基于SVM增量学习算法的煤矿高压断路器故障模式识别方法
来源期刊:煤炭学报2017年第8期
论文作者:耿蒲龙 宋建成 赵钰 高云广 郑丽君 呼守信
文章页码:2198 - 2204
关键词:高压断路器;特征提取;故障模式识别;支持向量机;增量学习算法;
摘 要:高压断路器故障模式的准确识别是矿井电网智能化发展过程中的重要支撑环节。针对高压断路器故障数据不易获取且故障样本较少的问题,提出了一种支持向量机与增量学习算法相结合的故障识别方法,确定了以断路器控制回路电流信号、电压信号以及分合闸振动信号为状态监测量,模拟了弹簧松动、铁芯卡涩、供电异常与线圈老化4种常见故障,提取了故障特征量并建立了故障数据样本与增量学习数据样本,采用支持向量机增量学习算法训练得到了故障识别模型,并利用新增数据样本对其进行了验证。结果表明:支持向量机增量学习算法可准确识别上述4种常见故障,并可以通过对新增样本的不断学习进一步提高识别精度。
耿蒲龙1,2,宋建成1,2,赵钰1,2,高云广1,2,郑丽君1,2,呼守信3
1. 矿用智能电器技术国家地方联合工程实验室(太原理工大学)2. 煤矿电气设备与智能控制山西省重点实验室(太原理工大学)3. 中国煤炭科工集团太原研究院有限公司
摘 要:高压断路器故障模式的准确识别是矿井电网智能化发展过程中的重要支撑环节。针对高压断路器故障数据不易获取且故障样本较少的问题,提出了一种支持向量机与增量学习算法相结合的故障识别方法,确定了以断路器控制回路电流信号、电压信号以及分合闸振动信号为状态监测量,模拟了弹簧松动、铁芯卡涩、供电异常与线圈老化4种常见故障,提取了故障特征量并建立了故障数据样本与增量学习数据样本,采用支持向量机增量学习算法训练得到了故障识别模型,并利用新增数据样本对其进行了验证。结果表明:支持向量机增量学习算法可准确识别上述4种常见故障,并可以通过对新增样本的不断学习进一步提高识别精度。
关键词:高压断路器;特征提取;故障模式识别;支持向量机;增量学习算法;