一种基于深度学习的万能式断路器附件故障诊断方法技术

本发明专利技术为基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，考虑到分合闸线圈电流信号的特点，采用自适应一维深度卷积神经网络，并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域；然后，利用特征提取层对电流信号进行自适应特征提取；最后，利用Softmax分类器输出故障诊断结果。分合闸附件的故障诊断结果表明，本发明专利技术不仅能对不同合闸相角下同一故障进行有效识别，而且在泛化实验中仍能保持较高的故障识别率，能够有效克服合闸相角变化对故障诊断结果的影响。

A Fault Diagnosis Method for Accessories of Universal Circuit Breaker Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的万能式断路器附件故障诊断方法
本专利技术涉及低压万能式断路器分合闸附件的故障诊断方法，更具体的说是涉及一种基于深度学习的万能式断路器分合闸附件的故障诊断方法。
技术介绍
万能式断路器是低压配电系统中的保护和控制设备，其健康状态对配电系统的性能、稳定性有着巨大的影响，因此对其日常维护至关重要。分合闸附件作为断路器的关键部件，其正常工作是断路器可靠运行的关键保证。但是，在断路器长期的运行过程中，分合闸附件往往会出现不同类别的机械故障，影响断路器的正常工作。鉴于此，为提高万能式断路器运行可靠性，对分合闸附件动作过程中可能出现的故障进行有效的监测、分析以及诊断具有十分重要的意义。在故障诊断中，特征信号的选取是实现诊断目标的前提，断路器在分合闸过程中，其分合闸线圈电流信号不仅易于检测，而且含有丰富的机械状态信息，可作为断路器故障诊断的依据。国内外很多专家学者都提出了基于分合闸线圈电流信号来监测和诊断断路器的机械状态，如Razi-kazemi等人(Razi-KazemiAA,VakilianM,NiayeshK,etal.Circuit-Breakerautomatedfailuretrackingbasedoncoilcurrentsignature[J].IEEETransactionsonPowerDelivery,2014,29(1):283-290.)重点研究了额定电压为72.5kV和24kV断路器的各类故障状态对分合闸线圈电流波形的影响，提出了相应检测算法，基于分合闸线圈电流分析断路器初始故障模式以及引发原因；孙银山等人(孙银山,张文涛,张一茗,等.高压断路器分合闸线圈电流信号特征提取与故障判别方法研究[J].高压电器,2015,51(9):134-139.)提出将小波分析与时域求极值点相结合的方法来提取高压断路器分合闸线圈电流信号的特征值，根据特征值完成对断路器的故障判别。值得关注的是，上述文献中高压断路器分合闸线圈均采用直流供电，均未考虑合闸相角对线圈电流信号特性带来的影响，而与高压断路器分合闸线圈供电方式相比，本专利技术研究的低压万能式断路器的分合闸线圈采用交流供电方式，动作过程中因线圈回路合闸相角的随机性会导致同一运行状态下电流信号存在差异，所以应当考虑分合闸附件合闸相角这一影响因素。
技术实现思路
针对低压万能式断路器线圈回路合闸相角的随机性会导致同一运行状态下电流信号存在差异，利用传统的故障诊断方法可能会造成电流信号故障特征提取不准确，导致故障识别率降低的问题，本专利技术的目的在于，提供一种基于深度学习的万能式断路器附件故障诊断方法，该方法考虑到分合闸线圈电流信号的特点，采用自适应一维深度卷积神经网络(AdaptiveOne-DimensionalDeepConvolutionalNeuralNetworkswithWideFirst-LayerKernel,AW-1DCNN)，并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域；然后，利用特征提取层对电流信号进行自适应特征提取；最后，利用Softmax分类器输出故障诊断结果。分合闸附件的故障诊断结果表明，本专利技术不仅能对不同合闸相角下同一故障进行有效识别，而且在泛化实验中仍能保持较高的故障识别率，能够有效克服合闸相角变化对故障诊断结果的影响。为实现上述目的，本专利技术提供了一种基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，其包括以下步骤：第一步，采集断路器不同合闸相角下不同工作状态的分合闸线圈电流信号形成总样本，随机分为训练样本和测试样本，并对每个样本进行工作状态类别标记，每个样本类别标记用Ym表示，Y1～Y9分别记为＝0、1、…、8，分别对应九种工作状态，即正常合闸、铁心卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝间短路、正常分闸、顶杆阻力异常、衔铁行程不足、分闸线圈匝间短路；第二步，建立AW-1DCNN模型，确定AW-1DCNN模型参数，初始化AW-1DCNN模型的权值和偏置：所述AW-1DCNN模型包括输入层、特征提取层及输出层，特征提取层由多层交叠的卷积层、批归一化层、激活层和池化层构成，一个卷积层、批归一化层、激活层和池化层构成一个重复单元，特征提取层由多个这样的重复单元依次连接，完成对原始数据自适应特征学习，结合全连接层中Softmax分类器实现故障分类，根据断路器分合闸线圈电流信号的特点，即在20kHz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为103数量级，设计AW-1DCNN模型卷积核的大小，第一层卷积层设为宽卷积核，其余卷积层均为小卷积核，宽卷积核的大小大于小卷积核大小；第三步，输入训练样本，进行AW-1DCNN训练学习：通过前向传播求得AW-1DCNN模型输出与预期目标的误差，判断AW-1DCNN模型是否收敛，若AW-1DCNN模型收敛，则执行第五步，否则执行第四步；第四步，反向传播和权值优化，利用BP反向传播算法，将第三步求得的误差反向逐层分配到每个节点，并更新权值，重复执行第三步，直至AW-1DCNN模型收敛；第五步，将测试样本作为输入，输入到已经收敛的AW-1DCNN模型中，当测试样本的准确率达到90％以上则完成AW-1DCNN模型的修正，若准确率不满足实际诊断要求，则返回优化第二步的模型参数；第六步，将待诊断对象输入上述满足要求的AW-1DCNN模型，输出低压万能式断路器分合闸附件的故障诊断结果。一种上述故障诊断方法所使用的分合闸附件故障试验系统，其特征在于，该系统包括附件动作控制模块、信号检测模块、数据采集模块，其中附件动作控制模块包括工控机、PLC-720+板卡、单片机、固态继电器、分合闸开关电路；信号检测模块包括霍尔电流传感器与霍尔电压传感器；数据采集模块包括USB数据采集卡；工控机通过ISA总线连接PLC-720+板卡，PLC-720+板卡分别和单片机及固态继电器连接，单片机通过分合闸开关电路连接低压万能式断路器的分合闸附件，分合闸附件同时连接霍尔电流传感器，采集分合闸电流信号，霍尔电压传感器采集操作附件回路电压UAB，霍尔电压传感器通过锁相模块连接单片机的输入端，霍尔电压传感器及霍尔电流传感器同时通过USB数据采集卡经USB数据线连接工控机，固态继电器连接低压万能式断路器的继电器触点。分合闸附件故障试验系统的运行过程为：当对分合闸附件进行分合闸附件故障试验时，首先由工控机向单片机发送分合闸相角，然后工控机通过ISA总线控制PLC-720+板卡发出储能、合闸、分闸指令，其中储能指令直接对固态继电器进行操作，用以控制断路器储能过程；分合闸指令则作用于单片机，经过给定相角延时后，驱动分合闸开关电路完成相应动作；同时在PCL-720+板卡发出动作指令前，USB数据采集卡已被启动触发，确保可以采集到分合闸附件整个动作过程的电流信号。与现有技术相比，本专利技术的有益效果是：本专利技术一种第一层宽卷积核自适应一维深度卷积神经网络的低压万能式断路器分合闸附件的故障诊断方法的突出的实质性特点是：本专利技术根据一维电流信号的特点，专利技术了一种第一层宽卷积核自适应一维深度卷积神经网络的低压万能式断路器分合闸附件的智能故障诊断模型，为提高模型自动本文档来自技高网...

【技术保护点】
1.一种基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，其包括以下步骤：第一步，采集断路器不同合闸相角下不同工作状态的分合闸线圈电流信号形成总样本，随机分为训练样本和测试样本，并对每个样本进行工作状态类别标记，每个样本类别标记用Ym表示，Y1～Y9分别记为＝0、1、…、8，分别对应九种工作状态，即正常合闸、铁心卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝间短路、正常分闸、顶杆阻力异常、衔铁行程不足、分闸线圈匝间短路；第二步，建立AW‑1DCNN模型，确定AW‑1DCNN模型参数，初始化AW‑1DCNN模型的权值和偏置：所述AW‑1DCNN模型包括输入层、特征提取层及输出层，特征提取层由多层交叠的卷积层、批归一化层、激活层和池化层构成，一个卷积层、批归一化层、激活层和池化层构成一个重复单元，特征提取层由多个这样的重复单元依次连接，完成对原始数据自适应特征学习，结合全连接层中Softmax分类器实现故障分类，根据断路器分合闸线圈电流信号的特点，即在20kHz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为10

【技术特征摘要】
1.一种基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，其包括以下步骤：第一步，采集断路器不同合闸相角下不同工作状态的分合闸线圈电流信号形成总样本，随机分为训练样本和测试样本，并对每个样本进行工作状态类别标记，每个样本类别标记用Ym表示，Y1～Y9分别记为＝0、1、…、8，分别对应九种工作状态，即正常合闸、铁心卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝间短路、正常分闸、顶杆阻力异常、衔铁行程不足、分闸线圈匝间短路；第二步，建立AW-1DCNN模型，确定AW-1DCNN模型参数，初始化AW-1DCNN模型的权值和偏置：所述AW-1DCNN模型包括输入层、特征提取层及输出层，特征提取层由多层交叠的卷积层、批归一化层、激活层和池化层构成，一个卷积层、批归一化层、激活层和池化层构成一个重复单元，特征提取层由多个这样的重复单元依次连接，完成对原始数据自适应特征学习，结合全连接层中Softmax分类器实现故障分类，根据断路器分合闸线圈电流信号的特点，即在20kHz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为103数量级，设计AW-1DCNN模型卷积核的大小，第一层卷积层设为宽卷积核，其余卷积层均为小卷积核，宽卷积核的大小大于小卷积核大小；第三步，输入训练样本，进行AW-1DCNN训练学习：通过前向传播求得AW-1DCNN模型输出与预期目标的误差，判断AW-1DCNN模型是否收敛，若AW-1DCNN模型收敛，则执行第五步，否则执行第四步；第四步，反向传播和权值优化，利用BP反向传播算法，将第三步求得的误差反向逐层分配到每个节点，并更新权值，重复执行第三步，直至AW-1DCNN模型收敛；第五步，将测试样本作为输入，输入到已经收敛的AW-1DCNN模型中，当测试样本的准确率达到90％以上则完成AW-1DCNN模型的修正，若准确率不满足实际诊断要求，则返回优化第二步的模型参数；第六步，将待诊断...

【专利技术属性】
技术研发人员：孙曙光，李勤，杜太行，张伟，王锐雄，崔景瑞，陈霞，邹军军，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津,12