声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法技术

本发明专利技术公开了一种声振信号构造卷积神经网络(CNN)特征矩阵的断路器储能过程状态辨识方法，该方法包括以下内容：首先提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性，然后采用Lyapunov指数

【技术实现步骤摘要】
声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法


[0001]本专利技术涉及电气设备故障诊断
，具体的，涉及一种通过联合声音振动信号构造卷积神经网络(CNN)所需特征矩阵，进而辨识断路器储能过程状态的方法。

技术介绍

[0002]断路器作为电力系统中重要的控制和保护装置，能否可靠动作直接影响到电力系统的安全稳定，因此断路器运行可靠性对电网的保护与控制至关重要。
[0003]目前断路器故障诊断的研究多集中于分合闸过程：利用控制线圈电流、绝缘拉杆位移、振动信号辨识机械故障方面。研究重点偏重于断路器操作过程设备本身发生的问题，而对于储能过程故障问题的研究不够深入，缺乏定量的判别依据，如何发现储能过程发生的故障和其发展变化规律值得深入研究。
[0004]已有的断路器故障诊断方法主要以振动信号为主，但在实际应用中振幅较大时会存在饱和现象，容易产生由电荷累计效应引起的高频冲击失效。声信号由于测量频带宽可以有效避免饱和失效现象，并且拾音器安装方便，信号受安装方式的影响小。而且声音信号与振动信号属于同源信号，都由断路器的部件振动产生，可以利用两者的同源互补特性，发挥各自优势实现带电监测。但是传统的声振信号联合方法未考虑二者的差异性，机械的将声振信号进行联合，虽然引入了卷积神经网络等深度学习算法，但由于特征信息缺失以及CNN通用结构针对性较差，导致诊断的准确率不够高、泛化性较差。如何专利技术一种可以端到端自主学习，分类准确，泛化性优良的诊断方法具有重要研究价值。

技术实现思路

[0005]本专利技术的目的是提供一种提高断路器储能过程状态辨识准确率和泛化性的方法，提取声振信号特征，依靠CNN强大的自学习能力进行特征提取和故障诊断，其中的重点是断路器声振联合特征矩阵的构造和CNN模型的优化。
[0006]为实现上述目的，本专利技术采用了如下技术方案：
[0007]声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法，首先提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性，然后采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点，对数据进行重叠式数据扩容后，利用皮尔逊相关系数构造声振信号二维特征矩阵。最后利用CNN对特征矩阵进行训练，利用支持向量机(SVM)代替Soft-Max分类器来对CNN结构进行优化，使用灰狼优化(GWO)寻找SVM最优参数。优化CNN模型对断路器储能过程数据变动较大的情况不敏感，作为一种新的断路器储能过程状态辨识方法，大大提高了故障辨识的准确率和泛化性。
[0008](1)考虑声振信号的异步性，采用峭度确定发生越变的时间段，进而采用Minkowski公式计算包络相似性，找出相似性最高的时刻再调整时间差最后实现声振时标对位。
[0009](2)实际运行过程中，采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起
始点。(由于步骤(1)对声振进行了时标对位，故也相当于检测声信号起始点)
[0010](3)采用有重叠的样本数据扩容提供CNN所需大量数据，增加特征矩阵的维度。
[0011](4)采用皮尔逊积矩相关系数计算声振信号样本的相关系数，归一化后作为矩阵元素构造声振联合特征矩阵。
[0012](5)针对断路器储能特点用SVM代替Soft-Max，同时引入GWO进行参数优化，构造CNN全连接层的GWO-SVM分类器，优化了模型结构。
[0013]步骤(1)所述的声振时标对位采用峭度确定发生越变的时间段。峭度作为无量纲参数，对信号冲击特别敏感，故可用来检测声振信号包络线的尖峰度。峭度计算如下：
[0014][0015]其中：x为声振包络瞬时值，μ为包络均值，为概率密度，σ为标准差。
[0016]确定声振信号对应时间段后利用Minkowski公式计算：
[0017][0018]其中：a和b为n维声振信号数据点，q为距离调整参数。找到相似性最高的时刻后，声音起始时间减去振动起始时间即为ΔT，将声信号提前ΔT即可实现与振动信号对齐。
[0019]步骤(2)所述的L-小波起始点检测法，由于断路器操动过程中各机械部件按照一定顺序启动、运动和停止产生一系列冲击波叠加的振动信号。作为非线性、非平稳时间序列，储能过程振动信号表现出高度的混沌特性，此时Lyapunov指数为正，公式定义如下：
[0020][0021]λ即为原动力系统中的Lyapunov指数。若储能未进行，则振动信号主要是振动噪声，其不具有混沌特性，此时求得的Lyapunov指数为负。可通过其数值符号判断是否开始储能，但是其只能确定起始时间段，具体起始时刻可通过小波模极大值来检测，小波变换作为一种变动的时间窗，可以检测幅值突变，计算如下：
[0022][0023]对应于小波变换，W1f(s，x)表现为极大值。
[0024]步骤(3)所述的重叠式数据扩容：对长度为N的信号x，设置样本长度为L，重叠率为λ，扩容分割方法如下：
[0025]求得当前信号长度下最大可分割样本数量：为向下取整运算符
[0026]求取每个分割样本。第i个样本在原信号的位置表示如下：
[0027]x
i
＝X[(i-1)
×
L
×
(1-λ)+(0：1)
×
L]，i∈[1，n][0028]样本分割长度太短可以提高模型收敛速度，节省训练时间，但是易造成非线性特征信息缺失；样本分割长度太长会降低模型收敛速度，影响诊断的实时性。故要选择适合的
样本长度和重叠率。
[0029]步骤(4)所述的构造声振联合特征矩阵：皮尔逊积矩相关系数用来衡量两个变量之间变化关系，他与变量的具体值无关，是一个非参数统计量。如果声振信号的均值同时趋向于大于或者小于他们各自均值，则相关系数为正；若其同时趋向于落在他们均值相反一侧，则相关系数为负。计算公式为：
[0030][0031]其中：{x
i
，i＝1，2，
…
，n}和{y
i
，i＝1，2，
…
，n}分别表示声音和振动信号采样点的值。皮尔逊系数的范围为[-1，1]，故对直接计算的相关系数归一化后填入特征矩阵。
[0032]步骤(5)所述的CNN模型由输入层、卷积层、池化层、全连接层和输出层组成。在每一层都会定义一个权值矩阵与特征矩阵进行卷积，前一层的卷积结果经过激活函数运算会输出成为构造下一层对应的特征的神经元。
[0033]卷积层通过卷积核对输入数据进行卷积，利用非线性激活函数构造特征矢量。同一个卷积核在卷积过程中共享参数得到一类特征，计算过程公式为：
[0034][0035]其中代表第l层输入，N
j
代表输入特征矢量，l代表第l层网络，k代表卷积核，b代表卷积核的偏置。常选择修正线性单元(ReLU)作为非线性激活函数，可以使得一部分的神经元输出为0，减少参数的相互依赖，提高网络的稀疏性，有效抑制过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.声振信号构造CNN特征矩阵的断路器储能过程故障诊断方法，其特征在于，包括步骤：(1)考虑声振信号的异步性，采用峭度确定发生越变的时间段，进而采用Minkowski公式计算包络相似性，找出相似性最高的时刻再调整时间差最后实现声振时标对位。(2)实际运行过程中，采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点。(3)采用有重叠的样本数据扩容提供CNN所需大量数据，增加特征矩阵的维度。(4)采用皮尔逊积矩相关系数计算声振信号样本的相关系数，归一化后作为矩阵元素构造声振联合特征矩阵。(5)针对断路器储能特点用SVM代替Soft-Max，同时引入GWO进行参数优化，构造CNN全连接层的GWO-SVM分类器，优化了模型结构。2.根据权利要求1所述的声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其特征在于提出峭度和包络相似性的时标对位方法。首先将声音振动信号分成N等份，计算每份信号包络的峭度，计算如下：对比每段信号的峭度值，寻找峭度值变化差异明显的信号段从而确定发生越变的时间；然后根据声音和振动信号包络绝对差值q次幂之和的q次根来判断相似性，如下式所示。3.根据权利要求1所述的声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其特征在于提出L-小波起始点检测法。利用Lyapunov指数判断检测信号是否...

【专利技术属性】
技术研发人员：赵书涛，王二旭，李云鹏，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：