[發(fā)明專利]一種基于樣本熵和SVM的OLTC機(jī)械故障診斷方法

在審

• 申請?zhí)枺?/td>: 201910144378.1
• 申請日: 2019-02-26
• 公開（公告）號: CN109800740A
• 公開（公告）日: 2019-05-24
• 發(fā)明（設(shè)計(jì)）人: 馬宏忠;陳明;劉寶穩(wěn);徐艷;陳冰冰;王梁;許洪華
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01H17/00;G01M13/00
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 母秋松;董建林

1.一種基于樣本熵和SVM的OLTC機(jī)械故障診斷方法，其特征在于：包括如下步驟：

步驟1：將加速振動(dòng)傳感器置于OLTC頂蓋采集各種狀態(tài)下的振動(dòng)信號；

步驟2：將各種狀態(tài)下的振動(dòng)信號分別進(jìn)行EEMD分解，得到分量IMF，取前k個(gè)IMF分量進(jìn)行進(jìn)一步處理；

步驟3：計(jì)算選取的IMF分量的樣本熵；

步驟4：對于訓(xùn)練數(shù)據(jù)集，用計(jì)算得到的樣本熵作為特征向量，輸入SVM進(jìn)行訓(xùn)練，得到SVM分類器，把測試樣本的IMF分量的SampEn值輸入SVM分類器，由SVM分類器的輸出得到測試樣本的運(yùn)行狀態(tài)。

2.根據(jù)權(quán)利要求1所述的一種基于樣本熵和SVM的OLTC機(jī)械故障診斷方法，其特征在于：所述步驟1中振動(dòng)傳感器放置于OLTC的垂直頂端。

3.根據(jù)權(quán)利要求1所述的一種基于樣本熵和SVM的OLTC機(jī)械故障診斷方法，其特征在于：所述步驟1中各種狀態(tài)下振動(dòng)信號，包括：正常、觸頭松動(dòng)、觸頭磨損、觸頭燒毀、觸頭脫落的振動(dòng)信號，每種狀態(tài)下采集多組振動(dòng)信號。

4.根據(jù)權(quán)利要求1所述的一種基于樣本熵和SVM的OLTC機(jī)械故障診斷方法，其特征在于：所述步驟2將采集到各個(gè)狀態(tài)下的多組振動(dòng)信號分別進(jìn)行EEMD分解，得到分量IMF，具體步驟如下：

2.1：在振動(dòng)信號x(t)中加入高斯白噪聲，取信號波形的上極值點(diǎn)、下極值點(diǎn)，分別得到局部最大值包絡(luò)線和局部最小值包絡(luò)線；將兩條包絡(luò)線相應(yīng)各點(diǎn)的值取平均，得到一條曲線m₁；求振動(dòng)信號x(t)和該曲線的差：

h₁＝x(t)-m₁ (1)

2.2：繼續(xù)迭代以上步驟：

h₁₁＝h₁-m₁₁ (2)

式中：m₁₁為h₁的上、下包絡(luò)線平均值；求解h_1k，h_1k＝h_1(k－1)-m_1k，式中k為大于等于1的自然數(shù)，直到判據(jù)S_i＜0.1，其中：

式中，t代表采集時(shí)刻，r代表采集時(shí)長；

此時(shí)h_1k＝h_1(k－1)-m_1k，為第1個(gè)IMF，記為c₁；

2.3：將c₁從原信號中減去：

r₁＝x(t)-c₁ (4)

將r₁作為新的數(shù)據(jù)，加入高斯白噪聲后，再重復(fù)步驟2.1和2.2，得到第2個(gè)IMF，記為c₂；如果所得到的S_i或殘余分量r_n小于預(yù)先設(shè)定的值，或者已經(jīng)變成了一條單調(diào)曲線，則分解結(jié)束；否則，繼續(xù)對得到的IMF進(jìn)行以上操作，最終得到一系列的IMF，原信號分解為

即原信號被分解為n個(gè)IMF和1個(gè)剩余分量。