本发明涉及一种声振信号融合处理的断路器故障诊断方法，用于电力系统中高压断路器故障诊断和运行状态监测。
技术背景
断路器是电力系统必不可少的保护和控制设备，利用其运行中体现的外部信息进行故障诊断一直是研究热点问题之一。目前断路器故障诊断多是基于振动信号特征进行分析，利用经验模态分解提取振动信号的小波包平方差能量熵，作为rbf神经网络的输入向量进行故障诊断。断路器在分合闸过程伴随剧烈振动和声音，也有文献提出振、声联合的诊断方法，将声音信号进行盲源分离后与振动进行改进经验模模态分解，提取二维谱熵输入支持向量机进行故障诊断，但并没有对两种信号进行融合。声音和振动信号均属于非平稳、非确定性信号，可反映复杂的断路器机械动作过程，所以采用证据理论更多的融合信号信息将对辨识断路器故障类型具有很大优势。
技术实现要素：
本发明要解决的技术问题就是一种声振信号融合处理的断路器故障诊断方法，其在利用现有算法的基础上，综合考虑了断路器在操作过程中产生的声音和振动信号，可以更全面利用多种信息，提高了诊断结果的准确度，弥补现有算法的缺点。
为解决上述技术问题，本发明采取如下技术方案：
一种基于声振信号特征融合的断路器识别方法，其特征是包括以下步骤：
步骤1，通过声音传感器和振动传感器测得断路器的状态信号，包括正常状态、卡涩故障、基座松动故障、拒动故障等状态。
步骤2，利用db3小波基分别将声、振信号进行三层分解，并在第三层8个节点上重构信号；将重构后的8个节点的信号进行希尔伯特变换，求取模值包络线，如式1所示。
式中：s(t)为去噪后的信号，ht(t)为去噪后信号的hilbert变换。
步骤3，将包络信号按分闸前、分闸中、和分闸后的原则分为3段，按照等能量原则将分闸前分为3段，分闸中分为9段，分闸后分为3段，提取断路器各状态的小波包平方差能量熵。第k个节点包络信号为：
其中，k＝0，1，…，7；i＝1，2，3，n，ti-1，ti分别为第i段的时间边界n为等能量原则分的段数。另定义小波包平方差sk：
根据熵的基本理论，定义小波包平方差能量熵为
qk即为待处理信号的第三层第k个小波包平方差能量熵。
分别提取待处理信号的第三层8个节点的小波包平方差能量熵，组成能量熵矩阵q
q中包含了断路器操作中的传感信号特征信息，其中qs表示声音传感器平方差能量熵，qvx表示x轴振方向振动信号平方差特征熵特征向量，qvy表示y轴振方向振动信号平方差特征熵特征向量，qvz表示z轴振方向振动信号平方差特征熵特征向量。
步骤4将各信号特征向量矩阵，输入支持向量机后使用“onevsone”投票策略获得基本概率分配。
标准支持向量机输出为{1，-1}，属于硬判断，不是概率输出，不能作为d-s理论的基本可信度分配。而libsvm多分类器采用的是‘onevsone’分类策略，通过采用投票法来判断故障模式。对第i类传感器，在识别框架θ＝{fi}，i＝1，2，…，t，其中fi表示断路器各种故障。每个2分类支持向量机的输入对应一个证据，若将每个证据得到的票数写成矩阵形式：vi＝[vi1，vi2，…vit]，基于此构造概率分布：
式中，mij代表第i个传感器对第j中故障的判断正确的概率vij表示第i类故障得到的票数。
式中，m(f)表示整体框架基本分配概率的集合。
步骤5最后利用证据理论融合多传感器信息识别断路器故障类型，由于证据理论存在证据冲突的问题，本发明提出一种自适应权重的新算法，改进证据冲突引起的问题。
支持向量机在训练和分类过程中会形成本身模型准确率的度量r(f)→[0，1]，从侧面反应了支持向量机判断的可靠程度。支持向量机寻优形成的最高分类准确率，直接作为证据理论的加权分配，这种总体加权分配权值很低时，对特定故障的识别准确率可能较高。为了在证据合成时充分考虑证据对各状态的权重，取支持向量机对各类状态分类准确率作为概率分配函数的权值。
对断路器声、振信号的基本概率分配函数2θ→[0，1]进行加权处理。
rm(f)＝r(f)·m(f)(8)
所定义的rm：2θ→[0，1]为决策框架θ上的加权概率分配函数，r(f)为支持向量机获得的准确率，m(f)当前故障种类的基本概率分配。
比较rm概率值可以判断断路器的状态类型。
有益效果：本方法提高了诊断结果的准确度，去除数据的大量冗余，弥补了现有算法的一些缺点；可用于弥补现有断路器诊断方法的不足，亦可作为现有技术的补充。
具体实施方式：
本发明基于声振特征的改进证据理论算法实施例，包括以下步骤：
以某型号断路器作为样本进行试验
步骤1通过声音传感器和振动传感器测得断路器的状态信号，包括正常状态、卡涩故障、基座松动故障、拒动故障等状态。
步骤2利用db3小波基分别将声、振信号进行三层分解，并在第三层8个节点上重构信号；将重构后的8个节点的信号进行希尔伯特变换，求取模值包络线。
步骤3将包络信号按分闸前、分闸中、和分闸后的原则分为3段，按照等能量原则将分闸前分为3段，分闸中分为9段，分闸后分为3段，提取断路器各状态的小波包平方差能量熵。
由式(2)(3)(4)分别提取待处理信号的第三层8个节点的小波包平方差能量熵，组成能量熵矩阵q
步骤4将各信号特征向量矩阵，输入支持向量机后使用“onevsone”投票策略获得基本概率分配。
根据式(6)(7)获得基本概率分配矩阵：
步骤5最后利用证据理论融合多传感器信息识别断路器故障类型。
由式(8)、(9)、(10)进行加权融合获得最终的概率分布函数rm，比较rm概率值可以判断断路器的状态类型。
附图说明
图1是方法实现流程图
图2是方法实现硬件构成图。