[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

说明书

本发明公开一种基于多维样本熵的自动转换开关故障识别方法，属于故障诊断技术领域。该方法首先采集自动转化开关电磁机构的原始故障电流信号，然后将电流信号进行集合经验模态分解，提取各经验模态分量的小波能量熵，频率谱熵及样本熵，对三种信息熵进行标准化处理并计算其多维熵距作为特征向量，其次选择主成分析法对所有特征向量进行降维处理以得到最终的特征矩阵。将故障特征分为多个训练样本和测试样本，然后采用训练样本对基于网格搜索‑交叉验证算法优化的支持向量机的故障识别模型进行训练并进行分类，最后根据分类结果识别样本的故障类型。本发明所提模型在处理多特征融合的故障中具有较高的的创新性，在故障识别过程中具有较高的准确度。

技术领域

本发明属于故障识别技术领域，尤其涉及一种基于多维熵距的自动转换开关故障识别方法。

背景技术

自动转换开关由一个(或几个)转换开关电器和其他必需的电器组成，用于监视电源电路、可以在电路发生故障时将负载电路从一个电源自动转换至另一个电源的电器，是保证系统供电的连续性必备电器。但随着动作次数的增加以及振动和温度等环境应力的作用下，自动转换开关的健康状况会产生退化，严重时会产生机械结构卡涩等故障，使其无法正常的对电路进行切换。因此，对自动转换开关的健康状况进行检测，是近年研究的重点。

在故障诊断中，特征信号的选取是保证诊断准确性的前提，在自动转换开关切换电路时，其线圈电流会随着机构的动作而产生相应的变化，电流信号中包含着丰富的机械结构信息，可作为后续故障识别的依据。针对自动转换开关故障电流时域信号采集简单，但是易受其他信号的干扰且抗干扰能力较差，此外，电流信号非线性、非平稳特征导致的时域特征难以进行后续分析，因此，在频域方面进行特征提取的方法应运而生。为了更好的处理大量的检测信息，引入了信息熵的理论。传统小波分析可以将信号分析更加精细，对高频信号的处理分辨率高，但是所需处理的信息也大幅增加，小波能量熵则可以有效地减少系统的复杂度，而功率谱熵可以更好的描述电流信号发生故障时频谱能量的变化，样本熵则在处理复杂序列样本是的统计特征具有显著优势。但是仅从单信息熵进行特征提取存在偶然性，且适用范围有限无法处理复杂的多故障信号，而多特征信号融合，往往会造成噪声和冗余现象的出现。

发明内容

针对目前单信息熵方法的不足，提供一种基于多维熵距的自动转换开关故障识别方法。

该方法首先采集自动转化开关电磁机构的原始故障电流信号，然后将电流信号进行集合经验模态分解，提取各经验模态分量的小波能量熵，频率谱熵及样本熵，从而尽可能全面的解决单信号特征量存在的偶然性问题。为了能够对多维信号进行更好的数据融合，且消除三种信息熵不同量级的影响，对三种信息熵进行标准化处理并计算其多维熵距作为特征向量，其次选择主成分析法对所有特征向量进行降维处理以得到最终的特征矩阵。将故障特征分为多个训练样本和测试样本，然后采用训练样本对基于网格搜索-交叉验证算法优化的支持向量机的故障识别模型进行训练，采用已训练完成的故障时识模型对测试样本进行分类，最后根据分类结果识别样本的故障类型及故障程度。结果表明，本发明所提模型在检测多特征融合故障的准确率更高，在故障识别过程中具有更强的鲁棒性。

本发明提供的一种基于多维熵距的自动转换开关故障识别方法包括以下步骤：

(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；