基于振动信号分析的真空断路器机械状态检测方法

摘要

本发明公开一种基于振动信号分析的真空断路器机械状态检测方法，包括以下步骤：1）、采集VS1真空断路器动作过程中的振动信号；2）、对步骤1）采集的振动信号进行小波分解消噪；3）、对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时-频-信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量；4）、将步骤3）的计算的故障特征向量输入训练好的神经网络进行分类，实现真空断路器的状态检测。

主权项

基于振动信号分析的真空断路器机械状态检测方法，其特征在于，包括以下步骤：1)采集VS1真空断路器动作过程中的振动信号；2)对步骤1)采集的振动信号进行小波分解消噪；3)对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时‑频‑信号幅值谱中；并计算各频域段的信息熵，将振动信号各频段的信息熵组合到一起构成故障特征向量；4)将步骤3)的计算的故障特征向量输入训练好的神经网络；神经网络结合振动信号知识库将振动信号的故障特征向量进行分类，得到其机械状态为正常或具体故障类型，实现真空断路器的状态检测；振动信号知识库的建立及神经网络的训练包括以下步骤：S1)利用实验测量及多体动力学软件ADAMS仿真VS1真空断路器动作过程，获取多组不同位置不同状态下的振动信号；S2)对步骤S1)采集的振动信号进行小波分解消噪，利用matlab自带一维信号小波消噪函数wden()实现，其中参数设置为：根据小波基与VS1断路器合、分闸振动信号的相似度选择与振动信号相似的小波基，分解层数为3，用heursure启发式阈值进行小波系数阈值量化，使用软阈值函数完成消噪；S3)对小波分解后的信号，在各频段内对信号进行重构，将各频段重构信号利用matlab绘制在信号的时‑频‑信号幅值谱中；S4)计算信号由小波分解到各频段的信息熵；将振动信号各频段的信息熵组合到一起构成故障特征向量，建立VS1真空断路器振动信号知识库；S5)将各故障状态及正常状态下的振动信号故障特征向量按其机械状态编码，并输入支持向量机SVM神经网络进行训练得到训练好的神经网络；步骤S2)中选择小波基的方法为：考虑小波分解重构所得信号与原信号的相似性，既考虑其整体误差，又考虑其局部误差，选择与振动信号相似度较高的小波基；具体的相似度判断公式为：$e={\alpha }_1\sqrt{{\left|\right|S-S_1\left|\right|}^2/N}+{\alpha }_2\left(\max \left(\right|S-S_1\left|\right)\right)---\left(1\right)$式中：e——信号小波分解重构之后与原信号的相似度；α₁——系数，表明整体误差在小波基选择中所占的权重，取0.5；α₂——系数，表明局部误差在小波基选择中所占的比例，取0.5；S——原始信号；S₁——小波分解重构所得信号；N——信号的点数。