CN115438744A - 一种交流接触器运行状态分类可视化方法 - Google Patents

Abstract

本发明属于交流接触器技术领域，尤其涉及一种交流接触器运行状态分类可视化方法。其首次将机器学习中的分类可视化模型应用到交流接触器的运行状态预测的问题中，可以实现交流接触器运行状态的实时在线预测、稳定性强，结果精度高。包括：步骤1、搭建交流接触器运行状态在线监测系统，采用时域分析提取影响交流接触器运行状态的特征参数；步骤2、利用PCC法和PCA法分析特征参数相关性生成降维后的特征矩阵；步骤3、生成基于模态相似性度量的交流接触器运行状态表征曲线并依据阶跃点划分状态区间；步骤4、构建基于KNN分类器的交流接触器运行状态分类可视化模型；步骤5、进行KNN分类可视化模型训练，并验证其结果准确性。

Description

一种交流接触器运行状态分类可视化方法

技术领域

本发明属于交流接触器技术领域，尤其涉及一种交流接触器运行状态分类可视化方法。

背景技术

交流接触器作为低压开关电器中应用最为广泛的线路控制和保护设备，常用来控制大电流主回路的通断。目前，国内使用的接触器多数还是属于第二代或者第三代的电磁式交流接触器,交流接触器作为十分具有代表性的电磁式开关电器，探索其在开断过程中开断能力变化的机理以及相关的影响因素，实现对交流接触器当前至近期开断能力水平和未来退化趋势动态识别，即实时表征其运行状态是当前交流接触器智能化的一个关键方向。

通过对能够反映交流接触器实时运行状态的各特征参数进行在线监测，从而获取大量特征参数数据，利用简易可行的数学手段，将巨量的数据进行降维处理，建立交流接触器运行状态分类可视化模型，以实现对其实时运行状态的准确掌握。

机器学习模型，特别是监督学习，可以基于数据帮助智能系统做出各种各样的判断，其直接对传感器监测到的接触器各项特征参数进行建模。该方法不依赖于任何与设备相关的物理模型和额定参数模型，所以基于机器学习的方法对开关设备的运行状态可视化研究具有很大的应用前景。

机器学习分类模型众多，其中支持向量机,人工神经网络，遗传算法等常被用于开关电器运行状态分类识别上。但是针对基于数据驱动的开关电器运行状态诊断选择合适运行状态分类器的问题，必须将大量数据处理以及工况时效性作为首要考虑对象。现有分类方法存在以下缺陷，对于基于支持向量机的运行状态分类，该模型对缺失数据敏感，且只适用于线性问题，无法很好的实现理想分类效果；对于基于人工神经网络的运行状态分类，该模型需要大量的调整参数，且学习时间过长，无法满足实时的工况要求；对于基于遗传算法的运行状态分类，该模型编程实现困难，训练时间较长，且对初始种群的选择有依赖性，针对开关电器运行状态分类问题受限较大。因此本发明引入KNN分类算法，KNN分类算法是最邻近算法，其最大的优势在于简单直观易于实现。KNN分类算法的核心思想是从训练样本中寻找与训练样本X中与测量样本间的欧氏距离最近的前K个样本作为相似度，在选择与待分类样本间距离最小的K个样本作为X的K个最邻近，并检测这K个样本大部分属于那一类样本，则认为这个测试样本类别属于这一类样本。KNN分类器避开了其他分类方法重新训练需要从头开始的高代价，对于寿命次数要达到几十万乃至百万次的开关电器来说，可以大大降低训练的计算时间和训练集的规模，同时由于KNN方法主要依靠周围有限的邻近样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或者重叠较多的交流接触器运行状态样本集来说，KNN的方法比较适合。

交流接触器的实时运行状变化是众多影响因素叠加的结果，此外，其整个运行过程可视为一个长时间序列，又其运行状态可视化的目的在于获取接触器实时的劣化程度，建立交互友好的可视退化阶段，因此，本发明采用运行状态特征模态与初始模态之间的欧氏距离作为交流接触器偏离初始状态的程度，进而依据状态表征曲线的阶跃点，对于整个交流接触器的劣化程度乃至整个用电设备的健康状况有一个清晰的阶段性评估诊断。综上分析，本发明采用基于模态相似度度量结合KNN分类可视化的方法，对交流接触器实时运行状态进行可视化诊断，能够得到较为精确地分类可视化效果。

发明内容

本发明就是针对现有技术存在的缺陷，提供一种交流接触器运行状态分类可视化方法。其是一种基于模态相似度的度量和KNN分类器的交流接触器运行状态分类可视化方法。

为实现上述目的，本发明采用如下技术方案，包括：

步骤1、搭建交流接触器运行状态在线监测系统，采用时域分析提取影响交流接触器运行状态的特征参数。

步骤2、利用PCC法和PCA法分析特征参数相关性生成降维后的特征矩阵。

步骤3、生成基于模态相似性度量的交流接触器运行状态表征曲线并依据阶跃点划分状态区间。

步骤4、构建基于KNN分类器的交流接触器运行状态分类可视化模型。

步骤5、进行KNN分类可视化模型训练，并验证其结果准确性。

进一步地，步骤1中，所述搭建交流接触器运行状态在线监测系统，采用时域分析提取影响交流接触器运行状态的特征参数包括：从交流接触器分断和吸合过程中的三相触头电压和电流、线圈电压和电流、以及触头系统的振动信号中，提取燃弧时间、燃弧能量、平均燃弧功率、释放时间、弹跳时间、分闸相角、吸合时间、接触电阻、合闸相角、触头分闸速度、触头碰撞速度、触头超程和触头开距。

进一步地，步骤2中，所述利用PCC法和PCA法分析特征参数相关性生成降维后的特征矩阵包括：

步骤2.1、特征参数的皮尔逊相关性分析。

采用pearson相关性分析后，结果取绝对值；保留燃弧功率后剩下N个低相关性的参数；同时，对N个特征参数进行归一化处理。

归一化公式：

其中，x_max，x_min分别为该特征参数的最大值与最小值；x_t为t时刻的实际值；

为t时刻的归一化值，这样就得到可以进行主成分分析降维的特征矩阵。

步骤2.2、主成分析分析法特征降维。

利用PCA将反应交流接触器运行状态的数据集X＝{x₁,x₂,x₃,...,x_n}进行降维，N维的特征矩阵简化为能够保留原始特征95％贡献度的前M个主成分；其中，x_i(i＝1,2,...,n)为交流接触器某个反映运行状态的N维特征参数；即：

A、去中心化，即每一位特征值减去各自的平均值。

B、计算协方差矩阵

C、用特征值分解方法求协方差矩阵

的特征值和特征向量。

D、对特征值从大到小排序，选择其中最大的K个，然后将其对应的K个特征向量分别作为向量组成特征矩阵P。

E、将数据转换成K个特征向量构建的新空间中，即Y＝PX。

得到作为分类可视化模型输入的特征矩阵。

进一步地，步骤3中，所述生成基于模态相似性度量的交流接触器运行状态表征曲线并依据阶跃点划分状态区间包括：

步骤3.1、构建运行状态的模态相似性度量表征曲线。

用保留原始特征95％贡献度的前M个主成分作为描述状态曲线在时序轴上的模态基本量，同时，在时序上用递进的时序点的模态基本量与基态的模态基本量之间的标准化欧氏距离作为衡量交流接触器运行状态的表征形式。

对于两个N维向量X₁＝(x₁₁,x₁₂,...,x_1n)和X₂＝(x₂₁,x₂₂,...,x_2n)标准化欧氏距离公式。

式中，d₁₂为X₁和X₂之间的标准化欧氏距离，s_k为第k维主成分的标准差，x_1k和x_2k分别为X₁和X₂中第k维主成分。

将交流接触器每一次开断后运行状态特征矩阵的距离度量值与初次开断的距离度量间的变化量作为因变量，开断次数作为自变量，将得到的运行状态曲线做平滑处理后得到运行状态表征曲线。

步骤3.2、运行状态区间划分。

将交流接触器运行状态区分点划分在相似性距离度量发生突变的点：将交流接触器运行状态模态相似度距离度量第一次前定义为第一运行阶段，将交流接触器运行状态模态相似度距离度量第一次阶跃后至第二次阶跃定义为第二运行阶段，将交流接触器运行状态模态相似度距离度量第二次阶跃至交流接触器完全失效定义为第三运行阶段。

进一步地，步骤4中，所述构建基于KNN分类器的交流接触器运行状态分类可视化模型包括。

(1)确定模型的输入输出。

输入：数据集P＝{(X₁,y₁),(X₂,y₂),...,(X_n,y_n)}，其中，X_i＝{x₁,x₂,...,x₆}为实际的特征向量,y_i＝0,1,2为实际的运行状态标签。

输出：X_i＝{x₁,x₂,...,x₆}所属的类别，即运行状态阶段。

(2)选择参数K。

K值是指当决策时通过依据测试样本的K个最近邻“数据样本”作决策判断；K值的选取一般采用交叉验证法；交叉验证法包括：将数据集分为训练集与测试集；使用训练集训练模型；使用测试集测试模型的分类正确率；选择具有最大分类正确率的模型。

(3)计算未知实例与所有已知实例的距离。

指定为闵可夫斯基中的欧式距离度量，则参数P＝2。

(4)选择最近的K个已知实例，根据少数服从多数的投票法则,让未知实例归类为K个最近邻样本中最多数的类别。

(5)分类可视化实现。

分类可视化模型包括：首先，定义可视化函数中的类别符号、类别颜色、决策函数；其次，根据前两项主成分数值的最值确定出决策边界；最后，将分类结果在决策图形中进行可视化绘制。

进一步地，步骤5中，所述进行KNN分类可视化模型训练，并验证其结果准确性包括：采用随机函数在时间序列上的特征矩阵中的70％为训练集，30％为测试集对搭建的KNN分类可视化模型进行训练，输出状态区间分布散点图与相关精度，验证模型的准确性。

更进一步地，在进行分类中存在四种情况。

若一个实例是正类，并且被预测为正类，即为真正类TP。

若一个实例是正类，但是被预测为负类，即为假负类FN。

若一个实例是负类，但是被预测为正类，即为假正类FP。

若一个实例是负类，并且被预测为负类，即为真负类TN。

则：

(1)准确率：

(2)精度：

(3)召回率：

(4)F1机制评分：

与现有技术相比本发明有益效果。

本发明采用基于模态相似性度量的交流接触器运行状态表征划分方法，对比定性的状态划分更适合于处理大数据时代的问题；在传统状态划分方法中，几乎所有的特征都需要通过专家的再确定，而状态表征可以自己从数据中学习特征；在解决问题时，传统状态划分通常根据直观的感性现象，将整个寿命过程分为几个阶段，一个一个解决之后再重新组合起来，而状态表征是一次性的、端对端的解决。

本发明采用机器学习中的KNN分类可视化模型，KNN分类可视化模型是一种理论非常成熟且思想简单的机器学习方法，可以在分类问题中处理非线性的问题。同其他机器学习相比，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属的类别，因此对于类域的交叉或重叠较多的待分类样本集来说，KNN方法较其他方法更为适合。此外分类算法比较适合样本容量大的类域自动分类，且对数据没有假设，准确度高，对异常点不敏感。

本发明首次将KNN分类可视化模型应用到交流接触器运行状态可视化的问题中，KNN分类可视化模型一般多用在股市预测和天气预测等时序问题的预测中，本发明首先将交流接触器的整个生命周期看作为一个时序序列，将接触器开断次数作为标签，构建交流接触器运行状态表征及区间划分模型，其次，特征参数前两个主成分为数值边界，构建KNN分类可视化模型，对KNN模型进行监督训练，训练好的模型只要将接触器在线工作数据的特征矩阵输入，就可以得到其实时的运行状态阶段，实现交流接触器运行状态的在线实时预测，解决了传统方法预测精度不高和难以实现在线预测的问题。

综上所述，本发明首次将机器学习中的分类可视化模型应用到交流接触器的运行状态预测的问题中，可以实现交流接触器运行状态的实时在线预测，稳定性强，结果精度高，极大程度避免了因对交流接触器的运行状态误判而导致整个电力系统的瘫痪，大大提高了电力系统的安全性和可靠性。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1是交流接触器在线监测系统原理框图。

图2是交流接触器分断过程。

图3是交流接触器吸合过程。

图4是交流接触器吸合-分段过程振动信号。

图5是关联程度标准图。

图6是KNN分类可视化输出界面示例图。

具体实施方式

如图1-6所示，具体实施例：包括：搭建交流接触器运行状态在线监测系统，获取其运行过程中接触器三相主触头以及励磁线圈的电压和电流波形、触头系统振动波形，提取波形中影响交流接触器运行状态的原始特征参数；利用皮尔逊相关系数法分析获取的各原始特征参数之间的相关性，剔除强相关的原始特征参数后作为表征接触器运行状态的有效特征矩阵，利用主成分分析法对归一化预处理后的有效特征矩阵进行降维简化，利用对原始运行特征贡献率超过95％的主成分作为进行分类的特征矩阵；计算特征矩阵在每一次开断时在时间序列上的标准欧式距离进行交流接触器运行状态曲线表征，根据运行状态曲线的阶跃点划分2-3个运行状态阶段；构建基于机器学习KNN分类器的交流接触器运行状态分类可视化模型；进行模型训练，随机选取特征矩阵的70％作为训练集，用于训练模型，将剩下的30％作为测试集，用于验证模型的准确性。本发明能够实现交流接触器运行状态的实时可视化，更加直观的将接触器所处寿命阶段展现出来，解决传统方法只能定性分析交流接触器实时运行状态的问题。工作人员利用本方法能够准确得到电路系统中交流接触器的实时运行状态，对处于邻近失效的节点采取措施，预防因接触器故障而导致整个电路系统的瘫痪，可有效提高电力系统的运行的稳定性与可靠性。

步骤1，搭建交流接触器运行状态在线监测系统，提取影响交流接触器运行状态的原始特征参数，分析原始特征间相关性并通过对有效特征矩阵归一化获取特征矩阵，对特征矩阵进行主成分分析进一步简化输入分类可视化模型的特征矩阵；其中：

步骤1.1，搭建交流接触器运行状态在线监测系统。

在线监测系统原理框图如图1所示，监测系统采用了美国NI公司的PXI高速嵌入式控制器配合X系列USB6356高速同步数据采集卡。PXI高速嵌入式控制器通过交互界面给单片机控制板发送通断信号，单片机控制板控制固态继电器实现交流接触器器线圈的通断；数据采集卡采集经高精度传感器测量和调理电路调理后的九路信号，分别是交流接触器三相主触头的电压信号和电流信号、励磁线圈的电压信号和电流信号、触头系统的振动信号；采集的数据经PXI控制器在与其配套的LABVIEW软件的交互界面上显示出实时波形。

步骤1.2，提取原始特征参数。

分析图2可以从交流接触器分断过程中，提取出燃弧时间、燃弧能量、平均燃弧功率、分闸相角特征参数，它们的定义及计算方法如下。

(1)燃弧时间：从电弧产生的瞬间起到电弧最终熄灭的瞬间止的时间间隔。对于接触器的某一相触头，把电弧产生瞬间的时刻为t_a，电弧最终熄灭的瞬间时刻记为t_b，那么此相燃弧时间t_arc可表示为。

t_arc＝t_b-t_a。

(2)燃弧能量：一次电弧产生的燃弧能量E可表示为。

式中，t_a、t_b为电弧的起弧和熄弧的时刻，u(t)、i(t)为触头的电压值和电流值。实际中，采集到的电压电流信号都是离散的，所以燃弧能量的离散化处理表示为。

式中，Δt为采样点时间间隔，f_s为采样率。

(3)平均燃弧功率：平均燃弧功率是指在燃弧期间电弧的平均功率。

式中，N为燃弧期间的采样点数。

(4)分闸相角：分闸相角是指首分相合闸时间同该相触点电压1/2周期对应的时间C(常数)的比值，分闸相角α_f表示为。

分析图3可以从交流接触器吸合过程中提取出弹跳时间、吸合时间、接触电阻和合闸相角，它们的定义及计算方法如下。

(5)弹跳时间：触头闭合时发生弹跳，从动静触头第一次接触到触头稳定吸合所用的时间。把动静触头第一次接触的时刻记为t_e，两触头稳定吸合的时刻记为t_f，那么弹跳时间记作t_t可表示为。

t_t＝t_f-t_e。

(6)吸合时间：吸合时间是指从给线圈通断到动静触头首次接触的时间。把线圈通电时刻记为t_d，动静触头第一次接触的时刻为t_e，则吸合时间记作t_x可表示为。

t_x＝t_e-t_d。

(7)接触电组：在交流接触器接通电路稳定通电时，动静触头间存在接触电阻，定义及计算方法如下。

式中，u_n是两触头稳定吸合通电时一周期下的触点电压，i_n是同一周期下触点电流大小，N是周期内采集的点数。

(8)合闸相角：合闸相角是指首合相合闸时间同该相触点电压1/2周期对应的时间C(常数)的比值，合闸相角α_c表示为。

分析图4可以从交流接触器吸合-分段振动信号中提取出触头系统分闸速度、触头碰撞速度、A相触头超程和A相触头开距。它们的定义及计算方法如下：

(9)触头分闸速度：触头分闸速度是指主触头起弧瞬间时刻主触头的速度。主触头起弧时间为T_qh，则分闸速度V_fz可表示为。

V_fz＝V(T_qh)。

(10)触头碰撞速度：触头碰撞速度是指主回路动触头与静触头第一次碰撞时刻动触头的速度。触头第一次碰撞时间为T_cp，则触头碰撞速度V_cp可表示为。

V_cp＝V(T_cp)。

(11)触头超程：超程是指从主回路动静触头首次接触起，至触头稳定闭合的时候结束，此段时间触头的位移。触头第一次碰撞的时间为T_cp，触头稳定闭合的时间为T_wb，则超程可表示为。

(12)触头开距：开距是指从主触头起弧瞬间开始，至采样结束时间结束，此段时间触头的位移。主触头起弧时间为T_qh，采样结束时间为T_end，则开距L_kj可表示为。

步骤2，利用PCC法和PCA法分析特征参数相关性生成降维后的特征矩阵。

其中：

步骤2.1，原始特征相关性分析并获取归一化特征矩阵。

在线监测系统中获得的特征参数间可能存在着隐含信息的重合，因此需要对其进行相关性分析。采用最常用的皮尔逊相关性分析法进行原始特征参数相关性分析后，绘制相关性热力图。保留相关性达到0.8以上的强相关性的参数的其中一个。

皮尔逊相关系数能计算两个参量X和Y之间的相关性，皮尔逊相关系数广泛用于度量2个变量之间的相关程度，其值在-1～1之间。计算方法如下。

设2组特征参量为X{x₁,x₂,…,x_n}，Y{y₁,y₂,…,y_n}。，其均值分别为。

协方差为：

则皮尔逊相关系数为：

其中σ_X、σ_Y分别为X和Y的标准差，其表达式分别为：

皮尔逊相关性系数的值在-1～1之间，其关联度标准如图5所示。

同时，保留的N个特征参数间量纲并不一致，因此需要对其进行归一化处理。

归一化公式：

这样就得到了可以输入分类可视化模型的特征矩阵。

步骤2.2，利用主成分分析获取输入分类可视化模型的特征矩阵。

利用主成分分析法(PCA)将数据集X＝{x₁,x₂,x₃,...,x_n}，N维的特征矩阵简化为能够保留原始特征95％贡献度的前M个主成分。

(1)去中心化，即每一位特征值减去各自的平均值。

(2)计算协方差矩阵

(3)用特征值分解方法求协方差矩阵

的特征值和特征向量。

(4)对特征值从大到小排序，选择其中最大的K个，然后将其对应的K个特征向量分别作为向量组成特征矩阵P。

(5)将数据转换成K个特征向量构建的新空间中，即Y＝PX。

这样我们就得到了，可以作为分类可视化模型输入的特征矩阵。

步骤3，生成基于模态相似性度量的交流接触器运行状态表征曲线并依据阶跃点划分状态区间，其中：

步骤3.1，基于模态相似性的交流接触器运行状态表征。

用保留原始特征95％贡献度的前M个主成分作为描述状态曲线在时序轴上的基本量，同时，在时序上用递进的时序点的基本量与基态的基本量之间的标准化欧氏距离作为衡量交流接触器运行状态的表征形式。

对于两个N维向量X₁＝(x₁₁,x₁₂,...,x_1n)和X₂＝(x₂₁,x₂₂,...,x_2n)标准化欧氏距离公式。

式中，d₁₂为X₁和X₂之间的标准化欧氏距离，s_k为第k维主成分的标准差，x_1k和x_2k分别为X₁和X₂中第k维主成分。

将交流接触器每一次开断后运行状态特征矩阵的距离度量值与初次开断的距离度量间的变化量作为因变量，开断次数作为自变量，将得到的运行状态曲线做平滑处理后就得到了运行状态表征曲线。

步骤3.2，运行状态区间划分。

鉴于交流接触器运行状态表征为模态相似性距离度量，则距离的突变必然是交流接触器内部状态特别是接触器的触头系统的状态变化引起的，本发明以此为依据将交流接触器运行状态区分点划分在相似性距离度量发生突变的点。分析基于模态相似度度量的交流接触器运行表征曲线以及原始特征参数变化特征，发现接触器在开断过程中的模态相似性距离度量值发生的阶跃点。由此，将交流接触器运行状态模态相似度距离度量第一次前定义为第一运行阶段，此阶段距离度量值呈较小增长幅度且有轻微波动；将交流接触器运行状态模态相似度距离度量第一次阶跃后至第二次阶跃定义为第二运行阶段，此阶段距离度量值仍呈增长趋势且波动较第一运行阶段较大；将交流接触器运行状态模态相似度距离度量第二次阶跃至交流接触器完全失效定义为第三运行阶段，此阶段距离度量值快速增大且波动大于前两阶段

步骤4，构建基于机器学习KNN分类器的分类可视化模型。

本发明在前期工作中对基于机器学习的运行状态分类方法进行了详实的研究，经对比分析，针对开关电器运行状态分类识别可视化问题，KNN的效果最好，分类精度最高，特此采用此方法。

(6)确定模型的输入输出。

输入：数据集P＝{(X₁,y₁),(X₂,y₂),...,(X_n,y_n)}，其中X_i＝{x₁,x₂,...,x₆}为实际的特征向量,y_i＝0,1,2为实际的运行状态标签。

输出：X_i＝{x₁,x₂,...,x₆}所属的类别，即运行状态阶段。

(7)选择参数K。

K值选择是KNN算法的关键，K值选择对近邻算法的结果有重大影响。K值的具体含义是指当决策时通过依据测试样本的K个最近邻“数据样本”做决策判断。K值的选取一般采用交叉验证法。交叉验证法步骤如下：将数据集分为训练集与测试集；使用训练集训练模型；使用测试集测试模型的分类正确率；选择具有最大分类正确率的模型。

(8)计算未知实例与所有已知实例的距离。

指定为闵可夫斯基(minkowski)中的欧式距离度量，则参数P＝2。

(9)选择最近的K个已知实例，根据少数服从多数的投票法则(majority-voting),让未知实例归类为K个最近邻样本中最多数的类别。

(10)分类可视化实现。

分类可视化模型实现有以下步骤：首先，定义可视化函数中的类别符号、类别颜色、决策函数；其次，根据前两项主成分数值的最值确定出决策边界；最后，将分类结果在决策图形中进行可视化绘制。输出结果示例图如图6所示。

步骤5，进行交流接触器KNN分类可视化模型训练，并验证其准确性，其中：

步骤5.1，划分训练集以及测试集进行训练。

训练集测试集的划分采用的函数为：

(x₁,y₁,x₂,y₂)＝train_test_split(X,y,test_size＝0.3,random_state＝1)。

此函数可以将样本数据集随机划分为指定比例的训练集和测试集，保证了训练的准确性和有效性。

步骤5.2，计算整体准确率(Accuracy)、精度(Precision)、召回率(Recall)、F1机制评分(F1 Score)。

在进行分类中会有以下四种情况：若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive)；若一个实例是正类，但是被预测为负类，即为假负类FN(FalseNegative)；若一个实例是负类，但是被预测为正类，即为假正类FP(False Positive)；若一个实例是负类，并且被预测为负类，即为真负类TN(True Negative)。于是有：

准确率(Accuracy)：

精度(Precision)：

召回率(Recall)：

F1机制评分(F1 Score)：

具体地：

(1)构建基于模态相似性度量的运行状态的表征曲线。

图2为交流接触器在分断过程中的触头电压、触头电流及接触器线圈电压波形图。从图中可以看出交流接触器线圈在c点时掉电，线圈电磁吸力迅速减小使触头分离。在a点时，动静触点间电压突然上升，两触点间产生电弧，随着动触点的分离，电弧被逐渐拉长，由交流电弧熄灭原理电弧在过零点熄灭。由图可知最终在b点时电弧熄灭，此时两触点间电流为0，实现了切断电路。从中可以提取出燃弧时间、燃弧能量、平均燃弧功率、释放时间、分闸相角特征参数。

图3为交流接触器在合闸过程中的触点电压、触点电流以及线圈电流波形图。由于线圈电流数值相比于另外两条曲线太小，不易观察，所以对其放大了100倍。从图中可以看出在d点时接触器线圈通电，电磁吸力逐渐增大。在e点时触点间出现电流，说明动静触头第一次接触导电，从图中可以看到在e点后触点间电压出现波动，这是由于闭合时触头的弹跳引起的。在f点后触点电压稳定，动静触头稳定吸合，主回路接通导电。从中可以提取出弹跳时间、吸合时间合闸相角和接触电阻。

图4为交流接触器吸合-分段过程由加速度传感器测得的振动信号。首先，上位机发出吸合指令，线圈得电触头系统抖动直至首次吸合，此时动静触头碰撞发生弹跳，逐渐平稳吸合并在吸持电压下达到稳定吸合状态；再次，上位机发出分断指令，动触头获得分断方向的加速度直至可以完成分断，动触头在惯性作用下有一定弹跳现象发生。

经相关性分析，依据图5的关联程度标准图进行特征选取获得有效特征矩阵。将归一化后的有效特征矩阵做主成分分析利用贡献率大于95％的主成分获得可输入模型的特征矩阵。计算得出交流接触器运行状态表征曲线，而后就可以划分运行状态阶段。

(2)搭建KNN分类可视化模型。

本发明搭建的基于KNN分类器的交流接触器运行状态分类可视化模型，输入为保留特征信息的前M个主成分，最邻近系数K经交叉验证后选取可达到最高分类精度的K值，闵可夫斯基系数P＝2，输出为以前两个主成分为横纵坐标的区间分布散点图，输出结果示例图如图6所示。

(3)训练模型并输出理想结果。

采用随机函数以在时间序列上的特征矩阵中的70％为训练集，30％为测试集对搭建的KNN分类可视化模型进行训练，输出状态区间分布散点图与相关精度，验证模型的准确性。

在解决实际问题中，只需将交流接触器的实时运行数据作本发明上述的数据处理后输入到模型中，即可得到其实时的具有具体标签且含有实际状态意义的运行状态。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (7)

1.一种交流接触器运行状态分类可视化方法，其特征在于：

步骤1、搭建交流接触器运行状态在线监测系统，采用时域分析提取影响交流接触器运行状态的特征参数；

步骤2、利用PCC法和PCA法分析特征参数相关性生成降维后的特征矩阵；

步骤3、生成基于模态相似性度量的交流接触器运行状态表征曲线并依据阶跃点划分状态区间；

步骤4、构建基于KNN分类器的交流接触器运行状态分类可视化模型；

步骤5、进行KNN分类可视化模型训练，并验证其结果准确性。

2.根据权利要求1所述的一种交流接触器运行状态分类可视化方法，其特征在于：步骤1中，所述搭建交流接触器运行状态在线监测系统，采用时域分析提取影响交流接触器运行状态的特征参数包括：

从交流接触器分断和吸合过程中的三相触头电压和电流、线圈电压和电流、以及触头系统的振动信号中，提取燃弧时间、燃弧能量、平均燃弧功率、释放时间、弹跳时间、分闸相角、吸合时间、接触电阻、合闸相角、触头分闸速度、触头碰撞速度、触头超程和触头开距。

3.根据权利要求1所述的一种交流接触器运行状态分类可视化方法，其特征在于：步骤2中，所述利用PCC法和PCA法分析特征参数相关性生成降维后的特征矩阵包括：

步骤2.1、特征参数的皮尔逊相关性分析：

采用pearson相关性分析后，结果取绝对值；保留燃弧功率后剩下N个低相关性的参数；同时，对N个特征参数进行归一化处理；

归一化公式：

其中，x_max，x_min分别为该特征参数的最大值与最小值；x_t为t时刻的实际值；

为t时刻的归一化值，这样就得到可以进行主成分分析降维的特征矩阵；

步骤2.2、主成分析分析法特征降维：

利用PCA将反应交流接触器运行状态的数据集X＝{x₁,x₂,x₃,...,x_n}进行降维，N维的特征矩阵简化为能够保留原始特征95％贡献度的前M个主成分；其中，x_i(i＝1,2,...,n)为交流接触器某个反映运行状态的N维特征参数；即：

A、去中心化，即每一位特征值减去各自的平均值；

B、计算协方差矩阵

C、用特征值分解方法求协方差矩阵

的特征值和特征向量；

D、对特征值从大到小排序，选择其中最大的K个，然后将其对应的K个特征向量分别作为向量组成特征矩阵P；

E、将数据转换成K个特征向量构建的新空间中，即Y＝PX；

得到作为分类可视化模型输入的特征矩阵。

4.根据权利要求1所述的一种交流接触器运行状态分类可视化方法，其特征在于：步骤3中，所述生成基于模态相似性度量的交流接触器运行状态表征曲线并依据阶跃点划分状态区间包括：

步骤3.1、构建运行状态的模态相似性度量表征曲线；

用保留原始特征95％贡献度的前M个主成分作为描述状态曲线在时序轴上的模态基本量，同时，在时序上用递进的时序点的模态基本量与基态的模态基本量之间的标准化欧氏距离作为衡量交流接触器运行状态的表征形式；

对于两个N维向量X₁＝(x₁₁,x₁₂,...,x_1n)和X₂＝(x₂₁,x₂₂,...,x_2n)标准化欧氏距离公式：

式中，d₁₂为X₁和X₂之间的标准化欧氏距离，s_k为第k维主成分的标准差，x_1k和x_2k分别为X₁和X₂中第k维主成分；

将交流接触器每一次开断后运行状态特征矩阵的距离度量值与初次开断的距离度量间的变化量作为因变量，开断次数作为自变量，将得到的运行状态曲线做平滑处理后得到运行状态表征曲线；

步骤3.2、运行状态区间划分；

将交流接触器运行状态区分点划分在相似性距离度量发生突变的点：将交流接触器运行状态模态相似度距离度量第一次前定义为第一运行阶段，将交流接触器运行状态模态相似度距离度量第一次阶跃后至第二次阶跃定义为第二运行阶段，将交流接触器运行状态模态相似度距离度量第二次阶跃至交流接触器完全失效定义为第三运行阶段。

5.根据权利要求1所述的一种交流接触器运行状态分类可视化方法，其特征在于：步骤4中，所述构建基于KNN分类器的交流接触器运行状态分类可视化模型包括：

(1)确定模型的输入输出：

输入：数据集P＝{(X₁,y₁),(X₂,y₂),...,(X_n,y_n)}，其中，X_i＝{x₁,x₂,...,x₆}为实际的特征向量,y_i＝0,1,2为实际的运行状态标签；

输出：X_i＝{x₁,x₂,...,x₆}所属的类别，即运行状态阶段；

(2)选择参数K：

K值是指当决策时通过依据测试样本的K个最近邻“数据样本”作决策判断；K值的选取一般采用交叉验证法；交叉验证法包括：将数据集分为训练集与测试集；使用训练集训练模型；使用测试集测试模型的分类正确率；选择具有最大分类正确率的模型；

(3)计算未知实例与所有已知实例的距离：

指定为闵可夫斯基中的欧式距离度量，则参数P＝2；

(4)选择最近的K个已知实例，根据少数服从多数的投票法则,让未知实例归类为K个最近邻样本中最多数的类别；

(5)分类可视化实现：

分类可视化模型包括：首先，定义可视化函数中的类别符号、类别颜色、决策函数；其次，根据前两项主成分数值的最值确定出决策边界；最后，将分类结果在决策图形中进行可视化绘制。

6.根据权利要求1所述的一种交流接触器运行状态分类可视化方法，其特征在于：步骤5中，所述进行KNN分类可视化模型训练，并验证其结果准确性包括：采用随机函数在时间序列上的特征矩阵中的70％为训练集，30％为测试集对搭建的KNN分类可视化模型进行训练，输出状态区间分布散点图与相关精度，验证模型的准确性。

7.根据权利要求6所述的一种交流接触器运行状态分类可视化方法，其特征在于：在进行分类中存在四种情况：

若一个实例是正类，并且被预测为正类，即为真正类TP；

若一个实例是正类，但是被预测为负类，即为假负类FN；

若一个实例是负类，但是被预测为正类，即为假正类FP；

若一个实例是负类，并且被预测为负类，即为真负类TN；

则：

(1)准确率：

(2)精度：

(3)召回率：

(4)F1机制评分：

Images