基于精细复合多尺度散布熵的高压断路器机械故障诊断方法

作     者：陈佳豪 吴浩 李栋 杨杰 刘益岑 CHEN Jiahao;WU Hao;LI Dong;YANG Jie;LIU Yicen

作者机构：四川轻化工大学自动化与信息工程学院四川自贡643000 人工智能四川省重点实验室四川自贡643000 国网四川省电力公司电力科学研究院成都610000 

出 版 物：《四川轻化工大学学报（自然科学版）》 (Journal of Sichuan University of Science & Engineering(Natural Science Edition))

年 卷 期：2021年第34卷第4期

页      面：40-47页

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 

基　　金：四川省科技厅项目(2018GZDZX0043) 人工智能四川省重点实验室项目(2019RYY01) 

主　　题：高压断路器 机械故障诊断 振动信号 精细复合多尺度散布熵 粒子群算法 极限学习机 

摘      要：针对高压断路器机械故障识别准确率不高的问题,提出了一种基于精细复合多尺度散布熵(RCMDE)的断路器故障诊断方法。利用实验室10 kV户内真空高压断路器进行合闸动作时正常、螺丝松动、传动机构卡涩、合闸弹簧储能不足4种状态的振动数据采集。对采集到的数据计算RCMDE值,并构成特征向量集,将特征向量集分作训练集及测试集。利用粒子群算法(PSO)优化后的极限学习机(ELM)训练训练集得到智能故障识别模型,将测试集输入模型进行测试,实现断路器机械故障诊断。结果表明,基于RCMDE-PSO-ELM的高压断路器机械故障诊断方法能有效识别不同状态的机械故障,并且在噪声干扰以及数据丢失下仍能对故障进行准确识别,具有很好的抗干扰能力,在背景干扰较强的高压断路器故障检测环境下具备一定的实用性。