基于VMD模糊熵和SVM的高压断路器故障诊断

论文摘要

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。

论文目录

• 0 引言
• 1 变分模态分解
• 2 模糊熵
• 3 支持向量机
• 4 实验分析
•   4.1 算法流程
•   4.2 实验模型
•   4.3 特征提取
•   4.4 模式识别
• 5 结论

文章来源

类型: 期刊论文

作者: 张燕珂,王萱,万书亭

关键词: 断路器,模糊熵,特征提取,故障诊断

来源: 电力科学与工程 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 浙江工商职业技术学院智能电子学院,华北电力大学能源动力与机械工程学院

基金: 国家自然科学基金资助项目(51777075),国网浙江省电力有限公司科技项目(5211MR170004)

分类号: TM561

页码: 25-31

总页数: 7

文件大小: 257K

下载量: 297