[发明专利]基于振动信号分析的真空断路器机械状态检测方法

权利要求书

1.基于振动信号分析的真空断路器机械状态检测方法，其特征在于，包括以下步骤： 

1）采集VS1真空断路器动作过程中的振动信号； 

2）对步骤1）采集的振动信号进行小波分解消噪； 

3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量； 

4）将步骤3）的计算的故障特征向量输入训练好的神经网络；神经网络结合振动信号知识库将振动信号的故障特征向量进行分类，得到其机械状态为正常或具体故障类型，实现真空断路器的状态检测。 

2.根据权利要求1所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，振动信号知识库的建立及神经网络的训练包括以下步骤： 

S1）利用实验测量及多体动力学软件ADAMS仿真VS1真空断路器动作过程，获取多组不同位置不同状态下的振动信号； 

S2）对步骤S1）采集的振动信号进行小波分解消噪，利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：根据小波基与VS1断路器合、分闸振动信号的相似度选择与振动信号相似的小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪； 

S3）对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中； 

S4）计算信号由小波分解到各频段的信息熵；将振动信号各频段的信息熵组合到一起构成故障特征向量，建立VS1真空断路器振动信号知识库； 

S5）将各故障状态及正常状态下的振动信号故障特征向量按其机械状态编码，并 输入支持向量机SVM神经网络进行训练得到训练好的神经网络。 

3.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，SVM神经网络采用径向基函数作为核函数，采用交叉验证的方法或粒子群优化算法实现参数寻优，得到使神经网络对训练集分类最为准确的惩罚参数c和核函数参数g。 

4.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤S2）中选择小波基的方法为：考虑小波分解重构所得信号与原信号的相似性，既考虑其整体误差，又考虑其局部误差，选择与振动信号相似度较高的小波基；具体的相似度判断公式为： 

式中： 

e——信号小波分解重构之后与原信号的相似度； 

α₁——系数，表明整体误差在小波基选择中所占的权重，取0.5； 

α₂——系数，表明局部误差在小波基选择中所占的比例，取0.5； 

S——原始信号； 

S₁——小波分解重构所得信号； 

N——信号的点数。 

5.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤S2）中选择小波基为bior3.9小波基或rbio3.7小波基。 

6.根据权利要求2所述的基于振动信号分析的真空断路器机械状态检测方法，其特征在于，步骤S4）中信息熵计算的具体方法为：对分解到各频段的振动信号进行 希尔伯特变换，求得其包络，根据信息熵的计算公式算出每个频段的信息熵； 

信息熵的计算方法由式(2)～(5)给出： 

式中： 

A(t)——信号包络； 

x(t)——原始信号； 

x′(t)——信号的希尔伯特变换； 

对每个信号进行N等分，并利用下式计算每段信号的能量Q_k(i)，k为信号小波分解对应的分量数，i=1,2,…N； 

式中： 

t₀——该段信号的起始时间； 

t₁——该段信号的终止时间； 

将各段能量进行归一化； 

ε_k(i)——归一化后的各段能量； 

信息熵H_k为： 

选择信息熵向量中较为敏感的分量作为神经网络的故障特征量。