CN108663202A - 基于混沌布谷鸟算法的gis机械故障诊断方法及*** - Google Patents

Abstract

本发明公开了一种基于混沌布谷鸟算法的GIS机械故障诊断方法及***，针对螺丝松动和金属微粒振动两种常见的GIS机械故障，首先运用混沌布谷鸟算法优化VMD参数，然后对GIS正常振动信号和故障信号进行VMD分解，提取不同故障类型信号的特征向量，最后通过线性递减权重PSO优化的K‑means聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心，再利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。

Description

基于混沌布谷鸟算法的GIS机械故障诊断方法及***

技术领域

本发明涉及一种基于混沌布谷鸟算法的GIS机械故障诊断方法及***。

背景技术

近年来，伴随着电压等级的不断提高，对电能质量的可靠性提出了更高的 要求。国民用电在进一步提高的同时，电网事故频发，而GIS作为重要环节， 一旦出现故障就可能造成大规模的停电事故，因此保证GIS的安全运行利国利 民。

目前，电力***内GIS虽然稳定系数高，但是依旧存在设备运行一段时间 或者在启运时便出现事故的先例。此外，在运行过程中，由于电压等级非常高， GIS内部存在很强的磁场，容易使设备存在的微小缺陷逐步蔓延，以致损坏设备， 带来巨大经济损失。

因此，对GIS的机械性能进行在线监测，通过监测振动信号预知其故障可 能性并判别其故障类型，对电力***安全运行意义重大，并具有良好的应用前 景和推广价值。

发明内容

本发明为了解决上述问题，提出了一种基于混沌布谷鸟算法的GIS机械故 障诊断方法及***。

首先，本发明提供了一种基于混沌布谷鸟算法的GIS机械故障诊断方法。 本方法运用混沌布谷鸟算法，对GIS异常振动信号进行模态分解，以发现并判 断GIS设备的故障，避免发生较为严重的机械故障。

其次，本发明提供了一种基于混沌布谷鸟算法的GIS机械故障诊断***， 本***针对当前GIS机械状态带电检测与故障诊断技术的研究现状以及存在的 问题，基于振动信号处理进行GIS机械故障检测。

为了实现上述目的，本发明采用如下技术方案：

一种基于混沌布谷鸟算法的GIS机械故障诊断方法，具体包括以下步骤：

根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故 障信号；

运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种 群的种群数；

对GIS正常振动信号和故障信号分别进行变分模态分解(VMD)，提取不同 故障类型信号的特征向量；

通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；

利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故 障的诊断。

进一步的，收集历史数据中典型故障模拟GIS电气故障和机械故障数据， 形成GIS正常振动信号集合和故障信号集合。

优选的，搭建GIS仿真测试平台，模拟GIS自由微粒振动和螺丝松动两类 常见的机械故障，以提取两类故障的特征信息。

进一步的，运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提 高布谷鸟种群的种群数的具体过程包括在布谷鸟算法变更鸟巢位置后，进行混 沌优化搜索，使用混沌映射得到混沌序列，根据适应度函数改变鸟巢位置。

具体的，包括以下步骤：

1)初始化CCS算法各参数并确定适应度函数；

2)初始化概率参数，随机产生n个鸟巢，以影响参数中的预知模态数K和 二次惩罚项α的组合[K,α]作为鸟巢位置，随机产生一定数量的影响参数组合 作为鸟巢的初始位置；

3)在不同鸟巢位置条件下对信号做变分模态分解运算，计算各鸟巢位置相 对应的适应度值；

4)保留前一代最适鸟巢位置，利用Levy飞行算法更新鸟巢，对比适应度 值大小；

5)判断适应度函数在参数设定迭代次数内是否变化，若存在变化，转入下 一步；若不存在变化，对当前最优鸟巢混沌映射；

6)利用步骤4)变更鸟巢位置，用随机数与概率参数对比，若随机数大于 概率参数，则随机改变鸟巢位置，反之则不变，最后保留最好的一组鸟巢位置；

7)循环迭代，转至步骤3)，直至迭代次数达到最大设定值后输出最佳适应 度值及鸟巢位置。

进一步的，GIS振动信号x(t)的变分模态分解得到n个内禀模态函数BIMF， 相应的可计算出其对应各自的能量值E1，E2，…En；不考虑参与分量的影响，n 个BIMF的能量总和一定等于原始振动信号的总能量值；由于各个BIMF分量 BIMF1，BIMF2，…，BIMFn包含不一样的频率组成成分，对应着不一样的能量矩 阵E＝{E1，E2，…En}，构成频率域内GIS振动信号的能量分布。

进一步的，通过线性递减权重PSO优化的K-means聚类算法对训练样本特 征向量集进行聚类，得到不同的聚类中心。

更进一步的，优化后的PSO算法计算过程包括：

a)初始化种群规模、粒子的速度和位置参数；

b)评价每个粒子的适应度，使粒子中带有最优适应值的个***置和适应值 保存在全局极值gbest中；

c)更新粒子位置和速度；

d)根据当前迭代步数，更新权重值：

e)将每个粒子的适应度值与个体极值pbest、全局极值gbest作比较，若 优于pbest、gbest则进行替代，然后比较当前所有的pbest、gbest，更新全局 极值gbest；

f)如果满足终止条件的相应条件，则终止迭代，如果没有就返回步骤c)。

进一步的，将线性递减权重PSO算法引入到K-means聚类中来，采用聚类 中心编码的方式，将数据样本点与质心的欧氏距离函数设计为线性递减权重PSO 的适应度值函数。

进一步的，K-means算法过程包括：

随机选取k个聚类质心点；

类分化：计算样本中的数据和聚类中心的距离，依据距离最近准则，把样 本数据分配给相应的簇中心；

重新计算质心点：计算各类中所有样本数据的均值，并将此定义为新的聚 类中心；

重复类分化和重新计算质心点的步骤，直至最终算法稳定，聚类结束。

进一步的，本发明将线性递减权重PSO算法引入到K-means聚类中来，采 用聚类中心编码的方式，将数据样本点与质心的欧氏距离函数设计为线性递减 权重PSO的适应度值函数。

进一步的，根据能量熵和均方根值的定义，计算所有样本的熵值和均方根 值，利用改进K-means聚类方法将均方根值和VMD熵值进行二维聚类，得到多 初始簇中心，分别表征GIS不同状态下的振动信号；

对其余样本，依据样本和已知簇中心的欧氏距离迭代寻找不同状态下的信 号的聚类中心，进而对样本的振动信号进行分类。

一种基于混沌布谷鸟算法的GIS机械故障诊断***，运行于处理器或可存 储介质上，被配置为执行以下指令：

根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故 障信号；

运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种 群的种群数；

对GIS正常振动信号和故障信号进行变分模态分解，提取不同故障类型信 号的特征向量；

通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；

利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故 障的诊断。

与现有技术相比，本发明的有益效果为：

1、本发明提供一种基于混沌布谷鸟算法优化VMD参数的机械故障诊 断方法，运用混沌布谷鸟算法，对GIS异常振动信号进行模态分解，以发现并 判断GIS设备的故障，避免发生较为严重的机械故障。

2、针对信号特征提取算法变分模态分解(VMD)参数不确定性的问题， 提出基于混沌布谷鸟算法的VMD参数的智能寻优，有效提高了信号分解速率以 及准确度；

3、将混沌布谷鸟优化算法引入到VMD参数的优化，解决了VMD算法 参数难以确定的问题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为振动信号采集***图；

图2为CS算法流程示意图；

图3为CCS算法流程示意图；

图4为混沌布谷鸟算法优化VMD参数算法流程示意图；

图5为粒子群算法基本框架示意图；

图6为线性递减权重PSO-K-means聚类算法流程图；

图7为GIS机械故障诊断流程图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的 普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器 件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、 “竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所 示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定 的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示 可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可 以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体 情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

本发明的目的是针对GIS常见的机械故障，提供了一种基于混沌布谷鸟算 法优化VMD参数的机械故障诊断方法，并开发了基于异常振动信号分析的GIS 机械故障软硬件***。

针对螺丝松动和金属微粒振动两种常见的GIS机械故障，首先运用混沌布 谷鸟算法优化VMD参数，然后对GIS正常振动信号和故障信号进行VMD分解， 提取不同故障类型信号的特征向量，最后通过线性递减权重PSO优化的K-means 聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心，再利用最小 欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。

如图7所示，一种基于混沌布谷鸟算法优化VMD参数的机械故障诊断方法， 运用混沌布谷鸟算法，包括以下步骤：

(1)设置典型故障模拟GIS电气故障和机械故障，如螺丝松动、金属微粒 振动等，以获取GIS正常振动信号和故障信号；

如图1所示，利用振动传感器感知GIS的振动物理信号，利用信号调理设 备将振动传感器得到的电信号进行调理，并利用数据采集卡采集调理后的数据， 利用计算机获取典型故障模拟GIS电气故障和机械故障信号。

(2)运用混沌布谷鸟算法优化VMD参数，采用混沌映射提高布谷鸟种群的 种群数，最大程度提高算法收敛速度和准确率；

(3)对GIS正常振动信号和故障信号进行VMD分解，提取不同故障类型信 号的特征向量；

(4)通过线性递减权重PSO优化的K-means聚类算法对训练样本特征向量 集进行聚类，得到不同的聚类中心；

(5)利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机 械故障的诊断。

其中，第二步有以下步骤：

混沌布谷鸟算法搜索VMD的最优参数组合[K,α]前，需要明确适应度函数， 而峭度作为用来表征波形尖峰度大小的参量，可定义为：

式中：μ为信号x的均值；σ为信号x的标准差。本发明中，将峭度函数选为 混沌布谷鸟算法的适应度函数，由于每一个鸟巢位置均对应一个参数组合[K, α]，并且峭度函数值最大的鸟巢位置包含有最多的故障信息，所以，极大峭度 值是搜索的终极目标。如图4所示，具体过程如下：

1)初始化CCS算法各参数并确定适应度函数；

2)初始化概率参数P_a为0.25，随机产生n个鸟巢，以影响参数组合[K,α] 作为鸟巢位置，随机产生一定数量的影响参数组合作为鸟巢的初始位置；

3)在不同鸟巢位置条件下对信号做VMD运算，计算各鸟巢位置相对应的适 应度值

4)保留前一代最适鸟巢位置利用Levy飞行更新鸟巢，对比适应度值 大小；

5)判断适应度函数在参数设定迭代次数内是否变化，若存在变化，转入下 一步；若不存在变化，对当前最优鸟巢混沌映射；

6)利用步骤4)变更鸟巢位置，用随机数r∈[0,1]与P_a对比，若r>P_a，则 随机改变反之则不变，最后保留最好的一组鸟窝位置；

7)循环迭代，转至步骤3)，直至迭代次数达到最大设定值后输出最佳适应 度值及鸟巢位置。

Levy分布：

其中，

因此，由上式可以看出，特征函数和Levy稳态分布由α、β、μ、σ四个 实参数决定。其中，特征指数α∈[0,2]，偏移参数β∈[-1,1]，μ表征位移参 数，尺度σ>0，k为初始参数。

VMD具体实施过程如下，公式中的箭头表示赋值：

1)初始化各个参数；

具体的：λ¹,n的初始值均为0，

{μ_k}:＝{μ₁,…,μ_k}表示各模式集合的缩写；

{ω_k}:＝{ω₁,…,ω_k}表示各模式中心频率的缩写；

λ¹为拉格朗日乘子。

2)更新迭代次数，更新迭代次数n为n+1；

3)在每次迭代循环过程中，对所有的中心频率ω≥0，

更新

α为二次惩罚项；

更新ω_k：

4)对所有的ω≥0，进行双重提升：

5)重复2)-4)，直到满足以下迭代约束条件：

{μ_k}:＝{μ₁,…,μ_k}表示各模式集合的缩写；

{ω_k}:＝{ω₁,…,ω_k}表示各模式中心频率的缩写；

λ:拉格朗日乘子；ξ>0为判别精度。

ω_k或ω均为中心频率；

分别为f(t)、λ(t)对应的傅里叶变换。

VMD能量熵：

通过对实验室模拟GIS振动信号x(t)的VMD分解可以得到n个内禀模态 函数BIMF，相应的可计算出其对应各自的能量值E1，E2，…En。不考虑参与分 量的影响，n个BIMF的能量总和一定等于原始振动信号的总能量值。由于各个 BIMF分量BIMF1，BIMF2，…，BIMFn包含不一样的频率组成成分，对应着不一 样的能量矩阵E＝{E1，E2，…En}，构成频率域内GIS振动信号的能量分布。根 据以上分析，可以得到VMD能量熵的定义：

式中:p_i＝E_i/E为第i个限带的内禀模态函数BIMFi的能量占总能量的多 少。

均方根值：

均方根值(RMS)是经常使用的一种信号量标度，它能比较可靠的表征信号 振动变化情况。信号x(t)的均方值是平均功率的一种度量法，表达式是：

对应正数的那个平方根就是均方根值x_rms,即：

优化以后的PSO算法计算过程如下：

1)初始化种群规模、粒子的速度和位置等；

2)评价每个粒子的适应度，使粒子中带有最优适应值的个***置和适应值 保存在全局极值gbest中；

3)根据下式更新粒子位置和速度：

其中，粒子群位置x_i＝(x_i1,x_i2,…,x_id)；

速度v_i＝(v_i1,v_i2,…,v_id)；

历史最优位置p_i＝(p_i1,p_i2,…,p_id)；

加速常数c₁和c₂。

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1),j＝1,2,…,d

v_i,j(t+1)＝w·v_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

4)根据下式更新权重值：

式中：w_max-权重系数最大值；

w_min-权重系数最小值；

t-当前迭代步数。

5)将每个粒子的适应度值与个体极值pbest、全局极值gbest作比较，若 优于pbest、gbest则进行替代。然后比较当前所有的pbest、gbest，更新gbest。

6)如果满足终止条件的相应条件，那么算法就终止，如果没有就返回步骤 3)。

如图6所示，线性递减权重PSO-K-means聚类算法：

K-means算法是把欧氏距离当做相似度的测度，聚类准则函数选取误差平方 和准则函数。该算法的基本计算过程如下：

1)初始化：随机选取k个聚类质心点；

2)类分化：计算样本中的数据和聚类中心的距离，依据距离最近准则，把 样本数据分配给相应的簇中心；

3)重新计算质心点：计算各类中所有样本数据的均值，并将此定义为新的 聚类中心；

4)重复步骤2)和3)直至最终算法稳定，聚类结束。

该算法对初始聚类质心点的选取比较敏感，容易出现局部最优，因此，本 发明将线性递减权重PSO算法引入到K-means聚类中来，采用聚类中心编码的 方式，将数据样本点与质心的欧氏距离函数设计为线性递减权重PSO的适应度 值函数。

线性递减权重PSO-K-means聚类算法如图6所示。

以自由微粒振动和螺丝松动故障这两个GIS故障为例，故障信号的VMD熵 值比较小，而均方根值较大，据此可以利用改进的K-means聚类分析将均方根 值及VMD熵值这两个维度相结合，来表征故障类型的差异性。

分别采集正常振动信号、螺丝松动信号和微粒振动信号各80组样本，任取 三类型号中各60组作为训练样本，其余20组当做测试样本；任取上述三类信 号各20组，使用混沌布谷鸟优化VMD参数组合[K,α]20次得到平均值。

根据能量熵和均方根值的定义，计算所有样本的熵值和均方根值，利用改 进K-means聚类方法将均方根值和VMD熵值进行二维聚类，得到三个初始簇中 心，分别表征GIS正常振动信号，GIS螺丝松动信号和GIS自由金属微粒振动信 号。对其余样本，依据样本和已知簇中心的欧氏距离迭代寻找聚类中心。由改 进的聚类分析求得的三个聚类中心分别为C1(c₁₁，c₁₂)，C2(c₂₁,c₂₂)，C3(c₃₁,c₃₂)。

分析结果如下：

使用欧氏距离计算测试样本与三个聚类中心的距离，即：

式中，(c_j1,c_j2)表示的是C1,C2,C3的坐标；d₁表示测试样本与螺丝松动信 号中心C1的距离；d₂表示测试样本与自由金属微粒振动故障信号中心C2的距 离，d₃表示测试样本与GIS正常振动信号中心C3的距离，j＝1,2,3。

对剩余的各20组测试样本，利用最小欧氏距离原则对按照正常状态、自由 金属微粒振动故障、螺丝松动故障顺序组成的60组测试样本进行判断。定义的 最小欧氏距离d_j：

求解第n个样本d_j值，对应样本属于第j类状态，j＝1,2,3。

还可以搭建实验室GIS仿真测试平台，模拟GIS自由微粒振动和螺丝松动 两类常见的机械故障，有效提取两类故障的特征信息，并结合线性递减权重 PSO-K-means聚类算法对GIS机械故障进行了识别，初步建立了GIS机械故障诊 断识别库。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领 域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之 内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明 保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上， 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明 的保护范围以内。

Claims (10)

1.一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：包括以下步骤：

根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故障信号；

运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数；

对GIS正常振动信号和故障信号分别进行变分模态分解，提取不同故障类型信号的特征向量；

通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；

利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。

2.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：收集历史数据中典型故障模拟GIS电气故障和机械故障数据，形成GIS正常振动信号集合和故障信号集合。

3.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数的具体过程包括在布谷鸟算法变更鸟巢位置后，进行混沌优化搜索，使用混沌映射得到混沌序列，根据适应度函数改变鸟巢位置。

4.如权利要求3所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：包括以下步骤：

1)初始化CCS算法各参数并确定适应度函数；

2)初始化概率参数，随机产生n个鸟巢，以影响参数中的预知模态数和二次惩罚项的组合作为鸟巢位置，随机产生一定数量的影响参数组合作为鸟巢的初始位置；

3)在不同鸟巢位置条件下对信号做变分模态分解运算，计算各鸟巢位置相对应的适应度值；

4)保留前一代最适鸟巢位置，利用Levy飞行算法更新鸟巢，对比适应度值大小；

5)判断适应度函数在参数设定迭代次数内是否变化，若存在变化，转入下一步；若不存在变化，对当前最优鸟巢混沌映射；

6)利用步骤4)变更鸟巢位置，用随机数与概率参数对比，若随机数大于概率参数，则随机改变鸟巢位置，反之则不变，最后保留最好的一组鸟窝位置；

7)循环迭代，转至步骤3)，直至迭代次数达到最大设定值后输出最佳适应度值及鸟巢位置。

5.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：GIS振动信号x(t)的变分模态分解得到n个内禀模态函数BIMF，相应的可计算出其对应各自的能量值E1，E2，…En；不考虑参与分量的影响，n个BIMF的能量总和一定等于原始振动信号的总能量值；由于各个BIMF分量BIMF1，BIMF2，…，BIMFn包含不一样的频率组成成分，对应着不一样的能量矩阵E＝{E1，E2，…En}，构成频率域内GIS振动信号的能量分布。

6.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：通过线性递减权重PSO优化的K-means聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心。

7.如权利要求6所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：优化后的PSO算法计算过程包括：

a)初始化种群规模、粒子的速度和位置参数；

b)评价每个粒子的适应度，使粒子中带有最优适应值的个***置和适应值保存在全局极值gbest中；

c)更新粒子位置和速度；

d)根据当前迭代步数，更新权重值：

e)将每个粒子的适应度值与个体极值pbest、全局极值gbest作比较，若优于pbest、gbest则进行替代，然后比较当前所有的pbest、gbest，更新gbest；

f)如果满足终止条件的相应条件，则终止迭代，如果没有就返回步骤c)。

8.如权利要求1所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：将线性递减权重PSO算法引入到K-means聚类中来，采用聚类中心编码的方式，将数据样本点与质心的欧氏距离函数设计为线性递减权重PSO的适应度值函数。

9.如权利要求8所述的一种基于混沌布谷鸟算法的GIS机械故障诊断方法，其特征是：线性递减权重PSO-K-means聚类过程包括：

随机选取k个聚类质心点；

类分化：计算样本中的数据和聚类中心的距离，依据距离最近准则，把样本数据分配给相应的簇中心；

重新计算质心点：计算各类中所有样本数据的均值，并将此定义为新的聚类中心；

重复类分化和重新计算质心点的步骤，直至最终算法稳定，聚类结束。

该算法对初始聚类质心点的选取比较敏感，容易出现局部最优，因此，本发明将线性递减权重PSO算法引入到K-means聚类中来，采用聚类中心编码的方式，将数据样本点与质心的欧氏距离函数设计为线性递减权重PSO的适应度值函数。

10.一种基于混沌布谷鸟算法的GIS机械故障诊断***，其特征是：运行于处理器或可存储介质上，被配置为执行以下指令：

根据典型故障模拟GIS电气故障和机械故障，获取GIS正常振动信号和故障信号；

运用混沌布谷鸟算法优化变分模态分解参数，采用混沌映射提高布谷鸟种群的种群数；

对GIS正常振动信号和故障信号进行变分模态分解，提取不同故障类型信号的特征向量；

通过聚类算法对训练样本特征向量集进行聚类，得到不同的聚类中心；

利用最小欧氏距离原则对测试样本特征向量集进行识别，实现GIS机械故障的诊断。