[发明专利]一种基于低压智能断路器的混合特征故障诊断方法及系统

权利要求书

1.一种基于低压智能断路器的混合特征故障诊断方法，其特征在于，包括如下步骤：

获取降噪后的振动信号，对振动信号进行分解得到振动信号的最优的分解参数；根据振动信号的最优的分解参数获取模糊熵值，并构成模糊熵特征向量；

根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵；

对参数矩阵进行奇异值分解，获取分解后的特征向量，根据分解后的特征向量和模糊熵特征向量获取混合特征向量，将混合特征向量输入至支持向量机中获取故障类型。

2.根据权利要求1所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，获取降噪后的振动信号的方法如下：

选择小波基函数作为离散小波变化的小波基，通过振动信号的最小频率f_min与小波基函数的中心频率f₀之比确定最大分解层数j，对振动信号x_w(t)进行j层离散小波分解，根据无偏似然估计原理确定各层小波高频系数阈值，根据小波分解的低频系数和作用阈值后的高频系数，对振动信号进行小波重构，得到降噪后的振动信u_w(t)。

3.根据权利要求1所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，振动信号的最优的分解参数k的获取方法如下：

将降噪后的振动信号u_w(t)分解为K个有限带宽的本征模态函数，约束变分问题描述如下：

其中，{u_k}＝{u₁,u₂……u_k}为分解得到的K个模态分量；{ω_k}＝{ω₁,ω₂.....ω_k}为各模态分量的中心频率，为经过Hilbert变换后u_k(t)的频谱，*为卷积运算，s.t.指限制条件，j为虚数单位，为梯度算子；

将模态分量和模态分量的中心频率变换到频域：

其中，分别为的傅里叶变换，

拉格朗日乘法算子，再采用乘法算子交替方向算法迭代搜索求取问题的最优解，迭代更新得到K个对其进行傅里叶逆变换得到的实部即为模态分量，即为振动信号的最优的分解参数k。

4.根据权利要求3所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，获取模糊熵值，并构成模糊熵特征向量的方法如下：

确定信号采样频率为N，定义相空间维数m(m≤N-2)，重构相空间X(i)＝[u_k(),u_k(i+1),...,_k(+m-1)]-u₀(i),i＝1,2,...,-m+1，u₀()为均值，

其中，j≠i为窗口向量X(i)和X(j)之间的最大间隔；

模糊隶属函数相空间X(i)和X(j)之间的相关度如下：且j≠i，为指数函数，n为该函数的边界梯度，r为边界宽度；

针对每个i求其平均值，可得模糊度相似度函数为：原振动信号的模糊熵为y_i＝lnΦ^m(r)-lnΦ^m+1(r)；其中，m为重构维数；r为(0.1～0.25)S_d，S_d为采样信号标准差。

5.根据权利要求4所述的基于低压智能断路器的混合特征故障诊断方法，其特征在于，根据振动信号的最优的分解参数的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比，构建参数矩阵的方法如下：

其中，A_i、B_i、C_i、D_i分别为第i个IMF分量的方差、能量矩、一阶差分信号方差与原信号方差的比值以及一阶导数的迁移率和原信号的迁移率之比。