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t<sub>1</sub>,t<sub>2</sub>,t<sub>3</sub>,t<sub>4</sub>,t<sub>5</sub>,令t<sub>0</sub>=0作为参照点计算时间参数,以及三个特征电流值i<sub>1</sub>,i<sub>2</sub>,i<sub>3</sub>,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)<sup>T</sup>φ(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<sub>k</sub>(k=1,2,…,n)<sub>,</sub>输入空间聚类中心为v<sub>i</sub>(i=1,2,…,c)<sub>,</sub>加权指数为<sub>m</sub>,则可以得到原始故障样本的隶属度矩阵<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>u</mi><mi>ik</mi></msub><mo>=</mo><mfrac><msup><mrow><mo>(</mo><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>k</mi></msub><mo>,</mo><msub><mi>x</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>K</mi><mrow><mo>(</mo><msub><mi>v</mi><mrow><mi>i</mi><mo>,</mo></mrow></msub><msub><mi>v</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><mn>2</mn><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>k</mi></msub><mo>,</mo><msub><mi>v</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>)</mo></mrow><mrow><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mi>m</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup><mrow><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>c</mi></munderover><msup><mrow><mo>(</mo><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>k</mi></msub><mo>,</mo><msub><mi>x</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>K</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>j</mi></msub><mo>,</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>-</mo><mn>2</mn><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>k</mi></msub><mo>,</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>)</mo></mrow><mrow><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mi>m</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup></mrow></mfrac><mo>,</mo></mrow>]]></math><img file="FDA0000742728340000011.GIF" wi="1046" he="223" /></maths>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,<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>MPC</mi><mo>=</mo><mn>1</mn><mo>-</mo><mfrac><mi>C</mi><mrow><mn>1</mn><mo>-</mo><mi>C</mi></mrow></mfrac><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>c</mi><mo>=</mo><mn>1</mn></mrow><mi>C</mi></munderover><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>u</mi><mi>ic</mi></msub><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000742728340000012.GIF" wi="756" he="143" /></maths>聚类数C选择的范围为[2,Cmax],Cmax不超过<img file="FDA0000742728340000013.GIF" wi="134" he="83" />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。 |