[发明专利]一种基于多维熵距的自动转换开关故障识别方法

权利要求书

1.一种基于多维熵距的自动转换开关故障识别方法，其特征在于所述方法包括以下步骤：

(1)采集待诊断物体的原始故障电流信号；

(2)采用集合经验模态分解对原始故障电流信号进行处理；

(3)提取分解后的各模态分量的多维熵值并计算其多维熵距；

(4)将故障特征样本分为训练样本和测试样本，利用主元分析对特征矩阵进行降维处理；

(5)采用多个训练样本对网格搜索-交叉验证算法优化的支持向量机故障分类模型进行训练；

(6)采用训练完成的故障识别模型对测试样本机型分类；

(7)根据分类结果识别被测物体的故障类型以及程度；

步骤(2)中所提取原始故障信息的进行集合经验模态分解的过程包括：

(2-1)将符号相反的白噪声信号成对地添加到原始信号，形成两个新的信号；

(2-2)对目标信号进行经验模态分解；

(2-3)循环步骤(2-1)和(2-2)；

(2-4)将上述分解结果进行总体平均运算，得到分解结果：

其中，为被分解故障电流信号；f_i(t)(i＝1，2，…，n)为第i个模态分量；r_n(t)为残余分量；

分解得到的模态分量f_i(t)需要满足以下条件：

整个时间序列中的极值点与过零点的数量最多相差一个；

任何时刻通过局部极大值和局部极小值而得出的包络线的均值为零；

进一步地，步骤(3)中在各模态分量中提取多维熵值作为特征值的过程包括：

步骤(3)中在各模态分量中提取多维熵值作为特征值的过程包括：

(3-1)应用能量权重及能量熵的概念，计算各模态分量下的能量权重熵值；

(3-2)根据样本熵的原理，计算各模态信号产生新模式的概率，从而求取各模态分量的样本熵值；

(3-3)根据能量守恒原则，对时域信号通过傅里叶变换，并绘制处对数功率谱来反映各分量的功率谱熵值；

步骤(4)中将故障特征样本分为训练样本和测试样本的过程包括：

选择非故障状态下的不同熵值的样本数据，组成训练样本矩阵X_train：

其中，X_train为十个周期样本中的4种样本熵值所组成的矩阵；

增加故障样本的周期数并将其作为检测样本矩阵X_test；

步骤(5)中采用多个训练样本对网格搜索-交叉验证算法优化的支持向量机故障分类模型进行训练过程包括：

(5-1)将多维度熵值输入进参数优化后的支持向量机模型，通过穷举法来搜索支持向量机待寻优参数的可能取值；

(5-2)将不同故障状态作为支持向量机输出，并利用交叉验证来选择最优参数。

2.根据权利要求2所述的一种基于多维熵距的自动转换开关故障识别方法，其特征量提取的特征在于所述步骤(3-1)及步骤(3-3)，具体步骤如下：

(1)应用能量权重及能量熵的概念，计算各模态分量f(t)与原始电流信号I(t)能量的比值将其作为对应模态分量的能量权重λ_k，具体如下：

根据各分量的能量权重，定义能量权重熵J如下：

其中，h为每周期数据点数，k为第几个模态；

(2)根据样本熵的原理，计算各模态信号中产生新模式的概率，B^m(r)为两个序列在相似容限r下匹配m个点的概率，而B^m+1(r)为两个序列匹配m+1个点的概率，样本熵定义为：

(3)首先对原时域电流信号进行傅里叶变换，并计算频率谱序列y_i在对应频率处的功率谱值S_i，求解第i个功率谱在整个功率谱中所占的百分比q_i，并根据对应的对数功率来表示其对应的功率谱熵值，具体如下：