一种用于高压断路器智能故障诊断的特征选择方法

文献发布时间：2023-06-19 19:38:38

技术领域

本发明涉及一种特征选择方法，尤其涉及一种用于高压断路器智能故障诊断的特征选择方法。

背景技术

高压断路器是供变电设备中极为重要的一个关键设备，其安全可靠的运行严重影响着供电线路的可靠运行、运维人员的生命安全等。当高压断路器在运行中发生故障时，其不能正常执行分合闸操作，会造成巨大的电力、经济损失，危及人身安全。机械故障是高压断路器最常见最主要的故障类型，而振动信号含有丰富的信息，因此对振动信号提取特征，通过人工智能算法实现高压断路器的故障诊断是判断高压断路器运行状态的重要依据。

然而目前高压断路器的运行数据众多，从数据中提取到的特征更是不计其数，不相关、冗余的特征会严重影响人工智能算法的准确性、计算量、经济性。通过特征选择算法对众多特征进行选择是目前常用的方法，但是现有特征选择技术中，在提取特征后为均匀抽样，通过大量时间、计算代价来实现特征选择。因此，考虑通过加权抽样实现特征选择，提高人工智能算法的效率，降低特征选择计算代价，对提高人工智能算法的准确性、经济性，降低人工智能算法的计算量有重要意义。

发明内容

本发明的目的是提供一种用于高压断路器智能故障诊断的特征选择方法，该方法通过短时傅里叶分解、小波包分解、经验模态分解得到振动信号的时域特征、频域特征、时频特征；通过优序图法确定每个特征及特征组中特征数量对智能故障诊断算法准确率的影响，进而确定每个特征及特征组中特征数量在随机抽样中的权重；通过加权不放回随机抽样，生成特征组；利用故障诊断算法计算其故障诊断准确率，最终得到故障诊断准确率高、特征数量少的特征集。

本发明为解决其技术难题，所采用的技术方案为“一种用于高压断路器智能故障诊断的特征选择方法”，其步骤为：

A、高压断路器振动信号的采集，包括采集正常状态、操作机构卡涩、铁芯卡涩、基座螺丝松动四种状态的断路器振动信号x；

B、提取振动信号x的特征C

C、计算时域特征、频域特征、时频特征中每个单特征的计算准确率A

C1、以反向传播神经网络算法为学习器，每次选择一个单特征投入学习器中，循环k次得到该单特征对应的计算准确率A

C2、从集合S中抽出m个单特征，形成特征集s，其中m取值为2，3，4……M；循环k次计算特征集s中特征数量m对应的计算准确率A

D、根据C中得到的准确率A

D1、以计算准确率A

D2、以计算准确率A

E、依据D中得到的权重Q

E1、根据Q

E2、根据Q

F、判别当前特征集T

进一步的，本发明所述步骤B中提取的振动信号特征有：

①时域特征包括的单特征有：

时域幅值最大值：C

时域幅值最小值：C

时域幅值峰峰值：C

时域幅值平均值：

时域幅值均方根：

幅值整流平均值：

时域幅值方根：

时域幅值方差

时域幅值标准差：

峭度因子：C

偏度因子：C

峰值因子：C

脉冲因子：C

裕度因子：C

波形因子：C

广义能量：

式中x

②频域特征包括的单特征有：

频域幅值最大值：C

频域幅值最小值：C

频域幅值中位数：C

频域幅值平均数：

频域幅值峰峰值：C

频域中心：

均方频率：

均方根频率：

频率方差：

频率标准差：

式中X

③时频特征包括的单特征有：

小波包能量熵：

经验模态分解能量熵：

进一步的，本发明所述步骤C、F中，k为循环次数，k＝100次；计算准确率A

进一步的，本发明所述步骤E中，加权随机抽样主要内容包含：根据权重Q

与现有技术相比，本发明先选出最优特征集的子集个数，即单特征个数，然后选择具体的单特征构成，本发明具体的有益效果是：

一、基于权重的随机抽样。传统的特征选择算法中，随机抽样为均匀抽样，无法依据特征的重要性进行抽样。本方法以智能故障诊断算法的准确率为目标，确定了特征以及特征集中特征数量在随机抽样中的权重，能够更有效、更快速的选出较优解，以更小的计算代价完成特征选择。

二、提高了故障诊断算法的准确率。本方法在使用特征较少的同时，拥有较高的准确率，避免了不相关、冗余的特征信息对智能诊断算法准确率的影响。

三、本方法普适性较高。本发明不仅可以用于对振动信号的特征选择，同时对分合闸线圈电流、储能电机电流等信号同样适用。

附图说明

图1为本发明的步骤流程示意图；

图2为高压断路器振动信号；

图3为优序图法权重计算表；

具体实施方式

下面结合实施例、附图对本发明提供的一种用于高压断路器智能故障诊断的特征选择算法的具体实施方式做详细说明，如图1所示，具体步骤如下：