[发明专利]一种基于随机森林的断路器机械故障诊断方法及系统

权利要求书

1.一种基于随机森林的断路器机械故障诊断方法，其特征在于，包括：

采集断路器正常运行以及故障时的振动信号数据，建立断路器振动样本数据库，所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据；

分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量，并将得到的时域特征向量进行组合得到一种特征向量；

为得到的每一个特征向量分别添加有故障或者无故障状态标签，构成原始训练样本集；

采集目标断路器的振动信号数据，并对其数据进行预处理；

提取目标断路器振动信号数据的时域特征向量；将得到的时域特征向量组合成为特征向量F；

根据得到的原始训练样本集以及特征向量F，采用随机森林算法，对目标断路器进行故障诊断。

2.如权利要求1所述的一种基于随机森林的断路器机械故障诊断方法，其特征在于，采集目标断路器的振动信号数据，并对其数据进行预处理，具体为：去除趋势项和噪声。

3.如权利要求1所述的一种基于随机森林的断路器机械故障诊断方法，其特征在于，采用随机森林算法，对断路器的故障进行诊断，具体为：

(1)利用bootstrap重采样方法从原始训练样本集中抽取M个特征向量样本生成一个子样本集；

(2)利用每个子样本集，生长为单棵分类树；

(3)在分类树的每个节点处，从M个特征向量中随机挑选m个特征向量，按照节点不纯度最小的原则，从这m个特征向量中选出一个特征向量α作为该节点的分类属性；

(4)根据特征向量α将节点分成2个分支，然后再从剩下的特征向量中寻找分类效果最好的特征向量作为其他节点的分类属性，如此递归构造分类树的分支，使分类树充分生长，每个节点的不纯度达到最小，而不进行剪枝；直到这棵树能准确地分类训练集，或者所有属性使用完；

(5)所有子样本集生成的分类树组成随机森林，对特征向量F进行判别与分类，按分类器的投票多少，输出分类结果。

4.如权利要求3所述的一种基于随机森林的断路器机械故障诊断方法，其特征在于，所述bootstrap重采样方法具体为：

从容量为n的原始样本中进行有放回的重复采样，采样样本的容量也为n，每个观测对象被抽到的概率为1/n，每次采样构成的子样本称为bootstrap样本。

5.如权利要求4所述的一种基于随机森林的断路器机械故障诊断方法，其特征在于，随机森林进行bootstrap抽样，在生成每棵决策树的时候，每个节点的特征向量都在随机选出的少数特征向量中产生；因此，不但子样本是随机的，连每个节点特征向量的产生都是随机的。

6.一种基于随机森林的断路器机械故障诊断系统，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

采集断路器正常运行以及故障时的振动信号数据，建立断路器振动样本数据库，所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据；

分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量，并将得到的时域特征向量进行组合得到一种特征向量；

为得到的每一个特征向量分别添加有故障或者无故障状态标签，构成原始训练样本集；

采集目标断路器的振动信号数据，并对其数据进行预处理；

提取目标断路器振动信号数据的时域特征向量；将得到的时域特征向量组合成为特征向量F；

根据得到的原始训练样本集以及特征向量F，采用随机森林算法，对目标断路器进行故障诊断。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行以下步骤：

采集断路器正常运行以及故障时的振动信号数据，建立断路器振动样本数据库，所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据；

分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量，并将得到的时域特征向量进行组合得到一种特征向量；

为得到的每一个特征向量分别添加有故障或者无故障状态标签，构成原始训练样本集；

采集目标断路器的振动信号数据，并对其数据进行预处理；

提取目标断路器振动信号数据的时域特征向量；将得到的时域特征向量组合成为特征向量F；

根据得到的原始训练样本集以及特征向量F，采用随机森林算法，对目标断路器进行故障诊断。