[发明专利]声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法

权利要求书

1.声振信号构造CNN特征矩阵的断路器储能过程故障诊断方法，其特征在于，包括步骤：

(1)考虑声振信号的异步性，采用峭度确定发生越变的时间段，进而采用Minkowski公式计算包络相似性，找出相似性最高的时刻再调整时间差最后实现声振时标对位。

(2)实际运行过程中，采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点。

(3)采用有重叠的样本数据扩容提供CNN所需大量数据，增加特征矩阵的维度。

(4)采用皮尔逊积矩相关系数计算声振信号样本的相关系数，归一化后作为矩阵元素构造声振联合特征矩阵。

(5)针对断路器储能特点用SVM代替Soft-Max，同时引入GWO进行参数优化，构造CNN全连接层的GWO-SVM分类器，优化了模型结构。

2.根据权利要求1所述的声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其特征在于提出峭度和包络相似性的时标对位方法。首先将声音振动信号分成N等份，计算每份信号包络的峭度，计算如下：

对比每段信号的峭度值，寻找峭度值变化差异明显的信号段从而确定发生越变的时间；然后根据声音和振动信号包络绝对差值q次幂之和的q次根来判断相似性，如下式所示。

3.根据权利要求1所述的声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其特征在于提出L-小波起始点检测法。利用Lyapunov指数判断检测信号是否具有混沌特性，储能过程振动信号表现出高度的混沌特性，此时Lyapunov指数为正，公式定义如下：

Lyapunov指数确定起始时间段后，具体起始时刻可通过小波模极大值来检测，小波变换作为一种变动的时间窗，可以检测幅值突变，计算如下：

对应于小波变换，W¹f(s，x)表现为极大值。

4.根据权利要求1所述的声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其特征在于利用非参数统计量皮尔逊积矩相关系数来衡量声振信号变化关系，公式如下：

声音和振动信号分别作为矩阵的行和列，依据上式计算声振信号对应样本的相关系数，归一化后填入特征矩阵组成CNN特征矩阵元素。

5.根据权利要求1所述的声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其特征在于根据断路器储能过程始末位置振动剧烈、储能时间存有差异、数据波动较大特点改进CNN结构，采用SVM代替Soft-Max，同时引入GWO进行参数优化，构造CNN全连接层的GWO-SVM分类器，优化了模型结构。

6.根据权利要求1所述的诊断方法，可由声音振动等非电信号特征辨识储能过程中电压高低等电信号变化，可以大大降低断路器储能过程带电检测的复杂性。

7.根据权利要求1所述的方法步骤，其他电气设备同样在本专利权利要求范围内。对于步骤1提到步骤的相关调整、变更、增删等属本专利要求。