[发明专利]一种多源融合的高压断路器机械故障诊断方法

权利要求书

1.一种多源融合的高压断路器机械故障诊断方法，其特征在于，具体步骤如下：

步骤一、获取不同缺陷的多传感器位置振动信号构成测量样本，对每个传感器位置下的每个测量样本进行小波包时-频变换，获得各测量样本的时-频能量矩阵；

首先，同时采集高压断路器在不同机械缺陷的n个传感器位置的机械振动信号，每个传感器对应的样本数量为m个；针对第i个传感器的第q个测量样本X_i,q进行小波包时-频变换，获得时-频能量矩阵Y_i,q,t×f；矩阵Y_i,q,t×f的行数为t，列数为f；

步骤二、将每个测量样本的时-频能量矩阵沿着时间轴和频率轴分别等分，构成各自的若干时-频块；

步骤三、计算每个时-频块的能量，构建每个测量样本的振动信息特征描述；

首先，针对第i个传感器的第q个测量样本，计算n₁×n₂个时-频块中的第(α，β)个时-频块的能量E_i,q,α,β，公式如下：

表示第(α，β)个时-频块中第(S₁，S₂)个元素；

然后、根据n₁×n₂个时-频块的能量，计算第i个传感器下第q个测量样本的小波包能量熵，构成该测量样本的振动信息特征描述WPE_i,q＝{WPE_i,q,α,f,WPE_i,q,t,β}；

i＝1,2,…,n；q＝1,2,…,m；α＝1,2,…,n₁；β＝1,2,…,n₂；

步骤四、根据每个测量样本的振动信息特征描述，划分评价集和训练子集，通过训练Softmax回归诊断模型，输出各传感器的故障诊断准确率，进而计算各传感器的置信性权重；

根据k个训练子集构建Softmax回归诊断模型，并利用梯度下降法优化基于训练子集为C_i,k的Softmax回归诊断模型CM_i,k；假设共有s个故障类型，在Softmax回归中系统方程如公式(4)所示，

其中p(y_q＝s|x_i,q；θ)表示第i个传感器下第q个测量样本在参数θ下的第s类故障发生的概率，θ表示一个s×w的矩阵，计算梯度Softmax回归诊断模型CM_i,k计算第i个传感器下第k个评价集B_i,k的准确率P_i,k，输入k个评价集输出各自对应的诊断准确率，完成k次评价后计算平均值作为第i个传感器的故障诊断平均准确率P_i；

步骤五、针对某个新的待测试样本A，计算第i个传感器下该待测试样本A的振动信息特征描述向量O_i；

步骤六、将振动信息特征描述向量O_i输入诊断模型M_i，获得该待测试样本A可能发生的s类故障的概率列向量Q_i；Q_i为s行1列的向量；

诊断模型M_i为第i个传感器的Softmax回归诊断模型；将各传感器的Softmax回归诊断模型分别命名为各自对应的诊断模型；

同理分别计算该待测试样本A在n个传感器下的s类故障发生概率列向量集合{Q₁,Q₂,...Q_i,...,Q_n}；

步骤七、利用n个传感器的置信性权重和各传感器的s类故障发生概率列向量，计算s类故障发生概率的期望向量Q_λ；

步骤八、针对该待测试样本A，通过计算各传感器的s类故障发生概率列向量与期望向量Q_λ之间的欧式距离，进一步得到该待测试样本A可能发生的s类故障融合概率列向量mass；

概率列向量Q_i与期望向量Q_λ之间的欧式距离d_i计算如下：

利用欧式距离定义n个传感器对该待测试样本A可能发生的s类故障融合概率列向量mass；

步骤九、利用传统的D-S证据推理将列向量mass融合n-1次后，定义列中最大概率所在故障类别为待测试样本A对应的故障类型，完成最终高压断路器机械故障诊断。

2.如权利要求1所述的一种多源融合的高压断路器机械故障诊断方法，其特征在于，所述的步骤四具体为：

首先，针对第i个传感器下，将m个测量样本的特征描述组成集合A_i；

集合A_i＝{A_i,1,A_i,2,...,A_i,q...,A_i,m}；A_i,q表示第i个传感器的第q个测量样本的特征描述；A_i,q＝[x_i,q,1,x_i,q,2,...,x_i,q,w]^T；w表示特征个数，即特征空间维度；

然后、将特征描述集合A_i平均分成k个子集，每个子集为评价集，每个评价集与样本集的差集为相应的训练子集；

k个评价集合为{B_i,1,B_i,2...,B_i,k}；训练子集合为{C_i,1,C_i,2...,C_i,k}；C_i,k＝A_i\B_i,k；

根据k个训练子集训练Softmax回归诊断模型，输入k个评价集输出各自对应的诊断准确率，计算平均值作为第i个传感器的故障诊断平均准确率P_i；

同理计算n个传感器的故障诊断平均准确率，得到第i个传感器的置信性权重；

第i个传感器的置信性权重为：

对应n个传感器的置信性权重向量ω＝[ω₁,ω₂,...,ω_n]。