基于多任务学习组合模型的万能式断路器故障诊断方法

作     者：王钰洁 赖冬明 王立军 陈仁祥 何家乐 WANG Yujie;LAI Dongming;WANG Lijun;CHEN Renxiang;HE Jiale

作者机构：重庆交通大学机电与车辆工程学院重庆400074 西安交通大学电工材料电气绝缘全国重点实验室西安710049 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2025年第51卷第5期

页      面：2394-2403页

核心收录：

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金(51877164) 重庆市教委科研项目(KJQN202000729) 

主　　题：万能式断路器 故障诊断 多元变经验模态分解 改进北方苍鹰优化算法 核极限学习机 

摘      要：针对万能式断路器的振动信号存在个体样本差异性、噪声干扰和分类器的参数难以确定等问题,提出一种基于多任务学习组合模型的万能式断路器故障诊断方法。首先,使用多元变经验模态分解(multivariate variational mode decomposition,MVMD)对振动信号进行分解并获取满足阈值要求的模态分量(intrinsic mode functions,IMFs),精准地对其进行时域和频域特征提取,减少噪声干扰和信号差异性造成的影响;再利用核主元分析(kernel principal component analysis,KPCA)算法对特征数据集进行降维;对比不同特征提取方法并验证MVMD-KPCA有效性与优势。用改进北方苍鹰优化(improved northern goshawk optimization,INGO)算法对核极限学习机(kernel extreme learning machine,KELM)的参数进行寻优,提升KELM的分类性能。最后,将降维的特征数据集输入INGO-KELM等模型中进行对比。结果表明:MVMD-KPCA方法在处理复杂、非线性数据集时表现出色,MVMD-KPCA与INGO-KELM相比于其他对比模型,此模型对万能式断路器的平均诊断精度能到达99.83%,具有更强的预测能力和稳定性。