CN111272405A - 一种高压断路器机械故障诊断方法及系统 - Google Patents

Abstract

本发明提供了一种高压断路器机械故障诊断方法，包括：将加速度传感器设置在被诊断的高压断路器的预设位置上；在预设时间区间内接收加速度传感器发送的原始振动信号；基于预设采样方法从加速度传感器的原始振动信号中提取出采样振动信号；将所有加速度传感器的采样振动信号拼接为采样振动信号二维阵列；将振动信号二维阵列输入至用于断路器故障识别的卷积神经网络，并经用于断路器故障识别的卷积神经网络输出被诊断的高压断路器的诊断结果。该方法使高压断路器机械故障诊断可基于一套不依赖人工观察经验的方法实现，具有良好的实用性。另外，本发明还提供了一种高压断路器机械故障诊断系统。

Description

一种高压断路器机械故障诊断方法及系统

技术领域

本发明涉及到检测领域，具体涉及到一种高压断路器机械故障诊断方法及系统。

背景技术

传统的高压断路器机械故障诊断，主要是通过人工观察的方式进行。一方面，人工观察识别高压断路器机械故障需要有多年的检测经验，这导致了该方面的工作仅能通过工作多年的技术人员作业，不利于普及；另一方面，由于高压断路器的故障问题较多，而不同的故障问题所导致高压断路器的故障可能存在重复性，这就为高压断路器的机械故障诊断带来了很多困难。

发明内容

为了克服现有通过人工观察方式进行高压断路器机械故障诊断的缺陷，本发明提供了一种高压断路器机械故障诊断方法及系统，以加速度传感器获取振动信号并对振动信号加以分析的方式导出高压断路器机械故障的具体故障内容，使高压断路器机械故障诊断可基于一套不依赖人工观察经验的方法实现，具有良好的实用性。

具体的，本发明提供了一种一种高压断路器机械故障诊断方法，包括：

将所述n个加速度传感器设置在被诊断的高压断路器的预设位置上。

在预设时间区间内接收n个加速度传感器发送的原始振动信号；其中，第i个加速度传感器发送的原始振动信号为

第i个加速度传感器发送的原始振动信号

的数量为m_i，i＝1,2,…,n，j＝1,2,…,m_i；

基于预设采样方法从第i个加速度传感器的m_i个原始振动信号中提取出m个原始振动信号作为采样振动信号

0＜m≤min{m_i|i＝1,2,…,n}，k＝1,2,…,m；

将n个所述加速度传感器的采样振动信号

拼接为采样振动信号二维阵列

将所述振动信号二维阵列输入至用于断路器故障识别的卷积神经网络，并经所述用于断路器故障识别的卷积神经网络的输出得到所述被诊断的高压断路器的诊断结果。

可选的实施方式，所述加速度传感器的设置位置分别为合闸弹簧的本体、分闸弹簧的本体、合闸电磁铁的本体、合闸电磁铁的对象、分闸电磁铁的本体和分闸电磁铁的对象。

可选的实施方式，所述预设采样方法为下采样方法。

可选的实施方式，所述用于断路器故障识别的卷积神经网络基于以下方式生成：

构建用于断路器故障识别的卷积神经网络的基本模型，所述用于断路器故障识别的卷积神经网络的基本模型包括输入层、内核层和输出层；

以训练集训练所述用于断路器故障识别的卷积神经网络的基本模型并得到所需的用于断路器故障识别的卷积神经网络，其中，所述训练集包括若干组训练数据，每一组所述训练数据包括作为输入层的故障振动信号二维矩阵

和相对应的作为输出层的机械故障问题。

可选的实施方式，所述内核层包括五个卷积层C1-C5、一个池化层P1、两个全连接层和一个输出层,其中，池化层P1输出至卷积层C3输出、卷积层C4输入至卷积层C5输出分别设置有一个恒等映射通道，卷积层C1的核大小为12*6，卷积层C2-C4的核大小为6*6。

可选的实施方式，所述若干个故障振动信号二维矩阵

中的每一组故障振动信号二维矩阵基于以下方法获取：

针对预设的一种机械故障问题对高压断路器进行改造，使所述高压断路器产生预设的机械故障问题，将n个加速度传感器设置在所述高压断路器的相应位置上；

在预设时间区间内接收n个加速度传感器发送的原始振动信号，其中，第i个加速度传感器发送的原始振动信号为

第i个加速度传感器发送的原始振动信号

数量为m_i，i＝1,2,…,n，j＝1,2,…,m_i；

基于所述预设采样方法从第i个加速度传感器的m_i个原始振动信号中提取出m个原始振动信号作为故障振动信号

m≤min{m_i|i＝1,2,…,n}，k＝1,2,…,m；

将n个所述加速度传感器的故障振动信号

拼接为故障振动信号二维阵列

可选的实施方式，所述用于断路器故障识别的卷积神经网络还包括：

基于验证集验证所述用于断路器故障识别的卷积神经网络的诊断准确率，基于所述诊断准确率调整所述用于断路器故障识别的卷积神经网络。

选的实施方式，

可

所述验证集包括若干组验证数据，每一组验证数据包括作为输入层的验证故障振动信号二维矩阵

和相对应的作为输出层的验证机械故障问题；

所述每一组验证数据与所述每一组故障数据基于同一方法得出。

可选的实施方式，所述诊断结果为良好或若干种机械故障问题中的其中一种机械故障问题；

所述若干种机械故障问题包括线圈电压偏移、缓冲器少油、电磁铁卡涩、弹簧疲劳和电磁铁线圈烧坏。

相应的，本发明还提供了一种高压断路器机械故障诊断系统，用于实现以上任一项所述的高压断路器机械故障诊断方法。

本发明提供了一种高压断路器机械故障诊断方法及系统，该高压断路器机械故障诊断方法通过以加速度传感器获取振动信号并对振动信号加以分析的方式导出高压断路器机械故障的具体故障内容，使高压断路器机械故障诊断可基于一套不依赖人工观察经验的方法实现，具有良好的实用性。

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的附图。

图1示出了本发明实施例的高压断路器机械故障诊断方法流程示意图；

图2示出了本发明实施例的加速度传感器设置位置示意图；

图3示出了本发明实施例的用于断路器故障识别的卷积神经网络结构示意图；

图4示出了本发明实施例的用于断路器故障识别的方法流程图；

图5示出了本发明实施例的用于断路器故障识别的卷积神经网络的生成方法。。

具体实施方式

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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示出了本发明实施例的高压断路器机械故障诊断方法流程示意图。

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：

S101：将所述n个加速度传感器设置在被诊断的高压断路器的预设位置上。

为了获取高压断路器的机械运动动作，需要通过加速度传感器设置在高压断路器的特定位置上。

图2示出了本发明实施例的加速度传感器设置位置示意图。具体的，本发明实施的加速度传感器数量为6个，所述加速度传感器的设置位置分别为合闸弹簧的本体、分闸弹簧的本体、合闸电磁铁的本体、合闸电磁铁的对象、分闸电磁铁的本体和分闸电磁铁的对象。

S102：在预设时间区间内接收n个加速度传感器发送的原始振动信号；

其中，第i个加速度传感器发送的原始振动信号为

第i个加速度传感器发送的原始振动信号

的数量为m_i，i＝1,2,…,n，j＝1,2,…,m_i；

S103：基于预设采样方法从第i个加速度传感器的m_i个原始振动信号中提取出m个原始振动信号作为采样振动信号

0＜m≤min{m_i|i＝1,2,…,n}，k＝1,2,…,m；

具体的，通过步骤S102获取n个加速度传感器发送的原始振动信号，由于原始数据量较多且每一个加速度传感器发送的原始振动信号可能会有数量上的差异，为了便于数据处理，通常会进行进一步的筛选，在本发明实施例中，通过步骤S103从每一个加速度传感器所获取的原始振动信号中取出相同数量的原始振动信号作为采样振动信号。

在本发明实施例中，采样振动信号的数量为5000。

S104：将n个所述加速度传感器的采样振动信号S_ki拼接为采样振动信号二维阵列

具体的，根据所提取的采样振动信号，为了便于卷积神经网络对信号进行处理，将多路加速度传感器的采样振动信号拼接成采样振动信号二维阵列，该采样振动信号二维阵列每一行元素为一路加速度传感器的采样振动信号按时间顺序排布的采样振动信号；每一列为同一时间上按加速度传感器序号顺序排布的采样振动信号，通过该方式，可在采样振动信号二维阵列保留振动信号的时域特征。

S105：将所述振动信号二维阵列输入至用于断路器故障识别的卷积神经网络，并经所述用于断路器故障识别的卷积神经网络输出所述被诊断的高压断路器的诊断结果。

图3示出了本发明实施例的用于断路器故障识别的卷积神经网络结构示意图。

具体的，在本发明实施例中所采用的用于断路器故障识别的卷积神经网络，包括依次连接的输入层、第一卷积层、池化层、第一全连接层、第二全连接层和输出层；所述输入层的输入数据为采样振动信号二维阵列，所述输出层的输出数据为断路器的机械故障问题；其中，所述池化层和所述第一全连接层之间还设置有第一恒等映射和第二恒定映射，所述第一恒等映射包括第二卷积层和第三卷积层，所述第二卷积层的输入端与所述第三卷积层的输出端连接；所述第二恒等映射包括第四卷积层和第五卷积层，所述第四卷积层的输入端与所述第五卷积层的输出端连接。

在所述卷积神经网络中增加所述第一恒等映射和第二恒定映射后，所述卷积神经网络的结构为输入层、第一卷积层、池化层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和输出层依次连接，此外，所述第二卷积层的输入端与所述第三卷积层的输出端连接，所述第四卷积层的输入端与所述第五卷积层的输出端连接。

具体的实施中，针对于具体的实施方式，所述采样振动信号二维阵列的大小为n×m(n行m列)；其中，n为加速度传感器的个数，m为每个加速度传感器的采样振动信号数量；具体的，针对断路器的动作速度，假如每个加速度传感器所获取的信号均为合闸命令发出后5s内断路器对应位置的机械加速度(加速度可通过积分求出运动距离)随时间的变化数据，采样间隔为1ms，那么，每个加速度传感器所获取的振动信号为1×5000的一维数据；那么相应的，n个加速度传感器所获取的振动信号汇总为采样振动信号二维阵列，采样振动信号二维阵列的大小为n×m，以便于神经网络进行处理。

具体的，第一卷积层的核大小对卷积神经网络的准确性会产生较大影响。具体实施中发现，在卷积神经网络的训练过程中，以第一卷积层的核大小作为变量，其最后所产生的卷积神经网络的准确度会不同。如下表表一所示

表一

因此，具体实施中，可选的，所述第一卷积层的核大小为d×n；m、n、d为正整数。可选的，d＝2n。

具体的，后续会针对具体情况再进行补充说明。

图4示出了本发明实施例的用于断路器故障识别的方法流程图。相应的，基于上述任一项所述的卷积神经网络实现，本发明所采用的用于断路器故障识别的方法，包括：

S201：通过输入层输入采样振动信号阵列；

具体的，采样振动信号二维阵列的大小为n×m，其中，n为加速度传感器的个数，m为每个加速度传感器的采样振动信号数量；具体的，针对断路器的动作速度，假如每个加速度传感器所获取的信号均为合闸命令发出后5s内断路器对应位置的机械加速度(加速度可通过积分求出运动距离)随时间的变化数据，采样间隔为1ms，那么，每个加速度传感器所获取的振动信号为1×5000的一维数据；那么相应的，n个加速度传感器所获取的振动信号汇总为采样振动信号二维阵列，采样振动信号二维阵列的大小为n×m，以便于神经网络进行处理。

本发明实施例以采样振动信号二维阵列的大小为6×5000为例进行说明，具体的，采样振动信号二维阵列的大小为6×5000表示，六个加速度传感器的在一定时间内的采样振动信号的数据汇总，每一个加速度传感器的采样振动信号数量为5000个。

S202：基于第一卷积层提取所述振动信号二维阵列的表层特征，生成表层特征阵列；

对应于采样振动信号二维阵列的大小，设定第一卷积层的核尺寸为d×n，输入特征面数量为1，输出特征面数量为1，滑动步长为1，激励函数为Relu函数。在本发明实施例中，第一卷积层的核尺寸设计大小为12×6。

输入所述振动信号阵列至所述第一卷积层，所述第一卷积层输出一次处理阵列的大小为1×(m-2n+1)。基于卷积层的基本处理原理，采样振动信号二维阵列经过第一卷积层处理后得到一次处理阵列，一次处理阵列的大小为1×(m-2n+1)。相应的，在本发明实施例中，一次处理阵列的大小为1×4989。

基于所述池化层的池化尺寸处理所述一次处理阵列得到池化。

具体的，为了能够输出给后续的池化层处理，相应的，要对一次处理阵列进行相应的数据处理。

具体的，所述基于所述池化层的池化尺寸处理所述一次处理阵列包括：

若m-2n+1为奇数，对所述一次处理阵列补充一列0元素，所述一次处理阵列的大小改变为1×(m-2n+2)，若m-2n+1为偶数，所述一次处理阵列保持不变；

所述一次处理阵列的大小改变为1×b,b＝m-2n+1或b＝m-2n+2；

对半折叠所述一次处理阵列，所述一次处理阵列的大小为2×a，若

为奇数，

若

为偶数，

具体的，本发明实施例的池化层的池化尺寸为2×2，相应的，在本发明实施例中，因为m-2n+1＝4989，因此所述一次处理阵列需要在后面补充一列(个)0元素，使一次处理阵列的最终大小变为1×4990；然后，对半折叠所述一次处理阵列，由于2495为奇数，因此，需要在最后补充一列0元素，使所述一次处理阵列的最终大小为2x2496。

具体的，第一卷积层能提取振动信号中一些表层特征，随着网络的深入，后层的网络能从表层特征的基础上提取更复杂的特征。

S203：基于池化层压缩所述表层特征阵列，生成压缩阵列；

具体的，池化层的池化尺寸为2*2。

基于所述池化尺寸对所述一次处理阵列池化，得到一次池化阵列，所述一次池化阵列的大小为

在本发明实施例中，一次池化阵列的大小为1×1248。

复制并拼接所述一次池化阵列，得到二次池化阵列，所述二次池化阵列的大小为

具体的，为适应第一恒等映射的输入结构，将所述一次池化阵列复制并拼接后得到二次池化阵列。

将所述二次池化阵列基于第二卷积层的输入特征面数量转换成压缩阵列，所述压缩阵列的大小为

相应的，为适应第一恒等映射的输入结构，所述二次池化阵列转换为压缩阵列进行输出。本发明实施例的第一恒等映射的输入结构为8个输入特征面，因此，最终压缩阵列的大小为6×156×8。

具体的，池化层的本质是下采样，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。

S204：基于第一恒等映射和第二恒等映射从所述压缩阵列提取深层特征并保留所述压缩阵列的完整性，生成深层特征阵列；

具体的，该步骤包括两个过程：

第一恒等映射方法：

将所述压缩阵列输入至第二卷积层，所述第二卷积层输出第三恒等阵列；将所述第三恒等阵列输入至第三卷积层，所述第三卷积层输出第四恒等阵列；

其中，第二卷积层对输入数据的处理步骤，包括：

所述第二卷积层的输入特征面数量为b，输出特征面数量为b，卷积核数量为b²，卷积核大小为n×n，激励函数为Relu函数；

所述压缩阵列输入至所述第二卷积层中输出第一恒等阵列，所述第一恒等阵列的大小为

复制并拼接所述第一恒等阵列得到第二恒等阵列，所述第二恒等阵列的大小为

通过对所述第二恒等阵列进行补零，得到第三恒等阵列，所述第三恒等阵列的大小为

所述第三卷积层和所述第二卷积层结构相同，所述第三卷积层对输入数据的处理步骤与第二卷积层对输入数据的处理步骤相同；

以所述第三恒等阵列作为第三卷积层的输入，所述第三卷积层输出第四恒等阵列，所述第四恒等阵列的大小为

对所述压缩阵列和所述第四恒等阵列进行加和处理，得到第一恒等输出阵列；

以所述第一恒等输出阵列作为所述第一恒等映射的输出。

所述基于第一恒等映射和第二恒等映射从所述压缩阵列提取深层特征并保留所述压缩阵列的完整性，生成深层特征阵列包括：

第二恒等映射方法：

将所述第一恒等输出阵列输入至第四卷积层，所述第四卷积层输出第五恒等阵列；将所述第五恒等阵列输入至第五卷积层，所述第五卷积层输出第六恒等阵列；

其中，第四卷积层对输入数据的处理步骤与第二卷积层对输入数据的处理步骤相同，第五卷阶层对输入数据的处理步骤与第二卷积层对输入数据的处理步骤相同；

对所述第一恒等输出阵列和所述第六恒等阵列进行加和处理，得到第二恒等输出阵列；

以所述第二恒等输出阵列作为所述第二恒等映射的输出，所述第二恒等输出阵列的大小为

通过数据大小可知，第一恒等映射和第二恒等映射的输入和输出的数据大小是相同的，同时，每一层恒等映射都将输入量和输出量汇总后进行输出，从而使数据深入卷积深层，并保留了较多的原始数据。恒等映射模块的设置，等价于在网络层之间增加直连通道，使得浅层卷积层运算得到的数据直接到达深层的卷积层，保护了信息的完整性，简化了学习目标和难度，显著提升了多卷积层神经网络的训练精度。

S205：基于第一全连接层和第二全连接层连接所述深层特征阵列，得到有关断路器的机械故障问题的分类阵列；

具体的，第二恒等输出阵列的大小为6×156×8，相应的，在本发明实施例中，第一全连接层包含64个神经节点，采用Relu激励函数，并采用丢失数据(Dropout)方法随机使部分节点失效，其输入为6×156×8的数据阵列，输出为1×64的数据阵列。

具体地，在本发明实施例中，第二全连接层包含128个神经节点，采用Relu激励函数，并采用丢失数据(Dropout)方法随机使部分节点失效，其输入为1×64的数据阵列，输出为1×128的分类阵列。

具体的，全连接层可理解为是一个浅层的人工神经网络，用于整合卷积层或池化层中具有类别区分性的局部信息，并最终传递给输出层。

S206：通过输出层输出有关所述断路器的机械故障问题的分类结果。

基于分类器对所述分类阵列进行分类，得到有关所述断路器的机械故障问题的分类结果。

在本发明实施例中，分类阵列为1×128的数据阵列，使用Softmax回归分类器输出分类结果，可选的，分类结果包括6种断路器状态：正常、线圈电压偏移、缓冲器少油、电磁铁卡涩、弹簧压缩、电磁铁线圈升温。

基本的，该用于断路器故障识别的卷积神经网络需要通过训练得到，训练的主要目的为，一方面通过大量样本的训练，使神经网络可以学习到有关采样振动信号二维阵列与断路器的具体机械故障之间的对应关系，另一方面，需要通过训练确定神经网络模型的基本结构以及相关结构的参数大小。

图5示出了本发明实施例的用于断路器故障识别的卷积神经网络的生成方法。

本发明实施例的于断路器故障识别的卷积神经网络的生成方法如下：

S301：构建用于断路器故障识别的卷积神经网络的基本模型，所述用于断路器故障识别的卷积神经网络的基本模型包括输入层、内核层和输出层；

具体的，本发明实施例所采用的用于断路器故障识别的卷积神经网络的基本结构在前文已进行说明，此处不再重复进行说明。

S302：以训练集训练所述用于断路器故障识别的卷积神经网络的基本模型并得到所需的用于断路器故障识别的卷积神经网络，其中，所述训练集包括若干组训练数据，每一组所述训练数据包括作为输入层的故障振动信号二维矩阵

和相对应的作为输出层的机械故障问题。

具体的，由于具体操作中，找到大量的具有对应机械故障问题的断路器的难度较大，因此，在获取训练数据时，可通过人工制造机械故障问题的方式获取训练数据。

具体的，所述若干个故障振动信号二维矩阵

中的每一组故障振动信号二维矩阵基于以下方法获取：

针对预设的一种机械故障问题对高压断路器进行改造，使所述高压断路器产生预设的机械故障问题，将n个加速度传感器设置在所述高压断路器的相应位置上；具体的，改造的内容可参照表二所示内容：

表二

在预设时间区间内接收n个加速度传感器发送的原始振动信号，其中，第i个加速度传感器发送的原始振动信号为

第i个加速度传感器发送的原始振动信号

数量为m_i，i＝1,2,…,n，j＝1,2,…,m_i；

基于所述预设采样方法从第i个加速度传感器的m_i个原始振动信号中提取出m个原始振动信号作为故障振动信号

m≤min{m_i|i＝1,2,…,n}，k＝1,2,…,m；

将n个所述加速度传感器的故障振动信号

拼接为故障振动信号二维阵列

具体实施中，通过表二的所获取的多组训练数据，可将部分训练数据取出作为验证数据，将验证数据再回代至训练得到的用于用于断路器故障识别的卷积神经网络中，可得出用于断路器故障识别的卷积神经网络的识别准确率，从而根据识别准确率的大小，再调整用于断路器故障识别的卷积神经网络的基本参数。

具体的，参照表一所示的有关卷积层核大小与卷积神经网络识别准确率的关系，本发明选用的第一卷积层的层卷积核尺寸为12*6，第二至第五卷积层的卷积核为6*6的识别效果最好。分析其原因，相比3*3的卷积核，第一层使用的12*6的卷积核增大了卷积核的视野，一方面涵盖的时域更广，另一方面能综合6个传感器的数据；同理，第二层使用的6*6的卷积核也能同时利用6个传感器的信息。而两层卷积核分别为20*6，6*6的网络结构没有上述12*6与6*6组合的网络结构好，原因应为长度为20的卷积核涵盖的时域长度过大，超过了两个振动事件的最小时间间隔，导致识别正确率下降。由此可知，本发明实施例可让卷积核利用所有传感器的信息，并涵盖合适的时域长度，从而使用于断路器故障识别的卷积神经网络具有较高的识别准确率。

最终，为验证本发明实施例所提供的高压断路器机械故障诊断方法的有效性，利用本实施例所提供的高压断路器机械故障诊断方法和不含恒等映射模块的卷积神经网络及提取波形差异区间幅值作为特征+WSVM进行验证比较，实验结果如表三所示；恒等映射提高了传统CNN的识别率，基于恒等映射的卷积神经网络对各机械故障类型的识别率均优于人工提取特征+WSVM分类器的识别率。

相应的，本发明实施例还提供了一种高压断路器机械故障诊断系统，用于实现上述任一项所述的一种高压断路器机械故障诊断方法。

综上，本发明实施例提供了一种高压断路器机械故障诊断方法及系统，该高压断路器机械故障诊断方法通过以加速度传感器获取振动信号并对振动信号加以分析的方式导出高压断路器机械故障的具体故障内容，使高压断路器机械故障诊断可基于一套不依赖人工观察经验的方法实现，具有良好的实用性。

以上对本发明实施例所提供的一种高压断路器机械故障诊断方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种高压断路器机械故障诊断方法，其特征在于，包括：

将所述n个加速度传感器设置在被诊断的高压断路器的预设位置上；

在预设时间区间内接收n个加速度传感器发送的原始振动信号；其中，第i个加速度传感器发送的原始振动信号为

第i个加速度传感器发送的原始振动信号

的数量为m_i，i＝1,2,…,n，j＝1,2,…,m_i；

基于预设采样方法从第i个加速度传感器的m_i个原始振动信号中提取出m个原始振动信号作为采样振动信号

0＜m≤min{m_i|i＝1,2,…,n}，k＝1,2,…,m；

将n个所述加速度传感器的采样振动信号

拼接为采样振动信号二维阵列

将所述振动信号二维阵列输入至用于断路器故障识别的卷积神经网络，并经所述用于断路器故障识别的卷积神经网络输出所述被诊断的高压断路器的诊断结果。

2.如权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述加速度传感器的设置位置分别为合闸弹簧的本体、分闸弹簧的本体、合闸电磁铁的本体、合闸电磁铁的对象、分闸电磁铁的本体和分闸电磁铁的对象。

3.如权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述预设采样方法为下采样方法。

4.如权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述用于断路器故障识别的卷积神经网络基于以下方式生成：

构建用于断路器故障识别的卷积神经网络的基本模型，所述用于断路器故障识别的卷积神经网络的基本模型包括输入层、内核层和输出层；

以训练集训练所述用于断路器故障识别的卷积神经网络的基本模型并得到所需的用于断路器故障识别的卷积神经网络，其中，所述训练集包括若干组训练数据，每一组所述训练数据包括作为输入层的故障振动信号二维矩阵

和相对应的作为输出层的机械故障问题。

5.如权利要求4所述的高压断路器机械故障诊断方法，其特征在于，所述内核层包括五个卷积层C1-C5、一个池化层P1、两个全连接层和一个输出层,其中，池化层P1输出至卷积层C3输出、卷积层C4输入至卷积层C5输出分别设置有一个恒等映射通道，卷积层C1的核大小为12*6，卷积层C2-C4的核大小为6*6。

6.如权利要求4所述的高压断路器机械故障诊断方法，其特征在于，所述若干个故障振动信号二维矩阵

中的每一组故障振动信号二维矩阵基于以下方法获取：

针对预设的一种机械故障问题对高压断路器进行改造，使所述高压断路器产生预设的机械故障问题，将n个加速度传感器设置在所述高压断路器的相应位置上；

在预设时间区间内接收n个加速度传感器发送的原始振动信号，其中，第i个加速度传感器发送的原始振动信号为

第i个加速度传感器发送的原始振动信号

数量为m_i，i＝1,2,…,n，j＝1,2,…,m_i；

基于所述预设采样方法从第i个加速度传感器的m_i个原始振动信号中提取出m个原始振动信号作为故障振动信号

m≤min{m_i|i＝1,2,…,n}，k＝1,2,…,m；

将n个所述加速度传感器的故障振动信号

拼接为故障振动信号二维阵列

7.如权利要求4所述的高压断路器机械故障诊断方法，其特征在于，所述用于断路器故障识别的卷积神经网络还包括：

基于验证集验证所述用于断路器故障识别的卷积神经网络的诊断准确率，基于所述诊断准确率调整所述用于断路器故障识别的卷积神经网络。

8.如权利要求7所述的高压断路器机械故障诊断方法，其特征在于，所述验证集包括若干组验证数据，每一组验证数据包括作为输入层的验证故障振动信号二维矩阵

和相对应的作为输出层的验证机械故障问题；

所述每一组验证数据与所述每一组故障数据基于同一方法得出。

9.如权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述诊断结果为良好或若干种机械故障问题中的其中一种机械故障问题；

所述若干种机械故障问题包括线圈电压偏移、缓冲器少油、电磁铁卡涩、弹簧疲劳和电磁铁线圈烧坏。

10.一种高压断路器机械故障诊断系统，其特征在于，用于实现权利要求1至9任一项所述的高压断路器机械故障诊断方法。

Images