买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河海大学

摘要：本发明公开了一种适用于气体绝缘金属封闭输电线路GIL中不同金属颗粒故障的诊断方法，采集GIL中不同金属颗粒故障产生的振动信号，对振动信号分解后提取模态分量的Hurst指数，将Hurst指数输入到深度森林诊断模型中实现不同金属颗粒故障的准确诊断。本发明首先使用加速度传感器和动态数据采集仪采集GIL中不同金属颗粒故障的振动信号；使用优化的变分模态分解算法对振动信号进行模态分解；计算分解后各模态分量的Hurst指数，并将其作为故障特征向量输入到深度森林诊断模型中，完成不同金属颗粒故障的精确诊断。本发明为GIL中不同金属颗粒故障的精确诊断提供了理论依据，具有较好的应用价值。

主权项：1.一种适用于GIL中不同金属颗粒故障的诊断方法，其特征在于：首先在气体绝缘金属封闭输电线路GIL中设置多种不同的金属颗粒故障，使用传感器和动态数据采集仪采集对应故障的振动信号，然后使用优化的变分模态分解算法VMD对金属颗粒故障的振动信号进行模态分解，其中，VMD的参数被独立自适应粒子群算法APA-PSO进行优化，再对模态分解后得到的各模态分量IMF进行特征提取，将提取的特征向量组合得到故障特征向量组，最后将多种金属颗粒故障的特征向量组输入到深度森林中，得到诊断结果，具体步骤为：Step1：搭建GIL金属颗粒故障模拟实验平台，在GIL实验腔体内设置多种不同的金属颗粒故障，加载运行电压后金属颗粒在腔体内运动，与腔体碰撞并产生振动信号，在GIL实验腔体外壳上放置振动加速度传感器，然后使用动态数据采集仪采集相应金属颗粒故障的振动信号；Step2：使用优化后的VMD对金属颗粒故障的振动信号进行模态分解，具体为：Step2.1：使用APA-PSO对VMD中的二次惩罚因子β和模态分解个数K进行优化，首先随机初始化p个粒子，初始化权重因子、学习因子、最大迭代次数，然后输入金属颗粒故障振动信号，计算粒子的适应度值，找出个体最优和全局最优，再更新粒子的速度和位置，再次计算粒子的适应度值，并更新个体最优和全局最优，计算出粒子迭代时的惯性权重和学习因子，惯性权重和学习因子的计算公式分别为 式中：为初始权重，为最终权重，为种群进化率，c1max为学习因子的最大值，c2min为学习因子的最小值，n为当前迭代次数，N为最大迭代次数；算法中止的条件为当达到中止条件时，优化过程结束并输出最优参数值[β，K]，如果不满足中止条件，则继续更新粒子位置，寻找个体最优和全局最优，直到满足中止条件后结束；Step2.2：将优化后的参数[β，K]代入到VMD中，金属颗粒故障的振动信号经过VMD处理后得到K个本征模态分量IMF，定义IMF分量为调幅调频信号，则第i个IMF分量表示为uit＝Aitcosφit3式中：i∈{1，…，K}，φit为非递减函数，Ait为包络函数；初始化和λ1，其中ωi为函数中心频率，λ为Lagrange乘子，且λ1＝0；进入迭代循环，依次对ui，ωi和λn+1进行更新，直到分解为K个模态分量时停止循环，其更新公式为 式中：m为原始振动信号，τ为更新参数，设定精度阈值ε，当满足时算法停止，并输出振动信号分解后的K个模态分量，否则继续按照公式4、5、6进行循环迭代运算；Step3：对分解后得到的K个模态分量进行特征提取，将提取的特征向量组合得到特征向量组；Step4：将多种金属颗粒故障的特征向量组输入到深度森林诊断中，得到诊断结果，具体为：Step4.1：输入的多种金属颗粒故障特征向量组首先经过多粒度扫描阶段，使用滑动窗口扫描输入特征向量并生成新的特征向量子样本，将每个子样本都用于完全随机森林和普通随机森林的训练，然后将训练后的特征向量输入到级联森林中；Step4.2：在级联森林中，采用一种级联结构对输入的特征向量进行逐层处理，每一个级联层都将上一层的输出作为输入，并将处理后的特征信息输出到下一层，最后输出最终的诊断结果，实现不同金属颗粒故障的精确诊断。

全文数据：

权利要求：

百度查询： 河海大学 一种适用于GIL中不同金属颗粒故障的诊断方法