1.基于PCA‑SVM的高压断路器故障诊断方法，具体步骤如下，其特征在于,步骤1：检测不同机械故障下高压断路器在运行过程中的分合闸线圈电流，同时使用阵列式传感器检测断路器横梁的振动信号，得到多个通道的断路器横梁的振动信号，并建立高压断路器电流信号和振动信号的数据库；

步骤2：提取高压断路器电流信号和不同通道振动信号的时域特征和频域特征；同时将电流信号特征分别与不同通道的振动信号特征融合后，分别使用PAC优化电流信号和振动信号特征，得到多组优化后的特征；

步骤2中提取信号时域特征和频域特征如下：

高压断路器在运行过程中，分合闸线圈电流的变化反映了铁芯的运动状态变化，设检测到的分合闸线圈电流信号为I(n)，n＝1,2,...,N，N是信号的采样数，分合闸线圈电流信号可分为四个阶段：0～T1时刻,该阶段线圈开始通电，电流呈指数上升；T1～T2时刻，该阶段铁芯开始运动，线圈电流减小；T2～T3时刻,该阶段铁芯停止运动，电流上升；T3～结束时刻，线圈电流切断，电流迅速减小；

不同时刻分合闸线圈电流信号的极值点特征提取：

Yp＝|I|max    (1)

不同时刻分合闸线圈电流信号的峰峰值特征提取：

Ypp＝Imax‑Imin   (2)

其中Imax是不同时刻分合闸线圈电流信号的最大值，Imin是不同时刻分合闸线圈电流信号的最小值；

分合闸线圈电流信号的面积特征提取：

分合闸线圈电流信号的能量特征提取：

分合闸线圈电流信号的功率谱估计P(k)：

2

其中u(n)是均值为0的白噪声，方差是σ，p是AR模型的阶数，H(z)是AR模型系统的转移函数；

当断路器合闸弹簧释放存储能量时，会导致弹簧操作机构的连杆带动触头运动，包括传动机构的启动、运动、缓冲和撞击，而高压断路器横梁振动信号的波形则反映了机构运动状态；然而在实际测量振动信号过程中，一个振动传感器往往很难满足测量要求，因此本发明使用阵列式振动传感器检测横梁的振动信号，假设每个通道的振动信号是y(t)；

横梁振动信号特征的提取，将在振动信号的包络线上提取特征，使用希尔伯特变换提取不同通道振动信号的包络线:将振动信号进行希尔伯特变化：

z(t)是振动信号y(t)的解析信号，则振动信号的包络是：提取不同通道振动信号包络线的特征有：均值、峰值、均方根、功率谱估计；

步骤2中PAC优化电流信号和振动信号特征如下：

将分合闸线圈电流信号特征与不同通道振动信号特征组成特征样本集Di＝{x1,x2,...,xm}i＝1,2,...,k，k是振动信号通道数，m是提取的特征个数；

分别对每个特征样本集Di做主成分分析，首先对其进行中心化操作，然后设在进行投影变换后的坐标系是{ω1,ω2,...,ωm}，其中ωi,i＝1,2,...,d是一组标准正交向量基，满足||ωi||2＝1，则样本xi在低维坐标系中的投影坐标为zi＝(zi1,zi2,...,zid')，其中d'＜d，可基于zi得到xi的重构样本原始样本xi与基于投影得到的重构样本 之间的距离可以表示为：式中，const是常数，W＝(ω1,ω2,...,ωd)，根据最近重构性原则，对式12进行最小化操作，由于ωj是标准正交向量基， 是协方差矩阵，可以得到如下式的主成分分析的优化目标：T

其中XX是样本xi的协方差矩阵，I表示单位矩阵，利用拉格朗日乘子法对式13作变换后可得下式：T

XXωi＝λiωi   (14)

T

最后对协方差矩阵XX作特征值分解，然后将得到的特征值按照由小到大的顺序进行排opt序，最后取前n个包含98％信息的最大特征值对应的特征向量，构成新的特征向量矩阵W＝(ω1,ω2,...,ωn)就是主成分分析的最优解，做k次主成分分析后，最终可得k组最优解；

步骤3：将数据库采集的信号划分为训练样本和测试样本，并将优化后的多组训练样本特征当作SVM的输入向量，训练SVM分类器，得到对应的SVM分类器，再使用测试样本得到SVM分类器的高压断路器故障识别率；

步骤3中训练SVM分类器如下：

将经过PCA优化后的样本特征组成k个样本特征集(xi,yi)j，其中j＝1,2,...,k，i＝1,

2,…,n，n是训练样本的个数，y∈{‑1，1}是类别标号，通过“间隔最大化”学习策略学习得到k个分类的最优超平面为：ω·x+b＝0  (15)

式中ω是法向量，决定了超平面的方向，b是位移量，决定超平面与原点距离，相应的线性分类函数的一般形式为：f(x)＝ω·x+b   (16)

同时最优超平面使所有样本点满足：

f(x)|≥1    (17)

SVM的支持向量是使式17成立的样本点，找到支持向量后，可将数据分为两类；SVM模型采用高斯径向基核函数，其中高斯径向基核函数函数如下：在分类时，SVM算法通过核函数将样本数据从低维特征空间非线性的映射到高维特征空间中，在高维特征空间里找出间隔最大化的最优超平面，非线性分类函数为：SVM算法本身是个二分类模型，同时构造多个二分类模型可解决多分类问题，当有n个类别时，一组SVM分类器需要设计n(n‑1)/2个SVM模型，最终训练k个SVM分类器；

步骤4：对于一个未知目标类别的高压断路器电流信号和不同通道的振动信号，按照步骤2提取对应特征，在优化特征后送入已训练的SVM分类器中，得到在不同SVM分类器下的后验概率pij，通过后验概率投票得到高压断路器故障的最终类别；

步骤4中投票法SVM故障识别如下：

对于一个未知高压断路器故障的分合闸线圈电流信号和不同通道的振动信号，按照步骤2提取对应特征，在优化特征后送入已训练的SVM分类器中，得到分合闸线圈电流信号和不同通道的振动信号A在不同SVM分类器下属于各个类别的后验概率pij,i＝1,2,…,k,j＝

1,2,…,n，k是SVM分类器个数，n是高压断路器故障种类；将所有SVM分类器上得到的各个类别的厚颜概率组成后验概率矩阵P(A):对于矩阵元素pij表示第i个SVM分类器对于未知类别高压断路器故障信号属于第j类的概率；

再取后验概率矩阵P(A)第i行中最大值所在的序列号作为第i个SVM分类器对于未知类别高压断路器故障的类别，即：Classi(A)＝max(pij)i＝1,2,…,k j＝1,2,…,n  (21)统计所有k个分类器识别分合闸线圈电流信号和不同通道的振动信号A属于各类高压断路器故障的频数，将具有最大频数所在的类别确定为分合闸线圈电流信号和不同通道的振动信号A的类别；

步骤5：使用数据库对高压断路器的分类结果进行相关数据存储，对于故障类别错分的情况，数据库将相关数据发送至上位机，并对现有模型进行优化升级，从而不断提高模型的分类精确度。