[发明专利]一种基于CCA‑SOM的断路器操作机构故障诊断方法

说明书

技术领域

本发明涉及一种基于CCA-SOM的断路器操作机构故障诊断方法。

背景技术

断路器故障中有70％～80％是由操动机构故障引起的，所以能获取断路器操动机构的工作状况对断路器健康运行有很重要的意义。断路器操动机构可监测到的信号包括分合闸线圈电流与电压、动触头行程与速度、分合闸时间、断路器操作过程中的合闸弹簧状态、机械振动、接触电阻。

从断路器分合闸电流波形中提取了8个特征属性来判断操动机构工作状态，如果根据这8个特征属性进行故障模式识别则需要28＝256个诊断样本，这显然是难以做到的。特征之间可能具有相关性会导致两个特征有较好的分类信息，但是合并为特征向量是几乎得不到任何信息，所以有必要在尽可能保留分类信息的前提下对特征属性进行维数缩减。

曲元分析(Curvilinear Component Analysis，CCA)算法是由Demartines等人提出的作为维数缩减与多维数据集展示的一种非线性映射方法。它引入一个输入空间与输出空间的代价函数将高维数据转化到低维空间，为进一步的聚类或分类分析作准备。请参阅图1，曲元分析分量化和非线性映射两步进行，每个N维的神经元有两个权重矩阵：n维的输入矩阵。

自组织神经网络即自组织特征映射(Self-Organizing Map：SOM)神经网络是由芬兰赫尔辛基大学的神经网络专家Kohonen教授于1981年提出的一种神经网络模型。它基于生物体神经细胞的思想而来发展而来。请参阅图2，SOM是对生物脑认知机制的一个粗浅的模仿，SOM神经网络的基本结构，该网络模型第一层为输入层，类似于生物的感官；第二层为输出层(也称竞争层)，按二维形式排列，其中每个神经元代表一个输出样本，在某些特性上和脑皮层的性质相似。输入层和输出层之间为全互连方式。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种基于CCA-SOM的断路器操作机构故障诊断方法，将曲元分析和自组织神经网络运用于断路器的操作机构故障诊断，诊断速度快，诊断结果准确率高。

实现上述目的的技术方案是：一种基于CCA-SOM的断路器操作机构故障诊断方法，包括以下步骤：

S1，建立断路器操作机构的故障诊断数据模型；

S2，利用曲元分析算法将断路器分合闸线圈电流中提取出的特征量进行维数缩减；

S3，利用自组织神经网络算法对故障类型进行分类，得到自组织神经网络算法训练结果；

S4，利用上一步得出的自组织神经网络算法训练结果对待测的断路器分合闸线圈电流数据进行故障诊断。

上述的一种基于CCA-SOM的断路器操作机构故障诊断方法，步骤S2中，利用曲元分析算法，将监测到的断路器分合闸线圈电流中提取出的特征量映射到三维空间。

上述的一种基于CCA-SOM的断路器操作机构故障诊断方法，步骤S3，利用自组织神经网络算法对故障类型进行分类，主要分为以下两个步骤：

S31，学习过程：利用自组织神经网络算法对经过曲元分析算法处理的断路器故障诊断样本数据进行训练统计，得到样本数据的统计柱状图及散点图，并得到训练过程中每个神经元作为BMU的次数的统计图，进而得到训练后的样本数据的U矩阵灰度图及各个变量的灰度图，最终得到样本数据的自组织神经网络算法训练结果图和自组织神经网络算法训练结果表；

S32，分类过程：利用学习过程中的得到的自组织神经网络算法训练结果图和自组织神经网络算法训练结果表，对样本数据的故障类型进行识别分类。

上述的一种基于CCA-SOM的断路器操作机构故障诊断方法，步骤S4具体包括以下步骤：

S41，用传感器获得能反映断路器操作机构工作状态的分合闸线圈电流信号并将其转化为电信号或其他物理信号，然后将这些信号输入信号处理系统，提取与断路器操作机构工作状态相关的特征量；

S42，将与断路器操作机构工作状态相关的特征量利用曲元分析算法映射到三维空间得到相应的CCA处理结果数据，然后将CCA处理结果数据在自组织神经网络算法训练结果图和自组织神经网络算法训练结果表中找出BMU并查出对应的故障类型。

本发明的基于CCA-SOM的断路器操作机构故障诊断方法，将曲元分析和自组织神经网络运用于断路器的操作机构故障诊断，诊断速度快，诊断结果准确率高。

附图说明

图1为CCA网络结构；

图2为SOM神经网络的基本结构；