CN111487046A - 一种断路器声纹及振动熵特征融合的故障诊断方法 - Google Patents

Abstract

本发明公开了一种断路器声纹及振动熵特征融合的故障诊断方法，所述方法包括：对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度；基于所述反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度，构造声纹特征；对振动信号进行选择参数，并通过变分模态分解，得到排列熵；基于所述排列熵，构造振动熵特征；基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量；将所述联合特征向量进行SVM模型的学习训练；基于GWO‑SVM诊断模型，采用GWO模型对所述SVM模型中的惩罚因子和混合系数进行寻优。在本发明实施中，降低传感器频响、环境噪声对断路器故障诊断的影响。

Description

一种断路器声纹及振动熵特征融合的故障诊断方法

技术领域

本发明涉及电气设备故障诊断技术领域，尤其涉及一种断路器声纹及振动熵特征融合的故障诊断方法。

背景技术

高压断路器作为电力***中重要的控制和保护装置，能否可靠动作直接影响到电力***的安全稳定，因此高压断路器运行可靠性对电网的保护与控制至关重要。

振动信号特征可以用来诊断断路器机械故障，限于压电式加速度传感器电荷累积效应和耦合方式，但在实际应用中振幅较大时会存在饱和现象，容易产生由电荷累计效应引起的高频冲击失效。声信号由于测量频带宽可以有效避免饱和失效现象，并且拾音器安装方便，信号受安装方式的影响小。声音信号与振动信号属于同源信号，都由断路器的部件振动产生，可以利用两者的同源互补特性，发挥各自优势实现带电监测。但是传统的特征处理方法是机械的将声振信号进行联合，导致诊断的准确率不够高，一种更加深层次的特征融合方法值得进一步研究。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种断路器声纹及振动熵特征融合的故障诊断方法，利用声振信号联合互补优势，分别提取声纹和振动熵特征，然后提出改进遗传算法进行特征融合，采用 GWO-SVM模型进行故障诊断。

为了解决上述技术问题，本发明实施例提供了一种断路器声纹及振动熵特征融合的故障诊断方法，所述方法包括：

对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度；

基于所述反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度，构造声纹特征；

对振动信号进行选择参数，并通过变分模态分解，得到排列熵；

基于所述排列熵，构造振动熵特征；

基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量；

将所述联合特征向量进行SVM模型的学习训练；

基于GWO-SVM诊断模型，采用GWO模型对所述SVM模型中的惩罚因子和混合系数进行寻优。

可选的，所述对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度包括：

根据场站声音信号的频带特点，采用有限长单位冲激相应滤波器进行带通滤波，得到滤除后的声音信号；

基于所述滤除后的声音信号叠加低频振动信号，得到完整的状态表征信息库；

基于所述完整的状态表征信息库，通过广义S变换时频分辨率高和对高频信号冲激敏感，得到高频声信号特征；

基于所述高频声信号特征，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度。

可选的，所述广义S变换的具体公式如下：

其中，S(f,τ)表示广义S变换的具体函数，f表示频率，t表示时间，τ表示控制高斯窗口在时间t的位置参数，ω(f,(τ-t)表示高斯窗函数，x(t) 表示声音信号的函数。

可选的，所述对振动信号进行选择参数，并通过变分模态分解，得到排列熵包括：

基于能量算法对振动信号进行选择所述VMD模型的分解模态参数K；

基于目标函数算法对振动信号进行选择二次惩罚因子参数α；

基于所述分解模态参数K和所述二次惩罚因子参数α，通过变分模态分解，得到排列熵。

可选的，所述能量算法的具体公式如下：

其中，E表示信号能量值，n表示采样点，x(i)表示原断路器振动信号序列。

可选的，所述目标函数算法的具体公式如下：

O_bj＝S_d/R；

其中，

其中，O_bj表示目标函数，S_d表示频域模态混叠密度，R表示重构信号与原始信号的相关系数，S表示频域模态混叠面积，μf_i(w)和μf_j(w)分别表示相邻两个模态函数μ_i(t)和μ_j(t)的Fourier变换后的频域函数，ω表示频率， m＝min(ω_i,ω_j)，n＝max(ω_i,ω_j)，x_i和y_i表示信号序列，

和

分别表示x_i和y_i的均值。

可选的，所述基于所述排列熵，构造振动熵特征包括：

基于所述排列熵，通过互信息算法计算得到延迟时间τ，并通过G-P算法计算得到关联维数m；

基于所述延迟时间τ和所述关联维数m，构造振动熵特征。

可选的，所述基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量包括：

基于所述声纹特征和所述振动熵特征，通过改进的遗传算法进行深度融合，得到深度融合后的结果；

基于所述深度融合后的结果，得到联合特征向量。

可选的，所述将所述联合特征向量进行SVM模型的学习训练包括：

基于泰勒缓和下降核函数和多项式函数的混合核函数模型，得到SVM 模型结构；

将所述联合特征向量进行SVM模型的学习训练。

可选的，所述得到SVM模型结构的具体公式如下：

S_M＝λS_POLY+(1-λ)S_T-KMOD；

其中，

S_POLY＝[(x·x′)+C]^q；λ∈(0,1)C≥0；x·x′∈Rⁿ；L>0，控制核函数在0处的值；σ,γ为两个参数，分别控制核函数的宽度和下降速度；i和n都为正整数。

在本发明实施中，一种断路器声纹及振动熵特征融合的故障诊断方法有利于降低传感器频响、环境噪声对断路器故障诊断准确率的影响；改进了SVM模型结构，提高了SVM泛化性；使用GWO模型进行参数优化，提高了模型的准确率；并且这是一种断路器故障诊断的方法，可有效降低误诊和漏诊现象，提高泛化性能，在断路器故障诊断中具有广阔应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施中的断路器声纹及振动熵特征融合的故障诊断方法的流程示意图；

图2是本发明实施中的断路器故障诊断流程图；

图3是本发明实施中的K值变化趋势图；

图4是本发明实施中的目标函数收敛示意图；

图5是本发明实施中的振动信号延迟时间曲线图；

图6是本发明实施中的欧式距离随关联维数变化曲线图；

图7是本发明实施中的基于改进GA算法的特征融合流程图；

图8是本发明实施中的GWO-SVM算法流程图；

图9是本发明实施中的GWO算法收敛示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

请参阅图1，图1是本发明实施中的断路器声纹及振动熵特征融合的故障诊断方法的流程示意图。

如图1所示，一种断路器声纹及振动熵特征融合的故障诊断方法，所述方法包括：

S11：对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度；

在本发明具体实施过程中，所述对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度包括：根据场站声音信号的频带特点，采用有限长单位冲激相应滤波器进行带通滤波，得到滤除后的声音信号；基于所述滤除后的声音信号叠加低频振动信号，得到完整的状态表征信息库；基于所述完整的状态表征信息库，通过广义S变换时频分辨率高和对高频信号冲激敏感，得到高频声信号特征；基于所述高频声信号特征，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度。需要说明的是，所述带通滤波，由于场站环境复杂，断路器常常野外露天运行，导致采集到的声音信号包含风声、雨声、打雷声、汽笛声、人语声等，通过频谱分析可以得知上述噪声多为低频干扰，集中在0-3kHz之间，因此通过有效的带通滤波即可去除大部分噪声干扰。

具体的，广义S变换由短时傅里叶变换(STFT)和维格纳分布(WVD) 发展而来，弥补了STFT单一分辨率和WT相位的缺陷且不存在交叉项干扰问题，在窗函数中引入与频率相关的调节因子来调节时频分辨率；经验证，其对高频信号冲击非常敏感，且时频分辨率高，可以准确反应非平稳声音信号的高频冲击特征和丰富的时频信息；S变换的具体公式如下：

其中，S(f,τ)表示广义S变换的具体函数，f表示频率，t表示时间，τ表示控制高斯窗口在时间t的位置参数，x(t)表示声音信号的函数，ω(f,(τ-t)表示高斯窗函数，其高度和宽度都随频率f变化而变化；由于在同一频率下不同信号的高斯窗函数固定不变，为了提高时频的能量聚集性，引入参数α、β，基本结构如下：

式中α、β为调节因子，一般为正数；当β增大或α减小时,高斯窗宽度在时域被拉伸而在频域被压缩,反之亦然。

S12：基于所述反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度，构造声纹特征；

S13：对振动信号进行选择参数，并通过变分模态分解，得到排列熵；

在本发明具体实施过程中，所述对振动信号进行选择参数，并通过变分模态分解(VMD分解)，得到排列熵包括：基于能量算法对振动信号进行选择所述VMD模型的分解模态参数K；基于目标函数算法对振动信号进行选择二次惩罚因子参数α；基于所述分解模态参数K和所述二次惩罚因子参数α，通过变分模态分解，得到排列熵。

需要说明的是，所述VMD分解是一种新的非递归模态分解方式，避免了包络误差造成的模态混叠问题；断路器操动过程振动信号包含多个部件振动组合叠加，进行VMD分解可以有效改善多部件振动频带混叠问题，减小误诊和漏诊现象；进行VMD分解前需要对关键参数K(分解模态数)和α(二次惩罚因子)进行优化，分别采用能量法和目标函数寻优法。

具体的，所述能量算法的具体公式如下：

其中，E表示信号能量值，n表示采样点，x(i)表示原断路器振动信号序列；为了表征VMD分解前后能量差异，定义能量差值参数ψ，计算如下：

式中：E_x对应第x个分量的能量，K为模态分量个数，E为信号能量值。

具体的，二次惩罚项因子α对模态混叠和重构精度影响较大，因此将模态混叠密度和皮尔逊相关系数结合起来构造目标函数；

模态混叠主要发生在相邻IMF的中心频率之间，定义频域模态混叠面积为相邻模态中心频率之间相同频率幅值重叠之和，记为S；计算方法如下：

式中μf_i(w)和μf_j(w)分别为相邻两个模态函数μ_i(t)和μ_j(t)的Fourier变换后的频域函数，ω为频率，m＝min(ω_i,ω_j)，n＝max(ω_i,ω_j)；

为了定量的度量两个相邻的IMF之间的模态混叠的程度，定义频域模态混叠密度为每千赫兹频带宽度的频域混叠面积，记为S_d，计算公式如下：

目标函数定义为频域模态混叠密度乘以重构信号与原始信号的相关系数的倒数，其表达式下：

O_bj＝S_d/R；

其中，O_bj表示目标函数，S_d表示频域模态混叠密度，R表示重构信号与原始信号的相关系数，x_i和y_i表示信号序列，

和

分别表示x_i和y_i的均值。

当模态个数为K时，则有K-1组相邻的IMF,S_d表示所有IMF中最大的混叠密度。

具体的，计算排列熵，对于信号序列{X(i),i＝1,2,…,n}，对其进行相空间重构，得到如下矩阵：

式中：j＝1,2,…,k,k＝n-(m-1)τ，m和τ为嵌入维数和延迟时间；对每个分量(共k个)的元素按照数值大小升序排列，按照重构分量索引得到不同符号序列，m维相空间映射符号序列有m！种，s种不同符号序列出现的概率分别为P₁,P₂,…,P_s，计算公式如下：

将P(m)进行归一化处理，即：

0≤P＝P(m)/ln(m！)≤1；

S14：基于所述排列熵，构造振动熵特征；

在本发明具体实施过程中，所述基于所述排列熵，构造振动熵特征包括：基于所述排列熵，通过互信息算法计算得到延迟时间τ，并通过G-P算法计算得到关联维数m；基于所述延迟时间τ和所述关联维数m，构造振动熵特征。

S15：基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量；

在本发明具体实施过程中，所述基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量包括：基于所述声纹特征和所述振动熵特征，通过改进的遗传算法进行深度融合，得到深度融合后的结果；基于所述深度融合后的结果，得到联合特征向量。

具体的，通过对遗传算法适应度进行计算来筛选特征，对于N个样本， M维特征向量的样本，构造特征矩阵A；将第k特征组成数组A_i,k，计算其均值M_.Ai,k和方差V_.Ai,k，定义第a类和第b类样本的类内类间距为D_a,b,k：

式中：L为特征样本类别，M为特征向量维数；

定义GA适应度函数D_k：

(a,b＝1,2,…,L；a＜b；q∈[1,3]且为整数)；

定义矩阵A的第s列特征被选择的概率为：

若ρ_s≥α，则第s列特征被选择，否则不被选择；假定选定后的矩阵为B，维度为N*m，m＜M；

对B矩阵进行交叉操作，分离出偶数列构成矩阵Be和奇数列构成矩阵Bo，大小分别为N*m1，和N*m2；x1,x2,…,xm1为[0,1]间的随机数，与设定的交叉率p进行比较，小于则返回1，否则返回0，得到逻辑向量E(e1,e2,…,em1)；计算Be和Bo第r列的交叉点位置Sr：

S_r＝((N-1)*y_r*d_r+N-1)％N+1；

其中，％是取余运算，将元素互换后构成交叉矩阵H；最后将A矩阵和H矩阵进行重组；迭代终止得到最后的融合特征。

S16：将所述联合特征向量进行SVM模型的学习训练；

在本发明具体实施过程中，所述将所述联合特征向量进行SVM模型的学习训练包括：基于泰勒缓和下降核函数(T-KMOD)和多项式函数(POLY) 的混合核函数模型，得到SVM模型结构；将所述联合特征向量进行SVM 模型的学习训练。

具体的，所述混合核函数，泰勒缓和下降核函数(T-KMOD)满足零点远近下降准则，灵活性好，收敛快且局部性好；多项式函数(POLY)分类精度高，泛化能力强，故将两者进行组合，形式如下：

S_M＝λS_POLY+(1-λ)S_T-KMOD；

式中：

S_POLY＝[(x·x′)+C]^q；λ∈(0,1)C≥0；x·x′∈Rⁿ；L>0，控制核函数在0处的值；σ,γ为两个参数，分别控制核函数的宽度和下降速度；i和n都为正整数。

S17：基于GWO-SVM诊断模型，采用GWO模型对所述SVM模型中的惩罚因子和混合系数进行寻优。

具体的，GWO模型收敛速度快、结构简单、更容易达到最优分类，数学模型如下：

式中：t代表当前的迭代次数；Xp(t)为猎物位置向量，A和C为系数向量；A和C表示如下：

式中：a为收敛因子，满足a∈[0,2]；r1和r2是[0,1]中的随机向量；

在狩猎过程中，假设a，b，c对猎物的位置定位清晰，可以进行自我位置的更新，具体公式如下：

X(t+1)＝(X₁+X₂+X₃)/3。

具体实施中，以ZN65-12型断路器为例，故障诊断流程如附图2所示，附图2示出本发明实施中的断路器故障诊断流程图；本发明的具体实施方式如下：

第1步，采用AC144压电式加速传感器(0.6-10000Hz)和NVL-AF-aduio 嵌入防水(暴)高保真拾音器(20-20000Hz)，其中振动传感器吸附到断路器本体上，声音传感器置于音源50cm处；采集断路器机构卡涩、基座松动、连杆脱落、电压波动和正常状态下的多组声波和振动样本信号；

第2步，经有限长单位冲激响应(FIR)带通滤波器滤除3kHz以下和 15kHz以上声音信号的频带噪声，然后利用广义S变换得到时频图，计算公式如下：

选取α，β的值分别为1和2；

不同故障的广义S变换时频纹理图像体现不同纹理特征，提取反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度、规则度作为特征量；

第3步，振动信号进行VMD处理，设定K初始值为2，根据能量守恒原理对K参数进行选择，计算过程参照步骤2；ψ理想值为0，经过试验数据验证得到K值变化趋势如附图3所示；在K大于6时，能量差值参数λ出现增加，可判断出现过分解，此时转折点处的K值就是VMD最佳分解模态数；在确定参数K后，定义模态混叠面积；由步骤2可知，目标函数与相关系数成反比，故当重构信号与原信号的相关性越好时，目标函数也理应越小；设置α初始值为100，利用步骤3中的GWO算法进行参数寻优，寻优过程参考第4步，目标函数收敛示意图如附图4所示；由附图4可知，随着迭代步数的增加，目标函数值逐渐减小并收敛；优化得到最终的二次惩罚项因子α为213.5；

对分解得到的6个模态分量求取排列熵，计算过程参考步骤2；由于断路器的振动信号呈现非线性，故选择互信息法计算延迟时间τ，记I(τ)为关于τ的函数，并选择I(τ)的第一个极小值点作为最佳的延迟时间，得到振动信号的延迟时间曲线如附图5所示；当τ取值为5时，出现第一个极小值点，故τ＝5为理想的延迟时间。

为了保证该空间能够重现原来的动力特性，嵌入空间的维数应该足够大；本发明采用G-P算法，R为相空间两点间的欧式距离，N(ε)为关联函数；画出ln(N(ε))关于ln(R)的曲线，如附图6所示，附图6示出本发明实施中的欧式距离随关联维数变化曲线图；令D＝ln(N(ε))/ln(R)，得到m0对应的关联维数估计值为D(m0)；求取各条曲线在其近似线性区的变化率，当m 为8时，D值更稳定，其对应的曲线线性度更佳，故m＝8为理想的嵌入维数；

第4步，N＝n*L，n为特征样本数，本文n＝60，L为第1步提及的5 中状态类型；矩阵A可以表示为：

矩阵元素a_i,j,k是属于第i种状态的第j个样本特征向量的第k维特征值；i ＝1,2,…,L，j＝1,2,…,n，k＝1,2,…,M；故A_i.k可以表示为

均匀随机数α取值在[0,1]之间；Be和Bo的列数m1和 m2取值为：

依次将矩阵Be第r列的第Sr个元素之后的数据与矩阵Bo第r列的第 Sr个元素之后的数据进行互换，得到Be′和Bo′，将矩阵Bo′的每一列依次***矩阵Be′的每两列之间，即构成交叉后的特征矩阵H(当m为奇数时，特征矩阵H的最后一列与特征矩阵B的最后一列相同)，计算交叉后的特征的适应度函数值，m维特征的适应度函数值可以分别表示为R1′,R2′,…,Rm′；

设定替换率p1,假定用特征矩阵H中的γ列数据替换特征矩阵A中的γ列数据，则γ的数值为p1与m相乘后再取整，构造数组Q1＝R1,R2,…,RM和 Q2＝R1′,R2′,…,Rm′,将Q1和Q2的元素按照从大到小的顺序分别重新排序，排序后的位置信息分别用向量

和向量θ＝θ1,θ2,…,θm来表示。将特征矩阵H中第θ1,θ2,…,θγ列的数据依次替换特征矩阵A中第

列的数据，得到重组后的特征矩阵A′，大小为N＊M,计算适应度，直到达到迭代终止条件，特征融合过程如附图7所示，附图7示出本发明实施中的基于改进GA算法的特征融合流程图。

第5步，采样率设为40kHz，40组样本用于训练，20组样本用于测试；初始化种群，计算每头狼的适应度值，选择前三个最优适应度，确定灰狼等级，对灰狼位置、头狼、系数向量等参数进行更新，直到SVM参数最优；寻优过程如附图8所示，附图8示出本发明实施中的GWO-SVM算法流程图；对SVM惩罚因子C和混合系数λ参数进行寻优，设置迭代次数为100，求得最佳参数值分别为2.5693和0.17；在寻优过程中，GWO算法收敛情况如附图9所示，附图9示出本发明实施中的GWO算法收敛示意图。

在本发明实施中，一种断路器声纹及振动熵特征融合的故障诊断方法有利于降低传感器频响、环境噪声对断路器故障诊断准确率的影响；改进了SVM模型结构，提高了SVM泛化性；使用GWO模型进行参数优化，提高了模型的准确率；并且这是一种断路器故障诊断的方法，可有效降低误诊和漏诊现象，提高泛化性能，在断路器故障诊断中具有广阔应用价值。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种断路器声纹及振动熵特征融合的故障诊断方法进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述方法包括：

对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度；

基于所述反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度，构造声纹特征；

对振动信号进行选择参数，并通过变分模态分解，得到排列熵；

基于所述排列熵，构造振动熵特征；

基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量；

将所述联合特征向量进行SVM模型的学习训练；

基于GWO-SVM诊断模型，采用GWO模型对所述SVM模型中的惩罚因子和混合系数进行寻优。

2.根据权利要求1所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述对声音信号进行带通滤波，并通过广义S变换，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度包括：

根据场站声音信号的频带特点，采用有限长单位冲激相应滤波器进行带通滤波，得到滤除后的声音信号；

基于所述滤除后的声音信号叠加低频振动信号，得到完整的状态表征信息库；

基于所述完整的状态表征信息库，通过广义S变换时频分辨率高和对高频信号冲激敏感，得到高频声信号特征；

基于所述高频声信号特征，得到反映时频纹理特征的粗糙度、盒维数、方向度、对比度、线性度和规则度。

3.根据权利要求2所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述广义S变换的具体公式如下：

其中，S(f,τ)表示广义S变换的具体函数，f表示频率，t表示时间，τ表示控制高斯窗口在时间t的位置参数，ω(f,(τ-t)表示高斯窗函数，x(t)表示声音信号的函数。

4.根据权利要求1所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述对振动信号进行选择参数，并通过变分模态分解，得到排列熵包括：

基于能量算法对振动信号进行选择所述VMD模型的分解模态参数K；

基于目标函数算法对振动信号进行选择二次惩罚因子参数α；

基于所述分解模态参数K和所述二次惩罚因子参数α，通过变分模态分解，得到排列熵。

5.根据权利要求4所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述能量算法的具体公式如下：

其中，E表示信号能量值，n表示采样点，x(i)表示原断路器振动信号序列。

6.根据权利要求4所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述目标函数算法的具体公式如下：

O_bj＝S_d/R；

其中，

其中，O_bj表示目标函数，S_d表示频域模态混叠密度，R表示重构信号与原始信号的相关系数，S表示频域模态混叠面积，μf_i(w)和μf_j(w)分别表示相邻两个模态函数μ_i(t)和μ_j(t)的Fourier变换后的频域函数，ω表示频率，m＝min(ω_i,ω_j)，n＝max(ω_i,ω_j)，x_i和y_i表示信号序列，

和

分别表示x_i和y_i的均值。

7.根据权利要求1所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述基于所述排列熵，构造振动熵特征包括：

基于所述排列熵，通过互信息算法计算得到延迟时间τ，并通过G-P算法计算得到关联维数m；

基于所述延迟时间τ和所述关联维数m，构造振动熵特征。

8.根据权利要求1所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述基于所述声纹特征和所述振动熵特征进行深度融合，得到联合特征向量包括：

基于所述声纹特征和所述振动熵特征，通过改进的遗传算法进行深度融合，得到深度融合后的结果；

基于所述深度融合后的结果，得到联合特征向量。

9.根据权利要求1所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述将所述联合特征向量进行SVM模型的学习训练包括：

基于泰勒缓和下降核函数和多项式函数的混合核函数模型，得到SVM模型结构；

将所述联合特征向量进行SVM模型的学习训练。

10.根据权利要求9所述的一种断路器声纹及振动熵特征融合的故障诊断方法，其特征在于，所述得到SVM模型结构的具体公式如下：

S_M＝λS_POLY+(1-λ)S_T-KMOD；

其中，

S_POLY＝[(x·x′)+C]^q；λ∈(0,1)C≥0；x·x′∈Rⁿ；L>0，控制核函数在0处的值；σ,γ为两个参数，分别控制核函数的宽度和下降速度；i和n都为正整数。

Images