专业英语翻译

云淡

4.1 特征参数提取
以某一22KV少油断路器做测试，振动传感器安装在断路器各相基座支撑角铁内侧。在无负载情况下利用断路器自身的润滑不足测试时间延迟类故障；松动A相基座螺丝，模拟基座螺丝松动状态；利用安装于断路器控制箱内的在线监测数据采集器采集基座振动数据。各状态下控制断路器连续动作3次，共得到A相6组数据，同时利用断路器运行之初得到的正常状态下的振动信号。其中A相原始振动信号如图2所示，从上到下依次为正常状态信号、螺丝松动（故障I，3个信号）、时间延迟（故障II，3个信号）情况下操作信号。
首先利用小波变换分别对采集数据进行小波软阈值去噪处理[2]，根据去噪效果经过多次试验后选取阈值为2.1，得到去噪后重构的振动信号如图3所示，可以看出去噪效果明显；对各组去噪后的数据进行3层小波包分解，以Daubechies10 小波[2]作为小波基函数；然后以第三层各节点系数重构信号，并利用Hilbert变换分别对第3层的8个节点重构信号求取包络。
这里首先处理正常状态标准信号。对小波包分解第3层各节点包络信号按照能量相等的原则将各节点时间轴分成15段，各节点分段时间点见表1。从表1可以明显看出，断路器动作过程中的撞击事件所处的分段间隔较小，最小的甚至只有5ms；而其他平坦处分段间隔较大，这也就使得这种分段方式可以在各频段范围内检测出各撞击事件发生时刻的偏移，从而可以使用一个参数同时在时域和频域内反映振动信号的变化。
对每段信号分别按照表1对应节点分段方式求取各分段能量，并按照式(3)、式(4)计算特征熵向量 ，计算结果见表2。观察特征熵向量可以发现，正常信号熵向量各元素分布比较均匀，而故障信号所得熵向量各元素普遍小于正常情况，且各元素分布较散，这也说明在故障状态下各频段能量的分布与正常状态相比明显受到干扰，可以以此作为判断断路器有无故障的判据；同时还可以发现，螺丝松动故障各信号所得熵普遍小于时间延迟类故障。
4.2 支持向量机与神经网络识别效果比较
使用LS-SVMlab支持向量机分析工具箱，在MATLAB环境内采用“一对其余”策略[6][8]训练样本，将一种状态下的样本与其余状态样本组合，共构建3个支持向量机，最终结果由分类距离最大的向量机决定；向量机输入为7×8（表2）矩阵，训练目标矩阵7×3，在目标矩阵里，定义有该故障为+1，无该故障为-1。选择径向基函数为核函数， =0.2，gam=25，训练、测试过程及其迅速，结果如表3。表中数据显示，支持向量机能够完全正确的实现断路器各状态的分类，各类别区分明显。另外，更换其它核函数如：线性核、多项式核训练向量机，结果两种情况下不是分类效果不好，就是根本不能正确分开。
为比较支持向量机与神经网络在状态识别中的特性差别，同时列出利用MATLAB神经网络工具构造如图4所示的单隐层BP神经网络的训练测试情况。网络输入层8个神经元，输出层3个神经元，转移函数全为tan-sigmoid，根据训练情况选择隐层神经元数目和步长；设定训练函数为traingd，期望误差0.01。

helenqtxz

这么多，要收费的啊。