CN110716133B - 一种基于物联网及大数据技术的高压断路器故障研判方法 - Google Patents

Abstract

本发明涉及电网设备维护技术领域，具体涉及一种基于物联网及大数据技术的高压断路器故障研判方法，包括以下步骤：A）建立高压断路器状态监测表；B）对故障退役高压断路器进行多次检测，获得构成故障样本数据；C）训练故障识别神经网络模型；D）将待研判的高压断路器的状态数据输入故障识别神经网络模型，将故障识别神经网络模型的输出作为待研判的高压断路器的故障研判结果。本发明的实质性效果是：通过建立故障识别神经网络模型大幅提高检测数据的故障研判效率和准确度，同时能够及时发现不够明显的异常，辅助运维人员及时进行处理，保证高压断路器始终工作在良好的状态。

Description

一种基于物联网及大数据技术的高压断路器故障研判方法

技术领域

本发明涉及电网设备维护技术领域，具体涉及一种基于物联网及大数据技术的高压断路器故障研判方法。

背景技术

高压断路器测试仪随着社会的发展，人们对用电的安全可靠性要求越来越高，高压断路器在电力系统中担负着控制和保护的双重任务，其性能的优劣直接关系到电力系统的安全运行。其中，机械特性参数是判断断路器性能的重要参数之一。然而高压断路器的检测项目繁多，检测过程耗时费力，效率低下。严重影响了高压断路器的运维工作。虽然目前出现一些技术，加快了高压断路器的检测效率，降低了检测时间。但是，对于检测出的数据研判，仍然依靠人工判断。人工进行数据研判的准确性依赖人工本身的经验素质，可靠性差。且人工研判数据，仅能发现明显出现异常的数据。对于不够明显的异常数据，人工研判十分困难。物联网的出现使得高压断路器的检测数据能够上传汇总，但目前这些汇总的数据并没有被有效利用。

如中国专利CN102928069B，公开日2014年11月5日，一种高压断路器振动检测系统及检测方法，该系统包括安装在高压断路器多个位置上的振动传感器，和其连接的电荷-电压转换模块、低通滤波模块、电位抬高模块、隔离单元模块、单片机以及上位机，和高压断路器相连的断口信号检测模块也通过隔离单元模块与单片机以及上位机依次相通信连接，还包括和高压断路器依次相连的电流互感器、低通滤波模块、触发电路模块，触发电路模块也通过隔离单元模块与单片机以及上位机依次相连；检测方法：在高压断路器上多个位置安装振动传感器采集分合闸振动信号，对其进行处理后，挑选出最能反映高压断路器分合闸动作过程的波形，从而确定振动传感器最佳安装位置；以方便实现对110kV及以上电压等级的高压断路器在线监测的目的。其需要在高压断路器上安装振动传感器，对高压断路器的机械特性干扰较大，且该技术方案不能对高压短路器的数据进行故障研判，因而不能有效解决目前高压断路器检测数据研判效率低，可靠性差的问题。

发明内容

本发明要解决的技术问题是：目前高压断路器的检测数据的故障研判效率低且可靠性差的技术问题。提出了一种基于大数据技术的研判效率高准确性好的基于物联网及大数据技术的高压断路器故障研判方法。

为解决上述技术问题，本发明所采取的技术方案为：一种基于物联网及大数据技术的高压断路器故障研判方法，包括以下步骤：A）根据高压断路器日常检测项目，建立高压断路器状态监测表，状态监测表的数据代表高压断路器的状态数据；B）获得N个故障退役高压断路器，所述故障退役高压断路器为因故障而状态不良但仍能工作的高压断路器，对故障退役高压断路器进行多次日常检测项目的检测，获得故障时的状态数据，将故障时的状态数据与故障退役高压短路的故障类型关联，构成故障样本数据，所述故障样本数据包含若干组无故障的状态数据，无故障的状态数据关联的故障类型为无故障；C）使用步骤B中的故障样本数据训练故障识别神经网络模型；D）将待研判的高压断路器的状态数据输入故障识别神经网络模型，将故障识别神经网络模型的输出作为待研判的高压断路器的故障研判结果。通过建立故障识别神经网络模型大幅提高检测数据的故障研判效率和准确度，同时能够及时发现不够明显的异常，辅助运维人员及时进行处理，保证高压断路器始终工作在良好的状态。

作为优选，所述高压断路器的状态包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。通过获得高压断路器的各项数据，使高压断路器的状态数据更为全面，有助于提高故障研判的准确度，同时为发现不明显的异常数据提供条件。

作为优选，步骤B中，对故障退役高压断路器进行多次日常检测项目的检测，包括：B11）对故障退役高压断路器进行若干次日常检测项目的检测；B12）根据高压断路器的维护要求，依次选择一项维护要求使其不达标，进行若干次带电分合闸动作后，进行若干次日常检测项目的检测；B13）依次选择两项维护要求使其不达标，进行若干次带电分合闸动作后，进行若干次日常检测项目的检测；B14）使用液氮或干冰快速冷却故障退役高压断路器，对其进行机械特性试验，获得机械特性试验的检测数据。主动产生故障从而采集到故障数据，有效解决故障数据样本不足的问题。经过液氮或干冰冷却，使润滑剂或润滑油的润滑性能下降，从而模拟出卡涩的状态，测试完成后，润滑剂或润滑油的润滑性能恢复，从而无损的模拟出机械部件卡涩的故障类型，获得该故障类型下的状态数据。自然中的机械部件卡涩是因为润滑不良或灰尘颗粒进入。

作为优选，步骤B中，将故障时的状态数据与故障退役高压短路的故障类型关联的方法包括：B21）获得正常运行的高压断路器的历史运维中检测的状态数据，作为历史状态数据；B22）将步骤B12）以及步骤B13）中，若干次检测获得的若干组状态数据依次与历史状态数据对比，若状态数据与历史状态数据差异大于预设阈值，则将该组状态数据与不达标的维护要求关联，若不达标的维护要求存在唯一对应的故障类型，则将改组状态数据与所述的故障类型关联；B23）将步骤B14）中的若干次机械特性试验获得的若干组状态数据与历史状态数据对比，若状态数据与历史状态数据差异大于预设阈值，则将该组状态数据与机械部件卡涩故障关联。增加故障类型，提高故障类型研判的准确度，同时不达标的维护要求会造成数据异常，但不一定会立即造成故障，因而当研判结果为不达标维护要求时，进行及时的维护，就能够避免故障的出现，起到故障预判作用。

作为优选，步骤C中，使用故障样本数据训练故障识别神经网络模型前，对故障样本数据进行归一化处理，包括：C11）列举故障样本数据中的数值型数据，获得数值型数据的理论边界值作为边界值，若不存在理论边界值，则获取该数据的历史边界值作为边界值，边界值的左边界值视为0，边界值的右边界值视为1，该数值型数据减左边界值的差除以右边界值与左边界值的差，作为该数值型数据归一化后的值；C12）将状态量数据拆分为若干个布尔型数据；C13）将布尔型数据转化为数值，并归一化。通过数据归一化处理，提高故障识别神经网络模型的训练效率。

作为优选，步骤C12中，将状态量数据拆分为若干个布尔型数据的方法包括：C121）获得状态量数据的全部状态取值；C122）以状态取值为字段名将状态量字段拆分为多个字段；C123）将字段名称与状态量数据取值相同的字段置位，其余拆分字段置零，完成状态量数据拆分为布尔量数据。将状态量转换为数值型，有助于提高故障识别神经网络模型的训练效率。

作为优选，步骤B）中，对故障退役高压断路器进行日常检测项目的检测前，在故障退役高压断路器的每个机械运动部件上均安装非接触式位移传感器，将非接触式位移传感器所测得的位移数据添加到高压断路器的状态数据中。目前，对于高压断路器机械特征的检测，通常采用接触式测量，接触式测量会对高压断路器本身的机械特性产生干扰，降低检测结果的准确性。在非接触式位移传感技术中，光电式传感器具有非接触、响应快、性能可靠等特点，因此在工业自动化装置和机器人中获得广泛应用。光电式传感器是以光电器件作为转换元件的传感器，光电器件是把光信号转变成为电信号的器件。它可用于检测直接引起光量变化的非电物理量，如光强、光照度、辐射测温、气体成分分析等；也可用来检测能转换成光量变化的其他非电量，如零件直径、表面粗糙度、应变、位移、振动、速度、加速度，以及物体的形状、工作状态的识别等。且检测安装后可随高压断路器工作，无需拆除，因而能够进一步提高高压断路器机械特性检测的效率。

作为优选，步骤D）中，在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器，获得非接触式位移传感器所测得的位移数据，将待研判的高压断路器状态数据以及非接触式位移传感器所测得的位移数据输入故障识别神经网络模型，进行故障研判。

作为优选，步骤B）中，在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器，在断电条件下，对该高压断路器不断重复分合闸试验，直至该高压断路器的机械部件出现损坏，记录试验过程中分合闸次数N，以及各个机械运动部件在分合闸过程中的位移数据作为历史位移数据；在步骤D）中，若待研判的高压断路器的故障研判结果为无故障，则在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器，对待研判的高压断路器进行一次分合闸，获得非接触式位移传感器所测得的位移数据，并与历史位移数据对比，获得最接近的历史位移数据对应的分合闸试验次数n，将（N-n）作为待研判的高压断路器的剩余使用寿命。

作为替代，步骤B）中，在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器；根据高压断路器的维护要求，依次选择一项维护要求使其不达标，在断电条件下，对该高压断路器不断重复分合闸试验，直至该高压断路器的机械部件出现损坏；记录试验过程中各个机械运动部件在分合闸过程中的位移数据并关联对应维护要求不达标对应故障，而后修复高压断路器，并进行下一项维护要求不达标的试验；在步骤D）中，在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器，对待研判的高压断路器进行一次分合闸，获得非接触式位移传感器所测得的位移数据，将待研判的高压断路器状态数据以及非接触式位移传感器所测得的位移数据输入故障识别神经网络模型，进行故障研判；若待研判的高压断路器的故障研判结果为无故障，则将本次检测所得位移数据与历史位移数据对比，获得最接近的历史位移数据对应的分合闸试验次数n，将（N-n）作为待研判的高压断路器的剩余使用寿命。

非接触式位移传感器包括激光发射器、限流电阻、光敏电阻、供电模块、反射贴纸、电压传感器和通信模块，激光发射器固定安装在高压断路器的外壳内，沿法向对准机械运动部件外表面的一个对准点，调整使激光发射器出射光与机械运动部件外表面法向具有夹角，在机械运动部件的行程内，激光发射器的对准点沿机械运动部件的外表面移动，形成移动范围，反射贴纸贴附在机械运动部件上并覆盖所述对准点的移动范围，所述反射贴纸具有若干个沿机械运动部件行程等间距排列的高反射区，相邻高反射区之间为低反射区，高反射区宽度与低反射区宽度相等，激光发射器的光斑直径等于该间隔宽度的整倍数，光敏电阻安装与激光发射器关于机械运动部件外表面法向对称的另一侧，光敏电阻一端接地，另一端通过限流电阻与供电模块连接，电压传感器采集光敏电阻与限流电阻连接点的电压，电压传感器与通信模块连接。

本发明的实质性效果是：通过建立故障识别神经网络模型大幅提高检测数据的故障研判效率和准确度，同时能够及时发现不够明显的异常，辅助运维人员及时进行处理，保证高压断路器始终工作在良好的状态；通过数据归一化处理，提高故障识别神经网络模型的训练效率。

附图说明

图1为实施例一流程框图。

图2为实施例一故障样本数据获得方法流程框图。

图3为实施例一非接触式位移传感器结构示意图。

图4、5为实施例一非接触式位移传感器测量示意图。

其中：1、直线反射贴纸，2、激光发射器，3、圆柱面反射贴纸，4、凸轮，5、圆柱端面反射贴纸，6、运动部件，7、对准点轨迹，8、弧形反射贴纸，100、电压传感器，200、通信模块。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

实施例一：

一种基于物联网及大数据技术的高压断路器故障研判方法，如图1所示，本实施例包括以下步骤：A）根据高压断路器日常检测项目，建立高压断路器状态监测表，状态监测表的数据代表高压断路器的状态数据。

B）获得N个故障退役高压断路器，故障退役高压断路器为因故障而状态不良但仍能工作的高压断路器，在故障退役高压断路器的每个机械运动部件6上均安装非接触式位移传感器，将非接触式位移传感器所测得的位移数据添加到高压断路器的状态数据中。对故障退役高压断路器进行多次日常检测项目的检测，获得故障时的状态数据，如图2所示，包括：B11）对故障退役高压断路器进行若干次日常检测项目的检测；B12）根据高压断路器的维护要求，依次选择一项维护要求使其不达标，进行若干次带电分合闸动作后，进行若干次日常检测项目的检测；B13）依次选择两项维护要求使其不达标，进行若干次带电分合闸动作后，进行若干次日常检测项目的检测；B14）使用液氮或干冰快速冷却故障退役高压断路器，对其进行机械特性试验，获得机械特性试验的检测数据。主动产生故障从而采集到故障数据，有效解决故障数据样本不足的问题。

将故障时的状态数据与故障退役高压短路的故障类型关联，包括：B21）获得正常运行的高压断路器的历史运维中检测的状态数据，作为历史状态数据；B22）将步骤B12）以及步骤B13）中，若干次检测获得的若干组状态数据依次与历史状态数据对比，若状态数据与历史状态数据差异大于预设阈值，则将该组状态数据与不达标的维护要求关联，若不达标的维护要求存在唯一对应的故障类型，则将改组状态数据与的故障类型关联；B23）将步骤B14）中的若干次机械特性试验获得的若干组状态数据与历史状态数据对比，若状态数据与历史状态数据差异大于预设阈值，则将该组状态数据与机械部件卡涩故障关联。增加故障类型，提高故障类型研判的准确度，同时不达标的维护要求会造成数据异常，但不一定会立即造成故障，因而当研判结果为不达标维护要求时，进行及时的维护，就能够避免故障的出现，起到故障预判作用。

获得故障样本数据，故障样本数据包含若干组无故障的状态数据，无故障的状态数据关联的故障类型为无故障。

C）对故障样本数据进行归一化处理，包括：C11）列举故障样本数据中的数值型数据，获得数值型数据的理论边界值作为边界值，若不存在理论边界值，则获取该数据的历史边界值作为边界值，边界值的左边界值视为0，边界值的右边界值视为1，该数值型数据减左边界值的差除以右边界值与左边界值的差，作为该数值型数据归一化后的值；C12）将状态量数据拆分为若干个布尔型数据；C13）将布尔型数据转化为数值，并归一化。通过数据归一化处理，提高故障识别神经网络模型的训练效率。

步骤C12中，将状态量数据拆分为若干个布尔型数据的方法包括：C121）获得状态量数据的全部状态取值；C122）以状态取值为字段名将状态量字段拆分为多个字段；C123）将字段名称与状态量数据取值相同的字段置位，其余拆分字段置零，完成状态量数据拆分为布尔量数据。将状态量转换为数值型，有助于提高故障识别神经网络模型的训练效率。使用步骤B中的故障样本数据训练故障识别神经网络模型。

D）在待研判的高压断路器的每个机械运动部件6上均安装非接触式位移传感器，获得非接触式位移传感器所测得的位移数据，将待研判的高压断路器状态数据以及非接触式位移传感器所测得的位移数据输入故障识别神经网络模型，进行故障研判，将故障识别神经网络模型的输出作为待研判的高压断路器的故障研判结果。通过建立故障识别神经网络模型大幅提高检测数据的故障研判效率和准确度，同时能够及时发现不够明显的异常，辅助运维人员及时进行处理，保证高压断路器始终工作在良好的状态。

高压断路器的状态包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。通过获得高压断路器的各项数据，使高压断路器的状态数据更为全面，有助于提高故障研判的准确度，同时为发现不明显的异常数据提供条件。

如图3所示，非接触式位移传感器包括激光发射器2、限流电阻、光敏电阻、供电模块、反射贴纸、电压传感器100和通信模块200，激光发射器2固定安装在高压断路器的外壳内，沿法向对准机械运动部件6外表面的一个对准点，调整使激光发射器2出射光与机械运动部件6外表面法向具有夹角，在机械运动部件6的行程内，激光发射器2的对准点沿机械运动部件6的外表面移动，形成移动范围，反射贴纸贴附在机械运动部件6上并覆盖对准点的移动范围，反射贴纸具有若干个沿机械运动部件6行程等间距排列的高反射区，相邻高反射区之间为低反射区，高反射区宽度与低反射区宽度相等，激光发射器2的光斑直径等于该间隔宽度的整倍数，光敏电阻安装与激光发射器2关于机械运动部件6外表面法向对称的另一侧，光敏电阻一端接地，另一端通过限流电阻与供电模块连接，电压传感器100采集光敏电阻与限流电阻连接点的电压，电压传感器100与通信模块200连接。图3所示为直线反射贴纸1，被检测机械运动部件6沿直线运动，如动触头、解锁锁扣等。如图4所示，在对旋转部件，如轴以及凸轮4进行位移非接触式位移检测时，可以在轴外表面，或凸轮4的等半径圆弧部分贴附圆柱面反射贴纸3，为避免图片模糊不清，图中高反射区与低反射区的间距有所失真。当凸轮4的等半径圆弧部分也是工作面时，则可以在凸轮4端面贴附圆柱端面反射贴纸5。如图5所示，当被检测运动部件6具有复杂的平面运动，即同时包含平移运动和旋转运动时，在被检测运动部件6上选择合适的对准点，使运动部件6行程内，对准点始终在运动部件6上，对准点轨迹7将是一段弧形，贴附适应的弧形反射贴纸8，弧形反射贴纸8沿该弧形间隔排列高反射区和低反射区，使高反射区以及低反射区的边缘均与对应位置的弧形垂直即可。本实施例提供一种非接触式位移传感器实施方式，在现有技术中，非接触式位移传感器用于检测振动、位移是被公知的，本领域技术人员能够自行设计其他形式的非接触式位移传感器来完成位移的检测。

实施例二：

本实施例在实施例一的基础上，对研判结果为无故障的高压断路器进行了进一步的使用寿命预判，包括：步骤B）中，在正常高压断路器的每个机械运动部件6上均安装非接触式位移传感器，在断电条件下，对该高压断路器不断重复分合闸试验，直至该高压断路器的机械部件出现损坏，记录试验过程中分合闸次数N，以及各个机械运动部件6在分合闸过程中的位移数据作为历史位移数据；在步骤D）中，若待研判的高压断路器的故障研判结果为无故障，则在待研判的高压断路器的每个机械运动部件6上均安装非接触式位移传感器，对待研判的高压断路器进行一次分合闸，获得非接触式位移传感器所测得的位移数据，并与历史位移数据对比，获得最接近的历史位移数据对应的分合闸试验次数n，将（N-n）作为待研判的高压断路器的剩余使用寿命。其余步骤同实施例一。

实施例三：

本实施例是对实施例二的替代方案，包括：步骤B）中，在正常高压断路器的每个机械运动部件6上均安装非接触式位移传感器；根据高压断路器的维护要求，依次选择一项维护要求使其不达标，在断电条件下，对该高压断路器不断重复分合闸试验，直至该高压断路器的机械部件出现损坏；记录试验过程中各个机械运动部件6在分合闸过程中的位移数据并关联对应维护要求不达标对应故障，而后修复高压断路器，并进行下一项维护要求不达标的试验；在步骤D）中，在待研判的高压断路器的每个机械运动部件6上均安装非接触式位移传感器，对待研判的高压断路器进行一次分合闸，获得非接触式位移传感器所测得的位移数据，将待研判的高压断路器状态数据以及非接触式位移传感器所测得的位移数据输入故障识别神经网络模型，进行故障研判；若待研判的高压断路器的故障研判结果为无故障，则将本次检测所得位移数据与历史位移数据对比，获得最接近的历史位移数据对应的分合闸试验次数n，将（N-n）作为待研判的高压断路器的剩余使用寿命。其余步骤同实施例一。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (9)

1.一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

包括以下步骤：

A）根据高压断路器日常检测项目，建立高压断路器状态监测表，状态监测表的数据代表高压断路器的状态数据；

B）获得N个故障退役高压断路器，所述故障退役高压断路器为因故障而状态不良但仍能工作的高压断路器，对故障退役高压断路器进行多次日常检测项目的检测，获得故障时的状态数据，将故障时的状态数据与故障退役高压短路的故障类型关联，构成故障样本数据，所述故障样本数据包含若干组无故障的状态数据，无故障的状态数据关联的故障类型为无故障；

C）使用步骤B中的故障样本数据训练故障识别神经网络模型；

D）将待研判的高压断路器的状态数据输入故障识别神经网络模型，将故障识别神经网络模型的输出作为待研判的高压断路器的故障研判结果；

步骤B中，对故障退役高压断路器进行多次日常检测项目的检测，包括：

B11）对故障退役高压断路器进行若干次日常检测项目的检测；

B12）根据高压断路器的维护要求，依次选择一项维护要求使其不达标，进行若干次带电分合闸动作后，进行若干次日常检测项目的检测；

B13）依次选择两项维护要求使其不达标，进行若干次带电分合闸动作后，进行若干次日常检测项目的检测；

B14）使用液氮或干冰快速冷却故障退役高压断路器，对其进行机械特性试验，获得机械特性试验的检测数据。

2.根据权利要求1所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

所述高压断路器的状态包括合闸时间、分闸时间、刚合速度、刚分速度、三相不同期度、同相不同期度、金短时间、无流时间、动触头最大速度、动触头平均速度、动触头动作时间、弹跳时间、弹跳次数、弹跳最大幅度、分合闸行程、分合闸过程电流波形曲线、动触头分合闸行程内的时间速度行程动态曲线、开距以及接触电阻。

3.根据权利要求1所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤B中，将故障时的状态数据与故障退役高压短路的故障类型关联的方法包括：

B21）获得正常运行的高压断路器的历史运维中检测的状态数据，作为历史状态数据；

B22）将步骤B12）以及步骤B13）中，若干次检测获得的若干组状态数据依次与历史状态数据对比，若状态数据与历史状态数据差异大于预设阈值，则将该组状态数据与不达标的维护要求关联，若不达标的维护要求存在唯一对应的故障类型，则将该组状态数据与所述的故障类型关联；

B23）将步骤B14）中的若干次机械特性试验获得的若干组状态数据与历史状态数据对比，若状态数据与历史状态数据差异大于预设阈值，则将该组状态数据与机械部件卡涩故障关联。

4.根据权利要求1所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤C中，使用故障样本数据训练故障识别神经网络模型前，对故障样本数据进行归一化处理，包括：

C11）列举故障样本数据中的数值型数据，获得数值型数据的理论边界值作为边界值，若不存在理论边界值，则获取该数据的历史边界值作为边界值，边界值的左边界值视为0，边界值的右边界值视为1，该数值型数据减左边界值的差除以右边界值与左边界值的差，作为该数值型数据归一化后的值；

C12）将状态量数据拆分为若干个布尔型数据；

C13）将布尔型数据转化为数值，并归一化。

5.根据权利要求4所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤C12中，将状态量数据拆分为若干个布尔型数据的方法包括：

C121）获得状态量数据的全部状态取值；

C122）以状态取值为字段名将状态量字段拆分为多个字段；

C123）将字段名称与状态量数据取值相同的字段置位，其余拆分字段置零，完成状态量数据拆分为布尔量数据。

6.根据权利要求1或2所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤B）中，对故障退役高压断路器进行日常检测项目的检测前，在故障退役高压断路器的每个机械运动部件上均安装非接触式位移传感器，将非接触式位移传感器所测得的位移数据添加到高压断路器的状态数据中。

7.根据权利要求6所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤D）中，在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器，获得非接触式位移传感器所测得的位移数据，将待研判的高压断路器状态数据以及非接触式位移传感器所测得的位移数据输入故障识别神经网络模型，进行故障研判。

8.根据权利要求6所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤B）中，在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器，在断电条件下，对该高压断路器不断重复分合闸试验，直至该高压断路器的机械部件出现损坏，记录试验过程中分合闸次数N，以及各个机械运动部件在分合闸过程中的位移数据作为历史位移数据；

在步骤D）中，若待研判的高压断路器的故障研判结果为无故障，则在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器，对待研判的高压断路器进行一次分合闸，获得非接触式位移传感器所测得的位移数据，并与历史位移数据对比，获得最接近的历史位移数据对应的分合闸试验次数n，将（N-n）作为待研判的高压断路器的剩余使用寿命。

9.根据权利要求6所述的一种基于物联网及大数据技术的高压断路器故障研判方法，其特征在于，

步骤B）中，在正常高压断路器的每个机械运动部件上均安装非接触式位移传感器；根据高压断路器的维护要求，依次选择一项维护要求使其不达标，在断电条件下，对该高压断路器不断重复分合闸试验，直至该高压断路器的机械部件出现损坏；记录试验过程中各个机械运动部件在分合闸过程中的位移数据并关联对应维护要求不达标对应故障，而后修复高压断路器，并进行下一项维护要求不达标的试验；

在步骤D）中，在待研判的高压断路器的每个机械运动部件上均安装非接触式位移传感器，对待研判的高压断路器进行一次分合闸，获得非接触式位移传感器所测得的位移数据，将待研判的高压断路器状态数据以及非接触式位移传感器所测得的位移数据输入故障识别神经网络模型，进行故障研判；若待研判的高压断路器的故障研判结果为无故障，则将本次检测所得位移数据与历史位移数据对比，获得最接近的历史位移数据对应的分合闸试验次数n，将（N-n）作为待研判的高压断路器的剩余使用寿命。

Images