CN103616635A - 一种高压断路器机械特性故障诊断装置及方法 - Google Patents

Abstract

本发明属于断路器故障诊断技术领域，尤其涉及一种高压断路器机械特性故障诊断装置及方法。它包括断路器，还包括振动传感器、电压调理元件、AD转换元件、时钟元件、电源元件、中央处理单元、通讯单元和故障诊断上位机。本发明基于断路器动作过程中的机构振动信号，利用振动传感器、电压调理元件、AD转换元件、时钟元件、电源元件、中央处理单元、通讯单元和故障诊断上位机实现断路器机械特性的故障诊断。故障诊断方法是将高压断路器操作过程中振动信号进行小波包分解，提取振动信号在每个频带的能谱熵的特征向量，并采用相关向量机算法对高压断路器机械特性进行故障诊断。可有效诊断出断路器机械特性发生的故障，为断路器的状态检修提供依据。

Description

一种高压断路器机械特性故障诊断装置及方法

技术领域

本发明属于断路器故障诊断技术领域，尤其涉及一种高压断路器机械特性故障诊断装置及方法。

背景技术

高压断路器是电力系统中的重要设备之一，其运行状态直接影响着电力系统的运行稳定性和供电可靠性，高压断路器的机械特性可反映80%以上的故障。断路器在动作时，对应机构中每一部件的动作，在振动信号时间图上会有一个振动事件。对任一个操作中的事件出现的频率是变化的，但事件的出现顺序不变。断路器的铁、铝结构是振动信号的良导体，对于同一位置测得的相同情况下的操作，其振动波形有良好重复性，每种断路器操作对应的振动信号也具有独特性，而每台断路器的不同相或相同类型同批次的断路器其对应的振动信号有相似性。另外，大量试验表明加速度传感器的安装位置的微小移动或更换相同的传感器对测量结果没有明显影响。因此，在操作过程中，各个冲击子波与断路器运动状态有一一对应得关系，这为断路器故障诊断提供了重要数据。通过选择适当的部位，可以从支架或外壳上的振动信号来判断内部某一特定动作，从而可以获得断路器机械特性的状态。

在振动信号的故障诊断方面，国外的研究工作开展较早，如美国，挪威、澳大利亚、日本等，至今为止已经确定了一些较为实用的振动信号处理方法，并逐渐应用到实际的断路器状态诊断系统中。国内在这方面的工作起步较晚，在上个世纪九十年代才逐渐开展这方面的研究工作，目前实用化的产品还不多见。因此，基于断路器机械振动信号的断路器故障诊断方法的研究，对于指导断路器状态检修以及提高电力系统的运行可靠性均具有重要的现实意义。

发明内容

针对现有技术的不足，本发明提供一种高压断路器机械特性故障诊断装置及方法。

本发明的技术方案是这样实现的：

一种高压断路器机械特性故障诊断装置，包括断路器，还包括振动传感器、电压调理元件、AD转换元件、时钟元件、电源元件、中央处理单元、通讯单元和故障诊断上位机。

所述的振动传感器，采用高精度压电式加速传感器；该传感器的供电回路是和电压调理元件连接，其工作电压值为±12V，该传感器的信号回路与AD转换元件连接，输出的电压范围为0～5V。

所述的电压调理元件，为振动传感器供电，还可以将AD转换元件输出的5V电压转换成中央处理单元能接受的3.3V电压，并将上述两个元件相连接。

所述的时钟元件与中央处理单元相连接，可为AD转换元件提供采样频率。

所述的电源元件，通过中央处理单元与各元件相连接，可为整个装置提供电源。

所述的通讯单元为RS485通信接口，将中央处理单元与故障诊断上位机相连接。

所述的故障诊断上位机，包括数据特征提取模块、故障诊断模块和结果显示模块。

所述的数据特征提取模块，其提取步骤包括：

步骤1：将数据处理成带符号的高精度浮点型数据；

步骤2：采用等距五点三次算法消除振动信号数据的趋势；

步骤3：采用小波包能量熵提取断路器机械振动信号的特征值；

所述的故障诊断模块，采用相关向量机的分类诊断方法。

所述的结果显示模块，可实现诊断结果的存储和显示。

一种高压断路器机械特性故障诊断方法，包括以下步骤：

步骤1：采集断路器机械振动信号数据；

步骤2：通过RS485通信接口将采集的数据传到上位机；

步骤3：上位机对采集的数据进行数据特征提取；

步骤4：基于振动信号特征数据对断路器的机械特性进行故障诊断，采用相关向量机的分类诊断方法；

步骤5：存入数据库并显示，以便维修人员及时检修。

所述步骤4中采用相关向量机的分类诊断方法，包括以下步骤：

步骤1：选取由小波包能量熵提取的断路器振动信号的特征变量，组成训练集和测试集；

步骤2：确立断路器故障诊断模型。根据断路器机械故障的类型可设计多个二类相关向量机分类器；

步骤3：采用断路器训练数据集对相关向量机分类模型进行训练学习，并选取核函数和核函数参数，超参数估计；

步骤4：用断路器振动信号的特征测试数据集对相关向量机分类诊断模型进行性能测试。

所述的步骤3中超参数估计，具体实现步骤如下：

（1）参数初始化；设置超参数α初始值、终止条件及最大迭代次数等；

（2）由训练集及选定的核函数计算设计矩阵Φ；

（3）固定当前超参数α，采用二阶牛顿法迭代求解权重w_MP，并计算梯度向量g和海赛矩阵H；由于H为对称矩阵，因此可以按式（12）将H进行Cholesky分解，按式（13）更新w_MP，从而减少计算量；

H＝U^TU     (12)

$\left\{\begin{array}{c}\mathrm{\Δw}=-U^{-1}\left(U^{-1}\right)g\\ w_{\mathrm{MP}}=w_{\mathrm{MP}}+\mathrm{\Δw}\end{array}\right.---\left(13\right)$

式中，U是上三角矩阵；

（4）将步骤（3）迭代得到的w_MP作为权重的后验均值，由于对H进行Cholesky分解，可快速计算方法计算Σ_i,i；

$\left\{\begin{array}{c}M=U^{-1}\\ {\mathrm{\Σ}}_{i,i}={\left|\right|M_i\left|\right|}_2^2\end{array}\right.---\left(14\right)$

式中，||·||₂表示2范数，M_i表示矩阵M的第i行；

（5）采用最大化边缘似然函数的方法更新超参数α；在更新α的过程中，当α接近真实值时，发散速度会变得极慢，因此在α呈现稳定趋势时，可以采用式（15）所示的更新方法以提高收敛速度；

${\mathrm{\α}}_i={\mathrm{\γ}}_i\frac{{\mathrm{\γ}}_i-{\mathrm{\Σ}}_{i,i}}{w_{\mathrm{MPi}}^2}---\left(15\right)$

（6）重复步骤（3）至步骤（5）直至α满足收敛条件；

（7）输出超参数α和权重向量w_MP。

本发明的优点及有益效果如下：

本发明提供了一种高压断路器机械特性故障诊断装置及方法，基于断路器动作过程中的机构振动信号，利用振动传感器、电压调理元件、AD转换元件、时钟元件、电源元件、中央处理单元、通讯单元和故障诊断上位机实现断路器机械特性的故障诊断。故障诊断方法是将高压断路器操作过程中振动信号进行小波包分解,提取振动信号在每个频带的能谱熵的特征向量，并且采用相关向量机算法对高压断路器机械特性进行故障诊断。该方法可有效地诊断出断路器机械特性发生的故障，并可为断路器的状态检修提供依据。

附图说明

图1为本发明结构框图；

图2为本发明中加速度传感器采集电路图；

图3为本发明中±12V输入电压电平转换电路图；

图4为本发明中5V～3.3V电平转换电路原理图；

图5为本发明中AD转换元件的电路原理图；

图6为本发明中的中央处理单元接插件10管脚说明图；

图7为本发明中的中央处理单元接插件11管脚说明图；

图8为本发明中RS485通讯单元的电路原理图；

图9为本发明中断路器机械特性故障诊断装置工作过程图；

图10为本发明中断路器三种状态下的机械振动信号的实测数据图；

图11为本发明中断路器合闸机械振动信号处理前信号曲线；

图12本发明中断路器合闸机械振动信号处理后信号曲线；

图13为本发明中断路器三种状态下的小波包能量谱图；

图14为本发明中断路器机械特性故障诊断方法流程图；

图15为本发明中基于二叉树分类方法的断路器故障诊断模型图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

如图1所示，一种高压断路器机械特性故障诊断装置，包括断路器、振动传感器、电压调理元件、AD转换元件、时钟元件、电源元件、中央处理单元、通讯单元和故障诊断上位机。

本实施方式中，断路器采用真空10kv的ZW45型单稳态永磁机构断路器。

本发明中所述的振动传感器采用高精度压电式加速度传感器（LC0102T）搭建的振动采用电路，对振动信号进行采集。该传感器的供电回路是和电压调理元件连接，其工作电压值为±12V，该传感器的信号回路与AD转换元件连接，输出的电压范围为0～5V。振动监测电路中使用了运放OP07型号搭建的加法电路，如图2所示，将振动传感器电压信号抬高到0V以上，便于波形的对比分析。第二个运算放大器起到反向的作用。实施中传感器安装在断路器B相正下方的基座外壳上。

本发明中所述的电压调理元件为振动传感器供电，还可以将AD转换元件输出的5V电压转换成中央处理单元能接受的3.3V电压，并将上述两个元件相连接。

所述的时钟元件与中央处理单元相连接，可为AD转换元件提供采样频率。

所述的电源元件，通过中央处理单元与各元件相连接，可为整个装置提供电源。

所述的通讯单元为RS485通信接口，将中央处理单元与故障诊断上位机相连接。

断路器机械振动信号采集时需要向传感器提供±12V的电压，输出信号通过降压电路降至0到5V之间，如图3所示。电路中，使用OP07运算放大器搭建跟随器，其输入阻抗高，而输出阻抗低，起到缓冲级及隔离级的作用，满足电路两端阻抗匹配的特性。

由于AD转换元件有差分输入的特点，所以可通过运算放大器设计电平转换电路，使其接受双极性输入，将AD转换元件的采集范围从0V到5V扩大到-5V到+5V。

AD采集元件输出信号在0～5V之间，而中央处理单元供给电源为3.3V，所以在两者之间需要加入一个电平转换电路。该芯片可通过控制第1管脚和第24管脚DIR功能控制芯片管脚的输入输出方向，输入端可接3.3V或5V电源，输出可接3.3V电路。电路原理图如图4所示。

AD转换元件主要由ADS8364芯片及其外围电路组成。其优点为可进行同时采集六路模拟信号量，有效精度十六位，频率高达250kHz。AD转换元件的电路原理图如图5所示。断路器机械振动信号的采集频率设置成40kHz，满足信号的采样要求。

中央处理单元主要由TMS320F28335芯片及其外围电路组成，主要特点：（1）处理速度快，主频150MHz；（2）片内自带SRAM、Flash，；（3）外部存储器接口；（4）众多外部设备，如SCI、SPI、CAN、EV、ADC等；（5）大量可控制的GPIO口。数字信号处理器支持C等语言的编程。其存储器的存储空间大，能够用作大数据量的采集、运算、传输操作；图6为本发明中的中央处理单元接插件10管脚说明图，其中AD0为断路器机械振动信号的AD输入引脚；图7为本发明中的中央处理单元接插件11管脚说明图。

图8为本发明具体实施方式的RS485通讯单元的电路原理图，实现了中央处理单元与上位之间的通讯。

所述的故障诊断上位机，包括数据特征提取模块、故障诊断模块和结果显示模块。

所述的故障诊断模块，采用相关向量机的分类诊断方法。

所述的数据特征提取模块，包括以下步骤：

步骤1：将数据处理成带符号的高精度浮点型数据；

步骤2：采用等距五点三次算法消除振动信号数据的趋势；

步骤3：采用小波包能量熵提取断路器机械振动信号的特征值；

所述的结果显示模块，可实现诊断结果的存储和显示。

图9为本发明一种高压断路器机械特性故障诊断方法，包括以下步骤：

步骤1：采集断路器机械振动信号数据，信号中央处理单元接到上位机采集命令后，按40kHz的采样频率采集150ms的数据，分为高8位和低8位共12000个八进制数据，并按规定的协议上传数据。

步骤2：通过RS485通信接口将采集的数据传到上位机；

步骤3：上位机对采集的数据进行数据特征提取，首先，将数据处理成带符号的高精度浮点型数据；然后，采用等距五点三次算法消除振动信号数据的趋势；最后，采用等小波包能量熵提取信号的特征值；

步骤4：基于振动信号特征数据对断路器的机械特性进行故障诊断，采用相关向量机的分类诊断方法；

步骤5：存入数据库并显示，以便维修人员及时检修。

上述步骤4中采用相关向量机的分类诊断方法，包括以下步骤：

步骤1：选取由小波包能量熵提取的断路器振动信号的特征变量，组成训练集和测试集；

步骤2：确立断路器故障诊断模型。根据断路器机械故障的类型可设计多个二类相关向量机分类器；

步骤3：采用断路器训练数据集对相关向量机分类模型进行训练学习，并选取核函数和核函数参数，超参数估计；

步骤4：用断路器振动信号的特征测试数据集对相关向量机分类诊断模型进行性能测试。

图10为断路器在无负载合闸情况下，断路器正常状态、操作及传动机构卡涩状态和分闸弹簧单根脱落状态三种状态下的机械振动信号的实测数据图。

采用等距五点三次算法消除振动信号数据的趋势，消除随机误差的影响，提高采集数据的质量，算法如下：

设2n+1个等距节点X_-n,X_-n+1,…,X_-1,X₀,X₁,…,X_n-1,X_n上的实验数据分别为Y_-n,Y_-n+1,…,Y_-1,Y₀,Y₁,…,Y_n-1,Y_n。再设两节点间的等距为h，作交换则原节点变为t_-n＝-n,t_-n+1＝-n+1,…,t_-1＝-1,t₀＝1,…t_-n-1＝n-1,t_n＝n用m次多项式来拟合得到的实验数据，设拟合多项式为：

Y(t)＝a₀+a₁t+a₂t²+…+a_mt^m     (1)

用最小二乘法来确定方程t中的待定系数，令：

$\underset{i=-n}{\overset{n}{\mathrm{\Σ}}}{R}_i^2=\underset{i=-n}{\overset{n}{\mathrm{\Σ}}}{[\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{a}_1{t}_i^j-Y_i]}^2=\mathrm{\φ}(a_0,a_1,...a_m)---\left(2\right)$

为使φ(a₀,a₁,…a_m)达到最小，将它分为对a_k(k＝0,1,…m)求编导数，并令其为0，可得方程组：

$\underset{i=-n}{\overset{n}{\mathrm{\Σ}}}{Y}_j{t}_i^k=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{a}_j\underset{i=-n}{\overset{n}{\mathrm{\Σ}}}{t}_i^{k+1}(k=\mathrm{0,1},...,m)---\left(3\right)$

该方程组称为正规方程组。

当n＝2（5个节点），m＝3时，得到一个具体得正规方程组，由此解出，a₀,a₁,a_i,a_it代入（1）式，并令t＝0,+1,-1,+2,-2得到五点三次平滑公式：

$\stackrel{\‾}{y_{-2}}=\frac{1}{70}(69Y_{-2}+4Y_{-1}-6Y_0+4Y_1-Y_2)---\left(4\right)$

$\stackrel{\‾}{y_{-1}}=\frac{1}{30}(2Y_{-2}+27Y_{-1}+12Y_0-8Y_1+{2Y}_2)---\left(5\right)$

$\stackrel{\‾}{y_0}=\frac{1}{35}(-3Y_{-2}+12Y_{-1}+17Y_0+12Y_1-{3Y}_2)---\left(6\right)$

$\stackrel{\‾}{y_1}=\frac{1}{35}(2Y_{-2}-8Y_{-1}+12Y_0+27Y_1+{2Y}_2)---\left(7\right)$

$\stackrel{\‾}{y_2}=\frac{1}{70}(-Y_{-2}+4Y_{-1}-6Y_0+4Y_1+{69Y}_2)---\left(8\right)$

其中

为Y_i得改进值。该公式要求节点个数为k≥5，当节点个数多于5时，为对称其见，除在两端分别用公式（4）、（5）、（7）和（8）外，其余都用公式（6）进行平滑，这就相当在每个子区间上用不同得三次最小二乘多项式进行平滑。

图11为本发明中断路器合闸机械振动信号处理前信号曲线，图12本发明中断路器合闸机械振动信号处理后信号曲线。通过对比可看出处理后的曲线明显比未处理的曲线平滑，信号的消除趋势比较明显，处理后的曲线可满足信号特征值提取的需求。

基于小波包能量熵的断路器振动信号的故障特征提取方法，在断路器机械特性故障诊断中，当断路器运行状态出现异常时，表现为断路器振动信号各频率成分的能量发生了相应变化。因此，可用某一种或几种频率成分能量值的改变来表征断路器所对应的故障模式。设断路器振动信号长度为N，对信号进行j层小波包分解，得到的分解序列为X_jk，(k＝0～2^j-1)。对分解系数进行单支重构后得到信号分量为S_jk，设E_jk为重构信号在第j层第k个节点上的功率，则E_jk＝|S_jk(i)|²。令ε_jk＝E_jk/E，则

定义小波包能量熵为：

$H_{\mathrm{jk}}=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{\mathrm{jk}}\left(i\right)\log \left|{\mathrm{\ϵ}}_{\mathrm{jk}}\left(i\right)\right|---\left(9\right)$

式中，H_jk为信号的第j层第k个小波包能量熵。特征提取方法可分为如下步骤：

1）对某种故障模式下的采样数据S进行j层小波包分解。以3层小波包为例，其分解树结构如图2.8所示。其中，

分别为第3层从低频到高频所有频率成分的信号特征量。

2）对小波包分解系数进行单支重构。

对经过3层小波包分解得到的8个频带内的序列进行重构，得到8个小波包重构信号，各重构信号分别包含了故障信号从低频到高频的信息。

3）求取小波包能量熵构成的特征向量。

由式（9）分别求出8个小波包能量熵，以这8个小波包能量熵为元素可以构成1个特征向量，记为T，则：

T＝[H₃₀,H₃₁,H₃₂,H₃₃,H₃₄,H₃₅,H₃₆,H₃₇]     (10)

4）归一化处理。令

则特征向量可归一化为：

$T^{\′}=[\frac{H_{30}}{H},\frac{H_{31}}{H},\frac{H_{32}}{H},\frac{H_{33}}{H},\frac{H_{34}}{H},\frac{H_{35}}{H},\frac{H_{36}}{H},\frac{H_{37}}{H}]---\left(11\right)$

根据图10中的断路器三种状态下的振动信号数据，采用3层db10小波包变换提取各信号的能量谱，如图13所示。

由于基于断路器振动信号的故障诊断是典型的小样本数据分类问题，目前解决这类问题的主要采用支持向机（supportvectormachine，SVM）理论，由MichaelE.Tipping提出的一种与SVM相似的基于核函数的模式识别方法——相关向量机（relevance vectormachine，RVM），是一种新型的机器学习理论，它基于贝叶斯框架构建学习机，与SVM相比RVM不仅获得二值输出，而且获得概率输出；在核函数的选择上，不受梅西定理的限制，可以构建任意的核函数；RVM更稀疏，从而测试时间更短，更适用于在线检测；两者的分类准确率相当；RVM训练时间长，但由于断路器并不是连续运行电器设备，所以影响可以忽略不计。图14为基于RVM的断路器机械特性故障诊断方法，包括以下步骤：

步骤1：选取由小波包能量熵提取的断路器振动信号的特征变量，和断路器振动信号正常、分闸弹簧单根脱落、操作及传动机构卡涩和其它四种状态下的各20组样本数据，将样本数据标准化，并将其按4：1的比例分为训练集和测试集。

步骤2：确立断路器故障诊断模型。通过对断路器振动信号的实验分析，将断路器状态分为：正常、分闸弹簧单根脱落、操作及传动机构卡涩和其它状态四种类型。系统共设计3个二类RVM分类器（RVM1，RVM2，RVM3），分类器RVM1把正常状态与其它状态区分开，如果分类器输出不是正常状态，再把特征数据送入分类器RVM2，把分闸弹簧单根脱落状态与其它状态区分开，如果分类器输出不是分闸弹簧单根脱落状态，再把特征数据送入分类器RVM3，把操作及传动机构卡涩状态和其它状态区分开，采用二叉树分类方法建立断路器故障诊断模型，如图15所示。

步骤3：采用断路器训练数据集对RVM分类模型进行训练学习。选取核函数和核函数参数，超参数估计。RVM分类模型学习本质上是采用最大化边缘似然函数的方法进行超参数估计的过程，超参数估计具体实现步骤如下。

（1）参数初始化。设置超参数α初始值、终止条件及最大迭代次数等。

（2）由训练集及选定的核函数计算设计矩阵Φ。

（3）固定当前超参数α，采用二阶牛顿法迭代求解权重w_MP，并计算梯度向量g和海赛矩阵H。由于H为对称矩阵，因此可以按式（12）将H进行Cholesky分解，按式（13）更新w_MP，从而减少计算量。

H＝U^TU     (12)

$\left\{\begin{array}{c}\mathrm{\Δw}=-U^{-1}\left(U^{-1}\right)g\\ w_{\mathrm{MP}}=w_{\mathrm{MP}}+\mathrm{\Δw}\end{array}\right.---\left(13\right)$

式中，U是上三角矩阵。

（4）将步骤（3）迭代得到的w_MP作为权重的后验均值，由于对H进行Cholesky分解，可快速计算方法计算Σ_i,i。

$\left\{\begin{array}{c}M=U^{-1}\\ {\mathrm{\Σ}}_{i,i}={\left|\right|M_i\left|\right|}_2^2\end{array}\right.---\left(14\right)$

式中，||·||₂表示2范数，M_i表示矩阵M的第i行。

（5）采用最大化边缘似然函数的方法更新超参数α。在更新α的过程中，当α接近真实值时，发散速度会变得极慢，因此在α呈现稳定趋势时，可以采用式（15）所示的更新方法以提高收敛速度。

${\mathrm{\α}}_i={\mathrm{\γ}}_i\frac{{\mathrm{\γ}}_i-{\mathrm{\Σ}}_{i,i}}{w_{\mathrm{MPi}}^2}---\left(15\right)$

（6）重复步骤（3）至步骤（5）直至α满足收敛条件。

（7）输出超参数α和权重向量w_MP。

步骤4用断路器测试数据集对RVM分类诊断模型进行性能测试。

经测试RVM1、RVM2和RVM3分类诊断精度均达到97%以上，因此，该方法适用于断路器机械振动信号的诊断。

Claims (13)

1.一种高压断路器机械特性故障诊断装置，包括断路器，其特征在于：还包括振动传感器、电压调理元件、AD转换元件、时钟元件、电源元件、中央处理单元、通讯单元和故障诊断上位机。 

2.根据权利要求1所述的一种高压断路器机械特性故障诊断装置，其特征在于：所述的振动传感器，采用高精度压电式加速传感器；该传感器的供电回路是和电压调理元件连接，其工作电压值为±12V，该传感器的信号回路与AD转换元件连接，输出的电压范围为0～5V。 

3.根据权利要求1所述的一种高压断路器机械特性故障诊断装置，其特征在于：所述的电压调理元件，为振动传感器供电，还可以将AD转换元件输出的5V电压转换成中央处理单元能接受的3.3V电压，并将上述两个元件相连接。 

4.根据权利要求1所述的一种高压断路器机械特性故障诊断装置，其特征在于：所述的时钟元件与中央处理单元相连接，可为AD转换元件提供采样频率。 

5.根据权利要求1所述的一种高压断路器机械特性故障诊断装置，其特征在于，所述的电源元件，通过中央处理单元与各元件相连接，可为整个装置提供电源。 

6.根据权利要求1所述的一种高压断路器机械特性故障诊断装置，其特征在于，所述的通讯单元为RS485通信接口，将中央处理单元与故障诊断上位机相连接。 

7.根据权利要求1所述的一种高压断路器机械特性故障诊断装置，其特征在于，所述的故障诊断上位机，包括数据特征提取模块、故障诊断模块和结果显示模块。 

8.根据权利要求7所述的一种高压断路器机械特性故障诊断装置，其特征在于，所述的数据特征提取模块，其提取步骤包括： 

步骤1：将数据处理成带符号的高精度浮点型数据； 

步骤2：采用等距五点三次算法消除振动信号数据的趋势； 

步骤3：采用小波包能量熵提取断路器机械振动信号的特征值。 

9.根据权利要求7所述的一种高压断路器机械特性故障诊断装置，其特征在于，所述的故障诊断模块，采用相关向量机的分类诊断方法。 

10.根据权利要求7所述的一种高压断路器机械特性故障诊断装置，其特征在于，所述的结果显示模块，可实现诊断结果的存储和显示。 

11.一种高压断路器机械特性故障诊断方法，包括以下步骤： 

步骤1：采集断路器机械振动信号数据； 

步骤2：通过RS485通信接口将采集的数据传到上位机； 

步骤3：上位机对采集的数据进行数据特征提取； 

步骤4：基于振动信号特征数据对断路器的机械特性进行故障诊断，采用相关向量机的分类诊断方法； 

步骤5：存入数据库并显示，以便维修人员及时检修。 

12.根据权利要求11所述的一种高压断路器机械特性故障诊断方法，其特征在于：所述步骤4中采用相关向量机的分类诊断方法，包括以下步骤： 

步骤1：选取由小波包能量熵提取的断路器振动信号的特征变量，组成训练集和测试集； 

步骤2：确立断路器故障诊断模型。根据断路器机械故障的类型可设计多个二类相关向量机分类器； 

步骤3：采用断路器训练数据集对相关向量机分类模型进行训练学习，并选取核函数和核函数参数，超参数估计； 

步骤4：用断路器振动信号的特征测试数据集对相关向量机分类诊断模型进行性能测试。 

13.根据权利要求12所述的一种高压断路器机械特性故障诊断方法，其特征在于：所述的步骤3中超参数估计，具体实现步骤如下： 

（1）参数初始化；设置超参数α初始值、终止条件及最大迭代次数等； 

（2）由训练集及选定的核函数计算设计矩阵Φ； 

（3）固定当前超参数α，采用二阶牛顿法迭代求解权重w_MP，并计算梯度向量g和海赛矩阵H；由于H为对称矩阵，因此可以按式（12）将H进行Cholesky分解，按式（13）更新w_MP，从而减少计算量； 

H＝U^TU     (12) 

式中，U是上三角矩阵； 

（4）将步骤（3）迭代得到的w_MP作为权重的后验均值，由于对H进行Cholesky分解，可快速计算方法计算Σ_i,i； 

式中，||·||₂表示2范数，M_i表示矩阵M的第i行； 

（5）采用最大化边缘似然函数的方法更新超参数α；在更新α的过程中，当α接近真实值时，发散速度会变得极慢，因此在α呈现稳定趋势时，可以采用式（15）所示的更新方法以提高收敛速度； 

（6）重复步骤（3）至步骤（5）直至α满足收敛条件； 

（7）输出超参数α和权重向量w_MP。 

Images