CN117388681A - 一种高压隔离开关故障诊断方法 - Google Patents

一种高压隔离开关故障诊断方法 Download PDF

Info

Publication number
CN117388681A
CN117388681A CN202311665702.7A CN202311665702A CN117388681A CN 117388681 A CN117388681 A CN 117388681A CN 202311665702 A CN202311665702 A CN 202311665702A CN 117388681 A CN117388681 A CN 117388681A
Authority
CN
China
Prior art keywords
sparrow
entropy
isolating switch
value
optimal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311665702.7A
Other languages
English (en)
Inventor
王家勋
吴怀诚
张南
张继驰
张云鹏
谭睿
杨雪滨
孙德利
孙艳鹤
吴天驰
杨洁川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ultra High Voltage Branch Of State Grid Liaoning Electric Power Co ltd
State Grid Liaoning Electric Power Co Ltd
Original Assignee
Ultra High Voltage Branch Of State Grid Liaoning Electric Power Co ltd
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ultra High Voltage Branch Of State Grid Liaoning Electric Power Co ltd, State Grid Liaoning Electric Power Co Ltd filed Critical Ultra High Voltage Branch Of State Grid Liaoning Electric Power Co ltd
Priority to CN202311665702.7A priority Critical patent/CN117388681A/zh
Publication of CN117388681A publication Critical patent/CN117388681A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明公开一种高压隔离开关故障诊断方法，该方法通过获取隔离开关分合闸过程中的振动信号，对振动信号进行小波阈值去噪，提取振动信号在隔离开关正常操作、操作机构卡涩、单相连杆脱落及两相连杆脱落状态下的功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵、排列熵及包络熵共8种信息熵作为特征熵，组成特征向量，划分测试样本集和训练样本集，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值并输入SVM中，构建故障诊断模型，通过该方法来实现高压隔离开关在不同状态下振动信号的随机性特征提取，提高故障诊断模型的收敛精度和速度。

Description

一种高压隔离开关故障诊断方法
技术领域
本发明涉及电力技术领域，具体涉及一种高压隔离开关故障诊断方法。
背景技术
当前针对高压隔离开关的机械状态检测研究大都基于隔离开关的电机电流信号、操作力矩、姿态传感器获取的角度-时间及分合闸过程中的振动信号进行其状态检测及故障识别。其中，振动信号中蕴含着丰富的隔离开关机械状态信息，寻找合适的故障特征提取方法是实现隔离开关故障诊断的关键。目前振动信号分析常用的方法包括傅里叶变换法、小波变换法、经验模态分解法等。但由于隔离开关振动信号属于非平稳信号，上述方法难以求得其局部化特征信息。另外，越来越多的学者将人工智能方法应用于各类机械的故障诊断中，典型的人工神经网络、递归神经网络、支持向量机（SVM）等技术已经成功应用于机械故障诊断领域中。神经网络模型应用于故障诊断一般皆可取得较好的诊断识别率，但当诊断网络训练集较少或选择不当时，也很难得到好的诊断结果。而SVM的分类效果和性能与惩罚因子C和核参数σ息息相关，将群智能算法应用在SVM参数寻优，可明显优化SVM分类效果。
.小波变换法建立在傅里叶变换基础之上，无法精确描述时间与频率的关系；经验模态分解法对于不同状态下的振动信号难以设定一个确定的固有模态函数维数，不利于故障诊断算法在高压隔离开关在线监测系统中的实现。另外，由于粒子群算法自身的局限性，在迭代过程中往往存在寻优时间过长、易陷入局部最优以及鲁棒性较差等问题。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种高压隔离开关故障诊断方法，通过提取高压隔离开关在不同状态下振动信号的信息熵作为特征集，采用改进麻雀搜索算法进行支持向量机核参数寻优，将特征集作为模型输入，进行高压隔离开关故障诊断分类，通过该方法来实现高压隔离开关在不同状态下振动信号的随机性特征提取，提高故障诊断模型的收敛精度和速度。
本发明提供一种高压隔离开关故障诊断方法，包括：
获取隔离开关分合闸过程中的振动信号；
对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号；
分别提取振动信号在隔离开关正常操作、操作机构卡涩、单相连杆脱落及两相连杆脱落状态下的功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵、排列熵及包络熵共8种信息熵作为特征熵，组成特征向量，并划分测试样本集和训练样本集；
根据所述训练样本集训练高压隔离开关故障诊断模型，其中，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值；将所述惩罚因子C和核参数σ的最优值输入SVM中，构建故障诊断模型；
将所述特征向量输入到故障诊断模型中，对测试样本集进行测试，识别高压隔离开关故障。
进一步地，对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号，包括：
选定db2小波对所述振动信号进行4层小波分解；
对4层小波分解中的小波系数进行阈值处理，获得估计小波系数；
根据估计小波系数进行小波重构，获得去噪后的振动信号。
进一步地，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值，包括：
设置改进麻雀搜索算法的迭代次数及位置更新公式，其中，迭代过程中，总迭代次数50，最大迭代次数100，所述位置更新公式包括发现者、追随者、警戒者的位置更新公式；
引入立方混沌映射对麻雀种群初始化，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值；
以5折交叉验证准确率作为麻雀个体适应度函数，将训练样本集进行分类，计算麻雀个体初始适应度值，并对麻雀个体初始适应度值进行排序，确定最优适应度和最优麻雀位置；
根据所述发现者、追随者、警戒者的位置更新公式，对最优适应度和最优麻雀位置进行更新；
利用随机跟随策略对最优麻雀位置进行扰动，更新最优麻雀位置及最优适应度值；
判断当前迭代次数是否超过最大迭代次数；
如果当前迭代次数超过最大迭代次数，训练结束，输出麻雀个体全局最优位置，得到惩罚因子C和核参数σ的最优值；
如果当前迭代次数未超过最大迭代次数，跳回初始化继续循环。
进一步地，设置发现者位置更新公式的方法如下：
在发现者位置更新公式中引入惯性权重，提出线性递减权重策略，将惯性权重按照线性由大到小依次递减，公式如下：
（1）
式中：为惯性权重的最大、最小值；t为当前迭代次数；T为总迭代次数。此时发现者位置更新为：
（2）
表示第i只麻雀在第t次迭代中的第d维位置信息；/>表示第i只麻雀在第t+1次迭代中的第d维位置信息；Q为服从正态分布的随机数；/> 为麻雀种群预警值，为麻雀种群安全值，/>。
进一步地，追随者位置更新公式如下：
（3）；
式中，表示第i只麻雀在第t+1次迭代中的第d维位置信息；
表示第/>只麻雀的当前适应度值；/> 是麻雀数量，且/>表示第k只麻雀在第t次迭代中的第j维位置信息；/>表示当前全局适应度最差麻雀个体的位置；当/>时，表示第/>个跟随者处于饥饿状态，需要飞到其他地方进行觅食活动；当/>时表示，表示第/>个跟随者将在当前最优位置/>附近觅食。
进一步地，设置警戒者位置更新公式的方法如下：
麻雀种群中能感知到危险的警戒的麻雀占麻雀总量的10%~20%，警戒者的位置更新公式如下：
（4）
式中：表示第i只麻雀在第t+1次迭代中的第d维位置信息；
表示服从均值为0，方差为1的正态分布随机数；/>是-1到1之间的随机数；/>是常数；/>表示第/>只麻雀的当前适应度值，/>表示当前麻雀种群中最优适应度值，/>表示当前麻雀种群中最差适应度值。
进一步地，引入立方混沌映射对麻雀种群初始化，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值，包括：
在预设的搜索空间中随机生成一个d维向量yi作为麻雀种群的初始个体，所述预设的搜索空间的范围为[-1,1]，所述d维向量的上限为1，下限为-1；
将所述d维向量代入立方混沌映射公式（5）中，对所述d维向量的每一维进行迭代，生成麻雀种群的剩余个体；
（5）
其中，表示映射前的变量值，/>表示映射后的变量值，/>；
最后根据公式（6），将立方混沌映射产生的变量值映射到麻雀个体上，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值；
（6）
为映射后的麻雀个体位置向量；/>和/>分别为与预设的搜索空间对应的解空间的下限值和上限值；映射后的麻雀个体位置向量的每个维度的上限为/>，下限为/>。
本发明具有以下有益效果：本发明提供的一种高压隔离开关故障诊断方法，通过提取高压隔离开关在不同状态下振动信号的信息熵作为特征集，采用改进麻雀搜索算法进行支持向量机核参数寻优，将特征集作为模型输入，进行高压隔离开关故障诊断分类；通过该方法来实现高压隔离开关在不同状态下振动信号的随机性特征提取，提高故障诊断模型的收敛精度和速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中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。
图1为本发明提供的高压隔离开关故障诊断方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请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。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
请参阅图1，本发明提供一种高压隔离开关故障诊断方法，包括：
S101，获取隔离开关分合闸过程中的振动信号。
S102，对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号。
具体地，对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号，包括：选定db2小波对所述振动信号进行4层小波分解；对4层小波分解中的小波系数进行阈值处理，获得估计小波系数；根据估计小波系数进行小波重构，获得去噪后的振动信号。
S103，分别提取振动信号在隔离开关正常操作、操作机构卡涩、单相连杆脱落及两相连杆脱落状态下的功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵、排列熵及包络熵共8种信息熵作为特征熵，组成特征向量，并划分测试样本集和训练样本集。
本发明运用信息熵理论，计算多种熵值作为特征输入到后续的训练模型中，衡量振动信号的非平稳性和混乱程度。
S104，根据所述训练样本集训练高压隔离开关故障诊断模型，其中，基于改进的麻雀搜索算法得到惩罚因子C和核参数σ的最优值；将所述惩罚因子C和核参数σ的最优值输入SVM中，构建故障诊断模型。
具体地，本发明针对高压隔离开关样本库故障类别不完备造成分类器模型性能不佳的问题，提出了基于改进麻雀搜索算法的支持向量机故障诊断方法，基于改进的麻雀搜索算法得到惩罚因子C和核参数σ的最优值具体包括：
设置改进麻雀搜索算法的迭代次数及位置更新公式，其中，迭代过程中，总迭代次数50，最大迭代次数100，所述位置更新公式包括发现者、追随者、警戒者的位置更新公式。
在本实施例中，发现者、追随者、警戒者的位置更新公式设置方法分别如下：
设置发现者位置更新公式的方法如下：
在发现者位置更新公式中引入惯性权重，提出线性递减权重策略，将惯性权重按照线性由大到小依次递减，公式如下：
（1）
式中：为惯性权重的最大、最小值；t为当前迭代次数；T为总迭代次数。此时发现者位置更新为：
（2）
表示第i只麻雀在第t次迭代中的第d维位置信息；/>表示第i只麻雀在第t+1次迭代中的第d维位置信息；Q为服从正态分布的随机数； />为麻雀种群预警值，为麻雀种群安全值，/>。
追随者位置更新公式如下：
（3）
式中，表示第i只麻雀在第t+1次迭代中的第d维位置信息；
表示第/>只麻雀的当前适应度值；/> 是麻雀数量，且/>表示第k只麻雀在第t次迭代中的第j维位置信息，/>表示当前全局适应度最差麻雀个体的位置；当/>时，表示第/>个跟随者处于饥饿状态，需要飞到其他地方进行觅食活动；当/>时表示，表示第/>个跟随者将在当前最优位置/>附近觅食。
设置警戒者位置更新公式的方法如下：
麻雀种群中能感知到危险的警戒的麻雀占麻雀总量的10%~20%，警戒者的位置更新公式如下：
（4）
式中：表示第i只麻雀在第t+1次迭代中的第d维位置信息；
表示服从均值为0，方差为1的正态分布随机数；/>是-1到1之间的随机数；/>是常数；/>表示第/>只麻雀的当前适应度值，/>表示当前麻雀种群中最优适应度值，/>表示当前麻雀种群中最差适应度值。
引入立方混沌映射对麻雀种群初始化，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值。
在本实施例中，引入立方混沌映射对麻雀种群初始化，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值，包括：在预设的搜索空间中随机生成一个d维向量yi作为麻雀种群的初始个体，所述预设的搜索空间的范围为[-1,1]，所述d维向量的上限为1，下限为-1；
将所述d维向量代入立方混沌映射公式（5）中，对所述d维向量的每一维进行迭代，生成麻雀种群的剩余个体；
（5）
其中，表示映射前的变量值，/>表示映射后的变量值，/>，
最后根据公式（6），将立方混沌映射产生的变量值映射到麻雀个体上，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值；
（6）
为映射后的麻雀个体位置向量；/>和/>分别为与预设的搜索空间对应的解空间的下限值和上限值；映射后的麻雀个体位置向量的每个维度的上限为/>，下限为/>。
以5折交叉验证准确率作为麻雀个体适应度函数，将训练样本集进行分类，计算麻雀个体初始适应度值，并对麻雀个体初始适应度值进行排序，确定最优适应度和最优麻雀位置。
根据所述发现者、追随者、警戒者的位置更新公式，对最优适应度和最优麻雀位置进行更新。
利用随机跟随策略对最优麻雀位置进行扰动，更新最优麻雀位置及最优适应度值。
判断当前迭代次数是否超过最大迭代次数。如果当前迭代次数超过最大迭代次数，训练结束，输出麻雀个体全局最优位置，得到惩罚因子C和核参数σ的最优值，将所述惩罚因子C和核参数σ的最优值输入支持向量机（Support Vector Machine, SVM）中，构建故障诊断模型。如果当前迭代次数未超过最大迭代次数，跳回初始化继续循环。
本发明运用立方混沌映射系统、线性递减权重优化策略和随机跟随策略对麻雀搜索算法进行改进，将最优适应度所对应的惩罚因子和核参数作为支持向量机模型的最优参数，实现在故障样本较少时采用有限特征量对高压隔离开关的高效故障诊断。
S105，将所述特征向量输入到故障诊断模型中，对测试样本集进行测试，识别高压隔离开关故障。
由以上实施例可知，本发明的高压隔离开关故障诊断方法，通过计算振动信号的熵值可以得到信号的不确定性信息，进而表征出故障信号的特征信息。针对振动信号非线性和不确定性的特性，而且相比较大量正常样本，能收集到的高压隔离开关故障样本有限，因此选用对于小样本、非线性问题的具有优秀表现的支持向量机作为基础预测算法。本发明提出一种改进麻雀搜索算法并应用在SVM模型中，可以解决原始支持向量机算法训练出的故障模型无法对空间进行准确划分的问题，提高故障诊断模型的准确性。
本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的高压隔离开关故障诊断方法各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：Read-OnlyMemory，简称：ROM）或随机存储记忆体（英文：RandomAccessMemory，简称：RAM）等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (7)

1.一种高压隔离开关故障诊断方法，其特征在于，包括：
获取隔离开关分合闸过程中的振动信号；
对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号；
分别提取振动信号在隔离开关正常操作、操作机构卡涩、单相连杆脱落及两相连杆脱落状态下的功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、模糊熵、排列熵及包络熵共8种信息熵作为特征熵，组成特征向量，并划分测试样本集和训练样本集；
根据所述训练样本集训练高压隔离开关故障诊断模型，其中，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值；将所述惩罚因子C和核参数σ的最优值输入SVM中，构建故障诊断模型；
将所述特征向量输入到故障诊断模型中，对测试样本集进行测试，识别高压隔离开关故障。
2.根据权利要求1所述的一种高压隔离开关故障诊断方法，其特征在于，对所述振动信号进行小波阈值去噪，去除隔离开关在分合闸操作时产生的干扰信号，包括：
选定db2小波对所述振动信号进行4层小波分解；
对4层小波分解中的小波系数进行阈值处理，获得估计小波系数；
根据估计小波系数进行小波重构，获得去噪后的振动信号。
3.根据权利要求1所述的一种高压隔离开关故障诊断方法，其特征在于，基于改进麻雀搜索算法得到惩罚因子C和核参数σ的最优值，包括：
设置改进麻雀搜索算法的迭代次数及位置更新公式，其中，迭代过程中，总迭代次数50，最大迭代次数100，所述位置更新公式包括发现者、追随者、警戒者的位置更新公式；
引入立方混沌映射对麻雀种群初始化，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值；
以5折交叉验证准确率作为麻雀个体适应度函数，将训练样本集进行分类，计算麻雀个体初始适应度值，并对麻雀个体初始适应度值进行排序，确定最优适应度和最优麻雀位置；
根据所述发现者、追随者、警戒者的位置更新公式，对最优适应度和最优麻雀位置进行更新；
利用随机跟随策略对最优麻雀位置进行扰动，更新最优麻雀位置及最优适应度值；
判断当前迭代次数是否超过最大迭代次数；
如果当前迭代次数超过最大迭代次数，训练结束，输出麻雀个体全局最优位置，得到惩罚因子C和核参数σ的最优值；
如果当前迭代次数未超过最大迭代次数，跳回初始化继续循环。
4.根据权利要求3所述的一种高压隔离开关故障诊断方法，其特征在于，设置发现者位置更新公式的方法如下：
在发现者位置更新公式中引入惯性权重，提出线性递减权重策略，将惯性权重按照线性由大到小依次递减，公式如下：
（1）；
式中：为惯性权重的最大、最小值；t为当前迭代次数；T为总迭代次数；此时发现者位置更新为：
（2）；
表示第i只麻雀在第t次迭代中的第d维位置信息；/>表示第i只麻雀在第t+1次迭代中的第d维位置信息；Q为服从正态分布的随机数； />为麻雀种群预警值，/>为麻雀种群安全值，/>。
5.根据权利要求4所述的一种高压隔离开关故障诊断方法，其特征在于，追随者位置更新公式如下：
（3）；
式中，表示第i只麻雀在第t+1次迭代中的第d维位置信息；
表示第/>只麻雀的当前适应度值；/> 是麻雀数量，且/>表示第k只麻雀在第t次迭代中的第j维位置信息；/>表示当前全局适应度最差麻雀个体的位置；当/>时，表示第/>个跟随者处于饥饿状态，需要飞到其他地方进行觅食活动；当/>时表示，表示第/>个跟随者将在当前最优位置/>附近觅食。
6.根据权利要求5所述的一种高压隔离开关故障诊断方法，其特征在于，设置警戒者位置更新公式的方法如下：
麻雀种群中能感知到危险的警戒的麻雀占麻雀总量的10%~20%，警戒者的位置更新公式如下：
（4）；
式中：表示第i只麻雀在第t+1次迭代中的第d维位置信息；
表示服从均值为0，方差为1的正态分布随机数；/>是-1到1之间的随机数；/>是常数；/>表示第/>只麻雀的当前适应度值，/>表示当前麻雀种群中最优适应度值，/>表示当前麻雀种群中最差适应度值。
7.根据权利要求6所述的一种高压隔离开关故障诊断方法，其特征在于，引入立方混沌映射对麻雀种群初始化，确定麻雀个体位置向量，得到惩罚因子和核参数/>的初始值，包括：
在预设的搜索空间中随机生成一个d维向量yi作为麻雀种群的初始个体，所述预设的搜索空间的范围为[-1,1]，所述d维向量的上限为1，下限为-1；
将所述d维向量代入立方混沌映射公式（5）中，对所述d维向量的每一维进行迭代，生成麻雀种群的剩余个体；
（5）；
其中，表示映射前的变量值，/>表示映射后的变量值，/>；
最后根据公式（6），将立方混沌映射产生的变量值映射到麻雀个体上，确定麻雀个体位置向量，得到惩罚因子C和核参数σ的初始值；
（6）；
为映射后的麻雀个体位置向量；/> 和/> 分别为与预设的搜索空间对应的解空间的下限值和上限值；映射后的麻雀个体位置向量的每个维度的上限为/>，下限为/>。
CN202311665702.7A 2023-12-07 2023-12-07 一种高压隔离开关故障诊断方法 Pending CN117388681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311665702.7A CN117388681A (zh) 2023-12-07 2023-12-07 一种高压隔离开关故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311665702.7A CN117388681A (zh) 2023-12-07 2023-12-07 一种高压隔离开关故障诊断方法

Publications (1)

Publication Number Publication Date
CN117388681A true CN117388681A (zh) 2024-01-12

Family

ID=89441227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311665702.7A Pending CN117388681A (zh) 2023-12-07 2023-12-07 一种高压隔离开关故障诊断方法

Country Status (1)

Country Link
CN (1) CN117388681A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118194090A (zh) * 2024-03-18 2024-06-14 科达(西安)自控科技有限公司 一种基于改进vmd的岩壁硬度识别方法、系统及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110849625A (zh) * 2019-10-10 2020-02-28 淮阴工学院 基于混合熵与联合分布适配的变工况下轴承故障诊断方法
CN113408458A (zh) * 2021-06-29 2021-09-17 北京交通大学 一种基于振动信号特征熵融合的断路器故障诊断方法
CN114743089A (zh) * 2021-12-22 2022-07-12 宁波送变电建设有限公司 一种基于ssa-svm的图像识别gis故障诊断装置及方法
CN114925800A (zh) * 2022-03-16 2022-08-19 常州工程职业技术学院 基于麻雀搜索优化的神经网络的机器人逆运动学求解方法
CN115545151A (zh) * 2022-08-25 2022-12-30 南京上铁电子工程有限公司 训练用于时间序列数据预测的预测模型的方法及相关设备
CN116009399A (zh) * 2023-01-03 2023-04-25 南通大学 压电作动器控制系统自适应差分进化麻雀搜索辨识方法
CN116258335A (zh) * 2023-02-15 2023-06-13 南昌大学 基于改进麻雀算法的低碳综合能源多阶段优化配置方法
CN116383703A (zh) * 2023-04-17 2023-07-04 中国科学院合肥物质科学研究院 一种复杂工况下的多联式空调压缩机激励信号辨识方法及装置
CN116559650A (zh) * 2023-06-13 2023-08-08 河北工业大学 一种基于多维熵距的自动转换开关故障识别方法
CN116595449A (zh) * 2023-06-06 2023-08-15 西安科技大学 基于改进ssa优化支持向量机的异步电机故障诊断方法
CN116757093A (zh) * 2023-08-11 2023-09-15 昆明理工大学 一种边坡稳定性预测方法
CN116796261A (zh) * 2023-08-16 2023-09-22 宁波天安菁华电力科技有限公司 一种基于人工智能的封闭开关设备机械特性预测方法
CN117093924A (zh) * 2023-09-04 2023-11-21 安徽大学 基于域适应特征的旋转机械变工况故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110849625A (zh) * 2019-10-10 2020-02-28 淮阴工学院 基于混合熵与联合分布适配的变工况下轴承故障诊断方法
CN113408458A (zh) * 2021-06-29 2021-09-17 北京交通大学 一种基于振动信号特征熵融合的断路器故障诊断方法
CN114743089A (zh) * 2021-12-22 2022-07-12 宁波送变电建设有限公司 一种基于ssa-svm的图像识别gis故障诊断装置及方法
CN114925800A (zh) * 2022-03-16 2022-08-19 常州工程职业技术学院 基于麻雀搜索优化的神经网络的机器人逆运动学求解方法
CN115545151A (zh) * 2022-08-25 2022-12-30 南京上铁电子工程有限公司 训练用于时间序列数据预测的预测模型的方法及相关设备
CN116009399A (zh) * 2023-01-03 2023-04-25 南通大学 压电作动器控制系统自适应差分进化麻雀搜索辨识方法
CN116258335A (zh) * 2023-02-15 2023-06-13 南昌大学 基于改进麻雀算法的低碳综合能源多阶段优化配置方法
CN116383703A (zh) * 2023-04-17 2023-07-04 中国科学院合肥物质科学研究院 一种复杂工况下的多联式空调压缩机激励信号辨识方法及装置
CN116595449A (zh) * 2023-06-06 2023-08-15 西安科技大学 基于改进ssa优化支持向量机的异步电机故障诊断方法
CN116559650A (zh) * 2023-06-13 2023-08-08 河北工业大学 一种基于多维熵距的自动转换开关故障识别方法
CN116757093A (zh) * 2023-08-11 2023-09-15 昆明理工大学 一种边坡稳定性预测方法
CN116796261A (zh) * 2023-08-16 2023-09-22 宁波天安菁华电力科技有限公司 一种基于人工智能的封闭开关设备机械特性预测方法
CN117093924A (zh) * 2023-09-04 2023-11-21 安徽大学 基于域适应特征的旋转机械变工况故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张燕珂;王萱;万书亭;: "基于VMD模糊熵和SVM的高压断路器故障诊断", 电力科学与工程, no. 04, 28 April 2019 (2019-04-28) *
曹程程: "高压断路器的振动信号特性分析与故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 September 2021 (2021-09-15), pages 10 - 65 *
汪亮;王红军;: "基于多域熵与FCM聚类的故障诊断模型", 组合机床与自动化加工技术, no. 08, 25 August 2016 (2016-08-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118194090A (zh) * 2024-03-18 2024-06-14 科达(西安)自控科技有限公司 一种基于改进vmd的岩壁硬度识别方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN111307453B (zh) 一种基于多信息融合的传动系统故障诊断方法
CN110334741A (zh) 基于循环神经网络的雷达一维距离像识别方法
CN109884419B (zh) 一种智慧电网电能质量在线故障诊断方法
CN109444728A (zh) 一种基于动态加权混合聚类算法的断路器故障诊断方法
CN117388681A (zh) 一种高压隔离开关故障诊断方法
Ajay et al. [Retracted] Environmental and Geographical (EG) Image Classification Using FLIM and CNN Algorithms
CN111189638B (zh) 基于hmm和qpso优化算法的轴承故障程度辨识方法
CN110175541B (zh) 一种海平面变化非线性趋势提取的方法
CN114282571B (zh) 一种轴承多维健康指标构建方法、系统、设备以及介质
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
Chakrabarti et al. Robust radar target classifier using artificial neural networks
CN113705396A (zh) 一种电机故障诊断方法、系统及设备
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN115392323A (zh) 基于云边协同的轴承故障监测方法及系统
Wong et al. Fault diagnosis of induction motors under untrained loads with a feature adaptation and improved broad learning framework
CN117609768A (zh) 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法
De Aguiar et al. ST-NILM: A Wavelet Scattering-Based Architecture for Feature Extraction and Multi-Label Classification in NILM Signals
CN115953584B (zh) 一种具有可学习稀疏性的端到端目标检测方法及系统
CN115687912A (zh) 预测对象的轨迹数据的方法和系统及训练机器学习方法来预测对象的轨迹数据的方法和系统
CN115952493A (zh) 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质
CN115935293A (zh) 智能高压开关的状态评估方法、装置、终端及存储介质
CN114566184A (zh) 音频识别方法及相关装置
CN114330450A (zh) 一种多物理场融合探测识别潜航器的方法及系统
CN116822569A (zh) 模型训练方法、装置、相关设备及存储介质
CN114328921A (zh) 一种基于分布校准的小样本实体关系抽取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20240112