[发明专利]一种多特征优化融合的高压断路器故障诊断方法

说明书

本发明公开了一种多特征优化融合的高压断路器故障诊断方法，所述方法包括：获取断路器分合闸过程中所发出的多组初始声音信号Y_S(t)和振动信号Y_Z(t)；对每组初始声音信号Y_S(t)和振动信号Y_Z(t)做去噪加权融合处理得到一组声音信号Y_S″(t)和振动信号Y_Z″(t)；采用K‑S检验法提取声音信号Y_S″(t)的特征向量；采用EMD经验模态分解法提取振动信号Y_Z″(t)的特征向量；将声音信号Y_S″(t)的特征向量和振动信号Y_Z″(t)的特征向量融合为一个特征矩阵样本；从特征矩阵样本中按比例选取正常及故障状态多种运行情况下的样本特征矩阵；基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果。本发明通过多传感器数据融合的概念，对数据加权融合有效消除噪声，使数据更接近于真实值，有效提高故障诊断的效果。

技术领域

本发明属于电气设备故障诊断技术领域，特别涉及一种多特征优化融合的高压断路器故障诊断方法。

背景技术

高压断路器作为电力系统中一种重要的开关电气设备，保证安全稳定工作，是提高电力系统供电可靠性的必要条件。断路器的故障诊断流程主要包括信号的采集与处理、特征向量提取以及故障识别三个步骤，其中选择合适的方法处理断路器的运行信号，提取特征向量是提高故障诊断结果的关键部分。

目前用于高压断路器故障诊断研究所采集的信号大致分为：分合闸线圈电流电压信号、机械振动及声音信号、触头行程、电弧电压和开断电流等，断路器动作的声音和振动信号复杂多变，但由于其非接触的测量方式以及信号中包含丰富的特性信息，可以更好的反应断路器的工作状态，近年来成为了研究热点。声音信号易受噪声干扰，但其频带较宽可以良好的避免失真现象，振动信号衰减小抗干扰能力强，压电加速度传感器灵敏度高可以捕捉信号的微弱变化，结合声音振动信号联合分析可发挥各自优势，提高故障诊断的准确度。

针对断路器工作时声音和振动信号的非线性、非平稳特性，常用到的特征提取方法有：小波及小波包分析、经验模态分解(empirical mode decomposition,EMD)、总体平均经验模态分解(ensemble EMD,EEMD)、希尔伯特-黄变换(Hilbert-Huang transform,HHT)等，现有的研究方法通常对声音信号与振动信号采取一致的特征提取方式，例如对信号做经验模态分解后，做希尔伯特变换取包络，提取能量熵作为特征向量。对高压断路器的做声振联合的故障诊断时，通常采用多个能量熵组合的特征级融合，或采用D-S证据理论做决策级信息融合，但对于信号源信息做处理的数据级融合方面的研究较少。

因此，亟需一种多特征优化融合的高压断路器故障诊断方法来改进声振信号的处理方法和特征向量的提取，保证最大限度的利用信号所包含的有用信息，来提高断路器的故障诊断效果。

发明内容

针对上述问题，本发明提供了一种多特征优化融合的高压断路器故障诊断方法，所述方法包括：

获取断路器分合闸过程中所发出的多组初始声音信号Y_S(t)和振动信号Y_Z(t)；

对每组初始声音信号Y_S(t)和振动信号Y_Z(t)做去噪加权融合处理得到一组声音信号Y_S”(t)和振动信号Y_Z”(t)；

采用K-S检验法提取声音信号Y_S”(t)的特征向量；

采用EMD经验模态分解法提取振动信号Y_Z”(t)的特征向量；

将声音信号Y_S”(t)的特征向量和振动信号Y_Z”(t)的特征向量融合为一个特征矩阵样本；