[发明专利]基于深度学习的高压并联电抗器振动异常故障诊断方法

权利要求书

1.基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于，该异常故障诊断方法包括以下步骤：

电抗器振动信号采集；

数据预处理，将时序振动信号转化为图像信号；

建立数据集；

进行Incep-DenseNet网络故障诊断训练与测试。

2.根据权利要求1所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：时序振动信号转化为图像信号时，原始一维数据按顺序被均分为N段，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点；S(i),i＝1,2,…,N2，代表一维原始数据，F(j,k),j＝1,2,…,N,k＝1,2,…,N,代表图像中的像素点；转化过程依据下式：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

3.根据权利要求1所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：基于Incep-DenseNet网络搭建多尺度卷积层及密集连接网络架构，实现了多尺度特征提取和多层次特征融合；Incep-DenseNet网络包括Inception模块。

4.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：Inception模块由4种不同的特征提取模式组成，包括1x1卷积核、3x3卷积核、5x5卷积核以及3x3池化核。

5.根据权利要求4所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：通过Concat融合操作将不同尺度特征图并行拼接，实现对Inception模块输入数据的多尺度特征提取与融合。

6.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：在Inception模块内，输入数据都要先经过批量归一化以及Relu函数激活后再执行卷积操作；归一化使得网络中每层输入数据的分布相对稳定从而加速模型学习速度，且降低模型对网络参数的敏感度、简化调参过程，使得网络学习更加稳定；Relu激活函数不存在饱和问题，避免训练过程种梯度消失，使得深层网络加速收敛。

7.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：在Incep-Dense模块内部，每个网络层的输出与后续所有网络层输入直接建立联系。

8.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：Incep-Dense模块中的每个网络层输入通过密集连接方式将前面所有网络层的输出特征图并行拼接Concat操作，实现特征复用与多层次特征融合。

9.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：Incep-DenseNet网络由4个Incep-Dense模块组成，毗邻的Incep-Dense模块通过瓶颈层连接。

10.根据权利要求9所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：在数据处理过程中，通过卷积层对输入数据进行特征提取，特征图逐次经由4个Incep-Dense模块进行多尺度特征提取与多层次特征融合，经由全连接层和softmax层执行特征分类。