CN110161388A - 一种高压设备的故障类型识别方法及其系统 - Google Patents

Abstract

本发明公开了一种高压设备的故障类型识别方法，其包括步骤：(1)获取高压设备局部放电的特高频信号数据和超声波信号数据；(2)分别提取基于特高频信号数据的PRPS图谱特征和基于超声波信号数据的梅尔频谱特征；(3)构建支持向量机神经网络和卷积神经网络，将PRPS图谱特征输入支持向量机神经网络以使其输出PRPS图谱特征所表征的第一故障诊断概率矩阵；将梅尔频谱特征输入卷积神经网络以使其输出梅尔频谱特征所表征的第二故障诊断概率矩阵；(4)基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到最终诊断的故障类型。此外，本发明还公开了一种高压设备的故障类型识别系统。

Description

一种高压设备的故障类型识别方法及其系统

技术领域

本发明涉及电力系统中的故障识别方法及系统，尤其涉及一种高压设备的故障识别方法及其系统。

背景技术

长时间的局部放电会加剧高压电力设备的绝缘损坏从而引起设备故障，因此局部放电的检测和模式识别至关重要。局部放电类型有很多种，包括尖端电晕放电、悬浮放电等。不同缺陷的局部放电信号的产生原理和发展过程都有较大差别，因此需要提取不同放电类型的有效特征值和基于提取的特征向量的局部放电分类。

近年来，随着计算机科学的飞速发展以及人工智能的研究浪潮，模式识别技术在文字、语音和指纹识别等领域都有着非常广泛的应用，利用人工智能算法实现电力设备的局部放电模式识别技术也在快速进步。在特征提取方面，目前使用最为广泛的是基于相位分辨的脉冲序列(PRPS)和相位分布局部放电(PRPD)三维图谱以及它们所对应的多个二维分布的统计参量得到的统计特征，如偏斜度(S_k)、峰度(K_u)等。

随着近几年深度学习的发展，现有技术中开始利用深度网络来学习局部放电特征。在局部放电分类方法研究方面，有提出一些应用于局部放电分类的算法，包括神经网络算法以及基于此的改进和优化算法、支持向量机(SVM)及其改进算法，例如K-means的局部放电信号聚类算法。近几年来，越来越多的研究将深度学习算法应用于局部放电分类，发现深度学习模型在提取特征和模型训练上有一定的优势，比如深度神经网络(DNN)、卷积神经网络(CNN)、堆栈降噪自编码器(SDAE)和递归神经网络(RNN)等等。

然而，模式识别在目前的现有技术中采用的是设计单个神经网络分类器模型来解决分类问题。但是，由于很多神经网络分类器模型都容易产生过拟合的现象，使得识别精度和性能难以满足实际需求，因而，联合使用多个分类器融合分类结果通常能获得比单独使用单个分类器更优的识别效果和性能。

多分类器融合技术是利用多个分类器对待识别数据样本进行分类，得到各自的识别结果，然后使用一些数学上的融合方法将各个神经网络分类器模型的输出进行融合，以得到融合后的综合了多种分类方法的最终结果。然而，不同神经网络分类器模型的输出结果类型不同，有些神经网络分类器模型的输出是类标，有些是软类标向量。

基于此，期望获得一种故障类型识别方法，其可以有效反映出不同分类器的交互作用，并且可以结合各自的特性和优势，获得更优的识别效果。

发明内容

本发明的目的之一是提供一种高压设备的故障类型识别方法，该故障类型识别方法可以综合利用多种局部放电信号进行模式识别，从而可以充分让不同模型发挥各自的优势，以改善最终的识别效果，最终得到高压设备的故障类型，以及时消除隐患，避免重大事故的发生。

根据上述发明目的，本发明提出一种高压设备的故障类型识别方法，包括步骤：

(1)获取高压设备局部放电的特高频信号数据和超声波信号数据；

(2)分别提取基于特高频信号数据的PRPS图谱特征和基于超声波信号数据的梅尔频谱特征；

(3)构建支持向量机神经网络和卷积神经网络，将PRPS图谱特征输入支持向量机神经网络以使其输出PRPS图谱特征所表征的第一故障诊断概率矩阵；将梅尔频谱特征输入卷积神经网络以使其输出梅尔频谱特征所表征的第二故障诊断概率矩阵；

(4)基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到最终诊断的故障类型。

在本发明所述的高压设备的故障类型识别方法中，采用基于Choquet模糊积分的多分类器融合算法，将基于支持向量机网络的特高频信号所得到的第一故障诊断概率矩阵和基于卷积神经网络的超声波信号数据的第二故障诊断概率矩阵进行融合，进而计算得到最终的诊断结果。

由于优化单个神经网络分类器提高故障分类的准确度的效果并不理想，且神经网络分类器的原理复杂，参数不易调整，因而优化也较为困难。而本发明所述的技术方案则将多个神经网络分类器的分类结果进行融合从而可以得到更高的准确度，且本发明所述的故障类型识别方法操作更为方便，更易实现数据层面和分类层面上的推广，尤其是当数据集变化或者使用的分类器算法变化时，本案的故障类型识别方法也更易推广实现。

此外，需要指出的是，相对于其他融合算子来说，由于神经网络分类器之间的作用往往不是完全相互独立的，因而，较难反映各神经网络分类器之间的交互作用，然而，本案采用的基于Choquet模糊积分可以非常地有效反映出各神经网络分类器的交互作用，以及有效结合各自的特性和优势，得到更为精确的识别结果。因此，本发明所述的故障类型识别方法相较于现有技术可以具有更好的识别正确率和更优的识别性能。

进一步地，在本发明所述的高压设备的故障类型识别方法中，PRPS图谱特征至少包括偏斜度S_k、峰度K_u、峰值个数P_e和互相关因数C_c。

进一步地，在本发明所述的高压设备的故障类型识别方法中，步骤(4)包括：

4a)确定模糊密度；

4b)通过模糊密度构造模糊测度；

4c)基于模糊测度计算Choquet模糊积分，以对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合；

4d)比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

进一步地，在本发明所述的高压设备的故障类型识别方法中，采用决策剖面矩阵作为模糊密度，该决策剖面矩阵被表征为：

其中，每个行向量指的是分类器x_i对第k个样本Z_k的识别软输出结果，称为分类器x_i的输出向量；每个列向量指的是相对于类别C_j各个分类器对于第k个样本Z_k的识别结果，称为类别C_j的融合向量。

进一步地，在本发明所述的高压设备的故障类型识别方法中，步骤(4)进一步包括：

在样本给定时，将类别C_j的融合向量h_j看作一个映射函数，即h_j:X→[0,1]，该函数对分类器x_i作映射；将决策剖面矩阵DP(Z_k)的第j列看作是映射函数集合X上的函数f_j；根据下式计算f_j关于模糊测度μ_j的Choquet模糊积分：

其中F为非空集合X的子集构成的代数，μ_j为F上的模糊测度，F_α＝{x|f(x)≥α,x∈X},α∈[0,∞)，其中，f(x)表示映射函数集合X上的非负函数；

比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

需要说明的是，类别C_j的融合向量就是决策剖面矩阵的列向量，即决策剖面矩阵DP(Z_k)的第j列h_j。

在上述方案中，基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合时可以将各个神经网络分类器对样本Z_k与类别C_j的融合向量和各分类器的可信程度作融合，得到的模糊积分值即为融合系统对该样本Z_k属于C_j类的总体的客观估计。进而，融合系统对模糊积分求取最大可能性对应的类别作为对样本Z_k的最终分类结果，求取公式如下：

上式中，e_j表示第j个分类器对应的Choquet积分结果。

相应地，本发明的另一目的在于提供一种高压设备的故障类型识别系统，该故障类别识别系统可以综合利用多种局部放电信号进行模式识别，从而可以充分让不同模型发挥各自的优势，以改善最终的识别效果，最终得到高压设备的故障类型，以及时消除隐患，避免重大事故的发生。

根据上述发明目的，本发明提出一种高压设备的故障类型识别系统，其包括：

数据采集装置，其获取高压设备局部放电的特高频信号数据和超声波信号数据；

处理装置，其被构造为进行下列操作：

分别提取基于特高频信号数据的PRPS图谱特征和基于超声波信号数据的梅尔频谱特征；

构建支持向量机神经网络和卷积神经网络，将PRPS图谱特征输入支持向量机神经网络以使其输出PRPS图谱特征所表征的第一故障诊断概率矩阵；将梅尔频谱特征输入卷积神经网络以使其输出梅尔频谱特征所表征的第二故障诊断概率矩阵；

基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到最终诊断的故障类型。

进一步地，在本发明所述的高压设备的故障类型识别系统中，PRPS图谱特征至少包括偏斜度S_k、峰度K_u、峰值个数P_e和互相关因数C_c。

进一步地，在本发明所述的高压设备的故障类型识别系统中，处理装置基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合以得到最终诊断的故障类型的操作进一步包括：

4a)确定模糊密度；

4b)通过模糊密度构造模糊测度；

4c)基于模糊测度计算Choquet模糊积分，以对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合；

4d)比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

进一步地，在本发明所述的高压设备的故障类型识别系统中，采用决策剖面矩阵作为模糊密度，该决策剖面矩阵被表征为：

其中，每个行向量指的是分类器x_i对第k个样本Z_k的识别软输出结果，称为分类器x_i的输出向量；每个列向量指的是相对于类别C_j各个分类器对于第k个样本Z_k的识别结果，称为类别C_j的融合向量。

进一步地，在本发明所述的高压设备的故障类型识别系统中，处理装置基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合以得到最终诊断的故障类型的操作进一步包括：

在样本给定时，将类别C_j的融合向量h_j看作一个映射函数，即h_j:X→[0,1]，该函数对分类器x_i作映射；将决策剖面矩阵DP(Z_k)的第j列看作是映射函数集合X上的函数f_j；根据下式计算f_j关于模糊测度μ_j的Choquet模糊积分：

其中F为非空集合X的子集构成的代数，μ_j为F上的模糊测度，F_α＝{x|f(x)≥α,x∈X},α∈[0,∞)，其中，f(x)表示映射函数集合X上的非负函数；

比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

本发明所述的高压设备的故障类型识别方法及系统相较于现有技术具有如下所述的优点和有益效果：

本发明所述的故障类型识别方法采用多个神经网络分类器的分类结果进行融合从而可以得到更高的准确度，且本发明所述的故障类型识别方法操作更为方便，更易实现数据层面和分类层面上的推广，尤其是当数据集变化或者使用的分类器算法变化时，本案的故障类型识别方法也更易推广实现。

此外，需要指出的是，相对于其他融合算子来说，由于神经网络分类器之间的作用往往不是完全相互独立的，因而，较难反映各神经网络分类器之间的交互作用，然而，本案采用的基于Choquet模糊积分可以非常地有效反映出各神经网络分类器的交互作用，以及有效结合各自的特性和优势，得到更为精确的识别结果。因此，本发明所述的故障类型识别方法相较于现有技术可以具有更好的识别正确率和更优的识别性能。

另外，本发明所述的故障类型识别系统同样具有上述的优点以及有益效果。

附图说明

图1为本发明所述的高压设备的故障类型识别方法在一些实施方式中的数据采集装置示意图。

图2为本发明所述的高压设备的故障类型识别方法在一些实施方式中的流程示意图。

图3示意性地显示了本发明所述的高压设备的故障类型识别方法在一些实施方式中的基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合的情况。

具体实施方式

下面将结合说明书附图和具体的实施例对本发明所述的高压设备的故障类型识别方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。

需要说明的是，在一些实施方式中，高压设备的故障类型识别系统包括数据采集装置以处理装置，其中，数据采集装置获取高压设备局部放电的特高频信号数据和超声波信号数据，其具体的设置可以参考图1。图1为本发明所述的高压设备的故障类型识别方法在一些实施方式中的数据采集装置示意图。

如图1所示，数据采集装置，包括：高压试验电源1，其规格为150KV/AC、数字式局放检测仪2、特高频传感器3、Lecroy高速示波器系统4、变压器5以及超声波传感器6，其中，超声波传感器6采集变压器5的超声波信号，特高频传感器3采集变压器5的特高频信号。其中，数字式局放检测仪2可以是符合IEC 60270局放测量标准的宽带检测仪，用于系统性能、灵敏度等测试时局放量的检测和标定。Lecroy高速示波器系统4可以被设置为带宽2GHz、采样率20GS/s。

数据采集装置利用特高频检测法和超声波检测法检测检测发生局部放电故障时的局部放电信号，局部放电信号包括发生针尖电晕、悬浮金属、绝缘气隙和沿面放电故障时的信号。

在本次实施方式中，共采集的局部放电信号的数据样本包括2672组样本数据。

随后通过故障类型识别系统中的处理装置进行如图2所示的故障类型识别方法以进行故障类型识别。图2为本发明所述的高压设备的故障类型识别方法在一些实施方式中的流程示意图。

如图2所示，处理装置首先分别提取基于特高频信号数据的PRPS图谱特征和基于超声波信号数据的梅尔频谱特征，其中，基于特高频信号数据的PRPS图谱特征的周期维度为50，相位分辨度为5，即相位尺寸为72，即PRPS图谱尺寸为50×72，并且PRPS图谱特征至少包括偏斜度S_k、峰度K_u、峰值个数P_e和互相关因数C_c。

随后，处理装置构建支持向量机神经网络和卷积神经网络，将PRPS图谱特征输入支持向量机神经网络以使其输出PRPS图谱特征所表征的第一故障诊断概率矩阵；将梅尔频谱特征输入卷积神经网络以使其输出梅尔频谱特征所表征的第二故障诊断概率矩阵。

最后，处理装置基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到最终诊断的故障类型。

需要说明的是，在构建支持向量机神经网络时，采用交叉验证法获得最佳网络参数，而卷积神经网络采用Sigmod作为激活函数，其输出分类层采用的是Softmax分类器。

并且为了防止过拟合情况出现，本案中采用L2正则化方法进行处理。

需要说明的是，L2正则化方法为向目标函数添加一个正则项，计算公式为：

式中J’为原目标函数，w为模型参量。

另外，需要说明的是，图2中UHF局放数据是指特高频信号数据，MFCC是指梅尔频谱特征，SVM是指支持向量机神经网络，CNN是指卷积神经网络。

关于处理装置如何进行基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合的情况可以参考图3。图3示意性地显示了本发明所述的高压设备的故障类型识别方法在一些实施方式中的基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合的情况。

如图3所示，处理装置执行如下步骤：

4a)确定模糊密度。

在该步骤中，该步骤中，采用的基于支持向量机神经网络的特高频信号数据诊断和基于卷积神经网络的超声波信号诊断，其输出均为软输出，即非负的连续实值向量(也就是说，若为n分类，则输出为n维向量)。一般的，设C＝{C₁,C₂,…,C_n}是n个目标类别所组成的集合，Z_k表示第k个待分类数据样本向量，X＝{x₁,x₂,…,x_m}代表使用的m个分类器。因此，样本Z_k经过多分类器X_i分类后，每个分类器输出一个结果向量，m个分类器输出结果组成一个矩阵，用DP(Z_k)表示。也就是说，采用决策剖面矩阵作为模糊密度，该决策剖面矩阵被表征为：

其中，每个行向量指的是分类器x_i对第k个样本Z_k的识别软输出结果，称为分类器x_i的输出向量；每个列向量指的是相对于类别C_j各个分类器对于第k个样本Z_k的识别结果，称为类别C_j的融合向量。

4b)通过模糊密度构造模糊测度：在该步骤中，将决策剖面DP(Z_k)的第j列看作是集合X上的函数f_j。

4c)基于模糊测度计算Choquet模糊积分，以对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到确定程度向量：

在该步骤中，在样本给定时，将类别C_j的融合向量h_j看作一个映射函数，即h_j:X→[0,1]，该函数对分类器xi作映射；将决策剖面矩阵DP(Z_k)的第j列看作是映射函数集合X上的函数f_j；根据下式计算f_j关于模糊测度μ_j的Choquet模糊积分：

其中F为非空集合X的子集构成的代数，μ_j为F上的模糊测度，F_α＝{x|f(x)≥α,x∈X},α∈[0,∞)，，其中，f(x)表示映射函数集合X上的非负函数；；

4d)比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型：在该步骤中，Choquet模糊积分将各个分类器对样本Z_k与C_j的融合向量和各分类器的可信程度作融合，得到的模糊积分值即为融合系统对该样本Z_k属于C_j类的总体的客观估计。进而，融合系统对模糊积分求取最大可能性对应的类别作为对样本Z_k的最终分类结果，即

需要说明的是，上式中，e_j表示第j个分类器对应的Choquet积分结果。

为了验证采用本案进行故障类型识别的识别正确率的效果，将单独使用支持向量机神经网络作为对比例1，单独使用卷积神经网络作为对比例2，以及采用本案的故障类型识别方法的实施例1的识别正确率列于表1。

表1.

注：表1中A表示针尖电晕、B表示悬浮金属、C表示绝缘气隙，D表示沿面放电。

由表1可以看出，本案实施例1的故障类型识别方法对各种缺陷的识别正确率相较于对比例1、2有显著提升，由此说明采用本发明所述的高压设备的故障类型识别方法具有更好的识别正确率和更优的识别性能，非常适用于实际应用，对设备维护以及日常管理具有极高的指导作用。

综上所述可以看出，本发明所述的故障类型识别方法采用多个神经网络分类器的分类结果进行融合从而可以得到更高的准确度，且本发明所述的故障类型识别方法操作更为方便，更易实现数据层面和分类层面上的推广，尤其是当数据集变化或者使用的分类器算法变化时，本案的故障类型识别方法也更易推广实现。

此外，需要指出的是，相对于其他融合算子来说，由于神经网络分类器之间的作用往往不是完全相互独立的，因而，较难反映各神经网络分类器之间的交互作用，然而，本案采用的基于Choquet模糊积分可以非常地有效反映出各神经网络分类器的交互作用，以及有效结合各自的特性和优势，得到更为精确的识别结果。因此，本发明所述的故障类型识别方法相较于现有技术可以具有更好的识别正确率和更优的识别性能。

另外，本发明所述的故障类型识别系统同样具有上述的优点以及有益效果。

需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。

此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。

Claims (10)

1.一种高压设备的故障类型识别方法，其特征在于，包括步骤：

(1)获取高压设备局部放电的特高频信号数据和超声波信号数据；

(2)分别提取基于特高频信号数据的PRPS图谱特征和基于超声波信号数据的梅尔频谱特征；

(3)构建支持向量机神经网络和卷积神经网络，将PRPS图谱特征输入支持向量机神经网络以使其输出PRPS图谱特征所表征的第一故障诊断概率矩阵；将梅尔频谱特征输入卷积神经网络以使其输出梅尔频谱特征所表征的第二故障诊断概率矩阵；

(4)基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到最终诊断的故障类型。

2.如权利要求1所述的高压设备的故障类型识别方法，其特征在于，所述PRPS图谱特征至少包括偏斜度S_k、峰度K_u、峰值个数P_e和互相关因数C_c。

3.如权利要求1所述的高压设备的故障类型识别方法，其特征在于，所述步骤(4)包括：

4a)确定模糊密度；

4b)通过模糊密度构造模糊测度；

4c)基于模糊测度计算Choquet模糊积分，以对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合；

4d)比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

4.如权利要求3所述的高压设备的故障类型识别方法，其特征在于，采用决策剖面矩阵作为模糊密度，该决策剖面矩阵被表征为：

其中，每个行向量指的是分类器x_i对第k个样本Z_k的识别软输出结果，称为分类器x_i的输出向量；每个列向量指的是相对于类别C_j各个分类器对于第k个样本Z_k的识别结果，称为类别C_j的融合向量。

5.如权利要求4所述的高压设备的故障类型识别方法，其特征在于,所述步骤(4)进一步包括：

在样本给定时，将类别C_j的融合向量h_j看作一个映射函数，即h_j:X→[0,1]，该函数对分类器x_i作映射；将决策剖面矩阵DP(Z_k)的第j列看作是映射函数集合X上的函数f_j；根据下式计算f_j关于模糊测度μ_j的Choquet模糊积分：

其中F为非空集合X的子集构成的代数，μ_j为F上的模糊测度，F_α＝{x|f(x)≥α,x∈X},α∈[0,∞)，其中，f(x)表示映射函数集合X上的非负函数；

比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

6.一种高压设备的故障类型识别系统，其特征在于，包括：

数据采集装置，其获取高压设备局部放电的特高频信号数据和超声波信号数据；

处理装置，其被构造为进行下列操作：

分别提取基于特高频信号数据的PRPS图谱特征和基于超声波信号数据的梅尔频谱特征；

构建支持向量机神经网络和卷积神经网络，将PRPS图谱特征输入支持向量机神经网络以使其输出PRPS图谱特征所表征的第一故障诊断概率矩阵；将梅尔频谱特征输入卷积神经网络以使其输出梅尔频谱特征所表征的第二故障诊断概率矩阵；

基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合，得到最终诊断的故障类型。

7.如权利要求6所述的高压设备的故障类型识别系统，其特征在于，所述PRPS图谱特征至少包括偏斜度S_k、峰度K_u、峰值个数P_e和互相关因数C_c。

8.如权利要求6所述的高压设备的故障类型识别系统，其特征在于，所述处理装置基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合以得到最终诊断的故障类型的操作进一步包括：

4a)确定模糊密度；

4b)通过模糊密度构造模糊测度；

4c)基于模糊测度计算Choquet模糊积分，以对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合；

4d)比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。

9.如权利要求8所述的高压设备的故障类型识别系统，其特征在于，采用决策剖面矩阵作为模糊密度，该决策剖面矩阵被表征为：

其中，每个行向量指的是分类器x_i对第k个样本Z_k的识别软输出结果，称为分类器x_i的输出向量；每个列向量指的是相对于类别C_j各个分类器对于第k个样本Z_k的识别结果，称为类别C_j的融合向量。

10.如权利要求9所述的高压设备的故障类型识别系统，其特征在于,所述处理装置基于Choquet模糊积分对第一故障诊断概率矩阵和第二故障诊断概率矩阵进行融合以得到最终诊断的故障类型的操作进一步包括：

在样本给定时，将类别C_j的融合向量h_j看作一个映射函数，即h_j:X→[0,1]，该函数对分类器x_i作映射；将决策剖面矩阵DP(Z_k)的第j列看作是映射函数集合X上的函数f_j；根据下式计算f_j关于模糊测度μ_j的Choquet模糊积分：

其中F为非空集合X的子集构成的代数，μ_j为F上的模糊测度，F_α＝{x|f(x)≥α,x∈X},α∈[0,∞)，其中，f(x)表示映射函数集合X上的非负函数；

比较各类别下的模糊积分值的大小，最大的模糊积分值对应的类别即为最终诊断的故障类型。