CN115481567A - 基于多维信息融合的断路器触头烧蚀量评估方法及装置 - Google Patents

Abstract

本发明公开了一种基于多维信息融合的断路器触头烧蚀量评估方法及装置，方法中，采集断路器动作过程中的各维度信息，对各维度信息进行预处理，其中，对多维度信息进行时标对齐、采样率归一化以及信号强度归一化；基于特征参数采用特征融合算法评估触头的烧蚀量，其中，基于振动信号提取时频域能量特征以转换为特征信号，基于特征信号得到特征参数，基于特征融合算法对断路器实测数据进行评估以得到触头的烧蚀量。

Description

基于多维信息融合的断路器触头烧蚀量评估方法及装置

技术领域

本发明属于GIS高压断路器触头电寿命评估技术领域，特别是一种基于多维信息融合的断路器触头烧蚀量评估方法及装置。

背景技术

对于GIS高压断路器，开断过程中由触头系统完成灭弧，触头系统分为主触头和弧触头，其中，主触头负责载流，采用导电性较好的材料，以降低载流损耗；弧触头负责在开断和闭合时承载电弧，并采用耐烧蚀的材料。在分闸时，主触头先于弧触头断开，由弧触头拉起电弧，并在SF6气体中完成灭弧过程；在合闸时，弧触头先于主触头接触，断口电压在弧触头上完成预计穿，当弧触头接触后，主触头进一步接触，承担载流作用。

由于在多次开断后，弧触头在烧蚀作用下产生损耗，逐渐缩短，当弧触头烧蚀到一定程度后，将无法有效地承载电弧，此时，开断过程中的电弧可能引起主触头烧蚀，进而破坏整个触头系统的功能。因此，对触头系统中弧触头烧蚀的程度进行评估就具有十分重要的实际意义。

电弧能量是造成弧触头烧蚀的关键因素，但是电弧能量不容易测量。目前常用开断电流来评估电寿命，主要包括累计开断电流加权法、以及燃弧时间加权评估法、N-I_b寿命曲线法等。动态电阻法是通过测量断路器分合闸过程中电阻的变化，可以直观地反映断路器灭弧室内弧触头的烧蚀情况，但是只能在断路器停运时测量，无法实现对电寿命在线监测。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于多维信息融合的断路器触头烧蚀量评估方法及装置，实现弧触头电寿命高精度在线监测。

本发明的目的是通过以下技术方案予以实现，一种基于多维信息融合的断路器触头烧蚀量评估方法包括：

步骤S100：采集断路器动作过程中的各维度信息，各维度信息包括振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号；

步骤S200：对各维度信息进行预处理，其中，对各维度信息进行时标对齐、采样率归一化以及信号强度归一化，对振动信号进行数字滤波处理，并采用时频域变换方式将时域信号转换至时频域；

步骤S300：基于预处理后的所述各维度信息特征提取与特征值标定，其中，提取回路断口信号获得断路器弧触头接触点以及对应的主轴角位移，对回路动态电阻信号进行提取，获得断路器主触头接触点对应的主轴角位移，将主触头接触点对应的主轴角位移进行标注，将主轴角位移转换到时域，将弧触头接触点与主触头接触点的角位移转换至振动信号上；

步骤S400：基于特征参数采用特征融合算法评估触头的烧蚀量，其中，基于振动信号提取时频域能量特征以转换为特征信号，基于特征信号得到特征参数，基于特征融合算法对断路器实测数据进行评估以得到触头的烧蚀量，其中，基于振动信号提取时频域能量特征以转换为特征信号：

式中，F(t)为振动信号的特征信号，E_f(t)为t时刻振动信号特定频段的能量，E_total(t)为t时刻振动信号的总能量，基于已获取的特征信号，特征参数的获取方式为：

式中，F(t)为振动信号的特征信号，

为t时刻振动信号特定频段的能量，

为两组信号沿时间轴组合得到的特征参数。

所述的基于多维信息融合的断路器触头烧蚀量评估方法中，步骤S200中，采样率配齐采用插值法，对各维度信息中的低采样信号按整数倍做线性插值，以适配各维度信息的高采样率的信号。

所述的基于多维信息融合的断路器触头烧蚀量评估方法中，所述步骤S200中，时频域变换方式包括S变换、短时傅里叶变换、小波变换。

所述的基于多维信息融合的断路器触头烧蚀量评估方法中，所述S变换中，

对于待测信号r(t)连续S变换为：

式中，t为信号采样时间，f为信号频率，τ为平移因子，r(t)为待测信号，π为圆周率，e为自然常数，j为虚数单位，S为连续S变换结果。

对于待测信号r(t)，其离散S变换为：

其中，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数，R(k)为时间序列r(t)的离散傅里叶变换；k为离散傅里叶变换的频域采样点；m为计算过程的中间变量，π为圆周率，e为自然常数，，为虚数单位，S为离散S变换结果。

所述的基于多维信息融合的断路器触头烧蚀量评估方法中，所述特征融合算法包括ANN算法、SVM算法、KNN算法、RVM算法、深度学习神经网络算法、贝叶斯网络算法。

所述的基于多维信息融合的断路器触头烧蚀量评估方法中，RVM算法中，训练样本的特征向量为

目标向量为

RVM的分类函数模型为：

式中，x为输入的训练样本集，x_i为第i个训练样本；n为样本数量；ω为权值向量，ω＝[ω₀，ω₁，...，ω_n]^T，ω_i为ω的第i个分量；ω₀为初始权值，y为分类器输出值；K(x，x_i)为核函数，将S函数引入分类模型中，设P(t|ω)服从贝努利分布，得到似然估计概率为：

其中，P(t|ω)贝努利分布的概率函数σ(y)为S函数的概率分布函数。在贝叶斯框架下，通过极大似然法获得权值，使用高斯先验分布

为每个权值定义了约束参数以实现光滑模型，

式中，η＝[η₀，η₁，...，η_n]^T为n+1维超参数，对每个权值引入超参数，从而产生稀疏概率模型，

初始化超参数η；

根据似然估计概率对后验概率建立一个高斯近似，得到对边缘似然的一个近似，对近似的边缘似然函数最大化，并引出对超参数向量值的重新估计，重复直到超参数的向量值收敛；

将待预测数据根据RVM的分类函数模型进行预测，得到预测结果。

一种实施所述的基于多维信息融合的断路器触头烧蚀量评估方法的装置包括，

减震底座，其支承于地面；

液压弹簧操作机构，其支承于所述减震底座上；

分合闸线圈，其设于液压弹簧操作机构上；

断路器，其连接所述分合闸线圈；

模拟负载，其可控地施加负载于所述断路器；

传感器接口模块，其包括，

电压传感器，其连接所述分合闸线圈以测量回路断口信号，

角位移传感器，其设于所述断路器的主轴以测量角位移信号，

振动传感器，其设于所述分合闸线圈以测量振动信号，

电流传感器，其连接所述分合闸线圈以测量分合闸线圈电流信号，

回路动态电阻测量单元，其连接所述分合闸线圈和断路器以生成回路动态电阻信号；

嵌入式采集模块，其连接所述传感器接口模块以采集并预处理振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号，嵌入式采集模块包括模数转换器、数字隔离器、用于采样控制的微控制器、用于信号发送和存储的通讯单元和存储单元；

云计算模块，其通信连接所述通讯单元，所述云计算模块包括，

特征提取与特征值标定单元，其基于预处理后的各维度信息特征提取与特征值标定，

评估算法部署平台，其连接所述特征提取与特征值标定单元以采用特征融合算法评估触头的烧蚀量。

和现有技术相比，本发明具有以下优点：本发明所述的基于多维信息融合的断路器触头烧蚀量评估方法结合基于机器学习的诊断识别算法，能够对弧触头的烧蚀程度进行评估。首先，获取与断路器触头相关的关键信息，包括分合闸过程中的振动信号、断路器主轴角位移、分合闸线圈回路电流信号、主回路动态电阻、断口电压信号等。然后，提取多种信号在不同时刻的特征后，将触头接触段的特征进行整合归纳，得到特征参数。最后，结合分类算法，获得弧触头的烧蚀程度。此外，本发明创新性地采用振动信号与角位移信号及其他各维信息进行融合，实现了触头烧蚀量的评估。本发明的检测装置具有非侵入性，在线监测的优点，评估方法具有灵活性，可满足高压开关设备电寿命在线监测的需求。

附图说明

通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的流程图；

图2是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估装置的结构示意图；

图3是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的多维度信息采集示意图；

图4是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的采集与整合多维度信息后各维度信号的形态示意图；

图5是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的各维度信息进行预处理以及数据转换的流程示意图；

图6是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的时频域变换后得到的时频示意图；

图7是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的各维度信息特征提取的流程示意图；

图8是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的整合特征参数以及特征算法部署的流程示意图；

图9是根据本发明一个实施例的基于多维信息融合的断路器触头烧蚀量评估方法的特征信号示意图。

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图1至图9更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

为了更好地理解，如图1至图9所示，基于多维信息融合的断路器触头烧蚀量评估方法包括，

步骤S100：采集断路器动作过程中的各维度信息，各维度信息包括振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号；

步骤S200：对各维度信息进行预处理，其中，对各维度信息进行时标对齐、采样率归一化以及信号强度归一化，对振动信号进行数字滤波处理，并采用时频域变换方式将时域信号转换至时频域；

步骤S300：基于预处理后的所述各维度信息特征提取与特征值标定，其中，提取回路断口信号获得断路器弧触头接触点以及对应的主轴角位移，对回路动态电阻信号进行提取，获得断路器主触头接触点对应的主轴角位移，将主触头接触点对应的主轴角位移进行标注，将主轴角位移转换到时域，将弧触头接触点与主触头接触点的角位移转换至振动信号上；

步骤S400：基于特征参数采用特征融合算法评估触头的烧蚀量，其中，基于振动信号提取时频域能量特征以转换为特征信号，基于特征信号得到特征参数，基于特征融合算法对断路器实测数据进行评估以得到触头的烧蚀量。

所述的基于多维信息融合的断路器触头烧蚀量评估方法的优选实施方式中，步骤S200中，采样率配齐采用插值法，对各维度信息中的低采样信号按整数倍做线性插值，以适配各维度信息的高采样率的信号。

所述的基于多维信息融合的断路器触头烧蚀量评估方法的优选实施方式中，所述步骤S200中，时频域变换方式包括S变换、短时傅里叶变换、小波变换。

所述的基于多维信息融合的断路器触头烧蚀量评估方法的优选实施方式中，所述S变换中，

对于待测信号r(t)连续S变换为：

式中，t为信号采样时间，f为信号特定频率，τ为平移因子，r(t)为待测信号，π为圆周率，e为自然常数，j为虚数单位，S为连续S变换结果。

对于待测信号r(t)，其离散S变换为：

其中，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数，R(k)为时间序列r(t)的离散傅里叶变换；k为离散傅里叶变换的频域采样点；m为计算过程的中间变量，π为圆周率，e为自然常数，j为虚数单位，S为离散S变换结果。

所述的基于多维信息融合的断路器触头烧蚀量评估方法的优选实施方式中，所述特征融合算法包括ANN算法、SVM算法、KNN算法、RVM算法、深度学习神经网络算法、贝叶斯网络算法。

所述的基于多维信息融合的断路器触头烧蚀量评估方法的优选实施方式中，RVM算法中，训练样本的特征向量为

目标向量为

RVM的分类函数模型为：

式中，x为输入的训练样本集，x_i为第i个训练样本；n为样本数量；ω为权值向量，ω＝[ω₀，ω₁，...，ω_n]^T，ω_i为ω的第i个分量；ω₀为初始权值，y为分类器输出值；K(x，x_i)为核函数，将S函数引入分类模型中，设P(t|ω)服从贝努利分布，得到似然估计概率为：

其中，P(t|ω)贝努利分布的概率函数，σ(y)为S函数的概率分布函数。在贝叶斯框架下，通过极大似然法获得权值，使用高斯先验分布

为每个权值定义了约束参数以实现光滑模型，

式中，η＝[η₀，η₁，...，η_n]^T为n+1维超参数，对每个权值引入超参数，从而产生稀疏概率模型。

在一个实施例中，方法包括，

步骤S100：采集断路器动作过程中的各维度信息；

步骤S200：对各维度信息进行预处理，数据对齐与转化；

步骤S300：数据特征提取与特征值标定；

步骤S400：整合特征参数，特征算法部署。

进一步的，步骤S200包括：

步骤S201：对各项数据进行时标对齐、采样率归一化以及信号强度归一化；

步骤S202：对振动信号进行数字滤波处理，并采用时频域变换将时域信号转换至时频域。

进一步的，步骤S300包括：

步骤S301：对断口信号进行提取，获得断路器弧触头接触点以及对应的主轴角位移；

步骤S302：对动态回路电阻进行提取，获得断路器主触头接触点对应的主轴角位移；

步骤S303：将关键节点的主轴角位移转换到时域上并在其他信号上进行标注与整合。

进一步的，步骤S400包括：

步骤S401：设计特征并计算特征参数；

步骤S402：利用已知特征与特征参数，选择诊断算法对实测数据进行诊断。

在步骤S100的具体实施方式中，需要对多种数据进行采集，包括：振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号，本发明中的采集装置具备多路采集功能，其硬件组成结构如图2所示。该装置由多维度信息采集部分与评估算法部署平台组成，其中多维度信息采集部分可采集电流信号、振动信号、角位移信号、并具有模数转换器与数字隔离器，由微控制器进行采样控制，使用通讯单元与存储单元进行数据的发送与存储。在评估算法部署平台上，接收采集到的多维度信息，以及部分外部数据，并进行整合与汇总，通过数据特征提取，将得到的特征数据与经验参数对比，获得评估结果。多维度信息采集示意图如图3所示，经采集与整合后，各维度信号的形态如图4所示。

在步骤S200的具体实施方式中，对各维度信息进行预处理以及数据转换的具体实施过程如图5所示，具体包括：

步骤S201：对各项数据进行时标对齐、采样率归一化以及信号强度归一化：

由于多维信息可能由不同的采集设备进行采集，采样时标和采样率可能各不相同，因此首先需要对不同来源的数据进行采样率配齐与时标配齐。采样率配齐采用插值法，对低采样信号按整数倍做线性插值，以适配高采样率的信号。将多个设备的信号在同一时刻对齐。

步骤S202：对振动信号进行数字滤波处理，并采用时频域变换方式将时域信号转换至时频域，在实际使用中，变换方法可使用包括但不限于S变换、短时傅里叶变换、小波变换等，在该实施例中，以S变换为例进行解释：

对于待测信号r(t)连续S变换为：

式中，t为信号采样时间，f为信号特定频率，τ为平移因子，r(t)为待测信号，π为圆周率，e为自然常数，j为虚数单位，S为连续S变换结果。

对于待测信号r(t)，其离散S变换为：

其中，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数，R(k)为时间序列r(t)的离散傅里叶变换；k为离散傅里叶变换的频域采样点；m为计算过程的中间变量，π为圆周率，e为自然常数，j为虚数单位，S为离散S变换结果。

S变换后得到的时频图如图6所示。

在步骤S300的具体实施方式中，各维度信息特征提取的实施过程如图7所示，包括：

步骤S301：对断口信号进行提取，获得断路器弧触头接触点以及对应的主轴角位移。断口信号为近似阶跃信号，取其转折时刻作为电接触时刻，并获得该时刻的角位移。

步骤S302：对动态回路电阻进行提取，获得断路器主触头接触点对应的主轴角位移，将主触头接触点对应的主轴角位移进行标注。

步骤S303：将关键节点的主轴角位移转换到时域上并在其他信号上进行标注与整合，将弧触头接触点与主触头接触点的角位移转换至振动信号上。

在步骤S400的具体实施方式中，整合特征参数，特征算法部署的具体实施过程如图8所示，具体包括：

步骤S401：在振动信号中，提取时频域能量特征，将原始信号转换为特征信号，并通过特征信号反映触头的关键节点，如图9所示。其中，基于振动信号提取时频域能量特征以转换为特征信号的具体过程为：

式中，F(t)为振动信号的特征信号，E_f(t)为t时刻振动信号特定频段的能量，该特征频段由触头接触段信号进行傅里叶变换后，在高频部分的差异频段构成，在该实施例中，特征频段取[7kHz，12kHz]。E_total(t)为t时刻振动信号的总能量。基于已获取的特征信号，特征参数的获取方式为：

式中，F(t)为振动信号的特征信号，

为t时刻振动信号特定频段的能量，

为两组信号沿时间轴组合得到的特征参数向量。

步骤S402：基于特征信号得到的特征参数，可选择多种特征融合算法对实测数据进行评估，并得到触头的烧蚀量，如：ANN、SVM、KNN、RVM、深度学习神经网络、贝叶斯网络等，在该实施例中，以RVM算法为例进行说明，实际应用中并不局限于该方法。计算过程在评估算法部署平台上实现，评估算法部署平台主要由具有部署多种评估算法的计算单元，以及对特征参数数据进行汇总的通信单元组成，在该实施例中，采用了EAIDK-610型边缘计算平台，EAIDK-610平台采用了RK3399作为主芯片，CPU采用四核Cortex-A53+双核Cortex-A72，GPU采用了四核图像处理器Mail-T860，CPU主频1.8GHZ，运行内存采用双通道LPDDR3(64-bit)4GB，实际应用中并不局限于该装置。

RVM算法是一种基于总体贝叶斯框架下的稀疏概率模型，假设训练样本的特征向量为

目标向量为

RVM的分类函数模型定义为：

式中，x为输入的训练样本集，x_i为第i个训练样本；n为样本数量；ω为权值向量，ω＝[ω₀，ω₁，...，ω_n]^T，ω_i为ω的第i个分量；ω₀为初始权值，y为分类器输出值；K(x，x_i)为核函数。将S函数(logistic sigmoid)引入分类模型中，假设P(t|ω)服从贝努利分布，这里的分类问题不包含噪声变量σ²，得到似然估计概率为：

其中，P(t|ω)贝努利分布的概率函数，σ(y)＝1/(1+e^-y)为S函数的概率分布函数。在贝叶斯框架下，通过极大似然法可以获得权值，RVM为防止过学习现象，使用高斯先验分布

为每个权值定义了约束参数以实现光滑模型。

式中，η＝[η₀，η₁，...，η_n]^T为n+1维超参数，对每个权值引入超参数，从而产生稀疏概率模型。

通过RVM对断路器实测数据进行评估的学习和预测过程为：

(1)初始化超参数向量η；

(2)根据式(4)对后验概率建立一个高斯近似，得到对边缘似然的一个近似；

(3)对近似的边缘似然函数最大化，并引出对超参数向量值的重新估计；

(4)重复步骤(2)和(3)，直到超参数向量值收敛。

(5)将待预测数据根据式(3)进行预测，得到预测结果。

根据实测数据对触头烧蚀量评估结果如表1所示：

表1

本发明所述的基于多维信息融合的触头烧蚀量评估装置，通过多维信息融合、特征提取、特征参数整定、基于深度学习的高压GIS触头烧蚀量诊断模型，有效实现了对弧触头烧蚀量的在线评估，相比目前同领域其他方法而言，本发明具有可在线监测、非侵入式等优点，为实现高压电力设备的故障诊断打下了坚实基础。

一种实施所述的基于多维信息融合的断路器触头烧蚀量评估方法的装置包括，

减震底座，其支承于地面；

液压弹簧操作机构，其支承于所述减震底座上；

分合闸线圈，其设于液压弹簧操作机构上；

断路器，其连接所述分合闸线圈；

模拟负载，其可控地施加负载于所述断路器；

传感器接口模块，其包括，

电压传感器，其连接所述分合闸线圈以测量回路断口信号，

角位移传感器，其设于所述断路器的主轴以测量角位移信号，

振动传感器，其设于所述分合闸线圈以测量振动信号，

电流传感器，其连接所述分合闸线圈以测量分合闸线圈电流信号，

回路动态电阻测量单元，其连接所述分合闸线圈和断路器以生成回路动态电阻信号；

嵌入式采集模块，其连接所述传感器接口模块以采集并预处理振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号，嵌入式采集模块包括模数转换器、数字隔离器、用于采样控制的微控制器、用于信号发送和存储的通讯单元和存储单元；

云计算模块，其通信连接所述通讯单元，所述云计算模块包括，

特征提取与特征值标定单元，其基于预处理后的各维度信息特征提取与特征值标定，

评估算法部署平台，其连接所述特征提取与特征值标定单元以采用特征融合算法评估触头的烧蚀量。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (7)

1.一种基于多维信息融合的断路器触头烧蚀量评估方法，其特征在于，其包括以下步骤，

步骤S100：采集断路器动作过程中的各维度信息，各维度信息包括振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号；

步骤S200：对各维度信息进行预处理，其中，对各维度信息进行时标对齐、采样率归一化以及信号强度归一化，对振动信号进行数字滤波处理，并采用时频域变换方式将时域信号转换至时频域；

步骤S300：基于预处理后的所述各维度信息特征提取与特征值标定，其中，提取回路断口信号获得断路器弧触头接触点以及对应的主轴角位移，对回路动态电阻信号进行提取，获得断路器主触头接触点对应的主轴角位移，将主触头接触点对应的主轴角位移进行标注，将主轴角位移转换到时域，将弧触头接触点与主触头接触点的角位移转换至振动信号上；

步骤S400：基于特征参数采用特征融合算法评估触头的烧蚀量，其中，基于振动信号提取时频域能量特征以转换为特征信号，基于特征信号得到特征参数，基于特征融合算法对断路器实测数据进行评估以得到触头的烧蚀量，其中，基于振动信号提取时频域能量特征以转换为特征信号：

式中，F(t)为振动信号的特征信号，E_f(t)为t时刻振动信号特定频段的能量，E_total(t)为t时刻振动信号的总能量，基于已获取的特征信号，特征参数的获取方式为：

式中，F(t)为振动信号的特征信号，

为t时刻振动信号特定频段的能量，

为两组信号沿时间轴组合得到的特征参数。

2.根据权利要求1所述的基于多维信息融合的断路器触头烧蚀量评估方法，其中，优选的，步骤S200中，采样率配齐采用插值法，对各维度信息中的低采样信号按整数倍做线性插值，以适配各维度信息的高采样率的信号。

3.根据权利要求1所述的基于多维信息融合的断路器触头烧蚀量评估方法，其中，所述步骤S200中，时频域变换方式包括S变换、短时傅里叶变换、小波变换。

4.根据权利要求3所述的基于多维信息融合的断路器触头烧蚀量评估方法，其中，所述S变换中，

对于待测信号r(t)连续S变换为：

式中，t为信号采样时间，f为信号频率，τ为平移因子，r(t)为待测信号，π为圆周率，e为自然常数，j为虚数单位，S为连续S变换结果；

对于待测信号r(t)，其离散S变换为：

其中，x为按一定时间长间隔的时间采样点编号，y为按一定频率长间隔的频率采样点编号，T为采样周期，N为采样点数，R(k)为时间序列r(t)的离散傅里叶变换；k为离散傅里叶变换的频域采样点；m为计算过程的中间变量，π为圆周率，e为自然常数，j为虚数单位，S为离散S变换结果。

5.根据权利要求1所述的基于多维信息融合的断路器触头烧蚀量评估方法，其中，所述特征融合算法包括ANN算法、SVM算法、KNN算法、RVM算法、深度学习神经网络算法、贝叶斯网络算法。

6.根据权利要求5所述的基于多维信息融合的断路器触头烧蚀量评估方法，其中，RVM算法中，训练样本的特征向量为

目标向量为

RVM的分类函数模型为：

式中，x为输入的训练样本集，x_i为第i个训练样本；n为样本数量；ω为权值向量，ω＝[ω₀，ω₁，...，ω_n]^T，ω_i为ω的第i个分量；ω₀为初始权值，y为分类器输出值；K(x，x_i)为核函数，将S函数引入分类模型中，设P(t|ω)服从贝努利分布，得到似然估计概率为：

其中，P(t|ω)贝努利分布的概率函数，σ(y)为S函数的概率分布函数，在贝叶斯框架下，通过极大似然法获得权值，使用高斯先验分布

为每个权值定义了约束参数以实现光滑模型，

式中，η＝[η₀，η₁，...，η_n]^T为n+1维超参数，对每个权值引入超参数，从而产生稀疏概率模型；

初始化超参数η；

根据似然估计概率对后验概率建立一个高斯近似，得到对边缘似然的一个近似，对近似的边缘似然函数最大化，并引出对超参数向量值的重新估计，重复直到超参数的向量值收敛；

将待预测数据根据RVM的分类函数模型进行预测，得到预测结果。

7.一种实施根据权利要求1-6任一项所述的基于多维信息融合的断路器触头烧蚀量评估方法的装置，其特征在于，其包括，

减震底座，其支承于地面；

液压弹簧操作机构，其支承于所述减震底座上；

分合闸线圈，其设于液压弹簧操作机构上；

断路器，其连接所述分合闸线圈；

模拟负载，其可控地施加负载于所述断路器；

传感器接口模块，其包括，

电压传感器，其连接所述分合闸线圈以测量回路断口信号，

角位移传感器，其设于所述断路器的主轴以测量角位移信号，

振动传感器，其设于所述分合闸线圈以测量振动信号，

电流传感器，其连接所述分合闸线圈以测量分合闸线圈电流信号，

回路动态电阻测量单元，其连接所述分合闸线圈和断路器以生成回路动态电阻信号；

嵌入式采集模块，其连接所述传感器接口模块以采集并预处理振动信号、角位移信号、分合闸线圈电流信号、回路断口信号以及回路动态电阻信号，嵌入式采集模块包括模数转换器、数字隔离器、用于采样控制的微控制器、用于信号发送和存储的通讯单元和存储单元；

云计算模块，其通信连接所述通讯单元，所述云计算模块包括，

特征提取与特征值标定单元，其基于预处理后的各维度信息特征提取与特征值标定，

评估算法部署平台，其连接所述特征提取与特征值标定单元以采用特征融合算法评估触头的烧蚀量。

Images