CN110926782A - 断路器故障类型判断方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及断路器故障类型判断技术领域，具体涉及一种断路器故障类型判断方法、装置、电子设备及存储介质，该检测方法包括以下步骤：获取断路器的声音信号和振动信号的声音时频图和振动时频图；通过双通道CNN模型分别对声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将声音特征图和振动特征图进行特征融合，得到融合特征图；利用分类器根据融合特征图判断所属的故障类型。本发明实施例采用双通道CNN模型分别提取声音时频图和振动时频图的特征图，并将所提取的声音特征图与振动特征图进行融合，以获得更加丰富的图像特征，最后通过分类器根据融合后的融合特征图获得故障类型，提高了断路器故障类型判断的识别准确率。

Description

断路器故障类型判断方法、装置、电子设备及存储介质

技术领域

本发明涉及断路器故障类型判断技术领域，具体涉及一种断路器故障类型判断方法、装置、电子设备及存储介质。

背景技术

电力系统向大容量、超高压和跨区域输电方向发展，对电气设备的安全运行提出了更高的要求。随着国家智能电网建设和泛在物联网的全面实施，对运行中的电气设备广泛开展在线监测和诊断，以实现设备的及时而准确的状态评估，及早发现其内部的固有缺陷和隐患，这一工作变得越来越重要。但是，断路器在线监测信号采集的测量环节易受周围环境强磁场、强电场、设备运行方式以及自然环境变化的影响，其监测信号特征具有不精确和多样化等特点，且故障与故障、故障与特征量之间存在较为复杂的联系。而且，断路器一般情况下动作较少，获取大量的动作状态信息较为困难，故希望在一次动作发生时尽可能多的获取各种信息，为故障类型判断提供理论依据和技术支持。利用非侵入式振动信号诊断断路器故障方法简单有效，实用性强，通常采用压电式加速度传感器采集信号，但传感器安装和耦合方式影响信号频率响应范围。鉴于声音信号可由非接触式传感器获取，测量频带宽，且往往伴随电机振动同源产生，可以有效弥补振动传感器非刚性连接问题和频带限制产生的失效现象。探索声振信号联合互补的处理方法，利用非侵入式多传感器监测优势，对断路器进行故障类型判断具有重要研究价值。

随着深度学习理论的不断发展，卷积神经网络在图像识别、语音识别等领域得到了广泛应用。CNN作为典型的深度学习算法，具备强大的特征学习能力，自适应性好、运行速度快，具备良好的自学习和并行处理能力，在机械设备的故障类型判断中具有一定优势。现阶段的故障类型判断研究，有基于电流信号进行CNN的故障类型判断、对轴承振动信号进行了单层卷积、对振动信号进行EEMD分解后构造特征数据集等。

发明人在实践中，发现上述现有技术存在以下缺陷：

上述研究对机械故障类型判断取得了一定效果，但缺乏对信号提纯处理，其特征提取过程复杂，需要人工干预，且受到样本数据量限制造成故障识别准确率不高。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种断路器故障类型判断方法、装置、电子设备及存储介质，所采用的技术方案具体如下：

第一方面，本发明实施例提供了一种断路器故障类型判断方法，该检测方法包括以下步骤：

获取断路器的声音信号和振动信号的声音时频图和振动时频图；

通过双通道CNN模型分别对所述声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将所述声音特征图和所述振动特征图进行特征融合，得到融合特征图；

利用分类器根据所述融合特征图判断所属的故障类型。

第二发明，本发明另一个实施例提供了一种断路器故障类型判断装置，该装置包括：

时频获取模块，用于获取断路器的声音信号和振动信号的声音时频图和振动时频图；

特征融合模块，用于通过双通道CNN模型分别对所述声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将所述声音特征图和所述振动特征图进行特征融合，得到融合特征图；

故障分类模块，用于利用分类器根据所述融合特征图判断所属的故障类型。

第三方面，本发明另一个实施例提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述任意一项所述的方法。

第四方面，本发明另一个实施例提供了一种存储介质，该存储介质中存储有计算机可读的程序指令，所述程序指令被处理器执行时实现上述任意一项所述的方法。

本发明具有如下有益效果：

本发明实施例所提供的一种断路器故障类型判断方法采用双通道CNN模型分别提取声音时频图和振动时频图的特征图，并将所提取的声音特征图与振动特征图进行融合，以获得更加丰富的图像特征，最后通过分类器根据融合后的融合特征图获得故障类型，提高了断路器故障类型判断的识别准确率。

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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。

图1为本发明一个实施例所提供的一种断路器故障类型判断方法流程图；

图2为本发明另一个实施例所提供的一种断路器故障类型判断方法流程图；

图3为本发明实施例关于断路器在不同状态下去噪后的信号波形图；

图4为图3中断路器不同状态下的时频图；

图5为本发明实施例关于双通道CNN模型结构的结构示意图；

图6为本发明实施例关于单通道CNN结构的结构示意图；

图7为本发明实施例关于单通道CNN提取图像特征的流程图；

图8为本发明实施例关于模型在不同状态下的学习特征的可视化示意图；

图9为本发明实施例关于模型的准确率与训练次数的关系曲线图；

图10为本发明另一个实施例提供的一种断路器故障类型判断装置的结构框图；

图11是本发明实施例提供的一种终端设备的结构示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种断路器故障类型判断方法、装置、电子设备及存储介质，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的属于只是为了描述具体的实施例的目的，不是旨在于限制本发明。

下面结合附图具体的说明本发明所提供的一种断路器故障类型判断方法、装置、电子设备及存储介质的具体方案。

请参阅图1和图2，为了提高故障识别准确率，本发明实施例提出了一种双通道CNN模型，该模型通过两个独立的CNN模型来获得两组设备特征，这两组特征在顶端经过交叉混合操作，即可得到最终的设备图像特征。具体的，一种断路器故障类型判断方法，包括以下步骤：

步骤S001，获取断路器的声音信号和振动信号的声音时频图和振动时频图。

针对断路器运行状况，通过声音传感器和振动传感器同时采集声音信号和振动信号，并将所采集到的声音信号和振动信号存储到一个信号文件中。在进行故障类型判断时，需要将该信号文件中所存储的多路信号中将声音信号和振动信号分离出来。

优选的，在得到分离信号之后，通过小波阈值去噪分别对声音信号和振动信号进行去噪处理。

小波阈值去噪的基本思想是：将需要去噪的信号通过Mallat算法处理过的小波变换后，选择产生的小波系数。因为信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数小于信号的小波系数。通过选取一个合适的阈值，大于阈值的小波系数被认为是有信号产生的，应予以保留；小于阀值的小波系数则认为是噪声产生的，将其置为零，从而达到去噪的目的。

请参阅图3，其示出了去噪后的断路器不同状态下的信号波形图，其中，图3A为断路器正常状态、图3B为机构卡涩状态、图3C为基座松动状态、图3D为弹簧疲劳状态的振动信号的时域波形图。从图中可以看到，不同状态的时域波形存在一定的区别，但对于非专业人员也无法完成对信号状态的识别，且这些信号只是个别理想信号，实际上有些状态的信号波形很相近而难以区分。因此，单独依靠信号的时域波形进行状态识别是不可靠的。

在对信号进行去噪后，通过连续小波变换获取到各自对应的声音时频图和振动时频图。具体的，将去噪后的信号进行连续小波变换(CWT)得到时频图，CWT表达式为：

WT_f(a,τ)为小波变换系数，a代表尺度，τ是时间常数，t代表时间点。

连续小波变换的关键是小波基函数的选取，选择的小波基函数波形应与信号的故障特征相似。由于Morlet小波波形与断路器故障产生的冲击特征相似，而cmor小波是Morlet小波的复数形式，且自适应性能更好。因此，选择cmor小波作为CWT的小波基函数。

采用cmor3-3小波基对轴承样本数据集中的信号进行连续小波变换，生成时频图。以图3的4个信号为例，进行连续小波变换后得到的时频图如图4所示，图中A为断路器正常状态的时频图、B为机构卡涩状态的时频图、C为基座松动状态的时频图、D为弹簧疲劳状态的时频图。

步骤S002，通过双通道CNN模型分别对所述声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将所述声音特征图和所述振动特征图进行特征融合，得到融合特征图。

请参阅图5，双通道CNN模型包括两个独立的网络结构相同的声音特征提取通道CNN和振动特征提取通道CNN，每个通道CNN包括4层神经网络，包括卷积层2个，全连接层2个。在第5层，双通道卷积神经网络先将声音特征提取通道CNN的第4层和振动特征提取通道CNN的第4层的输出进行一次交叉连接作为第6层的输入，并在第5层将交叉后的结果拆分为两部分，每部分的神经元个数为128；然后在第6层将两条变换流提取的CNN特征再次进行混合操作，得到一个64维的特征向量，这个64维的特征向量即为双通道卷积神经网络所得的融合特征图。

将双通道CNN模型所获得的两组特征数据进行交叉混合操作的具体过程包括：先将两个全连接层的输出进行一次交叉连接，作为下一个全连接层的输入；然后将下一个全连接层拆分为两部分，并对这两部分数据进行一次混合连接，得到的特征向量即为图像的融合特征图。所获得的融合特征图的图像特征抽象层度高，表达能力强。与单通道CNN相比较，双通道CNN将声音信号和振动信号特征进行融合，获得更加丰富的图像特征。

具体的，卷积神经网络(CNN)是一种高效识别模型，通常由输入层、卷积层、池化层、全连接层和输出层组成。每一层的权值矩阵与特征矩阵进行卷积，前一层的卷积结果经过激活函数运算会输出成为下一个神经元，以便构造下一层对应的特征。

卷积层通过卷积核对输入数据进行卷积，利用非线性激活函数构造特征矢量。同一个卷积核在卷积过程中共享参数，故一个卷积核得到一类特征。计算过程如下：

式中:

为第l层特征矢量第j个神经元的输入；f为激励函数；N_j为输入特征矢量，

为第l-1层特征矢量第i个神经元的输出；

为第l层特征矢量第j个神经元对应的卷积核参数中的元素；

为第l层特征矢量第j个神经元的偏置参数。

通常选择修正线性单元(rectified linear unit，ReLU)作为非线性激活函数，可以使得一部分的神经元输出为0，减少参数的相互依赖，提高网络的稀疏性。ReLU的计算如下：

式中

是

的激活值，

代表卷积运算的输出值。

池化层对输入数据进行缩放映射，对数据降维同时提取特征。池化包含平均池化和最大池化，本实施例采用最大池化，其变换函数为：

式中：W为卷积核宽度，

为第l层第i个特征中第t个神经元的值，

为第l+1层第j个神经元对应的值。

CNN的输出层对最后一个池化层的输出进行全连接，然后采用Soft-Max分类器解决多分类问题，模型为：

O＝f(b_o+f_vw_o)

式中：b_o为偏差向量，f_v为特征矢量，w_o为权值矩阵。

请参阅图6，其示出了关于单通道CNN结构的示意图。单通道CNN结构主要由卷积层和池化层组成。其中，卷积层是通道中最核心的单元，通道包含两个卷积层，第一个卷积层提取出时间序列的低阶邻域特征，第二个卷积层将低阶邻域特征组合成高阶的复杂特征。每个卷积层后加入最大值池化层以减少模型参数，同时增强模型鲁棒性。CNN通道最后连接了两个全连接层，将CNN提取到的特征映射到一个长度为d的向量上，方便将双通道的特征合并。单通道神经网络各层参数如表1所示：

表1 CNN参数设置

网络层	特点描述
		卷积层1	3×3×32
池化层1	2×2、最大池化
		卷积层2	3×3×64
池化层2	2×2、最大池化
		全连接层1	256
全连接层2	128

请参阅图7，其示出了单通道CNN提取图像特征的具体流程，对于单通道CNN模型，在训练时，将去噪后的时频图输入该单通道CNN网络，前向传播(FP)算法通过多次卷积操作和下采样操作来获取图像特征；反向传播(BP)算法则根据已知图像的信息来对网络参数进行误差修正，进而获得提取的特征图像。

具体的，对于前向传播(FP)算法：

设X_L为前面一层的输出结果，FP的输出可以表示为：

z＝g_L(X_L；w_L)

其中，W_L代表权值矩阵，g_L代表激活函数，本实施例选取ReLU作为激活函数。

在网络顶层，使用对数损失误差函数来计算输出结果与实际结果之间的差值，则L层的损失函数可表示为：

其中，x_i为输入值，n为测试集中图像的数量，y_i为x_i所属类别，λ是L2正则化系数，X_i为前一层的输出结果，w_i代表权值矩阵，w_j为权值矩阵中第j个元素，L代表网络层数，K为权值矩阵的元素个数。

反向传播(BP)算法：

CNN网络的目标函数为：

BP算法使用下式对w_L的值进行更新：

其中，Y_L代表第L层的期望输出。

在求取目标函数最优解的过程中，通过不断使用公式(a)进行迭代操作即可使模型的输出值和实际值之间的误差达到收敛状态。

双通道卷积神经网络的两个交叉混合层的权值使用下式进行更新：

其中，g¹和g²分别表示交换流1和交换流2的变换函数；w¹和w²分别表示交换流1和交换流2的权值矩阵。

步骤S004，利用分类器根据所述融合特征图判断所属的故障类型。

本发明实施例通过双通道CNN网络获取融合特征图，利用分类器对所得到的融合特征图进行故障类型的判断，进而获得断路器的故障类型。具体到本实施例中，分类器采用Soft-Max作为分类器进行分类。

在实践中，对实验结果进行如下分析：

分别对ZN65-12型断路器进行了正常运行、机构卡涩、基座松动和弹簧断裂试验，在不同状态下采集声音和振动信号数据样本。每类样本采集1000组数据，每组数据包含50000个采样点，训练样本和测试样本比例设置分别为0.8和0.2。模型采用RMSprop优化器，初始学习率设置为0.01，衰减率为0.99，迭代次数500次，采用最小均方误差(mean squareerror，MSE)作为损失函数。

式中

为第i个样本的预测，

为第i个样本的真实分类，N为样本个数。为了对学习到的效果进行验证，利用主成分分析(Principal Components Analysis，PCA)对学习特征进行可视化。

请参阅图8，模型各状态下的学习特征聚集在相应的区域内，说明模型的区分性很好。

采用Soft-Max作为分类器进行分类，请参阅图9，随着训练次数的增加，模型的识别准确率逐渐上升，损失值逐渐减小，在迭代340次后准确率和损失值趋于稳定。

请参阅表2，其示出了分类结果，对每类状态的200个测试样本进行测试，实验结果标明模型总的分类准确率达到了98％，证明了声振联合更能全面准确地反映断路器的运行状态。

表2测试样本分类结果

类别	正常状态	机构卡涩	基座松动	弹簧疲劳	样本数	准确率
							正常状态	196	2	1	1	200	98％
机构卡涩	3	195	1	1	200	97.5％
							基座松动	0	1	196	3	200	98％
弹簧疲劳	1	0	2	197	200	98.5％

为了测试本实施例所提双通道CNN的有效性，本实施例对单通道CNN、SVM、BP和RVM四种算法进行效果对比：单通道CNN针对单一信号进行诊断，其它三种方法采用EEMD算法对未经预处理的原始信号进行分解，然后利用SVM、BP和RVM进行诊断，不同算法准确率如表3所示。

表3不同智能算法准确率对比

由表3可知，CNN的分类准确率高于其他算法，这主要得益于CNN权值共享、池化、全连接等独特结构，这些结构使得CNN具有尺度位移与不变性、区域感知的特点，能对特征进行全面学习，容错能力强，弥补了其他浅层分类算法特征学习不充分、泛化能力差的缺点。而双通道CNN由于结合声音信号和振动信号特征，使得对断路器诊断效果更好。

需要说明的是，基于与方法实施例同样的发明构思，还提供了装置实施例，具体如下：

请参阅图10，其示出了本发明另一个实施例所提供的一种断路器故障类型判断装置的结构框图，该断路器故障类型判断装置包括时频获取模块101、特征融合模块102和故障分类模块103。

具体的，时频获取模块101用于获取断路器的声音信号和振动信号的声音时频图和振动时频图。特征融合模块102用于通过双通道CNN模型分别对声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将声音特征图和振动特征图进行特征融合，得到融合特征图。故障分类模块103用于利用分类器根据融合特征图判断所属的故障类型。

优选的，该装置还包括预处理模块104，该预处理模块104用于对声音信号和振动信号进行去噪处理。

优选的，特征融合模块102还包括：两个独立的网络结构相同的声音特征提取通道CNN模块1021和振动特征提取通道CNN模块1022。

优选的，时频获取模块101包括声音时频变换模块1011和振动时频变换模块1012，声音时频变换模块1011用于根据声音信号通过连续小波变换获取相应的声音时频图；振动时频变换模块1012用于根据振动信号通过连续小波变换获取相应的振动时频图。

本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的一种断路器故障类型判断方法。

存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

所述电子设备可以为终端设备，请参阅图11，其所示为本发明实施例提供的一种终端设备的结构示意图，该终端设备用于实施上述实施例中提供的一种断路器故障类型判断方法。具体来讲：

终端设备1100可以包括RF(RadioFrequency，射频)电路1150、包括有一个或一个以上计算机可读存储介质的存储器1120、输入单元1130、显示单元1140、声音传感器1170、振动传感器1180、WiFi(wirelessfidelity，无线保真)模块1160、包括有一个或者一个以上处理核心的处理器1110、以及电源110等部件。本领域技术人员可以理解，图11中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

RF电路1150可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器处理；另外，将涉及上行的数据发送给基站。通常，RF电路1150包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(LowNoiseAmplifier，低噪声放大器)、双工器等。此外，RF电路1150还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobilecommunication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(CodeDivision Multiple Access，码分多址)、WCDMA(Wide band Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service，短消息服务)等。

存储器1120可用于存储软件程序以及模块，处理器1110通过运行存储在存储器1120的软件程序以及模块，从而执行各种功能应用以及数据处理。在存储器1120中存储有一个或者一个以上程序，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于执行上述方法实施例提供的一种断路器故障类型判断方法的指令。

输入单元1130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元1130可包括图像输入设备1131以及其他输入设备1132。图像输入设备1131可以是摄像头，也可以是光电扫描设备。除了图像输入设备1131，输入单元还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及终端设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1140可包括显示面板，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)等形式来配置显示面板。

终端设备1100可包括至少一种声音传感器1170，声音传感器1170可以采用高保真子弹型针孔式降噪微音监听器，或者其他的能够监听断路器动作过程声音信号的传感器，声音传感器1170可以将接收到的声音信号转换为电信号，并由相应的电路转换为声音数据进行存储，以便进一步处理。振动传感器1180可以采用KD1000系列三轴压电式加速度传感器，或者其他的能够监控断路器动作过程振动信号的传感器，振动传感器1180可以将接收到的振动信号转换为电信号，并由相应的电路转换为振动数据进行存储，以便进一步处理。

WiFi属于短距离无线传输技术，终端设备通过WiFi模块1160可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了WiFi模块，但是可以理解的是，其并不属于终端设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器1110是终端设备1100的控制中心，利用各种接口和线路连接整个终端设备1100的各个部分，通过运行或执行存储在存储器1120内的软件程序和/或模块，以及调用存储在存储器1120内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。可选的，处理器1110可包括一个或多个处理核心；优选的，处理器1110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。

终端设备还包括给各个部件供电的电源110(比如电池)，优选的，电源110可以通过电源管理系统与处理器逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

本发明的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种断路器故障类型判断方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的一种断路器故障类型判断方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种断路器故障类型判断方法，其特征在于，该检测方法包括以下步骤：

获取断路器的声音信号和振动信号的声音时频图和振动时频图；

通过双通道CNN模型分别对所述声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将所述声音特征图和所述振动特征图进行特征融合，得到融合特征图；

利用分类器根据所述融合特征图判断所属的故障类型。

2.根据权利要求1所述的一种断路器故障类型判断方法，其特征在于，所述获取断路器的声音信号和振动信号的声音时频图和振动时频图之前，还包括以下步骤：

对所述声音信号和所述振动信号进行去噪处理。

3.根据权利要求1或者2所述的一种断路器故障类型判断方法，其特征在于，所述双通道CNN模型包括两个独立的网络结构相同的声音特征提取通道CNN和振动特征提取通道CNN。

4.根据权利要求3所述的一种断路器故障类型判断方法，其特征在于，所述声音信号或者所述振动信号通过连续小波变换获取相应的所述声音时频图或者所述振动时频图。

5.一种断路器故障类型判断装置，其特征在于，该装置包括：

时频获取模块，用于获取断路器的声音信号和振动信号的声音时频图和振动时频图；

特征融合模块，用于通过双通道CNN模型分别对所述声音时频图和振动时频图进行特征提取得到相应的声音特征图和振动特征图，并将所述声音特征图和所述振动特征图进行特征融合，得到融合特征图；

故障分类模块，用于利用分类器根据所述融合特征图判断所属的故障类型。

6.根据权利要求5所述的一种断路器故障类型判断装置，其特征在于，该装置还包括：

预处理模块，用于对所述声音信号和所述振动信号进行去噪处理。

7.根据权利要求5或者6所述的一种断路器故障类型判断装置，其特征在于，所述特征融合模块还包括：两个独立的网络结构相同的声音特征提取通道CNN模块和振动特征提取通道CNN模块。

8.根据权利要求7所述的一种断路器故障类型判断装置，其特征在于，所述时频获取模块包括声音时频变换模块和振动时频变换模块，所述声音时频变换模块用于根据所述声音信号通过连续小波变换获取相应的声音时频图；所述振动时频变换模块用于根据所述振动信号通过连续小波变换获取相应的振动时频图。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至4中任意一项所述的方法。

10.一种存储介质，该存储介质中存储有计算机可读的程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。

Images