1.一种高压隔离开关机械故障判别方法，其特征在于，包括如下步骤：S1：通过模拟实验获取高压隔离开关合闸过程中不同状态的力矩曲线，所述状态包括正常、主动极关节卡涩、主轴卡涩、A相不同期、C相不同期、合闸不到位、机构松动；

S2：提取S1所得力矩曲线的特征组成样本集；

S3：构建神经网络并利用S2所得样本集进行训练得到判别模型；

S4：利用S3所得判别模型对实测的力矩信号进行故障判别。

2.根据权利要求1所述的一种高压隔离开关机械故障判别方法，其特征在于，所述力矩曲线的采样频率为fs，采样点数为m，每个数据点对应力矩大小为TNi，i＝1,2,3...m，即力矩曲线 表示为 每种状态测取k组曲线，一共测取N组曲线，N＝z×k，其中，r表示状态类型，r＝1,2,3...z，n表示第r种状态类型下的第n条力矩曲线，n＝1,2,3...k。

3.根据权利要求1所述的一种高压隔离开关机械故障判别方法，其特征在于，步骤S2包括以下步骤：S21：计算正常状态下力矩曲线在各个时刻的平均值形成参考力矩曲线sref；

S22：将S1所得不同状态下的力矩曲线与参考力矩曲线进行作差比较，获得每一时刻对应的实际偏差，形成偏差曲线S23：将偏差曲线分成前、中、后三个时段，分别记为T1、T2、T3；

1

S24：计算偏差曲线在T1时段内数据的平均值记为λ，在T2时段内数据的方差记为σ，在

2 1 2

T3时段数据的平均值记为λ，而后将[λ，σ，λ]作为力矩曲线的特征，按照力矩曲线状态类型的顺序提取所有力矩曲线的特征，组成样本集，记为S。

4.根据权利要求3所述的一种高压隔离开关机械故障判别方法，其特征在于，步骤S23中T1、T2和T3的划分方法包括：选取某一正常状态下的力矩曲线 前len1个数据

点，其中len1≈0.5fs，将len1个数据点记为一个时间窗，同时将len1记为该时间窗的窗长，其包含的数据点为{(1,TN1)，(2,TN2)，(3,TN3)...(len,TNlen1)}，求该时间窗内所有数据点大小的平均值Avg，其中若Avg大于或等于设置的参考力矩TNref1，即Avg≥TNref1，则该时间窗内的最后一个数据点(len1,TNlen1)即为力矩曲线T1时段与T2时段的分界点，对应偏差曲线第len1个数据点就是偏差曲线T1时段与T2时段的分界点，若Avg

选取某一合闸不到位状态下的力矩曲线 将该力

矩曲线所含数据点调换前后顺序得到新的力矩曲线

，其中

TNt'＝TNm‑t+1(t＝1,2,3...m)

按照T1时段与T2时段的划分方法划分力矩曲线 的T2时段与T3时段，只需要更改窗长len2≈0.2fs，步长step2＝step1，参考力矩TNref2＝TNref1，按以上步骤获得力矩曲线 的T2时段与T3时段的分界点，再根据TNt'与TNm‑t+1的对应关系获得力矩曲线 的T2时段与T3时段的分界点。

5.根据权利要求1所述的一种高压隔离开关机械故障判别方法，其特征在于，步骤S3包括以下步骤：S31：设置神经网络的目标输出；

S32：设置神经网络的层数以及输入层、隐含层和输出层神经元个数；

S33：设置神经网络的激活函数；

S34：对样本集和神经网络参数进行初始化，其中神经网络参数包括权重、迭代次数、目标误差以及学习率；

S35：对神经网络进行训练得到故障判断模型。

6.根据权利要求5所述的一种高压隔离开关机械故障判别方法，其特征在于，所述S31包括：将样本集中的特征样本顺序随机排列作为新的样本集S’，再将样本集S’中各个特征样本对应的标签以one‑hot格式进行编码，将编码结果作为神经网络的目标输出；

所述S32包括：设置神经网络层数为Q(Q≥3)，根据高压隔离开关的每个样本所含特征数量确定输入层神经元个数为3，根据高压隔离开关状态类别数确定输出层神经元个数，隐含层神经元个数根据如下公式确定：其中Lj为第j个隐含层神经元个数，p为输入层神经元个数，q为输出层神经元个数，h为常数，取值在1～10之间；

所述S34包括：对样本集做均值和方差的标准化处理：

其中，X代表样本集中某个具体的样本特征，mean(X)表示对样本特征X求取平均值，std(X)表示对样本特征X求取标准差， 表示标准化处理后的样本特征；

神经网络权重W、b的初始化从区间 中均匀随机取值，其中v为所在层的神经元个数；

所述S35包括：将样本集输入神经网络模型中，使用交叉熵损失函数计算神经网络目标值与输出值间的误差，并使用反向传播算法对神经网络进行训练，每完成一次正向传播就记录一次训练误差，并根据每次训练误差更新网络参数W、b，同时，对所记录的训练误差累计求和，记为Err，当完成一次样本集的训练后，比较Err与目标训练误差的大小，若Err>目标训练误差，则继续下一轮迭代更新，若Err<目标训练误差，则退出循环，完成神经网络的训练，若迭代次数达到最大迭代次数，则调整学习率μ或神经网络隐含层数量Q或隐含层神经元数量l，重新进行训练直至Err<目标训练误差。

7.根据权利要求1所述的一种高压隔离开关机械故障判别方法，其特征在于，所述步骤S4包括：将实测力矩信号进行特征提取以及标准化处理，再将标准化处理的特征输入训练好的故障判断模型中，输出向量Y，利用max(Y)结合状态类别标签判断实测力矩信号所对应的高压隔离开关状态。

8.一种高压隔离开关机械故障判别装置，其特征在于，包括样本集制作模块、模型构建训练模块以及故障判别模块；

所述样本集制作模块先通过模拟实验获取高压隔离开关合闸过程中不同状态的力矩曲线，再提取力矩曲线的特征组成样本集；

所述模型构建训练模块用于构建神经网络并利用样本集制作模块所制作的样本集进行训练得到判别模型；

故障判别模块用于利用模型构建训练模块所得判别模型对实测的力矩信号进行故障判别。

9.根据权利要求8所述的一种高压隔离开关机械故障判别装置，其特征在于，所述样本集制作模块包括参考力矩曲线计算单元、偏差曲线计算单元、偏差曲线划分单元、特征提取单元；

所述参考力矩曲线计算单元用于计算正常状态下力矩曲线在各个时刻的平均值形成参考力矩曲线sref；

所述偏差曲线计算单元用于将所得不同状态下的力矩曲线与参考力矩曲线进行作差比较，获得每一时刻对应的实际偏差，形成偏差曲线所述偏差曲线划分单元用于将偏差曲线分成前、中、后三个时段，分别记为T1、T2、T3；

1

所述特征提取单元用于计算偏差曲线在T1时段内数据的平均值记为λ，在T2时段内数

2 1 2

据的方差记为σ，在T3时段数据的平均值记为λ，而后将[λ，σ，λ]作为力矩曲线的特征，按照力矩曲线状态类型的顺序提取所有力矩曲线的特征，组成样本集，记为S。