图1 基于数据驱动的电磁式断路器的健康管理技术
Fig.1 Health assessment technology of electromagnetic circuit breaker based on data drive
摘要 在智能电网的发展背景下，电磁式断路器的健康管理对提高电力系统的供电可靠性、安全性和稳定性具有重要意义，因此受到了研究者们的广泛关注。状态监测和智能评估是电磁式断路器健康管理的主要内容。首先，通过对近些年相关文献的梳理，从传感监测、特征提取与降维、故障诊断、健康评估和剩余寿命预测方面总结当前的研究现状，并着重分析了现有技术中存在的局限。然后，简要介绍电磁式断路器健康管理系统的硬件实现方案，阐明了在实际应用上的不足。最后，讨论了状态监测与智能评估所面临的研究挑战以及未来的发展趋势，希望能给该领域的研究人员提供一定参考。
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（Prognostics and Health Manage- 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。
电磁式断路器作为电力系统中的关键开关设备，起到控制能量流动、保护系统电路、隔离故障电流等重要作用，被广泛应用在电力系统中。随着动作次数的增加，断路器的关键部件产生不同程度的机械性能和电气性能的劣化，多重劣化因素作用下产生的故障类型主要分为机械故障和电气故障[6]。主要故障反映为拒绝合闸、拒绝分闸、误分闸和误合闸四种情况，容易引发停电和电气设备损坏等事故，造成较大的经济损失。电磁式断路器的正常运行关系到电力系统的安全稳定运行，高效的运维方案是保证其可靠性的重要手段，2017年国家电网公司发布《智能运检白皮书》，推动电力检修方式从传统计划检修向状态检修积极转变，努力打造以状态实时检测为基础、以故障有效诊断和决策为输出的智能运检体系[7]。数据表明，采用预防性维护技术有望减少电力系统中30 %的维护费用，避免35 %～45 %的事故，降低75 %的停机时间[8]。因此，应用PHM技术实现电磁式断路器的健康管理对提高电力系统的供电可靠性、安全性和稳定性具有重要意义。
随着先进传感器技术、工业大数据技术和人工智能技术的发展以及国家电网公司提出“三型两网”的战略规划[9]，数据已成为电力系统的核心资源，国家电网灾备信息的累积量已达15 PB以上，仅在网运行的2.4亿只智能电能表一年即可产生200 TB数据[10]，海量数据的产生为实现电磁式断路器的全周期健康管理提供了新的可能。近年来，“基于数据驱动的方法”逐渐代替以往“基于机理建模的方法”成为电磁式断路器健康管理技术的主流研究方向[11]。基于数据驱动的电磁式断路器的健康管理技术如图1所示，数据驱动下的健康管理技术主要包括状态监测和智能评估两大部分：状态监测是健康管理技术的基础，也是近些年电力物联网感知层的重要建设内容。状态监测技术首先运用传感器实时监测状态参量，产生大量数据后，再应用信号分析技术从中提取多个反映劣化状态的时频特征量，为后续的评估奠定数据基础。智能评估是健康管理技术的核心环节，与计算机科学、人工智能、信息处理、测量与控制等学科深度交叉，衍生出了故障诊断技术、健康评估技术和剩余寿命预测技术，目的是基于状态监测提供的数据或提取的劣化特征实现对运行状态的综合评估。之后，结合智能评估结果可及时给出相应的运维策略，实现状态检修。目前，电磁式断路器的健康管理技术还存在传感器抗扰能力差、数据利用率低、故障机理不明、评估效果不准等缺陷，多数研究仍处于实验室阶段，还需要结合实际需求不断深入。
图1 基于数据驱动的电磁式断路器的健康管理技术
Fig.1 Health assessment technology of electromagnetic circuit breaker based on data drive
本文以电磁式断路器（后文简称“断路器”）为研究对象，详细梳理了近十年的主要文献或公开报道的技术专利，重点关注基于数据驱动的健康管理技术，检修决策部分未过多涉及。对于状态监测技术，本文总结了当前广泛应用的传感信号及监测手段，并从特征提取和特征降维两方面阐述了多种信号处理方法；对于智能评估技术，主要介绍了故障诊断、健康评估及剩余寿命预测的主流研究成果。然后简要概述了健康管理系统的硬件方案和应用进展。最后对全文进行总结，阐明了现存问题和发展趋势。
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
断路器的电气信号不仅直接反映断路器电气回路、控制回路的劣化程度，还间接反映相关机械部件的运行情况。主要包括电流信号和弧压信号。
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.2 Switching coil current waveform
表1 分合闸线圈电流的变化过程
Tab.1 The changing process of opening and closing coil current
阶段时间段变化过程 1t0～t1t0时刻线圈通电，铁心受到的电磁力小于阻力，铁心不动，线圈电流持续上升 2t1～t2t1时刻铁心开始运动，铁心运动在线圈中产生反电动势，电流减小 3t2～t3t2时刻铁心运动到位，线圈电流持续上升 4t3～t4线圈电流保持不变 5t4～t5辅助开关动作，切断线圈回路，电流迅速下降至0
该信号不仅反映线圈控制回路的状态，还能反映操作机构的运动状态。例如，电磁铁铁心和复位弹簧的锈蚀使铁心运动的阻力增加，导致铁心运动的时间（t1～t2）变长，此外，辅助开关的动作决定于传动机构，传动机构磨损会增长辅助开关的动作时间（t3～t4）。因此，图2中的关键时段、电流分段变化速率及电流极值点幅值均可作为时域局部特征。文献[12-13]即从分合闸线圈电流中提取包括电流时域局部特征在内的多个特征来进行故障诊断，取得了不错的实验效果。
（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.3 Main circuit current waveforms at switching
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.4 Schematic diagram of Hall current sensor
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.5 Diagram of arc voltage of DC circuit breaker
图6 双向弧压测量装置
Fig.6 Bidirectional arc voltage measuring device
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
在断路器动作过程中，操作机构及传动机构部件间的摩擦与碰撞、动静触头相互撞击都会产生机械振动信号，因此振动信号中蕴含丰富的机械状态信息。振动信号如图7所示[22]。从图7可看出，振动信号有多个明显的事件时刻点，如幅值最大点对应动静触头撞击的时刻，关键时刻点及时间间隔均可作为断路器的劣化特征，如文献[21]即从振动信号中提取时刻点特征进行故障诊断。
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.7 Vibration signal
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.8 Sound signal
3）触头位移信号
动触头位移信号能直接反映断路器的运行状 态[28]。断路器合闸过程的触头位移如图9所示[29]，该信号能够直观地提取动作时间、超程量等劣化特征，因此受到了学者们的关注[29]。触头位移信号的监测难度较大，最直接的监测方式是安装直线位移传感器，但随着断路器内部结构逐渐缩小，且触头处于高电位，不便于安装该类传感器。文献[30]指出断路器主轴转动的角位移与动触头的直线位移有着确定的对应关系，能够反映动触头的位移状态，可通过在主轴处安装角位移传感器来间接测量触头位移信号。电阻型角位移传感器原理简单、测量精度高，被广泛用于监测触头位移[28-30]。此外，也有学者采用增量式光电编码器[31]，但对于转角不满一周的动触头，需要较高的光栅密度才能保证测量精度。
图9 合闸过程的触头位移
Fig.9 Trip curves of closing process
1.1.3 温度特性监测
断路器长期运行过程中，触头机械磨损、预紧力松弛、电弧烧蚀等因素的累积导致动静触头间接触电阻增大，电流作用下产生的焦耳热不断增多，引起局部发热。近年来，断路器触头过热性故障时有发生且呈上升趋势，严重时导致触头烧毁并对邻近导体放电引发短路事故[32]。因此，监测温度特性能反映断路器触头系统的劣化状况，并有效预防触头过热引发的安全事故。现有温度监测方法较多，主要分为非接触式测温和接触式测温。其中，基于黑体辐射定律的红外测温[33]属于非接触式，该类方法不与断路器直接接触；基于热电效应的热电偶测温[34]、基于导体或半导体电阻随温度变化的热敏电阻测温[35]、基于布拉格光栅波长对温度敏感的光纤光栅测温[36]、基于声表面波传播特性与温度线性相关的声表面波测温[37]等属于接触式，应用时需将传感器固定在断路器的高温热点附近。以上提及的测温方法均经历了长时间的应用和改良，积累了大量工程经验，方法相对成熟，在测量精度、响应速度上均能达到不错的效果，具体的对比和分析参考文献[38]，可根据具体实用需求进行选择。
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
一些传感信号的时域特征较明显，可从时域波形中直接观察出多个不同的动作事件，如分合闸线圈电流的波形被分为5个阶段（见图2），其中阶段2的两个时间点分别对应电磁铁“运动开始”和“运动结束”的时刻。这些关键事件的发生时刻随着断路器的劣化而改变，因此常作为时域劣化特征被提取。此外，主回路电流、振动信号、触头位移等信号也可用来提取关键事件。
短时能量法是断路器时域分析中提取关键事件的常用方法。该方法通过添加一个移动的窗函数使能量在一定范围内累积，在凸显能量较大的关键信息的同时，还能有效抑制能量较小的噪声信号。因此，经短时能量法处理的信号能将断路器动作过程中的关键事件按原始时间顺序准确地显现出来。文献[41]应用短时能量法从振动信号中提取动作事件的发生时刻，提高了信号的信噪比；另一方面，断路器结构复杂，传感信号中可能包含一些微弱的事件信息。短时能量法对微弱信息不敏感，存在部分信息丢失问题。近年来，有学者提出相应的改进方法，如文献[42]采用短时能熵比法有效增强了振动信号中的微小冲击，短时能量法和短时能熵比法的分析效果如图10所示，可以看出，后者能有效增强振动信号中微弱信息的特征，提高特征提取的完 备性。
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.10 Effect comparison of short-term energy and short-term energy entropy ratio
（1）小波变换系列。小波变换是时间窗和频率窗都可改变的时频局部化分析方法，能将原始信号局部的时间尺度和频率尺度的信息同时表征出来[43]，在低频范围内具有较好的频率分辨率、在高频范围内具有较好的时间分辨率，与低频信号变化缓慢、高频信号变化迅速的特点相符，适用于处理非平稳信号，受到了断路器特征提取领域的广泛关注。实际中多采用离散小波变换（Discrete Wavelet Trans- form, DWT），DWT基于Mallat快速算法[44]实现多分辨率分析。确定小波基函数和分解层数等参数后，小波变换过程如图11所示，每一层分解都会产生一个低频近似信号和一个高频细节信号，输出信号的带宽逐层减半，因此，小波变换的多尺度分解类似通过高通滤波器和低通滤波器反复滤波以提取关键信号，最终得到不同尺度下的小波系数。
图11 小波变换过程
Fig.11 Wavelet analysis process
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- rical Mode Decomposition, 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（Intrinsic Mode Function, 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]。
（1）
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.12 EMD decomposition of vibration signal
EMD方法存在的主要缺陷是模态混叠、端点效应问题，降低了特征提取的可信度，为解决这一问题，学者们提出集合经验模态分解[51]、互补经验模态分解[52]等改进办法，有效减缓了EMD的模态混叠和端点效应，但也带来了较大的计算成本和时间开销。近些年，随着信号处理技术的发展，越来越多自适应的模态分解方法被应用到了断路器特征提取领域，取得了不错的实验效果，如局部均值分 解[53]、变分模态分解[54]、自适应调频模式分解[55]、经验小波变换[56]等，这些新方法不仅有相对坚实的理论基础，同时还能避免EMD的缺陷，提取的劣化特征也更加准确。
1.2.2 特征降维
上述方法提取了断路器的多维劣化特征，但对于提取的特征多数没有从理论推导或数据验证的角度证明其与劣化规律的相关性，且特征指标之间可能存在冗余。特征降维能简化指标间的冗余性，提高特征可信度，当前对于特征降维的研究包括映射降维和筛选降维两类。
主成分分析（Principal Component Analysis, PCA）法是常用的映射降维方法，PCA目的是寻找正交变换矩阵，高维数据经过正交变换后的低维分量互不相关。文献[58]采用PCA将从分合闸行程曲线中提取的1 003维时域特征映射至6维，在保留99.83 %原有信息的基础上极大地简化了后续的分析过程；另一方面，Relief算法是筛选降维的代表性算法，基本思想是根据各个特征和状态类别的相关性赋予不同的权重，进而选择出权重较高的特征。文献[59]通过Relief算法将振动信号时频图像的16维特征向量降至10维，降低了计算难度。此外，模糊核聚类[60]、粗糙集理论[61]、层次分析法[62]等方法也被应用于断路器的特征降维。
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。
基于提取的劣化特征识别故障状态是一直以来关注的重点。现有研究方法可分为构建专家系统和机器学习两类。
2.1.1 构建专家系统
专家系统是一种基于人工智能的计算机推理系统，将推理过程以“If-Then”形式储存来模仿相关领域专家的思维方式，依赖已有的专家经验对收集到的信息进行判断和推理。断路器故障诊断领域中构建专家系统需基于对劣化特征的分析设定若干诊断规则，如文献[63]从分合闸线圈电流和振动信号中提取特征信息，构建的专家系统含有29条诊断规则。事实上，这类方法本质是故障阈值判别法，当选定的参量超过故障阈值时输出诊断结果，设定阈值需要较强的经验性，且只有当诊断规则的逻辑设计较为合理且全面时，专家系统才能达到良好的故障诊断效果，自适应性相对较差。另外，断路器内部结构紧凑、动作机理复杂、故障类型众多，这些因素无疑都增加了诊断规则的设计难度。
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（Machine Learning, 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。
支持向量机（Support Vector Machine, SVM）是建立在结构风险最小化基础上的学习算法，在解决小样本、高维非线性模式识别等问题上具有优势，也能在学习精度和识别能力之间获得较好折衷[64]，被广泛应用于故障诊断领域，如文献[65]将从振动信号中提取的特征向量输入SVM，实现了断路器故障类型的智能诊断。然而，SVM在高维空间中实现的是数据线性分类，仅适用于解决二分类问题，实际中常结合其他方法（如采用投票机制）才能实现对断路器多种故障的诊断；人工神经网络通过模拟大脑中复杂神经元处理信息的过程可直接解决多分类问题[66]，如文献[67]采用径向基神经网络（Radial Basis Function network, RBF）实现了对断路器三类故障的诊断，同时神经网络采用并行计算的结构，诊断速度快。人工神经网络的缺点是需要大量的监测数据作为模型的训练样本，收敛速度较慢，且易陷入局部最优，往往与粒子群算法、遗传算法等全局优化算法一同使用[60, 68]；此外，类似地，相关向量机[69]、Softmax分类器[70]、自动编码器[71]、集成学习[72]、随机森林[73]等ML算法也被应用到了这一领域。
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（Deep Learning, 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（Convolutional Neural Network, 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13 CNN故障诊断模型示意图
Fig.13 Schematic diagram of CNN fault diagnosis model
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（Health Index, 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（Stacked Denoising Autoencoder, SDAE）和自组织映射（Self Organizing Mapping, 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.14 The whole cycle health curve of bearings
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（Remaining Useful Life, 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]。
相应地，断路器RUL预测分为机械RUL预测和电气RUL预测。考虑到两种RUL预测方法的区别主要是对传感信号和劣化特征的选取不同，因此后文不再区分两者，重点关注RUL的预测方法。目前，断路器RUL预测方法可分为直接预测和间接预测两类。
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。
（2）
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.15 Schematic diagram of residual life prediction based on Wiener process
（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.16 Schematic diagram of hardware implementation
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（Advanced RISC Machine, ARM）、现场可编程逻辑门阵列（Field Programmable Gate Array, FPGA）、数字信号处理器（Digital Signal Processor, 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。
电磁式断路器在电力系统中应用广泛，本文从状态监测和智能评估两方面对其进行综述。近些年，传感监测、特征提取与降维、故障诊断、健康评估、剩余寿命预测等子环节均取得了一定进展，但也面临很多现实问题。本文提出应重点关注以下科学技术难题的研究方法和发展趋势。
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
故障诊断方面，对故障类型的考虑不够全面，多数研究未考虑多个故障同时发生的情况，降低了诊断方法的实用性，未来需拓宽故障类型的涵盖面、优化诊断算法并关注算法对新的故障类型的自主学习能力。无监督学习作为ML重要的学习机制，能有效挖掘数据本身的特征信息，无需指定训练数据的类别，减少人为不确定性因素的干扰，结合无监督学习机制实现诊断与评估是一个很有前景的发展方向；健康评估方面，针对电磁式断路器HI曲线的研究较少，应在考虑其自身特点的基础上借鉴机械、航空等其他领域的相关方法来加强这方面的研究；剩余寿命预测方面，现有方法对数据的依赖性较强，监测数据的不平衡以及实际工况的多变均使预测精度下降，应在探究实际劣化规律的基础上增强算法自适应性和鲁棒性，如采取直接预测与间接预测融合等多模型综合评估的方法来减小预测误差。
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
[1] 新华社. 习近平在第七十五届联合国大会一般性辩论上发表重要讲话[EB/OL]. 北京, 中国: 新华社, 2020[2021-07-21]. http://www.gov.cn/xinwen/2020- 09/22/content_5546168.htm.
[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.
Xiao Xianyong, Zheng Zixuan. New power systems dominated by renewable energy towards the goal of emission peak & carbon neutrality: contribution, key techniques, and challenges[J]. Advanced Engineering Sciences, 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.
Sheng Gehao, Qian Yong, Luo Lingen, et al. Key technologies and application prospects for operation and maintenance of power equipment in new type power system[J]. High Voltage Engineering, 2021, 47(9): 3072-3084.
[4] Khan S, Yairi T. A review on the application of deep learning in system health management[J]. Mechanical Systems and Signal Processing, 2018, 107: 241-265.
[5] Johnson S B, Gormley T J, Kessler S S, et al. System health management with aerospaoce applications[M]. West Sussex: John Wiley ＆ Sons, Inc, 2011.
[6] Carvalho A, Cormenzana M L, Furuta H, et al. CIGRÉ technical brochure No. 512: final report of the 2004-2007 international enquiry on reliability of high voltage equipment, part 2 reliability of high voltage equipment[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.
State Grid Co. Ltd. Constructing a intelligent trans- portation inspection system based on modern information and communication technologies such as “BCIMS”[J]. Electric Power Equipment Management, 2019(4): 26-27.
[8] Sullivan G, Pugh R, Melendez A P, et al. Operations & maintenance best practices—a guide to achieving operational efficiency[R]. Richland: Pacific Northwest National Lab, 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.
Kou Wei. Accelerate the construction of “three types and two networks” to promote the high quality development of the power industry[J]. Electric Power Equipment Management, 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.
Xue Yusheng, Lai Yening. Integration of macro energy thinking and big data thinking part one big data and power big data[J]. Automation of Electric Power Systems, 2016, 40(1): 1-8.
[11] Miao Qiang. Remaining useful life prediction of lithium-ion battery with unscented particle filter technique[J]. Microelectronics Reliability, 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.
Sun Shuguang, Zhang Qiang, Du Taihang, et al. Fault diagnosis for conventional circuit breaker based on switching coil current[J]. Chinese Journal of Scien- tific Instrument, 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.
Li Jinbin, Quan Jiangtao, Chen Jun, et al. Fault analysis of circuit breaker in a converter station based on switching coil currents[J]. High Voltage Apparatus, 2015, 51(2): 141-145.
[14] Guo Jiao, Chen Jie, Li Ting, et al. An online monitoring scheme for circuit breakers contact system[M]. Singapore: Springer Singapore, 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.
Chang Guang, Wang Yi. An on-line mechanical condition monitoring device for high voltage circuit breakers[J]. High Voltage Apparatus, 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.
Wang Tianze, Chen Erdong, Ji Xiaojun. Design of circuit breaker opening and closing coil current signal and characteristic point acquisition system[J]. Instrument Technique and Sensor, 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.
He Zhipeng, Zhao Hu. Electrical lifespan evaluation of miniature circuit breakers[J]. Transactions of China Electrotechnical Society, 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.
Li Bo, Peng Zhendong, Sha Xinle, et al. Measurement and modeling of vacuum arc voltage in the natural- commutate of hybrid DC circuit breaker[J]. Marine Electric & Electronic Engineering, 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.
Cheng Xu, Guan Yonggang, Zhang Wenpeng, et al. Diagnosis method on the mechanical failure of high voltage circuit breakers based on factor analysis and SVM[J]. Transactions of China Electrotechnical Society, 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.
Wang Jifeng, Tang Wenhu, Ji Tianyao. On-line condition monitoring of operating mechanism for SF6 high voltage circuit breakers based on vibration signals[J]. High Voltage Apparatus, 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.
Zhang Yao, Luo Lingen, Wang Hui, et al. Method of locating abnormal acoustic source of substation equipment based on MPSO-MLE[J]. High Voltage Engineering, 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.
Zhou Nan, Luo Lingen, Huang Hui, et al. Ultra-high frequency multi-source partial discharge direction of arrival estimation method based on virtual array extension[J]. High Voltage Engineering, 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.
Yang Yuanwei, Guan Yonggang, Chen Shigang, et al. Mechanical fault diagnosis method of high voltage circuit breaker based on sound signal[J]. Proceedings of the CSEE, 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.
Sun Yuwei, Luo Lingen, Chen Jingde, et al. Mechanical fault diagnosis method of circuit breaker based on blind source separation and NSVDD under noisy background[J]. High Voltage Engineering, 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.
Li Dege, Wu Jianwen, Ma Suliang, et al. Fault degree diagnosis of circuit breaker spring based on travel signal[J]. High Voltage Apparatus, 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.
Bai Yunfei, Wang Daiyuan, Zhu Qingyang, et al. Study on on-line monitoring of closing speed for 12kV vacuum circuit breaker based on closing stroke curve[J]. High Voltage Apparatus, 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.
Tan Jiaming, Chen Lingling, Jiang Jiacheng, et al. Development of on-line monitoring device for mechanical characteristics of AC medium voltage vacuum circuit breaker[J]. High Voltage Apparatus, 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.
Huang Xinbo, Tao Chen, Liu Bin. On-line monitoring technology of mechanical properties and state evaluation method for intelligent circuit breaker[J]. High Voltage Apparatus, 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.
Wu Ruiwen, Wang Zhenying, Wu Ruichun, et al. Development of on-line temperature measuring device for substation switch cabinet[J]. Electric Engineering, 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.
Chen Xingang, Ma Jun, Zhao Tang, et al. Tempera- ture monitoring system of intelligent circuit breaker based on surface acoustic wave[J]. Instrument Tech- nique and Sensor, 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.
Ma Suliang, Wu Jianwen, Yuan Yang, et al. Mechanical fault fusion diagnosis of high voltage circuit breaker using multi-vibration information based on random forest[J]. Transactions of China Electrotechnical Society, 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.
Zhao Shutao, Zhang Pei, Shen Lu, et al. Vibration and acoustic joint mechanical fault diagnosis method of high voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 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.
Wang Jingjun, Wang Fei, Yang Yuanwei, et al. Application of short-time energy method in the analysis of mechanical vibration signal of circuit breaker[J]. High Voltage Apparatus, 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.
Wan Shuting, Ma Xiaodi, Chen Lei, et al. State evaluation and fault diagnosis of high-voltage circuit breaker based on short-time energy entropy ratio of vibration signal and DTW[J]. High Voltage Engin- eering, 2020, 46(12): 4249-4257.
[43] Daubechies I. The wavelet transform, time-frequency localization and signal analysis[J]. IEEE Transactions on Information Theory, 1990, 36(5): 961-1005.
[44] Mallat S G. A theory for multiresolution signal decomposition: the wavelet representation[J]. IEEE Transactions on Pattern Analysis and Machine Intel- 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.
Yan Renwu, Lin Chuan, Gao Shuoxun, et al. Fault diagnosis and analysis of circuit breaker based on wavelet time-frequency representations and con- volution neural network[J]. Journal of Vibration and Shock, 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.
Zhong Jianying, Liu Yang, Lin Xin, et al. Mechanical fault diagnosis technology research of high-voltage circuit breaker based on the vibration signal charac- teristic[J]. High Voltage Apparatus, 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.
Wang Junbo, Wu Lihui, Luo Rongbo, et al. Fault diagnosis method of high voltage circuit breaker based on wavelet transform-vibration start time analysis[J]. High Voltage Apparatus, 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.
Miao Xiren, Wang Yan. Vibration characteristic analysis and closing synchronization research of low voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 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.
Miao Xiren, Wu Xiaomei, Shi Dunyi, et al. Switching synchronism identification of low voltage circuit breaker utilizing HHT analysis to vibration signal[J]. Transactions of China Electrotechnical Society, 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.
Chen Weigen, Deng Bangfei, Yang Bin. Fault recog- nition for high voltage circuit breaker based on EMD of vibration signal and energy entropy characteri- stic[J]. High Voltage Apparatus, 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.
Liu Ronghai, Dou Longjiang, Wan Shuting, et al. Fault diagnosis of high voltage circuit breaker based on EEMD sample entropy and support vector machine[J]. Journal of North China Electric Power University (Natural Science Edition), 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.
Sun Shuguang, Yu Han, Du Taihang, et al. Vibration and acoustic joint fault diagnosis of conventional circuit breaker based on multi-feature fusion and improved QPSO-RVM[J]. Transactions of China Electrotechnical Society, 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.
Huang Nantian, Fang Lihua, Wang Yuqiang, et al. Machinery condition monitoring of high voltage circuit breakers based on local mean decomposition and support vector data description[J]. Advanced Technology of Electrical Engineering and Energy, 2017, 36(1): 73-80.
[54] Obarcanin K, Lacevic B, Ermidoro M. A high- voltage circuit breaker condition assessment method using the vibration fingerprint based on VMD-EM method[C]//2020 IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Dubrovnik, Croatia, 2020: 1-6.
[55] Yang Qiuyu, Ruan Jiangjun, Zhuang Zhijian. Fault diagnosis for circuit-breakers using adaptive chirp mode decomposition and attractor's morphological characteristics[J]. Mechanical Systems and Signal Processing, 2020, 145: 106921.
[56] 辛忠良, 霍明霞, 贾鹏举, 等. 基于经验小波变换和相关向量机的断路器机械故障诊断[J]. 电测与仪表, 2019, 56(13): 97-103.
Xin Zhongliang, Huo Mingxia, Jia Pengju, et al. Circuitbreaker mechanical fault diagnosis based on empirical wavelet transform and relevance vector machine[J]. Electrical Measurement & 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.
Sun Yihang, Wu Jianwen, Lian Shijun, et al. Extraction of vibration signal feature vector of circuit breaker based on empirical mode decomposition amount of energy[J]. Transactions of China Elec- trotechnical Society, 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.
Liu Weipeng, Zhang Guogang, Liu Yakui, et al. Mechanical status identification of high voltage cir- cuit breakers based on principal component analysis and support vector machines[J]. High Voltage Apparatus, 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.
Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage cir- cuit breakers[J]. Transactions of China Electro- technical Society, 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.
Mei Fei, Mei Jun, Zheng Jianyong, et al. Application of particle swarm fused KFCM and classification model of SVM for fault diagnosis of circuit breaker[J]. Proceedings of the CSEE, 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.
Lin Lin, Chen Zhiying. Mechanical fault diagnosis of high voltage circuit breakers based on rough set neural networks and vibration signals[J]. Transactions of China Electrotechnical Society, 2020, 35(S1): 277- 283.
[62] Setiawan A, Adiati W, Prasojo R A. An approach of the analytic hierarchy process to acquire the weighting factor of high voltage circuit breaker health index[C]//2020 International Conference on Tech- nology and Policy in Energy and Electric Power (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.
Huang Jian, Hu Xiaoguang, Gong Yunan, et al. Machinery fault diagnosis expert system for high voltage circuit breaker[J]. Electric Machines and Control, 2011, 15(10): 43-49.
[64] Geng Xinbo, Xie Le. Learning the LMP-load coupling from data: a support vector machine based app- roach[J]. IEEE Transactions on Power Systems, 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.
Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Mechanical fault diagnosis for high voltage circuit breakers based on VMD-Hilbert marginal spectrum energy entropy and SVM[J]. Electric Machines and Control, 2020, 24(3): 11-19.
[66] Dineva A, Mosavi A, Faizollahzadeh A S, et al. Review of soft computing models in design and control of rotating electrical machines[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.
Xu Jianyuan, Zhang Bin, Lin Xin, et al. Application of energy spectrum entropy vector method and RBF neural networks optimized by the particle swarm in high-voltage circuit breaker mechanical fault diag- nosis[J]. High Voltage Engineering, 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.
Liu Yan, Kang Haigui, Sun Min. Genetic algorithm- based fuzzy optimization neural network model for pavement performance evaluation[J]. Journal of Dalian University of Technology, 2010, 50(1): 117- 122.
[69] 孙曙光, 于晗, 杜太行, 等. 基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断[J]. 电工技术学报, 2017, 32(7): 20-30.
Sun Shuguang, Yu Han, Du Taihang, et al. Diagnosis on the switching fault of conventional circuit breaker based on vibration signal sample entropy and RVM[J]. Transactions of China Electrotechnical Society, 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.
Wang Yuhao, Wu Jianwen, Ma Suliang, et al. Mechanical fault diagnosis research of high voltage circuit breaker based on kernel principal component analysis and SoftMax[J]. Transactions of China Electrotechnical Society, 2020, 35(S1): 267-276.
[71] Boyaci A, Becker O, Amihai I. Vibration monitoring for medium-voltage circuit breaker drives using arti- ficial intelligence[C]//CIRED 2021-The 26th Inter- national Conference and Exhibition on Electricity Distribution, Online Conference, 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.
Shao Yang, Wu Jianwen, Ma Suliang, et al. Integrated SVM method with AM-ReliefF feature selection for mechanical fault diagnosis of high voltage circuit breakers[J]. Proceedings of the CSEE, 2021, 41(8): 2890-2901.
[73] Ma Suliang, Chen Mingxuan, Wu Jianwen, et al. High-voltage circuit breaker fault diagnosis using a hybrid feature transformation approach based on random forest and stacked autoencoder[J]. IEEE Transactions on Industrial Electronics, 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.
Ren Hao, Qu Jianfeng, Chai Yi, et al. Deep learning for fault diagnosis: the state of the art and challenge[J]. Control and Decision, 2017, 32(8): 1345-1358.
[75] Sun Shuguang, Zhang Tingting, Li Qin, et al. Fault diagnosis of conventional circuit breaker contact system based on time—frequency analysis and improved AlexNet[J]. IEEE Transactions on Instru- mentation and Measurement, 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.
Sun Shuguang, Li Qin, Du Taihang, et al. Fault diagnosis of accessories for the low voltage con- ventional circuit breaker based on one-dimensional convolutional neural network[J]. Transactions of China Electrotechnical Society, 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.
Sun Shuguang, Zhang Qiang, Du Taihang, et al. Study of evaluation method for low voltage conventional circuit breaker switching fault degree based on vibration signal[J]. Proceedings of the CSEE, 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.
Yang Qiuyu, Wang Dong, Ruan Jiangjun, et al. Fault severity estimation method for mechanical parts in circuit breakers based on vibration analysis[J]. Transactions of China Electrotechnical Society, 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.
Peng Yu, Liu Datong. Data-driven prognostics and health management: a review of recent advances[J]. Chinese Journal of Scientific Instrument, 2014, 35(3): 481-495.
[80] Li Naipeng, Lei Yaguo, Lin Jing, et al. An improved exponential model for predicting remaining useful life of rolling element bearings[J]. IEEE Transactions on Industrial Electronics, 2015, 62(12): 7762-7773.
[81] Malhi A, Yan Ruqiang, Gao R. Prognosis of defect propagation based on recurrent neural networks[J]. IEEE Transactions on Instrumentation and Measure- 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.
Zhao Guangquan, Liu Xiaoyong, Jiang Zedong, et al. Unsupervised health indicator of bearing based on deep learning[J]. Chinese Journal of Scientific Instru- ment, 2018, 39(6): 82-88.
[83] Zhao Shuai, Makis V, Chen Shaowei, et al. Health assessment method for electronic components subject to condition monitoring and hard failure[J]. IEEE Transactions on Instrumentation and Measurement, 2019, 68(1): 138-150.
[84] Promseela L, Suwanasri C, Saribut S, et al. Risk assessment for power circuit breaker by using failure modes, effects and criticality analysis[C]//Inter- national Conference on Power, Energy and Innov- ations (ICPEI), Chiangmai, Thailand, 2021: 149- 152.
[85] Geng Sujie. Research on data-driven method for circuit breaker condition assessment based on back propagation neural network[J]. Computers & Elec- trical Engineering, 2020, 86: 106732.
[86] Zhang Xiang, Zhang Jiaosuo, Gockenbach E, et al. Life management of SF6 circuit breakers based on monitoring and diagnosis[J]. IEEE Electrical Insu- lation Magazine, 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.
Duan Xiongying, Zhao Yangyang, Chen Yanxia, et al. Spark-based prediction and evaluation of mechanical life for high voltage circuit breakers[J]. High Voltage Apparatus, 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] Sun Fuqiang, Li Xiaoyang, Liao Haitao, et al. A Bayesian least-squares support vector machine method for predicting the remaining useful life of a microwave component[J]. Advances in Mechanical Engineering, 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.
Li Kui, Li Zhengguang, Duan Yu, et al. Simulation residual electrical life prediction of AC contactor based on the Gamma process[J]. Electrical Measure- 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.
Liu Guojin, Li Xiang, Wang Ze, et al. Remaining life prediction of electronic residual current circuit breaker based on Wiener process[J]. Transactions of China Electrotechnical Society, 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.
Sun Shuguang, Wang Jiaxing, Wang Jingqin, et al. Remaining useful life prediction of accessories for the conventional circuit breaker based on Wiener pro- cess[J]. Chinese Journal of Scientific Instrument, 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.
Sun Shuguang, Zhang Wei, Wang Jingqin, et al. Mechanical life prediction of low-voltage circuit breaker based on vibration detection during opera- tion[J]. Chinese Journal of Scientific Instrument, 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.
Sun Shuguang, Li Qin, Wang Jiaxing, et al. Real-time remaining useful life prediction of operating accesso- ries for the conventional circuit breaker based on performance degradation model[J]. Chinese Journal of Scientific Instrument, 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.
Guan Yonggang, Yang Yuanwei, Zhong Jianying, et al. Review on mechanical fault diagnosis methods for high-voltage circuit breakers[J]. High Voltage Apparatus, 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.
Chen Xingang, Zhao Tang, Ma Jun, et al. Design of vacuum circuit breaker temperature online monitoring system based on ZigBee wireless network[J]. Instru- ment Technique and Sensor, 2018(8): 39-42, 72.
[99] Zhou Gang, Han Zhongjie, Fu Jin, et al. Iterative online fault identification scheme for high-voltage circuit breaker utilizing a lost data repair technique[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.
Li Chunlong, Huang Hui, Liang Yun, et al. Power sensor-oriented development and challenges of environmental energy harvesting technologies[J]. Electric Power, 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.
Abstract As the key switchgear in a power system, an electromagnetic circuit breaker plays a vital role in controlling energy flow, protecting the system circuit, and isolating fault current. It is of great significance to realize the health management of electromagnetic circuit breakers to improve the reliability, security, and stability of power supply systems. With the development of advanced sensor technology, industrial big data technology, and artificial intelligence technology, the “data-driven approach” has gradually replaced the previous “mechanism modeling approach” to become the mainstream research direction of electromagnetic circuit breaker health management technology. Condition monitoring and intelligent assessment are the main contents in this field. Through a detailed review of the main references or published technology patents in the past decade, the current research status of “sensing monitoring”, “feature extraction and dimension reduction”, “fault diagnosis”, “health assessment”, and “residual life prediction” were analyzed.
For “sensing monitoring”, almost all sensing signals and their monitoring methods were covered from electrical, mechanical, and temperature characteristics. The advantages and disadvantages of each sensing signal were expounded, respectively. It is pointed out that the sensitivity of various signals to the deterioration of different parts of the circuit breaker is different. It is difficult to reflect the overall deterioration state of the circuit breaker by relying only on a single type of signal, so it may be necessary to monitor multi-source sensing signals for fusion analysis. For “feature extraction and dimension reduction”, typical feature extraction methods, such as the short-time energy method, wavelet transform, and empirical mode decomposition, were mainly analyzed from the time domain and time-frequency domain mixture two aspects. Furthermore, two types of feature dimension reduction methods were summarized; For “fault diagnosis”, building expert systems and applying machine learning are the mainstream research in this field. The existing typical algorithms were summarized, and it is pointed out that the above two kinds of methods need rich expert experience and comprehensive data sources, respectively, to achieve better diagnosis results. For “health assessment”, the existing methods were summarized into two categories: level assessment and quantitative assessment. It is pointed out that there are few related studies in this field, and further research is needed. For “residual life prediction”, the existing methods of “direct mapping based mapping model” and “indirect prediction based deterioration model” were introduced and summarized respectively, and their shortcomings were discussed. In addition, the hardware implementation schemes of condition monitoring and intelligent assessment techniques in existing research were briefly summarized.
Finally, considering the existing problems, the following research methods and development trends of scientific and technological problems are discussed. (1) Combined with the working conditions of circuit breakers and the Internet of things technology, developing a special sensor monitoring method and constructing a distributed multi-source sensor network with high reliability and low cost will become the mainstream way. (2) Digital twin technology, multi-physical field coupling simulation technology, and virtual simulation technology combined will become a major trend to explore the deterioration law under the comprehensive influence in multiple ways. (3) Multi-disciplinary integration can enhance the completeness of intelligent assessment methods. (4) The application of cloud computing, 5G, and other new technologies should be accelerated. The embedded integration, real-time control, distributed control, and system security should be comprehensively considered as far as possible to jointly promote the practical process of electromagnetic circuit breaker health management system platform.
keywords：Circuit breaker, condition monitoring, intelligent assessment, data driving, artificial intelligence
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
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）
（编辑 崔文静）