基于经验模态分解及支持向量机的高压隔离开关机械故障诊断方法

作者：郭煜敬; 陈士刚; 李少华; 李洪涛; 金光耀; 张文涛; 张一茗; 关永刚

来源：高压电器, 2018, 54(09): 12-18.

DOI：10.13296/j.1001-1609.hva.2018.09.003

• 高压隔离开关
• 经验模态分解
• 能量熵
• 聚类
• 支持向量机

文中将K-means聚类算法和经验模态分解(empirical mode decomposition,EMD)相结合,对隔离开关机械故障进行诊断。为验证方法的有效性,搭建隔离开关运行状态在线监测系统,在某252 k V隔离开关的操动机构上选定位置安装了传感器,采集了机械振动等信号在模拟故障下的大量数据。首先利用小波包降噪方法对信号进行预处理;其次,应用EMD和谱分析方法对振动信号进行经验模态分解,得到IMF分量并将其能量熵作为特征量;然后,通过K-means聚类算法验证了特征提取方式的有效性;最后,通过支持向量机算法(support vector machine,SVM)对样本进行训练,实现了机械故障的准确诊断,验证了该方法的有效性。

• 单位
  北京交通大学; 江苏省电力公司电力科学研究院; 平高集团有限公司; 电力系统及发电设备控制和仿真国家重点实验室; 清华大学