摘要：文中将K-means聚类算法和经验模态分解（empirical mode decomposition,EMD）相结合,对隔离开关机械故障进行诊断。为验证方法的有效性,搭建隔离开关运行状态在线监测系统,在某252 k V隔离开关的操动机构上选定位置安装了传感器,采集了机械振动等信号在模拟故障下的大量数据。首先利用小波包降噪方法对信号进行预处理;其次,应用EMD和谱分析方法对振动信号进行经验模态分解,得到IMF分量并将其能量熵作为特征量;然后,通过K-means聚类算法验证了特征提取方式的有效性;最后,通过支持向量机算法（support vector machine,SVM）对样本进行训练,实现了机械故障的准确诊断,验证了该方法的有效性。
分类：期刊> 自然科学与工程技术> 工程科技II> 电力工业
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > CA 化学文摘(美) > SA 科学文摘(英) > JST 日本科学技术振兴机构数据库(日) > 哥白尼索引(波兰) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏 > 文摘杂志
关键词：高压隔离开关 经验模态分解 能量熵 聚类 支持向量机
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
