[发明专利]基于时域特征的断路器机械故障XGBoost诊断方法

说明书

一种基于时域特征的断路器机械故障XGBoost诊断方法属于高压断路器机械故障判断技术领域。本发明对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，并通过采集的数据训练XGBoost故障状态分类器，训练完成后通过分析动作产生的振动信号用于高压断路器状态的判断。XGBoost分类精度高，可并行化处理、可移植性强并且能够有效防止过拟合。

技术领域

本发明属于高压断路器机械故障判断技术领域，特别是涉及到一种基于时域特征的断路器机械故障XGBoost极端梯度提升诊断方法。

背景技术

随着电力物联网的发展，电力设备状态监测与故障诊断重要性不断提高。其中，高压断路器(High Voltage Circuit Breakers，HVCBs)在电力系统中应用众多且内部构造复杂，故障信号采集易受外界条件因素的影响，故障诊断难度大。

传统的振动信号特征包括时域特征、频域特征以及时-频域特征，HVCBs振动信号处理多采用时-频域分析方法。常用时-频分析法中，采用经验模态分解和局域均值分解处理振动信号时，相近频率分量分离难度大且伴有模态混叠问题；集合经验模态分解用加入白噪声的方式抑制了模态混叠，但增加了运算量，且会分解出超出信号真实组成的多个分量。以上方法处理过程较复杂，时间复杂度高，提高了相关技术的应用成本与产业化难度。由于断路器振动信号中，不同故障状态信号在幅值、衰减程度及振动起始时间上存在差异，因此，可直接从原始振动信号中提取均值、方差、标准差等时域特征分析HVCB故障状态。

常用HVCBs故障诊断方法包括支持向量机、卷积神经网络等。由于HVCB现有的机械故障种类和故障程度少，很难得到涵盖全面故障程度的训练样本，因此，对分类器分类效果提出了更高的要求。

发明内容

本发明所要解决的技术问题是：提供一种基于时域特征的断路器机械故障XGBoost诊断方法用于解决常用HVCBs故障诊断方法很难得到涵盖全面故障程度的训练样本的技术问题。

基于时域特征的断路器机械故障XGBoost诊断方法，包括以下步骤，并且以下步骤顺次进行，

步骤一、对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，采样信号的坐标零点为断路器动作初始时刻，信号采样率相同，振动信号记录起点与采集信号时间长度相同；

步骤二、建立17种时域特征公式，分别对四种机械状态的振动信号提取时域特征；

步骤三、在Anaconda开发环境下的Spyder软件中建立XGBoost分类器，将XGBoost分类器通过损失函数并且引入正则项进行XGBoost参数寻优，获得初步XGBoost分类器；

步骤四、四种机械状态振动信号中各取3组提取的时域特征进行特征分布展示和训练初步XGBoost分类器，通过初步XGBoost分类器的梯度提升算法获得各时域特征的重要度值，将重要度值由高到低排序，通过初步XGBoost分类器获得分离程度并由高到低排序，

由高到低选取重要度值的前指定项，删去指定项中分离程度低于设定值的特征，形成最优特征向量集；

步骤五、从步骤一中获得的四种机械状态振动信号中，各取20组振动信号通过步骤二中的时域特征公式进行特征计算后，将属于步骤三中获得的最优特征向量集的特征向量输入初步XGBoost分类器中进行进一步训练，获得训练完成的XGBoost故障状态分类器；

步骤六、将采集到的高压断路器的振动信号通过步骤二中的时域特征公式进行时域特征提取，将符合最优特征向量集的时域特征输入到步骤四中训练完成的XGBoost故障状态分类器中，获得此信号所反映的高压断路器状态。

所述步骤一中采样信号的采样率均设置为25.6kS/s。