1.一種基于振動信號的框架式斷路器機械故障程度評估方法，該評估方法中振動信號為通過框架式斷路器機械故障檢測系統采集框架式斷路器分合閘過程中的機械振動信號，其特征是所述方法包括以下步驟：

第一步，將斷路器的工作模式分為正常模式、報警模式和故障模式，所述故障模式包括A相不同期、B相不同期、C相不同期、虛假合閘和分閘不徹底五種；采集斷路器不同工作模式下的分合閘動作過程中的振動信號S_v(t)，每種工作模式下均采集r個振動信號；

第二步，對采集的振動信號S_v(t)采用小波包閾值去噪算法進行去噪預處理，得到去噪振動信號S′_v(t)；

第三步，將不同工作模式下的去噪振動信號S′_v(t)進行局部均值分解，并選取d個主要PF分量：

第四步，對第三步得到的d個主要PF分量進行改進的多尺度排列熵計算，步驟如下：

4-1.將長度為N的主要PF分量x_i按照公式(11)進行粗粒化處理，得到粗?；蛄?/p>

式中：i＝1,2,…,d；j＝1,2,…,N；τ＝1,2,…,τ_max；τ_max為τ的最大值，為改進的尺度因子，τ_max大于10；

4-2.將步驟4-1得到的τ_max個粗?；蛄蟹謩e求取排列熵值，得到的排列熵值即為d個主要PF分量的改進的多尺度排列熵值

第五步，構建樣本降維特征矩陣：

按照第四步分別求出不同工作模式下去噪振動信號的d個主要PF分量的改進的多尺度排列熵值，并在每一種工作模式下將改進的多尺度排列熵值構建成一個特征向量T_T＝[MMPE₁ MMPE₂ … MMPE_d]，特征向量T_T的維數為τ_max×d，所有工作模式下共有7r個樣本，7r個樣本的所有特征向量構成樣本特征矩陣，樣本特征矩陣的維數為7r×τ_maxd；然后通過主成分分析法對樣本特征矩陣進行降維處理，降維后得到為一個維的矩陣，該矩陣即為樣本降維特征矩陣；

第六步，構建多分類支持向量機，識別工作模式：

使用第五步得到的樣本降維特征矩陣，需要進行識別的工作模式總類數為7，把某個工作模式下的數據看做正類，其余工作模式下的數據看做負類，采用“一對多”方法構建六個子支持向量機，六個子支持向量機再以高斯徑向基核函數為基礎，并采用網格搜索算法進行核參數優化，得到多分類支持向量機，通過該多分類支持向量機對斷路器的工作模式進行識別，當處于正常模式時，不需要進行任何處理，當處于報警模式時，需要提醒工作人員注意，當處于故障模式時，需要進行故障程度評估；

第七步，確定故障程度評估指標：

在經過第六步所得到的多分類支持向量機診斷出斷路器處于故障模式中的某種故障時，需要對該種故障發生的故障程度進行評估，以改進的多尺度排列熵偏均值作為故障程度評估指標，計算故障模式中A相不同期、B相不同期、C相不同期、虛假合閘與分閘不徹底故障的不同故障程度的改進的多尺度排列熵偏均值；

改進的多尺度排列熵偏均值的計算步驟如下：

7-1.確定第二步中去噪振動信號的改進的尺度因子τ′_max，τ′_max大于10；

7-2.將長度為N的去噪振動信號S′_v(t)按照公式(12)進行粗粒化處理，得到粗粒化序列

式中：t＝1,2,…,N；τ＝1,2,…,τ′_max；τ′_max為去噪振動信號的改進的尺度因子；將得到的τ′_max個粗粒化序列分別求取排列熵值，得到的排列熵值即為去噪振動信號S′_v(t)的改進的多尺度排列熵值；

7-3.根據公式(13)計算去噪振動信號S′_v(t)的改進的多尺度排列熵值的偏斜度S_ke：

其中，分別為去噪振動信號S′_v(t)的改進的多尺度排列熵值的均值、中位數和標準差；

7-4.根據公式(14)計算該去噪振動信號的改進的多尺度排列熵偏均值

第八步，構造故障程度特性曲線：

將第七步得到的所有去噪振動信號的改進的多尺度排列熵偏均值與故障程度之間建立函數關系，通過曲線擬合，得到A相不同期、B相不同期、C相不同期、虛假合閘、分閘不徹底5種故障相應的故障程度特性曲線，當需要進行故障程度評估時，經第二步對待評估振動信號進行去噪處理，然后按照第七步計算去噪振動信號的改進的多尺度排列熵偏均值，代入上述相應的故障程度特性曲線中，即可得出對應的故障程度的定量值。