[发明专利]S变换及优化随机森林诊断高压断路器机械故障的方法

说明书

S变换及优化随机森林诊断高压断路器机械故障的方法属于高压断路器机械故障判断技术领域。本发明中振动信号先采用S变换，得到信号的时‑频矩阵，再利用局部奇异值分解，提取信号的时‑频域特征向量。S变换的特征表现能力强，能全面、直观的展示断路器振动信号的时‑频域特性；S变换抗噪能力强，在S变换的过程中能显著降低噪声干扰；局部奇异值分解方法将S变换后的时‑频矩阵分解，提取分解后每一部分的最大奇异值作为特征向量，更能突出信号的特性，更有利于故障诊断。随机森林模型通过树的棵数对泛化误差与诊断准确率的综合影响来找到最优树的棵数，进一步提高HVCBs状态识别的准确性。

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S变换及优化随机森林诊断高压断路器机械故障的方法。

背景技术

高压断路器(High Voltage Circuit Breakers，HVCBs)在电力系统中的应用众多且本身结构复杂，易受外界因素的影响。高压断路器故障多数属于机械故障，而分析HVCBs动作产生的振动信号能发现多种由于机械性能不良而导致的断路器故障。断路器振动信号具有复杂度高、易受噪声干扰、非平稳、非线性的特点，信号处理多采用时-频分析方法。常用方法包括小波变换、经验模态分解、集合经验模态分解和局域均值分解等。小波变换有较好的局部特征表现能力，但在实际应用中小波基的选择难度较大。经验模态分解和局域均值分解对频率相近分量的分离能力较差，且存在模态混叠现象；集合经验模态分解加入白噪声来抑制模态混叠现象，但也增加了运算量，并且会分解出超出真实信号组成的多个分量。S变换特征表现能力与抗噪能力强，能直观展现振动信号的时-频特性，适合具有复杂时-频特性的振动信号的分析与处理。

高压断路器机械故障由于现有故障类型与故障程度少，很难获得包含所有故障类型的训练样本。目前HVCBs状态识别的常用方法包括支持向量机(Support VectorMachine，SVM)和神经网络(Neural Net,NN)等。SVM不易陷入局部最优解和过学习，比较适合小样本分类问题，但是训练速度较慢、参数选择困难。NN自学习能力和非线性模式识别能力强，但训练速度慢且易陷入局部最优解。

随机森林(Random Forest，RF)需要优化的参数少，抗噪性良好，处理小样本数据时的准确度高，且不易陷入过拟合，适合高压断路器的故障诊断。已有专利CN201810457787-一种基于随机森林的断路器机械故障诊断方法及系统中采用传统的随机森林分类器，并没有对随机森林模型的参数进行优化选择，分类效果较差。另外该专利中只提取断路器振动信号数据的时域特征向量，无法得到全面的特征信息，特征提取的效果差，最终故障诊断的准确率低。同时此专利只提取了7种时域特征，数量过少，不利于分类器识别。

因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种S变换及优化随机森林诊断高压断路器机械故障的方法用于解决采用传统随机森林分类器的断路器机械故障诊断方法分类效果较差，故障诊断准确率低的技术问题。

S变换及优化随机森林诊断高压断路器机械故障的方法，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、将四种机械状态的振动信号分别进行S变换，获得信号的时-频特性矩阵；

步骤三、局部奇异值分解

在采样总时间的中段选取采样点，对采样起始点至选取采样点之间的时-频特性矩阵进行奇异值分解SVD处理，将时-频特性矩阵，沿时域和频域分别等距离划分为若干子矩阵，分别计算并获得各最大奇异值，并构建特征向量，除去特征向量中小于设定阈值的数值，获得不含噪声的高压断路器振动信号特征值；