卷積神經(jīng)網(wǎng)絡(luò)高壓斷路器故障診斷方法

前言：想要寫(xiě)出一篇引人入勝的文章？我們特意為您整理了卷積神經(jīng)網(wǎng)絡(luò)高壓斷路器故障診斷方法范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

摘要：高壓斷路器分合閘過(guò)程中的振動(dòng)信號(hào)反映其機(jī)械結(jié)構(gòu)信息。針對(duì)故障診斷中特征提取復(fù)雜、準(zhǔn)確率低，提出一種基于多尺度一維卷積神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷方法。首先通過(guò)加速度傳感器采集斷路器操作機(jī)構(gòu)的振動(dòng)信號(hào)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，在卷積過(guò)程中采用不同尺寸卷積核對(duì)信號(hào)進(jìn)行多特征提取，增加感知范圍，然后以全值Top-k作為池化層對(duì)特征進(jìn)行處理，最后采用Softmax將診斷結(jié)果進(jìn)行分類(lèi)。通過(guò)調(diào)整參數(shù)及多尺度模型，對(duì)不同故障下35kV高壓斷路器的振動(dòng)信號(hào)進(jìn)行分析。結(jié)果表明，所提出的算法與一維卷積神經(jīng)網(wǎng)絡(luò)相比診斷準(zhǔn)確率高。

關(guān)鍵詞：高壓斷路器；故障診斷；一維卷積神經(jīng)網(wǎng)絡(luò)；多尺度特征

高壓斷路器是電力系統(tǒng)中重要的設(shè)備，起到控制和保護(hù)電網(wǎng)的作用，在電網(wǎng)正常運(yùn)行或異常事件發(fā)生時(shí)，及時(shí)安全地接通或者切斷載荷。高壓斷路器可靠運(yùn)行是電網(wǎng)可靠穩(wěn)定的重要前提與基礎(chǔ)，一旦高壓斷路器發(fā)生故障可造成巨大的經(jīng)濟(jì)損失和社會(huì)影響[1-2]。目前，高壓斷路器的檢修模式仍為定期巡檢與事故后維修，其檢修缺乏明確目標(biāo)，并且在檢修過(guò)程中可能會(huì)由于整體拆卸與裝配造成特性差異導(dǎo)致嚴(yán)重后果，所以有必要對(duì)其動(dòng)作特性進(jìn)行分析。根據(jù)國(guó)內(nèi)外可靠性統(tǒng)計(jì)分析表明高壓斷路器故障中的80%以上都是由于機(jī)械性能和電氣控制回路所導(dǎo)致的[3-4]。高壓斷路器操作機(jī)構(gòu)振動(dòng)信號(hào)為非周期非平穩(wěn)信號(hào)，首先通過(guò)對(duì)其進(jìn)行信號(hào)降噪、平滑和分解等預(yù)處理，然后通過(guò)小波變換、能量熵或經(jīng)驗(yàn)?zāi)B(tài)分解等方式進(jìn)行特征提取，最后通過(guò)反向傳播（BP）神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)（SVM）等方式對(duì)特征進(jìn)行分析后將故障分類(lèi)輸出結(jié)果，對(duì)檢修提出意見(jiàn)。然而，模式分類(lèi)等機(jī)器學(xué)習(xí)方法具有需要人工提取特征、易于陷入局部最優(yōu)解、對(duì)函數(shù)表達(dá)有限等缺點(diǎn)。深度學(xué)習(xí)被廣泛應(yīng)用在圖像識(shí)別、自然語(yǔ)言識(shí)別等領(lǐng)域，文獻(xiàn)[5]通過(guò)分析振動(dòng)信號(hào)的小波時(shí)頻圖對(duì)故障進(jìn)行分類(lèi)。一維振動(dòng)信號(hào)轉(zhuǎn)化為二維形式時(shí)會(huì)丟失故障信息，對(duì)結(jié)果造成影響。針對(duì)上述問(wèn)題，并根據(jù)高壓斷路器一維振動(dòng)信號(hào)特點(diǎn)，本文提出一種多尺度卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法，構(gòu)建不同尺度的卷積核，寬距感知特征后選取Top-K個(gè)特征，將其合并，最后輸出分類(lèi)結(jié)果。通過(guò)數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整，得到最優(yōu)模型，提高了高壓斷路器故障診斷精度。

1多尺度卷積神經(jīng)網(wǎng)絡(luò)

1.1卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）[6]由多層感知器構(gòu)成，在不對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理的情況下，即可得到輸出。通常由輸入層、隱層和輸出層構(gòu)成，其中隱層包含卷積層、池化層和全連接層，如圖1所示。卷積層通過(guò)卷積核將輸入的信號(hào)進(jìn)行局部卷積運(yùn)算，滑動(dòng)卷積核將本層所有數(shù)據(jù)進(jìn)行特征提取，其公式如下：式（1）中：ljx為在第j次卷積是l層中的特征值；f為激活函數(shù)；*為卷積過(guò)程；k為卷積過(guò)程的權(quán)重；ljb為卷積核偏置。激活函數(shù)目前常用ReLU函數(shù)，其公式為：池化層的作用是防止過(guò)擬合，通過(guò)下采樣的方式，將數(shù)據(jù)進(jìn)行壓縮，并保持其不變。常用的池化方式有平均池化和最大池化。全連接層通過(guò)矩陣乘法將之前網(wǎng)絡(luò)卷積及池化的結(jié)果映射到樣本空間。

1.2多尺度卷積神經(jīng)網(wǎng)絡(luò)

單一尺度的卷積核容易忽略小長(zhǎng)度的重要特征，通過(guò)多次卷積和池化，對(duì)特征進(jìn)行提取，并輸出到全連接層。一般進(jìn)行2次全連接層，第一層全連接層將所有特征向量輸出為一維數(shù)據(jù)，第二層全連接層輸出到Softmax分類(lèi)器，對(duì)結(jié)果進(jìn)行輸出。針對(duì)高壓斷路器一維振動(dòng)信號(hào)的特點(diǎn)，不同故障所在位置不同，會(huì)受到噪聲影響等，對(duì)傳統(tǒng)CNN網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過(guò)增加卷積核獲得寬范圍的故障特征感知域，不是將網(wǎng)絡(luò)變得更深而是將網(wǎng)絡(luò)的寬度增加，本文構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。采用若干個(gè)大小不同的卷積核及不同層數(shù)的卷積層，對(duì)原始數(shù)據(jù)進(jìn)行滑動(dòng)特征卷積，其中卷積核的大小依次增大，提取到不同感知域下的特征，通過(guò)ReLU函數(shù)對(duì)其進(jìn)行激活，加速度傳感器所采集的振動(dòng)信號(hào)有正最大值和負(fù)最大值，如圖3所示。普通的池化層不能完全提取其特征，K-MAXPooling可以對(duì)卷積層中特征按照先后順序進(jìn)行K個(gè)取值，通過(guò)正負(fù)疊加，獲得2K個(gè)特征值，輸出到全連接層進(jìn)行特征組合，輸入到Softmax分類(lèi)器中，進(jìn)行故障類(lèi)別的分類(lèi)和預(yù)測(cè)。

1.3故障診斷流程

利用多尺度卷積神經(jīng)網(wǎng)絡(luò)對(duì)高壓斷路器進(jìn)行故障診斷，流程如圖4所示，診斷步驟具體為：①將振動(dòng)信號(hào)進(jìn)行預(yù)處理，分為訓(xùn)練集和測(cè)試集，作為輸入；②建立多尺度卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置初始化網(wǎng)絡(luò)參數(shù)及超參數(shù)；③根據(jù)訓(xùn)練結(jié)果得到的模型，計(jì)算出各卷積核卷積輸出結(jié)果，并通過(guò)前向傳播計(jì)算，進(jìn)行迭代，直到小于閾值；④將測(cè)試集中的數(shù)據(jù)與得到的模型進(jìn)行特征分析，對(duì)模型的故障分類(lèi)能力進(jìn)行評(píng)估。

2數(shù)據(jù)采集

本文以1臺(tái)35kV戶(hù)外真空高壓斷路器為試驗(yàn)對(duì)象，如圖5所示，在空載狀態(tài)下，將加速度傳感器置于斷路器操作機(jī)構(gòu)本體處采集信號(hào)。采樣頻率為200kHz，設(shè)置采樣時(shí)間為600ms，以電流傳感器作為信號(hào)觸發(fā)并采集數(shù)據(jù)。采用采樣方法進(jìn)行預(yù)處理，將數(shù)據(jù)擴(kuò)大為采樣頻率為10kHz的一維數(shù)據(jù)，作為原始數(shù)據(jù)進(jìn)行輸入。對(duì)不同工況下的信號(hào)進(jìn)行標(biāo)記，將20%作為測(cè)試集，80%作為訓(xùn)練集。模擬正常工況、控制線圈回路電壓高、分閘彈簧疲勞（弱）和分閘彈簧疲勞（強(qiáng)），共計(jì)4類(lèi)不同的運(yùn)行狀態(tài)的振動(dòng)信號(hào)，如表1所示。

3診斷過(guò)程及分析

3.1診斷過(guò)程原始數(shù)據(jù)輸入1*3000的一維振動(dòng)信號(hào)，設(shè)置epochs為20，對(duì)訓(xùn)練集的中所有數(shù)據(jù)進(jìn)行20次迭代，dropout為0.5，batchsize為50，學(xué)習(xí)率設(shè)置為0.001，采用交叉熵?fù)p失函數(shù)，通過(guò)對(duì)不同卷積核個(gè)數(shù)及不同卷積核尺寸的訓(xùn)練，設(shè)置卷積核個(gè)數(shù)為2、3、4、5、6、7，卷積核層數(shù)為32、64、128，Top-K取值為4、5、6、7、8、9時(shí)。取每次實(shí)驗(yàn)中的5組測(cè)試集輸出的結(jié)果作平均值，得到故障診斷準(zhǔn)確率有以下特征：隨著卷積核個(gè)數(shù)的增加，準(zhǔn)確率提升，相應(yīng)的訓(xùn)練時(shí)間增加，卷積核層數(shù)為64時(shí)準(zhǔn)確率最高，隨著特征提取個(gè)數(shù)增加準(zhǔn)確率先增大后下降，其中當(dāng)K取7時(shí)訓(xùn)練用時(shí)短且準(zhǔn)確率高。設(shè)置卷積核個(gè)數(shù)為5個(gè)層數(shù)，為64層時(shí)，取K=7網(wǎng)絡(luò)泛化能力最好，其混淆矩陣如圖6所示。通過(guò)混淆矩陣可得，對(duì)于正常運(yùn)行狀態(tài)下的高壓斷路器，多尺度卷積神經(jīng)網(wǎng)絡(luò)可以100%識(shí)別，分閘彈簧不同疲勞程度下，其故障分類(lèi)不明顯，會(huì)錯(cuò)誤輸出正?；蚱?，影響檢修意見(jiàn)。得出故障診斷準(zhǔn)確率為97.5%。

3.2對(duì)比實(shí)驗(yàn)對(duì)比

1DCNN輸入層為1*3000，進(jìn)行3次卷積，3次池化，并通過(guò)Maxpooling輸出到Softmax對(duì)振動(dòng)信號(hào)進(jìn)行分析，其準(zhǔn)確率為84.25%。多尺度卷積神經(jīng)有較高的準(zhǔn)確率。

4結(jié)論

針對(duì)高壓斷路器非平穩(wěn)振動(dòng)信號(hào)特征提取困難、特征向量識(shí)別準(zhǔn)確率不高的問(wèn)題，本文提出了一種基于多尺度一維卷積神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷方法，通過(guò)采集斷路器分合閘操作機(jī)構(gòu)本體的振動(dòng)信號(hào)，對(duì)其進(jìn)行特征提取，能準(zhǔn)確識(shí)別故障類(lèi)型。其特點(diǎn)如下：①無(wú)須專(zhuān)家經(jīng)驗(yàn)即可提取原始振動(dòng)信號(hào)的故障特征，泛化能力強(qiáng)；②相比傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)，本文提出的方法更符合振動(dòng)信號(hào)特點(diǎn)，識(shí)別精度更高；③提出了多尺度卷積核，全值Top-K池化層，增大了卷積過(guò)程的感知域，提高了故障診斷的精度與可靠性。實(shí)際運(yùn)行中的高壓斷路器型號(hào)多，其正常運(yùn)行數(shù)據(jù)多，故障少，由于樣本不平衡在訓(xùn)練中會(huì)出現(xiàn)過(guò)擬合等現(xiàn)象，且故障狀況與實(shí)驗(yàn)室模擬有一定差距，應(yīng)針對(duì)不同型號(hào)及不平衡樣本進(jìn)行深入的泛化研究。

作者:李少鵬 單位:華北電力大學(xué)