[发明专利]基于神经网络的断路器故障诊断方法

权利要求书

1.一种基于神经网络的断路器故障诊断方法，其特征在于，包含以下步骤：

步骤1，利用加速度传感器采集断路器在合闸操作过程中产生的加速度波形信号；

步骤2，采用小波包—能量熵技术来提取真空断路器在不同状态的振动信号特征量；

步骤3，利用深度神经网络对故障状态和正常状态进行一次分类；

步骤4，采用BP神经网络对故障状态进行具体分类。

2.根据权利要求1所述的基于神经网络的断路器故障诊断方法，其特征在于，步骤1中，所述加速度传感器的采样频率为40kHz，设置原始信号的采样点共计为8000点，再通过一个100~150点可移动的矩形窗寻找有效数据的起始点，设置好矩形窗的阈值，在断路器合闸启动时，矩形窗内部的数据方差会突变，以此作为判断条件，来截取有效的振动信号数据序列，截取有效信号的长度为4096点，此段信号大概包含了合闸启动后100ms左右的内容。

3.根据权利要求1所述的基于神经网络的断路器故障诊断方法，其特征在于，步骤2所述的小波包—能量熵技术是选用db4小波对采集到的振动信号进行4层分解，再用信息熵对分解后的数据序列进行量化表达；

步骤2的具体过程包括如下步骤：

2-1）通过积分的方式计算各个频带的能量，计算公式如下；

，其中（L为分解层数），i=1，2，...，N；

2-2）经过归一化处理后，计算能量熵；

归一化处理公式为；

计算能量熵的公式为；

2-3）将得到一组含有16个能量熵的向量T，即

。

4.根据权利要求1所述的基于神经网络的断路器故障诊断方法，其特征在于，步骤3中，所述的深度神经网络的搭建过程包括如下步骤：

3-1）定义网络结构；

3-2）初始化模型参数；

3-3）循环计算，前向传播/计算当前损失/反向传播/权值更新。

5.根据权利要求1所述的基于神经网络的断路器故障诊断方法，其特征在于，步骤4中，所述的BP神经网络采用了1个隐含层，隐含层的神经元节点数定为25个，输入层含有16个节点，输出层含有5个节点，调用带动量的梯度下降算法进行学习；进行检测时，只需输入某一情况下的特征向量，利用已学习过的BP神经网络进行运算，输出一个5元的向量，与目标向量进行比对，从而判断断路器的状态。

6.根据权利要求5所述的基于神经网络的断路器故障诊断方法，其特征在于，所述带动量的梯度下降算法的具体实现过程包括如下步骤：

4-1）输入N个学习样本；

4-2）构建BP神经网络结构；

4-3）设置误差限定值，最大迭代数，学习率以及冲量系数，最开始的迭代次数t=1，训练数据序列k=1；

4-4）取第k个学习样本；

4-5）由进行信号正向传播计算；

4-6）输入的信号通过权值矩阵处理向前传递，算出BP网络输出层各节点的误差：

；

4-7）如果对N个训练数据的任一数据序列k值使得或者，那么训练结束；如果不满足要求，则将误差按网络进行反向传播，对权值矩阵做修改；

4-8）误差反向传播计算；

4-9）令，，跳转到步骤4-4）。