[发明专利]一种基于SOM和D-S理论的电表电路故障信息融合和诊断方法

摘要

一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，该方法步骤如下：一：根据对电能表故障电路的电路分析，并按照GJB299C规定的故障模式，对故障电路建立故障模式集合；二：根据步骤一的故障模式集合选取与集合中故障模式相对应的待观测的故障信号点，作为电路功能和状态的测试点；三：对在步骤二中选取的故障信号点处获取的故障信号进行预处理；四：使用SOM进行故障信息融合，输出故障结论；选择70%的数据进行训练，选择30%的数据进行测试；五：使用D-S证据理论对故障结论进行融合，做出故障决策；该方法对故障诊断的结果的信任程度进一步增加，减小了因为误差带来的整体不确定性，大大提高了故障诊断的准确性，是信息融合领域非常重要的手段。

主权项

一种基于SOM和D‑S证据理论的电表电路故障信息融合和诊断方法，其特征在于：该方法具体步骤如下：步骤一：根据对电能表故障电路的电路分析，并按照GJB299C规定的故障模式，对故障电路建立一个故障模式集合；步骤二：根据步骤一的故障模式集合选取与集合中故障模式相对应的待观测的故障信号点，作为电路功能和状态的测试点；步骤三：对在步骤二中选取的故障信号点处获取的故障信号进行预处理；由于采用的特征包括时间特征、频率特征和统计特征，所以在进行信号预处理过程中采用递进的处理方式，如下所述：(1)先对获取的故障信号插值，统一信号粒度从而获得故障信号的变化过程曲线，即时间特征；(2)在(1)的基础上，对时间特征进行归一化，进行离散傅里叶变换，获得信号频谱及相关特征；(3)在(1)的基础上，计算信号的统计特性，包括二阶距，四阶距及最大值，建立特征向量矩阵；根据电路信号的特点，采用时间、频率和统计特征三个维度的信息进行信号融合；步骤四：使用SOM进行故障信息融合，输出故障结论；选择70%的数据进行训练，选择30%的数据进行测试；为了保持三组特征数据统一，SOM具有相同的基本设置；SOM设有1个输入层；网络层中只包含1个输出层，无隐含层，设置9个神经元，使用连接距离函数计算输入向量到神经元的距离，传输函数 设为竞争型compet，拓扑结构为六边形网络层拓扑函数hextop；输入权值向量即inputWeights的初始化函数为中点初值初始化，学习函数为自组织映射权值学习函数即learnsom；迭代次数为80；步骤五：使用D‑S证据理论对故障结论进行融合，做出故障决策；在一定故障模式下，故障信息经过特征层SOM的信息融合，所得结果中已经包含了正确的结论，但是SOM识别结果浮动的范围较大，还需要通过决策层信息融合来缩小其范围，得到更精确的故障诊断结论；根据故障仿真的结果，建立信息融合故障诊断的识别框架。