一种基于聚合经验模态分解算法的断路器故障分析方法技术

本发明专利技术公开了一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；基于模糊核C‑均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。在本发明专利技术实施中，所述方法重构误差小、完备性高、自适应性强。

【技术实现步骤摘要】
一种基于聚合经验模态分解算法的断路器故障分析方法
本专利技术涉及电气设备测试
，尤其涉及一种基于聚合经验模态分解算法的断路器故障分析方法。
技术介绍
不同类型的机械故障会在断路器上激发相应的固有频率，同一种故障引发的信号能量一般会分布在某种或几种频率成分上，且处于不同频带的故障信号能量也不相同，因而如何对振动信号蕴含的丰富信息进行有效提取、分析成为诊断断路器故障的关键。对断路器故障诊断大致分为信号预处理、故障分量提取以及算法识别三个步骤。目前对断路器信号预处理和故障分量提取大多采用小波去噪联合经验模态分解(EMD)或总体平均经验模态分解(EEMD)方法在分类算法上主流采用SVM分类算法。小波去噪方法通过卷积运算得到细节信号和逼近信号并对其重构，但存在重构精度偏低、不适于对模糊信号进行处理等缺陷，EMD方法虽然适用于对非平稳信号进行处理，但存在极值点选取复杂、模态混叠等问题，EEMD方法在分解时加入正态分布白噪声以解决模态混叠问题，但亦随之增加了计算规模，各个模态分量也存在噪声残留，在分类算法方面，SVM算法在解决维度灾难和泛化问题上有着较强的能力，但传统的SVM算法并不适用于多分类问题，同时对参数选取较为依赖。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于聚合经验模态分解算法的断路器故障分析方法，基于聚合经验模态分解算法去噪，结合局部均值分解算法求取多尺度排列熵提取特征并基于模糊核C-均值聚类算法进行故障诊断的断路器机械故障诊断方法。为了解决上述技术问题，本专利技术实施例提供了一种基于聚合经验模态分解算法的断路器故障分析方法，所述方法包括：基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。可选的，所述采集到的断路器振动信号包括断路器正常分闸、卡涩故障、拒动状态和底座松动的状态下的振动信号。可选的，所述基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量包括：将标准正态分布的白噪声添加至采集到的断路器振动信号中，得到需要分解的振动信号；基于EMD算法，对所述需要分解的振动信号进行EMD分解，得到模态分量均值和余量信号；重复所述EMD分解直到迭代条件不满足约束为止，得到若干本征模态函数分量和剩余分量。可选的，所述若干本征模态函数分量和剩余分量的具体公式如下：其中，x(n)表示若干本征模态函数分量和剩余分量，k表示第k个本征模态函数分量，n表示第n个采集到的断路器振动信号，IMFk(n)表示本征模态函数分量，R(n)表示剩余分量。可选的，所述基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号包括：基于熵权算法，判断所述若干本征模态函数分量，得到所述若干本征模态函数分量中的高频分量；对所述高频分量进行重构，得到去噪后的振动信号。可选的，所述基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和包括：通过计算得到所述去噪后的振动信号的所有局部极值点，并表示所述去噪后的振动信号的所有平均值和包络估计值；基于滑动平滑法，将所述去噪后的振动信号的所有平均值和包络估计值中相邻的进行平滑处理，得到所述去噪后的振动信号的局部均值函数和包络估计函数；将所述去噪后的振动信号的局部均值函数从原振动信号中分离，并除以所述去噪后的振动信号的包络估计函数，得到调频信号；通过计算所述去噪后的振动信号的包络函数，判断所述调频信号是否为纯调频信号；若是，则得到乘积信号函数；若否，则设置迭代终止条件并进行迭代，直到得到纯调频信号；将所述乘积信号函数从原振动信号中分离得到新的信号，并重复k次得到k阶乘积信号函数和单调函数；将所述k阶乘积信号函数与所述单调函数相加，得到k阶乘积信号函数与单调函数之和。可选的，所述k阶乘积信号函数与单调函数之和的具体公式如下：其中，x(t)表示原振动信号，i表示第i个值，PFi(t)表示乘积信号函数，yk(t)表示单调函数。可选的，所述基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵包括：基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，对序列长度为N的时间序列进行粗粒化处理，得到粗粒化序列；将所述粗粒化序列进行重构，得到重构后的粗粒化序列；将所述时间序列进行升序排列，得到符号序列；基于所述时间序列、所述粗粒化序列和所述符号序列，通过计算得到多尺度排列熵。可选的，所述基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果包括：选取每种故障前三阶乘积信号函数分量生成的多尺度排列熵；基于模糊核C-均值聚类算法，将所述多尺度排列熵映射后进行聚类，得到聚类目标函数；基于所述聚类目标函数，进行故障诊断，得到断路器的故障结果。可选的，所述聚类目标函数的具体公式如下：其中，uik的约束条件为：其中，Jm(U,v)为聚类目标函数，vi为聚类中心，c为类别数，uik为第k个样本对第i个类别的隶属度，m为权重系数。在本专利技术实施中，一种基于聚合经验模态分解算法的断路器故障分析方法根据先验知识对传统的断路器故障检测的方法进行改进，自适应白噪声的完整聚合经验模态分解算法和局部均值分解算法是基于总体平均经验模态分解算法的改进方法，与小波去噪联合经验模态分解算法及总体平均经验模态分解算法相比，具有重构误差小、完备性高、自适应性强等优点，而且克服了总体平均经验模态分解算法分解效率低和模态混叠的问题，对于端点效应也有相应改善；相对传统SVM算法，模糊核C-均值聚类算法通过核空间非线性映射，可以突出样本的特征差异；针对在断路器振动信号进行预处理、特征提取和故障识别上存在的不足之处，所述方法提出基于聚合经验模态分解算法去噪、结合局部均值分解算法求取多尺度排列熵提取特征并利用基于模糊核C-均值聚类算法进行故障诊断的断路器机械故障诊断。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。本文档来自技高网...

【技术保护点】
1.一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述方法包括：/n基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；/n基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；/n基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；/n基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；/n基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。/n

【技术特征摘要】
1.一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述方法包括：
基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量；
基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号；
基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和；
基于所述k阶乘积信号函数中的前三阶乘积信号函数分量，通过计算得到多尺度排列熵；
基于模糊核C-均值聚类算法，对所述多尺度排列熵进行故障诊断，得到断路器的故障结果。


2.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述采集到的断路器振动信号包括断路器正常分闸、卡涩故障、拒动状态和底座松动的状态下的振动信号。


3.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于聚合经验模态分解算法，将采集到的断路器振动信号进行自适应白噪声的完整聚合经验模态分解，得到若干本征模态函数分量包括：
将标准正态分布的白噪声添加至采集到的断路器振动信号中，得到需要分解的振动信号；
基于EMD算法，对所述需要分解的振动信号进行EMD分解，得到模态分量均值和余量信号；
重复所述EMD分解直到迭代条件不满足约束为止，得到若干本征模态函数分量和剩余分量。


4.根据权利要求3所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述若干本征模态函数分量和剩余分量的具体公式如下：



其中，x(n)表示若干本征模态函数分量和剩余分量，k表示第k个本征模态函数分量，n表示第n个采集到的断路器振动信号，IMFk(n)表示本征模态函数分量，R(n)表示剩余分量。


5.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于熵权算法，通过对所述若干本征模态函数分量中的高频分量进行重构，得到去噪后的振动信号包括：
基于熵权算法，判断所述若干本征模态函数分量，得到所述若干本征模态函数分量中的高频分量；
对所述高频分量进行重构，得到去噪后的振动信号。


6.根据权利要求1所述的一种基于聚合经验模态分解算法的断路器故障分析方法，其特征在于，所述基于局部均值分解算法，将所述去噪后的振动信号进行局部均值分解，得到k阶乘积信号函数与单调函数之和包括：
通过计算得到所述去噪后的振动...

【专利技术属性】
技术研发人员：夏小飞，黄辉敏，陈庆发，雷一鸣，吕泽承，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：广西;45