基于振声信号特征融合的万能式断路器机械故障诊断方法

基于振声信号特征融合的万能式断路器机械故障诊断方法
【专利摘要】基于振声信号特征融合的万能式断路器机械故障诊断方法，包括以下步骤，第一步，采集万能式断路器分合闸动作过程中的机身振动信号和机身声音信号，第二步，采用改进的小波包阈值去噪算法进行去噪；第三步，采用互补总体平均经验模态分解算法分别对降噪信号提取若干个反映断路器分合闸动作状态信息的固有模态函数分量；第四步，分别确定振固有模态函数分量的数量Z，第五步，计算其能量比、样本熵和功率谱熵并作为三类特征；第六步，并采用组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处理，得到M个主元，第七步，建立基于相关向量机的次序二叉树多分类器模型。
【专利说明】
基于振声信号特征融合的万能式断路器机械故障诊断方法
技术领域
[0001] 本发明的技术方案涉及断路器的机械故障诊断，具体地说是一种基于振声信号特 征融合的故障诊断方法。
【背景技术】
[0002] 依照国家对智能电网建设的规划，智能变电站是智能电网的重要组成部分和关键 环节，万能式断路器智能化是智能变电站的重要组成部分，是电力系统低压配电网的关键 设备之一，广泛应用在低压配电系统中总进线处或重要设备处。国内外研究表明断路器易 发生机械故障，对其研究工作主要集中在高压断路器机械故障诊断，但万能式断路器操作 的可靠性同样关系到电力系统的安全运行。因此，针对其机械状态的监测和故障诊断具有 重要的意义。目前，针对断路器的故障诊断技术一般包括信号采集、特征提取、故障识别3个 环节的内容。
[0003] 第一环节中采集的信号有:分合闸线圈电流及电压、动触头行程或主轴转角、开断 电流及电弧电压、触头受力等。近年来，利用振动与声音信号检测断路器机械状态逐渐成为 国内外研究的热点。断路器运行和动作过程中的振动信号与声音信号的组成虽然复杂难以 解释，但却包含丰富的机械特性信息，检测振动与声音信号作为非侵入测量方式，可实现便 捷可靠地监测断路器的机械状态，其采集不需要与断路器电气连接，不会破坏断路器本体 结构。振动信号抗干扰强，灵敏度高，但传感器受电荷累计效应影响易高频失真;声音信号 易受噪声干扰，但测量频带宽，可更好地避免失真影响。振声信号蕴含的信息虽存在冗余但 同时具有互补性，二者结合可更有效地对断路器进行无损检测。同时，针对振声信号中的噪 声，可采用小波包软硬阈值结合去噪预处理。
[0004] 第二环节的特征提取过程中，针对振动信号的非线性、非平稳特性，常采用适用于 具有暂态、突变等非平稳信号分析的小波分析、经验模态分解（emp i r i ca 1 mo de decomposition，EMD)、总体平均经验模态分解（ensemble EMD，EEMD)、希尔伯特-黄变换 (Hilbert-Huang transform,HHT)等，但小波在故障信号分解上存在自身缺陷，其分解效果 依赖于小波基和分解尺度的选取，不具有自适应性，此外，小波分解还存在能量泄漏。虽然 经验模态分解是一种自适应的时频局部化分析方法，却存在模态混叠和端点效应现象，对 其进行改进的总体平均经验模态分解能够在一定程度上抑制模态混叠，但添加的白噪声不 能被完全中和，不具有完备性，而补充的集成经验模态分解，通过成对地添加符号相反的白 噪声到目标信号，从而大大减小了重构误差，实现信号各模态分量的准确分解。而对于信号 所提取的特征而言，时域上常提取均值、方差、协方差、偏度、峰度、峭度等;频域上常提取幅 频相频特征、包络谱特征;数据序列上，常提取能量特征、奇异性、信息熵等。在这些方法中， 主要问题是所提特征单一，包含的故障信息有限，而且仅依靠某一种特征存在准确率低、可 靠性和稳定性差等问题。为进一步提高故障识别的精度与稳定性，需要将多种特征综合利 用，并最终实现故障特征信息的有效融合。
[0005] 第三环节的故障识别方法随着人工智能的发展，常采用神经网络、支持向量机等。 较为常用的神经网络具有一定的抗噪声和泛化能力，但是训练需要较多样本，且存在局部 收敛问题。虽然支持向量机适于解决小样本、高维数、非线性等问题，但该算法有规则化系 数确定困难、预测结果不具有统计意义、核函数受Mercer条件限制等固有局限。针对以上问 题，相关向量机(relevance vector machine,RVM)可以有效弥补上述缺陷。此外，相关向量 机还能以概率形式输出结果，更加具备实用性，采用相关向量机作为模式分类器，可有效提 高故障识别率。然而，虽然相关向量机仅需选择核函数参数，但其分类结果对核参数依然敏 感。目前，针对核参数参数的选择大都依据经验选取合适的核函数参数值，从而建立基于相 关向量机识别模型。然而，选取全局最优核函数参数值对于所建立的相关向量机诊断模型 的识别效果能够有很好的提升。因此，相关向量机模型中的核函数参数值需要对其进行寻 优。
[0006] 综上，现有的故障识别方法均存在一定缺陷，现有技术中亟需提供故障识别率高， 稳定性好，基于振声信号特征融合的万能式断路器机械故障诊断方法。

【发明内容】

[0007] 本发明所要解决的技术问题是:提供一种基于振声信号特征融合的万能式断路器 机械故障诊断方法，是一种多通道多特征信息融合与参数自适应寻优故障分类识别模型相 结合的方法，用于对断路器分合闸过程中出现的机械故障进行准确、稳定、可靠地诊断识 另IJ，以及实现对万能式断路器微弱机械故障的有效识别，振动信号与声音信号的联合检测 方式，实现不同通道源信号间的信息互补，采集所得的振声信号先对其进行改进的小波包 阈值去噪预处理，然后对降噪后的振声信号采用互补总体平均经验模态分解算法进行时频 分解，得到若干固有模态函数，提取固有模态函数的能量比、样本熵、功率谱熵，再利用组合 核函数核主成分分析对上述多特征参数降维并融合组成特征向量，解决单一特征识别断路 器分合闸故障的低准确率和低稳定性，最后利用改进量子粒子群优化基于相关向量机的分 类模型参数，建立基于改进量子粒子群与相关向量机结合的模型，并将降维融合的故障特 征作为特征向量输入到识别模型进行故障诊断。
[0008] 本发明解决该技术问题所采用的技术方案是，提供一种基于振声信号特征融合的 万能式断路器机械故障诊断方法，所述振声信号为万能断路器分合闸过程中通过加速度传 感器采集到的的机身振动信号和通过拾音器采集到机身声音信号，其特征是包括以下步骤
[0009] 第一步，采集万能式断路器分合闸动作过程中的机身振动信号和机身声音信号， 并将采集到的模拟信号分别转化为数字信号，得到初始的振动 Sv'（t)与声音信号Sa'（t)，t 为分合闸动作时间；
[0010]第二步，采用改进的小波包阈值去噪算法分别将采集到的振动信号Sv'（t)与声音 信号sa'（t)作为含噪信号进行去噪，得到降噪振动信号sv(t)和降噪声音信号&(〇;
[0011] 第三步，将降噪振动信号sv(t)与声音信号sa(t)分别作为待分解信号s(t)，依次采 用互补总体平均经验模态分解算法分别提取若干个反映断路器分合闸动作状态信息的固 有模态函数分量；
[0012] 第四步，分别确定振动信号Sv(t)与声音信号sa(t)分别作为待分解信号s(t)时，所 需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布，确定归 一化能量值累计大于90%的时Z值;当s(t)分别为 Sv(t)、Sa⑴时，Z值分别记做ZjPZ2，
[0013] 第五步，选择待分解信号s(t)的前Z阶固有模态函数分量进行处理，分别计算其能 量比、样本熵和功率谱熵并作为三类特征；
[0014] 第六步，依照第一步到第五步，分别求出不同分合闸动作状态下，振动信号的前冗： 阶固有模态函数分量的能量比、样本熵与功率谱熵与声音信号的前办阶固有模态函数分量 的能量比、样本熵与功率谱熵，并统一将振动与声音信号的三类特征组成一个特征样本，并 采用组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处理，得到Μ个主 元，所述组合核核主元分析方法为采用组合核函数的核主元分析方法(KPCA)，所述组合核 函数由局部核函数和全局核函数组合得到，所述局部核函数为多项式核函数，所述全局核 函数为RBF核函数；
[0015]第七步，通过计算不同分合闸动作状态的所选取的主元间的欧氏距离来定量评价 类间样本主元平均距离，建立基于相关向量机的次序二叉树多分类器模型，将相关向量机 的核函数参数υ记作待优化的粒子，采用收缩-扩张系数自适应调节的量子粒子群算法对相 关向量机的分类模型中的核函数参数υ进行优化。
[0016]所述的基于振声信号特征融合的万能式断路器机械故障诊断方法，第二步中所述 改进的小波包阈值去噪算法具体包括以下步骤：
[0017] 1)选用Daubechies(dbN)小波基作为小波分解的基函数，分解层数为5层，对含噪 信号进行小波包分解，分别得到各自的小波包系数Wm即第j层上的第i个频段的小波包系 数；
[0018] 2)采用阈值函数对小波包系数Wj, i进行阈值量化处理，得到经阈值函数处理后的 小波包系数 <,,，其中阈值函数为将软阈值函数与硬阈值函数相结合的阈值函数，其构造的 新阈值函数如下：
[0020]式（1)中<,为经阈值函数处理后的小波包系数，其中(^，为小波包分解第j层上的 第i个频段子带能量归一化系数;为处理之前的小波包系数;采用基于heursure的启发 式阈值选取函数对阈值λ进行选取，I为调节系数，〇.5：￡ G1;
[0021]式（1)中小波包能量系数ay可以由小波包系数％,i求得，具体为:含噪信号经j层 小波包分解后，小波包系数为W( j，0)，W( j，1)，…，W( j，2j_l)，每个子频带小波包的能量Ej,i
r/j __j =I |w(j，i) 112,总小波包能量为￡： ;小波包能量系数 ；将经阈值函 ?'-Ο 数处理后的小波包系数重建小波包树，并反变换重构去噪后的信号，得到降噪振动信号Sv (t)与降噪声音信号~(0。
[0022] 所述基于振声信号特征融合的万能式断路器机械故障诊断方法，第三步中所述互 补总体平均经验模态分解算法包括以下步骤：
[0023] 1)将符号相反的白噪声信号成对地添加到待分解信号s(t)，形成两个新的信号S1 (t)，S2(t);
[0024] 2)对目标信号S1(t)，S2(t)进行经验模态分解，具体包括
[0025] 2.1)确定目标信号S1(t)所有的极大值点和极小值点，然后将所有极大值点用一 条光滑的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到 下包络线，使上、下包络线线间包含所有的信号。上、下包络线的平均值记为nu(t)，求出目 标信号 S1(t)的第一个分量 hKOjPsdthmKOzhKt) (2)
[0026] 2.2)将出&)作为81(〇带入式(2)中，重复进行步骤2.1)的筛选1^次，得到1 111{(〇 = hi(k-i)(t)_mik(t)，使得hik(t)变为一个固有模态函数分量。记ci(t)=hik(t)，则ci(t)为信号 S1(t)的第一个满足固有模态函数条件的分量，即固有模态函数分量(DIF)。
[0027] 2.3)将 ci(t)从 si(t)中分离出来，得到 ri(t)=si(t)_ci(t) (3)
[0028] 将。&)作为S1(t)重复前步骤2.1)和2.2)，得到S1(t)的第二个满足固有模态函数 条件的分量C2(t);
[0029] 2.4)循环重复步骤2. 3) η次得到信号S1(t)的η个固有函数模态分量，即 n (0-^(0=^(0 … （4)，在步骤2.4)的重复循环的终止条件为，当分量(^(〇或残量化(〇 ;；-i(0~c?(0 = 7； W.. 足够小以至于当残量rn(t)为一个单调函数不能再从中提取满足固有函数模态分量时；
[0030] 所述固有模态函数条件为a.整个时间序列中的极值点与过零点的数量最多相差 一个，b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零；
[0031] 目标信号82(〇同样按照81(〇的处理方式，按照步骤2.1)到2.4)对82(〇进行处 理；
[0032] 3)循环上述步骤1)~2);重复向待分解信号s(t)添加符号相反的成对白噪声信号 然后将得到的新信号进行经验模态分解;最后将分解结果进行总体平均运算，得到分解结 η 果如式(5)，即外）=[，,(，)+，;,(，）（5)，式中，8(0为待分解信号;(^0(1 = 1，2，"，11)为 第j个固有模态函数分量(IMF)，rn(t)为残余分量。
[0033] 所述的基于振声信号特征融合的万能式断路器机械故障诊断方法，其特征是第四
步中第i阶固有模态函数分量的能量的计算公式为 .I。 、式 / = 1,2,···,/? (6八 (6)中η为待分解信号经互补总体平均经验模态分解的固有模态函数分量阶数，N为每个固 有模态函数分量的数据点数；
[0034] 各阶固有模态函数分量的能量总和为￡ = ? 则第i阶的固有模态函数分量
?'-1, 的能量比定义为 （8)，当心+1?2+"_+1^彡90%时的Z值，即为归一化能量值累计大于 90%的Z值。
[0035]所述基于振声信号特征融合的万能式断路器机械故障诊断方法，其特征是第五步 中提取所述固有模态函数分量样本熵的计算方法如下：
[0036] 1)记第i个固有模态函数分量SCl(t) = {c(n)} = c(l)，c(2)，···，(：(《的N点数据 序列，将序列{c(n)}按顺序组成m维的向量，Cm(l)，…，Cm(N-m+l)，即Cm(i) = {c(i)，c(i + 1)，…，c(i+m-1)}，Ki^N-m+l(9)
[0037] 2)定义向量(^(1)和(^(」）之间的距离(1[(^(1)，(^(」）](1#」）为两组向量对应元素 中最大差值的绝对值。即a [c," (/), C",⑴]=gaj|c(/ +岣-C (/ +是)| (10)
[0038] 3)给定相似容限 r(r>0)，对每个 i 值统计 d[Gn(i)，Gn(j)]<r 的 Gn(j)(Kj<N~m+l, j乒i) 的数目，然后计算其与总距离Νι的比值，记作/Γ (小即
[0039] 4)计算所有的平均值B(m)(r)，即」
[0040] 5)将向量增加维数到m+1，重复步骤1)~3)，则《+1 (r)的平均值如式（13)所示，即
(13 >，实测数据N为有限值时，样本熵的估计值为 SampEn (m, r, N) = - In (r)/B{m) (r) (M).，m取为 1 或 2，r 取0 · 1-0 · 25倍SD;
[0041 ]提取所述固有模态函数分量功率谱熵的计算方法为：
[0042]分别将待分解信号s(t)的第i个IMF分量记作Ci(t)，Ci(t)离散傅里叶变换为Ci (w)，进一步推导出振动信号与声音信号的功率谱为：
gPSl(w) = {Sl (1)4(2)，~，5以)}，由此定义功率谱熵出(〇，即化(./>-^>,(4如,(1〇(15)，式(15)中， w=l 下标f表示频域。qi(w)为第w个功率谱在整个谱中所占百分比。
[0043] 所述基于振声信号特征融合的万能式断路器机械故障诊断方法，第六步所述组合 核核主元分析方法如下所述：
[0044] 设输入训练特征样本Xk(k= 1，2,…，N)被映射为Φ (Xk)，即:Xk- Φ (Xk)，变换后的 数据满足:?>(Λ'<)=9?则变换后的训练样本Φ (Xk)的总体散布矩阵C为(16); λ=Ι Λ ?=1
[0045] 求解特征方程AV = CV (17)，其中V为特征向量，V由(HXihiHXd…Φ(ΧΝ)来表 示即r = ^>,#(X)(丨8)，其中aw·，为常数； 免：.1
[0046] 根据再生核理论，特征向量V-定位于由Φ (Xi)、Φ (X2)…Φ (XN)组成的特征空间 内，
[0047] 定义一个NXN且满足Mercer条件的核函数矩阵Κ，Κυ=Φ(Χ?)ΤΦ(Χ』） （19)，将式 (16)、式（18)、式（19)代入(17)中得似€[=1(€[ (20)，
[0048]这样求式(17)特征向量V的问题就转换为求解式(20)的特征向量a。
[0049] 通过求解特征方程(20)得到一组非零特征值Μ以及对应的满足归一化条件^(a1， 〇1) = 1的特征向量〇1(1 = 1，2^"少/，1'1/彡1'0。
[0050] 根据式（18)得到特征空间上的投影主分量％(j = l，2,…，N)，设X为一测试样本， 贝1J其在Vj上的投影为(Λ.'? = （21 )，在式（21)求 拉1. 解过程中求解核函数KUiAX 的确切表达式的方法如下：
[0051] 对变换后得到的核函数矩阵K进行如式(22)所示的中心化，即fzK-KXL-LXK+L XK XL (22)，其中L为N阶矩阵且满足
[0052] 全局核函数为多项式核函数Ki(Xi，Xj) = [(Xi · Xj) + l]q，局部核函数为RBF核函数 It-xd |2/δ2)，将局部核函数和全局核函数组合得到核函数 (Φ (χ〇τΦ (Xj))的确切表达式即组合核函数 KUhXjzeidUijjHa-eMKXijj) (23)， 其中，Θ为组合核函数比例，q为多项式核函数最高次项次数，δ为RBF宽度参数。
[0053] 最后定义平均类间可分性参数d μ，评价Μ个主元提取的有效性
(24)，式中s为万能式断路器分合闸状态类别数，dab为 第a类与第b类状态Μ个主元的类间距离，rf和f分别为第a，b类中Μ个主元距本类主元中心 的最大距离；
[0054]所述采用组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处 理的基本步骤包括：
[0055] 1)输入降噪振声信号三类特征统一后的特征样本集Xk(k=l，2,…，N);
[0056] 2)求组合核核主元分析方法中的核函数矩阵K;
[0057] 3)求组合核核主元分析方法的中心化核函数矩阵f ;
[0058] 4)计算中心化核函数矩阵f的特征值λ和特征向量α ;
[0059] 5)规范化特征向量:.《/=<7,/，/^";
[0060] 6)对步骤4)计算所得的相应特征值由大到小排列；
[0061] 7)根据累积贡献率提取前i个特征值及其对应的前i个特征向量，构成训练降噪振 声信号三类特征统一后的特征样本集的主成分方向；
[0062] 8)将训练降噪振声信号三类特征统一后的特征样本集投影到第7)步求得的主成 分方向上，提取出训练降噪振声信号三类特征统一后的特征样本集的主元。
[0063] 9)输入测试降噪振声信号三类特征统一后的特征样本并进行相应的核变换得到 核矩阵，然后将该核矩阵投影到7)步求得的主成分方向上，得到相应测试降噪振声信号三 类特征统一后的特征样本主元，仅选取前Μ个累计贡献率达到90 %的主元。
[0064] 所述基于振声信号特征融合的万能式断路器机械故障诊断方法，第七步中设
[xj二为降噪振声信号三类特征统一后的特征样本集的主元，将其作为输入向量，t=[ti， t 2，…，t N ] τ为目标向量，则相关向量机分类模型如式（2 5 )所不，即 Ν in = y (λ% w) + εη = ^ wfK (Χ·, λ·;· ) + w0 + ·εη (25) ?-1·
[0065] 式（25)中，w 为权重向量，'\￥=[￥。，'\￥1，."，'\^]1';1((叉^) = 6叉口(-||叉1||2/〇2)为核函 数，υ为核函数参数，噪声εη~Ν(0，σ 2);
[0066] 整个数据集的似然函数如式（2 6 )所示，即|w，,σ2) = σ2)
:.(26)，式中，φ = [ Φ (XI)，Φ (Χ2)，···，Φ (ΧΝ)]Τ为设计矩 阵，Φ (Xi) = [l，K(Xi，Xl)，K(Xi，X2)，···，K(Xi，XN)]T;当目标值{/；丨二为〇或1时，似然函数如式 (27)所示，艮口/?(，卜')=|^4小，)]',{1-4小.， 11,)]广<(2^^^ ?=1 ~ 数；
[0067] 采用稀疏贝叶斯方法对权重向量w赋予零均值高斯先验分布如式（18)所示，即 夕(讲|..?) = |：]^(1^丨0為'1).(.2:8)，式( 28)中，(：1为糾维超参数向量，(：1 = ((：1〇，(：11，."，(^)1^(·) i-0- 为正态分布函数；
[0068] 对于新的输入向量X*，其对应的目标值t*的概率预测式为，p(t*|t)=Jp(t*|w，a, 〇2)p(w,a,o21 t)dwdad〇2 (29)，对式(29)进行贝叶斯推导可得p(w,a,σ211) =p(w11,α,σ2)ρ (a,〇2|t) (30)，对式(30)进行近似处理，相关向量机的学习过程为最大化p(a， 〇2|t)cxp(t α，σ2)ρ(α)ρ(ο2)的过程，即找到aMP、o2MP，满足即)=吨丨1獄"(K a,cr~
[0069] 采用数值方法近似求解αΜΡ、σ2ΜΡ，可得α、σ 2迭代更新公式如式
}，
[0070] 式(34)中，Σ i,i为 Σ = [σ-MTcD+diagCaoA，…，αΝ)]-1中第 i项对角线元素，yi为 权重向量μ = σ^2Σ Φτ?的第i个元素;在足够多的更新后，大部分的ai将趋近无穷大，其对应 的^为0,而其他的~则会趋近于有限值，与之对应的 Xl的集合称为相关向量，进而可得相关 向量机的分类模型，以类间样本平均欧式距离作为可分性测度，将万能式断路器故障诊断 这一多分类问题转化为多个二分类问题，建立基于相关向量机的次序二叉树多分类器故障 诊断模型；
[0071 ]对于两类样本集合{x,丨二和伶，丨二，其中Xi e A类，冬e万类，则A类与B类的类间样本 平均欧式距离为如式（35)所示（.35)，式（35)中4心毛)为2 个不同类别样本间的欧氏距离。
[0072]所述基于相关向量机的次序二叉树多分类器模型的建立过程为，以分合闸动作过 程中不同机械故障状态以及正常状态下选定的前Μ个主元作为相关向量机的输入向量，以 万能式断路器正常、虚假合闸、分闸不彻底或某相不同期的分合闸动作状态为相关向量机 的输出，依次建立万能式断路器故障识别模型，相关向量机的次序依据欧式距离的大小选 定；
[0073]采用收缩-扩张系数自适应调节的量子粒子群算法（以下简称改进QPSO)对相关向 量机的分类模型中的核函数参数υ进行优化，将核函数参数υ记作待优化的粒子；
[0074] 改进QPSO的适应度函数为Κ-折交叉验证识别率函数，即
（>，式 中X1jPXlw*别是相关向量机的第1次验证样本集中被正确和错误分类的样本数量，适应度 值越大，表示解越优异；
[0075]采用改进QPS0对基于相关向量机的次序二分类器模型中的核函数参数u进行优化 的具体步骤为：
[0076] 1)初始化一组粒子，即核函数参数υ;
[0077] 2)计算粒子适应度值，得到个体极值与群体极值；
[0078] 3)根据改进QPS0的进化方程更新粒子位置；
[0079] 4)判断是否达到设定的迭代次数。是，退出，此时的群体极值即为所要求的最优核 函数参数;否，返回步骤2);
[0080] 5)输出最优核函数参数取值至基于相关向量机的次序二分类器模型；
[0081]在步骤2)中选择RVM的交叉验证分类的识别率作为粒子适应度的计算函数，计算 步骤如下：
[0082] 2.1)按照更新的粒子给定核函数参数；
[0083] 2.2)采用已知的分合闸动作状态类别的核主元训练并建立分类器模型；
[0084] 2.3)计算次序二分类器模型的Κ-折交叉验证的识别率；
[0085] 2.3)返回该值作为改进QPS0模型的粒子适应度。
[0086] 上述基于振声信号特征融合的万能式断路器机械故障诊断方法，，其特征是所述 方法是通过Labview和Mat lab混合编程的方法实现。
[0087] 上述基于振声信号特征融合的万能式断路器机械故障诊断方法，所述振动与声音 信号的捕捉可通过设定实时采集信号的阈值作为有效振动信号与声音信号的时间标识，也 可以给定断路器合闸线圈的电信号作为有效振动信号与声音信号的时间标识。
[0088] -种用于执行上述基于振声信号特征融合的万能式断路器机械故障诊断方法的 万能式断路器分合闸故障检测系统，所述系统包括用于固定万能式断路器的操作台、加速 度传感器、拾音器、固态继电器组、工控机、I/O控制卡和USB采集卡，各部件的连接方式是： 工控机通过ISA总线与I/O控制卡连接，I/O控制卡还与固态继电器组连接并对其进行操作， 加速度传感器用于固定在万能式断路器上，所述拾音器安装在操作台上，加速度传感器和 拾音器通过USB总线与USB采集卡相连接，所述USB采集卡与工控机相连接，所述固态继电器 组包括分别用于控制断路器储能、合闸、分闸以及欠压的储能继电器、合闸继电器、分闸继 电器及欠压继电器。
[0089] 所述USB采集卡为USB7648A采集卡，所述I/O控制卡的PCL720控制卡，所述加速度 传感器型号为LC0159,所述拾音器的型号为KZ520B。
[0090] 所述I/O控制卡给定电信号对固态继电器组中的储能继电器、合闸继电器、分闸继 电器及欠压继电器进行操作;通过USB采集卡将加速度传感器和拾音器的模拟信号转换成 数字信号，并通过USB总线传送给工控机。
[0091] 本发明的有益效果
[0092] 与现有技术相比，本发明提供的基于振声信号特征融合的万能式断路器机械故障 诊断方法的突出的实质性特点是:首先，对振动与声音信号分别进行小波包软硬阈值结合 去噪预处理，并利用互补总体经验模态分解算法对处理后的振声信号分解，提取固有模态 函数能量比、样本熵、功率谱熵组成的混合特征参数;然后，通过组合核函数核主成分分析 对多特征参数降维并将其特征融合组成特征向量，解决单一特征识别断路器分合闸故障的 低准确率和低稳定性;最后，利用改进量子粒子群优化相关向量机分类模型核函数参数值， 建立基于改进量子粒子群与相关向量机结合的模型，并将融合故障特征的特征向量输入到 识别模型进行故障诊断。实验结果表明，该方法有效提升了诊断结果的可靠性，并且检测 方式简单，实用性强。
[0093] 与现有技术相比，本发明提供的基于振声信号特征融合的万能式断路器机械故障 诊断方法的显著的进步是：
[0094] (1)本发明方法以断路器分合闸过程中所产生的包含丰富机械特性信息的振动信 号与声音信号作为信号来源，同时加速度传感器安装方便并且在不破坏断路器本体的情况 下，拾音器的安装更是非接触式，因此实现了对万能式断路器非侵入式监测和故障诊断。
[0095] (2)本发明方法针对振动信号与声音信号的非线性非平稳的特点，利用改进的小 波包去噪算法，兼顾软、硬阈值法降噪的优点，更好地提高了信号信噪比，降低了均方根误 差。
[0096] (3)本发明方法所采用的互补总体平均经验模态分解算法缩小了由于添加白噪声 引起的重构误差，得到了更好的模态分解效果。
[0097] (4)本发明方法分别提取MF分量样本熵、能量比、功率谱熵三种特征综合利用，并 用组合核函数核主成分分析降维，实现故障特征信息的有效融合，克服了仅依靠某一种特 征存在准确率低、可靠性和稳定性差等问题。
[0098] (5)本发明方法所采用的基于相关向量机的次序二叉树故障诊断模型，引入改进 量子粒子群优化诊断模型的核函数参数，非人为经验取值，快速实现核函数的全局寻优，提 高分类模型的识别率与可靠性。
【附图说明】
[0099] 下面结合附图和本实施例对本发明进一步说明。
[0100]图1为本发明万能式断路器分合闸故障振声信号检测系统硬件结构示意图；
[0101] 图2为实施例1中断路器不同分合闸动作状态下振动信号及其对应的频谱图；
[0102] 图3为实施例1中断路器不同分合闸动作状态下声音信号及其对应的频谱图；
[0103] 图4为实施例1中A相不同期状态下振动与声音信号分解所得IMF分量的归一化能 量柱状图；
[0104] 图5为实施例1中A相不同期状态下振动信号主要頂F分量及其对应的频谱图；
[0105] 图6为实施例1中A相不同期状态下声音信号主要頂F分量及其对应的频谱图；
[0106] 图7为实施例1中正常状态下三种主元分析方法的主元累计贡献率趋势图；
[0107] 图8为实施例1中三种主元分析方法的主元可分性参数变化对比图；
[0108] 图9为实施例1中基于相关向量机的次序二叉树分类器结构示意图。
[0109] 图10为实施例1中改进QPS0对RVM模型进行参数优化的适应度曲线图。
【具体实施方式】
[0110] 本发明提供一种基于振声信号特征融合的万能式断路器机械故障诊断方法，所述 振声信号为万能断路器分合闸过程中通过加速度传感器采集到的的机身振动信号和通过 拾音器采集到机身声音信号，包括以下步骤
[0111] 第一步，采集万能式断路器分合闸动作过程中的机身振动信号和机身声音信号， 并将采集到的模拟信号分别转化为数字信号，得到初始的振动 Sv'（t)与声音信号Sa'（t)，t 为分合闸动作时间。
[0112] 第二步，采用改进的小波包阈值去噪算法分别将采集到的振动信号Sv'（t)与声音 信号sa'（t)作为含噪信号进行去噪，得到降噪振动信号s v(t)和降噪声音信号&(〇。
[0113] 所述改进的小波包阈值去噪算法具体包括以下步骤：
[0114] 1)选用DaubechieS(dbN)小波基作为小波分解的基函数，分解层数为5层，对含噪 信号进行小波包分解，分别得到各自的小波包系数Wm即第j层上的第i个频段的小波包系 数；
[0115] 2)采用阈值函数对小波包系数Wj, i进行阈值量化处理，得到经阈值函数处理后的 小波包系数中,，，其中阈值函数为将软阈值函数与硬阈值函数相结合的阈值函数，其构造的 新阈值函数如下： .sgn(wu)[|r.,I-λ(α-ahi)], |r.,|>A
[0116] W =s V ；L V ；J ' Cl)
[0,
[0117] 式⑴中为经阈值函数处理后的小波包系数，其中aj, i为小波包分解第j层上的 第i个频段子带能量归一化系数;Wy为处理之前的小波包系数;采用基于heursure的启发 式阈值选取函数对阈值λ进行选取，I为调节系数，0.55；^ (基本思想是能量较高的频带信 噪比高，更倾向于硬阈值处理;能量较小的频带信噪比低，更倾向于软阈值处理。
[0118]式（1)中小波包能量系数ay可以由小波包系数％,i求得，具体为:含噪信号经j层 小波包分解后，小波包系数为w( j，0)，W( j，1)，…，W( j，2j-l)，每个子频带小波包的能量Ej,i
=I |w(j，i) 112,总小波包能量为4 = 小波包能量系数 i=G
[0119] 最后将经阈值函数处理后的小波包系数重建小波包树，并反变换重构去噪后的信 号，得到降噪振动信号Sv(t)与降噪声音信号&(〇。
[0120] 第三步，将降噪振动信号Sv(t)与声音信号sa(t)分别作为待分解信号s(t)，依次采 用互补总体平均经验模态分解算法分别提取若干个反映断路器分合闸动作状态信息的固 有模态函数（intrinsic mode function，IMF)分量。
[0121 ]所述互补总体平均经验模态分解算法包括以下步骤：
[0122] 1)将符号相反的白噪声信号成对地添加到待分解信号s(t)，形成两个新的信号S1 (t)，S2(t);
[0123] 2)对目标信号S1(t)，S2(t)进行经验模态分解，具体包括
[0124] 2.1)确定目标信号S1 (t)所有的极大值点和极小值点，然后将所有极大值点用一 条光滑的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到 下包络线，使上、下包络线线间包含所有的信号。上、下包络线的平均值记为nu(t)，求出目 标信号 S1(t)的第一个分量 hKOjPsdthmKOzhKt) (2)
[0125] 2.2)将出&)作为81(〇带入式(2)中，重复进行步骤2.1)的筛选1^次，得到1 111{(〇 = hi(k-i)(t)_mik(t)，使得hik(t)变为一个固有模态函数分量。记ci(t)=hik(t)，则ci(t)为信号 S1(t)的第一个满足固有模态函数条件的分量，即固有模态函数分量(nr)。
[0126] 2.3)将 ci(t)从 si(t)中分离出来，得到 ri(t)=si(t)_ci(t) (3)
[0127] 将^⑴作为S1(t)重复前步骤2.1)和2.2)，得到S1(t)的第二个满足固有模态函数 条件的分量C2(t);
[0128] 2.4)循环重复步骤2. 3) η次得到信号S1(t)的η个固有函数模态分量，即 MO-卜厂2(0 … < (4)，在步骤2.4)的重复循环的终止条件为，当分量(^(〇或残量^(〇 丨⑴-?,⑴= /:,(0. 足够小以至于当残量rn(t)为一个单调函数不能再从中提取满足固有函数模态分量时。
[0129] 分解得到的固有模态函数分量需要满足的条件（即固有模态函数条件）:a.整个时 间序列中的极值点与过零点的数量最多相差一个。b.任何时刻通过局部极大值和局部极小 值而得出的包络线的均值为零。 C1(t)应该包含信号中最精细或者最短的分量。
[0130] 目标信号82(〇同样按照81(〇的处理方式，按照步骤2.1)到2.4)对82(0进行处理
[0131] 3)循环上述步骤1)~2);重复向待分解信号s(t)添加符号相反的成对白噪声信号 然后将得到的新信号进行经验模态分解;最后将分解结果进行总体平均运算，得到分解结 η 果如式(5)，即小）=[勺(0 + 4(0 (5)，式中，s(t)为待分解信号;Cj(t)(i = l，2，···，!!)为 Μ 第j个固有模态函数分量(IMF)，rn(t)为残余分量。
[0132] 第四步，分别确定振动信号Sv(t)与声音信号sa(t)分别作为待分解信号s(t)时，所 需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，确 定归一化能量值累计大于90%的时Z值，当S(t)分别为Sv(t)、Sa(t)时，Z值分别记做Zl和Z2，
[0133] 第i阶固有模态函数分量的能量的计算公式为 .^ j =1,2,···,? (.6;,
[0134] 式(6)中η为待分解信号经互补总体平均经验模态分解的固有模态函数分量阶数， Ν为每个固有模态函数分量的数据点数；
[0135] 各阶固有模态函数分量的能量总和为￡ = ?乓（7)，则第i阶的固有模态函数分量 的能量比定义为
（8)，当1^+1?2+."+1^多90%时的Z值，即为归一化能量值累计大于 90 %的Z值;当s (t)分别为sv( t)、sa (t)时，Z值分别记做ZjPZ2
[0136] 第五步，选择待分解信号s(t)的前Z阶固有模态函数分量进行处理，分别计算其能 量比、样本熵和功率谱熵并作为三类特征，所述能量比包括将振动信号 Sv(t)所分解得到的 前冗:阶固有模态函数分量的能量比和将声音信号&(〇所分解得到的前22阶固有模态函数 分量的能量比
[0137] 提取固有模态函数分量样本熵的计算方法如下：
[0138] 1)记第 i 个固有模态函数分量SCl(t) = {C(n)} = C(l)，C(2)，H_，C(NW9r^Tj：Wg 序列，将序列{c(n)}按顺序组成m维的向量，Cm(l)，…，Cm(N-m+l)，即Cm(i) = {c(i)，c(i + 1)，…，c(i+m-1)}，Ki<N-m+l (9)
[0139] 2)定义向量(^(1)和(^(」）之间的距离(1[(^(1)，(^(」）](1辛」）为两组向量对应元素 中最大差值的绝对值。即 (/), C," (./)] = gaj|c(/ + 介)-C(./' + 々)| (10)
[0140] 3)给定相似容限 r(r>0)，对每个 i 值统计 d[Cm(i)，Cm(j)]<d9Cm(j)(l<j<N-m+l，j 乒i)的数目，然后计算其与总距离N-m的比值，记作霉(/·)，即
[0141] 4)计算所有的平均值B(m)(r)，即
[0142] 5)将向量增加维数到m+1，重复步骤1)~3)，则5^；)的平均值如式（13)所示，即
(13 )，实测数据N为有限值时，样本熵的估计值为SampEn(m， r,N)=-ln[B(m+1)(r)/B(m)(r)] (14)肩取为 1 或2，r取0· 1-0· 25倍SD。
[0143] 样本熵的值与m，r的取值有关，但样本熵具有良好的一致性，其熵值增大与减小的 趋势并不受m和r的影响，一般情况下时，SD为数据序列的标准差，计算所得到的样本熵具有 较合理的统计特征。
[0144] 功率谱熵是从信号的频域特征提取而得到的，表征振声信号的不同IMF分量谱型 结构情况。
[0145] 提取固有模态函数分量功率谱熵的计算方法为：
[0146] 分别将待分解信号s(t)的第i个IMF分量记作Ci(t)，Ci(t)离散傅里叶变换为Ci (w)，进一步推导出振动信号与声音信号的功率谱为：
，gPSl(w) = {Sl (l)，Si(2)，…，Si(N)}，由此定义功率谱熵 Hi(f)，即尽(/) = -!?')-? (15)* 式（15) 14?= 1 中，下标f表示频域。qi(w)为第W个功率谱在整个谱中所占百分比。
[0147] 第六步，依照第一步到第五步，分别求出不同分合闸动作状态下，振动信号的前21 阶固有模态函数分量的能量比、样本熵与功率谱熵与声音信号的前22阶固有模态函数分 量的能量比、样本熵与功率谱熵，并统一将振动与声音信号的三类特征组成一个特征样本， 并采用组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处理，得到Μ个 主元，所述组合核核主元分析方法为采用组合核函数的核主元分析方法(组合核KPCA)，所 述组合核函数由局部核函数和全局核函数组合得到，所述局部核函数为多项式核函数，所 述全局核函数为RBF核函数。
[0148] 所述组合核核主元分析方法如下所述：
[0149] 设输入训练特征样本Xk(k= 1，2,…，Ν)被映射为Φ (Xk)，即:Xk- Φ (Xk)，变换后的 数据满足：。则变换后的训练样本Φ (Xk)的总体散布矩阵C为
[0150] 求解特征方程AV = CV(17)，其中V为特征向量，V由Φ (Χχ)、Φ (X2)…Φ (XN)来表示 艮Ρ (l8)，其中αι、α2··· α@常数。 k-\
[0151] 根据再生核理论，特征向量V-定位于由Φ (Χι)、Φ (X2)…Φ (Xn)组成的特征空间 内，
[0152] 定义一个NXN且满足Mercer条件的核函数矩阵Κ，Κυ=Φ(Χ〇τΦ(Χ」）（19)，将式 (16)、式（18)、式（19)代入(17)中得似€[=1(€[ (20)，
[0153] 这样求式(17)特征向量V的问题就转换为求解式(20)的特征向量α。
[0154] 通过求解特征方程(20)得到一组非零特征值Μ以及对应的满足归一化条件^(α1， 〇1) = 1的特征向量〇1(1 = 1，2^"少/，1'1/彡1'0。
[0155] 根据式（18)得到特征空间上的投影主分量％(j = l，2,…，Ν)，设X为一测试样本， 贝 1J其在Vj上的投影为（匕)''ΝΛ') = Σ<#Α)7 (21 ),在式（21)求 ?=1 解过程中求解核函数KUiAX 的确切表达式的方法如下：
[0156] 对变换后得到的核函数矩阵K进行如式(22)所示的中心化，即fzK-KXL-LXK+L XK XL (22)，其中L为N阶矩阵且满足
[0157] 全局核函数为多项式核函数Ki(Xi，Xj) = [(Xi · Xj) + l]q，局部核函数为RBF核函数 It-xd |2/δ2)，将局部核函数和全局核函数组合得到核函数 (Φ (χ〇τΦ (Xj))的确切表达式即组合核函数 KUhXjzeidUijjHa-eMKXijj) (23)， 其中，Θ为组合核函数比例，q为多项式核函数最高次项次数，δ为RBF宽度参数。
[0158] 最后定义平均类间可分性参数d μ，评价Μ个主元提取的有效性
(24)，式中s为万能式断路器分合闸状态类别数，d ab为 第a类与第b类状态Μ个主元的类间距离，rf和#分别为第a，b类中Μ个主元距本类主元中心 的最大距离。
[0159]所述采用组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处 理的基本步骤包括：
[0160] 1)输入降噪振声信号三类特征统一后的特征样本集Xk(k=l，2,…，N);
[0161] 2)求组合核核主元分析方法中的核函数矩阵K;
[0162] 3)求组合核核主元分析方法的中心化核函数矩阵f ;
[0163] 4)计算中心化核函数矩阵f的特征值λ和特征向量α;
[0164] 5)规范化特征向量：?// = ;
[0165] 6)对步骤4)计算所得的相应特征值由大到小排列；
[0166] 7)根据累积贡献率提取前i个特征值及其对应的前i个特征向量，构成训练降噪振 声信号三类特征统一后的特征样本集的主成分方向；
[0167] 8)将训练降噪振声信号三类特征统一后的特征样本集投影到第7)步求得的主成 分方向上，提取出训练降噪振声信号三类特征统一后的特征样本集的主元。
[0168] 9)输入测试降噪振声信号三类特征统一后的特征样本并进行相应的核变换得到 核矩阵，然后将该核矩阵投影到7)步求得的主成分方向上，得到相应测试降噪振声信号三 类特征统一后的特征样本主元，仅选取前Μ个累计贡献率达到90 %的主元。
[0169] 第七步，通过计算不同分合闸动作状态的所选取的主元间的欧氏距离来定量评价 类间样本主元平均距离，建立基于相关向量机(relevance vector machine，RVM)的次序二 叉树多分类器模型，即设k丨二为降噪振声信号三类特征统一后的特征样本集的主元，将其 作为输入向量，t = [tl，t2，…，tN]T为目标向量，贝相关向量机分类模型如式（25)所亦，即 .V /,, = v(.v,ir) + ￡-" = +^B (25) ι'-l
[0170] 式(25)中，'\￥为权重向量，'\￥=[￥。,'\￥1，，"，《^]1';1((叉^)=6叉口(-||叉1|| 2/〇2)为核函 数，υ为核函数参数，噪声εη~Ν(0，σ2); Η
[0171 ]整个数据集似然函数如式（2 6 )所示，即 = f]； Ι.ν(.ν,; ιι').σ:)
/=1 (26 )，式中，φ = [ φ (XI)，φ (Χ2)，…，Φ (χν) ]丁为设计矩 阵，Φ (Xi) = [1，K(Xi，Χ1)，K(Xi，X2)，…，K(Xi，XN) ]τ。
[0172] 当目标值{，;匕为〇或l时，似然函数如式（27)所示，即冲卜'卜行外外·，)]' i=:l {W[,v(x,.,w)]} 1 (27)，式中，δ(·)为sigmoid 函数。
[0173] 采用稀疏贝叶斯方法对权重向量w赋予零均值高斯先验分布如式（18)所示，即 = (28)，式(28)中，α为N+1 维超参数向量，(^(an···，αΝ)τ，Ν( ·) ?；-0· 为正态分布函数；
[0174] 对于新的输入向量X*，其对应的目标值t*的概率预测式为，p(t*|t)=Jp(t*|w，a, 〇2)p(w,a,o21 t)dwdad〇2 (29)，对式(29)进行贝叶斯推导可得p(w,a,σ211) =p(w11,α,σ2)ρ (a,〇2|t) (30)，对式(30)进行近似处理，相关向量机的学习过程为最大化p(a， 〇2|t)cxp(t a，〇2)P⑷P(〇2)的过程，即找到aMP、〇V，满足 ?α^σ:>"·) = ^η??1χ"?α，σ?，)（3n α,σ'-
[0175] 采用数值方法近似求解αΜΡ、σ2ΜΡ，可得a、σ2迭代更新公式如式

[0176] 式(34)中，Σ i,i为 Σ = [σ-MTcD+diagCaoA，…，αΝ)]-1中第 i项对角线元素，yi为 权重向量μ = σ^2Σ Φτ?的第i个元素;在足够多的更新后，大部分的ai将趋近无穷大，其对应 的^为0,而其他的~则会趋近于有限值，与之对应的 Xl的集合称为相关向量，进而可得相关 向量机的分类模型，以类间样本平均欧式距离作为可分性测度，将万能式断路器故障诊断 这一多分类问题转化为多个二分类问题，建立基于相关向量机的次序二叉树多分类器故障 诊断模型；
[0177] 对于两类样本集合Kv4和·^^，其中xieA类，^ e 5类，则A类与B类的类间样本 平均欧式距离为如式(35)所示
（35)，式(35)中为2个 不同类别样本间的欧氏距离。
[0178]相关向量机次序二叉树模型建立过程：以分合闸动作过程中不同机械故障状态以 及正常状态下选定的前Μ个主元作为相关向量机的输入向量，以万能式断路器正常、虚假合 闸、分闸不彻底或某相不同期的分合闸动作状态为相关向量机的输出，依次建立万能式断 路器故障识别模型，相关向量机的次序依据欧式距离的大小选定。第一个相关向量机首先 识别正常状态(欧式距离大），则训练样本分别为正常特征数据以及剩余所有故障样本;第 二个相关向量机识别虚假合闸（欧式距离次之），而第一个向量机已经区分出正常，所以第 二个相关向量机不会有正常状态的样本，所以训练样本分别为虚假合闸和除去正常与虚 假合闸的剩余故障样本;依次类推。
[0179]采用收缩-扩张系数自适应调节的量子粒子群算法（以下简称改进QPS0)对相关向 量机的分类模型中的核函数参数υ进行优化，即：将核函数参数υ记作待优化的粒子。
[0180] 所述量子粒子群算法（quantum particle swarm optimization，QPSO)的进化方 程为=对±則4 -叫(36)，式中对=喊为 位置；4是第k次迭代时粒子i的最优位置，i = l，2,…，N，N为种群规模;Gk为第k次进化迭 代时种群的全局最优位置；Ck为所有粒子第k次迭代时的个体最优位置的均值，即
P为(〇，1)之间服从均匀分布的随机数;β为收缩-扩张系数，β按照从1线性减 小至0.5的方式取值，引入进化速度因子和粒子聚集度因子，根据粒子群的进化速度和聚集 度实时地自适应调节收缩-扩张系数，具体包括，
[0181] 设FWkhFWk-O分别为群体当前和上一代的最优适应度值，引入进化速度因子
(37)，设Favg是所有粒子当前个体最优位置的适应度均值，即
，引入聚集度因子
（381，将β写成关于h和s的函数，ΒΡβ =f (h，s) = βο-nhh+nss (39)，式中为β的初始值，通常取值为1; %是调整进化速度因子的系 数，ns是调整聚集度因子的系数，通常取nh = 0.5，ru = 0.2;
[0182] 优化过程中的改进Q P S 0的适应度函数为K -折交叉验证识别率函数，即
式中xljpxlw*别是相关向量机的第1次验证样本集中被正确和错误 分类的样本数量，适应度值越大，表示解越优异。
[0183] 采用采用收缩-扩张系数自适应调节的量子粒子群算法（以下简称改进QPS0)对基 于相关向量机的次序二分类器模型中的核函数参数u进行优化的具体步骤为：
[0184] 1)初始化一组粒子(粒子即为核函数参数υ);
[0185] 2)计算粒子适应度值，得到个体极值与群体极值；
[0186] 3)根据改进QPS0的进化方程更新粒子位置；
[0187] 4)判断是否达到设定的迭代次数。是，退出，此时的群体极值即为所要求的最优核 函数参数;否，返回步骤2);
[0188] 5)输出最优核函数参数取值至基于相关向量机的次序二分类器模型。
[0189] 在步骤2)中选择RVM的交叉验证分类的识别率作为粒子适应度的计算函数，计算 步骤如下：
[0190] 2.1)按照更新的粒子给定核函数参数；
[0191] 2.2)采用已知的分合闸动作状态类别的核主元训练并建立分类器模型；
[0192] 2.3)计算次序二分类器模型的K折交叉验证的识别率；
[0193] 2.3)返回该值作为改进QPS0模型的粒子适应度。
[0194] 用于执行上述诊断方法的万能式断路器分合闸故障检测系统，包括用于固定万能 式断路器的操作台1、加速度传感器2、拾音器3、固态继电器组4、工控机5、I/O控制卡6和USB 采集卡7，各部件的连接方式是:工控机通过ISA总线与I/O控制卡连接，I/O控制卡还与固态 继电器组连接并对其进行操作，加速度传感器用于固定在万能式断路器上，所述拾音器安 装在操作台上，加速度传感器和拾音器通过USB总线与USB采集卡相连接，所述USB采集卡与 工控机相连接，所述固态继电器组包括分别用于控制断路器储能、合闸、分闸以及欠压的储 能继电器4.1、合闸继电器4.2、分闸继电器4.3及欠压继电器4.4。
[0195] 所述USB采集卡为USB7648A采集卡，所述I/O控制卡的PCL720控制卡，所述加速度 传感器型号为LC0159,所述拾音器的型号为KZ520B。
[0196] 所述I/O控制卡给定电信号对固态继电器组中的储能继电器、合闸继电器、分闸继 电器及欠压继电器进行操作;通过USB采集卡将加速度传感器和拾音器的模拟信号转换成 数字信号，并通过USB总线传送给工控机。所述万能式断路器分合闸故障检测系统的硬件结 构示意图如图1所示
[0197] 实施例1
[0198] 以DW15系列万能式断路器DW15-1600为实验对象。断路器分合闸状态的故障集中 表现在动作时间超过规程，可通过调整触头间的开距与超程模拟分合闸的典型故障的机械 状态。调整触头系统的悬臂模拟虚假合闸状态;在分闸的到位卡扣间多加垫片，模拟分闸不 彻底状态;分别调整三相触头的连杆长短模拟因机构磨损或调整不当造成的三相中某一相 触头与另两相动作不同步，即A、B、C三相中的单相不同期状态。采用前述基于振声信号特征 融合的万能式断路器分合闸故障诊断方法和执行该方法的万能式断路器分合闸故障检测 系统对该模拟了各典型故障机械状态的万能断路器进行故障诊断。
[0199] 第一步，采集万能式断路器分合闸动作过程中的机身振动信号和机身声音信号， 并将采集到的模拟信号分别转化为数字信号，得到初始的振动 Sv'（t)与声音信号sa'（t)，t 为分合闸动作时间。
[0200] 通过万能式断路器分合闸故障振声信号检测系统，以20kHz的采样频率采集断路 器动作过程中的振动与声音信号，6种分合闸动作状态下的典型振动信号如图2和图3所示， 分别为正常状态，虚假合闸状态即触头全超程5mm，分闸不彻底状态即垫片厚度2mm，A相不 同期状态即A相开距与另两相开距相差3mm，B、C相不同期与A相同理。
[0201] 第二步，采用改进的小波包阈值去噪算法分别将采集到的振动信号Sv'（t)与声音 信号sa'（t)作为含噪信号进行去噪，得到降噪振动信号s v(t)和降噪声音信号&(〇。
[0202] 本实施例中，调节系数#为0.9，选取Matlab软件中自带的"db25"小波基进行5层分 解降噪处理。
[0203] 第三步，降噪振动信号Sv(t)与声音信号sa(t)分别作为待分解信号s(t)，依次采用 互补总体平均经验模态分解算法对6种分合闸动作状态状态下的降噪振动信号与降噪分 别提取若干个反映断路器分合闸动作状态信息的固有模态函数（intrinsic mode function，IMF)分量。
[0204] 其中白噪声的幅值取原信号标准差的0.2倍，总体平均次数取500，此时分解误差 小于〇. 01，分解误差在可接受的范围内。
[0205]第四步，分别确定振动信号sv(t)与声音信号sa(t)分别作为待分解信号s(t)时，所 需提取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布特点，确 定归一化能量值累计大于90%的时Z值，当S(t)分别为Sv(t)、Sa(t)时，Z值分别记做Zl和Z2，
[0206] 将降噪振动与声音信号分解后的前13阶固有模态函数分量进行能量分析，以A相 不同期状态为例，图4为A相不同期状态下不同阶IMF分量的归一化能量柱状图。由图4可以 直观地看出声音和振动信号的能量主要集中在前7阶模态，且第8阶固有模态函数分量的能 量已经很小，依据归一化能量值累计大于90%的R z值即彡90^4 = 22 = 7,选取 前7阶固有模态函数分量分析。
[0207] 进一步分别将降噪振动与声音信号分解后的前8阶固有模态函数分量分别进行频 谱分析，同样以A相不同期为例，断路器分合闸振动信号主要頂F分量及其对应的频谱如图5 所示，断路器分合闸振动信号主要MF分量及其对应的频谱如图6所示。由频谱分析得，第8 阶固有模态函数分量频率低，对信号影响很小。因此，进一步验证取前7阶固有模态函数分 量分析即可反映断路器主要分合闸动作状态信息。
[0208]第五步，分别选择振动与声音信号中的前7阶頂F分量进行处理，计算其能量系数、 样本熵、功率谱熵，得到的特征参数如表1所示 [0209]表1振动与声音信号特征参数值
[0212] 第六步，依照第一步到第五步，分别求出不同分合闸动作状态下，振动与声音信号 前7阶固有模态函数分量的能量系数、样本熵与功率谱熵，并统一将振动与声音信号三类特 征组成一个特征样本，并采用组合核核主元分析方法对振声信号三类特征统一后的特征样 本降维处理，去除关联并保留全局信息与局部特征，得到得到Μ个主元。
[0213] 采用振动与声音的测量方式，同时提取頂F分量的三类不同角度的特征参数。虽然 避免了单一检测方式与单一特征参数的随机性与低准确率，但却造成特征参数成倍增加， 特征空间的复杂度与后续分类器的输入维数过高，致使故障识别的实时性与稳定性依然较 差。利用组合核KPCA将振声这两种检测方式的特征参数的维数降低，可去除冗余信息实现 特征的有效融合。其中，组合核KPCA方法设定核函数组合比例，最高次项次数，RBF宽度参数 (q = 3，S = 0.5)。首先将每个分合闸状态下的断路器振动与声音信号的3种类型共 42个特征 参数作为原始特征参数，选取正常状态40组特征参数(每组42个特征参数），然后将每组特 征参数按照能量系数、样本熵、功率谱熵分为3块，即每块含有14个特征参数，分别进行z-score标准化数据处理，经过处理的数据符合标准正态分布，即均值为0,标准差为1，从而使 不同量级的指标能够进行统一的降维处理去除关联，同时保证每个类型特征的局部影响特 性。为了比较所提主元的效果，本文还采用较为常用的PCA、和单核KPCA(RBF核函数，宽度参 数δ = 0.5)方法进行主元提取，正常状态下三种主元提取方法所得参数对比如表2所示，并 由图7给出累计贡献率趋势。同时采用5种故障状态，每种故障各20组，共计100组特征参数 数据提取主元，并计算平均类间可分性参数，随着主元个数增加，可分性参数值变化如图8 所示。
[0214]表2三种主元分析方法的参数
[0217] 结合表2和图7可看出，组合核KPCA的前7个非线性核主元的累计贡献率(99.59%) 虽然高于单核KPCA的非线性核主元的累计贡献率(98.80%)，但却低于PCA的线性主元累计 贡献率（100%)。主元对特征参数数据贡献率与它所携带其变异信息正相关，贡献率大表明 它对数据的解释能力强，综合能力好。虽然PCA前7个主元的累计贡献率都达到了 100%，但 是用于不同故障类间的区分效果却不理想，由图8的可分性参数值变化曲线可看出，PCA的 前7个线性主元以及单一核函数的非线性核主元明显低于组合核KPCA的前7个核主元的可 分性，原因在于所提的特征参数不具有线性特点，而此时的PCA所得的为线性主元，已不适 合，反而夸大某些特征参数对工作状态的影响;单核KPCA中的RBF核函数虽然局部学习能力 很强，常用于突出不同类别的局部特征，但是对于断路器这种故障样本较少的情况，也需要 全局考虑提取整体特征。因此，将权重较小的多项式核函数与RBF核函数组合成有机整体， 可提高核函数的泛化能力，以保证主元提取时既能保留数据整体的全局特征，又能突出不 同类别的局部特征，从而在很少的数据样本学习的情况下得到更多有用的分类特征信息。
[0218] 由于组合核KPCA提取的前7个核主元保留了原数据95%以上的特征信息并且可分 性好，因此，另外M = 7,即用前7个核主元取代原来的42个特征参数，即特征维数减少了35 个。
[0219] 第七步，以组合核KPCA模型得到的前7个核主元作为特征向量，构成新的特征子空 间，用于RVM的训练与识别。依据不同类别的核主元样本间的欧氏距离，本文选用高斯核函 数建立如图9所示的基于RVM的次序二叉树分类器模型。建立过程为：以分合闸动作过程中 不同机械故障状态以及正常状态下选定的前7个主元作为相关向量机的输入向量，以万能 式断路器正常、虚假合闸、分闸不彻底或某相不同期的分合闸动作状态为相关向量机的输 出，依次建立万能式断路器故障识别模型，相关向量机的次序依据欧式距离的大小选定。第 一个相关向量机首先识别正常状态(欧式距离大），则训练样本分别为正常特征数据以及剩 余所有故障样本;第二个相关向量机识别虚假合闸（欧式距离次之），而第一个向量机已经 区分出正常，所以第二个相关向量机不会有正常状态的样本，所以训练样本分别为虚假合 闸和除去正常与虚假合闸的剩余故障样本;依次类推。
[0220]由于基于RVM的次序二叉树分类器模型中包含5个分类器，因此需要采用改进QPS0 对5个分离器的核函数参数u进行优化。首先设置改进QPS0的种群规模N=20,粒子维数为5， 最大迭代次数为100，然后将收缩-扩张系数β的初始值设置为1.0，调节进化速度因子和聚 集度因子的系数分别设置为〇. 5和0.2。最后采用Κ-折交叉验证方式(Κ= 10)，将用于训练及 优化的特征样本集随机分为10组数据，每组数据的样本数大致相等，按次序轮流选取9组作 为训练集，一组作为测试集，10次迭代后求取10次的平均交叉验证识别率，这样每个样本都 被验证一次，从而提高算法的可靠性减小参数的误差。
[0221] 本实施例中，在DW-15万能式断路器上模拟了正常分合闸状态和5种常见的机械故 障，总共6种分合闸动作状态，分别为正常、虚假合闸、分闸不彻底、Α相不同期、Β相不同期、 C相不同期，每种状态下做25组，共150组实验并提取特征数据。为避免数据集偏斜问题，选 取其中120组，每种状态各20组，用于模型训练与参数优化，剩下的30组数据用于模型的测 试。图10为改进QPS0对RVM模型进行参数优化的适应度收敛曲线，其中平均适应度为所有粒 子在每一代中平均的适应度值，最佳适应度曲线为所有粒子在每一代中的最大适应度值。
[0222] 图10中的适应度值曲线随进化次数上升，并在第35次停止进化，验证了模型中的 核参数对分类准确性的影响以及改进QPS0的优化性能。同时，为了测试本文优化算法(即改 进QPS0-RVM模型）的有效性，分别与RVM、PS0-RVM、QPS0-RVM对比。其中三种优化方法的相关 初始化参数与验证方式一致，而PS0中惯性权重因子采用线性减小法则，即初始值取最大值 为0.9，终止时取最小值为0.2，学习因子均为2.0 ; QPS0中收缩-扩张系数采用线性减小法 贝1J，即初始取为1.0,终止时取为0.5。不同优化故障识别模型的诊断结果如表3所示，表中列 出了未经优化算法的核参数以及不同优化算法最终所得核参数，对应的识别率分别为用于 训练和优化的120组样本和剩余30组测试样本集的识别率。通过对比表3不同优化模型的识 别率可以得出，改进QPS0对核参数进行优化，在较少的进化次数下，可有效提高故障诊断的 准确性。最后利用寻优所得核函数参数建立故障模式识别模型，实现对断路器故障的诊断。
[0223] 表3不同优化分类模型对测试数据的诊断结果
[0225] 实施例2
[0226] 文针对万能式断路器分合闸故障，多次调整断路器模拟不同故障状态进行实验， 不同条件下的每种故障状态分别做30组实验，具体调节幅度见表4，依次为调节触头全超程 模拟虚假合闸状态，垫片厚度模拟分闸不彻底状态，A相开距与另两相开距相差大小模拟A 相不同期状态，B、C相不同期与A相同理。
[0227]表4模拟断路器故障的调节参数
[0229] 在表4的三种不同条件下，采用相同的次序二叉树RVM模型，每种状态20组特征样 本用于训练，10组用于测试，将本文方法和常采用的单一信号检测与单一特征提取方法进 行对比，其中单一信号检测方式下的多特征同样选择能量系数、样本熵以及功率谱熵，而 单一特征选择性能较好的样本熵，不同诊断方法的实验结果如表5所示。
[0230] 表5不同诊断方法的正确率对比
[0232] 由表5可以得出，相同条件下，振动检测的诊断结果明显优于声音检测，而相同检 测方式下，多特征提取优于单一特征提取方法;振动与声音结合的多特征融合方法虽然随 着条件的苛刻正确率略有下降，但不同条件下的正确率均在90%以上并且波动较小。原因 在于:基于振声检测的特征数据，融合了能量系数、样本熵、功率谱熵不同特征的多源识别 信息，避免单一测量方式与特征提取易出现偶然性的影响，从而进一步提高识别的准确率 与稳定性。
[0233] 上述步骤均采用软件Labview和Matlab实现。
[0234] 上述本实施例中所用的软件Labview和Matlab是本技术领域的技术人员所熟知 的。
[0235] 上述实例中的百分比均为数字百分比。
[0236] 上述实施例中振动信号采用加速度传感器LC0159测量，安装在垂直于断路器中间 相触头的基座横梁上.
[0237] 上述实施例中声音信号采用KZ502B拾音器测量，非接触式安装于断路器后侧20cm 处。
【主权项】
1. 基于振声信号特征融合的万能式断路器机械故障诊断方法，所述振声信号为万能断 路器分合闸过程中通过加速度传感器采集到的的机身振动信号和通过拾音器采集到机身 声音信号，其特征是包括以下步骤 第一步，采集万能式断路器分合闸动作过程中的机身振动信号和机身声音信号，并将 采集到的模拟信号分别转化为数字信号，得到初始的振动Sv'（t)与声音信号Sa'（t)，t为分 合闸动作时间； 第二步，采用改进的小波包阈值去噪算法分别将采集到的振动信号Sv'（t)与声音信号 sa'（t)作为含噪信号进行去噪，得到降噪振动信号Sv(t)和降噪声音信号~(〇; 第三步，将降噪振动信号Sv(t)与声音信号Sa(t)分别作为待分解信号s(t)，依次采用互 补总体平均经验模态分解算法分别提取若干个反映断路器分合闸动作状态信息的固有模 态函数分量； 第四步，分别确定振动信号Sv(t)与声音信号Sa(t)分别作为待分解信号S(t)时，所需提 取特征量的固有模态函数分量的数量Z，依据各固有模态函数分量的能量分布，确定归一化 能量值累计大于90%的时Z值;当s(t)分别为Sv(t)、 Sa⑴时，Z值分别记做ZjPZ2, 第五步，选择待分解信号s(t)的前Z阶固有模态函数分量进行处理，分别计算其能量 比、样本熵和功率谱熵并作为三类特征； 第六步，依照第一步到第五步，分别求出不同分合闸动作状态下，振动信号的前?:阶固 有模态函数分量的能量比、样本熵与功率谱熵与声音信号的前办阶固有模态函数分量的能 量比、样本熵与功率谱熵，并统一将振动与声音信号的三类特征组成一个特征样本，并采用 组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处理，得到M个主元，所 述组合核核主元分析方法为采用组合核函数的核主元分析方法，所述组合核函数由局部核 函数和全局核函数组合得到，所述局部核函数为多项式核函数，所述全局核函数为RBF核函 数； 第七步，通过计算不同分合闸动作状态的所选取的主元间的欧氏距离来定量评价类间 样本主元平均距离，建立基于相关向量机的次序二叉树多分类器模型，将相关向量机的核 函数参数u记作待优化的粒子，采用收缩-扩张系数自适应调节的量子粒子群算法对相关向 量机的分类模型中的核函数参数u进行优化。2. 如权利要求1所述的基于振声信号特征融合的万能式断路器机械故障诊断方法，其 特征是第二步中所述改进的小波包阈值去噪算法具体包括以下步骤： 1) 选用Daubechies (dbN)小波基作为小波分解的基函数，分解层数为5层，对含噪信号 进行小波包分解，分别得到各自的小波包系数w^，即第j层上的第i个频段的小波包系数； 2) 采用阈值函数对小波包系数W^1进行阈值量化处理，得到经阈值函数处理后的小波 包系数其中阈值函数为将软阈值函数与硬阈值函数相结合的阈值函数，其构造的新阈 值函数如下：式(1)中~为经阈值函数处理后的小波包系数，其中a」,i为小波包分解第j层上的第i个 频段子带能量归一化系数;W^1为处理之前的小波包系数;采用基于heursure的启发式阈值 选取函数对阈值λ进行选取，?为调节系数，0.59 ￡1; 式（1)中小波包能量系数可以由小波包系数W^1求得，具体为:含噪信号经j层小波 包分解后，小波包系数为W( j，0)，W( j，1)，…，W( j，2j-l)，每个子频带小波包的能量Ej,i = I W(j，i)| I2,总小波包能量?小波包能量系i将经阈值函数处 理后的小波包系数重建小波包树，并反变换重构去噪后的信号，得到降噪振动信号sv(t)与 降噪声音信号Sa(t)。3. 如权利要求1所述基于振声信号特征融合的万能式断路器机械故障诊断方法，其特 征是第三步中所述互补总体平均经验模态分解算法包括以下步骤： 1) 将符号相反的白噪声信号成对地添加到待分解信号s(t)，形成两个新的信号S1(t)， S2(t); 2) 对目标信号S1 (t)，S2 (t)进行经验模态分解，具体包括 2.1) 确定目标信号S1(t)所有的极大值点和极小值点，然后将所有极大值点用一条光滑 的曲线连接起来得到上包络线，将所有极小值点用另一条光滑的曲线连接起来得到下包络 线，使上、下包络线线间包含所有的信号;上、下包络线的平均值记为m(t)，求出目标信号S1 (1：)的第一个分量111(1:)，8口8办)111(1:)=111(1:) (2) 2.2) 将hi (t)作为si (t)带入式(2)中，重复进行步骤2.1)的筛选k次，得到hik (t) = hi (k-υ (t)-mik(t)，使得hik(t)变为一个固有模态函数分量;记ci(t)=hik(t)，贝ljci(t)为信号si(t) 的第一个满足固有模态函数条件的分量，即固有模态函数分量(IMF); 2.3) 将〇1(1:)从81(1:)中分离出来，得到1'1(1:) = 81(1:)-(31(1:) (3) 将n(t)作为S1(t)重复前步骤2.1)和2.2)，得到S1(t)的第二个满足固有模态函数条件 的分量C2(t); 2. 4)循环重复步骤2.3 )n次得到信号S1(t)的η个固有函数模态分量，即(4)，在步骤2.4)的重复循环的终止条件为，当分量(^(〇或残量化(〇 足够小以至于当残量rn(t)为一个单调函数不能再从中提取满足固有函数模态分量时； 所述固有模态函数条件为a.整个时间序列中的极值点与过零点的数量最多相差一个， b.任何时刻通过局部极大值和局部极小值而得出的上、下包络线的均值为零； 目标信号s2(t)同样按照81(〇的处理方式，按照步骤2.1)到2.4)对82(〇进行处理； 3) 循环上述步骤1)~2);重复向待分解信号s(t)添加符号相反的成对白噪声信号然后 将得到的新信号进行经验模态分解;最后将分解结果进行总体平均运算，得到分解结果如 式(5)，S5>，式中，s(t)为待分解信号= 为第j个 固有模态函数分量(IMF)，rn(t)为残余分量D4. 如权利要求1所述的基于振声信号特征融合的万能式断路器机械故障诊断方法，其 特征是第四步中第i阶固有模态函数分量的能量的计算公式为i=1;2)...VB (;6)>式(6)中η为待分解信号经互补总体平均经验模态分解的固有模态函数分量阶数，N为每个 固有模态函数分量的数据点数； 各阶固有模态函数分量的能量总和戈 ，则第i阶的固有模态函数分量的能量比定义爻 （8)，当心+1?2+."+1^彡90%时的Z值，即为归一化能量值累计大于90%的 Z值。5. 如权利要求1所述的基于振声信号特征融合的万能式断路器机械故障诊断方法，其 特征是第五步中提取所述固有模态函数分量样本熵的计算方法如下： 1) 记第i个固有模态函数分量为(^(0 = {(3(11)}=(3(1)，(3(2)，一，(3(?的~点数据序列， 将序列{c(n)}按顺序组成m维的向量，Cm(I)，···，C m(N-m+l)，即Cm(i) = {c(i)，c(i+l)，···，c (i+m-1)}，Ki<N-m+l (9) 2) 定义向量(^(1)和(^〇)之间的距离d[Cm(i)，Cm(j)](i辛j)为两组向量对应元素中最 大差值的绝对值;3) 给定相似容限 r(r>0)，对每个 i 值统计 d[Cm(i)，Cm(j)]<d9Cm(j)(l<j<N-rn+l，j 乒i)的数目，然后计算其与总距离N-m的比值，记作，即卟tUXQM (1〗） 4) 计算所有的平均值B(m)(r)，S5) 将向量增加维数到m+1，重复步骤1)~3)，则的平均值如式（13)所示，即(13 )，实测数据N为有限值时，样本熵的估计值为SampEn(m， r,N)=-ln[B(m+1)(r)/B(m)(r)] (14)，m取为 1 或2，r取0· 1_0.25倍50; 提取所述固有模态函数分量功率谱熵的计算方法为： 分别将待分解信号s(t)的第i个MF分量记作Ci(t)，Ci(t)离散傅里叶变换为C i(W)，进 一步推导出振动信号与声音信号的功率谱为APS1(W) = {5X1 KS1 (2)，…，S1(N)K由此定义功率谱熵Hdf)，即（15)，式（15)中，下标f 表示频域;qi(w)为第w个功率谱在整个谱中所占百分比。6. 如权利要求1所述的基于振声信号特征融合的万能式断路器机械故障诊断方法，其 特征第六步所述组合核核主元分析方法如下所述：设输入训练特征样本Xk(k=l，2，-_，N)被映射为(HXk)，g卩 ：]数据 满足:??ΗΛ'，.) = ? ;则变换后的训练样本Φ (Xk)的总体散布矩阵C) (16)， A--I 求解特征方程XV = CV (17)，其中V为特征向量，V由Φ (X1)、Φ (Χ2)…Φ (Xn)来表示即.18)?其中(^、(^…(^为常数； 根据再生核理论，特征向量V-定位于由Φ (Xi)、Φ (X2)…Φ (Xn)组成的特征空间内， 定义一个NXN且满足Mercer条件的核函数矩阵K，Kij= Φ (Χ?)τΦ (Xj) (19)，将式 (16)、式（18)、式（19)代入(17)中得似€[=1(€[ (20)， 这样求式(17)特征向量V的问题就转换为求解式(20)的特征向量a; 通过求解特征方程(20)得到一组非零特征值M以及对应的满足归一化条件^(a1 ,a1) = 1的特征向量aHi = 1，2,…，Y ,MSN); 根据式（18)得到特征空间上的投影主分量％(j = l，2,…，N)，设X为一测试样本，则其在 Vj上的投影^(21)，在式（21)求解过程 中求解核函数K(Xi，Xj) = ( Φ (Χ〇τΦ (Xj))的确切表达式的方法如下： 对变换后得到的核函数矩阵K讲杆加忒〇 W所示的中心化，即f = K-K X L-L X K+L X K XL (22)，其中L为N阶矩阵且满万全局核函数为多项式核函数Ki(Xi，Xj) = [(Xi · Xj) + l]q，局部核函数为RBF核函数K2 (X^XDiXpbl IX1-Xd |2/δ2)，将局部核函数和全局核函数组合得到核函数K(X1A) = (Ci) (X1)tO (Xj))的确切表达式即组合核函数（23)， 其中，>9为组合核函数比例，q为多项式核函数最高次项次数，δ为RBF宽度参数； 最后定义平均类间可分性参数dM，评价M个主元提取的有效I式中s为万能式断路器分合闸状态类别数，cU为第a类与第b类状态M个主元的类间距离，/f 和<分别为第a，b类中M个主元距本类主元中心的最大距离； 所述采用组合核核主元分析方法对振声信号三类特征统一后的特征样本降维处理的 基本步骤包括： 1) 输入降噪振声信号三类特征统一后的特征样本集Xk(k=l，2,…，N); 2) 求组合核核主元分析方法中的核函数矩阵K; 3) 求组合核核主元分析方法的中心化核函数矩阵f ; 4) 计算中心化核函数矩阵f的特征值λ和特征向量α; 5) 规范化特征向量6) 对步骤4)计算所得的相应特征值由大到小排列； 7) 根据累积贡献率提取前i个特征值及其对应的前i个特征向量，构成训练降噪振声信 号三类特征统一后的特征样本集的主成分方向； 8) 将训练降噪振声信号三类特征统一后的特征样本集投影到第7)步求得的主成分方 向上，提取出训练降噪振声信号三类特征统一后的特征样本集的主元； 9) 输入测试降噪振声信号三类特征统一后的特征样本并进行相应的核变换得到核矩 阵，然后将该核矩阵投影到7)步求得的主成分方向上，得到相应测试降噪振声信号三类特 征统一后的特征样本主元，仅选取前M个累计贡献率达到90 %的主元。7.如权利要求1所述基于振声信号特征融合的万能式断路器机械故障诊断方法，其特 征是第七步中设丨X^1为降噪振声信号三类特征统一后的特征样本集的主元，将其作为输 入向量，t = [ tl，t2，…，tN]T为目标向量，则相关向量机分类模型如式（25)所示，即式（25)中，w为权重向量，W= [wo，wi,…，WN]T;K(x，Xi) = exp(-| I X-Xi I 12/u2)为核函数，u 为核函数参数，噪声εn~N(O，σ2); 整个数据集的似然函数如式（2 6 )所示，即.(.26.>.，.式中，(1 )=[巾（叉1)，巾（叉2)，'"，巾^)]1'为设计矩 阵，Φ (Xi) = [l，K(Xi，Xl)，K(Xi，X2)，···，K(Xi，XN)]T;当目标值丨f=1 为0或1时，似然函数如式 (27)所示，S(27)，式中，δ( ·)为sigmoid函 数； 采用稀疏贝叶斯方法对权重向量w赋予零均值高斯先验分布如式（18)所示，即(_2:8)，式(28)中，(1为糾1维超参数向量，€[=((1。，€[ 1，，"，€^)1^(·) 为正态分布函数； 对于新的输入向量X*，其对应的目标值t*的概率预测式为，p (t* 11) = Jp (t* I w，a，O2)P (w,a ,σ21 t)dwdad〇2 (29)，对式（29)进行贝叶斯推导可得p(w,a , σ211) =p(w 11 ,a , σ2)ρ (a,〇2|t) (30)，对式(30)进行近似处理，相关向量机的学习过程为最大化p(a，〇 2|t)cxp(t |〇,〇2)卩((1)卩(〇2)的过程，即找到€^、〇2嫩，满互采用数值方法近似求解aMP、O2MP，可得α、σ2迭代更新公式如式（Mh式(34)中I3第i项对角线元素，μL为权重 向量μ = (T2 Σ Φτ?的第i个元素;在足够多的更新后，大部分的Cii将趋近无穷大，其对应的Wi 为〇,而其他的~则会趋近于有限值，与之对应的h的集合称为相关向量，进而可得相关向量 机的分类模型，以类间样本平均欧式距离作为可分性测度，将万能式断路器故障诊断这一 多分类问题转化为多个二分类问题，建立基于相关向量机的次序二叉树多分类器故障诊断 模型； 对于两类样本集合丨x;匕和⑷^，其中X1 e A类，i,. e 5类，则A类与B类的类间样本平均 欧式距离为如式（35)所示32个不 同类别样本间的欧氏距离； 所述基于相关向量机的次序二叉树多分类器模型的建立过程为，以分合闸动作过程中 不同机械故障状态以及正常状态下选定的前M个主元作为相关向量机的输入向量，以万能 式断路器正常、虚假合闸、分闸不彻底或某相不同期的分合闸动作状态为相关向量机的输 出，依次建立万能式断路器故障识别模型，相关向量机的次序依据欧式距离的大小选定； 采用收缩-扩张系数自适应调节的量子粒子群算法（以下简称改进QPSO)对相关向量机 的分类模型中的核函数参数u进行优化，将核函数参数u记作待优化的粒子； 改进QPSO的适应度函数为K-折交叉验证识别率函数，Sζ中Xlr 和Xlw*别是相关向量机的第1次验证样本集中被正确和错误分类的样本数量，适应度值越 大，表示解越优异； 采用改进QPSO对基于相关向量机的次序二分类器模型中的核函数参数u进行优化的具 体步骤为： 1) 初始化一组粒子，即核函数参数υ; 2) 计算粒子适应度值，得到个体极值与群体极值； 3) 根据改进QPSO的进化方程更新粒子位置； 4) 判断是否达到设定的迭代次数;是，退出，此时的群体极值即为所要求的最优核函数 参数;否，返回步骤2); 5) 输出最优核函数参数取值至基于相关向量机的次序二分类器模型； 在步骤2)中选择RVM的交叉验证分类的识别率作为粒子适应度的计算函数，计算步骤 如下： 2.1) 按照更新的粒子给定核函数参数； 2.2) 采用已知的分合闸动作状态类别的核主元训练并建立分类器模型； 2.3) 计算次序二分类器模型的K-折交叉验证的识别率； 2.3) 返回该值作为改进QPSO模型的粒子适应度。8. 用于执行上述任一基于振声信号特征融合的万能式断路器机械故障诊断方法的万 能式断路器分合闸故障检测系统，其特征是包括用于固定万能式断路器的操作台、加速度 传感器、拾音器、固态继电器组、工控机、I/O控制卡和USB采集卡，各部件的连接方式是:工 控机通过ISA总线与I/O控制卡连接，I/O控制卡还与固态继电器组连接，加速度传感器用于 固定在万能式断路器上，所述拾音器安装在操作台上，加速度传感器和拾音器通过USB总线 与USB采集卡相连接，所述USB采集卡与工控机相连接，所述固态继电器组包括分别用于控 制断路器储能、合闸、分闸以及欠压的储能继电器、合闸继电器、分闸继电器及欠压继电器。9. 如权利要求8所述的万能式断路器分合闸故障检测系统，其特征是所述USB采集卡为 USB7648A采集卡，所述I/O控制卡的PCL720控制卡，所述加速度传感器型号为LC0159,所述 拾音器的型号为ΚΖ520Β;所述I/O控制卡给定电信号对固态继电器组中的储能继电器、合闸 继电器、分闸继电器及欠压继电器进行操作;通过USB采集卡将加速度传感器和拾音器的模 拟信号转换成数字信号，并通过USB总线传送给工控机。
【文档编号】G01R31/327GK106017879SQ201610331391
【公开日】2016年10月12日
【申请日】2016年5月18日
【发明人】孙曙光, 赵黎媛, 于晗, 杜太行, 张强, 丁铭真, 刘建强, 陈云飞
【申请人】河北工业大学