基于图像特征和深度学习的接触器运行状态在线识别方法

本发明公开一种基于图像特征和深度学习的接触器运行状态在线识别方法，首先采集不同运行状态下接触器在动作过程中的振动和声信号；然后，计算严重磨损触头碰撞过程中信号的特征频率，将该特征频率作为附加频率成分；对振动和声信号进行CEEMDAN分解，得到多个IMF分量；计算各个IMF分量的主要频率，剔除包含附加频率成分的IMF分量；计算剩余各个IMF分量与原始信号之间的相关系数和能量值；保留相关系数和能量值均大于平均值的IMF分量，得到振动和声信号的有效模态分量；接着，利用智能优化算法对SDP转换技术的时间间隔参数和角度放大因子进行优化，根据优化后的参数，利用振动信号和声信号的有效模态分量生成SDP图像，得到不同运行状态的多张SDP图像；最后，构建状态识别模型并进行训练，将训练后的模型用于状态识别。该方法避免了干扰成分对有效模态的影响，同时提升了SDP图像的特征表达效果，提高了识别精度。