基于声纹的GIS断路器机械故障诊断

作     者：李可 姚忠远 王枭 顾杰斐 宿磊 薛志钢 LI Ke;YAO Zhongyuan;WANG Xiao;GU Jiefei;SU Lei;XUE Zhigang

作者机构：江南大学江苏省食品先进制造装备技术重点实验室无锡214122 上海睿深电子科技有限公司上海201108 江苏省特种设备安全检验监督研究院无锡分院无锡214071 

出 版 物：《振动.测试与诊断》 (Journal of Vibration,Measurement & Diagnosis)

年 卷 期：2023年第43卷第5期

页      面：866-871,1034,1035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] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(51705203,51775243,11902124) 江苏省市场监督管理局科技计划资助项目(KJ196043)。 

主　　题：气体绝缘开关设备断路器 机械故障诊断 声纹 独立成分分析 多尺度模糊熵 极限学习机 

摘      要：针对气体绝缘开关设备(gas insulated switchgear,简称GIS)断路器声信号易受强背景噪声干扰且特征提取困难的问题,提出一种可以有效诊断其机械故障的方法。首先,使用多通道声传感器阵列采集断路器原始观测信号,利用独立成分分析(independent component analysis,简称ICA)方法将观测信号分离为多维源信号,并选取源信号中模糊熵最小的分量作为特征信号;其次,计算特征信号的多尺度模糊熵(multi‑scale fuzzy entropy,简称MFE)生成断路器的声纹特征;最后,利用极限学习机(extreme learning machine,简称ELM)算法识别断路器的故障。实验结果表明,基于声信号的检测方法为GIS断路器的机械故障诊断提供了一种新的解决方案,所提出的算法能够有效提取声纹特征,故障诊断准确率较传统方法有明显提高。