一种高压开关机械故障的自动识别方法及装置制造方法及图纸

本发明专利技术公开了一种高压开关机械故障的自动识别方法及装置，其中，所述方法包括：基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号；基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号；对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号；对所述电流及声音数字信号进行预处理，获得预处理后的数字信号；将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。在本发明专利技术实施例中，通过采集高压开关的声音和电流信号，利用深度学习的方式在声音和电流信号自动提取故障特征，自动识别相应的故障信息，提高了故障识别的准确性。

【技术实现步骤摘要】
一种高压开关机械故障的自动识别方法及装置
本专利技术涉及高压开关故障识别
，尤其涉及一种高压开关机械故障的自动识别方法及装置。
技术介绍
高压开关机械故障识别是对开关进行状态监测、异常识别和故障分类。振动、电流、声音等传感器可用来采集开关运行的各项数据，并根据这些数据预测开关机械故障的发生以及对故障进行分类；目前，开关机械故障识别方法主要存在以下局限：(1)一些方法主要关注于开关的机械振动信号，并将其用于故障征兆的预测，如小波变换、经验模态分解等方法均是用于对振动信号进行分析；这些方法必须在开关表面安装加速度传感器来采集振动信号，加速度传感器的安装拆卸在实际应用中会带来运维不便，同时传感器安装位置也会极大影响辨识效果；(2)一些方法采用电流信号作为故障识别的依据，其主要聚焦于分合闸线圈电流的时间、幅值等波形分析。但受采样频率限制，当采样点中未能包含电流波形的关键特征点时，该类方法的效果将大打折扣；此外，该类方法只能识别与分合闸线圈有关的机械故障，而对驱动机构的故障则无能为力；(3)此外，传统的开关机械故障特征是基于人工选择，极大依赖于研究人员的经验和判断，当人工选择的鲁棒性较差时，传统方法的故障分类效果将受到严重影响。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种高压开关机械故障的自动识别方法及装置，利用深度学习的方式在声音和电流信号自动提取故障特征，自动识别相应的故障信息，提高了故障识别的准确性。为了解决上述技术问题，本专利技术实施例提供了一种高压开关机械故障的自动识别方法，所述方法包括：基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号；以及，基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号；对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号；对所述电流及声音数字信号进行预处理，获得预处理后的数字信号；将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。可选的，所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处，所述电流钳为交直流两用电流钳，电流采样频率为200kHz；所述声音传感器设置在距离高压开关本体中央表面10CM处，声音采样频率为200kHz。可选的，所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号，包括：设定电流阈值，在高压开关分合闸控制时，在电流达到电流阈值时，所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号；所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号，包括：在高压开关分合闸控制时，在电流达到电流阈值时，所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。可选的，所述对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号，包括：对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理，获得电流及声音数字信号。可选的，所述对所述电流及声音数字信号进行预处理，获得预处理后的数字信号，包括：对所述电流数字信号和所述声音数字信号进行下采样处理，获得下采样后的电流数字信号和声音数字信号；对下采样后的电流数字信号和声音数字信号进行翻转处理，获得翻转后的电流数字信号和声音数字信号；对所述翻转后的电流数字信号和声音数字信号进行归一化处理，获得归一化后的电流数字信号和声音数字信号；对归一化后的电流数字信号和声音数字信号进行对应叠加处理，获得预处理后的数字信号。可选的，所述对所述翻转后的电流数字信号和声音数字信号进行归一化处理的处理公式如下：其中，为归一化后的第i个翻转后的电流数字信号或声音数字信号；si为第i个翻转后的电流数字信号或声音数字信号；smax为采样的电流数字信号或声音数字信号中绝对值最大的采样值。可选的，所述训练收敛的卷积神经网络模型的获得，包括：构建卷积神经网络模型；将训练样本分为训练集、验证集和测试集，其中所述训练集、验证集和测试集的比例为1:5:4；将所述训练集输入卷积神经网络模型进行训练，且在训练过程中，根据训练集的数据调整神经元权重、偏置网络参数，训练出故障诊断模型；同时，将所述验证集输入卷积神经网络模型，并根据所述验证集调整学习率；将所述测试集输入故障诊断模型进行故障诊断，若诊断准确率超过或等于预设准确率，则所述卷积神经网络模型训练收敛，获得训练收敛的卷积神经网络模型；若诊断准确率小于预设准确率，则采用反向传播算法对故障诊断模型所有层参数的系数进行重置，并采用所述训练集进行重新训练。可选的，所述卷积神经网络模型为八层结构的卷积神经网络模型，包括四个卷积层、两个池化层和两个全连接层；其中，所述四个卷积层的神经元个数分别设置为128个、128个、64个和64个，对应的卷积核大小分别为11×11、5×5、3×3和3×3；所述两个池化层采用2×2的最大池化；所述两个全连接层均设置1024个神经元。可选的，所述高压开关机械故障包括：铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障。另外，本专利技术实施例还提供了一种高压开关机械故障的自动识别装置，所述装置包括：电流信号采集模块：用于基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号；以及，声音信号采集模块：用于基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号；模数转换模块：用于对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号；预处理模块：用于对所述电流及声音数字信号进行预处理，获得预处理后的数字信号；自动识别模块：用于将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。在本专利技术实施例中，通过在高压开关上设置电流钳和声音传感器，分别采集电流信号和声音信号，引进深度学习算法进行训练学习，然后将采集到的电流信号和声音信号输入深度学习算法中即可实现高压开关内的故障特征自动提取，即可根据故障特征快速确定故障类型，实现高压开关的故障自动识别，并且采用该实施例，减少人工识别中的主观因素干扰，可以提高故障识别的准确率，并且减少人力成本，提升工作效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的高压开关机械故障的自动识别方法的流程示意图；图2是本专利技术实施例中的信号预处理的流程示意图；图3是本专利技术实施例中的卷积神经网络模型的网络结构组成示意图；图4是本专利技术实施例中的高压开关机械故障的自动识别装置的结构组成示意图。本文档来自技高网...

【技术保护点】
1.一种高压开关机械故障的自动识别方法，其特征在于，所述方法包括：/n基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号；以及，/n基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号；/n对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号；/n对所述电流及声音数字信号进行预处理，获得预处理后的数字信号；/n将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。/n

【技术特征摘要】
1.一种高压开关机械故障的自动识别方法，其特征在于，所述方法包括：
基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号；以及，
基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号；
对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号；
对所述电流及声音数字信号进行预处理，获得预处理后的数字信号；
将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。


2.根据权利要求1所述的自动识别方法，其特征在于，所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处，所述电流钳为交直流两用电流钳，电流采样频率为200kHz；
所述声音传感器设置在距离高压开关本体中央表面10CM处，声音采样频率为200kHz。


3.根据权利要求1所述的自动识别方法，其特征在于，所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号，包括：
设定电流阈值，在高压开关分合闸控制时，在电流达到电流阈值时，所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号；
所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号，包括：
在高压开关分合闸控制时，在电流达到电流阈值时，所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。


4.根据权利要求1所述的自动识别方法，其特征在于，所述对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号，包括：
对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理，获得电流及声音数字信号。


5.根据权利要求1所述的自动识别方法，其特征在于，所述对所述电流及声音数字信号进行预处理，获得预处理后的数字信号，包括：
对所述电流数字信号和所述声音数字信号进行下采样处理，获得下采样后的电流数字信号和声音数字信号；
对下采样后的电流数字信号和声音数字信号进行翻转处理，获得翻转后的电流数字信号和声音数字信号；
对所述翻转后的电流数字信号和声音数字信号进行归一化处理，获得归一化后的电流数字信号和声音数字信号；
对归一化后的电流数字信号和声音数字信号进行对应叠加处理，获得预处理后的数字信号。


6.根据权利要求5所述的自动识别方法，其特征在于...

【专利技术属性】
技术研发人员：林翔宇，王晓明，周柯，巫聪云，李文伟，周卫，芦宇峰，彭博雅，
申请(专利权)人：广西电网有限责任公司电力科学研究院，广西电网有限责任公司钦州供电局，
类型：发明
国别省市：广西;45