[发明专利]一种高压断路器机械缺陷集成学习诊断方法

摘要

本发明公开了一种高压断路器机械缺陷集成学习诊断方法，属于高压断路器检测技术领域。所述方法首先获取机械振动信号数据样本及原始特征空间构建；然后基于有放回随机抽样方式组成多个特征子集；以每个特征子集和差集训练成最优旋转压缩决策子树模型；以投票机制构成最终的高压断路器机械缺陷诊断模型。本发明采用了粒子群算法对自编码器超参进行了迭代优化，避免人为调整参数的局限性，有利于高压断路器机械缺陷诊断精度的提高；本发明利用自编码器对原始特征空间进行了优化变换，使得集成学习中每个子分类器均表现出增强型决策，强化了各决策子树的表征能力，同时提高了集群诊断的辨识精度。

主权项

1.一种高压断路器机械缺陷集成学习诊断方法，其特征在于：所述方法包括步骤如下，步骤1：获取机械振动信号数据样本及原始特征空间构建；采集高压断路器在不同机械缺陷下合闸过程的机械振动信号，利用小波包时频域分析，计算小波包能量熵，度量机械振动信号特征，组成机械振动信号原始特征空间；步骤2：基于有放回随机抽样方式组成多个特征子集；在原始特征空间下，有放回随机抽样数据样本，组成和原始特征空间中数据样本数一致的多个特征子集，特征子集中可能存在重复的特征数据，并定义每个特征子集为各自袋内数据，各特征子集与原始特征空间的差集为各自袋外数据，并且特征子集个数为最终形成最优旋转压缩决策子树的数量；步骤3：以每个特征子集和差集训练成最优旋转压缩决策子树模型；步骤3.1基于每个特征子集建立自编码器，将原始特征空间旋转、压缩、非线性映射为新特征空间描述；步骤3.1.1初始化自编码器的结构和相关参数；步骤3.1.2将特征子集输入到自编码器中训练，使得自编码器的编码器输出等于解码器的输入，提取自编码器中间隐含层作为新特征集下的袋内数据，即完成原始特征空间的旋转、压缩以及非线性映射；所有新特征集构成新特征空间；步骤3.1.3记录自编码器从输入到中间隐含层的映射关系，即自编码器旋转、压缩参数；步骤3.2在新特征空间下以袋内数据构建决策树分类诊断模型；步骤3.2.1将步骤3.1.2中得到的新特征空间下的袋内数据，放入决策树的树根节点；步骤3.2.2以袋内数据中某个特征的某个数值点对袋内数据进行分割，基于基尼指数评估该特征在这一数值点的分割效果，寻找用于分割新特征空间下的袋内数据类别的最佳特征及数值点，将袋内数据分成两个子部分；步骤3.2.3判断分割后的两个子部分的基尼指数，若某个子部分的基尼指数小于要求值，则此子部分不再分割，并定义为叶节点，这个子部分样本最多的类别就是这个叶节点的输出类别；若某个子部分的基尼指数大于要求值则以步骤3.2.2的方式再次进行分割，直至满足要求，如此形成了基于新特征空间下袋内数据的决策树分类诊断模型；步骤3.3以袋外数据对生成的自编码器旋转压缩决策子树分类诊断模型进行评估，采用粒子群算法优化自编码器的超参和决策树分类诊断模型，获得最优旋转压缩变换决策子树；所述超参包括自编码器的旋转和压缩参数；步骤4：基于多个最优旋转压缩变换决策子树诊断模型，以投票机制构成最终的高压断路器机械缺陷诊断模型；基于不同的抽样特征子集不断重复步骤3中训练‑评估‑优化过程，获得多个最优旋转压缩变换决策子树模型，并统计多个最优旋转压缩变换决策子树模型的分类结果，以少数服从多数的投票机制集成融合，完成高压断路器机械缺陷的最终诊断。