基于振-电信号融合的断路器操作机构机械寿命预测方法与流程

技术特征：
1.一种基于振-电信号融合的断路器操作机构机械寿命预测方法，其特征在于，该方法包括以下步骤：第一步，采集万能式断路器储能过程中电机的电流信号与储能操作机构的振动信号，得到状态监测数据；提取电流信号的时域特征以及振动信号的时域和频域特征，筛选出与寿命相关度高的关键退化特征；第二步，对所有关键退化特征进行统计学分析，得到万能式断路器的退化起始点；第三步，采用pca方法对退化期的关键退化特征进行降维与融合，选择贡献率最大的主成分作为融合特征，将归一化后的融合特征作为万能式断路器的综合健康指标；第四步，利用多种一元回归函数模型拟合随着动作次数的增加，综合健康指标的退化过程；选择拟合误差最小的函数模型作为预测模型，用于预测万能式断路器的剩余寿命。2.根据权利要求1所述的基于振-电信号融合的断路器操作机构机械寿命预测方法，其特征在于，第三步的具体过程为：3-1.设样本数量为n，每个样本含有m个关键退化特征，则有式(9)的状态监测数据的总特征数据矩阵x
n
×
m
；总特征数据矩阵的列向量x
j
对应所有样本的某一关键退化特征列，x
j
＝(x
j
(1),x
j
(2),
…
,x
j
(n)),0＜j≤m；利用式(10)对关键退化特征进行标准化处理；式中，为关键退化特征x
j
(i)标准化后的值，0＜i≤n；为第j列关键退化特征的均值；s(x
j
)为第j列关键退化特征的标准差；3-2.设标准化处理后的总特征数据矩阵为则的协方差矩阵p为：根据式(12)计算协方差矩阵p的特征值λ
j
和特征向量e
j
；p＝ede
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)式中，d为按特征值大小降序排列的对角阵，d＝diag(λ1,λ2,
…
,λ
j
,
…
,λ
m
)；e为特征值λ
j
对应的特征向量e
j
的集合，e＝(e1,e2,
…
e
m
)，e1＝(e
11
,e
12
,
…
,e
1m
),e2＝(e
21
,e
22
,
…
,e
2m
),e
m
＝(e
m1
,e
m2
,
…
,e
mm
)；将所有关键退化特征通过式(13)进行融合，得到所有主成分y1,y2,
…
,y
m
；第j个主成分的贡献率α
j
为：
将贡献率最大的主成分作为融合特征并进行归一化处理。3.根据权利要求1所述的基于振-电信号融合的断路器操作机构机械寿命预测方法，其特征在于，第四步具体为：以动作次数z为自变量，综合健康指标y作为因变量，分别利用线性函数、对数函数、指数函数以及幂函数模型拟合随着动作次数的增加，综合健康指标的退化过程，选择拟合误差最小的指数函数模型作为预测模型；综合健康指标与动作次数之间的映射关系为：当综合健康指标超过失效阈值，则表明万能式断路器失效；将综合健康指标超过失效阈值时的动作次数记为z，即万能式断路器的总寿命为z；万能式断路器的剩余寿命满足式(22)：z
剩余寿命
＝z-z
当前动作次数
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)在预测过程中，通过获取的状态监测数据更新预测模型的参数，基于该退化模型得到综合健康指标超过失效阈值时的动作次数，从而根据式(22)得到万能式断路器的剩余寿命次数。4.根据权利要求1所述的基于振-电信号融合的断路器操作机构机械寿命预测方法，其特征在于，第一步中，时域特征包括平均值、标准差、偏度、峰度、峰峰值、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量和信号持续时间，振动信号的频域特征包括频谱峰度平均值、频谱峰度标准差、频谱峰度峭度和频谱峰度偏度；利用spearman秩相关系数获取与性能退化相关度高的关键退化特征；假设(x
k
,y
k
)为取自状态监测数据(x,y)的样本，分别将x、y中的元素按照从小到大顺序编秩，r
k
表示x
k
在x中的秩次，q
k
表示y
k
在y中的秩次，则通过式(2)计算样本(x
k
,y
k
)的spearman秩相关系数r；式(2)中，k＝1,2,
…
,n，n为状态监测数据的样本总数量；当|r|≤0.3时，x与y不存在相关性；0.3＜|r|≤0.5时，x与y存在低度相关性；0.5＜|r|≤0.8时，x与y存在显著相关性；|r|≥0.8时，x与y存在高度相关性；将x与y存在显著相关性和高度相关性的特征作为与万能式断路器性能退化相关度高的关键退化特征。

技术总结
本发明为基于振-电信号融合的断路器操作机构机械寿命预测方法，包括第一步，采集万能式断路器储能过程中电机的电流信号与储能操作机构的振动信号，得到状态监测数据；提取电流信号的时域特征以及振动信号的时域和频域特征，筛选出关键退化特征；第二步，对所有关键退化特征进行统计学分析，得到退化起始点；第三步，采用PCA方法对退化期的关键退化特征进行降维与融合，选择贡献率最大的主成分作为融合特征，将归一化后的融合特征作为综合健康指标；第四步，利用多种一元回归函数模型拟合随着动作次数的增加，综合健康指标的退化过程；选择拟合误差最小的函数模型作为预测模型。该方法提取多种信号特征进行融合，从多角度全方位反映退化状态。位反映退化状态。位反映退化状态。


技术研发人员：孙曙光 唐尧 王景芹 温志涛 高辉
受保护的技术使用者：河北工业大学
技术研发日：2021.10.18
技术公布日：2022/1/14