CN107101813A - 一种基于振动信号的框架式断路器机械故障程度评估方法 - Google Patents
一种基于振动信号的框架式断路器机械故障程度评估方法 Download PDFInfo
- Publication number
- CN107101813A CN107101813A CN201710284131.0A CN201710284131A CN107101813A CN 107101813 A CN107101813 A CN 107101813A CN 201710284131 A CN201710284131 A CN 201710284131A CN 107101813 A CN107101813 A CN 107101813A
- Authority
- CN
- China
- Prior art keywords
- mrow
- vibration signal
- mode
- fault
- entropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
Abstract
一种基于振动信号的框架式断路器机械故障程度评估方法，该评估方法中振动信号为通过框架式断路器机械故障检测系统采集框架式断路器分合闸过程中的机械振动信号，该方法采用小波包去噪对振动信号进行去噪预处理，其次对去噪振动信号采用局部均值分解算法进行自适应分解，筛选出与原始振动信号相关性最大的前d个PF分量，对各PF分量进行改进的多尺度排列熵分析，并利用主成分分析法对由上述改进的多尺度排列熵值构成的特征向量进行降维处理，建立故障特征向量，再构建多分类支持向量机，进行模式识别，通过参照不同故障模式下的故障程度特性曲线，用于对断路器分合闸过程中出现的机械故障的严重程度进行定量评估，该方法稳定、可靠、有效。
Description
技术领域
本发明涉及断路器的机械故障程度评估技术领域，具体地说是一种基于振动信号的框架式断路器机械故障程度评估方法。
背景技术
智能电网是当前国内外的研究热点，智能化供电系统是智能电网的重要组成部分，作为在供电系统低压侧起着“控制”和“保护”双重作用的框架式断路器，其广泛应用于低压配电系统各级馈出线、各种机械设备的电源控制和用电终端的控制和保护。国内外研究与统计机构发现，断路器发生的绝大部分故障属于机械故障，而机械故障中分合闸故障最为常见。近年来，故障诊断技术得到了深入研究和广泛应用，现有的断路器机械故障诊断技术中也出现了较多的智能诊断方法。而在实际应用中，仅仅知道故障是否发生以及对故障类型的判定对于断路器的合理有效运行是远远不够的，在故障发生时识别故障的严重程度是故障诊断领域的一个新的挑战，获取故障的严重程度信息能够帮助用户了解设备状态的发展趋势，制定合理的维修决策和检修方案。因此，针对断路器机械故障程度定量评估的研究具有重要的意义。
目前，在故障程度定量评估研究中主要是直接对故障程度进行模式识别，即有序分类问题。黄强等(黄强,宋士华,丁志华,等.基于振动分析的柴油机故障程度的研究[J].华中科技大学学报(自然科学版),2007,35(6):105-107.)利用神经网络诊断模型来识别故障的发展程度，并以柴油机连杆铜套磨损故障为例进行了多种故障程度的模式识别分析；陈斌等(陈斌,阎兆立,程晓斌.基于SVDD和相对距离的设备故障程度预测[J].仪器仪表学报,2011,32(7):1558-1563.)找出转子振动模拟台振动信号频谱曲线的统计变化规律，提取出能够描述故障设备故障程度变化的频域特征来构造相对距离，然后进行故障程度大小的有效识别。目前故障程度的研究仅仅实现了故障程度大小的分类，即只能根据智能识别算法诊断出固定的故障程度，是一种离散型的对应关系，但并未从根本上揭示信号特征与故障程度的变化规律，即根据一些故障程度特征和故障的严重程度之间存在的特性关系进行故障程度的定量分析，容易产生错误的故障程度判定，轻则影响对断路器机械状态的判定，重则造成停电事故和重大经济损失。
发明内容
针对现有技术的不足，本发明所要解决的技术问题是：提供一种基于振动信号的框架式断路器机械故障程度评估方法。该方法在故障模式识别的基础上，通过参照不同故障模式下的故障程度特性曲线，用于对断路器分合闸过程中出现的机械故障的严重程度进行评估，该方法稳定、可靠、有效。该方法将断路器的工作模式分为正常模式、报警模式与故障模式，当断路器处于正常模式时，不需要进行任何处理；报警模式是由于断路器在生产时拥有允许误差量，且在发生轻微故障时不会对断路器运行造成影响，因此在一定允许范围内不需要进行故障程度评估，此时仅需做报警处理，预警即将有故障发生；故障模式是故障积累到一定程度，会对断路器正常运行造成影响，故障模式下包含断路器分合闸过程中主要发生的各类故障；采集断路器处于正常模式，报警模式，故障模式下各种故障严重程度不同的振动信号；首先采用小波包去噪对振动信号进行去噪预处理，其次对去噪振动信号采用局部均值分解算法进行自适应分解，得到若干具有物理意义的乘积函数(productfunction，PF)，对PF分量进行相关性分析，筛选出与原始振动信号相关性最大的前d个PF分量，对各PF分量进行改进的多尺度排列熵分析，并利用主成分分析法对由上述改进的多尺度排列熵值构成的特征向量进行降维处理，建立故障特征向量，然后利用网格参数寻优算法对子支持向量机进行参数寻优，并将降维后的故障特征向量作为特征量输入到SVM分类模型(6个子支持向量机)中进行故障模式的判定，最后对处于故障模式下各类故障进行故障程度特性曲线构造，对不同故障程度的振动信号求取特征值，该特征值作为故障程度评估指标，建立故障程度评估指标与故障程度之间的特性关系，即完成了断路器分合闸故障的定量评估。
本发明解决该技术问题所采用的技术方案是：提供一种基于振动信号的框架式断路器机械故障程度评估方法，该评估方法中振动信号为通过框架式断路器机械故障检测系统采集框架式断路器分合闸过程中的机械振动信号，包括以下步骤：
第一步，将断路器的工作模式分为正常模式、报警模式和故障模式，所述故障模式包括A相不同期、B相不同期、C相不同期、虚假合闸和分闸不彻底五种；利用加速度传感器采集断路器不同工作模式下的分合闸动作过程中的振动信号Sv(t)，每种工作模式下均采集r个振动信号；
第二步，对采集的振动信号Sv(t)采用小波包阈值去噪算法进行去噪预处理，得到去噪振动信号Sv′(t)；
第三步，将不同工作模式下的去噪振动信号Sv′(t)进行局部均值分解，并选取d个主要PF分量；
第四步，对第三步得到的d个主要PF分量进行改进的多尺度排列熵计算，步骤如下：
4-1.将长度为N的主要PF分量xi按照公式(11)进行粗粒化处理，得到粗粒化序列
式中：i＝1,2,…,d；j＝1,2,…,N；τ＝1,2,…,τmax；τmax为τ的最大值,为尺度因子，τmax大于10；
4-2.将步骤4-1得到的τmax个粗粒化序列分别求取排列熵值，得到的排列熵值即为d个主要PF分量的改进的多尺度排列熵值
第五步，构建样本降维特征矩阵：
按照第四步分别求出不同工作模式下去噪振动信号的d个主要PF分量的改进的多尺度排列熵值，并在每一种工作模式下将改进的多尺度排列熵值构建成一个特征向量TT＝[MMPE1 MMPE2 … MMPEd]，特征向量TT的维数为τmax×d，所有工作模式下共有7r个样本，7r个样本的所有特征向量构成样本特征矩阵，样本特征矩阵的维数为7r×τmaxd；然后通过主成分分析法对样本特征矩阵进行降维处理，降维后得到为一个维的矩阵，该矩阵即为样本降维特征矩阵；
第六步，构建多分类支持向量机，识别工作模式：
使用第五步得到的样本降维特征矩阵，需要进行识别的工作模式总类数为7，把某个工作模式下的数据看做正类，其余工作模式下的数据看做负类，采用“一对多”方法构建六个子支持向量机，六个子支持向量机再以高斯径向基核函数为基础，并采用网格搜索算法进行核参数优化，得到多分类支持向量机，通过该多分类支持向量机对断路器的工作模式进行识别；当处于正常模式时，不需要进行任何处理，当处于报警模式时，需要提醒工作人员注意，当处于故障模式时，需要进行故障程度评估；
第七步，确定故障程度评估指标：
在经过第六步所得到的多分类支持向量机诊断出断路器处于故障模式中的某种故障时，需要对该种故障发生的故障程度进行评估；以改进的多尺度排列熵偏均值作为故障程度评估指标，计算故障模式中A相不同期、B相不同期、C相不同期、虚假合闸与分闸不彻底故障的不同故障程度的改进的多尺度排列熵偏均值；
改进的多尺度排列熵偏均值的计算步骤如下：
7-1.确定第二步中去噪振动信号的尺度因子τ′max，τ′max大于10；
7-2.将长度为N的去噪振动信号Sv′(t)按照公式(12)进行粗粒化处理，得到粗粒化序列
式中：t＝1,2,…,N；τ＝1,2,…,τ′max；τ′max为去噪振动信号的尺度因子；将得到的τ′max个粗粒化序列分别求取排列熵值，得到的排列熵值即为去噪振动信号Sv′(t)的改进的多尺度排列熵值；
7-3.根据公式(13)计算去噪振动信号Sv′(t)的改进的多尺度排列熵值的偏斜度Ske：
其中，分别为去噪振动信号Sv′(t)的改进的多尺度排列熵值的均值、中位数和标准差；
7-4.根据公式(14)计算该去噪振动信号的改进的多尺度排列熵偏均值
第八步，构造故障程度特性曲线：
将第七步得到的所有去噪振动信号的改进的多尺度排列熵偏均值与故障程度之间建立函数关系，通过曲线拟合，得到A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障相应的故障程度特性曲线，当需要进行故障程度评估时，经第二步对待评估振动信号进行去噪处理，然后按照第七步计算去噪振动信号的改进的多尺度排列熵偏均值，代入上述相应的故障程度特性曲线中，即可得出对应故障程度的定量值。
本发明的有益效果是：与现有的断路器机械故障技术相比，提出了故障程度定量评估的方法，而不是单纯的判断故障有无发生以及故障定位。
本发明突出的实质性特点是：针对框架式断路器故障程度评估的实际需要，构建了完整的断路器机械故障程度评估方式。对于框架式断路器的结构，采用非侵入式的振动信号测量方法，来表征断路器机械故障的微弱变化，不需要破坏断路器的本体结构，可实现便捷可靠地机械状态监测；同时在对振动信号进行处理时，针对振动信号非线性非平稳性的特点，采用了局部均值分解；求取主要PF分量的改进的多尺度排列熵，不仅避免了单一尺度排列熵值衡量振动信号复杂的不足，同时也避免了多尺度分析时粗粒化对时间序列长度的依赖性过强；在进行工作模式识别时，采用网格参数寻优算法对SVM参数进行优化，避免了局部极小值的出现；针对不同故障发生时故障特性不同的特点，对不同故障构造了不同的故障程度特性曲线，故障程度特性曲线的合理构造为断路器故障程度评估提供了参考依据。实验结果表明，该方法简单、实用性强，可有效完成对框架式断路器机械故障的定量评估，且准确性较高。
与现有技术相比，本发明基于振动信号的框架式断路器机械故障程度评估方法的显著进步是：
(1)本发明方法不仅对断路器故障类型进行识别，还对断路器发生的机械故障程度进行定量评估分析，能够帮助检修人员更好的掌握断路器的机械故障损伤程度，有效指导设备维护。
(2)本发明方法以断路器分合闸过程中所产生的包含丰富机械特性信息的振动信号作为数据来源，其中加速度传感器垂直安装于断路器中间相触头的基座横梁上，不需要破坏断路器本体结构，实现了对框架式断路器非侵入式的状态检测。
(3)本发明方法采用局部均值分解(LMD)方法对振动信号进行多状态空间分析，其具有很好的自适应性和时频聚集性，克服了小波包分解、EMD、EEMD等常用分解方法出现的负频率问题，欠包络和过包络问题也得到了解决，端点效应得到了有效地缓解，取到了较好的分解效果。
(4)本发明方法对局部均值分解后得到的主要PF分量进行改进的多尺度排列熵算法，该算法克服了单一尺度排列熵(permutation entropy,PE)衡量信号复杂度的不足，鲁棒性更强，适应性更好，同时克服了多尺度排列熵(multi-scale permutation entropy,MPE)在计算过程中对时间序列的长度依赖性强的问题，提高了熵值计算的准确性。
(5)在故障程度特性曲线构造过程中，每一个故障实例下不同的故障程度都需要建立故障程度评估指标来进行描述，故障程度评估指标也是通过对不同故障程度下振动信号进行特征提取获得，本发明中将改进的多尺度排列熵偏均值(partial mean ofmulti-scale permutation entropy,PMMPE)作为故障程度评估指标，该故障程度评估指标能够反映多尺度排列熵熵值和熵值变化趋势两方面信息。
(6)本发明方法采用支持向量机(SVM)对故障模式进行识别，利用网格寻优(gridsearch)算法对SVM参数进行寻优，快速实现核函数的最优参数获取，利用交叉验证的方式网格化方法遍历寻找SVM全局最优参数解，提高分类模型的识别率与可靠性，与传统的采用经验法确定参数相比，计算时间减少，准确率也有明显提升。
(7)本发明方法通过对故障程度与故障程度特征指标之间构建特性曲线，能够对故障程度评估范围内的任意程度的故障进行评估分析，相较于目前故障程度研究中仅对特定的故障程度进行有序识别来说，由定性转为定量，故障程度评估准确性有了显著的提升。
附图说明
图1为本发明一种基于振动信号的框架式断路器机械故障程度评估方法总体流程图。
图2为实施例1正常模式和报警模式下采集的振动信号波形图；
图3为实施例1故障模式中5种不同故障下采集的振动信号波形图。
图4为实施例1中正常模式下振动信号去噪前后对比波形图。
图5为实施例1中正常模式下去噪振动信号LMD分解后各PF分量波形图。
图6为实施例1中正常模式下去噪振动信号的MMPE分析图。
图7为实施例1中不同工作模式下去噪振动信号的PF1分量多尺度分析图。
图8为实施例1中网格搜索算法参数优化图。
图9为实施例1中故障模式下5种不同故障的故障程度特性曲线图。
具体实施方式
下面结合附图和本实施例对本发明进一步说明，但并不以此作为对本申请权利要求保护范围的限定。
本发明提供一种基于振动信号的框架式断路器机械故障程度评估方法(简称评估方法)，该评估方法包括以下步骤：
第一步，将断路器的工作模式分为正常模式、报警模式和故障模式，所述故障模式包括A相不同期、B相不同期、C相不同期、虚假合闸和分闸不彻底五种。当处于正常模式时，不需要进行任何处理，当处于报警模式时，即断路器发生轻微故障，不会对断路器正常运行造成影响，提醒工作人员注意已有轻微故障发生，此时不需要进行故障程度评估，；当处于故障模式时，断路器已发生故障，此时不仅需要知道断路器发生故障的类型，还需要进行故障程度评估，由于断路器发生故障时分合闸所产生的机械振动冲击不同，相应的故障程度特性也不同；采集断路器不同工作模式下的分、合闸动作过程中的振动信号Sv(t)，每种工作模式下均采集r个振动信号；
第二步，对采集的振动信号Sv(t)采用小波包阈值去噪算法进行去噪预处理，得到去噪振动信号Sv′(t)；
所述小波包阈值去噪算法的具体步骤是：
2-1.选用Symlets(symA)(A＝2,3,…，8)小波基作为基函数，对含噪信号进行a层小波包分解，分别得到每层上每个频段的小波包分解系数Wa,b(Wa,b为第a层上的第b个频段的小波包分解系数)；
2-2.采用阈值函数对小波包分解系数Wa,b进行阈值量化处理，得到处理后的小波包分解系数阈值的选择采用软阈值法，阈值函数为公式(1)：
选取固定阈值准则：B为含噪声信号在所有尺度上的小波包分解得到的小波包分解系数的个数综合，β为噪声信号的偏差；
2-3.将软阈值法处理后的小波包分解系数重建小波包树，并反变换重构得到去噪振动信号Sv′(t)；
第三步，将不同工作模式下的去噪振动信号Sv′(t)进行局部均值分解(LMD)，并选取d个主要PF分量：
局部均值分解是在经验模态分解方法的基础上提出的一种新的自适应时频分析方法，相较于EMD方法具有更好的自适应性和时频聚集性，克服了EMD方法中出现的负频率问题，欠包络和过包络问题也得到了解决，端点效应也得到了有效缓解，
去噪振动信号Sv′(t)进行局部均值分解的具体步骤是：
3-1.求取去噪振动信号Sv′(t)的所有的局部极值点el，然后根据公式(2)求取所有相邻局部极值点的局部均值ml和包络估计值al，
然后分别将所有的局部均值ml和包络估计值al用直线连接起来，形成两种折线，运用滑动平均的方法对这两种折线进行平滑处理，得到去噪振动信号Sv′(t)的局部均值函数m11(t)和包络估计函数a11(t)；
3-2.根据公式(3)将去噪振动信号Sv′(t)减去局部均值函数m11(t)得到滤掉低频信号的h11(t)，实现将局部均值函数m11(t)从去噪振动信号Sv′(t)中分离出来的目的；再根据公式(4)将滤掉低频信号的h11(t)除以包络估计函数a11(t)得到解调函数s11(t)，从而实现对滤掉低频信号的h11(t)进行解调的目的，
h11(t)＝S′v(t)-m11(t) (3)
s11(t)＝h11(t)/a11(t) (4)
3-3.根据经验确定迭代动量项Δ，一般情况下Δ＝0.001。
3-4.检查计算步骤3-2计算出的s11(t)是否为纯调频信号，也就是计算s11(t)的包络估计函数a12(t)是否满足条件1-Δ≤a12(t)≤1+Δ；若a12(t)满足如果条件，则s11(t)为纯调频信号，进入步骤3-5；若不满足条件，那么将s11(t)作为一个新的信号替代Sv′(t)，带入步骤3-1～步骤3-3，继续判断是否满足条件，迭代n次，直至s1n(t)是一个纯调频信号为止，具体迭代过程参见式(5)和式(6)，此过程中得到一系列的包络估计函数a1q(t)和解调函数s1q(t)，q＝1,2,…n；
并且，
3-5.将步骤3-1～步骤3-4的迭代过程中产生的所有包络估计函数a1q(t)作积，参见式(7)，得到一个新的数列，该数列就是包络信号a1(t)，
3-6.将经过步骤3-5得到的包络信号a1(t)和对应地解调函数s1n(t)相乘，得到Sv′(t)经过分解后得到的第一个PF分量PF1(t)，计算公式为式(8)：
PF1(t)＝a1(t)s1n(t) (8)
经过上述处理后得到的第一个PF分量包含了Sv′(t)中最大尺度的频率成分；
3-7.将S′v(t)减去PF1(t)进而达到将PF1(t)分离出S′v(t)的目的，得到一个最新的信号u1(t)，将u1(t)与S′v(t)替换，重复步骤3-1～步骤3-6，循环h次，直到uh(t)为一个单调函数为止，该单调函数即为剩余分量；
按上述步骤，断路器的振动信号可以分解成若干个PF分量和1个剩余分量之和，相当于按照从高频到低频的顺序对原始振动信号进行了滤波处理，具体计算公式为式(9)：
式中：PFc(t)表示第c个PF分量，共分解为个PF分量，uh(t)为剩余分量，表示的是信号的趋势；(上述步骤参考：徐长源.基于LMD的轴承故障特征提取方法研究[D].沈阳：沈阳大学，2016.)
3-8.由于振动信号复杂，经过局部均值分解后得到个PF分量，在分解过程中存在虚假分量，为了能够找出反应原始振动信号特征的真实分量，可通过相关性分析对PF分量进行筛选，相关系数越大，表明用PF分量与原始振动信号关系越大，包含的原始振动信号的信息量越多。用Pearson相关系数来衡量原始振动信号Sv′(t)与步骤3-7得到的个PF分量的相关性，根据公式(10)计算原始振动信号Sv′(t)与PF分量PFc(t)的相关系数γ：
式中：表示Sv′(t)，表示PFc(t)，为数据集合的个数；
相关系数γ的值介于-1和+1之间，即-1≤γ≤1，两数据集合相关性越大，其相关系数的绝对值|γ|越接近于1，反之，接近于0；根据断路器振动信号与各PF分量的特性分析，当相关性系数γ≥0.1即认为该PF分量包含振动信号足够的信息量，同时又不会因为舍弃太多分量而导致局部均值分解对振动信号反应不足的情况发生，选取此PF分量为主要PF分量，共选取d个主要PF分量；若γ<0.1，则舍弃该PF分量；
第四步，对第三步得到d个主要PF分量进行改进的多尺度排列熵计算，多尺度排列熵是在排列熵的基础上进行多尺度的熵值计算，但多尺度排列熵在计算过程中的精度依赖于时间序列的长度，即PF分量的长度，为此，提出改进的多尺度排列熵算法，克服了多尺度排列熵计算中因粗粒化而导致序列长度大大缩短而使其表征状态的能力降低的问题。
改进的多尺度排列熵的计算步骤如下：
4-1.将长度为N的主要PF分量xi按照公式(11)进行粗粒化处理，得到粗粒化序列
式中：i＝1,2,…,d；j＝1,2,…,N；τ＝1,2,…,τmax；τmax为τ的最大值，为改进的尺度因子，τmax大于10；
4-2.将步骤4-1得到的τmax个粗粒化序列分别求取排列熵值，排列熵值的求取过程按照冯辅周等(冯辅周,饶国强,司爱威,等.排列熵算法研究及其在振动信号突变检测中的应用[J].振动工程学报,2012,25(2):221-224.)所公开的排列熵算法进行计算，得到排列熵值即为d个主要PF分量的改进的多尺度排列熵值
第五步，构建样本降维特征矩阵：
按照第四步分别求出不同工作模式下去噪振动信号的d个主要PF分量的改进的多尺度排列熵值，并在每一种工作模式下将改进的多尺度排列熵值构建成一个特征向量TT＝[MMPE1 MMPE2 … MMPEd]，特征向量TT的维数为τmax×d，所有工作模式下共有7r个样本，7r个样本的所有特征向量构成样本特征矩阵，样本特征矩阵的维数为7r×τmaxd；然后通过主成分分析(principle component analysis,PCA)法对样本特征矩阵进行降维处理，在去除冗余特征的同时保留了全局信息与局部特征；主成分分析法的具体步骤参考韩小孩等(韩小孩，张耀辉，孙福军等.基于主成分分析的指标权重确定方法[J].四川兵工学院，2012，33(10)：124-126)对主成分分析法的研究中的步骤进行；降维后得到为一个7r×m～维的矩阵，该矩阵即为样本降维特征矩阵；
第六步，构建多分类支持向量机，识别工作模式：
使用第五步得到的样本降维特征矩阵，需要进行识别的工作模式总类数为7，把某个工作模式下的数据看做正类，其余工作模式下的数据看做负类，采用“一对多”方法构建六个子支持向量机，六个子支持向量机再以高斯径向基核函数为基础，并采用网格搜索算法进行核参数优化，得到多分类支持向量机，通过该多分类支持向量机对断路器的工作模式进行识别；当处于正常模式时，不需要进行任何处理，当处于报警模式时，需要提醒工作人员注意，当处于故障模式时，需要进行故障程度评估；
构建多分类支持向量机的具体步骤如下：
6-1.将样本降维特征矩阵中正常模式下的特征向量归为正类，其余工作模式下的特征向量归为负类，构建正常子支持向量机；将样本降维特征矩阵中报警模式下的特征向量归为正类，其余工作模式下的特征向量归为负类，构建报警子支持向量机；将样本降维特征矩阵中故障模式下的A相不同期的特征向量归为正类，其余工作模式下的特征向量归为负类，构建A相不同期子支持向量机；将样本降维特征矩阵中故障模式下的B相不同期的特征向量归为正类，其余工作模式下的特征向量归为负类，构建B相不同期子支持向量机；将样本降维特征矩阵中故障模式下的C相不同期的特征向量归为正类，其余工作模式下的特征向量归为负类，构建C相不同期子支持向量机；将样本降维特征矩阵中故障模式下的虚假合闸的特征向量归为正类，其余工作模式下的特征向量归为负类，构建虚假合闸子支持向量机；若上述6个子支持向量机均不能有效识别，则属于故障模式下的分闸不彻底故障；子支持向量机的构建步骤参考Vapnic(Vapnic.Support-VectorNetworks[J].MachineLearning,1995,(20)：273-297.)在提出支持向量机时所用到的步骤。
6-2.对上述6个子支持向量机分别采用对应的特征向量进行训练，训练过程中核函数采用RBF核函数，子支持向量机惩罚参数C和核函数参数σ采用网格搜索算法进行优化，得到最优输出节点，使子支持向量机的工作模式识别准确率达到最高；即得到基于断路器不同工作模式下振动信号的多分类支持向量机。
第七步，确定故障程度评估指标：
在经过第六步所得到的多分类支持向量机诊断出断路器处于故障模式中的某种故障时，需要对该种故障发生的故障程度进行评估；以改进的多尺度排列熵偏均值(partial mean of multi-scale permutation entropy，PMMPE)作为故障程度评估指标，计算故障模式中A相不同期、B相不同期、C相不同期、虚假合闸与分闸不彻底故障的不同故障程度的改进的多尺度排列熵偏均值；故障程度评估指标结合了改进的多尺度排列熵熵值和熵值变化趋势两方面的信息来对故障程度进行定量分析；
改进的多尺度排列熵偏均值的计算步骤如下：
7-1.确定第二步中去噪振动信号的改进的尺度因子τ′max，τ′max大于10；
7-2.将长度为N的去噪振动信号Sv′(t)按照公式(12)进行粗粒化处理，得到粗粒化序列
式中：t＝1,2,…,N；τ＝1,2,…,τ′max；τ′max为去噪振动信号的改进的尺度因子；将得到的τ′max个粗粒化序列分别求取排列熵值，得到的排列熵值即为去噪振动信号Sv′(t)的改进的多尺度排列熵值；
7-3.根据公式(13)计算去噪振动信号S′v(t)的改进的多尺度排列熵值的偏斜度Ske：
其中，分别为去噪振动信号Sv′(t)的改进的多尺度排列熵值的均值、中位数和标准差；
7-4.根据公式(14)计算该去噪振动信号的改进的多尺度排列熵偏均值
第八步，构造故障程度特性曲线：
将第七步得到的所有去噪振动信号的改进的多尺度排列熵偏均值与故障程度之间建立函数关系，通过曲线拟合，得到A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障相应的故障程度特性曲线，当需要进行故障程度评估时，经第二步对待评估振动信号进行去噪处理，然后按照第七步计算去噪振动信号的改进的多尺度排列熵偏均值(故障程度评估指标)，代入上述相应的故障程度特性曲线中，即可得出对应的故障程度的定量值。
在故障程度分析过程中，一些故障程度评估指标和故障程度之间存在单调关系，被称为单调故障特征，即构造的故障程度评估指标随着故障程度的增大而单调变大或变小，单调故障特征能够反映出与故障严重程度之间的单调趋势，为故障严重程度评估提供直观、简单的信息。但也存在一些故障程度评估指标与故障程度之间不存在单调依赖关系。通过描述故障程度评估指标与故障程度之间的这种线性或非线性关系，即为故障程度特性曲线构造。
本发明的进一步特征在于所述步骤4-2中排列熵值的计算中嵌入维数m＝3～7；延迟时间λ＝1。多尺度排列熵值的计算受嵌入维数m和延迟时间λ的影响较大，m太小，排列熵值的计算中的重构的序列中包含太少的状态信息量，无法进行熵值的计算，算法失去意义和有效性，因此不能检测时间序列的动力学突变；m太大，则计算时间太长。延迟时间λ太大，重构矢量相邻延迟坐标之间的相关性太小，容易造成信息丢失。本申请中优选嵌入维数m＝6，延迟时间λ＝1，其中时间序列的长度N(也即主要PF分量的长度)取值也应适当，不易过大或过小，选取为N＝5000。本申请中主要PF分量的长度和振动信号的长度相等，均为N。
本发明的进一步特征在于所述第八步中构造故障程度特性曲线时按照三次函数形式进行曲线拟合，得到A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障相应的故障程度特性曲线分别为：
A相不同期：
B相不同期：
C相不同期：
虚假合闸：
分闸不彻底：
其中故障程度，为故障程度评估指标。
本发明在构建基于上述多分类支持向量机时，采用“一对多”的多分类方法构建多分类支持向量机，计算简单，避免了现有支持向量机在分类问题上只考虑了二值分类情况，能够解决故障诊断等多值分类问题；设需要进行识别的总类数为G，把第F类看做正类，其余的G-1类看做负类即可。采用高斯径向基核函数(radial basis function,RBF)来构建基于断路器不同故障模式振动信号分类的子支持向量机，采用了核函数后，不但避免了“维数灾难”，并且没有必要知道非线性变换函数的形式，而且可以使得分类在维数甚至是无穷大的特征空间进行，预设参数少、通用性强、分类准确度高，在实际应用中也表明具有很强的SVM学习能力。
在采用RBF核作为核函数的SVM中，SVM惩罚参数C和宽度参数σ为其主要调节控制参数。惩罚参数C的作用是调整SVM对已知训练样本构建最优分类超平面时分类错误的容忍程度，反映的是SVM分类超平面对已知训练样本错误分类比例与SVM复杂程度间的权衡。RBF核函数的宽度参数σ控制着RBF核函数的径向作用范围。如果σ值设置的过度小于已知训练样本点间的间隔，那么宽度参数σ值将近似于零，RBF核函数值趋近于0，导致SVM对已知训练样本完全正确分类，出现“过学习”现象，从而使得SVM对未知测试样本的泛化推广能力低、分类能力差。同样的，当σ值设置的比已知训练样本间的距离大的多时，那么σ值将趋近于无穷，RBF核函数值趋近于1，导致SVM将整个样本归为样本数多的强类，同样会造成泛化推广能力变低。记g＝1/σ2，那么确定合适的σ值就是确定参数g值。因此，RBF核函数参数g的不同选取会直接导致SVM分类准确度的变化。针对已知训练样本(即不同的分类问题)需要选择合适的参数组(C,g)从而提升SVM的分类效果，评价参数组(C,g)是否更适合当前的分类问题，实际上就是将不同的参数组(C,g)带入SVM后对其分类性能进行评估从而评价参数(C,g)是否最优。
网格搜索算法(Grid Search,GS)是目前使用最为广泛的SVM参数优化算法之一，在网格搜索算法实现之前，研究者针对不同的已知训练样本(不同数据的分类问题)通过大量的实验比较以及历史经验来确定合适的参数，这种反复实验以及历史经验的方法带有很大的盲目性，过程复杂，不仅不易于参数的确定，而且反复的实验过程会浪费大量的时间。在经验法上发展而来的网格搜索算法的主要思路是在待搜索的参数空间内，根据设置的搜索步长将该空间进行网格划分并对网格中每一个节点进行参数组取值，然后将各参数组带入SVM中利用参数评价方式对其进行评估，最后将能够使SVM达到最优性能的参数组确定为最终参数。网格搜索算法优化SVM参数首先根据经验设置参数搜索空间以及搜索步长(在无经验情况下尽可能设置较大参数搜索空间和较小搜索步长)；然后根据设置的搜索空间和步长，顺着参数的不同方向生成网格，网格节点即参数组；最后针对每个节点(参数组)，利用K-CV方法评价网格搜索算法在该节点下的平均分类准确度(简称CVA)，并选取最高CVA的节点，若评估过程中有多个节点对应最高的CVA则选取参数C最小的节点，且若对应C最小的节点有多个g，则选取第一个搜索到的g作为最终值，此时输出最优节点的参数组即为SVM最优参数。
图1所示实施例表明，本发明提供的一种基于振动信号的框架式断路器机械故障程度评估方法的总体流程是：采集表征框架式断路器不同工作模式下的分合闸振动信号→采用小波包阈值去噪算法分别对振动信号进行去噪预处理→利用局部均值分解算法将去噪振动信号分解为若干PF分量，分别求取各PF分量与去噪振动信号的相关系数，选取主PF分量→求取主PF分量的改进的多尺度排列熵值→利用主成分分析(PCA)法对构成的样本特征矩阵进行降维处理→将降维后的结果作为输入量输入到多分类支持向量机中进行工作模式识别→当断路器处于故障模式(故障模式包括A相不同期、B相不同期、C相不同期、虚假合闸和分闸不彻底五种)时，对去噪振动信号直接进行改进的多尺度排列熵偏均值计算，拟合出不同故障模式下的故障程度特性曲线→将待评估振动信号的改进的多尺度排列熵偏均值代入故障程度特性曲线即可得到产生该振动信号的断路器的故障程度定量值。上述工作模式识别过程中，当识别为正常模式时，不进行任何处理，当时别为报警模式时，提醒工作人员注意，此时均不需要进行故障程度评估。
本发明评估方法所使用的基于振动信号的框架式断路器机械故障检测系统的运行机制是：工控机上用LabVIEW所开发的控制程序通过ISA总线控制I/O控制板卡的数字量输出，进而再通过固态继电器的通断来控制调压电路，最终控制断路器的储能、合闸、分闸过程；断路器动作过程中操作机构的振动信号通过加速度传感器采集，由数据采集卡将模拟信号转换为数字信号，并通过USB总线上传给工控机，工控机上用MATLAB环境开发的针对于振动信号特征提取、模式识别以及故障程度特性曲线构造的程序进行数据处理，进而完成断路器分合闸故障程度的定量评估。利用框架式断路器机械故障检测系统对振动信号的捕捉可通过设定数据采集卡实时采集信号的阈值作为有效振动信号的时间标识，也可以把断路器合闸线圈的电流信号作为有效振动信号的时间标识。
本方法根据实际需要，对断路器的不同工作状态进行界定，断路器处于正常工作状态时为正常模式；当断路器发生轻微故障，不需要进行故障评估时为报警模式；当断路器发生故障达到需要进行故障程度评估时，为故障模式。
实施例1
本实施例以机械结构可视化强的型号为DW15-1600的框架式断路器作为试验对象，该断路器适用于额定工作电压为380V、50Hz的配电网中，额定电流为1600A，开关机构为弹簧操作机构。断路器的分合闸故障集中表现在动作时间超过规程，可通过调整触头间的开距与超程模拟分合闸典型故障。分别调整三相触头的连杆长短模拟因机构磨损或调整不当造成的三相不同期故障，即通过连杆后退距离来调节某相触头与另外两相触头超程的差异；调整触头系统的悬臂模拟虚假合闸故障，通过悬臂后退的距离实现三相触头超程大小的调节；在分闸的挡板间多加垫片，模拟分闸不彻底故障，通过垫片的厚度来调整三相触头开距的大小。此外由于断路器机械结构的原因，实验模拟故障时，开距与超程并不能连续调节，只能以0.5mm为单位进行逐步调节。
本实施例中所指报警模式即为开距与超程偏离正常设定2mm以内；而各种故障模式即为开距与超程偏离正常设定超出2mm，即：2.0mm、2.5mm、3.0mm、3.5mm、4.0mm、4.5mm、5.0mm，共7种距离模拟不同的故障程度，5.0mm为所能调节的最大距离，距离越大故障程度越严重。所以本实例中涉及到的故障有A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底共5种故障，该5种故障均属于故障模式下故障，每种故障采集50组数据，同时对断路器正常模式以及报警模式下的振动信号也都采集50组数据。
采用基于振动信号的框架式断路器机械故障程度评估方法对模拟上述机械故障状态的框架式断路器进行故障程度评估，具体步骤如下：
第一步，使用框架式断路器机械故障检测系统采集断路器分合闸过程中的振动信号，设置数据采集卡的采样频率为20kHz，采样时间为0.25s，采集断路器不同工作模式下的分、合闸动作过程中的振动信号Sv(t)，每种工作模式下均采集50组振动信号，其中30组用于多分类支持向量机的训练，20组用于测试多分类支持向量机的分类准确性，即r＝30；
7种工作模式下的典型振动信号如图2-图3所示，分别为正常模式、报警模式、故障模式下的A相不同期、B相不同期、C相不同期、虚假合闸与分闸不彻底，其中A相不同期、B相不同期、C相不同期、虚假合闸与分闸不彻底的振动信号均为故障程度为5.0mm时的振动信号，从图中可以看出，振动信号具有非线性非周期性特点，仅凭肉眼无法辨认观察出区别，但本申请中采用多分类支持向量机进行智能识别，则可以发现其中区别。
第二步，对采集的振动信号Sv(t)采用小波包阈值去噪算法进行去噪预处理，得到去噪振动信号Sv′(t)；
采用小波包阈值去噪算法，选取‘sym2’小波基作为基函数，对含噪信号进行进行5层小波包分解。以正常模式下的振动信号为例，去噪前后的效果如图4所示，从图中可以发现，利用小波包阈值去噪算法很容易从原始振动信号中去除一部分噪声成分。
第三步，将不同工作模式下的去噪振动信号进行局部均值分解(LMD)，并选取d个主要PF分量：
经过对采集的7种工作模式下去噪振动信号进行局部均值分解后发现，每种工作模式下的去噪振动信号均分解产生8个PF分量，其中正常模式下去噪振动信号的局部均值分解结果如图5所示从图中可以看出，去噪振动信号分解为7个PF分量和1个剩余分量，各分量从高频到低频依次分布。
通过计算7种工作模式下去噪振动信号与其分解后各PF分量的相关系数发现，前4个PF分量的相关系数均大于0.1，且远大于其他分量，基本体现了原始振动信号的主要故障信息，因此，选取PF1、PF2、PF3、PF4这4个PF分量为主要PF分量来进行后续数据处理分析。
第四步，对第三步得到的d个主要PF分量进行改进的多尺度排列熵计算，
对上述各种工作模式下的去噪振动信号在LMD分解后的PF1、PF2、PF3、PF4分量分别进行改进的多尺度排列熵计算，在排列熵计算过程中，各参数分别为：时间序列长度即振动信号的长度N＝5000；嵌入维数m＝6；延迟时间λ＝1；改进的尺度因子τmax＝12。每个振动信号样本构成的特征向量维数为4×12＝48维。其中正常模式下的振动信号的MMPE分析结果如图6所示，从图中可以看出，不同PF分量的MMPE值有明显的区别(改进的多尺度分析中每一个单一尺度下对应的是排列熵值，即PE值，将多个尺度下的PE值联合分析，即为多尺度分析，也为多尺度排列熵值的计算)，各PF分量的MMPE值依次减小，同一PF分量的PE值随着尺度因子的增加而下降，这说明随着尺度因子的增大，粗粒化序列的随机性和复杂度降低，不同PF分量MMPE值下降的速率也不一致，说明各PF分量序列随着尺度因子的增加其复杂度降低的速率不一样；不同故障模式下的PF1分量的MMPE分析如图7所示，其中5种故障模式选取的振动信号均为故障程度是5mm时的振动信号，从图中可以看出，改进的多尺度排列熵值比较平滑，选其作为故障特征，故障特征可区分性较好，能够更加有效的区分断路器不同模式下的振动信号。
第五步，构建样本降维特征矩阵：
上述经过改进的多尺度排列熵值计算后得到的特征向量为48维，采用PCA法对样本特征矩阵进行降维处理。每种模式下利用用于多分类支持向量机的训练的30组数据进行样本特征值提取，构建训练样本特征矩阵，7种工作模式，共计7×30＝210个样本数据，构成210×48维的样本特征矩阵，设定主成分分析法的主成分百分比为95％，经过PCA降维分析后，特征向量维数变为11维，样本特征矩阵的维数大大降低，得到训练样本降维特征矩阵。同样对用于多分类支持向量机的测试的20组数据也做出以上处理，每种故障模式下20组样本，构建测试样本特征矩阵，共计7×20＝140个样本数据，主成分百分比依旧为95％，采用PAC法进行降维处理后样本维数同样为11维，得到测试样本降维特征矩阵。
第六步，构建多分类支持向量机，识别工作模式：
在断路器进行故障程度定量评估之前，需要对断路器工作模式进行诊断，当断路器处于故障模式时，即发生A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底故障时才需要进行合理的故障程度评估。
采用上一步得出的训练样本降维特征矩阵进行多分类支持向量机的训练，利用测试样本降维特征矩阵用于对多分类支持向量机分类准确性的测试。采用“一对多”方法构建六个子支持向量机，六个子支持向量机再以高斯径向基核函数为基础，并采用网格搜索算法对进行核参数优化，得到多分类支持向量机，通过该多分类支持向量机对断路器的工作模式进行识别；核函数参数g值以及SVM惩罚因子C采用网格搜索算法进行核参数寻优。设置网格搜索算法参数，惩罚参数C的初始空间设置为[2-10,210]，RBF核函数参数g的初始空间同样设置为[2-10,210]，搜索步长为0.25。利用3折交叉验证(3-CV)的方式对SVM的惩罚参数C和RBF核函数参数g进行参数优化，网格搜索算法参数优化过程如图8所示。从图中可以看出，网格搜索算法根据设定的搜索空间和搜索步长遍历了每一个参数组(C,g)，利用3-CV对振动信号特征样本数据集进行SVM参数优化，输出的最优参数g＝1.4142，C＝0.35355。同时为了表明本发明中算法的优越性，将未改进的多尺度排列熵值构建样本数据集作为对比，同时将SVM其他优化算法，如遗传算法，粒子群算法加入比较，表1为各种算法的支持向量机对样本集进行训练，然后利用剩余的样本作为训练集进行测试时的识别率，可以发现，采用改进的多尺度排列熵值构建特征样本数据与网格搜索算法寻优的SVM相结合，对断路器分合闸故障模式的识别率最高，达到了92.86％。
表1不同参数寻优算法下SVM识别率
第七步，确定故障程度评估指标：
利用断路器A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障模式，每种故障模式的7种故障程度的原始振动信号进行特征值提取，以期在已知故障类型的基础上，寻求故障程度与故障程度评估指标之间的对应关系。对不同故障模式下的每种故障程度均采集10个振动信号样本，然后对这10个样本进行MMPE值计算，发现同一故障程度的10个MMPE值在很小的范围内波动，为了计算方便，采取对10个MMPE值求取平均值的方式进行PMMPE分析。表2为A相不同期的7种故障程度下改进的多尺度排列熵值，从表中可以看出，随着尺度因子的增大，MMPE值不断减小，故障程度越大，下降的趋势越明显。表3为上述5种故障模式下的不同故障程度的多尺度排列熵偏均值，从表中可以看出，同一种故障的故障程度越大，多尺度排列熵偏均值越小，不同故障之间相同故障程度的振动信号的多尺度排列熵偏均值也有所差异。
表2 A相不同期7种故障程度的MMPE计算结果
表3不同故障模式下不同故障程度的PMMPE值
第八步，构造故障程度特性曲线：
将第七步得到的所有去噪振动信号的改进的多尺度排列熵偏均值与故障程度之间建立函数关系，针对断路器分合闸过程中A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种不同故障模式下的7种不同的故障程度，在求取PMMPE值后，利用三次函数在PMMPE与故障程度之间进行曲线拟合，建立故障程度特性曲线，拟合后的函数以及拟合相关性如表4所示，每种故障的故障程度函数均可由三次函数拟合实现，且拟合相关性都达到了0.99以上，拟合效果较好。故障程度特性曲线如图9所示，每种故障由于故障特性的不同，拟合函数不同，这也证明了在进行故障程度之前需要进行故障模式识别的重要性，由于每种故障模式曲线拟合的相关性都较高，因此可以将其看做是故障程度与PMMPE之间的特性曲线。在对断路器机械故障进行故障程度定量评估时，即可以利用该曲线直接定量分析出故障程度。
表4不同故障的故障程度特性曲线
上述步骤均采用LabVIEW和MATLAB软件实现。
上述本实施例中所用的LabVIEW和MATLAB软件是本技术领域的技术人员所熟知的。
上述实例中的百分比均为数字百分比。
本发明未述及之处适用于现有技术。
Claims (5)
1.一种基于振动信号的框架式断路器机械故障程度评估方法，该评估方法中振动信号为通过框架式断路器机械故障检测系统采集框架式断路器分合闸过程中的机械振动信号，其特征是所述方法包括以下步骤：
第一步，将断路器的工作模式分为正常模式、报警模式和故障模式，所述故障模式包括A相不同期、B相不同期、C相不同期、虚假合闸和分闸不彻底五种；采集断路器不同工作模式下的分合闸动作过程中的振动信号Sv(t)，每种工作模式下均采集r个振动信号；
第二步，对采集的振动信号Sv(t)采用小波包阈值去噪算法进行去噪预处理，得到去噪振动信号Sv′(t)；
第三步，将不同工作模式下的去噪振动信号Sv′(t)进行局部均值分解，并选取d个主要PF分量：
第四步，对第三步得到的d个主要PF分量进行改进的多尺度排列熵计算，步骤如下：
4-1.将长度为N的主要PF分量xi按照公式(11)进行粗粒化处理，得到粗粒化序列
<mrow>
<msup>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>&mu;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>&tau;</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>&mu;</mi>
</mrow>
<mrow>
<mi>&mu;</mi>
<mo>+</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>&mu;</mi>
<mo>&le;</mo>
<mi>N</mi>
<mo>-</mo>
<mi>&tau;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：i＝1,2,…,d；j＝1,2,…,N；τ＝1,2,…,τmax；τmax为τ的最大值，为改进的尺度因子，τmax大于10；
4-2.将步骤4-1得到的τmax个粗粒化序列分别求取排列熵值，得到的排列熵值即为d个主要PF分量的改进的多尺度排列熵值
第五步，构建样本降维特征矩阵：
按照第四步分别求出不同工作模式下去噪振动信号的d个主要PF分量的改进的多尺度排列熵值，并在每一种工作模式下将改进的多尺度排列熵值构建成一个特征向量TT＝[MMPE1MMPE2…MMPEd]，特征向量TT的维数为τmax×d，所有工作模式下共有7r个样本，7r个样本的所有特征向量构成样本特征矩阵，样本特征矩阵的维数为7r×τmaxd；然后通过主成分分析法对样本特征矩阵进行降维处理，降维后得到为一个维的矩阵，该矩阵即为样本降维特征矩阵；
第六步，构建多分类支持向量机，识别工作模式：
使用第五步得到的样本降维特征矩阵，需要进行识别的工作模式总类数为7，把某个工作模式下的数据看做正类，其余工作模式下的数据看做负类，采用“一对多”方法构建六个子支持向量机，六个子支持向量机再以高斯径向基核函数为基础，并采用网格搜索算法进行核参数优化，得到多分类支持向量机，通过该多分类支持向量机对断路器的工作模式进行识别，当处于正常模式时，不需要进行任何处理，当处于报警模式时，需要提醒工作人员注意，当处于故障模式时，需要进行故障程度评估；
第七步，确定故障程度评估指标：
在经过第六步所得到的多分类支持向量机诊断出断路器处于故障模式中的某种故障时，需要对该种故障发生的故障程度进行评估，以改进的多尺度排列熵偏均值作为故障程度评估指标，计算故障模式中A相不同期、B相不同期、C相不同期、虚假合闸与分闸不彻底故障的不同故障程度的改进的多尺度排列熵偏均值；
改进的多尺度排列熵偏均值的计算步骤如下：
7-1.确定第二步中去噪振动信号的改进的尺度因子τ′max，τ′max大于10；
7-2.将长度为N的去噪振动信号Sv′(t)按照公式(12)进行粗粒化处理，得到粗粒化序列
<mrow>
<msup>
<msubsup>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>&mu;</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>&tau;</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>&mu;</mi>
</mrow>
<mrow>
<mi>&mu;</mi>
<mo>+</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>S</mi>
<mi>V</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>&mu;</mi>
<mo>&le;</mo>
<mi>N</mi>
<mo>-</mo>
<mi>&tau;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：t＝1,2,…,N；τ＝1,2,…,τ′max；τ′max为去噪振动信号的改进的尺度因子；将得到的τ′max个粗粒化序列分别求取排列熵值，得到的排列熵值即为去噪振动信号Sv′(t)的改进的多尺度排列熵值；
7-3.根据公式(13)计算去噪振动信号Sv′(t)的改进的多尺度排列熵值的偏斜度Ske：
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>3</mn>
<mrow>
<mo>(</mo>
<msubsup>
<mi>H</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>H</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
<mi>c</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msubsup>
<mi>H</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
<mi>d</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，分别为去噪振动信号Sv′(t)的改进的多尺度排列熵值的均值、中位数和标准差；
7-4.根据公式(14)计算该去噪振动信号的改进的多尺度排列熵偏均值
<mrow>
<msubsup>
<mi>H</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
<mrow>
<mi>p</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>k</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>/</mo>
<mn>3</mn>
<mo>|</mo>
<mo>)</mo>
</mrow>
<msubsup>
<mi>H</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
第八步，构造故障程度特性曲线：
将第七步得到的所有去噪振动信号的改进的多尺度排列熵偏均值与故障程度之间建立函数关系，通过曲线拟合，得到A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障相应的故障程度特性曲线，当需要进行故障程度评估时，经第二步对待评估振动信号进行去噪处理，然后按照第七步计算去噪振动信号的改进的多尺度排列熵偏均值，代入上述相应的故障程度特性曲线中，即可得出对应的故障程度的定量值。
2.根据权利要求1所述的框架式断路器机械故障程度评估方法，其特征在于所述小波包阈值去噪算法的具体步骤是：
2-1.选用Symlets(symA)(A＝2,3,…，8)小波基作为基函数，对含噪信号进行a层小波包分解，分别得到每层上的每个频段的小波包分解系数Wa,b，Wa,b为第a层上的第b个频段的小波包分解系数；
2-2.采用阈值函数对小波包分解系数Wa,b进行阈值量化处理，得到处理后的小波包分解系数阈值的选择采用软阈值法，阈值函数为公式(1)：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>v</mi>
<mo>|</mo>
<mo>-</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>|</mo>
<mi>v</mi>
<mo>|</mo>
<mo>></mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mo>|</mo>
<mi>v</mi>
<mo>|</mo>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
选取固定阈值准则：B为含噪声信号在所有尺度上的小波包分解得到的小波包分解系数的个数综合，β为噪声信号的偏差；
2-3.将软阈值法处理后的小波包分解系数重建小波包树，并反变换重构得到去噪振动信号Sv′(t)。
3.根据权利要求1所述的框架式断路器机械故障程度评估方法，其特征在于构建多分类支持向量机的具体步骤如下：
3-1.将样本降维特征矩阵中正常模式下的特征向量归为正类，其余工作模式下的特征向量归为负类，构建正常子支持向量机；将样本降维特征矩阵中报警模式下的特征向量归为正类，其余工作模式下的特征向量归为负类，构建报警子支持向量机；将样本降维特征矩阵中故障模式下的A相不同期的特征向量归为正类，其余工作模式下的特征向量归为负类，构建A相不同期子支持向量机；将样本降维特征矩阵中故障模式下的B相不同期的特征向量归为正类，其余工作模式下的特征向量归为负类，构建B相不同期子支持向量机；将样本降维特征矩阵中故障模式下的C相不同期的特征向量归为正类，其余工作模式下的特征向量归为负类，构建C相不同期子支持向量机；将样本降维特征矩阵中故障模式下的虚假合闸的特征向量归为正类，其余工作模式下的特征向量归为负类，构建虚假合闸子支持向量机；若上述6个子支持向量机均不能有效识别，则属于故障模式下的分闸不彻底故障；
3-2.对上述6个子支持向量机分别采用对应的特征向量进行训练，训练过程中核函数采用RBF核函数，子支持向量机惩罚参数C和核函数参数σ采用网格搜索算法进行优化，得到最优输出节点，即得到基于断路器不同工作模式下振动信号的多分类支持向量机。
4.根据权利要求1所述的框架式断路器机械故障程度评估方法，其特征在于所述步骤4-2中排列熵值的计算中嵌入维数m＝3～7；延迟时间λ＝1。
5.根据权利要求1-4任一所述的框架式断路器机械故障程度评估方法，其特征在于所述第八步中构造故障程度特性曲线时按照三次函数形式进行曲线拟合，得到A相不同期、B相不同期、C相不同期、虚假合闸、分闸不彻底5种故障相应的故障程度特性曲线分别为：
A相不同期：
B相不同期：
C相不同期：
虚假合闸：
分闸不彻底：
其中故障程度，为故障程度评估指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710284131.0A CN107101813B (zh) | 2017-04-26 | 2017-04-26 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710284131.0A CN107101813B (zh) | 2017-04-26 | 2017-04-26 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107101813A true CN107101813A (zh) | 2017-08-29 |
| CN107101813B CN107101813B (zh) | 2018-12-28 |
Family
ID=59657387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710284131.0A Expired - Fee Related CN107101813B (zh) | 2017-04-26 | 2017-04-26 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107101813B (zh) |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607302A (zh) * | 2017-08-31 | 2018-01-19 | 国网江苏省电力公司电力科学研究院 | 基于多维缩放统计分析的高压断路器机械故障诊断方法 |
| CN107607303A (zh) * | 2017-09-13 | 2018-01-19 | 河海大学 | 基于小波包与som网络的高压断路器机械故障识别方法 |
| CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
| CN107966648A (zh) * | 2017-11-27 | 2018-04-27 | 中国航空综合技术研究所 | 一种基于相关性矩阵的嵌入式故障诊断方法 |
| CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
| CN108304653A (zh) * | 2018-02-01 | 2018-07-20 | 中国中元国际工程有限公司 | 晶体培植工艺环境振动影响定量快速评估技术 |
| CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
| CN108489717A (zh) * | 2018-01-25 | 2018-09-04 | 国网浙江省电力有限公司电力科学研究院 | 变压器有载分接开关机械状态监测方法及系统 |
| CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
| CN108982107A (zh) * | 2018-07-26 | 2018-12-11 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
| CN109117450A (zh) * | 2018-08-04 | 2019-01-01 | 华北水利水电大学 | 振测数据最佳分析长度的确定方法 |
| CN109270445A (zh) * | 2018-09-07 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
| CN109299727A (zh) * | 2018-08-04 | 2019-02-01 | 辽宁大学 | 信息重构的改进极限学习机故障诊断方法 |
| CN109308491A (zh) * | 2018-09-12 | 2019-02-05 | 温州大学 | 一种用于多工位冷镦机状态检测的改进多分类支持向量机方法 |
| CN109443714A (zh) * | 2018-05-15 | 2019-03-08 | 贵州电网有限责任公司 | 一种变压器有载分接开关机械状态监测方法 |
| CN109508666A (zh) * | 2018-11-09 | 2019-03-22 | 常熟理工学院 | 基于小波核支持向量机的聚丙烯腈产物浓度在线测量方法 |
| CN109543357A (zh) * | 2018-10-18 | 2019-03-29 | 电子科技大学 | 一种多元回归模型优化的故障程度量化评估方法 |
| CN109556864A (zh) * | 2018-12-17 | 2019-04-02 | 衢州职业技术学院 | 一种电机轴承缺陷检测系统 |
| CN109916628A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
| CN109977996A (zh) * | 2019-02-12 | 2019-07-05 | 华北水利水电大学 | 基于时间序列聚类融合的水工结构运行状态监测系统 |
| CN110084322A (zh) * | 2019-05-09 | 2019-08-02 | 中铁工程服务有限公司 | 一种基于神经网络的盾构机掘进参数的预测方法 |
| CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
| CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
| CN110321381A (zh) * | 2019-07-16 | 2019-10-11 | 东北电力大学 | 电力信息设备管理系统 |
| CN110470465A (zh) * | 2019-09-19 | 2019-11-19 | 武汉市华英电力科技有限公司 | 一种基于振动信号分析的断路器测试方法及系统 |
| CN110618196A (zh) * | 2019-11-01 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种基于lmd样本熵与svm支柱绝缘子故障识别方法 |
| CN111707304A (zh) * | 2020-07-29 | 2020-09-25 | 武汉理工大学 | 一种变步长光纤f-p传感器离散腔长快速解调方法 |
| CN112733289A (zh) * | 2020-12-31 | 2021-04-30 | 杭州朗阳科技有限公司 | 一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法 |
| CN112819029A (zh) * | 2020-12-31 | 2021-05-18 | 杭州朗阳科技有限公司 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
| RU2748784C1 (ru) * | 2018-03-28 | 2021-05-31 | Абб Швайц Аг | Устройство и способ диагностики неисправностей для автоматического выключателя |
| CN113239868A (zh) * | 2021-05-31 | 2021-08-10 | 煤炭科学研究总院 | 一种爆破震动响应信号的去噪方法、装置及电子设备 |
| CN114185321A (zh) * | 2021-08-30 | 2022-03-15 | 华北电力大学 | 改进多分类孪生支持向量机的电动执行器故障诊断方法 |
| CN114720129A (zh) * | 2022-03-25 | 2022-07-08 | 山东大学 | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 |
| CN114757110A (zh) * | 2022-06-16 | 2022-07-15 | 南昌航空大学 | 一种基于滑窗检测提取电流信号的断路器故障诊断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0850160A (ja) * | 1994-08-04 | 1996-02-20 | Nissin Electric Co Ltd | ガス絶縁開閉装置の事故点標定方法 |
| JP2000147049A (ja) * | 1998-11-17 | 2000-05-26 | Mitsubishi Electric Corp | 遮断器の故障点標定装置 |
| CN202693764U (zh) * | 2012-07-19 | 2013-01-23 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断装置 |
| CN104181460A (zh) * | 2014-07-07 | 2014-12-03 | 沈阳工业大学 | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 |
| CN104764993A (zh) * | 2014-01-07 | 2015-07-08 | 国家电网公司 | 高压断路器检测方法和装置 |
| JP2015224891A (ja) * | 2014-05-26 | 2015-12-14 | 学校法人桐蔭学園 | 音波を用いた探知方法および非接触音響探知システム |
| CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
| CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
-
2017
- 2017-04-26 CN CN201710284131.0A patent/CN107101813B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0850160A (ja) * | 1994-08-04 | 1996-02-20 | Nissin Electric Co Ltd | ガス絶縁開閉装置の事故点標定方法 |
| JP2000147049A (ja) * | 1998-11-17 | 2000-05-26 | Mitsubishi Electric Corp | 遮断器の故障点標定装置 |
| CN202693764U (zh) * | 2012-07-19 | 2013-01-23 | 南京因泰莱配电自动化设备有限公司 | 一种基于断路器动特性测试仪的断路器故障诊断装置 |
| CN104764993A (zh) * | 2014-01-07 | 2015-07-08 | 国家电网公司 | 高压断路器检测方法和装置 |
| JP2015224891A (ja) * | 2014-05-26 | 2015-12-14 | 学校法人桐蔭学園 | 音波を用いた探知方法および非接触音響探知システム |
| CN104181460A (zh) * | 2014-07-07 | 2014-12-03 | 沈阳工业大学 | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 |
| CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
| CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 程序 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", 《电工技术学报》 * |
| 黄建: "特征评估高压断路器机械故障诊断方法的研究", 《高压电器》 * |
Cited By (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607302A (zh) * | 2017-08-31 | 2018-01-19 | 国网江苏省电力公司电力科学研究院 | 基于多维缩放统计分析的高压断路器机械故障诊断方法 |
| CN107607303A (zh) * | 2017-09-13 | 2018-01-19 | 河海大学 | 基于小波包与som网络的高压断路器机械故障识别方法 |
| CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
| CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
| CN107966648A (zh) * | 2017-11-27 | 2018-04-27 | 中国航空综合技术研究所 | 一种基于相关性矩阵的嵌入式故障诊断方法 |
| CN107966648B (zh) * | 2017-11-27 | 2019-10-01 | 中国航空综合技术研究所 | 一种基于相关性矩阵的嵌入式故障诊断方法 |
| CN108489717A (zh) * | 2018-01-25 | 2018-09-04 | 国网浙江省电力有限公司电力科学研究院 | 变压器有载分接开关机械状态监测方法及系统 |
| CN108489717B (zh) * | 2018-01-25 | 2019-11-22 | 国网浙江省电力有限公司电力科学研究院 | 变压器有载分接开关机械状态监测方法及系统 |
| CN108304653A (zh) * | 2018-02-01 | 2018-07-20 | 中国中元国际工程有限公司 | 晶体培植工艺环境振动影响定量快速评估技术 |
| CN108304653B (zh) * | 2018-02-01 | 2021-07-27 | 中国中元国际工程有限公司 | 晶体培植工艺环境振动影响定量快速评估技术 |
| RU2748784C1 (ru) * | 2018-03-28 | 2021-05-31 | Абб Швайц Аг | Устройство и способ диагностики неисправностей для автоматического выключателя |
| CN109443714A (zh) * | 2018-05-15 | 2019-03-08 | 贵州电网有限责任公司 | 一种变压器有载分接开关机械状态监测方法 |
| CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
| CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
| CN108982107A (zh) * | 2018-07-26 | 2018-12-11 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
| CN108982107B (zh) * | 2018-07-26 | 2019-07-12 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
| CN109117450A (zh) * | 2018-08-04 | 2019-01-01 | 华北水利水电大学 | 振测数据最佳分析长度的确定方法 |
| CN109299727A (zh) * | 2018-08-04 | 2019-02-01 | 辽宁大学 | 信息重构的改进极限学习机故障诊断方法 |
| CN109270445A (zh) * | 2018-09-07 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
| CN109308491A (zh) * | 2018-09-12 | 2019-02-05 | 温州大学 | 一种用于多工位冷镦机状态检测的改进多分类支持向量机方法 |
| CN109543357B (zh) * | 2018-10-18 | 2021-01-05 | 电子科技大学 | 一种多元回归模型优化的故障程度量化评估方法 |
| CN109543357A (zh) * | 2018-10-18 | 2019-03-29 | 电子科技大学 | 一种多元回归模型优化的故障程度量化评估方法 |
| CN109508666A (zh) * | 2018-11-09 | 2019-03-22 | 常熟理工学院 | 基于小波核支持向量机的聚丙烯腈产物浓度在线测量方法 |
| CN109556864A (zh) * | 2018-12-17 | 2019-04-02 | 衢州职业技术学院 | 一种电机轴承缺陷检测系统 |
| CN109977996A (zh) * | 2019-02-12 | 2019-07-05 | 华北水利水电大学 | 基于时间序列聚类融合的水工结构运行状态监测系统 |
| CN109977996B (zh) * | 2019-02-12 | 2021-04-02 | 华北水利水电大学 | 基于时间序列聚类融合的水工结构运行状态监测系统 |
| CN109916628A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
| CN110084322A (zh) * | 2019-05-09 | 2019-08-02 | 中铁工程服务有限公司 | 一种基于神经网络的盾构机掘进参数的预测方法 |
| CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
| CN110243590B (zh) * | 2019-06-25 | 2021-06-29 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
| CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
| CN110321381A (zh) * | 2019-07-16 | 2019-10-11 | 东北电力大学 | 电力信息设备管理系统 |
| CN110470465B (zh) * | 2019-09-19 | 2021-09-10 | 武汉市华英电力科技有限公司 | 一种基于振动信号分析的断路器测试方法及系统 |
| CN110470465A (zh) * | 2019-09-19 | 2019-11-19 | 武汉市华英电力科技有限公司 | 一种基于振动信号分析的断路器测试方法及系统 |
| CN110618196A (zh) * | 2019-11-01 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种基于lmd样本熵与svm支柱绝缘子故障识别方法 |
| CN111707304A (zh) * | 2020-07-29 | 2020-09-25 | 武汉理工大学 | 一种变步长光纤f-p传感器离散腔长快速解调方法 |
| CN112819029A (zh) * | 2020-12-31 | 2021-05-18 | 杭州朗阳科技有限公司 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
| CN112733289A (zh) * | 2020-12-31 | 2021-04-30 | 杭州朗阳科技有限公司 | 一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法 |
| CN113239868A (zh) * | 2021-05-31 | 2021-08-10 | 煤炭科学研究总院 | 一种爆破震动响应信号的去噪方法、装置及电子设备 |
| CN114185321A (zh) * | 2021-08-30 | 2022-03-15 | 华北电力大学 | 改进多分类孪生支持向量机的电动执行器故障诊断方法 |
| CN114185321B (zh) * | 2021-08-30 | 2023-12-22 | 华北电力大学 | 改进多分类孪生支持向量机的电动执行器故障诊断方法 |
| CN114720129A (zh) * | 2022-03-25 | 2022-07-08 | 山东大学 | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 |
| CN114757110A (zh) * | 2022-06-16 | 2022-07-15 | 南昌航空大学 | 一种基于滑窗检测提取电流信号的断路器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107101813B (zh) | 2018-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107101813A (zh) | 一种基于振动信号的框架式断路器机械故障程度评估方法 | |
| CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
| CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
| Ma et al. | High-voltage circuit breaker fault diagnosis using a hybrid feature transformation approach based on random forest and stacked autoencoder | |
| CN107219457B (zh) | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 | |
| CN109271975A (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
| Saini et al. | Classification of power quality events–a review | |
| CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
| CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
| CN109975013B (zh) | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
| CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
| CN103558022B (zh) | 基于振动信号聚类的配电开关机械状态诊断方法 | |
| CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
| CN107462785A (zh) | 基于ga‑svm的电能质量多扰动信号分类识别方法 | |
| CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
| CN101587546A (zh) | 基于支持向量多元分类的下肢动作模式的识别方法 | |
| CN103336243A (zh) | 基于分合闸线圈电流信号的断路器故障诊断方法 | |
| CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
| CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
| CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
| CN106980761A (zh) | 一种滚动轴承运行状态退化趋势预测方法 | |
| CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| CN112183591A (zh) | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181228 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |