一种基于CNN-GRU的高压断路器机械故障诊断系统、方法、设备技术方案

本发明专利技术属于故障诊断技术领域，涉及一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
GRU的高压断路器机械故障诊断系统、方法、设备


[0001]本专利技术属于故障诊断
，具体涉及一种基于CNN
‑
GRU的高压断路器机械故障诊断系统、方法、设备。

技术介绍

[0002]高压断路器是电力系统中至关重要的开关设备，其运行状态直接影响系统的供电可靠性和稳定性。由于其结构复杂，并且动作频率相对较高，因此发生故障的几率较大。高压断路器一旦发生故障，不仅会造成巨大的经济损失，甚至还会导致严重的安全事故。据国内外高压断路器故障类型统计，高压断路器的机械故障是高压断路器的主要故障类型，一般包括弹簧疲劳，锁扣失灵等。一般情况下，在机械故障发生的初期，高压断路器能正常工作。因此，及时发现并准确诊断高压断路器机械故障并处理，能有效避免故障进一步扩大，对维护电力系统的稳定运行有重要意义。
[0003]目前，高压断路器故障诊断方法中基于信号处理的方法应用最为广泛，其包括三个步骤：信号采集与处理、特征提取以及故障分类。目前用于高压断路器故障诊断研究所采集的信号大致分为：机械振动信号、分合闸线圈电流信号、触头行程、电弧电压等。机械振动信号具有测量方式非接触以及信息特性丰富的优点，分合闸线圈电流信号具有对电磁铁相关故障反应灵敏的优点，动触头行程曲线信号具有包含分合闸速度、最大位移等关键性指标的优点。但是采用单一信号源检测均有各自的局限性(可识别的故障种类少、识别精度不足或诊断稳定性不足)。
[0004]因此，研发一种多源信息融合的高压断路器机械故障诊断方法对于提高断路器安全性与电力系统稳定性具有非常重要的工程意义。但目前的多信号诊断方法多为人工提取特征，需要丰富经验知识，且人工干预影响大。

技术实现思路

[0005]本专利技术的目的在于提供一种基于CNN
‑
GRU的高压断路器机械故障诊断系统、方法、设备，解决了现有诊断方法需要人为提取特征的问题。
[0006]本专利技术是通过以下技术方案来实现：
[0007]一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，包括以下步骤：
[0008]步骤1、采集断路器的机械振动信号、分合闸线圈电流信号以及动触头行程曲线信号，并将这三种信号进行标准化处理，得到标准化数据；
[0009]步骤2、构建卷积神经网络故障诊断模型，卷积神经网络故障诊断模型包括依次连接的特征提取模块、特征拼接模块、特征融合模块和分类层模块；
[0010]通过构建好的卷积神经网络故障诊断模型对标准化数据进行特征提取、特征拼接、特征融合和分类，得到故障分类结果。
[0011]进一步，步骤1具体包括以下步骤：
[0012]步骤1.1、采集m种工作状态下的机械振动信号、分合闸线圈电流信号以及动触头行程曲线信号，每种工作状态下均采集p组信号，一共得到3
×
m
×
p组信号样本；m、p均为正整数；
[0013]步骤1.2、对步骤1.1中采集到的信号样本进行归一化处理，得到相同尺寸的二维图像，作为标准化数据。
[0014]进一步，所述机械振动信号为高压断路器动作时的基座上测量所得的振动信号；所述分合闸线圈电流信号为高压断路器动作时的线圈电流；所述动触头行程曲线信号为高压断路器动作时由角度位移器得到的动触头行程曲线信号。
[0015]进一步，步骤2中，卷积神经网络故障诊断模型的构建具体包括以下步骤：
[0016]步骤2.1、搭建特征提取模块，特征提取模块用于对样本进行特征提取，得到特征图；所述特征提取模块由二维卷积神经网络构成，包括五个卷积层和五个池化层；
[0017]步骤2.2、搭建特征拼接模块，特征拼接模块由特征图连接层和扁平化层构成；
[0018]特征拼接模块用于将步骤2.1中提取的特征图连接在一起，再将该多通道特征图扁平化处理为一维特征向量；
[0019]步骤2.3、搭建特征融合模块，特征融合模块由基于GRU的特征融合层构成，用于将步骤2.2中得到的一维特征向量进行融合提取，得到深层融合的向量；
[0020]步骤2.4、搭建分类层模块；分类层使用Softmax分类器，用于将步骤2.3中得到的向量进行分类；
[0021]步骤2.5、将标准化数据分为训练集、验证集和测试集，利用训练集对卷积神经网络故障诊断模型进行训练，用测试集进行测试，用验证集进行验证，直至训练合格，得到合格的卷积神经网络故障诊断模型。
[0022]进一步，二维卷积神经网络具体包括依次堆叠的第一层卷积层、第一层最大池化层、第二层卷积层、第二层平均池化层、第三层卷积层、第三层平均池化层、第四层卷积层、第四层最大池化层、第五层卷积层、第五层最大池化层，每个卷积层后均链接一个激活函数和一个BN层；
[0023]步骤2.1具体包括：
[0024]步骤2.1.1、将二维卷积神经网络设置在特征提取模块之中，每种信号由一个特征提取模块提取，由五层卷积层提取特征；第一层卷积层为宽卷积核，用于捕捉更多的特征信息；深层卷积层为小卷积核，用于分类，深层卷积层为除了第一层卷积层之外的剩下四层卷积层；卷积运算公式定义为：
[0025][0026]其中，代表了第l层第j个输入信号特征；表示第(l
‑
1)层的第i个输出特征信号与第l层的第j个输入特征信号之间的卷积核权重；k表示第l层的宽度；表示第(l
‑
1)层的第i个输出特征信号；表示第l层第j个信号特征的偏置；*表示卷积运算；
[0027]步骤2.1.2、激活函数为Mish函数，对步骤2.1.1中由卷积层输出的特征信号进行非线性化处理，其定义为：
[0028]Mish(x)＝x*tanh(ln(1+e
x
))；
[0029]其中tanh()表示tanh激活函数；*表示卷积运算，x表示信号特征，为矩阵或向量。
[0030]进一步，步骤2.2具体包括：
[0031]步骤2.2.1、搭建连接层：对三个通道提取到的特征图首先进行concatenation操作，定义为：
[0032]V
i
＝conca(V
i,1
,V
i,2
,V
i,3
)；
[0033]其中conca表示连接操作；V
i
表示第i个样本将三个特征图链接后的特征图；V
i,1
表示第i个样本中的机械振动信号提取出的特征图；V
i,2
表示第i个样本中分合闸线圈电流信号提取出的特征图；V
i,3
表示第i个样本中动触头形成曲线信号提取出的特征图；
[0034]步骤2.2.2、搭建扁平化层：对步骤2.2.1中得到的链接后特征图进行扁平化处理，处理为一维特征向量，定义为：
[0035]L
i
＝flatten(V
i
)；
...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，其特征在于，包括以下步骤：步骤1、采集断路器的机械振动信号、分合闸线圈电流信号以及动触头行程曲线信号，并将这三种信号进行标准化处理，得到标准化数据；步骤2、构建卷积神经网络故障诊断模型，卷积神经网络故障诊断模型包括依次连接的特征提取模块、特征拼接模块、特征融合模块和分类层模块；通过构建好的卷积神经网络故障诊断模型对标准化数据进行特征提取、特征拼接、特征融合和分类，得到故障分类结果。2.根据权利要求1所述的一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，其特征在于，步骤1具体包括以下步骤：步骤1.1、采集m种工作状态下的机械振动信号、分合闸线圈电流信号以及动触头行程曲线信号，每种工作状态下均采集p组信号，一共得到3
×
m
×
p组信号样本；m、p均为正整数；步骤1.2、对步骤1.1中采集到的信号样本进行归一化处理，得到相同尺寸的二维图像，作为标准化数据。3.根据权利要求1所述的一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，其特征在于，所述机械振动信号为高压断路器动作时的基座上测量所得的振动信号；所述分合闸线圈电流信号为高压断路器动作时的线圈电流；所述动触头行程曲线信号为高压断路器动作时由角度位移器得到的动触头行程曲线信号。4.根据权利要求1所述的一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，其特征在于，步骤2中，卷积神经网络故障诊断模型的构建具体包括以下步骤：步骤2.1、搭建特征提取模块，特征提取模块用于对样本进行特征提取，得到特征图；所述特征提取模块由二维卷积神经网络构成，包括五个卷积层和五个池化层；步骤2.2、搭建特征拼接模块，特征拼接模块由特征图连接层和扁平化层构成；特征拼接模块用于将步骤2.1中提取的特征图连接在一起，再将该多通道特征图扁平化处理为一维特征向量；步骤2.3、搭建特征融合模块，特征融合模块由基于GRU的特征融合层构成，用于将步骤2.2中得到的一维特征向量进行融合提取，得到深层融合的向量；步骤2.4、搭建分类层模块；分类层使用Softmax分类器，用于将步骤2.3中得到的向量进行分类；步骤2.5、将标准化数据分为训练集、验证集和测试集，利用训练集对卷积神经网络故障诊断模型进行训练，用测试集进行测试，用验证集进行验证，直至训练合格，得到合格的卷积神经网络故障诊断模型。5.根据权利要求4所述的一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，其特征在于，二维卷积神经网络具体包括依次堆叠的第一层卷积层、第一层最大池化层、第二层卷积层、第二层平均池化层、第三层卷积层、第三层平均池化层、第四层卷积层、第四层最大池化层、第五层卷积层、第五层最大池化层，每个卷积层后均链接一个激活函数和一个BN层；步骤2.1具体包括：步骤2.1.1、将二维卷积神经网络设置在特征提取模块之中，每种信号由一个特征提取
模块提取，由五层卷积层提取特征；第一层卷积层为宽卷积核，用于捕捉更多的特征信息；深层卷积层为小卷积核，用于分类，深层卷积层为除了第一层卷积层之外的剩下四层卷积层；卷积运算公式定义为：其中，代表了第l层第j个输入信号特征；表示第(l
‑
1)层的第i个输出特征信号与第l层的第j个输入特征信号之间的卷积核权重；k表示第l层的宽度；表示第(l
‑
1)层的第i个输出特征信号；表示第l层第j个信号特征的偏置；*表示卷积运算；步骤2.1.2、激活函数为Mish函数，对步骤2.1.1中由卷积层输出的特征信号进行非线性化处理，其定义为：Mish(x)＝x*tanh(ln(1+e
x
))；其中tanh()表示tanh激活函数；*表示卷积运算，x表示信号特征，为矩阵或向量。6.根据权利要求4所述的一种基于CNN
‑
GRU的高压断路器机械故障诊断诊断方法，其特征在于，步骤2.2具体包括：步骤2.2.1、搭建连接层：对三个通道提取到的特征图首先进行concatenation操作，定义为：V
i
...

【专利技术属性】
技术研发人员：逯磊，闫静，王艳新，王建华，耿英三，赵丹晨，牛博，杨鼎革，
申请(专利权)人：国网陕西省电力有限公司电力科学研究院，
类型：发明
国别省市：