针对断路器机械特性异常诊断中的多源信号采集与分析问题,设计出一套分合闸线圈电流和触头行程信号的采集系统,并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取,机器学习算法采用CatBoost模型进行单源信号的...针对断路器机械特性异常诊断中的多源信号采集与分析问题,设计出一套分合闸线圈电流和触头行程信号的采集系统,并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取,机器学习算法采用CatBoost模型进行单源信号的异常诊断,结合遗传算法(genetic algorithm,GA)进行参数优化,实现了基于线圈电流和触头行程的高准确率诊断。同时,利用线性判别分析(linear discriminant analysis,LDA)方法进行特征融合,提升了异常诊断效果。此外,对多种融合方法的诊断结果进行对比分析。结果表明,LDA-GA-CatBoost的特征级融合方法与基于改进的D-S证据理论(dempster-shafer theory of evidence,DST)的决策级融合方法的异常诊断率最高,均为95.82%,但LDA-GA-CatBoost的模型训练时间仅为改进的D-S证据理论的一半,更具有应用优势。展开更多
文摘针对断路器机械特性异常诊断中的多源信号采集与分析问题,设计出一套分合闸线圈电流和触头行程信号的采集系统,并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取,机器学习算法采用CatBoost模型进行单源信号的异常诊断,结合遗传算法(genetic algorithm,GA)进行参数优化,实现了基于线圈电流和触头行程的高准确率诊断。同时,利用线性判别分析(linear discriminant analysis,LDA)方法进行特征融合,提升了异常诊断效果。此外,对多种融合方法的诊断结果进行对比分析。结果表明,LDA-GA-CatBoost的特征级融合方法与基于改进的D-S证据理论(dempster-shafer theory of evidence,DST)的决策级融合方法的异常诊断率最高,均为95.82%,但LDA-GA-CatBoost的模型训练时间仅为改进的D-S证据理论的一半,更具有应用优势。
