关键词：10 kV断路器;机械故障诊断;声纹识别;噪声分离;双层长短期神经网络(Bi-LSTM)
摘 要：针对基于声纹特征的10 kV断路器机械故障模型易受环境噪声影响，识别准确率低，识别时间过长的问题，提出了一种基于改进FastICA和Bi-LSTM多特征混合的10 kV断路器机械故障声纹诊断方法。首先，采用皮尔逊系数对Fast ICA算法进行改进，利用改进的Fast ICA算法对采集的声音进行噪声分离，提取纯净的10 kV断路器状态声纹信号；然后，通过傅里叶变换分析10 kV断路器各种状态下频域信息，依据分析结果选取合适的时域、频域、声学特征，并通过差异度分析，选取贡献度大的特征构成一维混合特征；最后，将混合特征作为诊断依据，建立基于Bi-LSTM的故障分类模型。结果表明，该方法能够有效识别出10 kV断路器常见的8种机械故障和正常分合闸，识别准确率可达99.3%，满足电网对电气设备故障诊断的准确性要求。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取