[发明专利]基于多源数据融合的中压真空断路器机械故障诊断方法

权利要求书

1.一种基于多源数据融合的中压真空断路器机械故障诊断方法，包括如下步骤：

S100：采集断路器的操作机构电流信号、触头行程信号和机械振动信号并提取所采集到的操作机构电流信号、触头行程信号和机械振动信号的特征参量；

S200：利用模糊均值聚类算法及特征箱线分布对所述操作机构电流信号、触头行程信号和机械振动信号的特征参量筛选融合；

所述步骤S200包括如下步骤：

S201：根据模糊C均值聚类算法对步骤S100中所提取的操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合进行聚类，确定所述操作机构电流信号、触头行程信号和机械振动信号的特征参量的集合与故障状态的相关性，为故障诊断分类提供依据；

S202：根据特征箱线分布，筛选稳定性与区分度均优的特征参量进行融合，优化重组得到各故障状态下的诊断特征向量；

S300：通过GA-BP遗传神经网络与SVC支持向量算法对筛选融合后的特征参量构建故障诊断模型，并利用样本训练所述故障诊断模型以识别断路器故障；

所述步骤S300包括如下步骤：

S301：根据步骤S202中所得到的各故障状态下的诊断特征向量，将断路器划分为分合闸线圈系统、触头传动系统及弹簧储能系统3个子系统，并将各故障分别类属于3个子系统下；

S302：根据所述子系统故障状态特征向量维度，分别选用GA-BP遗传神经网络与SVC支持向量机建立诊断模型，并利用样本训练模型实现故障诊断。

2.根据权利要求1所述的方法，其特征在于，所述操作机构电流信号的特征参量集合{X₁}_n为：

{X₁}_n＝{i_m，t_o}_n

其中，i_m为电流信号最大值，t_o为通电时间。

3.根据权利要求1所述的方法，其特征在于，所述触头行程信号的特征参量集合{X₂}_n为：

其中，t_q为合闸或分闸启动时刻，反映线圈供电，顶杆动作情况；t_g为触头刚合或刚分时刻，反映线圈供电，主轴转动情况；T＝t_g-t_q为触头合闸或分闸动作时间，主轴转动情况；x_k为触头开距；x_c为触头超程；x_h为触头缓冲距离，反映分闸缓冲器、半轴转动故障；V为触头刚合点速度，反映合闸弹簧、主轴情况；与V_m为触头平均速度和触头最大速度，反映合闸弹簧、主轴情况。

4.根据权利要求1所述的方法，其特征在于，所述机械振动信号的特征参量由短时能量的特征参量和小波包能量熵的特征参量组成，

其中，短时能量的特征参量集合{X₃₁}_n为：

{X₃₁}_n＝{t_e，E_m}_n

t_e为断路器刚分刚合时刻，E_m为刚分或刚合时刻短时能量；

小波包能量熵的特征参量集合{X₃₂}_n为：

{X₃₂}_n＝{H₁，H₂，H₃，H₄，H₅，H₆，H₇，H₈}_n

H₁-H₈为重构信号。