【技术实现步骤摘要】
本专利技术属于断路器机械故障检测，具体涉及一种基于声纹的10kv断路器机械故障检测方法。
技术介绍
1、作为电力系统的重要开关设备，在系统故障发生时，作为执行器件的断路器能够及时准确地切除故障部位，关合开断线路，对电力系统的控制和保护方面起着重要作用。鉴于电力设备都有一定的使用寿命周期，高压断路器使用寿命正常情况下一般不超过四十年，一些电力设备部件会因使用时间过长而发生老化，因此对断路器故障及缺陷进行及时准确的状态检修和监测诊断是很有必要的。状态检修综合了电气设备的实时状态监测和故障诊断，状态监测到的信号是设备运行状态是否正常的判断依据，据此工作人员能够更加及时的预判，并制定及时、准确的检修计划。作为电力系统中重要的一类电器设备，故障诊断是通过对高压断路器的历史档案、运行状况以及带电测试或在线监测数据等进行综合分析，不仅能够及时判断出故障的位置以及部件故障的严重程度，还可以准确诊断设备的故障原因。因此，对高压断路器进行状态检修和故障诊断是大势所趋。
2、虽然断路器的价格通常比受它所保护的电力设备的价格要低的多，但是它故障所引起的损失却是巨大的，远超其自身价格。断路器的分合闸主要是由机械结构完成的，为实现快速动作，机械结构需要传递大功率、重载荷。随着动作次数的增加，断路器的机械性能不可避免的会出现劣化情况。一些针对断路器可靠性的调查研究表明，机械故障是高压断路器失效的主要因素。然而市面上各种的断路器机械故障检测仍存在各种各样的问题。
3、但是现有技术中断路器成本虽然不高，但其造成的故障影响极其恶劣，边缘计算
技术实现思路
1、本专利技术的目的在于提供一种基于声纹的10kv断路器机械故障检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于声纹的10kv断路器机械故障检测方法，包括有以下步骤：
3、s1、mobilenet_yolov4神经网络模型的搭建：mobilenet_yolov4神经网络模型使用的是多尺度特征图映射，剪辑神经网络获得图像数据的不同尺度的特征图，在每一层特征图被提取后分别进行预测；mobilenet_yolov4神经网络模型的卷积层提取出六个不同的特征图进行预测，从而构建不同尺度的目标识别先验框；模型中不同层的特征图分别检验与之匹配尺寸的大小目标；最后模型在不同尺度的特征图上进行分别预测从而得到不同尺度的预测值，显著提高了模型的目标识别性能；
4、s2、通过高灵敏度传感器采集声纹：高灵敏度传感器包括圆锥体结构的集音器、安装环、能量转换器、上压片和隔离器，通过高灵敏度传感器对断路器进行机械故障声纹采集，圆锥体结构的集音器利用气体压缩原理放大原始音频信号，再通过低功耗、长距离的无线通信进行数据传输；
5、s3、边缘侧识别预警的卷积核的卷积运算：利用深度可分离卷积结构将yolov4中的backbone内所有卷积层的标准卷积结构替换，mobilenet_yolov4神经网络模型首先通过3×3深度卷积将各个输入数据的神经网络节点视同特定的卷积核完成了卷积运算；
6、s4、断路器故障识别：mobilenet_yolov4神经网络模型在训练完成了后得到的正常断路器与故障断路器的目标识别与分类过程模型精准度随着信号置信度变化，训练神经网络模型pascal voc格式的数据集，并且模型在搭建时加载了数据集上的预训练权重，前层卷积神经网络负责一些对输入的图像数据进行一些低级的图像特征提取；
7、s5、对信号进行改进的s变换：改进s变换的信号特征提取方法，构建改进s变换模型，建立特征参数识别机制，实现信号的快速、准确识别。
8、较佳的，所述s1中mobilenet_yolov4神经网络模型分成了两个独立的步骤，分别为深度卷积运算与1×1卷积过程；两个步骤在输出端拼接了非线性激活单元与bn层；mobilenet大量使用1×1卷积与深度卷积的交替使用，在mobilenet神经网络模型的训练过程中，1×1卷积占据了四分之三的参数量以及95％的计算资源。
9、较佳的，所述mobilenet_yolov4神经网络模型的宽度因子α与分辨率因子β进行调整；
10、宽度因子宽度因子α是在神经网络模型训练与拟合过程中的一个超参数，α取值范围为(0，1]；简单来说α看作调整后的mobilenet神经网络模型每一个卷积层的卷积运算总数与标准mobilenet神经网络模型每一个卷积层的卷积运算总数的比值；对于使用了深度可分离卷积的mobilenet神经网络模型，在使用宽度因子之后神经网络模型的总计算量s如下式所示：
11、s＝dk·dk·αm·df·df+αm·αn·df·df，
12、标准mobilenet神经网络模型α为1，一般来说，在减小网络宽度因子来达到模型运行时所占计算资源的目的时，宽度因子α一般的取值为这四种尺度；在相同的训练集imagenet上进行训练时取不同宽度因子α的值所占参数总量、计算资源以及神经网络模型的精度。
13、较佳的，所述mobilenet_yolov4神经网络模型的分辨率因子β在(0，1]之间取值，简言之，分辨率因子β为mobilenet神经网络模型每一个卷积层输入图像数据的比例放缩，看作将模型每一个特征层缩减一定的比例来达到网络模型裁剪计算总量的目的，以深度可分离卷积为核心的mobilenet神经网络模型计算量s如式所示：
14、s＝dk·dk·αm·βdf·βdf+αm·αn·βdf·βdf，
15、表示了在宽度因子α不变时，在相同的训练集imagenet上进行训练时取不同分辨率因子β的值所占参数总量、计算资源以及神经网络模型的精度。
16、较佳的，所述mobilenet_yolov4神经网络模型采用mish激活函数；
17、mish激活函数表达式如下式：
18、
19、较佳的，所述mobilenet_yolov4神经网络模型在训练过程中以及模型压缩过程前后宽度因子α与分辨率因子β取值均设为0.75，保证超参数不会对网络模型精准度产生较大影响的同时，大大减小模型运行时所占用的计算资源；
20、所述mobilenet_yolov4神经网络模型在训练过程中设置需要分类的类别数为2，分别以n7与n8代表正常样本的标注数据集与故障样本的标注数据集；规划出验证集为123组，测试集为315组，设定初始学习率为0.002，整个训练过程的迭代次数为10000次；整个本文档来自技高网...
【技术保护点】
1.一种基于声纹的10kV断路器机械故障检测方法，其特征在于，包括有以下步骤：
2.根据权利要求1所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述S1中MobileNet_YOLOv4神经网络模型分成了两个独立的步骤，分别为深度卷积运算与1×1卷积过程；两个步骤在输出端拼接了非线性激活单元与BN层；MobileNet大量使用1×1卷积与深度卷积的交替使用，在MobileNet神经网络模型的训练过程中，1×1卷积占据了四分之三的参数量以及95％的计算资源。
3.根据权利要求1所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述MobileNet_YOLOv4神经网络模型的宽度因子α与分辨率因子β进行调整；
4.根据权利要求3所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述MobileNet_YOLOv4神经网络模型的分辨率因子β在(0，1]之间取值，简言之，分辨率因子β为MobileNet神经网络模型每一个卷积层输入图像数据的比例放缩，看作将模型每一个特征层缩减一定的比例来达到网络模型裁剪计
5.根据权利要求1所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述MobileNet_YOLOv4神经网络模型采用Mish激活函数；
6.根据权利要求3所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述MobileNet_YOLOv4神经网络模型在训练过程中以及模型压缩过程前后宽度因子α与分辨率因子β取值均设为0.75；
7.根据权利要求1所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述S3中在对断路器故障信号检测进行卷积运算获得特征信号之前先进行信号的变分模态分解，变分模态分解求取最优解是通过交替方向乘子法来迭代更新，即通过分析各本征模态分量的有限带宽和中心频率来将其进行重构得到原始信号；在使用变分模态分解进行信号分解时，分解出的模态分量的个数通过人为设置来控制，通过定义分解尺度K来决定将原始信号分解为多少个本征模态分量。
8.根据权利要求7所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述变分模态分解的具体原理如下：
9.根据权利要求8所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述变分模态分解对信号进行处理之后再进行改进S变换，改进的S变换的信号特征提取方法，构建改进S变换模型，建立特征参数识别机制。
10.根据权利要求9所述的一种基于声纹的10kV断路器机械故障检测方法，其特征在于：所述改进S变换实现步骤如下：
...【技术特征摘要】
1.一种基于声纹的10kv断路器机械故障检测方法，其特征在于，包括有以下步骤：
2.根据权利要求1所述的一种基于声纹的10kv断路器机械故障检测方法，其特征在于：所述s1中mobilenet_yolov4神经网络模型分成了两个独立的步骤，分别为深度卷积运算与1×1卷积过程；两个步骤在输出端拼接了非线性激活单元与bn层；mobilenet大量使用1×1卷积与深度卷积的交替使用，在mobilenet神经网络模型的训练过程中，1×1卷积占据了四分之三的参数量以及95％的计算资源。
3.根据权利要求1所述的一种基于声纹的10kv断路器机械故障检测方法，其特征在于：所述mobilenet_yolov4神经网络模型的宽度因子α与分辨率因子β进行调整；
4.根据权利要求3所述的一种基于声纹的10kv断路器机械故障检测方法，其特征在于：所述mobilenet_yolov4神经网络模型的分辨率因子β在(0，1]之间取值，简言之，分辨率因子β为mobilenet神经网络模型每一个卷积层输入图像数据的比例放缩，看作将模型每一个特征层缩减一定的比例来达到网络模型裁剪计算总量的目的，以深度可分离卷积为核心的mobilenet神经网络模型计算量s如式所示：
5.根据权利要求1所述的一种基于声纹的10kv断路器机械故障检测方法，其特征在于：所述mobilen...
【专利技术属性】
技术研发人员：薛洪杰，马龙华，
申请(专利权)人：南京优能特电力科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。