[发明专利]一种基于决策导向无环图的神经网络故障多类分类器

权利要求书

1.一种基于决策导向无环图的神经网络故障多类分类器。该分类器可用于封闭式组合电器等高压电气设备的在线运行状态监测及机械故障诊断。本发明所设计的故障诊断方法通过三种不同的特征分析算法(即工频谐波结构特征分析算法、1/3倍频程频谱特征分析算法和倒频谱特征分析算法)分析封闭式组合电器等高压电气设备运行时所发出的声音信号，提取相应的特征向量用于对该设备运行状态的在线监测及机械缺陷所致故障进行诊断。

2.根据权利要求1中所述的三种声波信号特征提取算法对高压电器设备分别进行特征分析。三种特征分析算法特点在于：(1)工频谐波特征特征提取算法主要用于提取声音信号频谱中50Hz工频电压引起的各次谐波能量分布特征及谐波分量总能量与非谐波分量总能量之间的比值特征。(2)1/3倍频程频谱特征提取算法是工程中用于分析机械设备运行噪声的主要特征提取算法。高压电器设备一般运行声音频率分布宽阔，1/3倍频程频谱特征便于观察机械运行声音信号宏观上的能量分布，忽略信号频率或相位信息微小变化对观察结果的影响。(3)倒频谱特征提取算法可提取一般频谱分析方法难于识别的信息，如周期性分量，系统周边环境的干扰及边带信号等。综上所述，三种特征提取算法分别从声音信号频谱的细节特征及宏观特征，以及某些隐藏信息特征三个方面进行相应特征提取，全面地描述了高压电器设备运行声音信号的特征信息。

3.根据权利要求1和2中所述的基于决策导向无环图法的神经网络多类分类器，本发明采用三种不同的特征分析算法对导向无环图中各个结点子分类机进行训练和优化。其优化特点在于：在训练阶段，对于每个结点子分类机，分别提取三种特征向量组，并利用交叉验证方法训练得到三组子分类器以及其对应测试识别率。然后，综合基于三种特征向量的子分类机的识别率，选取该结点处最优的特征向量训练子分类机。在分类阶段，对待分类信号提取三种特征向量，然后从根结点开始根据每个子分类所需的特征向量进行分类，直至到导向无环图叶结点，即完成了分类。