.智能断路器机械特性在线监测技术和状态评估[J].高压电器,2015,51(3):129-134,139.
HuangXinbo,TaoChen,LiuBin.On-linemonitoringtechnologyofmechanicalpropertiesandstateevaluationmethodforintelligentcircuitbreaker[J].HighVoltageApparatus,2015,51(3):129-134,139.
[32]张森林.GIS接触电阻与温升关系研究[D].北京:华北电力大学,2015.
[33]邱巍巍.红外测温技术应用于变电站图像监控系统的研究[D].保定:华北电力大学,2006.
[34]吴瑞文,王珍英,吴瑞春,等.变电所开关柜在线测温装置的研制[J].电工技术,2014(11):39-40.
WuRuiwen,WangZhenying,WuRuichun,etal.Developmentofon-linetemperaturemeasuringdeviceforsubstationswitchcabinet[J].ElectricEngineering,2014(11):39-40.
[35]侯磊.10kV高压开关柜无线测温技术研究[D].厦门:厦门大学,2014.
[36]崔建顺.开关柜断路器触头温度采集技术研究与装置开发[D].南京:东南大学,2017.
[37]陈新岗,马骏,赵唐,等.基于声表面波的智能断路器温度监测系统[J].仪表技术与传感器,2017(11):37-40.
ChenXingang,MaJun,ZhaoTang,etal.Tempera-turemonitoringsystemofintelligentcircuitbreakerbasedonsurfaceacousticwave[J].InstrumentTech-niqueandSensor,2017(11):37-40.
[38]彭汉华.10kV开关柜在线测温系统的研究[D].广州:华南理工大学,2017.
[39]马速良,武建文,袁洋,等.多振动信息下的高压断路器机械故障随机森林融合诊断方法[J].电工技术学报,2020,35(增刊2):421-431.
MaSuliang,WuJianwen,YuanYang,etal.Mechanicalfaultfusiondiagnosisofhighvoltagecircuitbreakerusingmulti-vibrationinformationbasedonrandomforest[J].TransactionsofChinaElectrotechnicalSociety,2020,35(S2):421-431.
[40]赵书涛,张佩,申路,等.高压断路器振声联合故障诊断方法[J].电工技术学报,2014,29(7):216-221.
ZhaoShutao,ZhangPei,ShenLu,etal.Vibrationandacousticjointmechanicalfaultdiagnosismethodofhighvoltagecircuitbreakers[J].TransactionsofChinaElectrotechnicalSociety,2014,29(7):216-221.
[41]王静君,王飞,杨元威,等.短时能量法在断路器机械振动信号分析中的应用[J].高压电器,2017,53(12):14-19.
WangJingjun,WangFei,YangYuanwei,etal.Applicationofshort-timeenergymethodintheanalysisofmechanicalvibrationsignalofcircuitbreaker[J].HighVoltageApparatus,2017,53(12):14-19.
[42]万书亭,马晓棣,陈磊,等.基于振动信号短时能熵比与DTW的高压断路器状态评估及故障诊断[J].高电压技术,2020,46(12):4249-4257.
WanShuting,MaXiaodi,ChenLei,etal.Stateevaluationandfaultdiagnosisofhigh-voltagecircuitbreakerbasedonshort-timeenergyentropyratioofvibrationsignalandDTW[J].HighVoltageEngin-eering,2020,46(12):4249-4257.
[43]DaubechiesI.Thewavelettransform,time-frequencylocalizationandsignalanalysis[J].IEEETransactionsonInformationTheory,1990,36(5):961-1005.
[44]MallatSG.Atheoryformultiresolutionsignaldecomposition:thewaveletrepresentation[J].IEEETransactionsonPatternAnalysisandMachineIntel-ligence,1989,11(7):674-693.
[45]鄢仁武,林穿,高硕勋,等.基于小波时频图和卷积神经网络的断路器故障诊断分析[J].振动与冲击,2020,39(10):198-205.
YanRenwu,LinChuan,GaoShuoxun,etal.Faultdiagnosisandanalysisofcircuitbreakerbasedonwavelettime-frequencyrepresentationsandcon-volutionneuralnetwork[J].JournalofVibrationandShock,2020,39(10):198-205.
[46]钟建英,刘洋,林莘,等.基于振动信号特征的高压断路器机械故障诊断技术研究[J].高压电器,2013,49(9):49-54.
ZhongJianying,LiuYang,LinXin,etal.Mechanicalfaultdiagnosistechnologyresearchofhigh-voltagecircuitbreakerbasedonthevibrationsignalcharac-teristic[J].HighVoltageApparatus,2013,49(9):49-54.
[47]王俊波,武利会,罗容波,等.基于小波变换—振动起始时刻分析的高压断路器故障诊断方法[J].高压电器,2020,56(6):211-217.
WangJunbo,WuLihui,LuoRongbo,etal.Faultdiagnosismethodofhighvoltagecircuitbreakerbasedonwavelettransform-vibrationstarttimeanalysis[J].HighVoltageApparatus,2020,56(6):211-217.
[48]缪希仁,王燕.低压断路器振动特性分析与合闸同期性研究[J].电工技术学报,2013,28(6):81-85.
MiaoXiren,WangYan.Vibrationcharacteristicanalysisandclosingsynchronizationresearchoflowvoltagecircuitbreakers[J].TransactionsofChinaElectrotechnicalSociety,2013,28(6):81-85.
[49]缪希仁,吴晓梅,石敦义,等.采用HHT振动分析的低压断路器合闸同期辨识[J].电工技术学报,2014,29(11):154-161.
MiaoXiren,WuXiaomei,ShiDunyi,etal.SwitchingsynchronismidentificationoflowvoltagecircuitbreakerutilizingHHTanalysistovibrationsignal[J].TransactionsofChinaElectrotechnicalSociety,2014,29(11):154-161.
[50]陈伟根,邓帮飞,杨彬.基于振动信号经验模态分解及能量熵的高压断路器故障识别[J].高压电器,2009,45(2):90-93,96.
ChenWeigen,DengBangfei,YangBin.Faultrecog-nitionforhighvoltagecircuitbreakerbasedonEMDofvibrationsignalandenergyentropycharacteri-stic[J].HighVoltageApparatus,2009,45(2):90-93,96.
[51]刘荣海,豆龙江,万书亭,等.基于EEMD样本熵和支持向量机的高压断路器故障诊断[J].华北电力大学学报(自然科学版),2018,45(2):82-88.
LiuRonghai,DouLongjiang,WanShuting,etal.FaultdiagnosisofhighvoltagecircuitbreakerbasedonEEMDsampleentropyandsupportvectormachine[J].JournalofNorthChinaElectricPowerUniversity(NaturalScienceEdition),2018,45(2):82-88.
[52]孙曙光,于晗,杜太行,等.基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法[J].电工技术学报,2017,32(19):107-117.
SunShuguang,YuHan,DuTaihang,etal.Vibrationandacousticjointfaultdiagnosisofconventionalcircuitbreakerbasedonmulti-featurefusionandimprovedQPSO-RVM[J].TransactionsofChinaElectrotechnicalSociety,2017,32(19):107-117.
[53]黄南天,方立华,王玉强,等.基于局域均值分解和支持向量数据描述的高压断路器机械状态监测[J].电工电能新技术,2017,36(1):73-80.
HuangNantian,FangLihua,WangYuqiang,etal.Machineryconditionmonitoringofhighvoltagecircuitbreakersbasedonlocalmeandecompositionandsupportvectordatadescription[J].AdvancedTechnologyofElectricalEngineeringandEnergy,2017,36(1):73-80.
[54]ObarcaninK,LacevicB,ErmidoroM.Ahigh-voltagecircuitbreakerconditionassessmentmethodusingthevibrationfingerprintbasedonVMD-EMmethod[C]//2020IEEEInternationalInstrumentationandMeasurementTechnologyConference(I2MTC),Dubrovnik,Croatia,2020:1-6.
[55]YangQiuyu,RuanJiangjun,ZhuangZhijian.Faultdiagnosisforcircuit-breakersusingadaptivechirpmodedecompositionandattractor'smorphologicalcharacteristics[J].MechanicalSystemsandSignalProcessing,2020,145:106921.
XinZhongliang,HuoMingxia,JiaPengju,etal.Circuitbreakermechanicalfaultdiagnosisbasedonempiricalwavelettransformandrelevancevectormachine[J].ElectricalMeasurement&Instrumentation,2019,56(13):97-103.
[57]孙一航,武建文,廉世军,等.结合经验模态分解能量总量法的断路器振动信号特征向量提取[J].电工技术学报,2014,29(3):228-236.
SunYihang,WuJianwen,LianShijun,etal.Extractionofvibrationsignalfeaturevectorofcircuitbreakerbasedonempiricalmodedecompositionamountofenergy[J].TransactionsofChinaElec-trotechnicalSociety,2014,29(3):228-236.
[58]刘伟鹏,张国钢,刘亚魁,等.基于主成分分析和支持向量机的高压断路器机械状态识别方法[J].高压电器,2020,56(9):267-272,278.
LiuWeipeng,ZhangGuogang,LiuYakui,etal.Mechanicalstatusidentificationofhighvoltagecir-cuitbreakersbasedonprincipalcomponentanalysisandsupportvectormachines[J].HighVoltageApparatus,2020,56(9):267-272,278.
[59]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.
YangQiuyu,RuanJiangjun,HuangDaochun,etal.Openingdamperconditionevaluationbasedonvibrationtime-frequencyimagesforhigh-voltagecir-cuitbreakers[J].TransactionsofChinaElectro-technicalSociety,2019,34(19):4048-4057.
[60]梅飞,梅军,郑建勇,等.粒子群优化的KFCM及SVM诊断模型在断路器故障诊断中的应用[J].中国电机工程学报,2013,33(36):134-141,19.
MeiFei,MeiJun,ZhengJianyong,etal.ApplicationofparticleswarmfusedKFCMandclassificationmodelofSVMforfaultdiagnosisofcircuitbreaker[J].ProceedingsoftheCSEE,2013,33(36):134-141,19.
[61]林琳,陈志英.基于粗糙集神经网络和振动信号的高压断路器机械故障诊断[J].电工技术学报,2020,35(增刊1):277-283.
LinLin,ChenZhiying.Mechanicalfaultdiagnosisofhighvoltagecircuitbreakersbasedonroughsetneuralnetworksandvibrationsignals[J].TransactionsofChinaElectrotechnicalSociety,2020,35(S1):277-283.
[62]SetiawanA,AdiatiW,PrasojoRA.Anapproachoftheanalytichierarchyprocesstoacquiretheweightingfactorofhighvoltagecircuitbreakerhealthindex[C]//2020InternationalConferenceonTech-nologyandPolicyinEnergyandElectricPower(ICT-PEP),Bandung,Indonesia,2020:317-322.
[63]黄建,胡晓光,巩玉楠,等.高压断路器机械故障诊断专家系统设计[J].电机与控制学报,2011,15(10):43-49.
HuangJian,HuXiaoguang,GongYunan,etal.Machineryfaultdiagnosisexpertsystemforhighvoltagecircuitbreaker[J].ElectricMachinesandControl,2011,15(10):43-49.
[64]GengXinbo,XieLe.LearningtheLMP-loadcouplingfromdata:asupportvectormachinebasedapp-roach[J].IEEETransactionsonPowerSystems,2017,32(2):1127-1138.
[65]杨秋玉,阮江军,黄道春,等.基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断[J].电机与控制学报,2020,24(3):11-19.
YangQiuyu,RuanJiangjun,HuangDaochun,etal.MechanicalfaultdiagnosisforhighvoltagecircuitbreakersbasedonVMD-HilbertmarginalspectrumenergyentropyandSVM[J].ElectricMachinesandControl,2020,24(3):11-19.
[66]DinevaA,MosaviA,FaizollahzadehAS,etal.Reviewofsoftcomputingmodelsindesignandcontrolofrotatingelectricalmachines[J].Energies,2019,12(6):1049.
[67]徐建源,张彬,林莘,等.能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用[J].高电压技术,2012,38(6):1299-1306.
XuJianyuan,ZhangBin,LinXin,etal.ApplicationofenergyspectrumentropyvectormethodandRBFneuralnetworksoptimizedbytheparticleswarminhigh-voltagecircuitbreakermechanicalfaultdiag-nosis[J].HighVoltageEngineering,2012,38(6):1299-1306.
[68]刘艳,康海贵,孙敏.基于遗传算法的模糊优选神经网络路面性能评价模型[J].大连理工大学学报,2010,50(1):117-122.
LiuYan,KangHaigui,SunMin.Geneticalgorithm-basedfuzzyoptimizationneuralnetworkmodelforpavementperformanceevaluation[J].JournalofDalianUniversityofTechnology,2010,50(1):117-122.
SunShuguang,YuHan,DuTaihang,etal.DiagnosisontheswitchingfaultofconventionalcircuitbreakerbasedonvibrationsignalsampleentropyandRVM[J].TransactionsofChinaElectrotechnicalSociety,2017,32(7):20-30.
[70]王昱皓,武建文,马速良,等.基于核主成分分析-SoftMax的高压断路器机械故障诊断技术研究[J].电工技术学报,2020,35(增刊1):267-276.
WangYuhao,WuJianwen,MaSuliang,etal.MechanicalfaultdiagnosisresearchofhighvoltagecircuitbreakerbasedonkernelprincipalcomponentanalysisandSoftMax[J].TransactionsofChinaElectrotechnicalSociety,2020,35(S1):267-276.
[71]BoyaciA,BeckerO,AmihaiI.Vibrationmonitoringformedium-voltagecircuitbreakerdrivesusingarti-ficialintelligence[C]//CIRED2021-The26thInter-nationalConferenceandExhibitiononElectricityDistribution,OnlineConference,2021:1-5.
[72]邵阳,武建文,马速良,等.用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法[J].中国电机工程学报,2021,41(8):2890-2901.
ShaoYang,WuJianwen,MaSuliang,etal.IntegratedSVMmethodwithAM-ReliefFfeatureselectionformechanicalfaultdiagnosisofhighvoltagecircuitbreakers[J].ProceedingsoftheCSEE,2021,41(8):2890-2901.
[73]MaSuliang,ChenMingxuan,WuJianwen,etal.High-voltagecircuitbreakerfaultdiagnosisusingahybridfeaturetransformationapproachbasedonrandomforestandstackedautoencoder[J].IEEETransactionsonIndustrialElectronics,2018,66(12):9777-9788.
[74]任浩,屈剑锋,柴毅,等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策,2017,32(8):1345-1358.
RenHao,QuJianfeng,ChaiYi,etal.Deeplearningforfaultdiagnosis:thestateoftheartandchallenge[J].ControlandDecision,2017,32(8):1345-1358.
[75]SunShuguang,ZhangTingting,LiQin,etal.Faultdiagnosisofconventionalcircuitbreakercontactsystembasedontime—frequencyanalysisandimprovedAlexNet[J].IEEETransactionsonInstru-mentationandMeasurement,2021,70:1-12.
[76]孙曙光,李勤,杜太行,等.基于一维卷积神经网络的低压万能式断路器附件故障诊断[J].电工技术学报,2020,35(12):2562-2573.
SunShuguang,LiQin,DuTaihang,etal.Faultdiagnosisofaccessoriesforthelowvoltagecon-ventionalcircuitbreakerbasedonone-dimensionalconvolutionalneuralnetwork[J].TransactionsofChinaElectrotechnicalSociety,2020,35(12):2562-2573.
[77]孙曙光,张强,杜太行,等.基于振动信号的低压万能式断路器分合闸故障程度评估方法的研究[J].中国电机工程学报,2017,37(18):5473-5482,5547.
SunShuguang,ZhangQiang,DuTaihang,etal.Studyofevaluationmethodforlowvoltageconventionalcircuitbreakerswitchingfaultdegreebasedonvibrationsignal[J].ProceedingsoftheCSEE,2017,37(18):5473-5482,5547.
[78]杨秋玉,王栋,阮江军,等.基于振动信号的断路器机械零部件故障程度识别[J].电工技术学报,2021,36(13):2880-2892.
YangQiuyu,WangDong,RuanJiangjun,etal.Faultseverityestimationmethodformechanicalpartsincircuitbreakersbasedonvibrationanalysis[J].TransactionsofChinaElectrotechnicalSociety,2021,36(13):2880-2892.
[79]彭宇,刘大同.数据驱动故障预测和健康管理综述[J].仪器仪表学报,2014,35(3):481-495.
PengYu,LiuDatong.Data-drivenprognosticsandhealthmanagement:areviewofrecentadvances[J].ChineseJournalofScientificInstrument,2014,35(3):481-495.
[80]LiNaipeng,LeiYaguo,LinJing,etal.Animprovedexponentialmodelforpredictingremainingusefullifeofrollingelementbearings[J].IEEETransactionsonIndustrialElectronics,2015,62(12):7762-7773.
[81]MalhiA,YanRuqiang,GaoR.Prognosisofdefectpropagationbasedonrecurrentneuralnetworks[J].IEEETransactionsonInstrumentationandMeasure-ment,2011,60(3):703-711.
[82]赵光权,刘小勇,姜泽东,等.基于深度学习的轴承健康因子无监督构建方法[J].仪器仪表学报,2018,39(6):82-88.
ZhaoGuangquan,LiuXiaoyong,JiangZedong,etal.Unsupervisedhealthindicatorofbearingbasedondeeplearning[J].ChineseJournalofScientificInstru-ment,2018,39(6):82-88.
[83]ZhaoShuai,MakisV,ChenShaowei,etal.Healthassessmentmethodforelectroniccomponentssubjecttoconditionmonitoringandhardfailure[J].IEEETransactionsonInstrumentationandMeasurement,2019,68(1):138-150.
[84]PromseelaL,SuwanasriC,SaributS,etal.Riskassessmentforpowercircuitbreakerbyusingfailuremodes,effectsandcriticalityanalysis[C]//Inter-nationalConferenceonPower,EnergyandInnov-ations(ICPEI),Chiangmai,Thailand,2021:149-152.
[85]GengSujie.Researchondata-drivenmethodforcircuitbreakerconditionassessmentbasedonbackpropagationneuralnetwork[J].Computers&Elec-tricalEngineering,2020,86:106732.
[86]ZhangXiang,ZhangJiaosuo,GockenbachE,etal.LifemanagementofSF6circuitbreakersbasedonmonitoringanddiagnosis[J].IEEEElectricalInsu-lationMagazine,2009,25(3):21-29.
[87]段雄英,赵洋洋,陈艳霞,等.基于Spark的高压断路器机械寿命预测评估[J].高压电器,2020,56(9):80-86.
DuanXiongying,ZhaoYangyang,ChenYanxia,etal.Spark-basedpredictionandevaluationofmechanicallifeforhighvoltagecircuitbreakers[J].HighVoltageApparatus,2020,56(9):80-86.
[88]刘小勇.基于深度学习的机械设备退化状态建模及剩余寿命预测研究[D].哈尔滨:哈尔滨工业大学,2018.
[89]SunFuqiang,LiXiaoyang,LiaoHaitao,etal.ABayesianleast-squaressupportvectormachinemethodforpredictingtheremainingusefullifeofamicrowavecomponent[J].AdvancesinMechanicalEngineering,2017,9(1):1-9.
[90]何成刚.马尔科夫模型预测方法的研究及其应用[D].合肥:安徽大学,2011.
[91]李奎,李正广,段宇,等.基于Gamma过程的交流接触器剩余电寿命仿真预测[J].电测与仪表,2018,55(16):105-111.
LiKui,LiZhengguang,DuanYu,etal.SimulationresidualelectricallifepredictionofACcontactorbasedontheGammaprocess[J].ElectricalMeasure-ment&Instrumentation,2018,55(16):105-111.
[92]刘帼巾,李想,王泽,等.基于Wiener过程电子式漏电断路器的剩余寿命预测[J].电工技术学报,2022,37(2):528-536.
LiuGuojin,LiXiang,WangZe,etal.RemaininglifepredictionofelectronicresidualcurrentcircuitbreakerbasedonWienerprocess[J].TransactionsofChinaElectrotechnicalSociety,2022,37(2):528-536.
[93]司小胜,胡昌华.数据驱动的设备剩余寿命预测理论及应用[M].北京:国防工业出版社,2016.
[94]孙曙光,王佳兴,王景芹,等.基于Wiener过程的万能式断路器附件剩余寿命预测[J].仪器仪表学报,2019,40(2):26-37.
SunShuguang,WangJiaxing,WangJingqin,etal.RemainingusefullifepredictionofaccessoriesfortheconventionalcircuitbreakerbasedonWienerpro-cess[J].ChineseJournalofScientificInstrument,2019,40(2):26-37.
[95]孙曙光,张伟,王景芹,等.基于动作过程振动检测的低压断路器机械寿命预测[J].仪器仪表学报,2020,41(12):146-157.
SunShuguang,ZhangWei,WangJingqin,etal.Mechanicallifepredictionoflow-voltagecircuitbreakerbasedonvibrationdetectionduringopera-tion[J].ChineseJournalofScientificInstrument,2020,41(12):146-157.
[96]孙曙光,李勤,王佳兴,等.基于性能退化模型的万能式断路器操作附件实时剩余寿命预测[J].仪器仪表学报,2019,40(10):120-129.
SunShuguang,LiQin,WangJiaxing,etal.Real-timeremainingusefullifepredictionofoperatingaccesso-riesfortheconventionalcircuitbreakerbasedonperformancedegradationmodel[J].ChineseJournalofScientificInstrument,2019,40(10):120-129.
[97]关永刚,杨元威,钟建英,等.高压断路器机械故障诊断方法综述[J].高压电器,2018,54(7):10-19.
GuanYonggang,YangYuanwei,ZhongJianying,etal.Reviewonmechanicalfaultdiagnosismethodsforhigh-voltagecircuitbreakers[J].HighVoltageApparatus,2018,54(7):10-19.
[98]陈新岗,赵唐,马骏,等.基于ZigBee无线组网的真空断路器温度在线监测系统设计[J].仪表技术与传感器,2018(8):39-42,72.
ChenXingang,ZhaoTang,MaJun,etal.DesignofvacuumcircuitbreakertemperatureonlinemonitoringsystembasedonZigBeewirelessnetwork[J].Instru-mentTechniqueandSensor,2018(8):39-42,72.
[99]ZhouGang,HanZhongjie,FuJin,etal.Iterativeonlinefaultidentificationschemeforhigh-voltagecircuitbreakerutilizingalostdatarepairtechnique[J].Energies,2020,13(13):3311.
[100]卢科军,顾翔翼.断路器:CN110400727A[P].2019-11-01.
[101]李春龙,黄辉,梁云,等.面向电力传感器的环境能量收集技术发展趋势及面临的挑战[J].中国电力,2021,54(2):27-35.
LiChunlong,HuangHui,LiangYun,etal.Powersensor-orienteddevelopmentandchallengesofenvironmentalenergyharvestingtechnologies[J].ElectricPower,2021,54(2):27-35.
[102]郑春开,李子平,廖军,等.一种断路器装置:CN214898306U[P].2021-11-26.
HanXiangyuNiuChunpingHeHailongWuJiabaoChenZiwei
（StateKeyLaboratoryofElectricalInsulationandPowerEquipmentXi’anJiaotongUniversityXi’an710000China）
AbstractAsthekeyswitchgearinapowersystem,anelectromagneticcircuitbreakerplaysavitalroleincontrollingenergyflow,protectingthesystemcircuit,andisolatingfaultcurrent.Itisofgreatsignificancetorealizethehealthmanagementofelectromagneticcircuitbreakerstoimprovethereliability,security,andstabilityofpowersupplysystems.Withthedevelopmentofadvancedsensortechnology,industrialbigdatatechnology,andartificialintelligencetechnology,the“data-drivenapproach”hasgraduallyreplacedtheprevious“mechanismmodelingapproach”tobecomethemainstreamresearchdirectionofelectromagneticcircuitbreakerhealthmanagementtechnology.Conditionmonitoringandintelligentassessmentarethemaincontentsinthisfield.Throughadetailedreviewofthemainreferencesorpublishedtechnologypatentsinthepastdecade,thecurrentresearchstatusof“sensingmonitoring”,“featureextractionanddimensionreduction”,“faultdiagnosis”,“healthassessment”,and“residuallifeprediction”wereanalyzed.
Finally,consideringtheexistingproblems,thefollowingresearchmethodsanddevelopmenttrendsofscientificandtechnologicalproblemsarediscussed.(1)CombinedwiththeworkingconditionsofcircuitbreakersandtheInternetofthingstechnology,developingaspecialsensormonitoringmethodandconstructingadistributedmulti-sourcesensornetworkwithhighreliabilityandlowcostwillbecomethemainstreamway.(2)Digitaltwintechnology,multi-physicalfieldcouplingsimulationtechnology,andvirtualsimulationtechnologycombinedwillbecomeamajortrendtoexplorethedeteriorationlawunderthecomprehensiveinfluenceinmultipleways.(3)Multi-disciplinaryintegrationcanenhancethecompletenessofintelligentassessmentmethods.(4)Theapplicationofcloudcomputing,5G,andothernewtechnologiesshouldbeaccelerated.Theembeddedintegration,real-timecontrol,distributedcontrol,andsystemsecurityshouldbecomprehensivelyconsideredasfaraspossibletojointlypromotethepracticalprocessofelectromagneticcircuitbreakerhealthmanagementsystemplatform.
keywords：Circuitbreaker,conditionmonitoring,intelligentassessment,datadriving,artificialintelligence
DOI:10.19595/j.cnki.1000-6753.tces.220204
中图分类号：TM561
收稿日期2022-02-15
改稿日期2022-04-08
作者简介
韩翔宇男，1999年生，硕士研究生，研究方向为开关装备状态监测与智能评估技术。E-mail:hanxiangyu@stu.xjtu.edu.cn
何海龙男，1987年生，博士，副研究员，硕士生导师，研究方向为开关装备智能运维技术、先进传感与供能技术、直流故障限流技术等。E-mail:hhlong@xjtu.edu.cn（通信作者）