本发明属于故障识别，尤其涉及一种基于多维熵距的自动转换开关故障识别方法。
背景技术：
1、自动转换开关由一个(或几个)转换开关电器和其他必需的电器组成，用于监视电源电路、可以在电路发生故障时将负载电路从一个电源自动转换至另一个电源的电器，是保证系统供电的连续性必备电器。但随着动作次数的增加以及振动和温度等环境应力的作用下，自动转换开关的健康状况会产生退化，严重时会产生机械结构卡涩等故障，使其无法正常的对电路进行切换。因此，对自动转换开关的健康状况进行检测，是近年研究的重点。
2、在故障诊断中，特征信号的选取是保证诊断准确性的前提，在自动转换开关切换电路时，其线圈电流会随着机构的动作而产生相应的变化，电流信号中包含着丰富的机械结构信息，可作为后续故障识别的依据。针对自动转换开关故障电流时域信号采集简单，但是易受其他信号的干扰且抗干扰能力较差，此外，电流信号非线性、非平稳特征导致的时域特征难以进行后续分析，因此，在频域方面进行特征提取的方法应运而生。为了更好的处理大量的检测信息，引入了信息熵的理论。传统小波分析可以将信号分析更加精细，对高频信号的处理分辨率高，但是所需处理的信息也大幅增加，小波能量熵则可以有效地减少系统的复杂度，而功率谱熵可以更好的描述电流信号发生故障时频谱能量的变化，样本熵则在处理复杂序列样本是的统计特征具有显著优势。但是仅从单信息熵进行特征提取存在偶然性，且适用范围有限无法处理复杂的多故障信号，而多特征信号融合，往往会造成噪声和冗余现象的出现。
技术实现思路
1、针对目前单信息熵方法的不足，提供一种基于多维熵距的自动转换开关故障识别方法。
2、该方法首先采集自动转化开关电磁机构的原始故障电流信号，然后将电流信号进行集合经验模态分解，提取各经验模态分量的小波能量熵，频率谱熵及样本熵，从而尽可能全面的解决单信号特征量存在的偶然性问题。为了能够对多维信号进行更好的数据融合，且消除三种信息熵不同量级的影响，对三种信息熵进行标准化处理并计算其多维熵距作为特征向量，其次选择主成分析法对所有特征向量进行降维处理以得到最终的特征矩阵。将故障特征分为多个训练样本和测试样本，然后采用训练样本对基于网格搜索-交叉验证算法优化的支持向量机的故障识别模型进行训练，采用已训练完成的故障时识模型对测试样本进行分类，最后根据分类结果识别样本的故障类型及故障程度。结果表明，本发明所提模型在检测多特征融合故障的准确率更高，在故障识别过程中具有更强的鲁棒性。
3、本发明提供的一种基于多维熵距的自动转换开关故障识别方法包括以下步骤：
4、(1)采集待诊断物体的原始故障电流信号；
5、(2)采用集合经验模态分解对原始故障电流信号进行处理；
6、(3)提取分解后的各模态分量的多维熵值并计算其多维熵距；
7、(4)将故障特征样本分为训练样本和测试样本，利用主元分析对特征矩阵进行降维处理；
8、(5)采用多个训练样本对网格搜索-交叉验证算法优化的支持向量机故障分类模型进行训练；
9、(6)采用训练完成的故障识别模型对测试样本机型分类；
10、(7)根据分类结果识别被测物体的故障类型以及程度；
11、进一步地，步骤(2)中所提取原始故障信息的进行集合经验模态分解的过程包括：
12、(2-1)将符号相反的白噪声信号成对地添加到原始信号，形成两个新的信号；
13、(2-2)对目标信号进行经验模态分解；
14、(2-3)循环步骤(2-1)和(2-2)；
15、(2-4)将上述分解结果进行总体平均运算，得到分解结果：
16、
17、其中，为被分解故障电流信号；fi(t(i＝1，2，…，n)为第i个模态分量；rn(t)为残余分量；
18、分解得到的模态分量fi(t)需要满足以下条件：
19、整个时间序列中的极值点与过零点的数量最多相差一个；
20、任何时刻通过局部极大值和局部极小值而得出的包络线的均值为零；
21、进一步地，步骤(3)中在各模态分量中提取多维熵值作为特征值的过程包括：
22、(3-1)应用能量权重及能量熵的概念，计算各模态分量f(t)与原始电流信号i(t)能量的比值将其作
23、为对应模态分量的能量权重λk，具体如下：
24、
25、根据各分量的能量权重，定义能量权重熵j如下：
26、
27、其中，h为每周期数据点数，k为第几个模态；
28、(3-2)根据样本熵的原理，计算各模态信号中产生新模式的概率；
29、将故障电流信号一个周期内n个采样点分为一组位数为m的向量序列im(1)，im(2)，…，im(n-m+1)并定义向量序列的距离为：
30、d＝maxk＝0，1，...，m-1(|i(n+k)-i(t+k)|)
31、其中d为向量序列im(n)与im(t)之间的距离；
32、对于给定的im(n)，统计im(n)与im(t)之间距离小于等于r的t的个数，记作bm(r)，令k＝m+1，此时的个数记作bm+1(r)；
33、其中bm(r)为两个序列在相似容限r下匹配m个点的概率，而bm+1(r)为两个序列匹配m+1个点的概率。样本熵定义为：
34、
35、(3-3)根据能量守恒原则，首先对原时域电流信号进行傅里叶变换，并计算频率谱序列yl在对应频率处的功率谱值si，并根据对应的对数功率来表示其对应的功率谱熵值，具体如下：
36、
37、其中，qi为第i个功率谱在整个功率谱中所占的百分比：
38、
39、进一步地，步骤(3)中对故障电流信号提取多维熵值后构建特征矩阵的过程包括：
40、将上述每一种信息熵分别看作一个维度，则这三种信息熵就被看作三个维度，由此组成了一个三维空间；
41、分别以小波能量熵、功率谱熵、样本熵作为三维空间的x，y，z轴；
42、为了消除三种信息熵不同量级的影响，对三种信息熵进行z-score标准化处理；
43、预先求出信号样本的三种信息熵的均值和标准差，再取前十个正常周期为一组样本，经z-score标准化处理，得到这组样本的三种熵值(hn，hp，hs)；
44、再将每个周期视为一个样本，同样经z-score标准化处理，则可以求出对应于每个周期的熵点(hnx，hpx，hsx)；定义三维空间距离sh为“信息熵距”有：
45、
46、选择不同状态下各变量的样本，组成特征矩阵x；
47、进一步地，步骤(4)中将故障特征样本分为训练样本和测试样本的过程包括：
48、选择非故障状态下的不同熵值的样本数据，组成训练样本矩阵xtrain：
49、
50、其中，xtrain为十个周期样本中的4种样本熵值所组成的矩阵；
51、增加故障样本的周期数并将其作为检测样本矩阵ztest；
52、
53、进一步地，步骤(4)中对训练样本和测试样本进行主元分析的过程包括：
54、(1)对xtrain，xtest进行标准化处理得到xstrain和xstest；
55、(2)求xstrain的协方差矩阵，得到u个特征值及对应特征向量p1，p2，…pu；
56、(3)建立主元分析的模型为：
57、
58、其中，ti表示第i个主元；
59、(4)利用xstest矩阵求解得到的特征值及其对应的特征向量来计算t2统计量的控制上限tucl及spe统计量的上限qucl；
60、(5)采集不同的周期的变脸矩阵，重复步骤(1)～步骤(4)，得到各个样本的t2统计量和spe统计量及对应上限tucl和qucl，作为降维后的故障特征值，总流程如图2所示；
61、进一步地，步骤(5)中采用多个训练样本对网格搜索-交叉验证算法优化的支持向量机故障分类模型进行训练过程包括：
62、(1)确定网格搜索-交叉验证算法的参数，设置c和g的搜索范围、网格搜索法的搜索步长及交叉验证的折数；
63、(2)根据搜索步长，在搜索范围内对参数c和g的值进行搜索，利用穷举法，列出所有可能的参数组合。
64、(3)根据交叉验证原理，将加速退化试验得到的性能退化数据平均分成n组，取出其中一组作为测试集，其余n-1组作为训练集，使每一组数据都充当一次测试集，共得到n个组合。在进行svm模型的训练和预测时，取n次预测结果的平均值作为最终结果。
65、(4)将测试样本输入到网格搜索-交叉验证算法优化的支持向量机的模型，输出物体故障类型和程度。
66、本发明从故障物品电流信号中提取多维信号熵，并利用多维熵距的方法实现了三种信息熵的融合。多维熵距在衡量非线性和随机突变性的时间序列上十分有效，可以准确地提取信号中的深层特征值，在信号处理及提取故障特征方面有着较好的创新型。此外，基于多维熵距提取特征与网格搜索-交叉验证算法优化的支持向量机相结合，可以使该故障识别模型能够保持较高的准确率。本发明有以下显著特点：
67、(1)本发明所提的多维熵距提取特征向量，消除了单特征量偶然性的影响，可以有效避免传统特征提取时易产生的误判现象，同时所采用的主元分析技术对多维样本熵进行降维处理，可以减少多维特征融合带来的噪声与冗余。
68、(2)本发明所提的网格搜索-交叉验证算法优化的支持向量机是一种智能算法，能够有效地解决对支持向量机参数设置时人工操作的耗时多和精度差的问题，并有效地提高故障识别率。
69、(3)本发明将基于多维熵距提取特征向量算法与网格搜索-交叉验证算法优化的支持向量机相结合，系统性地提出了一种新的故障诊断方法。