CN106934157A - 基于支持向量机和多体动力学仿真的高压断路器识别方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机和多体动力学仿真的高压断路器识别方法，包括建立高压断路器的三维模型，校准并验证三维模型；通过改变三维模型的尺寸、材料、特性参数，仿真模拟高压断路器的各种故障，得到对应的各种机械特性波形；对各种故障对应的机械特性波形进行波形截取、数学形态学滤波及特征提取处理，得到特征向量样本集；基于支持向量机及其一对多分类方法，训练分类器，并计算各分类的可信度；将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习。本发明无需开展大量物理模拟试验，对于高压断路器的故障识别能够准确识别，具有自学功能，有着广阔的应用前景。

Description

基于支持向量机和多体动力学仿真的高压断路器识别方法

技术领域

本发明涉及电气设备故障识别技术领域，具体涉及一种基于支持向量机和多体动力学仿真的高压断路器识别方法。

背景技术

高压断路器是电力***中数量最大的电力设备之一，同时也是最重要的开关设备，担负着控制和保护的双重任务，其工作可靠性是决定电力***安全运行的重要因素。

但是，由于高压断路器的内部结构不可见，很难直观的获知其中的组件是否正常。然而，将运行中的高压断路器拆解后对内部组件进行测量分析又显得不切实际，所以，为了获知高压断路器的机械状态，一般通过对测得的行程-时间曲线进行处理和分析，判断该机械机构是否工作正常。若要进一步通过行程-时间曲线判断高压断路器的机械状态，普遍采用对高压断路器人为设置分合闸弹簧疲劳、储能不到位、油缓冲失效等机械类缺陷，通过对缺陷高压断路器进行大量的物理模拟试验获取足够的样本集，在此基础上构建用于故障类型识别的分类器，进而评估其工作状态，但是，还是存在以下不足之处：

（1）只有一部分故障可以通过对高压断路器机械机构的调整来实现，还有很多的故障无法模拟，使得样本集的丰富性过于单调，对于某些未知状态无法进行分类识别；

（2）有一部分故障，例如传动阻尼异常类的故障，通过试验的方法很难做到定量分析，使得对于高压断路器工作状态的分类不够细致；

（3）以试验的方法获取行程-时间曲线，会损耗高压断路器的机械寿命，特别是某些故障状态下的试验，更会使其机械寿命大大折损，造成很大的经济损失；

（4）高压断路器的产品型号多、结构差异大，故障模拟试验结果与故障诊断算法仅适用于试验断路器同型号产品，对于其他型号、结构的断路器不具通用性。

如何克服上述不足，是当前高压断路器机械类故障识别过程中急需解决的问题。

发明内容

本发明的目的是克服当前高压断路器机械类故障识别过程中存在不足的问题。本发明的基于支持向量机和多体动力学仿真的高压断路器识别方法，利用多体动力学仿真和基于支持向量机的分类器，实现高压断路器机械类故障的准确识别，与传统试验的方法相比，无需开展大量物理模拟试验，且具有自学习功能，不断完善分类器，对于高压断路器的故障识别，更加经济、方便、安全，有着广阔的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：包括以下步骤，

建立高压断路器的三维模型，通过多体动力学仿真得到三维模型的机械特性波形，并通过将仿真结果与试验测试数据进行对比，校准并验证三维模型；

通过改变三维模型的尺寸、材料、特性参数，基于多体动力学仿真模拟高压断路器的各种故障，得到对应的各种机械特性波形；

对各种故障对应的机械特性波形进行波形截取、数学形态学滤波、特征提取处理，得到特征向量样本集；

基于支持向量机以及其的一对多分类方法，训练分类器，并计算各分类的可信度；

将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习。

前述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：建立高压断路器的三维模型的过程，包括以下步骤，

（1）通过三维造型软件绘制高压断路器的主回路以及操动机构各零部件；

（2）按照高压断路器的实际工作情况进行装配。

前述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：通过多体动力学仿真得到三维模型的机械特性波形，并通过将仿真结果与试验测试数据进行对比，校准并验证三维模型，包括以下步骤，

（1）采用多体动力学分析软件对三维模型进行仿真计算，对三维模型添加各类运动副，定义分合闸弹簧、油缓冲器特性参数，并对三维模型所有零部件添加密度参数，得到正常状态下的高压断路器机械特性仿真结果；

（2）通过将正常状态下的高压断路器机械特性仿真结果与对实际高压断路器的试验测试数据进行对比，校准三维模型的仿真参数。

前述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：通过改变高压断路器内分合闸弹簧的预压缩量或刚度系数来模拟分合闸弹簧疲劳；通过改变高压断路器内油缓冲器的阻尼系数来模拟油缓冲器失效；通过改变高压断路器内棘轮位置来模拟储能不到位；对于每上述的各模拟状态，设置仿真参数时均给与1%的波动值，用于模拟同一种模拟状态下不同组数据的分散性。

前述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：对各种故障对应的机械特性波形进行波形截取、数学形态学滤波、特征提取处理，得到特征向量样本集，包括以下步骤，

（1）对高压断路器触头的行程曲线进行截取，减小数据量，以第一个行程不为零的点为起始标志，以行程保持在199.5~200.5mm之间，且达到20个数据点为结束标志进行截取波形；

（2）采用数学形态学方法对触头的行程曲线进行滤波处理，即依次对待处理的机械特性波形进行开闭运算和闭开运算，并将开闭运算和闭开运算处理的结果求平均值，为保证后续极大值获取的准确性，对求取平均值的曲线进行插值处理；

（3）对做差值处理后的机械特性波形进行特征提取，取其最大值所处的横纵坐标作为二维特征向量，从而形成特征向量样本集。

前述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：基于支持向量机以及其的一对多分类方法，训练分类器，并计算各分类的可信度，包括以下步骤，

（1）基于一对多的分类方法，将适用于二分类的支持向量机扩展成可进行多分类的分类器，支持向量机核函数选择径向基函数，惩罚因子c和核函数参数g通过粒子群优化算法获得，寻找最优惩罚因子和核函数参数的目的在于使分类差错率最小，其中分类差错率采用十折交叉验证方法计算，训练得到基于支持向量机的分类器；

（2）利用样本训练（1）得到的基于支持向量机的分类器，生成各分类的决策超平面；

（3）取包含所有特征值的区域，进行网格划分，生成点阵，点阵间隔选择小于0.1mm*0.1mm；

（4）利用（2）中具有各分类的决策超平面的分类器对（3）点阵中的各点进行分类识别，基于每一个点与各分类决策超平面的关系，针对各分类决策超平面分别给出评估分数，并将该点定义为评估分数最高的那一类，若各评估分数均低于设定的阈值，则认为该点为未知类别；

（5）根据（4），使每种分类都包含有对应的点阵，对每种分类所包含的所有点的评估分数做归一化处理，各点评估分数的归一化计算公式如式（1）所示，处理后的评估分数表征分类结果的相对可信度；

Value=(Value-min(Value))/(max(Value)-min(Value)) （1）

其中，Value为评估分数；max(Value)为所在分类评估分数最大值；min(Value)为所在分类评估分数最小值。

前述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习，包括以下步骤，

（1）对高压断路器进行机械特性测试，取试验中测试得到的未知状态下的机械特性波形进行数学形态学滤波和波形截取，并进行特征向量提取；

（2）通过分类器对提取的特征向量进行识别，根据该特征向量所对应的区域对其进行分类，并给出可信度指标；

（3）若经过识别后发现此特征向量不属于分类器内已知的各类状态，则将其认定为新增状态，并执行（4）；

（4）将特征向量进行识别分类后，再将其用作样本对分类器进行训练，并对决策超平面的划定做出修正，并对各分类的相对可信度做出修正，使得分类器完成自学习。

本发明的有益效果是：本发明的基于支持向量机和多体动力学仿真的高压断路器识别方法，利用多体动力学仿真和基于支持向量机的分类器，实现高压断路器机械类故障的准确识别，与传统试验的方法相比，无需开展大量物理模拟试验，且具有自学习功能，不断完善分类器，对于高压断路器的故障识别，能够准确识别，无需对设备结构进行改造，安全可靠，大大减少物理模拟试验工作量，经济方便，分类器具备自学习功能，更加经济、方便、安全，有着广阔的应用前景。

附图说明

图1是本发明的基于支持向量机和多体动力学仿真的高压断路器识别方法的流程图；

图2是本发明的寻找最优惩罚因子和核函数参数的流程图；

图3是本发明的支持向量机进行训练并对试验数据进行分类识别的的流程图。

具体实施方式

下面将结合说明书附图，对本发明作进一步的说明。

如图1所示，本发明的基于支持向量机和多体动力学仿真的高压断路器识别方法，包括以下步骤，

步骤（A），建立高压断路器的三维模型，通过多体动力学仿真得到三维模型的机械特性波形，并通过将仿真结果与试验测试数据进行对比，校准并验证三维模型，具体包括以下步骤，

（A1）通过三维造型软件绘制高压断路器的主回路以及操动机构各零部件，包括动触头、静触头、合闸保持挚子、分闸保持挚子、凸轮、棘轮、拐臂以及其他各传动杆和限位件等；

（A2）按照高压断路器的实际工作情况进行装配，具体为将绘制好的零件按照高压断路器的实际工作情况进行装配；

步骤（B），通过改变三维模型的尺寸、材料、特性参数，基于多体动力学仿真模拟高压断路器的各种故障，得到对应的各种机械特性波形，具体包括以下步骤，

（B1）采用多体动力学分析软件对三维模型进行仿真计算，对三维模型添加各类运动副，定义分合闸弹簧、油缓冲器特性参数，并对三维模型所有零部件添加密度参数，得到正常状态下的高压断路器机械特性仿真结果；

（B2）通过将正常状态下的高压断路器机械特性仿真结果与对实际高压断路器的试验测试数据进行对比，校准三维模型的仿真参数；

例如，通过改变高压断路器内分合闸弹簧的预压缩量或刚度系数来模拟分合闸弹簧疲劳；通过改变高压断路器内油缓冲器的阻尼系数来模拟油缓冲器失效；通过改变高压断路器内棘轮位置来模拟储能不到位；对于每上述的各模拟状态，设置仿真参数时均给与1%的波动值，用于模拟同一种模拟状态下不同组数据的分散性；

步骤（C），对各种故障对应的机械特性波形进行波形截取、数学形态学滤波、特征提取处理，得到特征向量样本集，具体包括以下步骤，

（C1）对高压断路器触头的行程曲线进行截取，减小数据量，以第一个行程不为零的点为起始标志，以行程保持在199.5~200.5mm之间，且达到20个数据点为结束标志进行截取波形；

（C2）采用数学形态学方法对触头的行程曲线进行滤波处理，即依次对待处理的机械特性波形进行开闭运算和闭开运算，并将开闭运算和闭开运算处理的结果求平均值，为保证后续极大值获取的准确性，对求取平均值的曲线进行插值处理；

（C3）对做差值处理后的机械特性波形进行特征提取，取其最大值所处的横纵坐标作为二维特征向量，从而形成特征向量样本集；

步骤（D），基于支持向量机以及其的一对多分类方法，训练分类器，并计算各分类的可信度，具体包括以下步骤，

（D1）基于一对多的分类方法，将适用于二分类的支持向量机扩展成可进行多分类的分类器，支持向量机核函数选择径向基函数，惩罚因子c和核函数参数g通过粒子群优化算法获得，寻找最优惩罚因子和核函数参数的目的在于使分类差错率最小，其中分类差错率采用十折交叉验证方法计算，训练得到基于支持向量机的分类器；

（D2）利用样本训练（D1）得到的基于支持向量机的分类器，生成各分类的决策超平面；

（D3）取包含所有特征值的区域，进行网格划分，生成点阵，点阵间隔选择小于0.1mm*0.1mm，点阵越密集，则分类越细；

（D4）利用（D2）中具有各分类的决策超平面的分类器对（D3）点阵中的各点进行分类识别，基于每一个点与各分类决策超平面的关系，针对各分类决策超平面分别给出评估分数，并认为该点属于评估分数最高的那一类，若各评估分数均低于阈值（可为-0.4），则认为该点为未知类别；

（D5）根据（D4），使每种分类都包含有对应的点阵，对每种分类所包含的所有点的评估分数做归一化处理，各点评估分数的归一化计算公式如式（1）所示，处理后的评估分数表征分类结果的相对可信度；

Value=(Value-min(Value))/(max(Value)-min(Value)) （1）

其中，Value为评估分数；max(Value)为所在分类评估分数最大值；min(Value)为所在分类评估分数最小值。

步骤（E），将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习，具体包括以下步骤，

（E1）对高压断路器进行机械特性测试，取试验中测试得到的未知状态下的机械特性波形进行数学形态学滤波和波形截取，并进行特征向量提取；

（E2）通过分类器对提取的特征向量进行识别，根据该特征向量所对应的区域对其进行分类，并给出可信度指标；

（E3）若经过识别后发现此特征向量不属于分类器内已知的各类状态，则将其认定为新增状态，并执行（E4）；

（E4）将特征向量进行识别分类后，再将其用作样本对分类器进行训练，并对决策超平面的划定做出修正，并对各分类的相对可信度做出修正，使得分类器完成自学习。

对于步骤（D1）寻找最优惩罚因子和核函数参数的过程，如图2所示，

（1）将n类不同状态的仿真数据分别存放在n个不同的文件夹下，便于区分，在matlab仿真软件中首先定位文件夹，然后提取其中所有的csv文件，导入机械特性波形数据，经过前文所述的波形截取、数学形态学滤波和特征提取，将特征量按照状态类别分别保存为data1、data2、data3、……、data(n)，然后将其合并为一个矩阵方便调用，data=[data1;data2;data3;……;data(n)]；

（2）为n类状态创建类别标志，例如theclass1=1，theclass2=2等，此类别标志与特征向量的类别一一对应，数量和存放顺序两者均保持一致，与（1）类似，也将类别标志合并为一个矩阵方便调用，

theclass=[theclass1;theclass2;theclass3……theclass(n)]；

（3）设置迭代次数maxgen，种群规模sizepop，速度更新参数c1、c2，粒子位置取值范围[popmin,popmax]，粒子速度取值范围[Vmin,Vmax]；

（4）初始化粒子位置pop，即最优惩罚因子c和核函数参数g的初始值，初始化粒子速度V，计算初始状态下n个分类器十折交叉验证方法的差错率，取其中的最大值储存为fitness，此处取最大值的意义在于，为了寻找使得n个分类器的差错率均很小的c和g，故将每次迭代计算的n个差错率中最大值作为判定指标；

（5）经过多次迭代，对粒子的速度和位置进行不断更新，计算各情况下的fitness，并将迭代过程中出现的最小值fitness保存在result中，至此，可以获得使n个分类器的分类差错率均很小的最优解c和g。

需要注意的是，本发明使用二维特征向量进行解释是为了使说明书更加简洁直观，并不代表本发明所涉及的特征向量只局限于二维特征向量。

对于步骤（E），将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习，一个具体实施方式，如图3所示，

（1）将n类不同状态的仿真数据分别存放在n个不同的文件夹下，便于区分，在matlab中首先定位文件夹，然后提取其中所有的csv文件，导入波形数据，经过前文所述的波形截取、数学形态学滤波和特征提取，将特征量按照状态类别分别保存为data1、data2、data3、……、data(n)，然后将其合并为一个矩阵方便调用，data=[data1;data2;data3;……;data(n)]；

（2）为n类状态创建类别标志，例如theclass1=1，theclass2=2等，此类别标志与特征向量的类别一一对应，数量和存放顺序两者均保持一致，与1）类似，也将类别标志合并为一个矩阵方便调用，

theclass=[theclass1;theclass2;theclass3……theclass(n)]；

（3）通过粒子群寻优算法得到c和g参数，基于一对多的方法，对n个分类器进行训练；

（4）将特征向量所在平面按步长d生成点阵，对每个点均使用n个分类器进行分类识别，基于每个点到决策面的距离给出n个评估分数，分数最大的类别为其所属的类别，将分好类的点进行归纳整理，绘制出各类的置信区间；

（5）将所有识别为第i类的点的评估分数归一化，利用公式（1），Value=(Value-min(Value))/(max(Value)-min(Value))，获得第i类状态置信区间内的置信度；

（6）将实验测得的未知状态数据作为输入进行分类识别，输出其所属类别和置信度；

（7）若经过识别后发现此特征向量不属于分类器内已知的各类状态，将识别后的实验数据作为样本，更新样本集和分类标志，data=[data;data(n+1)]，theclass=[theclass;theclass(n+1)]，并以此训练支持向量机，重新获得各类状态的置信区间和置信度，完成分类器的自学习。

综上所述，本发明的基于支持向量机和多体动力学仿真的高压断路器识别方法，利用多体动力学仿真和基于支持向量机的分类器，实现高压断路器机械类故障的准确识别，与传统试验的方法相比，无需开展大量物理模拟试验，且具有自学习功能，不断完善分类器，对于高压断路器的故障识别，能够准确识别，无需对设备结构进行改造，安全可靠，大大减少物理模拟试验工作量，经济方便，分类器具备自学习功能，更加经济、方便、安全，有着广阔的应用前景。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：包括以下步骤，

建立高压断路器的三维模型，通过多体动力学仿真得到三维模型的机械特性波形，并通过将仿真结果与试验测试数据进行对比，校准并验证三维模型；

通过改变三维模型的尺寸、材料、特性参数，基于多体动力学仿真模拟高压断路器的各种故障，得到对应的各种机械特性波形；

对各种故障对应的机械特性波形进行波形截取、数学形态学滤波、特征提取处理，得到特征向量样本集；

基于支持向量机及其一对多分类方法，训练分类器，并计算各分类的可信度；

将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习。

2.根据权利要求1所述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：建立高压断路器的三维模型的过程，包括以下步骤，

（1）通过三维造型软件绘制高压断路器的主回路以及操动机构各零部件；

（2）按照高压断路器的实际工作情况进行装配。

3.根据权利要求1所述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：通过多体动力学仿真得到三维模型的机械特性波形，并通过将仿真结果与试验测试数据进行对比，校准并验证三维模型，包括以下步骤，

（1）采用多体动力学分析软件对三维模型进行仿真计算，根据设备实际情况对三维模型添加各类运动副，定义分合闸弹簧、油缓冲器特性参数，并对三维模型所有零部件添加密度参数，得到正常状态下的高压断路器机械特性仿真结果；

（2）通过将正常状态下的高压断路器机械特性仿真结果与对实际高压断路器的试验测试数据进行对比，校准三维模型的仿真参数。

4.根据权利要求1所述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：依次通过改变高压断路器内分闸弹簧、合闸弹簧的预压缩量、刚度系数来分别模拟分、合闸弹簧疲劳；通过改变高压断路器内油缓冲器的阻尼系数来模拟油缓冲器失效；通过改变高压断路器内棘轮位置来模拟储能不到位；对于各上述的各模拟状态，设置仿真参数时均给与1%的波动值，用于模拟同一种模拟状态下不同组数据的分散性。

5.根据权利要求1所述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：对各种故障对应的机械特性波形进行波形截取、数学形态学滤波、特征提取处理，得到特征向量样本集，包括以下步骤，

（1）对高压断路器触头的行程曲线进行截取，减小数据量，以第一个行程不为零的点为起始标志，以行程保持在199.5~200.5mm之间，且达到20个数据点为结束标志进行波形截取；

（2）采用数学形态学方法对触头的行程曲线进行滤波处理，即依次对待处理的机械特性波形进行开闭运算和闭开运算，并将开闭运算和闭开运算处理的结果求平均值，为保证后续极大值获取的准确性，对求取平均值的曲线进行插值处理；

（3）对做差值处理后的机械特性波形进行特征提取，取其最大值及其对应的横纵坐标作为二维特征向量，从而形成特征向量样本集。

6.根据权利要求1所述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：基于支持向量机及其一对多分类方法，训练分类器，并计算各分类的可信度，包括以下步骤，

（1）基于一对多的分类方法，将适用于二分类的支持向量机扩展成可进行多分类的分类器，支持向量机核函数选择径向基函数、惩罚因子c和核函数参数g通过粒子群优化算法获得，寻找最优惩罚因子和核函数参数的目的在于使分类差错率最小，其中分类差错率采用十折交叉验证方法计算，训练得到基于支持向量机的分类器；

（2）利用样本训练（1）得到的基于支持向量机的分类器，生成各分类的决策超平面；

（3）取包含所有特征值的区域，进行网格划分，生成点阵，点阵间隔选择小于0.1mm*0.1mm；

（4）利用（2）中具有各分类的决策超平面的分类器对（3）点阵中的各点进行分类识别，基于每一个点与各分类决策超平面的关系，针对各分类决策超平面分别给出评估分数，并将该点定义为评估分数最高的那一类，若各评估分数均低于设定的阈值，则认为该点为未知类别；

（5）根据（4），使每种分类都包含有对应的点阵，对每种分类所包含的所有点的评估分数做归一化处理，各点评估分数的归一化计算公式如式（1）所示，处理后的评估分数表征分类结果的相对可信度；

Value=(Value-min(Value))/(max(Value)-min(Value)) （1）

其中，Value为评估分数；max(Value)为所在分类评估分数最大值；min(Value)为所在分类评估分数最小值。

7.根据权利要求1所述的基于支持向量机和多体动力学仿真的高压断路器识别方法，其特征在于：将实测的未知故障特征向量输入到训练的支持向量机，进行故障类型识别，实现高压断路器机械故障分类，并完成自学习，包括以下步骤，

（1）对高压断路器进行机械特性测试，取试验中测试得到的未知状态下的机械特性波形进行数学形态学滤波与波形截取，并进行特征向量提取；

（2）通过分类器对提取的特征向量进行识别，根据该特征向量所对应的区域对其进行分类，并给出可信度指标；

（3）若经过识别后发现此特征向量不属于分类器内已知的各类状态，则将其认定为新增状态，并执行（4）；

（4）将特征向量进行识别分类后，再将其用作样本对分类器进行训练，并对决策超平面的划定做出修正，并对各分类的相对可信度做出修正，使得分类器完成自学习。