[发明专利]一种高压断路器机械故障诊断方法

权利要求书

1.一种高压断路器机械故障诊断方法，其特征在于，首先，通过采集装置获取高压断路器振动信号；接着，对振动信号进行CEEMDAN分解，并采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵；其次，划分时段构造分块能量矩阵，并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵；再者，采用正态累积分布函数对各频带振动信号进行归一化处理，提取各分块时频矩阵的奇异熵；最后，采用集成极限学习机作为分类器对小样本高压断路器的机械故障进行识别；

所述划分时段构造分块能量矩阵，并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵的具体方式为：

经Hilbert变换与带通滤波将频域划分成M个频带，形成M×N大小的时频矩阵，其中N为时间序列的长度；在时域方向，将时间序列等间距划分成L个时段，构成M×L个分块时频矩阵，每个分块矩阵的长度为N/L；设为第m个频带中第l个时段对应的时间序列，其能量值E_l,m的计算公式如下：

接着，从时域和频域方向分别对能量矩阵进行归一化处理，转化公式如下：

其中，P_l,m表示E_l,m在第m个频带内沿时域方向的归一化值；Q_l,m表示E_l,m在第l个时段内沿频率方向的归一化值；

而后，采用香农熵表征信号的特征，香农熵Θ的计算公式如下：

其中，是随机事件y_i的概率，且以熵作为特征属性，分别对时域和频域方向归一化的能量矩阵进行特征提取，具体计算公式如下：

其中，W_l^t为时域方向第l个时段对应的特征值，为频域方向第m个频带对应的特征值；为总的特征集合，即时频熵；

所述采用正态累积分布函数对各频带振动信号进行归一化处理，提取各分块时频矩阵的奇异熵的具体方式为：

NCDF是对服从正态分布的概率密度函数的积分，能够完整地描述随机变量X的概率分布，其公式表示为：

其中，μ、σ²、σ分别为随机变量X的均值、方差、标准差；

在完成NCDF对各频带信号标准化处理后，接下来提取奇异熵，奇异熵的计算过程如下：

假定D是一个m×n大小的矩阵，根据奇异值分解的理论，对任一个m×n的矩阵，总存在一个m×r的矩阵U，r×n的矩阵V，r×r的对角矩阵Λ，使得矩阵D表示为：

D＝UΛV^T

其中，矩阵Λ中的对角元素λ_l(l＝1,2,…,r)称为矩阵D的奇异值，此外，奇异值具有非负性且按递减方式排列；

接着，对奇异值进行归一化处理：

其中，p_l为λ_l在总奇异值中所占的比例；

最后，奇异熵S_E定义为：

为获得更细微的特征，需要将由重构波形组成的时频矩阵进行分块划分；对于一个M×L大小的时频矩阵，沿时域方向将其等间距划分G个分块子矩阵，其中，每个分块子矩阵的大小为M×(L/G)；奇异熵特征向量从分块时频矩阵中提取而来；

所述采用集成极限学习机作为分类器对小样本高压断路器的机械故障进行识别的具体方式为：

针对从高压断路器振动信号中提取的时频熵、奇异熵两种特征类型，分别训练出m个弱分类器，即2m个弱分类器，并利用这些弱分类器构造一个集成极限学习机，其函数表示为：

其中，arg(·)是获取自变量的值函数，上式等号右侧表示2m个弱分类器输出结果中机械故障类别为i的弱分类器个数最大的机械故障类别；sum(i)表示预测结果为机械故障类别i的弱分类器个数；

根据上式，2m个分类器的输出结果，以投票的方式进行决策，票数最多的类别即判定为最终的输出结果，即得出高压断路器的机械故障类别。

2.根据权利要求1所述的一种高压断路器机械故障诊断方法，其特征在于，所述高压断路器振动信号采用基于LabVIEW的虚拟仪器数据采集系统获取。

3.根据权利要求1所述的一种高压断路器机械故障诊断方法，其特征在于，所述对振动信号进行CEEMDAN分解，并采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵的具体方式为：

对振动信号进行CEEMDAN分解：

假定原始信号为x(t)，设定噪声标准差比值、辅助噪声添加次数，经过CEEMDAN分解得到：

其中，c_k(t)(k＝1,2,…,K)为第k阶本征模态函数IMF分量，r(t)为残差分量；

采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵：

对IMF分量c_k(t)(k＝1,2,…，K)进行Hilbert变换：

由上式构造相位函数φ_k(t)：

由于各阶IMF分量的相位函数具有随时间变化的瞬时特性，进而可求得各阶IMF分量的瞬时频率f_k(t)：

确定带宽以及频带数量；对于其中一个频带，对各阶IMF分量数据点对应的瞬时频率进行判断：若瞬时频率在该频带内，则保留IMF分量对应的数据点，否则，置零；最后，将各阶滤波处理后的新序列累加起来，即为该频带的振动波形；同理，对每个频带进行此操作，最后获得信号在不同频带的振动波形。