[发明专利]一种多源融合的高压断路器机械故障诊断方法

摘要

本发明公开了一种多源融合的高压断路器机械故障诊断方法，属于多传感器信息融合诊断领域。该方法首先基于振动测量装置同时采集高压断路器多个位置的振动信号，计算振动信号的小波能量熵，构成描述高压断路器机械状态的振动特征向量；然后，将每个传感器的振动数据分组，形成模型训练集和评估集，根据模型训练集设计Softmax回归诊断模型，并利用评估集计算每个传感器在Softmax回归诊断模型下的诊断准确率，形成多个传感器机械故障诊断的置信性权重；最后，提出基于各传感器诊断权重的改进D‑S证据融合方法，实现高压断路器机械故障辨识。本发明有效降低单一传感器诊断的片面影响，极大提高了高压断路器机械缺陷诊断准确率。

主权项

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；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。