CN110929763A - 基于多源数据融合的中压真空断路器机械故障诊断方法 - Google Patents

Abstract

本公开揭示了一种基于多源数据融合的中压真空断路器机械故障诊断方法，包括：采集断路器的操作机构电流信号、触头行程信号和机械振动信号并提取所采集到的操作机构电流信号、触头行程信号和机械振动信号的特征参量；利用模糊均值聚类算法及特征箱线分布对所述操作机构电流信号、触头行程信号和机械振动信号的特征参量筛选融合；通过GA‑BP遗传神经网络与SVC支持向量算法对筛选融合后的特征参量构建故障诊断模型，并利用样本训练所述故障诊断模型以识别断路器故障。本公开通过采用多种信号源进行故障诊断，能够克服利用传统单源信号进行故障诊断时诊断故障类型较少或分类精度较低的问题。

Description

基于多源数据融合的中压真空断路器机械故障诊断方法

技术领域

本公开属于电力设备技术领域，具体涉及一种基于多源数据融合的中压真空断路器机械故障诊断方法。

背景技术

中压真空断路器作为供电配电领域中应用最广、投入规模最大的电气设备之一，已广泛应用于电力、工业、交通以及军工等多个领域中。断路器的可靠关合、运行与分断关乎整个配电系统的正常运行，其工作的稳定性与可靠性至关重要。

断路器机械结构较为复杂，机械故障种类较多，且容易引起极为严重的并发事故：1、分合闸线圈供电电压变化和线圈铁芯卡涩引起的操作机构故障，如不及时发现排除，会影响线圈使用寿命甚至导致线圈烧毁；2、机械传动机构的卡涩与分合闸缓冲器漏油等触头传动机构的故障，极易导致运行中设备的动静触头发生拒分、拒合现象，并且影响断路器机械寿命与电寿命；3、断路器分合闸弹簧脱落引起的弹簧储能机构故障，会导致储能电机过载以及动静触头的分合闸失败，从而引起储能电机烧毁甚至造成供配电的中断。基于以上故障，对断路器的故障状态的检测预防就至关重要。

目前断路器在线监测与故障诊断通常是针对单源信号进行监测诊断，或是针对多源信号测量但各信号独立分析诊断。由于断路器故障发生时通常是多源信号同时受到影响，单源信号的分析诊断通常存在诊断故障类型较少或分类精度较低的情况，而对于多源信号故障诊断目前缺少各信号特征参量筛选融合、分类算法及优化方案的选择等相关的理论研究。

因此，研发一种基于多源数据融合的机械故障诊断方法对于提高断路器安全性与电力系统稳定性具有非常重要的工程意义。

发明内容

针对上述问题，本公开的目的在于提供一种基于多源数据融合的中压真空断路器机械故障诊断方法，能够克服传统的仅针对单源信号的诊断方法中存在的识别故障种类少、精度低的不足，通过检测并提取断路器操作机构电流、触头行程以及机械振动多源机械信号特征，并利用模糊均值聚类方法及大样本数据，对断路器存在的故障进行高精度、大范围的诊断。

为实现上述目的，本公开提供以下技术方案：

一种基于多源数据融合的中压真空断路器机械故障诊断方法，包括如下步骤：

S100：采集断路器的操作机构电流信号、触头行程信号和机械振动信号并提取所采集到的操作机构电流信号、触头行程信号和机械振动信号的特征参量；

S200：利用模糊均值聚类算法及特征箱线分布对所述操作机构电流信号、触头行程信号和机械振动信号的特征参量筛选融合；

S300：通过GA-BP遗传神经网络与SVC支持向量算法对筛选融合后的特征参量构建故障诊断模型，并利用样本训练所述故障诊断模型以识别断路器故障。

优选的，所述操作机构电流信号的特征参量集合{X₁}_n为：

{X₁}_n＝{i_m，t_o}_n

其中，i_m为电流信号最大值，t_o为通电时间。

优选的，所述触头行程信号的特征参量集合{X₂}_n为：

其中，t_q为合(分)闸启动时刻，反映线圈供电，顶杆动作情况；t_g为触头刚合(分)时刻，反映线圈供电，主轴转动情况；T＝t_g-t_q为触头合(分)闸动作时间，主轴转动情况；X_k为触头开距；X_c为触头超程；X_h为触头缓冲距离，反映分闸缓冲器、半轴转动故障；V为触头刚合点速度，反映合闸弹簧、主轴情况；

与V_m为触头平均速度和触头最大速度，反映合闸弹簧、主轴情况。

优选的，所述机械振动信号的特征参量由短时能量的特征参量和小波包能量熵的特征参量组成，

其中，短时能量的特征参量集合{X₃₁}_n为：

{X₃₁}_n＝{t_e，E_m}_n

其中，t_e为断路器刚分刚合时刻，E_m为刚分或刚合时刻短时能量；

小波包能量熵的特征参量集合{X₃₂}_n为：

{X₃₂}_n＝{H₁，H₂，H₃，H₄，H₅，H₆，H₇，H₈}_n

其中，H₁-H₈为重构信号。

优选的，所述步骤S200包括如下步骤：

S201：根据模糊C均值聚类算法对步骤S100中所提取的操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合进行聚类，确定所述操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合与故障状态的相关性，为故障诊断分类提供依据；

S202：根据特征箱线分布，筛选稳定性与区分度均优的特征参量进行融合，优化重组得到各故障状态下的诊断特征向量。

优选的，所述步骤S201包括如下步骤：

S2011：定义FCM算法目标函数J(U，V)，并划分模糊C空间M：

其中，n为样本量，c为样本簇数，m为加权指数，d为欧氏距离，U为模糊隶属矩阵，V为各簇聚类中心矩阵，u_ij表示第i个特征对于第j个种类的隶属度，i为特征类型，j为样本种类，

分别表示任意特征类型和任意样本种类，R表示实数空间；

S2012：初始化模糊隶属矩阵U，设定精度系数ε并定义加权指数m，m＝2；

S2013：根据所述模糊隶属矩阵U及由样本组成的特征参量集合

计算各簇的聚类中心V_j、样本与各簇的欧式距离d_ij以及修正模糊隶属矩阵U′中的元素u_ij：

d_ij＝||x_i-v_j||²＝(x_i-v_j)^T(x_i-v_j)

其中，K为聚类簇数，x_k表示第K簇内样本，x_i表示样本空间中的一个元素，T表示矩阵的转置，d_ik表示第i个元素到第k个聚类中心的距离，u_ij为修正模糊隶属矩阵U’中的元素；

S2014：根据u_ij所隶属的聚类簇获得样本的FCM聚类结果，对于各故障选取可以聚类区分其状态的参量集合，作为其诊断分类依据。

优选的，所述步骤S300包括如下步骤：

S301：根据步骤S202中所得到的各故障状态下的诊断特征向量，将断路器划分为分合闸线圈系统、触头传动系统及弹簧储能系统3个子系统，并将各故障分别类属于3个子系统下；

S302：根据所述子系统故障状态特征向量维度，分别选用GA-BP遗传神经网络与SVC支持向量机建立诊断模型，并利用样本训练模型实现故障诊断。

优选的，所述步骤S302包括如下步骤：

S3021：对于特征向量维度低于10的子系统，建立GA-BP遗传神经网络诊断模型，根据神经网络经验公式规划网络结构，利用遗传神经网络方法优化模型初始参数，再结合误差迭代传播算法训练网络模型，实现故障诊断；

其中，q为隐含层神经元数量，l、d分别为输出层与输入层神经元数量，α为取值范围为[0，10]的常数；

S3022：对于特征向量维度高于10的子系统，建立SVC支持向量机诊断模型，利用网格遍历寻优算法优化模型参数，实现故障诊断。

优选的，步骤S3021中，所述遗传神经网络方法包括如下步骤：

S30211：设定种群规模N，并随机初始化得到N个个体，其中，每个个体包含一组网络初始权值和阈值，对每个个体进行二进制编码，将若干个初值转化为二进制字符串的形式，获得染色体的基因组成；

其中，ω表示权值，θ表示阈值，b表示新的基因组成；

S30212：按照一定的适应度函数及自然选择、交叉、变异等一系列遗传操作对各染色体的基因组成进行筛选，并保留适应度高的基因组成，通过个体适应度函数计算神经网络的初值参数，计算BP神经网络的训练集数据的预测输出，预期输出和实际输出之间的误差的绝对值和F，个体适应度函数定义如下：

其中，n为神经网络输出节点数，y_i为神经网络中第i个节点期望输出，O_i为第i个节点实际输出，k为系数，ab_s表示取绝对值；

S30213：依靠转轮赌博方法进行个体选择策略，每个个体选择的概率为p_i，其表达式为：

其中，F_i为个体i的适应度，N为种群个体数目，F_j为个体j的适应度；

根据概率p_i选取染色体个体进行交叉操作，根据交叉算法，对个体的第k个染色体c_k与第l个染色体c_l进行交叉操作，具体如下：

c_kj＝c_kj(1-b)+c_ljb

c_lj＝c_lj(1-b)+c_kjb

其中，c_kj为个体j的第k个染色体，c_lj为个体j的第l个染色体，b为[0，1]之间的随机数；

S30214：对染色体c_k和c_l进行变异操作，其公式为：

f(g)＝r₂(1-g/G_max)

其中，c_max为基因c_ij的上限，c_min为基因c_ij的下限，r₂为随机数，g为当前已迭代次数，G_max为最大进化次数，r为[0，1]之间的随机数；

S30215：计算个体适应度，如满足误差范围要求，则停止迭代，如未满足，则重复步骤S30212与步骤S30214，直至满足要求完成迭代，得到神经网络模型初值参数；

S30216：利用神经网络模型的误差传播与迭代修正算法进行GA-BP遗传神经网络诊断模型训练，完成遗传算法优化的人工神经网络，并进行样本的模式识别。

优选的，步骤S3022中，所述网格遍历寻优算法包括如下步骤：

S30221：输入训练集样本数据，对数据进行归一化；

S30222：初始化模型参数；

S30223：通过网格遍历惩罚因子C与RBF核函数参数γ，得到参数组合，在参数遍历区对样本进行交叉精度验证，保留准确度最高的参数集，再次循环比较，若模型诊断准确率未能使识别精度达到最优则继续进行遍历，直至样本识别精度达到最优；

其中，惩罚因子C与RBF核函数参数γ用来描述SVC诊断模型，并决定其分类诊断性能；

S30224：利用预先保留的测试集，验证模型性能。

相比于现有技术，本公开带来的有益效果为：

1、通过采用多种信号源进行故障诊断，克服了利用传统单源信号进行故障诊断时诊断故障类型较少或分类精度较低的问题；

2、提供了各信号特征参量筛选融合、分类算法及优化方案的选择，有利于简化模型，提高诊断精度。

附图说明

图1是本公开一个实施例提供的一种基于多源数据融合的中压真空断路器机械故障诊断方法的流程图；

图2(a)至图2(c)是本公开一个实施例提供的所采集信号的波形图，其中，图2(a)是操作机构电流信号，图2(b)是触头行程信号，图2(c)是机械振动信号；

图3是本公开一个实施例中机械振动信号短时能量波形图；

图4是本公开一个实施例中机械振动信号小波包变换重构信号；

图5是本公开一个实施例中断路器故障诊断模型结构示意图。

具体实施方式

下面结合附图和实施例对本公开的技术方案进行详细描述。

如图1所示，一个实施例中，一种基于多源数据融合的中压真空断路器机械故障诊断方法，包括如下步骤：

S100：采集断路器的操作机构电流信号、触头行程信号和机械振动信号并提取所采集到的操作机构电流信号、触头行程信号和机械振动信号的特征参量；

S200：利用模糊均值聚类算法及特征箱线分布对所述操作机构电流信号、触头行程信号和机械振动信号的特征参量筛选融合；

S300：通过GA-BP遗传神经网络与SVC支持向量算法对筛选融合后的特征参量构建故障诊断模型，并利用样本训练所述故障诊断模型以识别断路器故障。

与现有技术仅能针对单源信号进行监测诊断而导致断路器故障分类精度低不同的是：上述实施例通过同时采集断路器中多种信号源的多种进行断路器故障诊断，能够克服利用传统单源信号进行故障诊断时诊断故障类型较少或分类精度较低的问题，具有创造性；另外，上述实施例对所采集的各种信号的特征参量通过筛选融合、分类算法及优化方案的选择，有利于简化模型，提高诊断精度。

另一个实施例中，如图2(a)所示，所述操作机构电流信号的特征参量集合{X₁}_n为：

{X₁}_n＝{i_m，t_o}_n

其中，i_m为电流信号最大值，t_o为通电时间。

本实施例中，操作机构电流信号的纵坐标表示的电流值反映了控制电源电压的变化情况，横坐标表示的操作时间反映了电磁铁芯在运动过程中是否有卡塞、变形、脱扣失灵等故障以及顶杆的运动情况。分别提取分合闸操作过程中的电流信号最大值l_m与通电时间t_o作为特征参量，就形成了操作机构电流信号的特征参量。

另一个实施例中，如图2(b)所示，所述触头行程信号的特征参量集合{X₂}_n为：

其中，t_q为合(分)闸启动时刻，反映线圈供电，顶杆动作情况；t_g为触头刚合(分)时刻，反映线圈供电，主轴转动情况；T＝t_g-t_q为触头合(分)闸动作时间，主轴转动情况；X_k为触头开距；x_c为触头超程；X_h为触头缓冲距离，反映分闸缓冲器、半轴转动故障；V为触头刚合点速度，反映合闸弹簧、主轴情况；

与V_m为触头平均速度和触头最大速度，反映合闸弹簧、主轴情况。

另一个实施例中，如图2(c)所示，所述机械振动信号的特征参量由短时能量的特征参量和小波包能量熵的特征参量组成，

其中，短时能量的特征参量集合{X₃₁}_n为：

{X₃₁}_n＝{t_e，E_m}_n

t_e为断路器刚分刚合时刻，E_m为刚分或刚合时刻短时能量；

小波包能量熵的特征参量集合{X₃₂}_n为：

{X₃₂}_n＝{H₁，H₂，H₃，H₄，H₅，H₆，H₇，H₈}_n

其中，H₁-H₈为重构信号。

本实施例中，分别利用短时能量法与小波包能量熵法处理该机械振动信号，具体的：如图3所示，取窗长为50的汉明窗函数进行短时能量分析，选取刚分刚合时刻t_e与刚分(合)时刻短时能量E_m作为特征参量，从而形成机械振动信号短时能量特征参量的集合。

图4为机械振动信号经小波包能量熵法处理后的信号图像，利用小波包变换进行三层信号分解与信号重构后，得到8个重构信号，求取各频带信号分量的能量熵，形成机械振动信号小波包能量熵的特征参量集合：

{X₃₂}_n＝{H₁，H₂，H₃，H₄，H₅，H₆，H₇，H₈}_n。

另一个实施例中，所述步骤S200包括如下步骤：

S201：根据模糊C均值聚类算法对步骤S100中所提取的操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合进行聚类，确定所述操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合与故障状态的相关性，为故障诊断分类提供依据；

S202：根据特征箱线分布，筛选稳定性与区分度均优的特征参量进行融合，优化重组得到各故障状态下的诊断特征向量。

另一个实施例中，所述步骤S201包括如下步骤：

S2011：定义FCM算法目标函数J(U，V)，并划分模糊C空间M：

其中，n为样本量，c为样本簇数，m为加权指数，d为欧氏距离，U为模糊隶属矩阵，V为各簇聚类中心矩阵。u_ij表示第i个特征对于第j个种类的隶属度，i为特征类型，j为样本种类，

分别表示任意特征类型和任意样本种类，R表示实数空间；

S2012：初始化模糊隶属矩阵U，设定精度系数ε并定义加权指数m，m＝2；

S2013：根据所述模糊隶属矩阵U及由样本组成的特征参量集合

计算各簇的聚类中心V_j、样本与各簇的欧式距离d_ij以及修正模糊隶属矩阵U’中的元素u_ij：

d_ij＝||x_i-v_j||²＝(x_i-v_j)^T(x_i-v_j)

其中，K为聚类簇数，X_k表示第K簇内样本，X_i表示样本空间中的一个元素，T表示矩阵的转置，d_ik表示第i个元素到第k个聚类中心的距离，u_ij为修正模糊隶属矩阵U’中的元素；

S2014：根据u_ij所隶属的聚类簇获得样本的FCM聚类结果，对于各故障选取可以聚类区分其状态的参量集合，作为其诊断分类依据。

另一个实施例中，所述步骤S300包括如下步骤：

S301：根据步骤S202中所得到的各故障状态下的诊断特征向量，将断路器划分为分合闸线圈系统、触头传动系统及弹簧储能系统3个子系统，如图5所示，并将各故障分别类属于3个子系统下；

S302：根据所述子系统故障状态特征向量维度，分别选用GA-BP遗传神经网络与SVC支持向量机建立诊断模型，并利用样本训练模型实现故障诊断。

另一个实施例中，所述步骤S302包括如下步骤：

S3021：对于特征向量维度低于10的子系统，建立GA-BP遗传神经网络诊断模型，根据神经网络经验公式规划网络结构，利用遗传神经网络方法优化模型初始参数，再结合误差迭代传播算法训练网络模型，实现故障诊断；

其中，q为隐含层神经元数量，l、d分别为输出层与输入层神经元数量，α为取值范围[0，10]的常数；

S3022：对于特征向量维度高于10的子系统，建立SVC支持向量机诊断模型，利用网格遍历寻优算法优化模型参数，实现故障诊断。

另一个实施例中，步骤S3021中，所述遗传神经网络方法包括如下步骤：

S30211：设定种群规模N，并随机初始化得到N个个体，其中，每个个体包含一组网络初始权值和阈值，对每个个体进行二进制编码，将若干个初值转化为二进制字符串的形式，获得染色体的基因组成；

其中，ω表示权值，θ表示阈值，b表示新的基因组成；

S30212：按照一定的适应度函数及自然选择、交叉、变异等一系列遗传操作对各染色体的基因组成进行筛选，并保留适应度高的基因组成，通过个体适应度函数计算神经网络的初值参数，计算BP神经网络的训练集数据的预测输出，预期输出和实际输出之间的误差的绝对值和F，个体适应度函数定义如下：

其中，n为神经网络输出节点数，y_i为神经网络中第i个节点期望输出，O_i为第i个节点实际输出，k为系数，abs表示取绝对值；

S30213：依靠转轮赌博方法进行个体选择策略，每个个体选择的概率为p_i，其表达式为：

其中，F_i为个体i的适应度，N为种群个体数目，F_j为个体j的适应度；

根据概率p_i选取染色体个体进行交叉操作，根据交叉算法，对个体的第k个染色体c_k与第l个染色体c_l进行交叉操作，具体方法如下：

c_kj＝c_kj(1-b)+c_ljb

c_lj＝c_lj(1-b)+c_kjb

其中，C_kj为个体j的第k个染色体，C_lj为个体j的第l个染色体，b为[0，1]之间的随机数；

S30214：对染色体c_k和c_l进行变异操作，其公式为：

f(g)＝r₂(1-g/G_max)

其中，c_max为基因c_ij的上限，c_min为基因c_ij的下限，r₂为随机数，g为当前已迭代次数，G_max为最大进化次数，r为[0，1]之间的随机数；

S30215：计算个体适应度，如满足误差范围要求，则停止迭代，如未满足，则重复步骤S30212和步骤S30214，直至满足要求完成迭代，得到神经网络模型初值参数；

S30216：利用神经网络模型的误差传播与迭代修正算法进行GA-BP遗传神经网络诊断模型训练，完成遗传算法优化的人工神经网络，并进行样本的模式识别。

另一个实施例中，步骤S3022中，所述网格遍历寻优算法包括如下步骤：

S30221：输入训练集样本数据，对数据进行归一化；

S30222：初始化模型参数；

S30223：通过网格遍历惩罚因子C与RBF核函数参数γ，得到参数组合，在参数遍历区对样本进行交叉精度验证，保留准确度最高的参数集，再次循环比较，若模型诊断准确率未能使识别精度达到最优则继续进行遍历，直至样本识别精度达到最优；

其中，惩罚因子C与RBF核函数参数γ用来描述SVC诊断模型，并决定其分类诊断性能；

S30224：利用预先保留的测试集，验证模型性能。

另一个实施例中，本公开利用上述断路器机械故障诊断方法模拟“控制电压变化”、“传动机构卡涩”、“缓冲器漏油”、“储能弹簧脱落”、“电磁铁铁芯卡涩”等五类故障情况以及正常工作情况，每种情况各取100组数据作为训练样本，故障诊断过程具体如下：

1、提取样本并进行聚类筛选、融合重组后，得到不同故障状态诊断特征向量，如表1所示：

表1各故障状态多源融合诊断特征向量

表1中，i_m为分合闸线圈电流峰值，t_o为分合闸线圈通电时间，x_c为触头超程，x_hh为合闸缓冲距离，T_h为合闸动作时间，v_h为触头刚合速度，

为触头平均合闸速度，v_mh为触头最大合闸速度，x_hf为分闸缓冲距离，v_f为触头刚分速度，

为触头平均分闸速度，v_mf为触头最大分闸速度，E_m为短时能量峰值，t_e为短时能量峰值时刻，H_1～8为小波包变换各序列信号能量熵值。

2、根据诊断特征向量维度以及断路器机理划分故障诊断子系统，并对于各子系统划分其类属故障，如表2所示：

表2断路器故障诊断子系统划分

3、对分合闸线圈系统及触头传动系统建立GA-BP遗传神经网络模型，对于弹簧储能系统建立SVC支持向量机模型，各模型参数设置如表3与表4所示：

表3 GA-BP遗传神经网络训练参数设置

最大训练次数	学习速率	训练目标最小误差
			300	0.1	0.00001

表4网格遍历寻优算法参数

惩罚因子C遍历区间	RBF核参数γ遍历区间	C步进	γ步进
				[2<sup>-8</sup>，2<sup>8</sup>]	[2<sup>-8</sup>，2<sup>8</sup>]	1	1

4、利用样本数据训练模型，并模拟故障实验验证诊断模型准确度，其验证结果如表5所示：

表5故障识别结果

由表5可知，本公开所述断路器机械故障诊断方法具有高效，高精度优点，能够融合多源数据实现多种类故障的高精度识别。

以上实施例只是用于帮助理解本发明的核心思想，不能作为对本发明保护范围的限制；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上所作的任何改变，均视为不脱离本发明的保护范围。

Claims (10)

1.一种基于多源数据融合的中压真空断路器机械故障诊断方法，包括如下步骤：

S100：采集断路器的操作机构电流信号、触头行程信号和机械振动信号并提取所采集到的操作机构电流信号、触头行程信号和机械振动信号的特征参量；

S200：利用模糊均值聚类算法及特征箱线分布对所述操作机构电流信号、触头行程信号和机械振动信号的特征参量筛选融合；

S300：通过GA-BP遗传神经网络与SVC支持向量算法对筛选融合后的特征参量构建故障诊断模型，并利用样本训练所述故障诊断模型以识别断路器故障。

2.根据权利要求1所述的方法，其特征在于，优选的，所述操作机构电流信号的特征参量集合{X₁}_n为：

{X₁}_n＝{i_m，t_o}_n

其中，i_m为电流信号最大值，t_o为通电时间。

3.根据权利要求1所述的方法，其特征在于，所述触头行程信号的特征参量集合{X₂}_n为：

其中，t_q为合(分)闸启动时刻，反映线圈供电，顶杆动作情况；t_g为触头刚合(分)时刻，反映线圈供电，主轴转动情况；T＝t_g-t_q为触头合(分)闸动作时间，主轴转动情况；X_k为触头开距；X_c为触头超程；X_h为触头缓冲距离，反映分闸缓冲器、半轴转动故障；V为触头刚合点速度，反映合闸弹簧、主轴情况；

与V_m为触头平均速度和触头最大速度，反映合闸弹簧、主轴情况。

4.根据权利要求1所述的方法，其特征在于，所述机械振动信号的特征参量由短时能量的特征参量和小波包能量熵的特征参量组成，

其中，短时能量的特征参量集合{X₃₁}_n为：

{X₃₁}_n＝{t_e，E_m}_n

t_e为断路器刚分刚合时刻，E_m为刚分或刚合时刻短时能量；

小波包能量熵的特征参量集合{X₃₂}_n为：

{X₃₂}_n＝{H₁，H₂，H₃，H₄，H₅，H₆，H₇，H₈}_n

H₁-H₈为重构信号。

5.根据权利要求1所述的方法，其特征在于，所述步骤S200包括如下步骤：

S201：根据模糊C均值聚类算法对步骤S100中所提取的操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合进行聚类，确定所述操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合与故障状态的相关性，为故障诊断分类提供依据；

S202：根据特征箱线分布，筛选稳定性与区分度均优的特征参量进行融合，优化重组得到各故障状态下的诊断特征向量。

6.根据权利要求5所述的方法，其特征在于，所述步骤S201包括如下步骤：

S2011：定义FCM算法目标函数J(U，V)，并划分模糊C空间M：

其中，n为样本量，c为样本簇数，m为加权指数，d为欧氏距离，U为模糊隶属矩阵，V为各簇聚类中心矩阵，u_ij表示第1个特征对于第j个种类的隶属度，1为特征类型，j为样本种类，

分别表示任意特征类型和任意样本种类，R表示实数空间；

S2012：初始化模糊隶属矩阵U，设定精度系数ε并定义加权指数m，m＝2；

S2013：根据所述模糊隶属矩阵U及由样本组成的特征参量集合

计算各簇的聚类中心V_j、样本与各簇的欧式距离d_ij以及修正模糊隶属矩阵U’中的元素u_ij：

d_ij＝||x_i-v_j||²＝(x_i-v_j)^T(x_i-v_j)

其中，K为聚类簇数，X_k表示第K簇内样本，X_i表示样本空间中的一个元素，T表示矩阵的转置，d_ik表示第i个元素到第k个聚类中心的距离，u_ij为修正模糊隶属矩阵U’中的元素；

S2014：根据u_ij所隶属的聚类簇获得样本的FCM聚类结果，对于各故障选取可以聚类区分其状态的参量集合，作为其诊断分类依据。

7.根据权利要求1所述的方法，其特征在于，所述步骤S300包括如下步骤：

S301：根据步骤S202中所得到的各故障状态下的诊断特征向量，将断路器划分为分合闸线圈系统、触头传动系统及弹簧储能系统3个子系统，并将各故障分别类属于3个子系统下；

S302：根据所述子系统故障状态特征向量维度，分别选用GA-BP遗传神经网络与SVC支持向量机建立诊断模型，并利用样本训练模型实现故障诊断。

8.根据权利要求7所述的方法，其特征在于，所述步骤S302包括如下步骤：

S3021：对于特征向量维度低于10的子系统，建立GA-BP遗传神经网络诊断模型，根据神经网络经验公式规划网络结构，利用遗传神经网络方法优化模型初始参数，再结合误差迭代传播算法训练网络模型，实现故障诊断；

其中，q为隐含层神经元数量，l、d分别为输出层与输入层神经元数量，α为取值范围为[0，10]的常数；

S3022：对于特征向量维度高于10的子系统，建立SVC支持向量机诊断模型，利用网格遍历寻优算法优化模型参数，实现故障诊断。

9.根据权利要求8所述的方法，其特征在于，步骤S3021中，所述遗传神经网络方法包括如下步骤：

S30211：设定种群规模N，并随机初始化得到N个个体，其中，每个个体包含一组网络初始权值和阈值，对每个个体进行二进制编码，将若干个初值转化为二进制字符串的形式，获得染色体的基因组成；

其中，ω表示权值，θ表示阈值，b表示新的基因组成；

S30212：按照一定的适应度函数及自然选择、交叉、变异等一系列遗传操作对各染色体的基因组成进行筛选，并保留适应度高的基因组成，通过个体适应度函数计算神经网络的初值参数，计算BP神经网络的训练集数据的预测输出，预期输出和实际输出之间的误差的绝对值和F，个体适应度函数定义如下：

其中，n为神经网络输出节点数，y_i为神经网络中第1个节点期望输出，O_i为第i个节点实际输出，k为系数，abs表示取绝对值；

S30213：依靠转轮赌博方法进行个体选择策略，每个个体选择的概率为p_i，其表达式为：

其中，F_i为个体i的适应度，N为种群个体数目，F_j为个体j的适应度；

根据概率p_i选取染色体个体进行交叉操作，根据交叉算法，对个体的第k个染色体c_k与第l个染色体c_l进行交叉操作，具体如下：

c_kj＝c_kj(1-b)+c_ljb

c_lj＝c_lj(1-b)+ck_jb

其中，c_kj为个体j的第k个染色体，c_lj为个体j的第l个染色体，b为[0，1]之间的随机数；

S30214：对染色体c_k和c_l进行变异操作，其公式为：

f(g)＝r₂(1-g/G_max)

其中，c_max为基因c_ij的上限，c_min为基因c_ij的下限，r2为随机数，g为当前已迭代次数，G_max为最大进化次数，r为[0，1]之间的随机数；

S30215：计算个体适应度，如满足误差范围要求，则停止迭代，如未满足，则重复步骤S30212与步骤S30214，直至满足要求完成迭代，得到神经网络模型初值参数；

S30216：利用神经网络模型的误差传播与迭代修正算法进行GA-BP遗传神经网络诊断模型训练，完成遗传算法优化的人工神经网络，并进行样本的模式识别。

10.根据权利要求8所述的方法，其特征在于，步骤S3022中，所述网格遍历寻优算法包括如下步骤：

S30221：输入训练集样本数据，对数据进行归一化；

S30222：初始化模型参数；

S30223：通过网格遍历惩罚因子C与RBF核函数参数γ，得到参数组合，在参数遍历区对样本进行交叉精度验证，保留准确度最高的参数集，再次循环比较，若模型诊断准确率未能使识别精度达到最优则继续进行遍历，直至样本识别精度达到最优；

其中，惩罚因子C与RBF核函数参数γ用来描述SVC诊断模型，并决定其分类诊断性能；

S30224：利用预先保留的测试集，验证模型性能。

Images