[发明专利]一种基于深度学习的万能式断路器附件故障诊断方法

摘要

本发明为基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，考虑到分合闸线圈电流信号的特点，采用自适应一维深度卷积神经网络，并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域；然后，利用特征提取层对电流信号进行自适应特征提取；最后，利用Softmax分类器输出故障诊断结果。分合闸附件的故障诊断结果表明，本发明不仅能对不同合闸相角下同一故障进行有效识别，而且在泛化实验中仍能保持较高的故障识别率，能够有效克服合闸相角变化对故障诊断结果的影响。

主权项

1.一种基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，其包括以下步骤：第一步，采集断路器不同合闸相角下不同工作状态的分合闸线圈电流信号形成总样本，随机分为训练样本和测试样本，并对每个样本进行工作状态类别标记，每个样本类别标记用Ym表示，Y1～Y9分别记为＝0、1、…、8，分别对应九种工作状态，即正常合闸、铁心卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝间短路、正常分闸、顶杆阻力异常、衔铁行程不足、分闸线圈匝间短路；第二步，建立AW‑1DCNN模型，确定AW‑1DCNN模型参数，初始化AW‑1DCNN模型的权值和偏置：所述AW‑1DCNN模型包括输入层、特征提取层及输出层，特征提取层由多层交叠的卷积层、批归一化层、激活层和池化层构成，一个卷积层、批归一化层、激活层和池化层构成一个重复单元，特征提取层由多个这样的重复单元依次连接，完成对原始数据自适应特征学习，结合全连接层中Softmax分类器实现故障分类，根据断路器分合闸线圈电流信号的特点，即在20kHz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为10³数量级，设计AW‑1DCNN模型卷积核的大小，第一层卷积层设为宽卷积核，其余卷积层均为小卷积核，宽卷积核的大小大于小卷积核大小；第三步，输入训练样本，进行AW‑1DCNN训练学习：通过前向传播求得AW‑1DCNN模型输出与预期目标的误差，判断AW‑1DCNN模型是否收敛，若AW‑1DCNN模型收敛，则执行第五步，否则执行第四步；第四步，反向传播和权值优化，利用BP反向传播算法，将第三步求得的误差反向逐层分配到每个节点，并更新权值，重复执行第三步，直至AW‑1DCNN模型收敛；第五步，将测试样本作为输入，输入到已经收敛的AW‑1DCNN模型中，当测试样本的准确率达到90％以上则完成AW‑1DCNN模型的修正，若准确率不满足实际诊断要求，则返回优化第二步的模型参数；第六步，将待诊断对象输入上述满足要求的AW‑1DCNN模型，输出低压万能式断路器分合闸附件的故障诊断结果。