【技术实现步骤摘要】
本专利技术涉及高压断路器的智能诊断领域，尤其涉及一种铁路高压断路器中操动机构的电振声信号特征提取方法。
技术介绍
1、铁路高压断路器的复杂运行环境及精密的内部结构使得断路器易发生故障，尤其是操动机构的机械故障，对铁路供电系统的稳定性构成潜在威胁。传统的人工巡检与定期检修模式存在诸多局限。人为因素易导致漏检或误判，且随着铁路网络规模的持续扩大和列车运行速度的不断提升，传统方法已难以满足高效、准确的故障诊断需求。
2、现有技术通过先进的传感器，可以实时采集断路器的运行状态信号，如分合闸线圈电流信号、振动信号和声音信号等，这些信号能够反映断路器操动机构及传动机构的运行状态。随后，利用现代信号处理技术对这些信号进行预处理、特征提取，可以提取出反映故障特征的关键信息。然而，如何从复杂多变的信号中提取出有效特征，并融合多种信号进行综合分析，是当前铁路高压断路器故障诊断领域面临的技术难题。
技术实现思路
1、本专利技术的目的是为了克服现有技术存在的缺点和不足，而提供一种铁路高压断路器中操动机构的电振声信号特征提取方法，所述方法包括以下步骤：
2、采集高压断路器中操动机构的电振声信号，所述电振声信号包括线圈电流信号、振动信号和声音信号；
3、提取出线圈电流信号、振动信号和声音信号中对应高压断路器不同机械状态下的特征点，分析并选择出代表线圈电流信号、振动信号和声音信号的特征点以组成特征向量；
4、其中，所述线圈电流信号的特征点为其波形的三个极值点和零点
5、所述声音信号的特征点提取采用小波包分解获得各个频段的能量值，并进一步通过等时间划分各个频段的能量值得到不同时频段的能量值，从不同时频段的能量值中选择能量值差距较大、特征明显的频段作为声音信号的特征向量一部分；
6、所述振动信号的特征点提取采用eemd分解得到imf分量，并基于imf分量计算盒维数，将盒维数作为振动信号的特征向量。
7、优选地，所述不同机械状态包括正常状态、螺丝松动状态、电磁铁卡涩状态、弹簧衰老状态。
8、优选地，通过从每种机械状态中均选择出多组线圈电流信号进行对比，并验证线圈电流信号在不同机械状态下是否均具有相同的电流特征；
9、当线圈电流信号在不同机械状态下均具有相同的电流特征时，通过将不同机械状态下的线圈电流信号进行对比得到用于区分线圈电流信号处于不同机械状态的特征点。
10、优选地，所述声音信号的特征点包括以下步骤：
11、s41、通过共轭正交滤波器hk对声音信号进行滤波处理，令gk＝(-1)k-1h1-k；
12、s42、通过根据声音信号设置2n个采样点，采样频率设置为fs，分解层数设置为m，并令m＜n；采用小波包分解技术处理声音信号且分解出的每层信号的频带宽度为fs/2m+1，第n个频带的起始频率为f＝(n-1)fs/2m+1；
13、s43、所述分解出的每层信号均由高通滤波结果wm 2n+1和低通滤波信号结果wm2n并按照式(1)递归分解算法得到，所述高通滤波结果wm 2n+1和低通滤波信号结果wm 2n长度均为n/2m；；
14、
15、式中:n＝0,1,2,…,2m-1-1；w0＝f(t)；i＝0,1,2,3,…,n/2m-1；m＝0,1,2,3,…,m，当进行到第m层分解时，分解出的频带结果数为2m-1；
16、s44、将指定节点的信号按照式(2)重构得到小波包变换后的信号；
17、
18、s45、按照小波包空间能量算子e(j,n)提取各个频段的能量值；
19、
20、其中，e(j,n)表示在分解层次j上第i个结点的能量值，ps(n,j,k)是小波包变换系数。
21、优选地，通过将各频段的能量值计算其所占总能量的百分比，根据不同机械状态下的百分比占比不同来确定高压断路器中操动机构所处的机械状态。
22、优选地，所述等时间划分各个频段的能量值具体由小波包分解获得的2m个频带信号在时间上等分为n份，得到声音信号的时频能量谱来实现。
23、优选地，对振动信号的特征提取包括以下步骤：
24、s71、设置总体平均的次数m；
25、s72、通过具有标准正态分布的白噪声ni(t)和原始信号x(t)相加得到新的信号xi(t)：
26、xi(t)＝x(t)+ni(t)；
27、式中：ni(t)表示加入的第i次白噪声序列，xi(t)表示第i次的附加噪声信号，i＝1,2,3,…,m；
28、s73、采用emd将xi(t)分解，得到imf分量:
29、
30、式中：ci,j(t)为加入第i次白噪声时第j个imf分量，ri,j(t)代表残差分量，表示信号运动趋势，j为imf分量的个数；
31、s74、重复步骤s62和s63m次，得到每次分解加入幅值不同的白噪声得到imf的集合为:
32、c1,j(t)c2,j(t)…cm,j(t),j＝1,2,…,j；
33、s75、将步骤s64得到的imf集合通过采用不相关序列的统计平均值为零的原理进行集合平均运算，得到eemd分解后最终的imf：
34、
35、式中，cj(t)为eemd分解的第j个imf分量，i＝1,2,3,…,m，j＝1,2,3,…,j；
36、s76、通过imf与原始信号的相关系数r(j)得到阈值th，并根据imf与该阈值th比较结果筛选出有效imf：
37、
38、式中：rj为第j个imf分量与原始信号的相关系数，t为信号的采样点；当rj大于阈值th时，保留第j个imf分量，否则剔除。
39、8.根据权利要求2所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述基于imf分量计算盒维包括以下步骤：
40、s81、imf分量在时间轴上的等分并根据imf分量在该时间段内的幅值大小确定盒子内的灰度值；
41、s82、根据盒子内最大灰度值和最小灰度值计算该imf分量的盒维数。
42、本专利技术的有益效果：1、通过对电振声三种信号分别进行特征提取，构建了电振声联合特征。这种方法克服了仅依靠单一信号进行特征提取和故障辨识的局限性，能够更全面地反映断路器操作机构的工作状态，从而显著提高故障诊断的准确率；
43、2.通过小波包分解技术对声音信号更细致地分解高频信号，解决了非线性、非平稳特性及含有大量谐波的问题；
44、3.通过集合经验模态分解(eemd)有效克服了传统经验模态分解(emd)存在的分量模态混叠和末尾效应缺陷。
45、4.通过分形盒维数来定量描述振动信号图像的复杂程度和纹理特征，实现了对断路器各种机械状态的分类和量化，不仅提高故障诊断的精度，还为故障的早期发现和精准定位本文档来自技高网...
【技术保护点】
1.一种铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述不同机械状态包括正常状态、螺丝松动状态、电磁铁卡涩状态、弹簧衰老状态。
3.根据权利要求2所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：通过从每种机械状态中均选择出多组线圈电流信号进行对比，并验证线圈电流信号在不同机械状态下是否均具有相同的电流特征；
4.根据权利要求1所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述声音信号的特征点包括以下步骤：
5.根据权利要求4所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：通过将各频段的能量值计算其所占总能量的百分比，根据不同机械状态下的百分比占比不同来确定高压断路器中操动机构所处的机械状态。
6.根据权利要求4所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述等时间划分各个频段的能量值具体由小波包分解获得的2m个
7.根据权利要求2所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：对振动信号的特征提取包括以下步骤：
8.根据权利要求2所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述基于IMF分量计算盒维包括以下步骤：
...【技术特征摘要】
1.一种铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述不同机械状态包括正常状态、螺丝松动状态、电磁铁卡涩状态、弹簧衰老状态。
3.根据权利要求2所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：通过从每种机械状态中均选择出多组线圈电流信号进行对比，并验证线圈电流信号在不同机械状态下是否均具有相同的电流特征；
4.根据权利要求1所述的铁路高压断路器中操动机构的电振声信号特征提取方法，其特征在于：所述声音信号的特征点包括以下步骤：
5.根据权利要求4所述的铁路高压断路...
【专利技术属性】
技术研发人员：闵捷，苏多志，王芳，沈秉成，杨洪健，
申请(专利权)人：中国铁路青藏集团有限公司西宁供电段，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。