基于深度极限学习机的高压电气设备失效自动判定方法

摘要

由于高压电气设备内部结构复杂、运行环境多变且易受外部因素干扰，导致难以捕捉设备运行模态特征，从而实现失效判定。为提高设备故障诊断效果，提出基于深度极限学习机的高压电气设备失效自动判定方法。通过采集设备的振动、温度等物理参数，并利用Mean Shift算法进行非参数化聚类。通过迭代更新均值漂移向量，根据聚类结果识别不同模态状态。利用Fisher Score计算各特征参数与设备状态标签之间的线性相关性，并排序。采用最大信息系数分析特征间的非线性冗余性，实现设备模态特征筛选。构建深度极限学习机模型(deep extreme learning machine, DELM),结合新特征向量的预测结果以及阈值比较结果，对设备失效状态进行判定。在实验中，对提出的方法进行了判定准确性的检验。最终的测试结果表明，采用提出的方法对设备失效状态进行判定时，判定结果的kappa系数更高，具备较为理想的判定效果。

关键词

深度极限学习机 / 电气设备 / 失效判定 / 故障检测 / 特征筛选 / 均值漂移聚类