CN116383602A - 考虑噪声与样本量的gis隔离开关机械缺陷辨识方法 - Google Patents

Abstract

本发明涉及一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，属于电力技术领域。该方法包括多加速度传感器布置、振动信号的频率分析、去噪、信息对获取、特征提取、构建神经网络并进行训练、神经网络模型再训练和GIS隔离开关机械缺陷诊断几大步骤。本发明提供的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法采样方便，对于隔离开关机械缺陷辨识准确率高，解决了难以通过单一信号处理算法去噪的问题，并采用迁移学习解决样本量过小，不能全方位反应全部缺陷的问题；本发明能够较高精度的获得GIS隔离开关机械状态，有助于提高电力系统的稳定运行。

Description

考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法

技术领域

本发明属于电力技术领域，具体涉及一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法。

背景技术

隔离开关是电力系统中的重要节点，是变电环节应用最多的开关设备，其机械状态对电力系统的稳定运行有重要影响。近年来隔离开关故障频发，其常见故障有分合闸不到位、卡涩、三相不同期等，如分合闸不到位缺陷，在母线侧隔离开关分闸不到位情况下操作接地开关，发生短路接地故障，是电力系统中的严重事故。因此，对于隔离开关的机械状态检测是电力系统关注的重要内容。

隔离开关又分成两种，敞开式隔离开关和气体绝缘类隔离开关(GIS)，对于敞开式隔离开关机械状态的检测手段有：压力传感器、姿态传感器、微动开关等直接检测方式与电机电流、振动信号检测两种状态感知方式。其中前几种直接检测方式，不适用于GIS隔离开关，因为GIS隔离开关的触头触指均密封在气体腔中，直接检测方式难以布置传感器，如果预先布置传感器，也存在信号线难以引出等问题，是工业上完全不能接受的，也有一种方式是将行程开关安装在GIS的机构箱内检测其分合闸行程，但是这种方式对于卡涩，连杆断裂等严重故障难以检测。所以在分析现有技术不足时，主要分析状态感知方式的不足：

1.驱动电机电流感知：

中国专利CN113933567A公开了一种GIS隔离开关分合状态在线监测系统，包括：霍尔传感器，用于获取待测隔离开关的电机电流数值；所述电机电流数值包括：所述待测隔离开关从分位至合位动作的电机电流数值，以及所述待测隔离开关从合位至分位的电机电流数值；监测装置，与所述霍尔传感器通过屏蔽电缆，及采用航空接头连接；所述监测装置接收所述电机电流数值并转换为电流时间波形；数据分析诊断仪，与所述监测装置无线连接；所述数据分析诊断仪用于获取所述电流时间波形及预先存储于所述监测装置中的正常电流时间波形并对比分析，得到状态判定结果。从而准确判断GIS隔离开关的分合动作到位情况，从而确保电气设备的安全。

上述专利是一种驱动电机电流状态感知的方式，虽然其描述中表示是监测GIS隔离开关的分合状态，但是基于电机电流的检测方式，理论上是可以反应GIS隔离开关的所有机械状态的，因为机械状态的改变一定会反应在电机的转轴上，这种机械状态的改变也一定会带来电机电流的改变，但是有一个前提，也是包括上述专利在内的所有基于电机电流检测方法的统一缺陷：需要驱动电机的驱动电压不变，当电压改变时，如果不对电压进行测量，则所有的关于机械状态改变引起电流改变的结论不成立。基于电机电流的检测方法即使在考虑电流的前提下，也没有一个缺陷就是电压和电流之间的相位如果发生变化，则电流反应机械状态的结论也不成立。

2.振动信号感知：

中国专利CN115201673A提供了一种GIS设备隔离开关异常振动在线监测系统，涉及变电站设备监测领域，其包括车体以及均安设于所述车体上的数据处理模块、数据输出模块以及图像采集模块；所述图像处理模块用于采集隔离开关的图像并将所述隔离开关的图像发送至所述数据处理模块，所述数据处理模块分析并判定所述隔离开关的位置和所述隔离开关的开关动作趋势，并将分析判断的结果转换为开关位置及状态信号，并对所述开关位置及所述状态信号进行标记；所述数据输出模块将所述标记发送至移动终端。本发明具有保证对隔离开关操作依据准确无误，减少人工工作量，提高工作效率，降低误操作和意外事故发生的优点。

上述专利是一个隔离开关振动信号的检测手段，事实上，通过振动信号对隔离开关进行监测的方案分成两种(例如文献[1]～文献[4])：

(1)检测隔离开关分合闸过程中的振动信号，通过这种振动信号来反应隔离开关的机械状态。其底层逻辑是隔离开关机械状态的改变一定会在分合闸过程中的振动信号体现出来，因为振动是由机械产生的，因此振动信号中包含了机械结构的所有信息。

(2)通过对合闸、通流状态下的隔离开关的振动信号进行监测，分析其触头接触状态。其理论依据是，通过推导，隔离开关在通流状态下，其腔体会受到一个工频二倍频的电磁力，一旦触头接触状态改变，这种二倍频在振动信号中所占的比例也会改变，通过对振动信号中二倍频含量的分析，推导GIS隔离开关的机械状态。

[1]吴旭涛,赵晋飞,马云龙,何宁辉,马波,李军浩.基于多频激励下振动响应的GIS机械缺陷诊断方法[J].电力电容器与无功补偿,2022,43(04):108-115.DOI:10.14044/j.1674-1757.pcrpc.2022.04.015.

[2]陈富国,蔡杰,李中旗.基于长短时记忆网络的高压隔离开关故障诊断研究[J].中国测试,2022,48(07):114-119.

[3]王旭鹏.GIS设备振动状态检测及隔离开关接触不良缺陷识别方法研究[D].重庆大学,2021.DOI:10.27670/d.cnki.gcqdu.2021.002650.

[4]赵廷刚,刘浩,苏旭辉,刘佩,江浣,赵莉华.基于振动信号的GIS隔离开关触头接触缺陷试验研究[J].水电能源科学,2020,38(04):158-161.

但是所有的基于振动信号的检测手段均有以下缺点与不足：

1)去噪方式的不足，所有现阶段的基于振动信号的GIS隔离开关机械状态感知，都有一个难以回避的问题，就是去噪，因为现场环境十分复杂，振动信号的来源不只是上面提到的两点。还有环境噪声(环境噪声包含其他带电设备的振动、风吹、导线舞动等)也会产生振动。而现有的去噪方法，多是采用复杂程度很高的智能算法，或者信号处理算法，所需计算量过大，不适宜现场应用，更重要的是，现在的去噪手段都是针对单一场景，比如具体某一组实测信号，或者实验环境噪声，而变电站现场，环境噪声各不相同，即使在同一个变电站中，不同的位置，噪声也不相同，因此现有技术的去噪方法都不具备工业普及性。

2)样本量小的不足，无论是通过振动仿真的手段还是通过实验或者实测的方式，所获的样本数量太小，不足以支撑智能算法的训练，或者说这样训练出来的算法模型，仅对其所采集的样本范围内的故障种类有诊断能力且在量化能力上不能超出其样本故障程度的量化区间。一旦超出样本区间，则诊断算法容易产生漏报，误报。

因此如何克服现有技术的不足是目前本技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法。

为实现上述目的，本发明采用的技术方案如下：

一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，包括如下步骤：

步骤一：多加速度传感器布置：

在隔离开关本体的四周，且在GIS设备腔体的内表面上安装多个加速度传感器；

在GIS设备，运行时，采集所有加速度传感器的信号，获得以时间为横坐标、以幅值为纵坐标的谱图；

步骤二：振动信号的频率分析：

对步骤一获得的谱图进行傅里叶变换，得到不同测点振动信号的频谱；

对比不同信号同频率的幅值，若某一频率，在不同测点位的幅值均一样或者比较接近，汇总以上所有频率，作为噪音频率；

步骤三：去噪：

根据步骤二获得的噪音频率对频谱进行去噪；

步骤四：信息对获取：

对于步骤三去噪后获得的信号T，计算其频谱包络线TC1：设信号T获得时隔离开关处于机械状态S1，则TC1与S1，形成一个信息对；

通过设置不同的隔离开关机械状态，重复采集加速度传感器的信号至计算其频谱包络线；以此获得多组信息对{S1，TC1}{S2，TC2}……{Sn，TCn}；

步骤五：特征提取：

对步骤四中每一个TCx，计算其时域特征序列Fx，x＝1，2，3……n；

所述的时域特征包括均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差和偏度中的k个；2≥k≥10；

将步骤四中的信息对中的TCx替换为Fx，得到新的信息对{Sx，Fx}；

步骤六：构建神经网络并进行训练：

采用卷积神经网络，使用开源库的源域数据，且采用的源域数据为高频数据，进行卷积神经网络训练，得到神经网络模型；

步骤七：神经网络模型再训练；

用步骤五所得的新的信息对，训练步骤六已经预训练好的模型的后m层，得到GIS隔离开关机械缺陷辨识模型；其中m<k；

步骤八：GIS隔离开关机械缺陷诊断：

在隔离开关本体的四周按照步骤一的方法进行多加速度传感器布置，并进行信号采集，之后通过步骤二至步骤五所述的方法，获得该信号所对应的时域特征序列Fx，并将其输入到步骤七获得的GIS隔离开关机械缺陷辨识模型中，获得隔离开关机械状态。

进一步，优选的是，步骤一中，多加速度传感器布置方法具体为：在隔离开关本体的上方，且在GIS设备腔体的内上表面安装多个加速度传感器；在隔离开关本体的前侧方，且在GIS设备腔体的前表面安装多个加速度传感器。进一步，优选的是，步骤一中，所述的加速度传感器为振动信号传感器。

进一步，优选的是，步骤二中，在不同测点位的幅值比较接近是指，幅值变化小于2％。

进一步，优选的是，步骤三中，去噪采用带通滤波器。

进一步，优选的是，步骤五中，

其中，

F_p，F_rms，F_ptv，，F_sra，F_pi，F_std，F_wi，F_var，F_sk依次代表均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差、偏度。

进一步，优选的是，步骤七中，训练时，以Fx作为输入，Sx作为输出。

本发明采用多传感器的方式进行共性频率去噪，并采用控制量控制层数的迁移学习方式进行状态诊断，提高了准确性，减小了样本需求数。具体地，通过部署多传感器进行噪声识别，在GIS腔体不同位置部署振动传感器，通过分析不同传感器信号的共性部分，将共性部分定义为噪声，并基于此定义进行去噪，以此解决不同场景/环境/不同变电站中噪声成分不同，难以通过单一信号处理算法去噪的问题，进一步通过”控制量多于被控制量”思想，采用迁移学习的方式进行模型训练，解决两个问题，一是迁移学习可以解决样本量过小，不能全方位反应全部缺陷的问题，二是通过控制量对于被控制量的思想对迁移学习的层数进行设计，以保证算法的准确性。

本发明与现有技术相比，其有益效果为：

本发明解决不同场景、环境、不同变电站中噪声成分不同，难以通过单一信号处理算法去噪的问题，进一步通过”控制量多于被控制量”思想，采用迁移学习的方式进行模型训练，解决两个问题，一是迁移学习可以解决样本量过小，不能全方位反应全部缺陷的问题，二是通过控制量对于被控制量的思想对迁移学习的层数进行设计，以保证算法的准确性。重点解决基于振动信号的算法，因为信号处理手段复杂，噪音来源以及噪音频谱变化巨大带来的难以实际落地的问题。

本发明提供的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法采样方便，不受电压变化影响，对于隔离开关机械缺陷辨识准确率高，超过98％，能够较高精度的获得GIS隔离开关机械状态，有助于提高电力系统的稳定运行。

附图说明

图1为GIS设备的整体结构示意图；

图2为某测点采集的经过傅里叶变换获得的频谱图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

实施例1

一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，包括如下步骤：

步骤一：多加速度传感器布置：

在隔离开关本体的四周，且在GIS设备腔体的内表面上安装多个加速度传感器；

在GIS设备，运行时，采集所有加速度传感器的信号，获得以时间为横坐标、以幅值为纵坐标的谱图；

步骤二：振动信号的频率分析：

对步骤一获得的谱图进行傅里叶变换，得到不同测点振动信号的频谱；

对比不同信号同频率的幅值，若某一频率，在不同测点位的幅值均一样或者比较接近，汇总以上所有频率，作为噪音频率；

步骤三：去噪：

根据步骤二获得的噪音频率对频谱进行去噪；

步骤四：信息对获取：

对于步骤三去噪后获得的信号T，计算其频谱包络线TC1：设信号T获得时隔离开关处于机械状态S1，则TC1与S1，形成一个信息对；

通过设置不同的隔离开关机械状态，重复采集加速度传感器的信号至计算其频谱包络线；以此获得多组信息对{S1，TC1}{S2，TC2}……{Sn，TCn}；

步骤五：特征提取：

对步骤四中每一个TCx，计算其时域特征序列Fx，x＝1，2，3……n；

所述的时域特征包括均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差和偏度中的k个；2≥k≥10；

将步骤四中的信息对中的TCx替换为Fx，得到新的信息对{Sx，Fx}；

步骤六：构建神经网络并进行训练：

采用卷积神经网络，使用开源库的源域数据，且采用的源域数据为高频数据，进行卷积神经网络训练，得到神经网络模型；

步骤七：神经网络模型再训练；

用步骤五所得的新的信息对，训练步骤六已经预训练好的模型的后m层，得到GIS隔离开关机械缺陷辨识模型；其中m<k；

步骤八：GIS隔离开关机械缺陷诊断：

在隔离开关本体的四周按照步骤一的方法进行多加速度传感器布置，并进行信号采集，之后通过步骤二至步骤五所述的方法，获得该信号所对应的时域特征序列Fx，并将其输入到步骤七获得的GIS隔离开关机械缺陷辨识模型中，获得隔离开关机械状态。

实施例2

一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，包括如下步骤：

步骤一：多加速度传感器布置：

在隔离开关本体的四周，且在GIS设备腔体的内表面上安装多个加速度传感器；

在GIS设备，运行时，采集所有加速度传感器的信号，获得以时间为横坐标、以幅值为纵坐标的谱图；

步骤二：振动信号的频率分析：

对步骤一获得的谱图进行傅里叶变换，得到不同测点振动信号的频谱；

对比不同信号同频率的幅值，若某一频率，在不同测点位的幅值均一样或者比较接近，汇总以上所有频率，作为噪音频率；

步骤三：去噪：

根据步骤二获得的噪音频率对频谱进行去噪；

步骤四：信息对获取：

对于步骤三去噪后获得的信号T，计算其频谱包络线TC1：设信号T获得时隔离开关处于机械状态S1，则TC1与S1，形成一个信息对；

通过设置不同的隔离开关机械状态，重复采集加速度传感器的信号至计算其频谱包络线；以此获得多组信息对{S1，TC1}{S2，TC2}……{Sn，TCn}；

步骤五：特征提取：

对步骤四中每一个TCx，计算其时域特征序列Fx，x＝1，2，3……n；

所述的时域特征包括均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差和偏度中的k个；2≥k≥10；

将步骤四中的信息对中的TCx替换为Fx，得到新的信息对{Sx，Fx}；

步骤六：构建神经网络并进行训练：

采用卷积神经网络，使用开源库的源域数据，且采用的源域数据为高频数据，进行卷积神经网络训练，得到神经网络模型；

步骤七：神经网络模型再训练；

用步骤五所得的新的信息对，训练步骤六已经预训练好的模型的后m层，得到GIS隔离开关机械缺陷辨识模型；其中m＜k；

步骤八：GIS隔离开关机械缺陷诊断：

在隔离开关本体的四周按照步骤一的方法进行多加速度传感器布置，并进行信号采集，之后通过步骤二至步骤五所述的方法，获得该信号所对应的时域特征序列Fx，并将其输入到步骤七获得的GIS隔离开关机械缺陷辨识模型中，获得隔离开关机械状态。

步骤一中，多加速度传感器布置方法具体为：在隔离开关本体的上方，且在GIS设备腔体的内上表面安装多个加速度传感器；在隔离开关本体的前侧方，且在GIS设备腔体的前表面安装多个加速度传感器。进一步，优选的是，步骤一中，所述的加速度传感器为振动信号传感器。

步骤二中，在不同测点位的幅值比较接近是指，幅值变化小于2％。

步骤三中，去噪采用带通滤波器。

步骤五中，

其中，

F_p，F_rms，F_ptv，F_sra，F_pi，F_std，F_wi，F_var，F_sk依次代表均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差、偏度。

步骤七中，训练时，以Fx作为输入，Sx作为输出。

应用实例

一种考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，包括如下步骤：

步骤一：多加速度传感器布置：

如图1所示，是一个GIS设备的整体结构，其中隔离开关在设备中的位置如图所示，在隔离开关本体的上方，且在GIS设备腔体的内上表面安装多个加速度传感器A(也就是振动信号传感器)，在隔离开关本体的前侧方，且在GIS设备腔体的内前表面安装多个加速度传感器B；或不同远离位置安装多个加速度传感器(图中只画了一个A、B，省略了其它的；A、B的具体位置没有特殊要求，最好距离远一点)，在设备运行时，采集所有加速度传感器的信号，记为S(A)，S(B)，S(C)……，以上信号都是一个横轴为时间，纵轴为幅值的时间序列。

步骤二：振动信号的频率分析：：

所采用的方式就是傅里叶变换，因为傅里叶变换是一个特别常用的方法，更适用于工业应用。通过傅里叶变换得到不同测点振动信号的频谱。

频谱图示意图如图2所示，对比不同信号同频率的幅值，若某一频率，在不同测点位的幅值均一样或者比较接近，汇总以上所有频率，作为噪音频率。

这一步的原理是，将设备分成两个部分，隔离开关一个部分，设备的其他部分为一个部分，其他部分的振动信号对于隔离开关的振动信号是噪音，通过这种布点，明显远离隔离开关位置的点受到隔离开关振动影响小，更能反应其他部分的振动信号。而对于整个设备以外带来的噪音，比如风吹等，也是在每一个信号上都有提现，通过这种方式进行去噪，不预设固定值，仅通过传感器之间的幅值差值就能进行，此处需要注意的是：其他基于振动信号的故障诊断，也有多传感器布点这种方式，但是他们的布点，找的是敏感点，找的是哪里振动大，哪里的振动更能反应机械状态，而本发明方法找的是噪音。

步骤三：去噪：

已经有了噪音频率，只需要采用相应的带通滤波器，使信号通过所设计的带通滤波器，就可以得到与隔离开关机械状态相关的部分振动信号；带通滤波器采用现有的、或者采用现有方法设计即可，本发明对此不作限定。

步骤四：信息对获取

对于步骤三，原始信号经过滤波器获得的信号T，计算其频谱包络线TC1：设信号T获得时隔离开关处于机械状态S1，则TC1与S1，形成一个信息对，可以用作后续的模型训练。设置不同的隔离开关机械状态S2，重复步骤二，步骤三获得TC2，进一步重复，获得多组信息对{S1，TC1}{S2，TC2}……{Sn，TCn}；

步骤五：特征提取：对步骤四中每一个TCx(x＝1，2，3……n)，计算如下时域特征；

表1

并将TCx的各特征按照同样的顺序组成一个数列

将步骤四中的信息对中的TCx替换为Fx，注意，此处Fx中可以不包含上表中的所有数据，记Fx共有k项，k≤10。

步骤六：构建神经网络并进行训练

采用卷积神经网络，该卷积神经网络为现有的，本发明对此不做限定。但是需要注意的是，所采用的训练数据，不是步骤四或者五的数据，而是在网上寻找开源库的其他高频数据，哪种都行(这个数据叫做源域数据，源域数据可以是开源库里的任何高频数据)，先把模型初步训练一下，这是迁移学习的基本思想，这样采用本发明数据训练时，模型可以更快的收敛，就是所需要的步骤二至五的数据较少。

步骤七：神经网络模型再训练；

用步骤五所得的信息对，训练步骤六已经预训练好的模型的后m层，其中m<k。

这一步要解释两个问题，一是迁移学习就是用其他数据先预训练一次整个多层神经网络，然后用本发明的目标样本训练后m层，这里的m的选择是，有几个故障就选择几个，比如我们的目标是诊断五个类型的故障，则m＝5。

k>m的含义是控制思想中的：当控制量多于被控制量时，才能进行收敛控制，相当于给神经网络的黑箱结构加上一个收敛限制，这样既可以减小训练量，又可以提高准确度。

注：训练数据时输入的是新的信息对，信息对是{Sx，Fx}这一对，Fx作为输入，Sx作为输出。

步骤八：GIS隔离开关机械缺陷诊断：

在隔离开关本体的四周按照步骤一的方法进行多加速度传感器布置，并进行信号采集，之后通过步骤二至步骤五所述的方法，获得该信号所对应的时域特征序列Fx，并将其输入到步骤七获得的GIS隔离开关机械缺陷辨识模型中，获得隔离开关机械状态，完成诊断，本方法可诊断的隔离开关机械故障包括：三相不同期、对中不准、分合闸动作不到位、卡涩、异常卡涩。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，包括如下步骤：

步骤一：多加速度传感器布置：

在隔离开关本体的四周，且在GIS设备腔体的内表面上安装多个加速度传感器；

在GIS设备，运行时，采集所有加速度传感器的信号，获得以时间为横坐标、以幅值为纵坐标的谱图；

步骤二：振动信号的频率分析：

对步骤一获得的谱图进行傅里叶变换，得到不同测点振动信号的频谱；

对比不同信号同频率的幅值，若某一频率，在不同测点位的幅值均一样或者比较接近，汇总以上所有频率，作为噪音频率；

步骤三：去噪：

根据步骤二获得的噪音频率对频谱进行去噪；

步骤四：信息对获取：

对于步骤三去噪后获得的信号T，计算其频谱包络线TC1：设信号T获得时隔离开关处于机械状态S1，则TC1与S1，形成一个信息对；

通过设置不同的隔离开关机械状态，重复采集加速度传感器的信号至计算其频谱包络线；以此获得多组信息对{S1，TC1}{S2，TC2}……{Sn，TCn}；

步骤五：特征提取：

对步骤四中每一个TCx，计算其时域特征序列Fx，x＝1，2，3……n；

所述的时域特征包括均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差和偏度中的k个；2≥k≥10；

将步骤四中的信息对中的TCx替换为Fx，得到新的信息对{Sx，Fx}；

步骤六：构建神经网络并进行训练：

采用卷积神经网络，使用开源库的源域数据，且采用的源域数据为高频数据，进行卷积神经网络训练，得到神经网络模型；

步骤七：神经网络模型再训练；

用步骤五所得的新的信息对，训练步骤六已经预训练好的模型的后m层，得到GIS隔离开关机械缺陷辨识模型；其中m<k；

步骤八：GIS隔离开关机械缺陷诊断：

在隔离开关本体的四周按照步骤一的方法进行多加速度传感器布置，并进行信号采集，之后通过步骤二至步骤五所述的方法，获得该信号所对应的时域特征序列Fx，并将其输入到步骤七获得的GIS隔离开关机械缺陷辨识模型中，获得隔离开关机械状态。

2.根据权利要求1所述的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，步骤一中，多加速度传感器布置方法具体为：在隔离开关本体的上方，且在GIS设备腔体的内上表面安装多个加速度传感器；在隔离开关本体的前侧方，且在GIS设备腔体的前表面安装多个加速度传感器。

3.根据权利要求1所述的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，步骤一中，所述的加速度传感器为振动信号传感器。

4.根据权利要求1所述的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，步骤二中，在不同测点位的幅值比较接近是指，幅值变化小于2％。

5.根据权利要求1所述的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，步骤三中，去噪采用带通滤波器。

6.根据权利要求1所述的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，步骤五中，

其中，

F_p，F_rms，F_ptv，F_sra，F_pi，F_std，F_wi，F_var，F_sk依次代表均值、峰值、均方值、峰谷值、方根幅值、峰值因子、标准差、波形因子、方差、偏度。

7.根据权利要求1所述的考虑噪声与样本量的GIS隔离开关机械缺陷辨识方法，其特征在于，步骤七中，训练时，以Fx作为输入，Sx作为输出。

Images