断路器状态识别方法的研究

断路器状态识别方法的研究故障识别就是依据特征向量在特征空间中的位置对系统的状态进行分类，分 类算法分为线性分类方法和非线性分类方法。线性分类方法具有计算量少、速度 快等优点，对于线性可分的特征向量，可

断路器状态识别方法的研究 故障识别就是依据特征向量在特征空间中的位置对系统的状态进行分类，分类 算法分为线性分类方法和非线性分类方法。线性分类方法具有计算量少、速度快等优 点，对于线性可分的特征向量，可以取得较好的分类效果。常用的线性分类算法包括 (Mahalanobis)(LinearDiscriminant 基于马氏距离的线性分类算法和基于线性判别分析 Analysis,LDA) 的分类算法等错误味找到引用源。。非线性分类算法比线性分类算法 具有更好的分类特性，特别是对于线性不可分的分类问题，仍然能取得较高的分类性 (SportVectorMachine,SVM)> 能。常用的非线性分类算法包括支持向量机叩人工神 (NeuralNetworks,NN) 经网络分类器等。其中，神经网络分类器具有高速并行处理、 分布存贮信息等特性，这使其在模式识别方面具有传统模式识别方法不可比拟的优 (UnsecntKalmanFilter,UKF) 点。采用基于无迹卡尔曼滤波算法的多层前向神经网络对 振动信号的特征进行分类，并验证分类效果。 (1) 分辨系数法 在比较向量之间的相似性时，比较朴素的方法就是选取向量间的欧氏距离作为 判据，在很多其他的方法中也借鉴了欧氏距离的概念，如动态时间规整、人工免疫网 络等。前述方法都使用了欧氏距离的绝对值,其阈值的合理选择是关键。分辨系数法 (ResolutionRatio,RR) 利用了归一化方法，其值由待检向量与基准向量距离、参考向 量与基准向量距离之比决定，辨识系数越大则待检状态偏离参考状态越远，应用中应 通过多次试验确定合理的阈值。 (2) 协方差 (Covariance) 协方差是统计学中用于度量两个变量整体误差的指标，当两个变量 方 (Variance),(StandardDeviation) 相同时，协方差转化为方差方差的平根称为标准差。 当以选定频带能量作为特征向量时，不同合阐同期性状态的特征向量在特征平面的 分布具有明显的界限，利用特征向量的标准差确定容差可以对状态进行分类。以振动 信号的方差和协方差为坐标，不同状态下的坐标各自归类到不同的区域，可用于故障 识别。 (3) 人工神经网络 人工神经网络是一种模拟人脑神经系统信息处理机制的数学模型，其通过相互 连接的各神经元之间的并行处理，来模仿人脑的思维判断过程。人工神经网络具有并 行性高、自适应性强、容错性好以及良好联想记忆功能和知识分布存储等特点，对外 界输入样本表现出了良好的识别与分类能力。将断路器振动信号的特征量输入到神