本发明涉及一种基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法。
背景技术：
工作电压在3kV以上的断路器统称为高压断路器，其是高压开关设备中最重要的电气设备，在电网中起到控制和保护的作用，断路器的主要故障有拒动故障、误动故障、绝缘故障、载流故障、外力及其他故障，在上述故障的原因统计中，机械原因占60％以上，且机械故障中绝大多数是操动机构的问题，因此对断路器运行状态尤其是机械状态进行监测和评估十分重要，对于提高和维护电力系统的安全稳定运行有重要意义。
专利号为2017107747368的中国专利公开了一种基于多维缩放统计分析的高压断路器机械故障诊断方法，其计算简单，可有效避免信号局部分散性带来的影响，降低故障诊断的错误率。但是，其难以捕捉信号的局部信息，从而对轻微故障的区分能力有限。
技术实现要素：
针对上述问题，本发明提供基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法，采用概率密度法寻找高压断路器正常和故障情况下的差异区间，进而快速、准确的得到特征向量，识别准确率更高。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法，包括如下步骤：
步骤1、通过故障模拟试验，利用IEPE加速度传感器获得某型号高压断路器在不同机械状态下的振动信号波形，从而形成该型号高压断路器振动信号数据库；
步骤2、采用概率密度算法提取特征向量：
2.1、初始化区间宽度T和循环次数H，令参数k＝1；
2.2、设采集了p次高压断路器的振动信号，将采集的振动信号沿时间轴均分为若干个区间，每个区间长度为T；
2.3、计算各区间内信号的幅值和；
2.4、用正态分布拟合同一故障情况下的幅值分布，得到幅值分布的概率密度函数；
2.5、比较正常情况下和故障情况下的幅值分布情况，获得q个标记区间，将标记区间内的幅值和作为特征量生成样本(xi,yi)，其中，xi为各标记区间的信号幅值和，yi为样本的类别；
步骤3、采用局部线性嵌入法对特征向量进行降维处理，从p维降到p'维；
步骤4、利用支持向量机将高压断路器实时测得的振动信号的p'维坐标与基础波形数据库中的坐标进行对比分类，实现高压断路器的机械故障状态诊断；
步骤5、令参数k的值加1并判断k是否小于H，若k小于H，则改变区间宽度T并进入步骤2.2；若k不小于H，则进入步骤6；
步骤6、记录不同区间宽度T对应的识别准确率，经三次样条插值得到识别准确率的变化曲线；
步骤7、根据识别准确率的变化曲线确定最佳的区间宽度T，当进行高压断路器的机械故障状态诊断时，基于最佳的区间宽度T、利用支持向量机实现高压断路器的机械故障状态诊断。
优选，步骤2.1中，初始化区间宽度T为1ms，循环次数H为10～20，选取前400ms的高压断路器振动信号进行分析。
优选，步骤2.5中，设某一区间内正常情况下样本幅值和的均值为μ0，标准差为δ0，故障情况下样本幅值和的均值为μ1，标准差为δ1，若|μ0-μ1|≥δ0+δ1，则选取该区间为标记区间。
本发明的有益效果是：
第一、本方法所需信号的采集途径简单，不影响高压断路器的结构。
第二、采用概率密度法寻找高压断路器正常和故障情况下的差异区间，进而得到特征向量。
第三、经过局部线性嵌入法优化，可通过可视化技术直观地判断特征提取的效果。
第四、基于最佳的区间宽度T进行高压断路器的机械故障状态诊断，识别准确率更高。
附图说明
图1是本发明基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法的流程图；
图2是本发明特征向量提取方法流程图；
图3是区间宽度对识别准确率的影响示意图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法，如图1所示，包括如下步骤：
步骤1、通过故障模拟试验，利用IEPE加速度传感器(IEPE指的是一种自带电量放大器或电压放大器的加速度传感器)获得某型号高压断路器在不同机械状态下的振动信号波形，从而形成该型号高压断路器振动信号数据库。
高压断路器分合闸操作过程中，从电磁铁线圈通电到分合闸动静铁心碰撞，期间各部件之间存在的若干次的碰撞与摩擦，表现为振动信号中的时域上的若干次振动事件，不同事件的幅值、形状、延续时间等不同。但同一型号、相同机械状态下的断路器振动信号相似，不同机械状态下断路器振动信号存在差异，这是进行故障诊断的基础。优选，IEPE加速度传感器安装在高压断路器合闸电磁铁周边或附近的位置。IEPE加速度传感器可采用PCB公司开发的PCB-352B70传感器。
步骤2、采用概率密度算法提取特征向量：
2.1、初始化区间宽度T和循环次数H，令参数k＝1；
2.2、设采集了p次高压断路器的振动信号，分别为x1,x2,...,xp，令D＝{x1,x2,...,xp}；将采集的振动信号沿时间轴均分为若干个区间，如图2所示，每个区间长度为T，采用每一段区间内的信号幅值和作为特征量；
2.3、计算各区间内信号的幅值和；
2.4、用正态分布拟合同一故障情况下的幅值分布，得到幅值分布的概率密度函数；
2.5、比较正常情况下和故障情况下的幅值分布情况，获得q个标记区间，将标记区间内的幅值和作为特征量生成样本(xi,yi)，其中，xi为各标记区间的信号幅值和，yi为样本的类别；
步骤3、采用局部线性嵌入法对特征向量进行降维处理，从p维降到p'维；
步骤4、利用支持向量机(SVM)将高压断路器实时测得的振动信号的p'维坐标与基础波形数据库中的坐标进行对比分类，实现高压断路器的机械故障状态诊断；
步骤5、令参数k的值加1并判断k是否小于H，若k小于H，则改变区间宽度T并进入步骤2.2；若k不小于H，则进入步骤6；
步骤6、记录不同区间宽度T对应的识别准确率，经三次样条插值得到识别准确率的变化曲线。
步骤7、根据识别准确率的变化曲线确定最佳的区间宽度T，当进行高压断路器的机械故障状态诊断时，基于最佳的区间宽度T、利用支持向量机实现高压断路器的机械故障状态诊断。
优选，步骤2.1中，初始化区间宽度T为1ms，循环次数H为10～20，选取前400ms的高压断路器振动信号进行分析，则区间总数为400。步骤2.5中，设某一区间内正常情况下样本幅值和的均值为μ0，标准差为δ0，故障情况下样本幅值和的均值为μ1，标准差为δ1，由于正态分布下区间(-∞,μ+δ)内的面积为总面积的84％，其中，μ为正态分布的均值，δ为正态分布的标准差，因而，若|μ0-μ1|≥δ0+δ1，则选取该区间为标记区间。得到q个标记区间，构成q个特征量(xi1；xi2；...；xiq)，记为xi＝(xi1；xi2；...；xiq)，xi∈D。p个信号总计p×q个特征量。
选择和样本xi的欧氏距离最近的θ个样本，这θ个样本的集合为Qi，对于xj∈Qi
上式中，参数Cjk＝(xi-xj)T(xi-xk)，Cjk-1为Cjk的逆矩阵，Cls＝(xi-xl)T(xi-xs)，为Cls的逆矩阵。
对于
ωij＝0 (2)
根据公式(1)、(2)确定线性重构矩阵W，其中W的第i行j列元素为ωij。
令M＝(I-W)T(I-W) (3)
上式中，I为单位矩阵。对M进行特征值分解，得到M最小的p'个特征值，对应的特征向量组成的矩阵为ZT。那么样本集D在低维空间的投影Z＝{z1,z2,...,zm}，m为低维空间的维数。采用局部线性嵌入法对特征向量进行降维处理后进行可视化输出。
步骤6中，改变区间的宽度，记录不同宽度对应的识别准确率，经三次样条插值得到识别率的变化曲线，如图3所示，由图3可知，在区间宽度小于6ms时，本方法的准确率能维持在较高水平，当区间宽度达到8ms以上时，识别效果急剧下降，因此最佳的区间宽度T的范围为1～5ms。
本发明的有益效果是：
第一、本方法所需信号的采集途径简单，不影响高压断路器的结构。
第二、采用概率密度法寻找高压断路器正常和故障情况下的差异区间，进而得到特征向量。
第三、经过局部线性嵌入法优化，可通过可视化技术直观地判断特征提取的效果。
第四、基于最佳的区间宽度T进行高压断路器的机械故障状态诊断，识别准确率更高。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。