[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

说明书

本发明公开了一种基于动态加权混合聚类算法的断路器故障诊断方法，包括以下步骤：（1）利用三轴振动和两路声音信号捕捉断路器操动过程中机械传动的能量变化，通过局部均值对信号进行分解，提取各PF分量的近似熵作为断路器振动信号的特征量；（2）利用密度峰值聚类算法的最大密度峰值决策优化模糊核聚类初始化聚类中心，并考虑到不同特征和不同样本对聚类结果的不同影响；（3）通过聚类有效性指标MIA对聚类数K进行校核；（4）将分类正确的特征输入支持向量机多级分类器进行训练；（5）通过网格划分寻找支持向量机的最优参数后，输入测试数据样本进行最终故障分类预测，得到分类准确率；本发明具有一种故障诊断速度快、准确率高的优点。

技术领域

本发明属于电工技术领域，具体涉及一种基于动态加权混合聚类算法的断路器故障诊断方法。

背景技术

断路器故障诊断技术是通过采集断路器动作数据，经信号处理手段提取特征参数，最后由智能算法建立诊断或预测模型，对断路器工作状态进行评估，随着近年来计算机、传感器以及智能信息处理技术的发展，断路器的人工智能算法得到了迅速发展。

模糊核聚类作为一种无监督学习的模式识别方法，在故障诊断中发挥着重要的作用。近年来，在众多模糊聚类算法中，模糊核C均值聚类(kernel Fuzzy c means,KFCM)从模糊C均值聚类(FCM)中发展而来，把核函数的思想引入了 FCM中，是最重要也是最流行的算法之一，针对传统模糊核均值聚类随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类，没有区别对待不同特征对聚类的不同影响等问题；因此，需要一种提高故障诊断率，提高故障诊断效率的方法，为断路器的故障诊断方法提供新手段。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种故障诊断速度快、准确率高的基于动态加权混合聚类算法的断路器故障诊断方法。

本发明的目的是这样实现的：一种基于动态加权混合聚类算法的断路器故障诊断新方法，本发明利用局部均值分解(Local Mean Decomposition，LMD)对声音和振动信号分段进行处理获得各个PF分量组成的PF矩阵，计算出PF矩阵中各PF分量的近似熵，提取此近似熵作为高压断路器的状态特征量。将密度峰值的空间聚类算法(Density PeaksClustering Algorithm,DPCA)与模糊核聚类算法相结合，并采用聚类与特征加权同步进行的思想,体现不同特征的敏感性。采用密度峰值的聚类算法中的局部密度函数计算样本权重，表征不同样本的典型性。利用DPCA的最大密度峰值决策优化KFCM初始化聚类中心，通过模糊核聚类对训练数据进行预分类，获得风险最小的最优超平面对训练样本聚类进行预分类，建立数据样本与故障类型间的隶属度映射，将声振信号测试特征量样本输入支持向量机，并利用网格寻优算法获得最高分类准确率，进一步进行拆分获得各故障分类准确率，具体步骤如下：

步骤1：利用三轴振动和两路声音传感器采集信号，分为训练数据集与测试数据集。

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；

上述选取前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。

步骤3：采用极值归一化方法对特征值进行标准化，对聚类参数进行初始化，设定初始聚类数K，最大聚类数K_max，模糊聚类指数λ。

步骤4：构造密度峰值聚类决策图，将决策图右上角的密度峰值点作为模糊核聚类的初始聚类中心。