-
题名基于多任务学习组合模型的万能式断路器故障诊断方法
- 1
-
-
作者
王钰洁
赖冬明
王立军
陈仁祥
何家乐
-
机构
重庆交通大学机电与车辆工程学院
-
出处
《高电压技术》
2025年第5期2394-2403,共10页
-
基金
国家自然科学基金(51877164)
重庆市教委科研项目(KJQN202000729)。
-
文摘
针对万能式断路器的振动信号存在个体样本差异性、噪声干扰和分类器的参数难以确定等问题,提出一种基于多任务学习组合模型的万能式断路器故障诊断方法。首先,使用多元变经验模态分解(multivariate variational mode decomposition,MVMD)对振动信号进行分解并获取满足阈值要求的模态分量(intrinsic mode functions,IMFs),精准地对其进行时域和频域特征提取,减少噪声干扰和信号差异性造成的影响;再利用核主元分析(kernel principal component analysis,KPCA)算法对特征数据集进行降维;对比不同特征提取方法并验证MVMD-KPCA有效性与优势。用改进北方苍鹰优化(improved northern goshawk optimization,INGO)算法对核极限学习机(kernel extreme learning machine,KELM)的参数进行寻优,提升KELM的分类性能。最后,将降维的特征数据集输入INGO-KELM等模型中进行对比。结果表明:MVMD-KPCA方法在处理复杂、非线性数据集时表现出色,MVMD-KPCA与INGO-KELM相比于其他对比模型,此模型对万能式断路器的平均诊断精度能到达99.83%,具有更强的预测能力和稳定性。
-
关键词
万能式断路器
故障诊断
多元变经验模态分解
改进北方苍鹰优化算法
核极限学习机
-
Keywords
conventional circuit breaker
fault diagnosis
multivariate variational mode decomposition
improved north-ern goshawk optimization algorithm
kernel extreme learning machine
-
分类号
TM561
[电气工程]
-
