基于分合闸线圈电流信号的断路器故障诊断方法

摘要

本发明涉及基于分合闸线圈电流信号的断路器故障诊断方法，方法为：（1）采集原始故障数据集，对采集到的数据进行归一化处理；（2）利用粒子群算法（PSO）与模糊核C-均值聚类（KFCM）相结合的算法P-KFCM，对数据集进行分类，得到原始故障样本隶属度矩阵，根据隶属度将数据集分为C类；（3）通过聚类有效性指标MPC对聚类数C进行校核，以MPC最大值所对应的聚类数C作为最佳聚类数；（4）将最优分类中每两类的数据样本建立一个SVM预测训练器，得到C×(C-1)/2个SVM训练模型；（5）将采集到的测试样本分别输入SVM训练器，得到初步测试结果；（6）综合所有的测试结果，得到最终的故障诊断结论。利用本发明可以提高故障分类的准确性，实现断路器故障类型的在线自检测。

主权项

基于分合闸线圈电流信号的断路器故障诊断方法，其特征是：包括以下几个步骤：步骤11、在真空断路器上安装分合闸线圈电流传感器，电流传感器为霍尔传感器；步骤12、模拟5类真空断路器故障，利用霍尔传感器采集真空断路器分合闸线圈的电流大小；步骤13、提取线圈电流的特征值数据，包括5个特征时刻点t₁,t₂,t₃,t₄,t₅，令t₀＝0作为参照点计算时间参数，以及三个特征电流值i₁,i₂,i₃，将所有的采集到的故障数据都提取8个特征值构造特征空间，原始故障数据集；步骤14、定义核函数K(x,y)＝φ(x)^Tφ(y)，利用粒子群算法(PSO)与模糊核C‑均值聚类(KFCM)相结合的算法，简称P‑KFCM算法，假设输入故障样本为x_k(k＝1,2,…,n)_，输入空间聚类中心为v_i(i＝1,2,…,c)_，加权指数为_m，则可以得到原始故障样本的隶属度矩阵$u_{\mathrm{ik}}=\frac{{(1/(K(x_k,x_k)+K\left(v_{i,}{v}_i\right)-2K(x_k,v_i)))}^{1/(m-1)}}{\underset{j=1}{\overset{c}{\Sigma }}{(1/(K(x_k,x_k)+K(v_j,v_j)-2K(x_k,v_j)))}^{1/(m-1)}},$最后根据隶属度矩阵将数据集分为C类；步骤15、通过聚类有效性指标MPC对聚类数C进行校核，以MPC最大值所对应的聚类数C作为最佳聚类数，$\mathrm{MPC}=1-\frac{C}{1-C}(1-\frac{1}{N}\underset{c=1}{\overset{C}{\Sigma }}\underset{i=1}{\overset{N}{\Sigma }}{u}_{\mathrm{ic}}),$聚类数C选择的范围为[2，Cmax]，Cmax不超过N为数据样本个数；步骤16、将最优分类中每两类的数据样本建立一个SVM预测训练器，得到C×(C‑1)/2个SVM训练模型，SVM能够将低维空间的数据样本映射到高维空间中，使它们成为线性可分，再通过线性划分确定分类边界，步骤17、将采集到的测试样本分别输入SVM训练器，得到初步测试结果；步骤18、综合所有的测试结果得到最终的故障诊断结论。