一种基于信息融合的断路器操作机构故障智能诊断方法技术

本发明专利技术公开了一种基于信息融合的断路器操作机构故障智能诊断方法，具体步骤如下：采集高压断路器振动信号、合闸线圈电流、电机电流以及动触头行程共四种不同类型信号作为深层卷积网络的输入；然后通过4层卷积层，1层全局平均池化层，1层全连接层以及1层softmax分类层构建深层卷积网络，并通过自适应矩估计算法对该网络模型进行训练，不断更新网络参数；训练完成后，工作人员直接输入相关信号，即可得到故障诊断结果，实现“端到端”的断路器操作机构故障智能诊断。本方法能够诊断的故障类型更加全面、诊断结果更加可靠，并降低了对工作人员的专业素质需求，具有较高的推广应用价值。

【技术实现步骤摘要】
一种基于信息融合的断路器操作机构故障智能诊断方法
本专利技术属于断路器故障诊断
，尤其涉及一种基于信息融合的断路器操作机构故障智能诊断方法。
技术介绍
高压断路器在牵引供电系统、电力系统中肩负着控制和保护的关键作用，对其进行准确高效的故障诊断能够及时发现潜在故障，帮助检修人员快速完成高压断路器的维护修理工作，进一步减少因高压断路器故障引起的事故损失，对保障系统的安全可靠运行意义重大。国内外统计结果表明，操作机构故障是高压断路器的主要故障类型。其分合闸操作时产生的振动信号、合闸线圈电流信号、动触头行程、电机电流等信号均含有大量的设备状态信息，可用于高压断路器操作机构故障诊断。在高压断路器故障诊断领域，传统的故障诊断方法能够对单一类型信号进行特征提取，并进一步通过机械学习等方法对所提特征进行分类，获得较好的故障诊断结果。然而，一方面，传统方法严重依赖于专业经验，需要专业人员人工设计特征且不利于诊断方法的推广，公开号为CN107607303A的专利技术专利，提出了一种“基于小波包与SOM的高压断路器机械故障识别方法”，该方法对断路器振动本文档来自技高网...

【技术保护点】
1.一种基于信息融合的断路器操作机构故障智能诊断方法，其特征在于，包括以下步骤：/nA、样本数据采集与预处理：/n模拟高压断路器正常状态、操作机构卡涩故障、铁芯卡涩故障以及基座螺丝松动故障四种状态，并采集振动信号、合闸线圈电流、电机电流以及动触头行程共四种不同类型信号作为样本数据，其采样频率分别为f

【技术特征摘要】
1.一种基于信息融合的断路器操作机构故障智能诊断方法，其特征在于，包括以下步骤：
A、样本数据采集与预处理：
模拟高压断路器正常状态、操作机构卡涩故障、铁芯卡涩故障以及基座螺丝松动故障四种状态，并采集振动信号、合闸线圈电流、电机电流以及动触头行程共四种不同类型信号作为样本数据，其采样频率分别为fi，i＝1,2,3,4；采样点数分别为Ni，i＝1,2,3,4；当采样点数量Ni>N时，使用下采样的方法使得该类信号的采样点数量等于N；当采样点数量Ni<N时，使用插值的方法使得该类信号的采样点数量等于N；
B、深层卷积网络的训练：
构建以高压断路器振动信号、合闸线圈电流、电机电流以及动触头行程四种信号为并行输入，以正常状态、操作机构卡涩、铁芯卡涩以及基座螺丝松动四类状态标签为输出的深层卷积网络；输入标准化后的样本数据对深层卷积网络进行训练，得到断路器操作机构故障诊断模型；具体为：
B1、深层卷积网络由7层网络构成，依次包括：4层卷积层，1层全局平均池化层，1层全连接层以及最后的softmax分类层；
B2、深层卷积网络中卷积层为一维卷积层，并使用BatchNorm算法使每一层卷积的输出保持相同的分布，加快网络学习和收敛速度；第一层一维卷积层包含4个输入通道，输入数据时4个输入通道依次对应高压断路器振动信号、合闸线圈电流、电机电流以及动触头行程；
B3、每一层卷积层输出尺寸均与采样点数N相同，即一维卷积层参数设置应满足：
N＝(N+2P-k)/S+1
其中，k为卷积核尺寸，S为卷积步长，P为输入通道的每一边补0数；4层卷积层中卷积核尺寸分别为5、9、13、15，输入通道的每一边补0数分别为2、4、6、7，卷积步长均设置为1；当样本数据特征、采样点数等发生大幅变化时，对卷积层相关参数进行调整；
B4、深层卷积网络中仅在第5层进行全局平均池化，在其它部分不再重新设计池化层；
B5、深层卷积网络中最后一层为softmax分类层，设置正常状态时分类层的输出期望为[1，0，0，0]；设置操作机构卡涩故障时分类层的输出期望为[0，1，0，0]；设置铁芯卡涩故障时分类层的输出期望为[0，0，1，0]；设置基座螺丝松动故障时分类层的输出层期望为[0，0，0，1]；
B6、使用自适应矩估计算法对深度卷积网络进行训练，并设置交叉熵作为损失函数计算网络输出与...

【专利技术属性】
技术研发人员：林圣，陈欣昌，王玘，
申请(专利权)人：中国国家铁路集团有限公司，中国铁路设计集团有限公司，西南交通大学，
类型：发明
国别省市：北京;11