[发明专利]一种基于动态加权混合聚类算法的断路器故障诊断方法

权利要求书

1.一种基于动态加权混合聚类算法的断路器故障诊断方法，其特征在于：所述方法包括以下步骤：

步骤1：将三轴振动传感器由螺栓固定在断路器支架上，模拟四类断路器故障，利用三轴振动传感器进行信号采集；

步骤2：采用LMD对去噪处理后的信号进行分解，选取前3个PF分量求取其近似熵作为特征向量；

步骤3：通过密度峰值聚类算法对每一个特征向量求取局部密度函数与距离函数，利用DPCA的最大密度峰值决策优化KFCM初始化聚类中心，并对样本以及特征量进行加权，根据隶属度矩阵判断样本隶属故障类别，对训练数据进行预分类，获得风险最小的最优超平面；

步骤4：利用聚类有效性指标MIA对聚类数K进行校核，聚类有效性指标其中各类中包含的所有元素为C_k，其聚类中心曲线为x_c，每个类中包含的序列单位数目为n_k，MIA越小聚类效果越好；

步骤5：将分类正确的特征量输入支持向量机SVM多级分类器进行训练，并将采集到的测试样本输入SVM中进行分类预测；

步骤6：通过网格划分来寻找支持向量机的最优参数；

步骤7：获得分类准确率。

2.如权利要求1所述的一种基于动态加权混合聚类算法的断路器故障诊断方法，其特征在于：所述步骤2中选取前3个PF分量求取其近似熵作为特征向量，采用LMD对去噪处理后的信号进行分解，从分解结果可以看到分解出8个PF分量和一个剩余分量，可知前3个PF分量包含了原始信号的大部分信息，同时由于选取多分量会增加运算量，即降低运算速度和诊断效率，因而选取前3个PF分量求取其近似熵作为特征向量。

3.如权利要求1所述的一种基于动态加权混合聚类算法的断路器故障诊断方法，其特征在于：所述步骤3中，密度峰值聚类与模糊核聚类的融合，通过密度峰值聚类算法对每一个特征向量求取局部密度函数与距离函数，利用DPCA的最大密度峰值决策优化KFCM初始化聚类中心，并对样本以及特征量进行加权，根据隶属度矩阵判断样本隶属故障类别，对训练数据进行预分类，获得风险最小的最优超平面，还包括以下步骤：

步骤3.1：对原始数据进行归一化处理，由于数据局部均值处理后提取的近似熵在不同PF值中数值差距很大，为了消除聚类指标的量纲不同而不具有可比性产生的差异，平衡各个指标，本文采用如下极值归一化公式对特征量进行归一化处理：

其中：X_ij为特征量，min(X_ij)和max(X_ij)分别为特征量中的最小值和最大值，X′_ij为归一化后的数据；

步骤3.2：对根据式(3)计算特征量x_i的局部密度ρ_i,根据式(4)计算特征量x_i的距离δ_i：

其中d_c为截断距离，需事先指定，d_ij为样本x_i与x_j的欧氏距离；

通过对特征量中的每一点x_i进行以上计算，可以得到(ρ_i，δ_i)，将各点的(ρ_i，δ_i)在平面坐标中画出，其中以局部密度ρ_i为横轴、距离δ_i为纵轴，可得到决策图，将那些具有较大距离且同时具有较大局部密度的点定义为初始聚类中心；

步骤3.3：选取密度峰值聚类中的局部密度函数作为样本加权系数的计算方法，根据式(3)求出局部密度ρ_i，根据式(5)对ρ_i归一化，得到样本x_i的权值W_p＝(W_p1,W_p2,…,W_pm,…,W_pM)：

式中N为样本个数，M为特征个数；

KFCM聚类认为所有的特征向量在分类中作用相同，而实际上每个特征向量的作用并不是一样的，聚类会受到噪声特征向量的干扰，同时为了更好的区别典型与模棱两可样本对聚类贡献的差别，于是引入了一种按每一特征向量和样本的贡献不同而动态加权的混合聚类算法，定义了一种新的目标函数：

其中，X为样本点，U为模糊隶属度矩阵，V为聚类中心，W_p为样本权重，W_f为特征权重，u_ik为第i个样本对第k类的隶属度，0≤u_ik≤1,为第f个样本和第k类中心之间的加权距离，约束条件为与KFCM的目标函数相比，式(6)增加了W_p与W_f，W_fi是第i个特征向量属于类的权值，它是动态的，权值W_f满足约束条件：

通过构造拉格朗日函数，并将样本权重W_p与特征权重W_f代入式(6)，最终求得模糊隶属度U和聚类中心V：

步骤3.4：对如果目标函数J的改变量大于给定的门限值e，则转向步骤3.3，否则根据隶属度公式得到故障样本隶属度矩阵U，由U得出所有类别的隶属度的最大值，并将其归入隶属度最大的类别，进行预分类，构造最优超平面。

4.如权利要求1所述的一种基于动态加权混合聚类算法的断路器故障诊断方法，其特征在于：所述步骤6中，利用网格划分来寻找支持向量机的最优参数，将训练数据分成以n个大小相同的子集，首先用其中n-1个子集作为训练集得到一个决策函数，用它预测测试集，得到该次循环在测试集上的分类准确率，这样循环进行n次，直到所有的子集都作为测试样本被预测一遍，取n次预测所得准确率的平均值作为最终的准确率值，最终得到分类准确率结果。