CN110398348B - 存储器、高压断路器机械故障诊断方法和装置 - Google Patents
存储器、高压断路器机械故障诊断方法和装置 Download PDFInfo
- Publication number
- CN110398348B CN110398348B CN201910524937.1A CN201910524937A CN110398348B CN 110398348 B CN110398348 B CN 110398348B CN 201910524937 A CN201910524937 A CN 201910524937A CN 110398348 B CN110398348 B CN 110398348B
- Authority
- CN
- China
- Prior art keywords
- voltage circuit
- circuit breaker
- preset
- data signals
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明公开了存储器、高压断路器机械故障诊断方法和装置,其所述方法包括步骤:通过传感器组中的多个传感器分别获取预设高压断路器的数据信号,构建包括预设高压断路器多路数据信号的信号数据库;将多路数据信号拼接为二维的数据阵列;以二维的数据阵列为训练样本通过卷积神经网络进行训练,生成用于判断预设高压断路器的工况种类的诊断模型;将预设高压断路器的多路实时数据信号分别进行预设处理,生成诊断模型的输入参数,并通过诊断模型获取预设高压断路器当前工况的诊断结果;本发明中的诊断模型,解决了现有技术中无法保障故障诊断的准确性的缺陷。
Description
技术领域
本发明涉及电力设备领域,特别是涉及存储器、高压断路器机械故障诊断方法和装置。
背景技术
高压断路器是电网中的重要控制设备和保护设备;同时,它也是能够应对电力系统中最多种类任务和需求的开关装置。因此,如何对高压断路器的故障进行及时、准确地诊断,对于保障电网安全运行有着重要的现实意义。
根据2012年出版的高压设备可靠性国际调查报告(针对60kV及以上电压等级的SF6断路器)显示,导致高压断路器无法运行的严重故障中,机械故障仍然是高压断路器的主要故障类型。
高压断路器在操作过程中,从控制指令下达到电磁铁、传动部件等部位的动作,最后到触头的分合,这一动作过程都伴随着各种碰撞声音的发生,同一结构的高压断路器动作过程均有其独特的声音信号和振动信号,在该高压断路器机械部件发生劣化时,其声学特征和振动特征往往将发生细微的变化。随着传感器和语言识别技术的发展,区分上述细微变化已经成为可能。
现有技术中,通过在高压断路器的声音信号和振动信号中提取特征的方式来作为参数,对高压断路器进行故障的诊断;发明人经过研究发现,现有技术中高压断路器的故障诊断方式至少存在以下缺陷:
由于特征数的提取远大于模拟故障的类别数,所以,在小样本的情况下,特征向量提取的方法缺乏信服力,无法保障故障诊断的准确性。
发明内容
针对现有技术的不足,本发明提供存储器、高压断路器机械故障诊断方法和装置。本发明可以提高加故障诊断的准确性。
本发明提供一种高压断路器机械故障诊断方法,包括步骤:
S11、通过传感器组中的多个传感器分别获取预设高压断路器的数据信号,构建包括所述预设高压断路器多路数据信号的信号数据库;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;所述数据信号为一维的数据序列;
S12、将多路数据信号拼接为二维的数据阵列;
S13、以所述二维的数据阵列为训练样本,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器的工况种类的诊断模型;
S14、将所述预设高压断路器的多路实时数据信号分别进行预设处理,生成所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述预设处理包括将多路一维的数据序列拼接为二维的数据阵列。
优选的,在本发明中,在所将多路数据信号拼接为二维的数据阵列之前,还包括:
分别对每路所述数据信号进行下采样,将每路所述数据信号的样本的数量均扩增预设倍数。
优选的,在本发明中,所述卷积神经网络的主体结构包括输入层,卷积层,全连接层、输出层和池化层。
优选的,在本发明中,所述卷积神经网络的卷积层的卷积核的宽度等于所述传感器组中传感器的个数。
优选的,在本发明中,所述故障工况包括有多个故障子类型;
每个所述故障子类型对应不同的故障类型。
在本发明实施例的另一面,还提供了一种高压断路器机械故障诊断装置,包括:
传感器组,包括有多个传感器,用于分别获取作为预设高压断路器的数据信号;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号为一维的数据序列;
数据库,用于存储所述预设高压断路器的数据信号;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;
转换单元,用于将多路数据信号拼接为二维的数据阵列;
训练单元,用于以所述二维的数据阵列,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器的工况种类的诊断模型;
诊断单元,获取所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述输入参数为将所述预设高压断路器的多路实时的数据信号经由所述转换单元拼接而成的二维的数据阵列。
优选的,在本发明中,还包括:
下采样单元,用于分别对所述信号数据库中的多路所述数据信号进行下采样,将每路所述数据信号的样本的数量均扩增预设倍数。
优选的,在本发明中,所述卷积神经网络的卷积层的卷积核的宽度等于所述传感器组中传感器的个数。
优选的,在本发明中,所述故障工况包括有多个故障子类型;
每个所述故障子类型对应不同的故障类型。
在本发明实施例的另一面,还提供了一种存储器,包括软件程序,所述软件程序适于由处理器执行上述高压断路器机械故障诊断方法的步骤。
由上可以看出,在本发明中,首先通过多个传感器来同步采集高压断路器的数据信号,所以可以有效的提高训练样本的数量,避免训练样本数据量太少所造成的网络过拟合;此外,在本发明实施例中,所采集的数据信号的时机包括正常工况时分闸过程(机械状态由合闸转换为分闸)和合闸过程(机械状态由分闸转换为合闸),以及,各种故障工况时的分闸过程(机械状态由合闸转换为分闸)、合闸过程(机械状态由分闸转换为合闸);这样,就记录了正常工况和每种故障工况下开合闸时对应的声音信号、振动信号和电流信号的变化值。
本发明中,采用了卷积神经网络来进行模型训练,这样,可以利用深度学习能够自提取特征的优势,让卷积神经网络算法自主挖掘数据蕴藏的信息,一方面能省去人工设计特征提取方法的步骤,另一方面还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。在本发明中,还对使传感器组所采集的数据信号进行了预设处理,将各路一维的数据信号转换为二维的数据阵列,从而使训练样本的数据格式能够更加适于擅长分析图形的卷积神经网络。
由上可知,本发明中采用卷积神经网络来进行模型训练生成的用于判断所述预设高压断路器的工况种类的诊断模型,不但能省去人工设计特征提取方法的步骤;还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。从而解决了现有技术中由于特征向量提取的方法缺乏信服力,无法保障故障诊断的准确性的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中所述高压断路器机械故障诊断方法的步骤示意图;
图2为本发明中所述将多路数据信号拼接为二维的数据阵列的示意图;
图3为本发明中所述卷积神经网络的主体结构示意图;
图4为本发明中所述池化方法的示意图;
图5为本发明中所述高压断路器机械故障诊断装置的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决了现有技术中由于特征向量提取的方法缺乏信服力,无法保障故障诊断的准确性的缺陷,如图1所示,本发明实施例提供了一种高压断路器机械故障诊断方法,包括步骤:
S11、通过传感器组中的多个传感器分别获取预设高压断路器的数据信号,构建包括所述预设高压断路器多路数据信号的信号数据库;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;所述数据信号为一维的数据序列;
在本发明实施例中,用于采集高压断路器的数据的传感器组包括有多个传感器(即,传感器的数量为两个或两个以上);在实际应用中,传感器组中的传感器可以是声音传感器、振动传感器或电流传感器;其中,当传感器组中的传感器为声音传感器时,声音传感器可以与高压断路器非接触式安装,所以其安装过程完全不影响高压断路器的运行。具体的安装位置可以是将声音传感器对称安装在距离高压断路器本体1~1.5m的同心圆上。此外,根据高压断路器型号不同,可以采用不同最低采样频率的声音传感器,以LW30-252户外瓷柱式高压断路器为例,传感器组中声音传感器的最低采样频率要达到400Hz。
可选的,本发明实施例中的传感器组中除了可以是声音传感器、振动传感器和电流传感器中的一种以外,还可以是这三种传感器中的任意组合,即,传感器组中的传感器可以包括多种传感器,这样,通过多种类型传感器的融合,能够丰富训练样本中特征的种类,从而能改善诊断模型的诊断结果的准确性和稳定性。
本发明实施例中的数据信号包括了预设工况下在各种机械状态之间进行转换时(即分闸时和合闸时)的数据信号;预设工况的种类可以包括正常工况和故障工况;在实际应用中,数据信号可以是在正常工况下进行分闸和合闸时高压断路器的声音信号(也可以包括振动信号和/或电流信号);也就是说,可以将正常工况下进行分闸时和合闸时高压断路器的声音信号作为训练样本的原始数据。此外,还可以分别将不同种故障工况下进行分闸和合闸时高压断路器的声音信号(也可以包括振动信号和/或电流信号)作为训练样本的原始数据;优选的,还可以同时将正常工况下进行分闸和合闸时高压断路器的数据信号和不同种故障工况下进行分闸和合闸时高压断路器的数据信号作为训练样本的原始数据。
S12、将多路数据信号拼接为二维的数据阵列;
在本发明实施例中,传感器组中的传感器所获取的数据信号均为一维的数字信号的序列,以数值的形式记录声音特征值、振动特征值或电流特征值;参考图2,在本发明中,还对使传感器组所采集的一维的数据信号进行了预设处理,将多路一维序列形式的数据信号拼接为二维的数据阵列,由于卷积神经网络更加适用于处理类似图形像素那样的二维数据阵列,所以通过上述拼接可以使传感器组所获取的训练样本的数据格式能够更加适于擅长分析图形的卷积神经网络。
S13、以所述二维的数据阵列为训练样本,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器的工况种类的诊断模型;
采用卷积神经网络来进行模型训练,可以利用深度学习能够自提取特征的优势,让卷积神经网络算法自主挖掘数据所蕴藏的信息,一方面能省去人工设计特征提取方法的步骤,另一方面还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。
举例来说,卷积神经网络的训练需要根据数据库中的数据,即分别以高压断路器在正常工况和故障工况下的数据信号为训练样本的原始数据。一般情况下来说,虽然本发明实施例中包括了多路传感器的数据信号,但是更多的训练样本会提高卷积神经网络所生成的诊断模型的诊断效果;因此,为了满足卷积神经网络的对于训练样本数据量的需求,在本发明实施例中,还可以对训练样本的原始数据进行扩增,即,采用下采样的方式对数据进行扩增。例如,当原始数据中的数据信号的采样频率是200kHz时,可以将其下采样到10kHz,这样,就可以使训练样本扩增到原来的20倍。需要说明的是,通过下采样来扩增训练样本的具体倍数,本领域技术人员可以根据实际需要来确定,在此并不做具体的限定。
当以正常工况下进行分闸和合闸时高压断路器的声音信号(也可以包括振动信号和/或电流信号)作为训练样本的原始数据时,通过卷积神经网络的训练所生成的诊断模型,可以辨识出非正常工况时高压断路器的声音。
当以分别各种故障工况下进行分闸和合闸时高压断路器的声音信号(也可以包括振动信号和/或电流信号)作为训练样本的原始数据时,通过卷积神经网络的训练所生成的诊断模型,可以辨识出高压断路器是否发生故障以及故障的种类。
在实际应用中,在通过卷积神经网络进行训练样本的训练过程中,可以根据验证集的识别正确率来调整并确定卷积核的长度和卷积层的层数,直至达到预设的识别正确率。
卷积神经网络的网络结构的输入层接收的多路一维的数据信号(包括声音信号、振动信号和/或电流信号)已经依次并排组合拼接为二维的数据阵列。以传感器组所包括的4个传感器分别获取4路数据信号为例,假设每路数据信号有5000个点,则卷积神经网络的输入的是4*5000的二维数据。
在实际应用中,如图3所示,卷积神经网络的主体结构可以包括输入层,卷积层,全连接层和输出层;优选的,在一层卷积层后面还可以加上一层池化层,从而形成卷积-池化模块。一般情况下,卷积层的数量需要与训练样本的数据量相匹配,训练样本的数据量越多,可以设置的卷积层也就可以越多。例如,经过下采样后训练样本有6000条数据,那么,此时,设置的卷积神经网络的主体结构就可以有八层:第一层为输入层,第二、四层为卷积层,第三、五层为池化层,第六、七层为全连接层,第八层为输出层。
需要说明的是,第一层卷积层的卷积核的宽度由输入的通道数(输入的通道数等于传感器组中传感器的数量)决定,即,卷积核的宽度数等于通道数,也就是说,二维的数据阵列有多少行,就有几个通路;例如,输入层是4*5000的二维数据,则第一层卷积核的宽度应该为4。
如图4所示,本发明实施例中,所采用的池化方法可以是最大池化或平均池化。首先将上一层划分为若干池化区域,最大池化方法取每一个池化区域内的最大值作为输出,而平均池化将每一个区域的平均值作为输出;通过池化层操作,下一层网络的参数迅速减少,网络的规模得到控制和压缩,在减少了计算量的同时,使得网络结构能够向更深层发展,本专利池化层优选的可以采用最大池化法。
全连接层将特征转为一维向量,其中第一个全连接层包含64个神经节点,第二个全连接层包含128个神经节点,每个全连接层后都使用Dropout算法,最后使用Softmax回归分类器输出分类结果。
S14、将所述预设高压断路器的多路实时数据信号分别进行预设处理,生成所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述预设处理包括将多路一维的数据序列拼接为二维的数据阵列。
在日常的监测过程中,传感器组的多路传感器实时的获取预设高压断路器的多路实时数据信号;在将数据信号存储器的同时,还需要对这些数据信号进行预设处理,即,将多路数据信号拼接为二维的数据阵列,这样,将实时获取的二维的数据阵列来作为诊断模型的输入参数,来获取对于高压断路器的诊断结果,来判断高压断路器是否发生故障,以及判断故障的种类。
优选的,在本发明实施例中,在生成诊断模型后,还可以包括有简化设备的步骤,具体的:
S21、从传感器组中确定预设数量的传感器来构建多个临时组合;
S22、分别将从所述数据库中获取每个所述临时组合中传感器所对应的数据信号拼接为二维的数据阵列作为诊断模型的输入参数来获取每个所述临时组合所对应的诊断结果;
S23、对比传感器中各个临时组合的诊断结果的准确率,保留准确率符合预设条件的临时组合中的传感器。
本发明实施例中,在生成诊断模型的过程中,传感器组中的传感器的数量越多,所获取的训练样本的数据量就越多,进而可以进一步的提高诊断模型的诊断准确性。然而过多的传感器不但会造成设备本身成本的增加,还会来带增加设备的维护成本等负面影响。
由于传感器组中的各个传感器之间存在个体性能差异或是安装位置的优劣等因素,各传感器所获得数据信号对于诊断结果的判断的参考价值也有所不同。为此,在本发明实施例中,还可以通过诊断模型来筛选传感器,即,判断哪些传感器的的组合所采集的数据能够获得更加准确地诊断结果。这样,通过只保留有限个数的传感器的数量就可以获得准确的诊断结果。从而在确保诊断结果准确性的前提下,有效的降低了设备成本和维护成本。
综上所述,本发明实施例首先通过多个传感器来同步采集高压断路器的数据信号,所以可以有效的提高训练样本的数量,避免训练样本数据量太少所造成的网络过拟合;此外,在本发明实施例中,所采集的数据信号的时机包括正常工况时分闸过程(机械状态由合闸转换为分闸)和合闸过程(机械状态由分闸转换为合闸),以及,各种故障工况时的分闸过程(机械状态由合闸转换为分闸)、合闸过程(机械状态由分闸转换为合闸);这样,就记录了正常工况和每种故障工况下开合闸时对应的声音信号、振动信号和电流信号的变化值。
本发明中,采用了卷积神经网络来进行模型训练,这样,可以利用深度学习能够自提取特征的优势,让卷积神经网络算法自主挖掘数据蕴藏的信息,一方面能省去人工设计特征提取方法的步骤,另一方面还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。在本发明中,还对使传感器组所采集的数据信号进行了预设处理,将各路一维的数据信号转换为二维的数据阵列,从而使训练样本的数据格式能够更加适于擅长分析图形的卷积神经网络。
由上可知,本发明中采用卷积神经网络来进行模型训练生成的用于判断所述预设高压断路器的工况种类的诊断模型,不但能省去人工设计特征提取方法的步骤;还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。从而解决了现有技术中由于特征向量提取的方法缺乏信服力,无法保障故障诊断的准确性的缺陷。
在本发明实施例的另一面,如图5所示,还提供了一种高压断路器机械故障诊断装置,包括:
传感器组01包括有多个传感器,用于分别获取作为预设高压断路器11的数据信号;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号为一维的数据序列;数据库02用于存储所述预设高压断路器11的数据信号;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;转换单元03用于将多路数据信号拼接为二维的数据阵列;训练单元04用于以所述二维的数据阵列,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器11的工况种类的诊断模型;诊断单元05获取所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述输入参数为将所述预设高压断路器11的多路实时的数据信号经由所述转换单元03拼接而成的二维的数据阵列。
本发明实施例首先通过多个传感器来同步采集高压断路器的数据信号,所以可以有效的提高训练样本的数量,避免训练样本数据量太少所造成的网络过拟合;此外,在本发明实施例中,所采集的数据信号的时机包括正常工况时分闸过程(机械状态由合闸转换为分闸)和合闸过程(机械状态由分闸转换为合闸),以及,各种故障工况时的分闸过程(机械状态由合闸转换为分闸)、合闸过程(机械状态由分闸转换为合闸);这样,就记录了正常工况和每种故障工况下开合闸时对应的声音信号、振动信号和电流信号的变化值。
本发明中,采用了卷积神经网络来进行模型训练,这样,可以利用深度学习能够自提取特征的优势,让卷积神经网络算法自主挖掘数据蕴藏的信息,一方面能省去人工设计特征提取方法的步骤,另一方面还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。在本发明中,还对使传感器组所采集的数据信号进行了预设处理,将各路一维的数据信号转换为二维的数据阵列,从而使训练样本的数据格式能够更加适于擅长分析图形的卷积神经网络。
由上可知,本发明中采用卷积神经网络来进行模型训练生成的用于判断所述预设高压断路器的工况种类的诊断模型,不但能省去人工设计特征提取方法的步骤;还能增强对不同电压等级、不同类型断路器机械故障诊断的适应性。从而解决了现有技术中由于特征向量提取的方法缺乏信服力,无法保障故障诊断的准确性的缺陷。
优选的,在本发明中,还可以包括:下采样单元(图中未示出)下采样单元用于分别对所述信号数据库中的多路所述数据信号进行下采样,将每路所述数据信号的样本的数量均扩增预设倍数,具体来说:
卷积神经网络的训练需要根据数据库中的数据,即分别以高压断路器在正常工况和故障工况下的波形信号数据信号为训练样本的原始数据。一般情况下来说,虽然本发明实施例中包括了多路传感器的波形信号数据,但是更多的训练样本会提高卷积神经网络所生成的诊断模型的诊断效果;因此,为了满足卷积神经网络的对于训练样本数据量的需求,在本发明实施例中,还可以通过下采样单元对训练样本的原始数据进行扩增,即,采用下采样的方式对数据进行扩增。例如,当原始数据中的波形信号数据信号的采样频率是200kHz时,可以将其下采样到10kHz,这样,就可以使训练样本扩增到原来的20倍。需要说明的是,通过下采样来扩增训练样本的具体倍数,本领域技术人员可以根据实际需要来确定,在此并不做具体的限定。
优选的,在本发明中,所述卷积神经网络的卷积层的卷积核的宽度等于所述传感器组中传感器的个数。优选的,在本发明中,所述故障工况包括有多个故障子类型;每个所述故障子类型对应不同的故障类型。
由于本发明实施例中高压断路器机械故障诊断装置的工作原理和有益效果已经在实施例1中的高压断路器机械故障诊断方法中进行了记载和说明,因此可以相互参照,在此就不再赘述。
在本发明实施例的另一面,还提供了一种存储器,包括软件程序,所述软件程序适于由处理器执行图1所对应实施例中的高压断路器机械故障诊断方法的步骤。
本发明实施例可以通过软件程序的方式来实现,即,通过编写用于实现图1所对应的高压断路器机械故障诊断方法中的各个步骤的软件程序(及指令集),所述软件程序存储于存储设备中,存储设备设于计算机设备中,从而可以由计算机设备的处理器调用该软件程序以实现本发明实施例的目的。
当所述存储器被所述一个或者多个处理器执行时,执行:
S11、通过传感器组中的多个传感器分别获取预设高压断路器的数据信号,构建包括所述预设高压断路器多路数据信号的信号数据库;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;所述数据信号为一维的数据序列;
S12、将多路数据信号拼接为二维的数据阵列;
S13、以所述二维的数据阵列为训练样本,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器的工况种类的诊断模型;
S14、将所述预设高压断路器的多路实时数据信号分别进行预设处理,生成所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述预设处理包括将多路一维的数据序列拼接为二维的数据阵列。
优选的,在本发明实施例中,
在所将多路数据信号拼接为二维的数据阵列之前,还包括:
分别对每路所述数据信号进行下采样,将每路所述数据信号的样本的数量均扩增预设倍数。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储设备中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储设备包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、ReRAM、MRAM、PCM、NAND Flash,NOR Flash,Memristor、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种高压断路器机械故障诊断方法,其特征在于,包括步骤:
S11、通过传感器组中的多个传感器分别获取预设高压断路器的数据信号,构建包括所述预设高压断路器多路数据信号的信号数据库;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;所述数据信号为一维的数据序列;
S12、将多路数据信号拼接为二维的数据阵列;
S13、以所述二维的数据阵列为训练样本,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器的工况种类的诊断模型;所述卷积神经网络的卷积层的卷积核的宽度等于所述传感器组中传感器的个数;
S14、将所述预设高压断路器的多路实时数据信号分别进行预设处理,生成所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述预设处理包括将多路一维的数据序列拼接为二维的数据阵列;
在生成诊断模型后,还包括:
S21、从传感器组中确定预设数量的传感器来构建多个临时组合;
S22、分别将从所述数据库中获取每个所述临时组合中传感器所对应的数据信号拼接为二维的数据阵列作为诊断模型的输入参数来获取每个所述临时组合所对应的诊断结果;
S23、对比传感器中各个临时组合的诊断结果的准确率,保留准确率符合预设条件的临时组合中的传感器。
2.根据权利要求1中所述高压断路器机械故障诊断方法,其特征在于,在所将多路数据信号拼接为二维的数据阵列之前,还包括:
分别对每路所述数据信号进行下采样,将每路所述数据信号的样本的数量均扩增预设倍数。
3.根据权利要求1中所述高压断路器机械故障诊断方法,其特征在于,所述卷积神经网络的主体结构包括输入层,卷积层,全连接层、输出层和池化层。
4.根据权利要求1中所述高压断路器机械故障诊断方法,其特征在于,所述故障工况包括有多个故障子类型;
每个所述故障子类型对应不同的故障类型。
5.一种高压断路器机械故障诊断装置,其特征在于,包括:
传感器组,包括有多个传感器,用于分别获取作为预设高压断路器的数据信号;所述传感器包括声音传感器、振动传感器和电流传感器中的一种及其任意组合;所述数据信号为一维的数据序列;
信号数据库,用于存储所述预设高压断路器的数据信号;所述数据信号包括预设工况下在各种机械状态之间进行转换时的数据信号;所述预设工况的种类包括正常工况和/或故障工况;
转换单元,用于将多路数据信号拼接为二维的数据阵列;
训练单元,用于以所述二维的数据阵列,通过卷积神经网络进行训练,生成用于判断所述预设高压断路器的工况种类的诊断模型;
诊断单元,用于获取所述诊断模型的输入参数,并通过所述诊断模型获取所述预设高压断路器当前工况的诊断结果;所述输入参数为将所述预设高压断路器的多路实时的数据信号经由所述转换单元拼接而成的二维的数据阵列;在生成诊断模型后,还用于:从传感器组中确定预设数量的传感器来构建多个临时组合;分别将从所述数据库中获取每个所述临时组合中传感器所对应的数据信号拼接为二维的数据阵列作为诊断模型的输入参数来获取每个所述临时组合所对应的诊断结果;对比传感器中各个临时组合的诊断结果的准确率,保留准确率符合预设条件的临时组合中的传感器。
6.根据权利要求5中所述高压断路器机械故障诊断装置,其特征在于,还包括:
下采样单元,用于分别对所述信号数据库中的多路所述数据信号进行下采样,将每路所述数据信号的样本的数量均扩增预设倍数。
7.根据权利要求5或6中所述高压断路器机械故障诊断装置,其特征在于,所述卷积神经网络的卷积层的卷积核的宽度等于所述传感器组中传感器的个数。
8.根据权利要求5中所述高压断路器机械故障诊断装置,其特征在于,所述故障工况包括有多个故障子类型;
每个所述故障子类型对应不同的故障类型。
9.一种存储器,其特征在于,包括软件程序,所述软件程序适于由处理器执行如权利要求1至4中任一所述高压断路器机械故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524937.1A CN110398348B (zh) | 2019-06-18 | 2019-06-18 | 存储器、高压断路器机械故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524937.1A CN110398348B (zh) | 2019-06-18 | 2019-06-18 | 存储器、高压断路器机械故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398348A CN110398348A (zh) | 2019-11-01 |
CN110398348B true CN110398348B (zh) | 2021-02-09 |
Family
ID=68323206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524937.1A Active CN110398348B (zh) | 2019-06-18 | 2019-06-18 | 存储器、高压断路器机械故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398348B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703075B (zh) * | 2019-09-10 | 2022-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于大数据技术的高压断路器快速检修方法 |
CN110929769B (zh) * | 2019-11-14 | 2023-02-10 | 国网吉林省电力有限公司超高压公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
CN110926782B (zh) * | 2019-12-06 | 2022-03-29 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
CN111340238B (zh) * | 2020-03-12 | 2023-12-15 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
CN111272405B (zh) * | 2020-03-26 | 2022-08-16 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械故障诊断方法及系统 |
CN111461298A (zh) * | 2020-03-26 | 2020-07-28 | 广西电网有限责任公司电力科学研究院 | 一种用于断路器故障识别的卷积神经网络及方法 |
CN111796180A (zh) * | 2020-06-23 | 2020-10-20 | 广西电网有限责任公司电力科学研究院 | 一种高压开关机械故障的自动识别方法及装置 |
CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
CN112200032B (zh) * | 2020-09-28 | 2023-05-30 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN113466681B (zh) * | 2021-05-31 | 2024-05-10 | 国网浙江省电力有限公司营销服务中心 | 一种基于小样本学习的断路器寿命预测方法 |
CN114841222B (zh) * | 2022-07-04 | 2022-10-28 | 广东汇盈电力工程有限公司 | 构建高压断路器故障检测模型的方法、检测方法及配电系统 |
CN117554798A (zh) * | 2023-11-14 | 2024-02-13 | 中国南方电网有限责任公司超高压输电公司广州局 | 高压断路器异常监测模型训练方法、装置和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444708B (zh) * | 2018-04-16 | 2021-02-12 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN109873610B (zh) * | 2019-03-19 | 2020-04-10 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
-
2019
- 2019-06-18 CN CN201910524937.1A patent/CN110398348B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110398348A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398348B (zh) | 存储器、高压断路器机械故障诊断方法和装置 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN108120900B (zh) | 一种配电网故障定位方法及系统 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
US20040133833A1 (en) | Apparatus for selecting test patterns for logic circuit, computer implemented method for selecting test patterns, and computer program product for controlling a computer system so as to select test patterns | |
CN111524118B (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
CN109638826B (zh) | 一种基于cnn的电网拓扑辨识方法及系统 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN108415810A (zh) | 一种硬盘状态监控方法和装置 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN113378778A (zh) | 一种基于自编码器的有载分接开关故障诊断方法 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
CN111080168A (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN111953657B (zh) | 一种序列-数据联合驱动的配电网cps网络攻击辨识方法 | |
CN114722923A (zh) | 一种轻量型的机电设备故障诊断方法 | |
CN113899987A (zh) | 基于深度金字塔卷积神经网络的电网故障诊断方法 | |
CN113611568A (zh) | 一种基于遗传卷积深度网络的真空断路器 | |
KR102389439B1 (ko) | 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법 | |
CN108459933A (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN112748330A (zh) | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 | |
CN106706294A (zh) | 基于声学指纹的开关设备机械状态监测系统和方法 | |
CN111935762B (zh) | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |