[发明专利]基于PCCs二次特征优选的故障诊断方法

权利要求书

1.一种基于PCCs二次特征优选的故障诊断方法，其特征在于，包含步骤：

S1、基于统计特性和小波包熵的数据预处理，通过利用采集到的原始数据，对其进行统计特性的分析并计算不同频带小波包熵，从而得到包含大量特征的数据集；

S2、基于Z-score的数据标准化，根据S1得到换流器的输出电压与三相电流得到的时域和时频域特征对其进行标准化处理，减少由于量纲不同、数值相差较大所引起的误差，使其更好的进行接下来的主元提取和故障分类；

S3、基于PCCs对故障特征集进行第一次相关性分析,去除一部分集合内相对最冗余的特征；

S4、基于PCCs进行第一、二次相关性分析,进行冗余数据的剔除；

S5、基于SVM对处理后的特征集合进行分类诊断；

步骤S1所述基于统计特性和小波包熵的数据预处理，具体包含：

S11、采集高压柔性直流输电系统换流器的原始三相电流以及直流侧电压；

S12、针对原始数据的三相电压、电流提取时域特征，分别为最大值、最小值、平均值、平方和均值、均方根值、峰值、标准差、绝对平均幅值、峭度因子、波形因子、脉冲因子、裕度因子、偏度、峰值因子，从记作时域特征；

S13、针对所采集的电压与电流信号，将数据经FFT变换后，对其进行频谱转换，将其中的幅值作为输入的特征量，记作频域特征；针对所采集的电压与电流信号对其进行小波包多分辨率分解，并在确定好分解层数后，求其不同频带的熵值作为特征，记作小波包分解频带能量熵特征；

S14、将原始信号经过时域分析、时频分析得到时域特征、频域特征、小波包分解频带能量熵特征作为特征集合A_[N×M]：

A＝{时域特征，频域特征，小波包分解频带能量熵特征}_N×M

式中A为特征集合，N、M分别为样本数量、样本特征数量；

步骤S2中基于Z-score的数据标准化过程包含：

对原始数据A_[N×M]进行数据标准化，采用Z-score标准化：

其中x_ij为第i个样本第j个特征，x_j代表了第j个特征量，σ_j分别代表每个特征量的均值和标准差；

步骤S3中基于PCCs对故障特征集进行的第一次、第二次相关性分析包含:

S31、采用PCCs对S2形成的数据集进行分析，进行第一次相关性分析并去除一部分集合内相对最冗余的特征，根据S2的标准化后形成的特征集设为集合B，则数据集B为：

其中，x_iM代表第i个样本的第M个特征量，即X_i代表不同故障的同一类特征；

S32、对每一维度分别与其他维度数据特征进行皮尔逊相关系数计算,即X_k与X₁,X₂,X₃…X_k…X_l…X_M分别进行皮尔逊系数计算，得到皮尔逊系数矩阵，皮尔逊计算公式如下：

对于每一维特征，可得到一个皮尔逊系数矩阵，即[γ₁,γ₂,γ₃,...γ_M-1,γ_M]；

S33、计算其皮尔逊系数和，即：

S34、保留X_sumk小于阈值α的维度特征，即保留相关系数和小的维度特征作为新的特征集合C；

S35、针对S34所形成的新的特征集合C进行第二次相关性分析，进行第二次冗余数据的剔除，从而获得需要保留的特征集合。设置阈值β去除相关系数和大的维度特征，保留相关系数和小的维度特征形成新的特征集合D；

步骤S4中基于PCA对相关性分析后的数据集合降维包含：

S41、将S3得到的新的特征集合D输入PCA进行最后的降维和去相关性，处理得到的数据集合为D_[N×L]，对其进行协方差矩阵计算

S42、接着计算累计方差百分比

S43、在选取合适的贡献值后，得到所需要的PCA投影矩阵：

P_[N×K]＝[p1,p2,…,pl]；

S44、最后得到主元矩阵:

Z_[N×K]＝DP；

步骤S5中基于SVM对处理后的特征集合进行分类诊断包含；

将S4得到的特征集合E输入支持向量机进行故障诊断，并得到最后的故障诊断结果，输出结果。