基于分数阶RCMDE和参数优化LSSVM的开关柜故障声纹识别方法

白志路; 袁小翠; 田文超; 王嘉辉; 庞乐乐; 许文杰; 高兆

doi:10.26963/j.psce.2026.02004

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于分数阶RCMDE和参数优化LSSVM的开关柜故障声纹识别方法

更新时间：2026-04-26

- 基于分数阶RCMDE和参数优化LSSVM的开关柜故障声纹识别方法
- Vol. 42, Issue 2, Pages: 29-39+46(2026)
- 作者机构：
  
  1. 国网冀北电力有限公司张家口供电公司
  2. 南昌工程学院电气工程学院
- 作者简介：
- 基金信息：
- DOI：10.26963/j.psce.2026.02004
  CLC： TM591;TP181
- Published：2026
- 稿件说明：
移动端阅览
白志路, 袁小翠, 田文超, et al. 基于分数阶RCMDE和参数优化LSSVM的开关柜故障声纹识别方法[J]. 2026, 42(2): 29-39+46.
DOI：

白志路, 袁小翠, 田文超, et al. 基于分数阶RCMDE和参数优化LSSVM的开关柜故障声纹识别方法[J]. 2026, 42(2): 29-39+46. DOI： 10.26963/j.psce.2026.02004.

摘要

开关柜发生故障时会产生不同的异常声音，声纹识别技术可以实现对开关柜的不停电检测。提出了基于分数阶精细复合多尺度散布熵（refined composite multiscale dispersion entropy

RCMDE）和参数优化最小二乘支持向量机（least square support vector machines

LSSVM）的开关柜故障声纹识别方法。首先，提出分数阶RCMDE熵特征提取方法计算开关柜声纹信号的熵特征；其次，对瞪羚优化算法的位置更新模块进行了优化，以确定LSSVM的最优分类参数；最后，利用参数优化的LSSVM分类器对开关柜声纹数据的分数阶RCMDE熵特征进行分类，识别开关柜故障。为了验证方法的有效性，采集了开关柜正常状态、分合闸不到位导致的间歇性放电、间断放电和悬浮放电在内的4种声纹数据，并进行了分类识别。实验结果表明，所提方法对这4种样本识别的准确率和召回率最高可达100%，最低不低于97%。与其他熵特征相比，分数阶RCMDE对声纹数据特征区分度最大，参数优化后的LSSVM分类器对声纹故障分类的准确性更高。在跨域开关柜故障识别中，故障识别的准确率和召回率不低于90%，且对噪声有较好的鲁棒性。

Abstract

关键词

Keywords

references

Agushaka Jeffrey O.,Ezugwu Absalom E.,Abualigah Laith.Gazelle optimization algorithm: a novel nature-inspired metaheuristic optimizer[J].Neural Computing and Applications,2022.

Yu Guangwei,Wang Xianzhi,Da Chunlin.Compound mechanical fault diagnosis based on CMDE[J].Advances in Mechanical Engineering,2022.

Hu Kun,Jiang Hao,Ji ChenGuang,Pan Ze.A modified butterfly optimization algorithm: An adaptive algorithm for global optimization and the support vector machine[J].Expert Systems,2020.

Hamed Azami,Javier Escudero.Coarse-Graining Approaches in Univariate Multiscale Sample and Dispersion Entropy[J].Entropy,2018.

Azami Hamed,Rostaghi Mostafa,Abasolo Daniel,Escudero Javier.Refined Composite Multiscale Dispersion Entropy and its Application to Biomedical Signals.[J].IEEE transactions on bio-medical engineering,2017.

Seyedali Mirjalili,Andrew Lewis.The Whale Optimization Algorithm[J].Advances in Engineering Software,2016.

Mostafa Rostaghi,Hamed Azami.Dispersion Entropy: A Measure for Time-Series Analysis.[J].IEEE Signal Process. Lett.,2016.

高家通,康兵,许志浩,王宗耀,丁贵立,袁小翠.基于FRCMDE与IBOA-LSSVM的变压器故障声纹诊断方法[J].噪声与振动控制,2025(05).

彭倩,杨晨瀚.基于主成分分析与随机森林的电动矿卡电机故障诊断研究[J].中国工程机械学报,2025(02).

袁耀,黄克捷,陈建兴,鲍连伟,周渠.基于WSO-VMD样本熵和SSA-SVM算法的有载分接开关故障诊断方法研究[J].西南大学学报(自然科学版),2024(11).

夏金平,高莲,李鹏,陈昌川.自适应多元优化局部放电识别算法研究[J].电子测量技术,2024(14).

宋业栋,马光伟,朱小龙,张俊红.基于强化层次模糊熵的柴油机故障诊断方法[J].振动.测试与诊断,2024(04).

岑潮宇,代亮成,池茂儒,赵明花,郭兆团,曾鹏程.基于精细复合多尺度散布熵的抗蛇行减振器故障诊断[J].铁道科学与工程学报,2024(10).

包艳艳,杨广泽,陈伟,冯婷娜.基于SBSS与CNN的750 kV变压器和尖板的放电信号声纹识别[J].西南交通大学学报,2025(03).

李瑞,范玉刚.基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断[J].振动与冲击,2023(05).

姜万录,赵亚鹏,张淑清,李满.精细复合多尺度波动散布熵在液压泵故障诊断中的应用[J].振动与冲击,2022(08).

丁浩,苏志雄,王婷婷,赵振中,张周胜.基于脉冲电流和紫外测弧的开关柜局部放电缺陷识别方法[J].高电压技术,2022(11).

卓德兵,曹晖.基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别[J].工程力学,2021(09).

鄢小安,贾民平.基于层次多尺度散布熵的滚动轴承智能故障诊断[J].农业工程学报,2021(11).

吴守军,陈健,冯辅周,周超极,吴春志,卫恒.改进的熵特征在行星齿轮裂纹故障识别中的应用[J].西安交通大学学报,2021(06).

刘宏亮,丁斌,高树国,齐辉,张轩瑞,李军浩.基于宽频带脉冲电流法的变压器局部放电多端检测技术研究[J].高压电器,2018(11).

魏宏安,陈尧.基于超声波的局部放电特征提取法的研究[J].电气开关,2018(02).

李军浩,韩旭涛,刘泽辉,李彦明.电气设备局部放电检测技术述评[J].高电压技术,2015(08).

任明,彭华东,陈晓清,董明.采用暂态对地电压法综合检测开关柜局部放电[J].高电压技术,2010(10).

陈祥献,王婧頔,黄海,郭洁,洪凯星.基于Hilbert-Huang变换的电力变压器铁心压紧力监测方法[J].振动与冲击,2010(09).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

清洁能源电网大直径电缆破损故障无人机勘探研究

基于多重一致性判别的并网光伏系统故障快速辨识

动态直流微电网故障分析及保护方案研究

Related Author

吴智泉

陈克锐

杜成康

刘艳

施金龙

李景顺

甘丽芳

覃宗涛

Related Institution

国家电投集团云南国际电力投资有限公司

广西电网有限责任公司桂林供电局

广西电网公司柳州供电局

山东大学控制科学与工程学院

现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学)

AI问答

⁰