基于主成分分析和支持向量机的高压断路器机械状态识别方法

发布时间：2024-05-18 04:58

　　高压断路器分合闸过程中的触头行程曲线蕴含着反映其内部机构机械状态的丰富信息,是实现其状态识别和故障诊断的重要依据。文中提出了一种基于主成分分析和支持向量机的高压断路器机械状态识别方法,基于奇异值分解计算特征量的主成分,降低特征量的维度,筛选出包含主要信息的特征矩阵,然后基于特征矩阵构建支持向量机,结合交叉验证网格搜索确定最优参数,进而确定最优分类模型。对实验数据的分析结果表明,该方法可以有效提取触头行程曲线中蕴含的特征信息,准确度高达99%,可以实现对高压断路器机械状态的识别。

【文章页数】：7 页

【部分图文】：

图1正常状态与不同故障的触头合闸行程曲线

由图1(a)、(b)可知，合闸弹簧预压缩量减小，相比正常情况储能减少，在整个合闸过程中做功减少，合闸速度减慢，完成合闸所需的时间增长；相反的，随着合闸弹簧预压缩量的增加，在合闸时合闸弹簧储存的能量增多，合闸弹簧出力更大，相应的合闸曲线高于正常状态，意味着合闸速度变快，完成合闸过程....

图2主成分分析释义说明

主成分分析(principalcomponentanalysis,PCA)指设法将原来指标重新组合成一组新的互相无关的几个综合指标，同时根据实际需要，从中取几个较少且能尽可能多地反映原来指标信息的综合指标。PCA有两种常用的定义：最大方差形式和最小误差形式[14]。最大方差形....

图3部分成分方差贡献图

随机的从317组实验数据中选取75%组数据作为训练数据集，即构成(237,1003)特征量数组，237为训练数据集的样本数，1003为每个样本的特征数。可以得到每个样本的维数为1003，里面包含着大量重复冗余的信息，这样大维度的数据不仅使后期状态识别速度降低，还能导致识别准....

图4交叉验证准确度热图

结合前文筛选出的特征矩阵，文中用231组样本对支持向量机进行训练，核函数选择径向基核函数，为了提高分类准确率，需要设置惩罚因子C和径向基核函数参数γ。一个理想的核函数会使同类样本相互靠近，而使异类样本相互远离，参数γ直接影响到分类器的性能；较小的惩罚因子使决策平面平滑，容错率较高....

本文编号：3976485