[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

摘要

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。

主权项

1.S变换及优化随机森林诊断高压断路器机械故障的方法，其特征是：包括以下步骤，并且以下步骤顺次进行，/n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；/n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；/n步骤三、局部奇异值分解/n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；/n步骤四、在Matlab中构建随机森林分类器模型，从步骤一中获得的四种机械状态振动信号中，各取20组振动信号作为分类器的训练样本，对训练样本进行S变换和局部奇异值分解，分别获得不含噪声的高压断路器振动信号特征值，将获得的不含噪声的高压断路器振动信号特征值向量输入随机森林分类器模型中进行训练优化分类器参数，获得训练完成的随机森林故障状态分类器；/n步骤五、将采集到的高压断路器的振动信号通过S变换和局部奇异值分解，不含噪声的高压断路器振动信号特征值向量输入到步骤四中训练完成的随机森林故障状态分类器中，获得此信号所反映的高压断路器状态。/n