CN113252322B - 一种含噪背景下的断路器机械故障诊断方法及装置 - Google Patents

Abstract

本发明提供了一种含噪背景下的断路器机械故障诊断方法，包括：选用M个声音传感器采集具有N个声源的声音信号的混合声音信号；通过盲源分离算法对上述混合声音信号进行处理；采用变分模态分解方法对各声源的声音信号进行信号分解；再采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练并构建含负样本支持向量描述方法的超球体；若作为待识别样本的声音信号的特征向量T_p属于超球体，则认为其属于目标声音类别所表征的断路器机械故障类型。本发明还提供了一种含噪背景下的断路器机械故障诊断装置。本发明通过合理的设计，能够在噪声环境下完成对断路器常见机械状态的准确识别，其适用性广泛。

Description

一种含噪背景下的断路器机械故障诊断方法及装置

技术领域

本发明涉及电力设备故障诊断技术领域，特别涉及一种含噪背景下的断路器机械故障诊断方法及装置。

背景技术

众所周知，高压断路器是电力系统中的重要组成部分，目前对高压断路器检修主要包括定期巡检和故障事后检修两部分，这两种检测手段的自动化程度较低，且效率不高，费时费力。因此，研究断路器机械状态的在线智能诊断技术具有十分重大的经济意义。

在现有的断路器机械故障诊断方法中，断路器分合闸期间设备壳体的振动信号成为主流的分析对象。在现有技术中，可以通过分析断路器分合闸过程的振动信号来实现对常见机械故障的在线诊断。然而，振动传感器的安装方式与位置目前尚无统一标准，考虑到断路器设备结构较为复杂，振动信号在通过机械构件传播时会发生衰减，因此不同位置的传感器采集到的振动信号波形存在差异，这种方式所得到的诊断结果受人为因素影响较大。

由于声音与振动是同步发生的，二者为同源信号，利用断路器分合闸的声音信号进行断路器机械故障的诊断已然成为一种新的研究方向。但是目前现有技术中的非接触式安装会导致声音传感器采集到的声音信号波形易受变电站环境噪声影响，进而会影响最终的诊断结果。

发明内容

为解决上述问题，本发明旨在提出一种含噪背景下的断路器机械故障诊断方法及装置，通过运用盲源分离算法对声音传感器采集到的声音信号进行预处理，以从复杂声音信号中分离各声源的声音信号，然后运用变分模态分解对各声音信号进行信号分解，分别提取其能量熵、奇异谱熵以及峭度熵组成特征向量，最后运用含负样本支持向量描述对特征向量进行识别，最终完成高压断路器的机械状态诊断。

为达到上述目的，本发明的技术方案是这样实现的：

一种含噪背景下的断路器机械故障诊断方法，所述方法包括以下步骤：

S1、选用M个声音传感器采集具有N个声源的声音信号的混合声音信号；

S2、对上述混合声音信号进行处理，以分离得到各声源的声音信号；

S3、对各声源的声音信号进行信号分解，然后分别提取经过分解的各声音信号的能量熵、奇异谱熵以及峭度熵，以组成各声音信号的特征向量T；

S4、采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体；

S5、求取超球体的半径R和中心a；

S6、求取作为待识别样本的声音信号的特征向量T_p与所述中心a的欧式距离，若该欧式距离≤半径R，则认为其属于目标声音类别所表征的断路器机械故障类型。

进一步的，所述步骤S2包括根据盲源分离算法完成对各声源的声音信号的估计：

上述公式(1)中，W表示解混矩阵，s(t)＝[s₁(t)，s₂(t)，...，s_N(t)]，其表示N个声源的声音信号；

表示s(t)的估计；x(t)＝[x₁(t)，x₂(t)，...，x_M(t)]，其表示M个声音传感器采集到的混合声音信号；N表示声源的数量，M表示声音传感器的数量，M≥N。

进一步的，对所述解混矩阵W进行求解采用下述步骤：

S21、对x(t)进行白预化、归一化处理，将处理后的信号矩阵记为Z；

S22、从解混矩阵W的第一行开始对解混矩阵W的第i个行向量W_i进行初始化，约束为行向量的二范数等于1；

S23、采用牛顿迭代法完成对W_i的估计，第k+1次迭代结果如下式所示：

W_i(k+1)＝E{Zg(W_i(k)^TZ)}-E{Zg′(W_i(k)^TZ)}W_i(k)^T (2)；

上述公式(2)中，T表示矩阵的转置，g为非线性函数，g′表示g的导函数，E表示矩阵的协方差矩阵；

S24、对向量进行正交化处理完成迭代结果的去相关，然后对去相关结果进行归一化；

重复上述步骤S23至步骤S24，直至W_i收敛，然后令i＝i+1，返回步骤S22直至解混矩阵W的所有行向量均被求出。

进一步的，在所述步骤S3中采用变分模态分解方法对各声源的声音信号进行信号分解是指：

S31、将声音信号分解为若干个有限带宽模态分量；

S32、将变分模态分解方法的目标函数确定为最小化全部有限带宽模态分量的频率带宽之和；

S33、采用交替方向乘子算法对变分模态分解方法的目标函数进行求解，以得到分解后的各声音信号。

进一步的，所述步骤S31具体为：采用变分模态分解方法将声音信号分解为若干个有限带宽模态分量，第k个有限带宽模态分量uk(t)可表达为：

在上述公式(3)中，A_k(t)表示u_k(t)在时刻t的幅值，

表示u_k(t)的相位。

进一步的，所述步骤S32具体为：变分模态分解方法的目标函数为最小化全部有限带宽模态分量的频率带宽之和，以声源信号

为参考，变分模态分解方法的分解目标函数如下述公式(4)所示：

在上述公式(4)中，K表示为预分解层数；δ(t)表示为狄拉克函数；ω_k表示第k个BLTMF分量中心频率；^＊表示卷积运算；j表示坐标虚轴；

表示时间t上的偏导；s.t为数学用语，其表示后续是限制条件；

对变分模态分解方法的分解目标函数进行优化：采用拉格朗日乘子法消除等式约束，并引入拉格朗日乘子λ和二次惩罚因子，优化后的目标函数如下述公式所示：

在上述公式(5)中，λ(t)表示拉格朗日乘子λ随时间变化的函数。

进一步的，所述步骤S33具体为：运用交替方向乘子算法对变分模态分解方法的目标函数进行求解，得到分解后的各声音信号；完成VMD分解后即可求取各声音信号的能量熵、奇异谱熵以及峭度熵特征，上述各熵值的求取过程可以如下所述：

a.能量熵：设采用变分模态分解方法分解后各BLTMF分量的能量排列为F＝[F1，F2，...，FK]；相应地，第i个BLIMF能量占声音信号能量比重Hi可以如下述公式所示：

由此可以得到能量熵O1的定义如下述公式(7)所示：

b.奇异谱熵：将长度为L的K个BLIMF分量排列为K×L维矩阵，矩阵的奇异值为λ＝[λ₁，λ₂，...，λ_K]，相应地，第i个奇异值占整个奇异谱的比重Ui可以如下述公式(8)所示：

由此可以得到奇异谱熵O2的定义如下述公式(9)所示：

c.峭度熵：峭度是反映信号概率分布的参数，第i个BLIMF分量的峭度R_i可以如下述公式(10)所示：

在上述公式(10)中，σ_i表示为第i个BLIMF分量方差，u_I表示为第i个BLIMF分量在第I点处取值；

为第i个BLIMF分量平均值；L表示为第i个BLIMF分量信号长度；

设定各BLIMF分量的峭度排列为R＝[R1，R2，...，R_K]，则第i个BLIMF分量的峭度R_i占所有分量峭度总和的比重P_i可以如下述公式(11)所示：

由此可以得到对应的峭度熵O3为：

进一步的，所述步骤S4中采用SVDD的改进算法含负样本支持向量描述方法对断路器各种机械状态合闸时的声音信号特征向量进行训练，其将非目标类别的声音特征向量考虑到超球体的形成过程中，以正常状态下断路器合闸声音信号对应超球体的形成为参考，其目标函数可以如下述公式所示：

在上述公式(13)中，a表示为超球体中心；R表示为其半径；F(R，a，ξ_i，ξ_l)为目标函数；C1、C2表示为正负样本惩罚因子；ξ_i、ξ_l为正负样本松弛系数，T_i为正样本特征向量；T_I为负样本特征向量；s.t为数学用语，其表示后续是限制条件；

通过利用拉格朗日乘子散发消除约束，引入拉格朗日乘子α_i≥0，α_l≥0，γ_i≥0，γ_l≥0，则上述公式(13)可以等效为：

对于R，a，ξ_i，ξ_l求偏微分并另偏微分函数等于0，则可得公式(15)：

将上述公式(15)代入至公式(14)中，同时为了应对特征向量的非线性问题，引入高斯核函数取代特征向量的内积运算，改进后的目标函数如下述公式所示：

在上述公式(16)中，式中i、j对应正样本下标，I、m对应负样本下标，α_i、α_j对应正样本拉格朗日乘子，α_l、α_m对应负样本拉格朗日乘子，T_i、T_j为正样本特征向量，T_I、T_m为负样本特征向量；K(T_i，T_j)为特征向量T_i、T_j对应的高斯核函数值；对该式进行优化可得α_i、α_l，由

可得圆心a，结合F(R，a，ξ_i，ξ_l)求解出超球体半径R。

进一步的，当获得超球体的半径R和中心a后，求取作为待识别样本的声音信号的特征向量T_p与中心a的欧式距离D(T_p)：

通过上述公式(17)可以求得D(T_p)，若该欧式距离D(T_p)≤半径R，则可以判断其属于目标声音类别所表征的断路器机械故障类型。

为了实现上述目的，本发明还提供了一种含噪背景下的断路器机械故障诊断装置，所述装置使用如上述的含噪背景下的断路器机械故障诊断方法。

所述含噪背景下的断路器机械故障诊断装置与上述含噪背景下的断路器机械故障诊断方法相对于现有技术所具有的优势相同，在此不再赘述。

有益效果：本发明通过合理的设计，能够实时地对断路器机械故障进行诊断，其诊断准确率高，且能够在噪声环境下完成对断路器常见机械状态的识别，其适用性十分广泛，具有良好的推广前景和应用价值。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的含噪背景下的断路器机械故障诊断方法的流程图；

图2为本发明实施例所述的的断路器在不同机械状态下合闸声音波形图；

图3为本发明实施例所述的三个声音传感器采集的声音信号波形图；

图4为本发明实施例所述的d₁与NSVDD模型半径R₁相对关系图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

实施例1

参见图1：在本实施例中，本实施例所述的断路器机械故障诊断方法包括以下步骤S1-步骤S6：

S1、首先，选用M个声音传感器采集具有N个声源的声音信号的混合声音信号。

S2、通过盲源分离算法对采集的混合声音信号进行处理，以分离得到各声源的声音信号；

S3、其次，采用变分模态分解方法对各声源的声音信号进行信号分解，然后分别提取经过分解的各声音信号的能量熵、奇异谱熵以及峭度熵，以组成各声音信号的特征向量T；

S4、再采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体；

S5、求取超球体的半径R和中心a；

S6、最后，求取作为待识别样本的声音信号的特征向量Tp与所述中心a的欧式距离，若该欧式距离≤半径R，则认为其属于目标声音类别所表征的断路器机械故障类型。

在本实施例中，可以通过上述步骤S1-S3来获取训练样本和待识别样本。假设N个声源同时发声，则可以控制M(M≥N)个声音传感器同时采集声音信号，以获得具有N个声源的声音信号的混合声音信号。

在本实施例所述的步骤S2中，需要首选运用盲源分离(BSS)算法对混合声音信号进行预处理，从复杂的混合声音信号中分离出各声源的声音信号。

盲源分离(BSS)算法，即在声源与传输路径的先验知识均未知的情况下，仅根据各声源的独立性利用M个声音传感器采集到的声音观测信号x(t)＝[x1(t)，x2(t)...xM(t)]完成对各声源的声音信号s(t)＝[s1(t)，s2(t)...sN(t)]的估计，其数学模型可表达为：

在上述公式(1)中，W表示解混矩阵；

表示s(t)的估计。

在实际情况中，高压断路器在变电站中所处的环境比较复杂，其在合闸时所产生的声音信号有可能被其他设备的局部放电等背景噪声所干扰，考虑到各个声音信号不属于同一个声源，因此在这种情况下，各声音信号均满足BSS过程的信号独立条件，本实施例可以基于负熵最大化的独立成分分析(FastICA)算法完成对断路器合闸期间各个声音信号的盲分离。

相应地，在本实施例中，可以采用下述步骤对上述公式(1)中的解混矩阵W进行求解：

S21、对x(t)进行白预化、归一化处理，将处理后的信号矩阵记为Z；

S22、从解混矩阵W的第一行开始对解混矩阵W的第i个行向量Wi进行初始化，约束为行向量的二范数等于1；

S23、采用牛顿迭代法完成对Wi的估计，第k+1次迭代结果如下式所示：

W_i(k+1)＝E{Zg(W_i(k)^TZ)}-E{Zg′(W_i(k)^TZ)}W_i(k)^T (2)

在上述公式(2)中，T表示矩阵的转置，g为非线性函数，g′表示g的导函数，E表示矩阵的协方差矩阵；

S24、对向量进行正交化处理完成迭代结果的去相关，然后对去相关结果进行归一化；

重复上述步骤S23至步骤S24，直至Wi收敛，然后令i＝i+1，返回步骤S22，直至解混矩阵W的所有行向量均被求出。

在本实施例中，采用上述操作可以求得解混矩阵W的行向量，结合参考公式(1)即可完成断路器合闸期间各声源的声音信号的估计，从而完成声音信号的盲源分离(BSS)过程。然而，采用盲源分离算法预处理后得到各声源的声音信号的排列是无序的，即无法从众多声音信号中确定出断路器合闸声音信号的位置。

因此，在本实施例所述方法的后续步骤S4中，本实施例还需要采用含负样本支持向量描述(NSVDD)方法对各个声音信号的特征向量进行识别。由于NSVDD算法为单值分类算法，其能够拒识不属于目标类别的声音特征向量，因此本实施例可利用此种特性完成对噪声信号的拒识从而消除噪声信号的影响。

相应地，在本实施例所述的断路器机械故障诊断方法的步骤S3中，在提取声音信号能量熵等信息特征之前需要完成对各声源的声音信号的信号分解，本实施例采用变分模态分解(VMD)方法完成此过程。

需要说明的是，变分模态分解(VMD)方法是一种新的信号分解算法，其相比于经验模态分解(EMD)具备更快的分解速度，且能够很好的克服模态混叠与边界效应问题，在本实施例所述步骤S3中采用变分模态分解(VMD)方法对各声源的声音信号进行信号分解可以进一步包括以下步骤：

将声音信号分解为若干个有限带宽模态分量。

在上述步骤中，采用变分模态分解(VMD)方法可以将声音信号分解为若干个有限带宽模态分量(BLIMF)，第k个有限带宽模态分量uk(t)可表达为：

在上述公式(3)中，Ak(t)表示uk(t)在时刻t的幅值，

表示uk(t)的相位。

将变分模态分解方法的目标函数确定为最小化全部有限带宽模态分量的频率带宽之和。

在上述步骤中，变分模态分解(VMD)方法的目标函数为最小化全部有限带宽模态分量的频率带宽之和，以声源信号

为例，其VMD的分解目标函数可以如下述公式(4)所示：

在上述公式(4)中，K表示为预分解层数；δ(t)表示为狄拉克函数；ωk表示第k个BLTMF分量中心频率；＊表示卷积运算；j表示坐标虚轴；

表示时间t上的偏导；s.t为数学用语，其表示后续是限制条件。

当然为了求解VMD的目标函数，可以采用拉格朗日乘子法消除等式约束，并引入拉格朗日乘子λ和二次惩罚因子，优化后的目标函数如下述公式(5)所示：

在上述公式(5)中，λ(t)表示拉格朗日乘子λ随时间变化的函数；

(33)采用交替方向乘子算法对变分模态分解方法的目标函数进行求解，以得到分解后的各声音信号。

在上述步骤中，本实施例可以运用交替方向乘子算法对变分模态分解方法的目标函数进行求解，得到分解后的各声音信号。完成VMD分解后即可求取各声音信号的能量熵、奇异谱熵以及峭度熵特征，上述各熵值的求取过程可以如下所述：

a.能量熵：设采用变分模态分解(VMD)方法分解后各BLIMF分量的能量排列为F＝[F1，F2，...，FK]；相应地，第i个BLIMF能量占声音信号能量比重Hi可以如下述公式(6)所示：

由此可以得到能量熵O1的定义如下述公式(7)所示：

b.奇异谱熵：将长度为L的K个BLIMF分量排列为K×L维矩阵，矩阵的奇异值为λ＝[λ₁，λ₂，...，λ_K]，相应地，第i个奇异值占整个奇异谱的比重Ui可以如下述公式(8)所示：

由此可以得到奇异谱熵O2的定义如下述公式(9)所示：

c.峭度熵：峭度是反映信号概率分布的参数，第i个BLIMF分量的峭度Ri可以如下述公式(10)所示：

在上述公式(10)中，σi表示为第i个BLIMF分量方差，uI表示为第i个BLIMF分量在第I点处取值；

为第i个BLIMF分量平均值；L表示为第i个BLIMF分量信号长度。

设定各BLIMF分量的峭度排列为R＝[R1，R2，...，RK]，则第i个BLIMF分量的峭度Ri占所有分量峭度总和的比重Pi可以如下述公式(11)所示：

由此可以得到对应的峭度熵O3为：

相应地，在本实施例所述的断路器机械故障诊断方法中，在步骤S4中需要采用含负样本支持向量描述(NSVDD)方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体。

需要说明的是，支持向量数据描述(SVDD)是近年来发展起来的用于高维特征、小样本的数据描述方法，其分类思想与支持向量机相似，基本思想是在特征空间建立一超球体，该超球体将训练集中的目标类别特征向量(正样本)包围，对于测试样本特征向量，若特征向量位于该超球体内，则测试样本为该类信号，若位于超球体外部，则为非目标信号。

在本实施例中，本实施例采用SVDD的改进算法含负样本支持向量描述(NSVDD)方法对断路器各种机械状态合闸时的声音信号特征向量进行训练，其将非目标类别的声音特征向量(负样本)考虑到超球体的形成过程中，相比SVDD拥有更好的分类性能，同时其能够通过对噪声信号特征向量的拒识消除噪声的影响。以正常状态下断路器合闸声音信号对应超球体的形成为例，其目标函数可以如下述公式(13)所示：

在上述公式(13)中，a表示为超球体中心；R表示为其半径；F(R，a，ξ_i，ξ_l)为目标函数；C1、C2表示为正负样本惩罚因子；ξ_i、ξ_l为正负样本松弛系数，Ti为正样本特征向量；TI为负样本特征向量；s.t为数学用语，其表示后续是限制条件。

通过利用拉格朗日乘子散发可以消除约束，引入拉格朗日乘子α_i≥0，α_l≥0，γ_i≥0，γ_l≥0，则上述公式(13)可以等效为：

对于R，a，ξ_i，ξ_l求偏微分并另偏微分函数等于0，则可得公式(15)：

将上述公式(15)代入至公式(14)中，同时为了应对特征向量的非线性问题，可以引入高斯核函数取代特征向量的内积运算，改进后的目标函数可以如下述公式(16)所示：

在上述公式(16)中，式中i、j对应正样本下标，I、m对应负样本下标，α_i、α_j对应正样本拉格朗日乘子，α_l、α_m对应负样本拉格朗日乘子，Ti、Tj为正样本特征向量，Tl、Tm为负样本特征向量。K(T_i，T_j)为特征向量Ti、Tj对应的高斯核函数值。对该式进行优化可得α_i、α_l，由

可得圆心a，结合F(R，a，ξ_i，ξ_l)可进一步求解出超球体半径R。

相应地，在本实施例所述断路器机械故障诊断方法的步骤S5中，获得超球体的半径R和中心a后，可以求取作为待识别样本的声音信号的特征向量Tp与中心a的欧式距离D(Tp)：

通过上述公式(17)可以求得D(Tp)，若该欧式距离D(Tp)≤半径R，则可以判断其属于目标声音类别所表征的断路器机械故障类型。

实施例2

本实施例还提供了一种含噪背景下的断路器机械故障诊断装置，所述装置使用如上述的含噪背景下的断路器机械故障诊断方法。

本实施例所述含噪背景下的断路器机械故障诊断装置与上述含噪背景下的断路器机械故障诊断方法相对于现有技术所具有的优势相同，在此不再赘述。

为了更好地说明上述实施例1、2所述的断路器机械故障诊断方法及装置的有效性，通过现场对某110KV高压断路器进行实验，以进行进一步说明。

在具体实现中，断路器机械故障诊断方法及装置可以包括：M个声音传感器和控制模块。其中，M个声音传感器可以用于采集N个声源的声音信号的混合声音信号。

如图2所示，在具体实施中，可以现场模拟采集高压断路器正常合闸与传动导杆卡涩、铁芯间隙过大拒动机械故障合闸的声音信号。在无噪环境下可以分别采集每种合闸状态的声音信号各30组作为训练集，每种状态合闸下一组的声音信号波形如图2所示。

相应地，对于测试机，同样采集高压断路器在每种机械状态下合闸的声音信号各30组，其中在合闸动作发生时，由一名实验人员说话，另一名实验人员手持局部放电抢模拟局部放电声音信号作为背景噪声，以正常状态下合闸的声音信号为例，3个声音传感器采集到的声音信号的波形如图3所示。

图3示意性地显示了本实施例所述的断路器机械故障诊断方法及装置在一种实施方式下的声音传感器采集的声音信号波形。

对声音信号特征向量进行z-score标准化处理，训练集中高压断路器在各种机械状态下合闸的声音信号，声音信号对应的一组特征向量可以如下述表1所示。

下表列出了高压断路器在各种机械状态下合闸的声音信号对应的特征向量。

合闸状态	能量熵	奇异谱熵	峭度熵
				正常合闸	0.8720	0.9951	-0.5072
传动导杆卡涩	0.4760	0.2926	-0.8957
				铁芯间隙过大拒动	-1.4206	-1.3626	1.6424

对每种机械状态合闸声音信号特征向量训练一超球体，对测试集中声音信号首先运用FastICA算法进行BSS，提取各分离声音信号的特征向量，然后将各特征向量输入各超球体中进行识别，对于噪声信号特征向量，NSVDD超球体能够很好地将其排除，以正常合闸声音信号对应超球体为例，其半径为R₁，中心为a₁，d₁为中心a₁与测试集中每组声音信号所有特征向量距离的最小值，则d₁与R₁的相对关系可以如图4所示。

图4示意性地显示了d₁与NSVDD模型半径R₁相对关系。

实验结果表明采用断路器机械故障诊断方法及装置可以有效提高诊断的准确度，高压断路器各种机械状态识别的整体准确率达到96.67％，其能够完成在噪音环境下识别判断断路器常见的机械状态。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种含噪背景下的断路器机械故障诊断方法，其特征在于，所述方法包括以下步骤：

S1、选用M个声音传感器采集具有N个声源的声音信号的混合声音信号；

S2、对上述混合声音信号进行处理，以分离得到各声源的声音信号；

S3、对各声源的声音信号进行信号分解，然后分别提取经过分解的各声音信号的能量熵、奇异谱熵以及峭度熵，以组成各声音信号的特征向量T；

S4、采用含负样本支持向量描述方法对作为训练样本的断路器各种机械故障合闸时的声音信号的特征向量进行训练以得到含负样本支持向量描述方法的超球体；所述步骤S4中采用SVDD的改进算法含负样本支持向量描述方法对断路器各种机械状态合闸时的声音信号特征向量进行训练，其将非目标类别的声音特征向量考虑到超球体的形成过程中，以正常状态下断路器合闸声音信号对应超球体的形成为参考，其目标函数可以如下述公式所示：

在上述公式(13)中，a表示为超球体中心；R表示为其半径；F(R，a，ξ_i，ξ_l)为目标函数；C1、C2表示为正负样本惩罚因子；ξ_i、ξ_l为正负样本松弛系数，T_i为正样本特征向量；T_l为负样本特征向量；s.t为数学用语，其表示后续是限制条件；

通过利用拉格朗日乘子散发消除约束，引入拉格朗日乘子α_i≥0，α_l≥0，γ_i≥0，γ_l≥0，则上述公式(13)可以等效为：

对于R，a，ξ_i，ξ_l求偏微分并另偏微分函数等于0，则可得公式(15)：

将上述公式(15)代入至公式(14)中，同时为了应对特征向量的非线性问题，引入高斯核函数取代特征向量的内积运算，改进后的目标函数如下述公式所示：

在上述公式(16)中，式中i、j对应正样本下标，l、m对应负样本下标，α_i、α_j对应正样本拉格朗日乘子，α_l、α_m对应负样本拉格朗日乘子，T_i、T_j为正样本特征向量，T_l、T_m为负样本特征向量；K(T_i，T_j)为特征向量T_i、T_j对应的高斯核函数值；对该式进行优化可得α_i、α_l，由

可得圆心a，结合F(R，a，ξ_i，ξ_l)求解出超球体半径R，当获得超球体的半径R和中心a后，求取作为待识别样本的声音信号的特征向量T_p与中心a的欧式距离D(T_p)：

通过上述公式(17)可以求得D(T_p)，若该欧式距离D(T_p)≤半径R，则可以判断其属于目标声音类别所表征的断路器机械故障类型。

2.根据权利要求1所述的含噪背景下的断路器机械故障诊断方法，其特征在于，所述步骤S2包括根据盲源分离算法完成对各声源的声音信号的估计：

上述公式(1)中，W表示解混矩阵，s(t)＝[s₁(t)，s₂(t)，...，s_N(t)]，其表示N个声源的声音信号；

表示s(t)的估计；x(t)＝[x₁(t)，x₂(t)，...，x_M(t)]，其表示M个声音传感器采集到的混合声音信号；N表示声源的数量，M表示声音传感器的数量，M≥N。

3.根据权利要求2所述的含噪背景下的断路器机械故障诊断方法，其特征在于，对所述解混矩阵W进行求解采用下述步骤：

S21、对x(t)进行白预化、归一化处理，将处理后的信号矩阵记为Z；

S22、从解混矩阵W的第一行开始对解混矩阵W的第i个行向量W_i进行初始化，约束为行向量的二范数等于1；

S23、采用牛顿迭代法完成对W_i的估计，第k+1次迭代结果如下式所示：

W_i(k+1)＝E{Zg(W_i(k)^TZ)}-E{Zg′(W_i(k)^TZ)}W_i(k)^T (2)；

上述公式(2)中，T表示矩阵的转置，g为非线性函数，g′表示g的导函数，E表示矩阵的协方差矩阵；

S24、对向量进行正交化处理完成迭代结果的去相关，然后对去相关结果进行归一化；

重复上述步骤S23至步骤S24，直至W_i收敛，然后令i＝i+1，返回步骤S22直至解混矩阵W的所有行向量均被求出。

4.根据权利要求1所述的含噪背景下的断路器机械故障诊断方法，其特征在于，在所述步骤S3中采用变分模态分解方法对各声源的声音信号进行信号分解：

S31、将声音信号分解为若干个有限带宽模态分量；

S32、将变分模态分解方法的目标函数确定为最小化全部有限带宽模态分量的频率带宽之和；

S33、采用交替方向乘子算法对变分模态分解方法的目标函数进行求解，以得到分解后的各声音信号。

5.根据权利要求4所述的含噪背景下的断路器机械故障诊断方法，其特征在于，所述步骤S31具体为：采用变分模态分解方法将声音信号分解为若干个有限带宽模态分量，第k个有限带宽模态分量uk(t)可表达为：

在上述公式(3)中，A_k(t)表示u_k(t)在时刻t的幅值，

表示u_k(t)的相位。

6.根据权利要求4所述的含噪背景下的断路器机械故障诊断方法，其特征在于，所述步骤S32具体为：变分模态分解方法的目标函数为最小化全部有限带宽模态分量的频率带宽之和，以声源信号

为参考，变分模态分解方法的分解目标函数如下述公式(4)所示：

在上述公式(4)中，K表示为预分解层数；δ(t)表示为狄拉克函数；ω_k表示第k个BLIMF分量中心频率；＊表示卷积运算；j表示坐标虚轴；

表示时间t上的偏导；s.t为数学用语，其表示后续是限制条件；

对变分模态分解方法的分解目标函数进行优化：采用拉格朗日乘子法消除等式约束，并引入拉格朗日乘子入和二次惩罚因子，优化后的目标函数如下述公式所示：

在上述公式(5)中，λ(t)表示拉格朗日乘子入随时间变化的函数。

7.根据权利要求4所述的含噪背景下的断路器机械故障诊断方法，其特征在于，所述步骤S33具体为：运用交替方向乘子算法对变分模态分解方法的目标函数进行求解，得到分解后的各声音信号；完成VMD分解后即可求取各声音信号的能量熵、奇异谱熵以及峭度熵特征，上述各熵值的求取过程可以如下所述：

a.能量熵：设采用变分模态分解方法分解后各BLIMF分量的能量排列为F＝[F1，F2，...，FK]；相应地，第i个BLIMF能量占声音信号能量比重Hi可以如下述公式所示：

由此可以得到能量熵O1的定义如下述公式(7)所示：

b.奇异谱熵：将长度为L的K个BLIMF分量排列为K×L维矩阵，矩阵的奇异值为λ＝[λ₁，λ₂，…，λ_K]，相应地，第i个奇异值占整个奇异谱的比重Ui可以如下述公式(8)所示：

由此可以得到奇异谱熵O2的定义如下述公式(9)所示：

c.峭度熵：峭度是反映信号概率分布的参数，第i个BLIMF分量的峭度R_i可以如下述公式(10)所示：

在上述公式(10)中，σ_i表示为第i个BLIMF分量方差，u_l表示为第i个BLIMF分量在第l点处取值；

为第i个BLIMF分量平均值；L表示为第i个BLIMF分量信号长度；

设定各BLIMF分量的峭度排列为R＝[R1，R2，...，R_K]，则第i个BLIMF分量的峭度R_i占所有分量峭度总和的比重P_i可以如下述公式(11)所示：

由此可以得到对应的峭度熵O3为：

8.一种含噪背景下的断路器机械故障诊断装置，其特征在于，所述装置使用如权利要求1至7任一项所述的含噪背景下的断路器机械故障诊断方法。

Images