[发明专利]一种真空开关机械故障诊断方法、系统、设备及可读存储介质

说明书

本发明公开了一种真空开关机械故障诊断方法、系统、设备及可读存储介质，通过获取不同真空快速开关的不同机械故障状态下的分闸振动信号，对获取的分闸振动信号进行S变换，得到S变换二维复数时频矩阵，然后对S变换二维复数时频矩阵进行求模运算得到S变换模矩阵，对模矩阵进行划分后对子矩阵进行奇异值分解，将S变换、奇异值分解及信息熵理论相结合，计算最大奇异值能量熵，最后采用随机森林集成学习算法作为分类器，将特征向量输入随机森林模型中进行故障分类和诊断，与不同特征量和分类器比较后的结果表明，本文提出的真空快速开关机械故障诊断方法特征一致性好，分类准确率高、速度快。

技术领域

本发明属于高压电器故障检测技术领域，具体涉及一种真空开关机械故障诊断方法、系统、设备及可读存储介质。

背景技术

近年来，随着直流电网的发展，高压真空断路器在电网中的应用越来越广泛。然而，传统的断路器操动机构无法满足直流电网的快速开断要求。因此，一种基于涡流斥力原理的新型电磁斥力机构真空快速开关应运而生。目前，对该机构的研究主要集中在特性分析、结构优化以及能量转化效率方面。然而，电磁斥力机构由于动作时间短、速度快、冲击力大，很容易对其缓冲装置以及断路器造成破坏而发生机械故障，但其故障诊断方面的研究还比较少。

目前，高压电器设备的故障诊断主要是利用易采集、信噪比较高、传感器安装简便的振动信号。故障诊断包括三个步骤：首先对振动信号进行时频分析，然后从中提取有效特征量，最后经过机器学习方法进行分类。目前使用较多的时频分析方法包括小波包分解(WPD)和经验模态分解(EMD)。然而WPD分解易受噪声干扰并且难以选择小波基函数，同时对信号的分解没有自适应性；另外，小波包还存在频带能量泄露的问题。EMD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，影响特征量的有效性；对其进行的集合经验模态分解(EEMD)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。S变换是一种新兴的时频分析方法，目前在断路器故障诊断领域已有应用。然而，S变换中相对固定的高斯窗限制了其时频分辨率。已有研究中所用振动信号特征量主要包括信号包络、能量和时频熵等。然而这些特征量都不能完全反映振动信号本身的特征。故障分类使用的机器学习方法主要包括神经网络(ANN)、支持向量机(SVM)和相关向量机(RVM)。但ANN所需训练样本过大，且容易出现过学习和局部最优；SVM的分类效果取决于核函数的选择，不同的参数寻优算法也对结果有较大影响；而RVM样本训练时间相比SVM较长，且核函数选择缺乏理论指导。因此，有必要寻找一种新的故障诊断模型，以实现对真空快速开关中的机械故障进行快速、准确的判断。

发明内容

本发明的目的在于提供一种真空开关机械故障诊断方法、系统、设备及可读存储介质，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种真空开关机械故障诊断方法，包括以下步骤：

S1，获取不同真空快速开关的不同机械故障状态下的分闸振动信号，对获取的分闸振动信号进行S变换，得到S变换二维复数时频矩阵，然后对S变换二维复数时频矩阵进行求模运算得到S变换模矩阵；

S2，对S变换模矩阵进行矩阵分割得到多个子矩阵；

S3，对每个子矩阵进行奇异值分解，得到奇异值矩阵，将S变换模矩阵中第i行、第j列对应的子矩阵的最大奇异值进行归一化处理，得到最大奇异值能量熵，以求得的最大奇异值能量熵作为输入向量输入随机森林集成学习模型进行故障快速诊断。

进一步的，通过加速度传感器对真空快速开关分闸时产生的振动信号按采样时间t、采样频率f进行采样，得到不同状态的分闸振动信号。

进一步的，对得到的振动信号进行S变换时频分析，公式为：

其中，x(t)为输入信号，τ为位移因子，f为频率，a和b共同控制高斯窗的窗宽。