摘要
万能式断路器是低压电网中最重要的开关控制设备，广泛应用于电厂、变电站、
工厂、轨道交通等场合，其可靠性直接影响配电和用电安全，对其进行剩余机械寿命
预测具有重要的现实意义。万能式断路器结构复杂，考虑到触头动作涉及多种关键机
构，并产生丰富的振动信息，所以本文利用分闸振动信号，围绕触头系统及其相连机
构，探究先进预测模型，解决断路器寿命预测问题。
为获取机械状态监测数据，设计了断路器触头系统机械寿命试验平台。收集3台
断路器的全寿命数据，并对分闸振动信号进行分析，明确了振动信号具有多源性、强
冲击性等特点以及对机械性能退化过程带来的不确定性影响。
针对用于寿命预测的有效分闸振动信号的检测问题，提出基于优化VMD预处理
的分闸关联振动信号检测方法。首先通过基于能量损失的VMD结合相关峭度指标对
振动信号进行分解、模态筛选和重构，增强信号的冲击特征以及振动事件的时域辨识
度；然后，为获取有效振动区间，通过短时能熵比双门限法对重构振动信号进行端点
检测和区间分割，从而实现分闸关联振动信号的有效检测。
利用分闸关联振动信号及其峰峰值特征进行退化分析，确定断路器的分段退化模
式，将全寿命退化过程分为平稳退化期和快速退化期。针对快速退化期，提出特征注
意力CNN预测模型，通过特征注意力机制改进卷积神经网络的微观特征提取能力，
该模型参数量较少，具有轻量化特点，仅针对复杂度较低的快速退化期展开预测，具
有一定的工程意义。经测试所提方法能够有效实现快速退化期的寿命预测。
针对全退化期的寿命预测问题，提出基于阶段注意力机制的多尺度卷积-门控循
环单元（SA-MSCNN-GRU）混合模型，该模型面向更加复杂的全寿命周期所对应的
分段退化模式，研究意义更强。阶段注意力机制由分布式注意力模块（DAM）和时
间步注意力模块（TAM）构成。混合模型前端为DAM-MSCNN特征融合子模型，用
于挖掘多粒度敏感退化特征，分布式注意力可提高时间和特征维度上微观信息的权重
贡献。混合模型后端为TAM-GRU寿命预测子模型，时间步注意力可以进一步刻画关
键时刻的渐变退化特征。实验结果表明阶段注意力机制在提高模型预测精度和稳定性
方面均具有显著贡献，所提SA-MSCNN-GRU混合模型相比于其他模型优势明显，能
够针对性的解决断路器全寿命预测问题。
关键词：万能式断路器；剩余机械寿命预测；分闸关联振动信号；单一预测模型；
混合预测模型；阶段注意力机制
I
II
ABSTRACT
Conventionalcircuitbreakeristhemostimportantswitchcontrolequipmentin
low-voltagepowergrids,widelyusedinpowerplants,substations,factories,rail
transportationandotheroccasions.Itsreliabilitydirectlyaffectsthesafetyofpower
distributionandconsumption,andpredictingitsremainingmechanicallifehasimportant
practicalsignificance.Theconventionalcircuitbreakerhasacomplexstructure,and
consideringthatthecontactactioninvolvesmultiplekeymechanismsandgeneratesrich
vibrationinformation,thisarticleusestheopeni