基于Tsallis熵与层次化混合分类器的含未知故障断路器机械故障诊断

作     者：黄南天 王斌 蔡国伟 郑检 方立华 HUANG Nantian;WANG Bin;CAI Guowei;ZHENG Jian;FANG Lihua

作者机构：东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室吉林132012 国网江西省电力有限公司南昌330043 

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

年 卷 期：2019年第45卷第5期

页      面：1518-1525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：国家重点研发计划(2016YFB0900104) 吉林省产业技术开发专项(2019C058-8) 

主　　题：高压断路器 机械故障诊断 时域分割 Tsallis熵 单类支持向量机 极限学习机 

摘      要：为提高断路器机械振动信号特征提取效率,避免将无训练样本未知类型故障误识别为正常样本或错误已知故障,提出一种断路器机械状态监测与故障诊断新方法。首先,将断路器机械操动机构振动信号进行时域分割,对分割后的各段信号分别直接提取7种特征,构成特征向量;通过散布矩阵分析特征分类能力,确定以Tsallis熵特征分析断路器机械故障。然后,将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断。在混合分类器中,首先由OCSVM区分正常与故障状态;如为故障状态,则使用ELM识别故障类型,之后再以OCSVM校正ELM识别结果。通过实际断路器振动数据开展实验证明,散布矩阵能够有效分析特征的类可分性,时域分割提取特征效率高,层次化混合分类器不仅能够准确识别断路器机械状态与故障类型,而且可有效识别无训练样本未知故障类型数据。