[发明专利]一种基于振动信号主成分分析法的GIS状态识别方法

权利要求书

1.一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：所述方法包括：

步骤1：通过在GIS上安装的振动加速度传感器来采集多组GIS正常及故障状态下振动信号；

步骤2：对采集到的GIS振动信号进行处理，分别提取GIS振动信号时域、频域及能量特征，并构建GIS振动信号复合特征向量；

步骤3：采用主成分分析法对GIS振动信号复合特征向量进行优化处理，得到GIS振动信号主成分特征向量；

步骤4：构建深度置信网络模型，将多组已知状态下的GIS振动信号主成分特征向量作为深度置信网络模型的训练样本，通过深度置信网络模型两阶段的训练，得到GIS振动信号主成分特征向量与GIS状态之间的对应决策函数；

步骤5：采集待状态识别的GIS振动信号，进行主成分特征向量的计算与分析，运用GIS振动信号主成分特征向量与GIS状态之间的对应决策函数对其进行分类识别，识别出该GIS状态；

所述步骤3具体包括：

步骤3.1：将所测m组GIS振动信号构成m×14的矩阵

X＝(α₁,α₂，...α_m)^T＝(x₁,x₂，...x₁₄)

步骤3.2：根据以下表达式计算矩阵X的协方差矩阵C：

式中：cov(x,y)表示两组数据的协方差；

步骤3.3：计算协方差矩阵C的特征值λ_i(i＝1,2......14)与对应的特征向量矩阵E，将得到的特征值按降序排列，并按此顺序将特征向量矩阵E中各列重新排列，得到过渡矩阵T，取T中的每一列向量为特征因子；

步骤3.4：计算各特征因子贡献率，选取其中贡献率之和超过95％的2个特征因子组成变换矩阵，各特征因子贡献率计算公式为：

式中：K_r表示第r个特征因子贡献率，λ_r表示第r个特征因子对应的特征值，λ_j表示第j个特征因子对应的特征值，表示对λ_j从λ₁到λ_m求和；

步骤3.5：通过矩阵运算Y＝X×U得到m×2的特征矩阵Y，矩阵Y的每一列即为一组GIS振动信号的主成分特征向量。

2.根据权利要求1所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：步骤2中提取的GIS振动信号时域特征包括GIS振动信号峰峰值、平均值、偏度和峭度；频域特征包括主成分频率、100Hz占比、50Hz奇次倍频占比；使用集合经验模态分解算法将GIS振动信号分解为多个模态分量IMF，计算各IMF能量，取在原始信号能量中占比超过90％的前7个模态分量IMF的能量作为GIS振动信号能量特征。

3.根据权利要求2所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：根据GIS振动信号提取的14维特征量构建GIS振动信号复合特征向量α＝(k₁,k₂，...k₁₄)^T，其中α为GIS振动信号复合特征向量，k₁为第一维特征量，k₂为第二维特征量，依次下去k₁₄为第十四维特征量，上标T为(k₁,k₂，...k₁₄)的转置。

4.根据权利要求2所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：使用集合经验模态分解算法将GIS振动信号分解为多个模态分量IMF，计算各IMF能量的计算公式为：

式中：R_j表示每个模态分量IMF中能量的总和，n_IMF表示第n个模态分量IMF中所包含的数据总量，表示每个GIS振动信号数据点的能量值；

为了简化计算，采用每个模态分量IMF的2范数来表征其能量特征，上述计算各IMF能量的计算公式可简化为如下计算公式：

5.根据权利要求1所述的一种基于振动信号主成分分析法的GIS状态识别方法，其特征在于：步骤4中通过深度置信网络模型两阶段的训练分别为由低层到高层的无监督预训练以及由高层到低层的有监督微调，其中：第一阶段是采用贪婪算法无监督地训练每一个受限玻尔兹曼机RBM，当下层RBM训练完成后，将其输出作为上层RBM的输入，依次逐层训练，从而学习更高层的特征并不断更新每层的训练参数；第二阶段采取有监督的方式训练最后一层BP网络，将第一阶段产生的误差反向传输至下面的每一层RBM，并根据传输结果微调各个RBM层之间的参数，使整个深度置信网络模型的参数达到最优。