一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法技术方案

本发明专利技术为一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法。该方法采用了深度学习方法来进行寿命预测研究，首先提出机械寿命预测振动信号有效片段概念；其次引入VMD算法以及基于短时能量的双门限来自动标定其区间；再次构建多通道卷积自编码器网络(MCCAE)，采用无监督学习方式训练，提取有效片段深层退化时序特征；最后构建长短时记忆神经网络(LSTM)，以时序特征作为输入，采用有监督学习训练方式，完成预测等步骤，可以有效地完成万能式断路器触头系统剩余机械寿命预测。成万能式断路器触头系统剩余机械寿命预测。成万能式断路器触头系统剩余机械寿命预测。

Residual mechanical life prediction method for contact system 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触头系统剩余机械寿命预测方法


[0001]本专利技术的技术方案涉及断路器的触头系统剩余寿命预测
，具体地说是一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法。

技术介绍

[0002]低压配电系统作为整个电力系统的末端，是最靠近用户的一环，与人民的生命安全和社会的稳定运行密不可分。万能式断路器作为低压配电系统的关键电力设备，一方面作为电力系统的调度控制设备，根据电网运行需要，实施对具体线路的投入或切除，另一方面对电力系统起到了保护作用，在系统出现短路故障情况下，万能式断路器能够切断巨大短路电流，保证系统的正常运行，因此万能式断路器在输配电系统中具有重要地位。由于机械结构的复杂性和其他不确定因素的影响，万能式断路器性能及健康状态在运行过程中将不可避免的发生退化，最终造成系统失效。而作为断路器关键部件，触头系统更容易发生故障。触头系统是断路器分合闸过程中的执行机构，当其出现异常，轻则导致分合闸动作迟缓，重则直接造成不能及时分断，酿成重大安全事故。进一步，如果能在触头系统性能退化过程中，根据监测信息，及时准确地预测其剩余寿命，不仅能够极大的提高断路器可靠性，避免故障的发生，同时能够有效的降低停机时间、减少维修周期、简化维修步骤，从而降低维修成本。因此，针对万能式断路器触头系统进行剩余寿命研究具有重要意义。
[0003]作为预测与健康管理(Prognostics and health management，PHM)技术的核心，剩余寿命(Remaining useful life，RUL)预测已经在航空发动机、轴承、锂电池等领域得到了广泛应用，并取得丰硕成果，但在断路器领域，关于万能式断路器机械寿命预测却鲜有涉及，大部分是关于高压以及真空断路器等进行寿命研究。如Payman等(Dehghanian P,Guan Y,Kezunovic M.Real
‑
time life
‑
cycle assessment of high
‑
voltage circuit breakers for maintenance using online condition monitoring data[J].IEEE Transactions on Industry Applications,2019,55(2):1135
‑
1146.)提出了利用在线状态监测数据实时评估高压断路器寿命周期方法，该方法有助于确定每个高压断路器在其寿命内处于不同劣化阶段的概率，进而将有助于更确切地找到断路器的最优使用方案；穆艳等(穆艳，王永兴，邹积岩，等.基于威布尔分布的真空断路器可靠性分析[J].高压电器,2020,56(01):30
‑
35.)建立了基于Weibull分布的真空断路器剩余寿命预测模型，对真空断路器平均机械寿命做了合理预测。目前，根据万能式断路器寿命预测研究仅在操作附件与分闸动作机构上，针对触头系统进行寿命预测还未开展。此外所用方法为统计数据驱动方法，此类方法常需根据知识和经验选取人为退化指标方法，预测精度不高，并且缺乏泛化能力。

技术实现思路

[0004]本专利技术的目的为针对现有技术中在统计数据驱动方法存在不足和万能式断路器
自身退化的特点，提供一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法。该方法通过对触头系统的研究，采用了深度学习方法来进行寿命预测研究，首先提出机械寿命预测振动信号有效片段概念；其次引入VMD算法以及基于短时能量的双门限来自动标定其区间；再次构建多通道卷积自编码器网络(MCCAE)，采用无监督学习方式训练，提取有效片段深层退化时序特征；最后构建长短时记忆神经网络(LSTM)，以时序特征作为输入，采用有监督学习训练方式，完成预测等步骤，可以有效地完成万能式断路器触头系统剩余机械寿命预测。
[0005]本专利技术的技术方案为：
[0006]一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法，包括以下步骤：
[0007]该方法具体方案如下：
[0008]第一步，使用万能式断路器触头系统寿命试验系统测量万能式断路器动作过程中的合闸振动信号X(t)＝(x1,
…
,x
i
,
…
,x
N
)，其中，N为采样点数，x
i
‑
x
N
为N个采样点；
[0009]第二步，对合闸原始振动信号X(t)进行VMD分解提取有效模态分量；具体步骤如下：
[0010]2‑
1初始化预分解模态分量个数K＝2，对合闸原始振动信号X(t)进行VMD分解，得到K个固有模态分量(IMFs)；
[0011]2‑
2分别求取K个IMF与原始振动信号X(t)的互相关系数ρ
k
，计算公式按照式(1)，并根据式(2)求取相邻模态与原信号互相关系数之间差值c
k
‑1，得到K个互相关系数ρ
k
和K
‑
1个互相关系数差值c
k
‑1；
[0012][0013]c
k
‑1＝ρ
k
‑
ρ
k
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0014]式(1)中，N为采样点数，x
n
、为合闸振动信号X(t)采样点及其均值，u
kn
、为第K个IMF分量元素及其均值；式(2)中，ρ
k
，ρ
k
‑1分别为第k个与第k
‑
1个IMF分量与X(t)的互相关系数；
[0015]2‑
3预设一个极小阈值c＝Δ，Δ范围为0
‑
0.05，若所得c
i
大于预设阈值c，K＝K+1，重复循环运行2
‑
1，2
‑
2；若所得c
i
小于预设阈值c，则认为这两个模态具有高度相似性，即出现了过分解现象，终止循环，则K＝K
‑
1；
[0016]2‑
4在K值确定后，选取在当前K值下互相关系数最大的IMF作为有效模态分量u
′
(t)，可认为此模态信号与原信号最相关，作为表征原信号的主要特征信息；
[0017]第三步，结合有效模态分量u
′
(t)完成有效片段自动标定；步骤如下：
[0018]3‑
1对有效模态分量u
′
(t)进行分帧，按照式(3)，
[0019]z
i
(n)＝ω(n)*u
′
((i
‑
1)*inc+n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]式中，ω(n)为窗函数；z...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法，其特征为该方法包括以下步骤：第一步，使用万能式断路器触头系统寿命试验系统测量万能式断路器动作过程中的合闸振动信号X(t)＝(x1,
…
,x
i
,
…
,x
N
)，其中，N为采样点数，x
i
‑
x
N
为N个采样点；第二步，对合闸原始振动信号X(t)进行VMD分解提取有效模态分量；第三步，结合有效模态分量u
′
(t)完成有效片段自动标定；步骤如下：3
‑
1对有效模态分量u
′
(t)进行分帧，按照式(3)，z
i
(n)＝ω(n)*u
′
((i
‑
1)*inc+n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，ω(n)为窗函数；z
i
(n)是一帧的数值，n＝1,2，
…
，L.i＝1,2，
…
，f
n
，L为帧长；inc为帧移长度；f
n
为分帧后总帧数；其中ω(n)选取了海宁窗，按照式(4)，3
‑
2计算第i帧有效模态分量的z
i
(n)短时能量公式按照式(5)：式中，z
i
(n)是一帧数据的数值，E(i)为一帧数据的短时能量；3
‑
3通过双门限法完成有效片段标定；第四步，以触头系统机械寿命有效振动片段X
′
(t)作为输入，建立单通道卷积自编码器(CAE)特征提取模型；具体步骤如下：4
‑
1构建卷积自编码器(CAE)的编码器(Encoder)部分；4
‑1‑
1设有效片段X
′
(t)第i行为X
i
′
＝{x1,x2,
…
,x
t
,
…
,x
n
}(x
t
表示t时刻的特征值)，以X
i
′
为输入，构建卷积层，按照式(6)：H1＝σ
f
(W*X
′
i
+b1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，X
′
i
∈R1×
n
为第i行有效片段序列，n为有效片段序列长度；*表示一维卷积运算；W和b1分别表示编码过程中的一维卷积核和偏置；σ
f
为编码器激活函数，采用Leakyrelu激活函数；4
‑1‑
2根据式(6)卷积后得到的特征序列H1构建池化层，表达式如下：Z
i
＝p(H1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)p表示池化运算，本发明采用最大池化(max
‑
pooling)；Z
i
为低维度的特征向量，Z
i
维度远远小于X
i
′
；4
‑
2构建卷积自编码器(CAE)的解码器(Decoder)部分；4
‑2‑
1以式(7)得到了低维度特征向量Z
i
构建上采样层，表达式如下：H2＝S(Z
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中，S表示上采样，H2为上采样得到的特征；4
‑2‑
2以式(8)上采样操作得到特征向量H2构建反卷积层，表达式如下：X
″
i
＝σ
e
(U*H2+b2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式中，U和b2分别表示解码过程中的一维卷积核和偏置，*表示一维卷积运算，X
″
i
为输入X
i
′
的重构数据，σ
e
是解码器中的激活函数，同为Leakyrelu函数；第五步，根据第四步得到的低维深层代表特征向量Z，进一步联合多个并行单通道卷积
自编码器网络，以进行多通道卷积自编码器特征提取模型(MCCAE)的构建，完成时序特征的提取；第六步，构建LSTM预测模型；6
‑
1构建LSTM单元，步骤如下：6
‑1‑
1以5
‑
3得到的归一化时序特征矩阵作为输入，构建遗忘门层，表达式如下：式中h
t
‑1为上一时刻输出，为当前时刻输入，W
f
、b
f
分别为输入层权值和偏置向量；σ为sigmoid激活函数，采用，f
t
为遗忘门层输出；6
‑1‑
2根据式(11)遗忘门输出，同时根据式(12)、式(13)、式(14)构建输入门层、tanh层，以及计算需要更新的信息：以及计算需要更新的信息：以及计算需要更新的信息：式中：σ为sigmoid函数，W
C
、b
C
分别为状态更新层的权值和偏置向量，为tanh层计算的新候选值，C
t
为更新后的候选值，i
t
为输入门层输入；6
‑1‑
3通过式(14)中得到的更新后候选值，按照式(15)和式(16)构建输出门层：h
t
＝o
t
*tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)式中，σ为sigmoid函数，W
o
，b
o
分别为输出门层的权值和偏置向量，o
t
为输出门层输出，h
t
为最终确定的输出；6
‑
2构建LSTM预测模型并得到剩余寿命预测值。2.如权利要求1所述的基于深度学习的万能式断路器触头系统剩余机械寿命预测方法，其特征为对合闸原始振动信号X(t)进行VMD分解提取有效模态分量；具体步骤如下：2
‑
1初始化预分解模态分量个数K＝2，对合闸原始振动信号X(t)进行VMD分解，得到K个固有模态分量(IMFs)；2
‑
2分别求取K个IMF与原始振动信号X(t)的互相关系数ρ
k
，计算公式按照式(1)，并根据式(2)求取相邻模态与原信号互相关系数之间差值c
k
‑1，得到K个互相关系数ρ
k
和K
‑
1个互相关系数差值c

【专利技术属性】
技术研发人员：孙曙光，温志涛，杜太行，王景芹，唐尧，高辉，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：