陈 尚，韩 军，代志强

（国网北京房山供电公司，北京 房山 102401）

0 前言

根据国际大电网会议（CIGRE）对高压断路器可靠性进行的两次世界范围内的调查以及我国对高压开关事故的统计分析表明在高压断路器所有故障中80%的故障是属于机械性质的[1]，由此可见为提高高压断路器运行可靠性以及保证电网质量有必要对其机械故障进行诊断，及时了解其运行状况。在高压断路器分、合闸过程中会发生机械的摩擦和撞击并伴随有巨大的声响，由此而产生的声波信号中蕴含了大量的机械状态信息，同时声波具有可通过非接触测量方法获得并且适合在高电压和强电磁环境中应用的特点，因而可以把高压断路器分、合闸过程中所产生的声波信号作为高压断路器机械故障诊断的依据[2]。

在以往的故障诊断中人们最常用的方法是人工神经网络ANN（artificial neural network）和支持向量机SVM（support vector machine），但是二者在某些方面存在着固有的缺陷：局部最优问题和维数灾难问题影响了ANN算法的精度，同时ANN具有算法收敛速度慢、易于陷入局部最小的缺陷；SVM存在规则化系数确定困难、核函数必须满足梅西定理条件等固有局限[3，4]。多分类相关向量机M-RVM（multiclass relevance vector machine）是由Damoulasy于2008年提出的一种采用分层贝叶斯结构模型的统计学习算法，与ANN和SVM相比[5]：M-RVM的稀疏性更强，计算复杂度低，测试时间短；可以直接实现多分类，并输出各类别成员概率，因此能够提供更多的决策信息。

集合经验模态分解EEMD（ensemble empirical mode decomposition）作为一种能够处理非线性、非平稳信号的新型信号处理方法非常适合对声波信号进行处理分析。……