[发明专利]一种基于聚合经验模态分解算法的断路器故障分析方法

说明书

本发明公开了一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；基于模糊核C‑均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。在本发明实施中，所述方法重构误差小、完备性高、自适应性强。

技术领域

本发明涉及电气设备测试技术领域，尤其涉及一种基于聚合经验模态分解算法的断路器故障分析方法。

背景技术

不同类型的机械故障会在断路器上激发相应的固有频率，同一种故障引发的信号能量一般会分布在某种或几种频率成分上，且处于不同频带的故障信号能量也不相同，因而如何对振动信号蕴含的丰富信息进行有效提取、分析成为诊断断路器故障的关键。

对断路器故障诊断大致分为信号预处理、故障分量提取以及算法识别三个步骤。目前对断路器信号预处理和故障分量提取大多采用小波去噪联合经验模态分解(EMD)或总体平均经验模态分解(EEMD)方法在分类算法上主流采用SVM分类算法。小波去噪方法通过卷积运算得到细节信号和逼近信号并对其重构，但存在重构精度偏低、不适于对模糊信号进行处理等缺陷，EMD方法虽然适用于对非平稳信号进行处理，但存在极值点选取复杂、模态混叠等问题，EEMD方法在分解时加入正态分布白噪声以解决模态混叠问题，但亦随之增加了计算规模，各个模态分量也存在噪声残留，在分类算法方面，SVM算法在解决维度灾难和泛化问题上有着较强的能力，但传统的SVM算法并不适用于多分类问题，同时对参数选取较为依赖。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于聚合经验模态分解算法的断路器故障分析方法，基于聚合经验模态分解算法去噪，结合局部均值分解算法求取多尺度排列熵提取特征并基于模糊核C-均值聚类算法进行故障诊断的断路器机械故障诊断方法。

为了解决上述技术问题，本发明实施例提供了一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：

基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；

基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；

基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；

基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；

基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。

可选的，所述采集到的断路器振动信号包括断路器正常分闸、卡涩故障、拒动状态和底座松动的状态下的振动信号。

可选的，所述基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量包括：

将标准正态分布的白噪声添加至采集到的断路器振动信号中，得到需要分解的振动信号；

基于EMD算法，对所述需要分解的振动信号进行EMD分解，得到模态分量均值和余量信号；

重复所述EMD分解直到迭代条件不满足约束为止，得到若干本征模态函数分量和剩余分量。

可选的，所述若干本征模态函数分量和剩余分量的具体公式如下：