一種基于振動信號的萬能式斷路器分合閘故障診斷方法
【專利摘要】一種基于振動信號的萬能式斷路器分合閘故障診斷方法，通過加速度傳感器采集到的萬能斷路器分合閘過程中的機身振動信號，包括以下步驟：第一步通過加速度傳感器采集萬能式斷路器分合閘動作過程中的機身振動信號并轉化為數字信號，得到初始的振動信號；第二步采用改進的小波包閾值去噪算法對所采集振動信號；第三步采用互補總體平均經驗模態分解算法對降噪振動信號提取固有模態函數分量；第四步確定固有模態函數分量的數量Z；第五步選擇的前Z階固有模態函數分量提取作為特征量的樣本熵；第六步建立基于相關向量機的二叉樹多分類器；第七步以第六步中得到的基于相關向量機的二叉樹多分類器建立萬能式斷路器故障識別模型。
【專利說明】
一種基于振動信號的萬能式斷路器分合閘故障診斷方法
技術領域
[0001] 本發明的技術方案涉及斷路器的故障診斷，具體地說是一種基于振動信號的萬能 式斷路器分合閘故障診斷方法。
【背景技術】
[0002] 依照國家對智能電網建設的規劃，智能變電站是智能電網的重要組成部分和關鍵 環節，萬能式斷路器智能化是智能變電站的重要組成部分，所以保障其可靠運行是十分必 要的。然而，現階段國內外學者對斷路器故障診斷的研究多為高壓斷路器，而對低壓斷路器 研究很少，尤其是萬能式斷路器。目前，針對斷路器的故障診斷技術一般包括信號采集、特 征提取、故障識別3個環節的內容。
[0003] 第一環節中采集的信號有:分合閘線圈電流及電壓、動觸頭行程、開斷電流及電弧 電壓、觸頭受力等。近來，利用振動法檢測斷路器機械狀態逐漸成為國內外研究的熱點。利 用振動診斷方法有利于實現對斷路器的非侵入式的狀態監測，其采集不需要與斷路器電氣 連接且不會破壞斷路器本體結構，因而振動診斷成為斷路器機械狀態監測的合適手段。
[0004] 第二環節的特征提取過程中，針對振動信號的非線性、非平穩特性，常采用適用于 具有暫態、突變等非平穩信號分析的小波分析、經驗模態分解（emp i r i ca 1 mo de decomposition，EMD)、總體平均經驗模態分解（ensemble EMD，EEMD)、希爾伯特-黃變換 (Hilbert-Huang transform,HHT)等，但小波在故障信號分解上存在自身缺陷，其分解效果 依賴于小波基和分解尺度的選取，不具有自適應性，此外，小波分解還存在能量泄漏。雖然 經驗模態分解是一種自適應的時頻局部化分析方法，卻存在模態混疊和端點效應現象，對 其進行改進的總體平均經驗模態分解能夠在一定程度上抑制模態混疊，但添加的白噪聲不 能被完全中和，不具有完備性。
[0005] 第三環節的故障識別方法隨著人工智能的發展，常采用神經網絡、支持向量機等。 較為常用的神經網絡具有一定的抗噪聲和泛化能力，但是訓練需要較多樣本，且存在局部 收斂問題。雖然支持向量機適于解決小樣本、高維數、非線性等問題，但該算法有規則化系 數確定困難、預測結果不具有統計意義、核函數受Mercer條件限制等固有局限。針對以上問 題，相關向量機可以有效彌補上述缺陷。但與現有的特征提取方法匹配的效果較差，不能有 效提高的故障識別率，因此在現有故障識別方法基礎上，通過改進特征提取環節和故障識 別方法，使其匹配之后產生更好的效果，實現對故障更高的識別率，并在此基礎行提供一種 改進的基于振動信號的萬能式斷路器分合閘故障診斷方法成為現有技術亟待解決的問題。

【發明內容】

[0006] 本發明所要解決的技術問題是:提供一種基于振動信號的萬能式斷路器分合閘故 障診斷方法，是一種基于振動信號互補總體平均經驗模態分解-樣本熵和相關向量機相結 合的萬能式斷路器故障診斷方法，采用改進的小波包閾值去噪算法對振動信號去噪處理， 優于現有技術的小波去噪與小波包去噪算法;采用互補總體平均經驗模態分解算法對降噪 后的振動信號分解進行時頻分析，更好地克服了模態混疊和端點效應現象;建立基于相關 向量機的二叉樹多分類器，可利用相對較少的故障數據樣本實現對萬能式斷路器故障類 型的識別并具有$父尚的識別率。
[0007] 本發明解決該技術問題所采用的技術方案是:提供一種基于振動信號的萬能式斷 路器分合閘故障診斷方法，所振動信號為通過加速度傳感器采集到的萬能斷路器分合閘過 程中的機身振動信號，其特征是所述方法包括以下步驟：
[0008] 第一步，通過加速度傳感器采集萬能式斷路器分合閘動作過程中的機身振動信 號，并將采集到的模擬信號轉化為數字信號，得到初始的振動信號S'（t)，t為分合閘動作時 間；
[0009] 第二步，采用改進的小波包閾值去噪算法對所采集振動信號s'（t)去噪，得到降噪 振動信號s(t)。
[0010] 所述第二步具體包括以下步驟
[0011] 1)選用Daubechies(dbN)小波基作為小波分解的基函數，分解層數為5層，對振動 信號s'（t)進行小波包分解；
[0012] 2)采用閾值函數對小波包系數Wj, i進行閾值量化處理，得到經閾值函數處理后的 小波包系數所述閾值函數為將軟閾值函數與硬閾值函數相結合構造而成，處理過程如 式(1)所示：
[0014] 式（1)中：#為經閾值函數處理后的小波包系數，其中ay為小波包分解第j層上 的第i個頻段子帶的能量歸一化系數;Wj,i為處理之前的小波包系數;采用基于heursure的 啟發式閾值選取函數對閾值X進行選取;0為調節系數，〇. 5 < 0 < 1。
[0015] 式(1)中小波包能量系數可以由小波包系數求得，具體：
[0016] 小波包系數Wj, i為W( j，0)，W( j，1)，…，W( j，2j-l)，每個子頻帶小波包的能量Ej, i = w(j，i) 112,總小波包能量為乓小波包能量系數
[0017 ]最后將經閾值函數處理后的小波包系數重建小波包樹，并反變換重構去噪后的信 號，得到降噪振動信號s(t)。
[0018] 第三步，采用互補總體平均經驗模態分解算法對降噪振動信號s(t)提取若干個反 映斷路器狀態信息的固有模態函數分量(IMF)，具體包括以下步驟
[0019] 1)將符號相反的白噪聲信號成對地添加到降噪振動信號s(t)，形成兩個新的信號 Sl(t)，S2(t);
[0020] 2)對目標信號S1(t)，S2(t)進行經驗模態分解，具體包括
[0021 ] 2.1)確定目標信號S1 (t)所有的極大值點和極小值點，然后將所有極大值點用一 條光滑的曲線連接起來得到上包絡線，將所有極小值點用另一條光滑的曲線連接起來得到 下包絡線，使上、下包絡線線間包含所有的信號。上、下包絡線的平均值記為nu(t)，求出目 標信號si(t)的第一個分量hi(t) :si(t)-mi(t)=hi(t) (2)
[0022] 2.2)，將111^)作為81(〇帶入式(2)中，重復進行步驟2.1)的篩選1^次，得到1 111{(〇 = hi(k-i)(t)_mik(t)，使得hik(t)變為一個固有模態函數分量。記ci(t)=hik(t)，則ci(t)為信 號 81(0的固有模態函數條件的分量。
[0023] 2.3)將 ci(t)從 si(t)中分離出來，得至 l」:ri(t)=si(t)-ci(t) (3)
[0024] 將。(〖)作為S1(t)重復步驟2.1)和2.2)，得到S1(t)的第二個滿足固有模態函數條 件的分量C2(t)，
[0025] 2.4)重復步驟2.3)11次得到信號81(〇的11個固有模態分量， r,(/)-c? (/) = /;(〇
[0026] 艮 P … > (〇 = /；(〇] (4)
[0027] 在步驟2.4)的重復循環的終止條件為：當分量cn(t)或殘量rn(t)足夠小以至于當 殘量 rn(t)為一個單調函數不能再從中提取滿足固有模態函數條件的分量時。
[0028]目標信號82(〇同樣按照81(〇的處理方式，按照步驟2.1)到2.4)對 82(〇進行處理
[0029] 3)循環上述步驟1)~2)，重復向降噪振動信號s(t)添加符號相反的成對白噪聲信 號然后將得到的新信號進行經驗模態分解;分解得到的模態需要滿足以下條件，a.整個時 間序列中的極值點與過零點的數量最多相差一個;b.任何時刻通過局部極大值和局部極小 值而得出的上、下包絡線的均值為零;最后將分解結果進行總體平均運算，得到分解結果如 n 式(5)，即'中)=!>,⑴ 片 (5)
[0030] 式中為經過總體平均運算得到的分解結果信號；Cj(t)(i = l，2,…，n)為第j 個固有模態函數分量;rn(t)為殘余分量。
[0031] 第四步，確定所需提取特征量的固有模態函數分量的數量Z，依據各固有模態函數 分量的能量分布特點，歸一化能量值累計大于90%時的Z值，即計算出各固有模態函數分量
能量，第i階固有模態函數分量的能量的計算公式為 卜12廣』 (6) ?
[0032]式(6)中n為振動信號互補總體平均經驗模態分解的固有模態函數分量階數，N為 每個固有模態函數分量的數據點數； n
[0033]各階固有模態函數分量的能量總和為￡ = Z乓 則第i階的固有模態函數分 -1 (7)， 量的能量比定義為
當Ri+R2+'"+Rz 2 90%時的Z值，即為歸一化能量值累計大 于90 %的Z值；
[0034]第五步，選擇第三步得到的n階固有模態函數分量中的前Z階固有模態函數分量提 取其特征量一一樣本熵，方法如下：
[0035] 1))記第 i 個固有模態函數分量SCl(t) = {C(n)}=C(l)，C(2)，H_，C(NW9r^Tj：Wg 序列。將序列{c(n)}按順序組成m維的向量，C m( 1)，…，Cm(N-m+l)，
[0036] 即Cm(i) = {c(i)，c(i+l)，…，c(i+m_l)}，1<i<N-m+1 (9)
[0037] 2)定義向量(^(1)和(^(」）之間的距離(1[(^(1)，(^(」）](1矣」）為兩組向量對應元素 中最大差值的絕對值，即⑴，C,? (/)]=巧巧|外+ 0 - c(/ + u〇 )
[0038] 3)給定相似容限r(r>0)，對每個i值統計d[Cm(i)，C m(j)]<d^Cm(j)(l < j < Ni+1，j關i )的數目，然后計算其與總距離Ni的比值，記作￥卜）即 ?
(11)
[0039] 4)計算所有的平均值B(m)(r)，即
[0040] 5)將向量增加維數到m+1，重復步驟1)~3)，則5廣1 ^的平均值B(m+1) (r)如式（13)
所示，即 實測數據N為有限值時，樣本熵的估計值如式 ，+ (14#/f*，E^SampEn(m，;r，N)=-ln[B(m+1)(;r)/B(m)(;r)] (14)，所述m取值為 1 或2，r取0 ? 1- 0.25倍50。
[0041] 第六步，依照第一步到第五步，分別求出不同機械狀態下前n階固有模態函數分量 的樣本熵并形成有效的特征樣本后，通過計算不同機械狀態下的樣本間歐氏距離來定量評 價類間樣本平均距離，建立基于相關向量機的二叉樹多分類器，具體包括以下步驟
[0042] 設為輸入向量，t = [ti，t2，…，tN]T為目標向量，貝>J相關向量機分類模型如式 N (15)所示，即?"=)'(1，) + 4=乏^.[(尤,：/)+% + €,(15)，式（15)中，￥為權重向量，￥ = /-I
[wo，wi，，"，WN]T;K(x，Xi)為核函數，噪聲en~N(0,〇2); N
[0043] 整個數據集的似然函數如式（1 6 )所示，即= ]"[/m. |.v(￥ W),CT2)
式（16)中，(& = [<})(叉1)，<})(叉2)，".，傘^)]1為設 C16), 計矩陣，巾（Xi) = [l,K(Xi，Xl)，K(Xi，X2)，，"，K(Xi，XN)]T;
[0044] 當目標值為0或1時，似然函數如式(17)所示，即 N f x_t P('k) = n4-v(-Y'.，w)J' I1 -4-v"，w)]}' 式(17)中，s( ?)為sigmoid函數; w (17)，
[0045] 采用稀疏貝葉斯方法對權重向量w賦予零均值高斯先驗分布如式（18)所示，即 3(wlQr.) =.0況(巧抑:，A') 式(18)中，a為N+1 維超參數向量，(^(a。#，…，aN)T，N( ?) -'=〇 (18)， 2 為正態分布函數； 3
[0046] 對于新的輸入向量X*，其對應的目標值t*的概率預測式為p (t* 11) = Jp (t* | w，a，〇2) p(w,a ,o21 t)dwdad〇2 (19)，對式（19)進行貝葉斯推導，可得p(w,a,o211) =p(w 11 ,a ,o2)p (a，o2|t) (20)
[0047]對式(20)進行近似處理，相關向量機的學習過程為最大化p(a，〇2|t)cx p(t|a，02)p (a)p(〇2)的過程，即找到aMP、〇V，滿足卜、采用數值方 （21)， 法近似求解aMP、〇V，可得a、〇2迭代更新公式如式(22)、（23)、（24)，
yi=l-ai2i，i (24) (23)，
[0049] 式(24)中，2 i,i為 5： = [0-2010)+(11&8((1。，€[1，"，€^)]- 1中第；[項對角線元素，]^為 權重向量y = ^2 X的第i個元素;在足夠多的更新后，大部分的ai將趨近無窮大，其對應 的^為0,而其他的^則會趨近于有限值，與之對應的 Xl的集合稱為相關向量，進而可得相關 向量機的分類模型；以類間樣本平均歐式距離作為可分性測度設計相關向量機二叉樹分類 器的層次結構，將萬能式斷路器故障診斷這一多分類問題轉化為多個二分類問題，從而建 立基于相關向量機的二叉樹分類器的萬能式斷路器故障診斷模型。
[0050] 對于兩類樣本集合{x,_}二和{弋}=其中XiEA類，1,￡5類，則A類與B類的類間樣 本平均歐式距離如式（25)所示，即式（25)中， d(.Li,)為2個不同類別樣本間的歐式距離。
[0051] 第七步，以分合閘動作過程中虛假合閘、分閘不徹底或單相不同期的機械狀態以 及正常狀態下選定的前Z階樣本熵特征向量為相關向量機的輸入向量，以萬能式斷路器正 常、虛假合閘、分閘不徹底或單相不同期的機械狀態為相關向量機的輸出向量，以第六步中 得到的基于相關向量機的二叉樹多分類器建立萬能式斷路器故障識別模型。
[0052]所述第七步中，基于相關向量機的二叉樹多分類器中相關向量機的處理次序依據 不同狀態下振動信號樣本的類間樣本平均歐式距離從大到小排序。
[0053]上述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征是執行所述 方法的萬能式斷路器分合閘故障檢測系統包括操作臺、LC0159加速度傳感器、固態繼電器 組、工控機、PCL720板卡和USB7648A采集卡，工控機通過ISA總線控制PCL720板卡對固態繼 電器組進行操作;通過USB7648A采集卡將加速度傳感器的模擬信號轉換成數字信號并通過 USB總線傳送給工控機進行后續處理。
[0054]上述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，所述振動信號的捕 捉可通過設定USB7648A采集卡實時采集信號的閾值作為有效振動信號的時間標識，也可以 給定斷路器合閘線圈的電信號作為有效振動信號的時間標識。
[0055]本發明的有益效果是：與現有技術相比，本發明一種基于振動信號的萬能式斷路 器分合閘故障診斷方法的突出的實質性特點是:本發明一種基于振動信號的萬能式斷路器 分合閘故障診斷方法，首先將振動信號通過改進的小波包閾值去噪算法處理;其次采用互 補總體平均經驗模態分解提取若干個反映斷路器狀態信息的固有模態函數分量，依據各固 有模態函數分量的能量分布特點，選擇其中前n階固有模態函數分量進行處理，計算其樣本 熵形成有效的特征樣本;最后通過計算不同故障類型的樣本間歐氏距離來定量評價類間樣 本平均距離，建立基于相關向量機的二叉樹多分類器，診斷得出萬能式斷路器故障類型，所 提方法在非侵入式測量的條件下，利用相對較少的故障數據樣本實現了對萬能式斷路器故 障類型的識別并具有較高的識別率。
[0056] 與現有技術相比，本發明一種基于振動信號的萬能式斷路器分合閘故障診斷方法 的顯著的進步是：
[0057] (1)本發明方法以斷路器分合閘過程中所產生的包含豐富機械特性信息的振動作 為信號來源，同時加速度傳感器安裝方便并且在不破壞斷路器本體的情況下，實現了對萬 能式斷路器非侵入式監測和故障診斷。
[0058] (2)本發明方法針對振動信號非線性非平穩的特點，利用改進的小波包去噪算法， 兼顧軟、硬閾值法降噪的優點，更好地提高了信號信噪比，降低了均方根誤差。
[0059] (3)本發明方法所采用的互補總體平均經驗模態分解算法縮小了由于添加白噪聲 引起的重構誤差，得到了更好的模態分解效果。
[0060] (4)本發明方法所提取的特征量即固有模態函數分量樣本熵具有較好穩定性，適 合于萬能式斷路器故障狀態的區分。
[0061] (5)本發明方法所采用的基于相關向量機的二叉樹故障診斷模型，可在相對較少 的故障數據樣本下，實現對萬能式斷路器分合閘故障類型的準確識別。
【附圖說明】
[0062]下面結合附圖和本實施例對本發明進一步說明。
[0063] 圖1為執行本發明提供的一種基于振動信號的萬能式斷路器分合閘故障診斷方法 的萬能式斷路器分合閘故障檢測系統的結構示意圖；
[0064] 圖2為實施例1中斷路器不同機械狀態下分合閘振動信號圖；
[0065] 圖3為實施例1中采用改進的小波包降噪技術對正常狀態的振動信號的去噪效果 圖；
[0066] 圖4為實施例1中斷路器虛假合閘狀態振動信號互補總體平均經驗模態分解結果 圖；
[0067] 圖5為實施例1中斷路器不同機械狀態前8階固有模態函數分量歸一化能量柱狀 圖；
[0068] 圖6為實施例1中斷路器不同機械狀態下前7階固有模態函數分量的樣本熵折線 圖；
[0069] 圖7為實施例1中基于相關向量機的二叉樹多分類器結構圖；
[0070] 圖8為實施例2中調整A相觸頭開距分別為3mm和4mm的A相不同期特征對比圖；
[0071 ] 圖9為實施例2中調整B相觸頭開距分別為3mm和4mm的B相不同期特征對比圖；
[0072] 圖10為實施例2中調整C相觸頭開距分別為3mm和4mm的C相不同期特征對比圖。
[0073] 圖中
[0074] 1、操作臺，2、LC0159加速度傳感器，3、固態繼電器組，3.1、合閘繼電器，3.2、分閘 繼電器，3.3儲能繼電器，3.4、欠壓繼電器，4、工控機，5、？(^720板卡，6、1^876484采集卡，7、 萬能斷路器。
【具體實施方式】
[0075] 本發明提供的一種基于振動信號的萬能式斷路器分合閘故障診斷方法的總體流 程是：
[0076] 第一步，通過加速度傳感器采集萬能式斷路器分合閘動作過程中的機身振動信 號，并將采集到的模擬信號轉化為數字信號，得到初始的振動信號s'（t)，t為分合閘動作時 間；
[0077] 第二步，采用改進的小波包閾值去噪算法對所采集振動信號s'（t)去噪，得到降噪 振動信號s(t)。
[0078]第三步，采用互補總體平均經驗模態分解算法對降噪振動信號s(t)提取若干個反 映斷路器狀態信息的固有模態函數（intrinsic mode function，IMF)分量，所述互補總體 平均經驗模態分解算法是在經驗模態分解(empirical mode decomposition，EMD)和總體 平均經驗模態分解(ensemble EMD，EEMD)算法基礎上，針對其分解完備性較差的問題，提出 了補充的方法，具體包括以下步驟
[0079] 1)將符號相反的白噪聲信號成對地添加到降噪振動信號s(t)，形成兩個新的信號 Sl(t)，S2(t);
[0080] 2)對目標信號S1(t)，s2(t)進行經驗模態分解，具體包括
[0081] 2.1)確定目標信號s i (t)所有的極大值點和極小值點，然后將所有極大值點用一 條光滑的曲線連接起來得到上包絡線，將所有極小值點用另一條光滑的曲線連接起來得到 下包絡線，使上、下包絡線線間包含所有的信號。上、下包絡線的平均值記為nu(t)，求出目 標信號si(t)的第一個分量hi(t) :si(t)-mi(t)=hi(t) (2)
[0082] 2.2)，將111^)作為81(〇帶入式(2)中，重復進行步驟2.1)的篩選1^次，得到1 111{(〇 = hi(k-i)(t)_mik(t)，使得hik(t)變為一個固有模態函數分量。記ci(t)=hik(t)，則ci(t)為信 號 81(0的固有模態函數條件的分量。
[0083] 2.3)將 ci(t)從 si(t)中分離出來，得至 l」:ri(t)=si(t)-ci(t) (3)
[0084] 將。(〖)作為S1(t)重復步驟2.1)和2.2)，得到S1(t)的第二個滿足固有模態函數條 件的分量C2(t)，
[0085] 2.4)重復步驟2.3)11次得到信號81(〇的11個固有模態分量， /l(r)-c2(r) = r2(r)
[0086] 艮P ??? > At)-cn{t) = rn{t)\ (4)
[0087] 在步驟2.4)的重復循環的終止條件為：當分量cn(t)或殘量rn(t)足夠小以至于當 殘量 rn(t)為一個單調函數不能再從中提取滿足固有模態函數條件的分量時。
[0088]目標信號82(〇同樣按照81(〇的處理方式，按照步驟2.1)到2.4)對 82(〇進行處理 [0089] 3)循環上述步驟1)~2)，重復向降噪振動信號s(t)添加符號相反的成對白噪聲信 號然后將得到的新信號進行經驗模態分解;分解得到的模態需要滿足以下條件，a.整個時 間序列中的極值點與過零點的數量最多相差一個;b.任何時刻通過局部極大值和局部極小 值而得出的上、下包絡線的均值為零;最后將分解結果進行總體平均運算，得到分解結果如 式⑶，即％)=!>，(〇+w) j=l (5)
[0090] 式中為經過總體平均運算得到的分解結果信號；Cj(t)(i = l，2,…，n)為第j 個固有模態函數分量;rn(t)為殘余分量。
[0091] 第四步，確定所需提取特征量的固有模態函數分量的數量Z，依據各固有模態函數 分量的能量分布特點，歸一化能量值累計大于90%的Z值，即計算出各固有模態函數分量能
量，第i階固有模態函數分量的能量的計算公式為 ，'
[0092]式(6)中n為振動信號互補總體平均經驗模態分解的固有模態函數分量階數，N為 每個固有模態函數分量的數據點數； n
[0093] 各階固有模態函數分量的能量總和為則第i階的固有模態函數分
h (7)， 量的能量比定義為 當Ri+R2+"_+Rk 2 90%時的Z值，即為歸一化能量值累計大 ，. 于90 %的Z值；
[0094] 第五步，選擇第四步得到的Z階需提取特征量的固有模態函數分量中的前n階固有 模態函數分量提取其樣本熵，方法如下：
[0095] 1))記第 i 個固有模態函數分量SCl(t) = {c(n)}=c(l)，c(2)，H_，c(NW9r^rJ：Wg 序列。將序列{c(n)}按順序組成m維的向量，Cm( 1)，…，Cm(N-m+l)，
[0096] 即Cm(i) = {c(i)，c(i+l)，…，c(i+m_l)}，1<i<N-m+1 (9)
[0097] 2)定義向量(^(1)和(^(」）之間的距離(1[(^(1)，(^(」）](1矣」）為兩組向量對應元素 中最大差值的絕對值，即(z') )]==$ lcG+&) 一cU+M (ic〇
[0098] 3)給定相似容限 r(r>0)，對每個 i 值統計 d[Cm(i)，Cm( j)]<49Cm( j)(l < j <Ni+l，j關i)的數目，然后計算其與總距離Ni的比值，記作盡"（〃）即 ?
(11)
[0099] 4)計算所有的平均值B(m)(r)，即
[0100] 5)將向量增加維數到m+1，重復步驟1)~3)，則Tlr)的平均值B(m+1)(r)如式（13) 所示，即
可以看出，樣本熵的值與m，r的取值有關，但樣 本熵具有良好的一致性，其熵值增大與減小的趨勢并不受m和r的影響，實測數據N為有限值 時，樣本熵的估計值如式(14)所示，即SampEn(m，r，N) =-ln[B(m+1)(r)/B(m)(r)] (14)，所述 m取值為1或2，r取0.1 -0.25倍SD。
[0101] 第六步，依照第一步到第五步，分別求出不同機械狀態下前n階固有模態函數分量 的樣本熵并形成有效的特征樣本后，通過計算不同機械狀態下的樣本間歐氏距離來定量評 價類間樣本平均距離，建立基于相關向量機的二叉樹多分類器，所述相關向量機采用了與 支持向量機同樣的預測式，具體包括以下步驟
[0102] 設為輸入向量，t = [tl，t2，…，tN]T為目標向量，貝>J相關向量機分類模型如式 N- (15)所示，8口/,,=>_(.^) + 4=1^_,_/(〇、.'〇 + %+4 式（15)中，w 為權重向量，w i=1 .( 15 )， = [wo，wi，."，WN]T;K(x，Xi)為核函數，噪聲en~N(0,〇2);
[0103] 整個數據集的似然函數如式（1 6 )所示，即廣(/ |u_.cr:卜n ) i=l
式（16)中，①二!! (XI)，4) (X2)，…，(XN) ]T為設 ，. 計矩陣，巾（Xi) = [l，K(Xi，Xl)，K(Xi，X2)，，"，K(Xi，XN)]T;
[0104] 當目標值⑷f=1為喊1時，似然函數如式(17)所示，即 N f . y P(-) = n<.v(x,+，w)]''I1-? Y,，U')]}' 式(17)中，S( ?)為sigmoid函數； (17)，
[0105] 為避免過擬合，確保模型的稀疏性，采用稀疏貝葉斯方法對權重向量w賦予零均值 高斯先驗分布如式（18)所示，即/= I 卜A 1 式（18)中，a為N+1維超參 (18), 數向量，a^aoA，…，aN)T，N( ?)為正態分布函數；
[0106] 對于新的輸入向量X*，其對應的目標值t*的概率預測式為p (t* 11) = Jp (t* | w，a，〇2) p(w,a ,o21 t)dwdad〇2 (19)，對式（19)進行貝葉斯推導，可得p(w,a,o211) =p(w 11 ,a ,o2)p (a，o2|t) (20)
[0107]對式(20)進行近似處理，相關向量機的學習過程為最大化p(a，〇2|t)a p(t|a，〇2)p (a)p(〇2)的過程，即找到aMP、〇2MP，滿足〃'） = ai巧1(2i)采用數值方 法近似求解aMP、〇V，可得a、〇 2迭代更新公式如式(22)、（23)、（24)，
[0109]式(24)中，2 i,i為 5： = [0-201'0)+(11&8((1。，€[1，"，€^)]- 1中第；[項對角線元素，]^為 權重向量y = ^2 X的第i個元素;在足夠多的更新后，大部分的ai將趨近無窮大，其對應 的^為0,而其他的^則會趨近于有限值，與之對應的 Xl的集合稱為相關向量，進而可得相關 向量機的分類模型；本方法依據類間距離越大且類內樣本分布最廣的類最先分離這一原 貝1J，以類間樣本平均歐式距離作為可分性測度，設計相關向量機二叉樹分類器的層次結構， 將萬能式斷路器故障診斷這一多分類問題轉化為多個二分類問題，從而建立基于相關向 量機的二叉樹故障診斷模型。
[0110] 對于兩類樣本集合"丨二和丨之丨二其中xiEA類，弋類，則A類與B類的類間樣本 平均歐式距離如式(25)所示，SP
式(25)中，為 2個不同類別樣本間的歐式距離。
[0111] 第七步，以分合閘動作過程中虛假合閘、分閘不徹底或單相不同期的機械狀態以 及正常狀態下選定的前Z階樣本熵特征向量為相關向量機的輸入向量，以萬能式斷路器正 常、虛假合閘、分閘不徹底或單相不同期的機械狀態為相關向量機的輸出向量，以第六步中 得到的基于相關向量機的二叉樹多分類器建立萬能式斷路器故障識別模型，基于相關向量 機的二叉樹多分類器中相關向量機的處理次序依據不同狀態下振動信號樣本的類間樣本 平均歐式距離的大小選定。
[0112] 執行所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法的萬能式斷路 器分合閘故障診斷系統的整體結構示意圖如圖1所示，所述萬能式斷路器分合閘故障檢測 系統包括操作臺1、LC0159加速度傳感器2、固態繼電器組3、工控機4、PCL720板卡5和 USB7648A采集卡6,工控機通過ISA總線控制PCL720板卡對固態繼電器組進行操作；通過 USB7648A采集卡將加速度傳感器產生的模擬信號轉換成數字信號并通過USB總線傳送給工 控機進行后續處理，工控機上用于由控制PCL720板卡的對固態繼電器操作的程序由 Labview所開發，工控機用于對USB-7648A采集卡傳送來的數字信號的進行特征提取與識別 的分析程序采用Matlab所開發。待進行故障檢測的萬能斷路器7固定安裝在操作臺上，其合 閘、分閘、儲能、欠壓分別由固態繼電器組中的合閘繼電器3.1、分閘繼電器3.2、儲能繼電器 3.3、欠壓繼電器3.4控制。
[0113] 實施例1
[0114] 本實施例以DW15系列萬能式斷路器DW15-1600為實驗對象。斷路器的分合閘故障 集中表現在動作時間超過規程，可通過調整觸頭間的開距與超程模擬分合閘的典型故障的 機械狀態。調整觸頭系統的懸臂模擬虛假合閘狀態;在分閘的到位卡扣間多加墊片，模擬分 閘不徹底狀態;分別調整三相觸頭的連桿長短模擬因機構磨損或調整不當造成的三相中某 一相觸頭與另兩相動作不同步，即A、B、C三相中的單相不同期狀態。采用前述基于振動信號 的萬能式斷路器分合閘故障診斷方法和執行該方法的萬能式斷路器分合閘故障檢測系統 對該模擬了各典型故障機械狀態的萬能斷路器進行故障診斷。具體步驟如下
[0115] 第一步，通過萬能式斷路器分合閘故障檢測系統采集萬能式斷路器分合閘動作過 程中的振動信號s'（t)，所述振動信號的采樣頻率為20kHz，6種機械狀態下典型的振動信號 如圖4所示，分別為正常狀態，虛假合閘狀態即觸頭全超程5mm，分閘不徹底狀態即墊片厚度 2mm，A相不同期狀態即A相開距與另兩相開距相差3mm，B、C相不同期與A相同理。
[0116] 第二步，采用改進的小波包閾值去噪算法對所采集振動信號去噪，得到降噪振動 信號s(t)，本實施例中，調節系數0為0.9，選取Matlab軟件中自帶的"db25"小波基進行5層 分解降噪處理。
[0117] 以正常狀態下典型的振動信號為例，去噪前后的效果如圖3所示，圖3中合閘振動 信號即為正常狀態下的振動信號s'（t)，去躁信號即正常狀態下的降噪振動信號s(t)。 [0118]第三步，采用互補總體平均經驗模態分解算法對6種機械狀態下分別得到降噪振 動信號S(t)各自提取若干個反映斷路器狀態信息的固有模態函數分量。
[0119] 其中白噪聲信號的幅值取降噪振動信號標準差的0.2倍，總體平均次數取500，此 時分解誤差小于0.01，分解誤差在可接受的范圍內。圖4為對虛假合閘狀態下典型的降噪振 動信號s(t)進行在添加了白噪聲后形成的新的目標信號 81(〇進行經驗模態分解時，提取 到的所有固有模態函數（IMF)分量及剩余分量，從圖4可以看出共提取到的14階IMF分量 (MF1~頂F14)和剩余分量rl4,第8階（MF8)之后的固有模態函數分量的最大幅值已經很 小，經驗表明，只需選取前8階固有模態函數分量進行分析。
[0120] 第四步，確定所需提取特征量的固有模態函數分量的數量Z，依據各固有模態函數 分量的能量分布特點，歸一化能量值累計大于90%的Z值。
[0121] 將前8階固有模態函數分量進行能量分析，圖5依次列出了 6種機械狀態下不同階 固有模態函數分量的歸一化能量。由圖5可以直觀地看出振動信號的能量主要集中在前8階 模態，且第8階固有模態函數分量的能量已經很小，歸一化能量值累計大于90%的Z值為7， 即Ri+R2+".+R7> 90%。
[0122] 對6種機械狀態下的前8階固有模態函數分量進行頻譜分析，發現前8階固有模態 函數分量的頻率最高點大體依次分布在3000-4000他，2000-2500他，1200-1700他，600-1000Hz，500-600Hz，300-500Hz，100-200Hz和 10-lOOHz。由頻譜分析得，第8階固有模態函數 分量頻率低，對信號影響很小。因此，進一步驗證取前7階固有模態函數分量分析即可反映 斷路器主要機械狀態信息。
[0123] 第五步，選擇其中前Z階固有模態函數分量進行處理，計算其樣本熵。
[0124] 取2 = 7，111 = 2 4 = 0.2，提取6種機械狀態下前7階固有模態函數分量的樣本熵，前7 階固有模態函數分量樣本熵的典型曲線如圖6所示。由圖6可看出，不同故障狀態固有模態 函數分量的樣本熵之間的差異明顯，可用于故障狀態的區分。
[0125] 第六步，依照第一步到第五步，分別求出斷路器不同機械狀態下前7階固有模態函 數分量的樣本熵并形成有效的特征樣本后，通過計算不同故障類型的樣本間歐氏距離來定 量評價類間樣本平均距離，建立基于相關向量機的二叉樹多分類器。
[0126] 第七步，以分合閘動作過程中各頻帶樣本熵特征向量為相關向量機的輸入向量， 以萬能式斷路器正常、虛假合閘、分閘不徹底或某相不同期的機械狀態為相關向量機的輸 出向量，建立萬能式斷路器故障識別模型。相關向量機的核函數采用高斯核函數，核函數的 寬度參數取〇 . 5。以斷路器每個機械狀態下前7階固有模態函數分量的樣本熵為一類樣本， 以式(25)計算每一類樣本的類間樣本平均歐式距離，結果為正常0.7773,虛假合閘0.6057， 分閘不徹底0.5877 4相不同期0.5678,8相不同期0.5656、(：相不同期0.4435。根據類間樣 本平均歐式距離，建立如圖7所示的基于相關向量機的二叉樹多分類器的萬能式斷路器故 障診斷模型，即相關向量機的處理次序依據每一類樣本的類間樣本平均歐式距離的大小選 定，第一個相關向量機首先識別正常狀態，則訓練樣本分別為正常特征數據以及剩余所有 故障樣本;第二個相關向量機識別虛假合閘，而第一個向量機已經區分出正常，所以第二個 相關向量機不會有正常狀態的樣本，所以剩余訓練樣本為除去正常和虛假合閘的剩余故障 樣本;依次類推。
[0127] 在DW15-1600萬能式斷路器中模擬常見的5機械故障，每種故障狀態下做100組實 驗并記錄數據。記正常、虛假合閘、分閘不徹底、A相不同期、B相不同期、C相不同期分別為類 1、2、3、4、5、6。部分數據樣本見表1，記第11階固有模態函數分量為110：711，每種機械狀態列出 二次實驗數據。
[0128]表1部分實驗數據樣本熵
[0130]以每一類樣本的前40組數據中的部分樣本作為訓練樣本，建立識別模型，并用其 余60組中的部分數據樣本測試。
[0131 ]利用相同的數據樣本，將相關向量機與支持向量機對比分析，支持向量機同樣選 用高斯核函數，核函數的寬度參數為0.5,其中規則化系數為5,并采用相同的二叉樹策略模 型對測試數據樣本進行識別，識別效果如表2所示，表2中記相關向量機為RVM，支持向量機 為 SVM。
[0132] 表2SVM與RVM故障診斷模型性能對比
[0135] 由表2可以得出，基于相關向量機的二叉樹多分類器模型比支持向量機分類模型 具有更高的診斷準確率，能更好地保證故障診斷結果的可靠性。
[0136] 基于上述相關向量機的二叉樹多分類器模型，采用對非線性、非平穩信號時頻分 析效果較好的其它方法如小波包分解、EMD、EEMD用以分解振動信號，并提取能量較大的前7 個頻帶能量系數和樣本熵，與本發明的基于振動信號的萬能式斷路器分合閘故障診斷方法 進行對比，相應的識別率如表3所示。由表3可看出，小波包方法識別率受分解層數影響，而 EMD和EEMD分解所得模態存在不同程度的混疊，造成所提取的特征模糊，識別率較低;在識 別效果上，樣本熵優于能量系數，原因是能量系數不能像樣本熵挖掘信號內在非線性和復 雜性特征。綜合以上分析，可看出本發明提供的基于振動信號的萬能式斷路器分合閘故障 診斷方法，優化了各步驟的處理手段，識別效果最好。
[0137]表3不同時頻分析方法識別效果的評價
[0139] 實施例2
[0140] 本實施例以DW15系列萬能式斷路器DW15-1600為實驗對象。在三相不同期故障類 型下，調整A相開距與另兩相開距相差4mm作為A相不同期狀態；調整B相開距與另兩相開距 相差4mm作為B相不同期狀態;調整C相開距與另兩相開距相差4mm作為C相不同期狀態，其余 調整的虛假合閘、分閘不徹底故障類型狀態與實施例1 一樣。此時，對新的故障類型的斷路 器振動信號提取特征量即樣本熵，與實施例1中A相、B相與C相開距相差3_的不同期狀態的 樣本熵作比較，比較結果如圖8~10所示，從圖8~10可以看出，調整開距為3mm與開距為4mm 的不同期故障的樣本熵基本一致，采用式（25)計算對應機械狀態的類間樣本平均歐式距 離，分別為A相不同期0.0726、8相不同期0.0927、(：相不同期0.0651，根據類間樣本平均歐式 距離，建立基于相關向量機的二叉樹多分類器的萬能式斷路器故障識別模型，即相關向量 機的處理次序依據每一類樣本的類間樣本平均歐式距離從大到小排列，采用該模型對新的 故障狀態進行識別。
[0141] 采用調整開距相差值為4mm的斷路器不同期故障的振動信號進行實驗，三相不同 期故障中每種機械類型選取40個樣本，共計120個樣本作為測試數據樣本，以實施例1得到 的基于相關向量機的二叉樹多分類器模型進行識別測試，此時總體識別率在90.83 %。本實 施例表明，在同一故障類型下，當故障狀態略微變化時，所提樣本熵作為特征量具有一定的 魯棒性，能有效反映不同故障類型。
[0142] 上述步驟均采用軟件Labview和Matlab實現。
[0143]上述本實施例中所用的軟件Labview和Matlab是本技術領域的技術人員所熟知 的。
[0144] 上述實例中的百分比均為數字百分比。
[0145] 上述本實施例中加速度傳感器安裝位置為斷路器基座橫梁。
【主權項】
1. 一種基于振動信號的萬能式斷路器分合閘故障診斷方法，所振動信號為通過加速度 傳感器采集到的萬能斷路器分合閘過程中的機身振動信號，其特征是所述方法包括以下步 驟： 第一步，通過加速度傳感器采集萬能式斷路器分合閘動作過程中的機身振動信號，并 將采集到的模擬信號轉化為數字信號，得到初始的振動信號S'（t)，t為分合閘動作時間； 第二步，采用改進的小波包閾值去噪算法對所采集振動信號S'（t)去噪，得到降噪振動 信號S(t); 第三步，采用互補總體平均經驗模態分解算法對降噪振動信號S(t)提取若干個反映斷 路器狀態信息的固有模態函數分量，具體包括 1) 將符號相反的白噪聲信號成對地添加到降噪振動信號s(t)，形成兩個新的信號S1 (t)，S2(t); 2) 對目標信號S1 (t)，S2 (t)進行經驗模態分解； 3) 循環上述步驟1)~2)，重復向降噪振動信號s(t)添加符號相反的成對白噪聲信號然 后將得到的新信號進行經驗模態分解;分解得到的模態需要滿足以下條件，a.整個時間序 列中的極值點與過零點的數量最多相差一個;b.任何時刻通過局部極大值和局部極小值而 得出的上、下包絡線的均值為零;最后將分解結果進行總體平均運算，得到分解結果如式(5)，即 式(5)中，為經過總體平均運算得到的分解結果信號； Γ5) r cj(t)(i = l，2，···弟j個固有模態函數分量;rn(t)為殘余分量； 第四步，確定所需提取特征量的固有模態函數分量的數量Z，即依據各固有模態函數分 量的能量分布特點，歸一化能量值累計大于90%時的Z值； 第五步，選擇第三步得到的η階固有模態函數分量中的前Z階固有模態函數分量提取作 為特征量的樣本熵； 第六步，依照第一步到第五步，分別求出不同機械狀態下前Z階固有模態函數分量的樣 本熵并形成有效的特征樣本后，通過計算不同機械狀態下的樣本間歐氏距離來定量評價類 間樣本平均距離，建立基于相關向量機的二叉樹多分類器； 第七步，以分合閘動作過程中虛假合閘、分閘不徹底或單相不同期的機械狀態以及正 常狀態下選定的前Z階樣本熵特征向量為相關向量機的輸入向量，以萬能式斷路器正常、虛 假合閘、分閘不徹底或單相不同期的機械狀態為相關向量機的輸出向量，以第六步中得到 的基于相關向量機的二叉樹多分類器建立萬能式斷路器故障識別模型。2. 如權利要求1所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征 是所述第二步具體包括以下步驟 1) 選用Daubechies(ClbN)小波基作為小波分解的基函數，分解層數為5層，對振動信號 s'（t)進行小波包分解； 2) 采用閾值函數對小波包系數W^1進行閾值量化處理，得到經閾值函數處理后的小波 包系數#;所述閾值函數為將軟閾值函數與硬閾值函數相結合構造而成，處理過程如式 (1)所示：式(1)中：為經閾值函數處理后的小波包系數，其中小波包分解第j層上的第i 個頻段子帶的能量歸一化系數;Ww為處理之前的小波包系數;采用基于heursure的啟發式 閾值選取函數對閾值λ進行選取;β為調節系數，0.5 < β < 1; 式（1)中小波包能量系數aj;i可以由小波包系數Wj,i求得，小波包系數Wj,i為W(j，0)，W (j，l)，"_，W(j，2j-l)，每個子頻帶小波包的能量Eja= I |W(j，i) I |2,總小波包能量為小波包能量系數 * I 最后將經閾值函數處理后的小波包系數重建小波包樹，并反變換重構去噪后的信號， 得到降噪振動信號S(t)。3. 如權利要求1所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征 是所述第三步中2)對目標信號s i (t )，S2 (t)進行經驗模態分解，具體包括 2.1) 確定目標信號S1(t)所有的極大值點和極小值點，然后將所有極大值點用一條光滑 的曲線連接起來得到上包絡線，將所有極小值點用另一條光滑的曲線連接起來得到下包絡 線，使上、下包絡線線間包含所有的信號;上、下包絡線的平均值記為m(t)，求出目標信號S1 (1：)的第一個分量111(1:):81(1:)111(1:)=111(1:) (2) 2.2) J^h1U)作為S1(t)帶入式（2)中，重復進行步驟2.1)的篩選k次，得到hlk(t) = hi(k-i)(t)-mik(t)，使得hik(t)變為一個固有模態函數分量;記ci(t)=hik(t)，則ci(t)為信號 si(t)的固有模態函數條件的分量； 2.3) 將〇1(1:)從81(1:)中分離出來，得到:1'1(1:) = 81(1:)-(31(1:) (3) 將n(t)作為S1(t)重復步驟2.1)和2.2)，得到S1(t)的第二個滿足固有模態函數條件的 分量C2(t)， 2.4) 重復步驟2.3)n次得到信號S1(t)的η個固有模態分量，在步驟2.4)的重復循環的終止條件為：當分量cn(t)或殘量rn(t)足夠小以至于當殘量 rn(t)為一個單調函數不能再從中提取滿足固有模態函數條件的分量時；目標信號82(〇同 樣按照 S1(t)的處理方式，按照步驟2.1)到2.4)對82(〇進行處理。4. 如權利要求1所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征 是所述第四步中，確定所需提取特征量的固有模態函數分量的數量Z，依據各固有模態函數 分量的能量分布特點，歸一化能量值累計大于90%時的Z值，即計算出各固有模態函數分量能量，第i階固有模態函數分量的能量的計算公式^ 式 (6), (6)中η為振動信號互補總體平均經驗模態分解的固有模態函數分量階數，N為每個固有模態函數分量的數據點數;各階固有模態函數分量的能量總和^ 則第i階的C7) ? 固有模態函數分量的能量比定義戈 當Ri+fe+··· +Rk2 90%時的Z值，即為歸一 ? 化能量值累計大于90%的Z值。5. 如權利要求1所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征 是第五步提取提取其樣本熵的方法如下： 1) )記第i個固有模態函數分量為(^0 = {(3(11)}=(3(1)，(3(2)，一，(3(?的~點數據序列， 將序列{c(η)}按順序組成m維的向量，Cm( 1)，…，Cm(N-m+l)， 即Cm(i) = {c(i)，c(i+l)，…，c(i+m_l)}，I< i < N_m+1(9) 2) 定義向量Cm(i)和Cm(j)之間的距離d[Cm(i)，Cm(j)](i矣j)為兩組向量對應元素中最 大差值的絕對值，即⑴， cCZ+M (ιω 3) 給定相似容限r(r>0)，對每個i值統計d[Cm(i)，Cm(j)]<r的C m(j)(l<T]^，SPSampEn(m，;r，N)=-ln[B(m+1)(;r)/B(m)(;r)](14)。6. 如權利要求5所述的一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特 征在于所述m取值為1或2，r取0.1-0.25倍SD。7. 如權利要求所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征是 第六步具體包括以下步驟 設為輸入向量，t = [tl，t2，…，tN]T為目標向量，貝1J相關向量機分類模型如式（15)wi，···，WN]T;K(x，Xi)為核函數，噪聲εη~Ν(0，σ2); 所示 式（15)中，W為權重向量，W= [W0, .， 整個數據集的似然函數如式（1 6 )所示，B計矩陣，Φ (Xi) = [l，K(Xi，Xl)，K(Xi，X2)，，"，K(Xi，XN)]T; 、S(l6)*，c> = [<i)(xi)，<i)(x2)，".，<i)(XN)]TSS (16)， 式(17)中，δ( ·)為sigmoid函數； 當目標值k.丨1為ο或1時，似然函數如式(17)所示，即(17)， 采用稀疏貝葉斯方法對權重向量w賦予零均值高斯先驗分布如式（18)所示，即式（18)中，(1為糾1維超參數向量，€[=(€[()，(11，，"，(^)1^(·) (18), 為正態分布函數； 對于新的輸入向量X*，其對應的目標值t*的概率預測式為p(?*|?)=]·ρ(?*|ν，α，σ2)ρ(?, α,σ21 t)dwdad〇2(19)，對式（19)進行貝葉其萬推導，可得p(w，a，o21 t)=p(w| ?，α，σ2)ρ(α，σ211) (20)對式（20)進行近似處理，相關向量機的學習過程為最大化p(a，〇2|t)a p(t|a，〇2)p (?^!^。。的過程^口找到以^。=^，^ 采用數 \?.1/ ? 值方法近似求解aMP、O2mp，可得α、σ2迭代更新公式如式（2 2)、（23)、（24)，即γ? = 1-α?Συ(24);Κ(24)*，Συ*Σ = :22) ;23 )， [fcDTcD+diagCat^cu，··· ,(Xn)IT1中第i項對角線元素，μL為權重向量μ = σ<Σ cDTt的第i個元 素;在足夠多的更新后，大部分的O1將趨近無窮大，其對應的^為〇,而其他的<^則會趨近于 有限值，與之對應的X 1的集合稱為相關向量，進而可得相關向量機的分類模型；以類間樣本 平均歐式距離作為可分性測度設計相關向量機二叉樹分類器的層次結構，將萬能式斷路器 故障診斷這一多分類問題轉化為多個二分類問題，從而建立基于相關向量機的二叉樹分類 器的萬能式斷路器故障診斷模型； 對于兩類樣本集合{x,，其中X1EA類Λ. M類，則A類與B類的類間樣本平均歐式距離如式（25)所示 式（25)中，G^xi,i-j為2個 (25)， 不同類別樣本間的歐式距離。8. 如權利要求1所述的一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特 征是所述第七步中，基于相關向量機的二叉樹多分類器中相關向量機的處理次序依據不同 狀態下振動信號樣本的類間樣本平均歐式距離從大到小排序。9. 如權利要求1~7所述任一一種基于振動信號的萬能式斷路器分合閘故障診斷方法， 其特征是執行所述方法的萬能式斷路器分合閘故障檢測系統包括操作臺、LC0159加速度傳 感器、固態繼電器組、工控機、PCL720板卡和USB7648A采集卡，工控機通過ISA總線控制 PCL720板卡對固態繼電器組進行操作;通過USB7648A采集卡將加速度傳感器的模擬信號轉 換成數字信號并通過USB總線傳送給工控機進行后續處理。10. 如權利要求8所述一種基于振動信號的萬能式斷路器分合閘故障診斷方法，其特征
【文檔編號】G01M13/00GK105891707SQ201610290733
【公開日】2016年8月24日
【申請日】2016年5月5日
【發明人】孫曙光, 于晗, 杜太行, 趙黎媛, 張強, 劉建強, 丁銘真, 郝靜
【申請人】河北工業大學