[发明专利]一种基于样本熵和SVM的OLTC机械故障诊断方法

权利要求书

1.一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：包括如下步骤：

步骤1：将加速振动传感器置于OLTC顶盖采集各种状态下的振动信号；

步骤2：将各种状态下的振动信号分别进行EEMD分解，得到分量IMF，取前k个IMF分量进行进一步处理；

步骤3：计算选取的IMF分量的样本熵；

步骤4：对于训练数据集，用计算得到的样本熵作为特征向量，输入SVM进行训练，得到SVM分类器，把测试样本的IMF分量的SampEn值输入SVM分类器，由SVM分类器的输出得到测试样本的运行状态。

2.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤1中振动传感器放置于OLTC的垂直顶端。

3.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤1中各种状态下振动信号，包括：正常、触头松动、触头磨损、触头烧毁、触头脱落的振动信号，每种状态下采集多组振动信号。

4.根据权利要求1所述的一种基于样本熵和SVM的OLTC机械故障诊断方法，其特征在于：所述步骤2将采集到各个状态下的多组振动信号分别进行EEMD分解，得到分量IMF，具体步骤如下：

2.1：在振动信号x(t)中加入高斯白噪声，取信号波形的上极值点、下极值点，分别得到局部最大值包络线和局部最小值包络线；将两条包络线相应各点的值取平均，得到一条曲线m₁；求振动信号x(t)和该曲线的差：

h₁＝x(t)-m₁ (1)

2.2：继续迭代以上步骤：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁为h₁的上、下包络线平均值；求解h_1k，h_1k＝h_1(k－1)-m_1k，式中k为大于等于1的自然数，直到判据S_i＜0.1，其中：

式中，t代表采集时刻，r代表采集时长；

此时h_1k＝h_1(k－1)-m_1k，为第1个IMF，记为c₁；

2.3：将c₁从原信号中减去：

r₁＝x(t)-c₁ (4)

将r₁作为新的数据，加入高斯白噪声后，再重复步骤2.1和2.2，得到第2个IMF，记为c₂；如果所得到的S_i或残余分量r_n小于预先设定的值，或者已经变成了一条单调曲线，则分解结束；否则，继续对得到的IMF进行以上操作，最终得到一系列的IMF，原信号分解为

即原信号被分解为n个IMF和1个剩余分量。