CN111796180A - 一种高压开关机械故障的自动识别方法及装置 - Google Patents
一种高压开关机械故障的自动识别方法及装置 Download PDFInfo
- Publication number
- CN111796180A CN111796180A CN202010583389.2A CN202010583389A CN111796180A CN 111796180 A CN111796180 A CN 111796180A CN 202010583389 A CN202010583389 A CN 202010583389A CN 111796180 A CN111796180 A CN 111796180A
- Authority
- CN
- China
- Prior art keywords
- current
- sound
- digital signal
- signal
- voltage switch
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 100
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 230000005236 sound signal Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 26
- 230000007306 turnover Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000007514 turning Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 210000000080 chela (arthropods) Anatomy 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种高压开关机械故障的自动识别方法及装置,其中,所述方法包括:基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。在本发明实施例中,通过采集高压开关的声音和电流信号,利用深度学习的方式在声音和电流信号自动提取故障特征,自动识别相应的故障信息,提高了故障识别的准确性。
Description
技术领域
本发明涉及高压开关故障识别技术领域,尤其涉及一种高压开关机械故障的自动识别方法及装置。
背景技术
高压开关机械故障识别是对开关进行状态监测、异常识别和故障分类。振动、电流、声音等传感器可用来采集开关运行的各项数据,并根据这些数据预测开关机械故障的发生以及对故障进行分类;目前,开关机械故障识别方法主要存在以下局限:(1)一些方法主要关注于开关的机械振动信号,并将其用于故障征兆的预测,如小波变换、经验模态分解等方法均是用于对振动信号进行分析;这些方法必须在开关表面安装加速度传感器来采集振动信号,加速度传感器的安装拆卸在实际应用中会带来运维不便,同时传感器安装位置也会极大影响辨识效果;(2)一些方法采用电流信号作为故障识别的依据,其主要聚焦于分合闸线圈电流的时间、幅值等波形分析。但受采样频率限制,当采样点中未能包含电流波形的关键特征点时,该类方法的效果将大打折扣;此外,该类方法只能识别与分合闸线圈有关的机械故障,而对驱动机构的故障则无能为力;(3)此外,传统的开关机械故障特征是基于人工选择,极大依赖于研究人员的经验和判断,当人工选择的鲁棒性较差时,传统方法的故障分类效果将受到严重影响。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种高压开关机械故障的自动识别方法及装置,利用深度学习的方式在声音和电流信号自动提取故障特征,自动识别相应的故障信息,提高了故障识别的准确性。
为了解决上述技术问题,本发明实施例提供了一种高压开关机械故障的自动识别方法,所述方法包括:
基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;以及,
基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;
对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;
对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;
将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。
可选的,所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处,所述电流钳为交直流两用电流钳,电流采样频率为200kHz;
所述声音传感器设置在距离高压开关本体中央表面10CM处,声音采样频率为200kHz。
可选的,所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号,包括:
设定电流阈值,在高压开关分合闸控制时,在电流达到电流阈值时,所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号;
所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号,包括:
在高压开关分合闸控制时,在电流达到电流阈值时,所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。
可选的,所述对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号,包括:
对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理,获得电流及声音数字信号。
可选的,所述对所述电流及声音数字信号进行预处理,获得预处理后的数字信号,包括:
对所述电流数字信号和所述声音数字信号进行下采样处理,获得下采样后的电流数字信号和声音数字信号;
对下采样后的电流数字信号和声音数字信号进行翻转处理,获得翻转后的电流数字信号和声音数字信号;
对所述翻转后的电流数字信号和声音数字信号进行归一化处理,获得归一化后的电流数字信号和声音数字信号;
对归一化后的电流数字信号和声音数字信号进行对应叠加处理,获得预处理后的数字信号。
可选的,所述对所述翻转后的电流数字信号和声音数字信号进行归一化处理的处理公式如下:
可选的,所述训练收敛的卷积神经网络模型的获得,包括:
构建卷积神经网络模型;
将训练样本分为训练集、验证集和测试集,其中所述训练集、验证集和测试集的比例为1:5:4;
将所述训练集输入卷积神经网络模型进行训练,且在训练过程中,根据训练集的数据调整神经元权重、偏置网络参数,训练出故障诊断模型;同时,
将所述验证集输入卷积神经网络模型,并根据所述验证集调整学习率;
将所述测试集输入故障诊断模型进行故障诊断,若诊断准确率超过或等于预设准确率,则所述卷积神经网络模型训练收敛,获得训练收敛的卷积神经网络模型;
若诊断准确率小于预设准确率,则采用反向传播算法对故障诊断模型所有层参数的系数进行重置,并采用所述训练集进行重新训练。
可选的,所述卷积神经网络模型为八层结构的卷积神经网络模型,包括四个卷积层、两个池化层和两个全连接层;其中,
所述四个卷积层的神经元个数分别设置为128个、128个、64个和64个,对应的卷积核大小分别为11×11、5×5、3×3和3×3;所述两个池化层采用2×2的最大池化;所述两个全连接层均设置1024个神经元。
可选的,所述高压开关机械故障包括:铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障。
另外,本发明实施例还提供了一种高压开关机械故障的自动识别装置,所述装置包括:
电流信号采集模块:用于基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;以及,
声音信号采集模块:用于基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;
模数转换模块:用于对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;
预处理模块:用于对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;
自动识别模块:用于将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。
在本发明实施例中,通过在高压开关上设置电流钳和声音传感器,分别采集电流信号和声音信号,引进深度学习算法进行训练学习,然后将采集到的电流信号和声音信号输入深度学习算法中即可实现高压开关内的故障特征自动提取,即可根据故障特征快速确定故障类型,实现高压开关的故障自动识别,并且采用该实施例,减少人工识别中的主观因素干扰,可以提高故障识别的准确率,并且减少人力成本,提升工作效率。
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,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,显而易见的,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是本发明实施例中的高压开关机械故障的自动识别方法的流程示意图;
图2是本发明实施例中的信号预处理的流程示意图;
图3是本发明实施例中的卷积神经网络模型的网络结构组成示意图;
图4是本发明实施例中的高压开关机械故障的自动识别装置的结构组成示意图。
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。
实施例
请参阅图1,图1是本发明实施例中的高压开关机械故障的自动识别方法的流程示意图。
如图1所示,一种高压开关机械故障的自动识别方法,所述方法包括:
S11:基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;
在本发明具体实施过程中,所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处,所述电流钳为交直流两用电流钳,电流采样频率为200kHz。
进一步的,所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号,包括:
设定电流阈值,在高压开关分合闸控制时,在电流达到电流阈值时,所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号。
具体的,电流钳安装位置为高压开关本体分合闸控制回路的电缆出线处,并且该电流钳为交流电和直流电两用的电流钳;并且电缆采用频率在200kHz;并且需要设定电流钳采集电流信号的触发电流阈值;即在高压开关分合闸控制时,在电流达到电流阈值时,该电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号。
S12:基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;
在本发明具体实施过程中,所述声音传感器设置在距离高压开关本体中央表面10CM处,声音采样频率为200kHz。
进一步的,所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号,包括:在高压开关分合闸控制时,在电流达到电流阈值时,所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。
具体的,声音传感器安装在距离高压开关中央表面10CM处,在高压开关分合闸控制时,在电流达到电流阈值时,该声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号;所用声音传感器为PCB公司生产的378b02型声音传感器,声音采样频率为200kHz。
S13:对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;
在本发明具体实施过程中,所述对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号,包括:对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理,获得电流及声音数字信号。
具体的,对电流信号及声音信号利用A/D转换器采用逐次逼近法进行模数转换处理,这样可以减少信号在模数转换的时候所产生的噪音影响,从而获得电流及声音数字信号。
S14:对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;
在本发明具体实施过程中,所述对所述电流及声音数字信号进行预处理,获得预处理后的数字信号,包括:对所述电流数字信号和所述声音数字信号进行下采样处理,获得下采样后的电流数字信号和声音数字信号;对下采样后的电流数字信号和声音数字信号进行翻转处理,获得翻转后的电流数字信号和声音数字信号;对所述翻转后的电流数字信号和声音数字信号进行归一化处理,获得归一化后的电流数字信号和声音数字信号;对归一化后的电流数字信号和声音数字信号进行对应叠加处理,获得预处理后的数字信号。
进一步的,所述对所述翻转后的电流数字信号和声音数字信号进行归一化处理的处理公式如下:
具体的,信号预处理包括下采样、翻转、归一化和叠加,具体地,将声音和电流信号由200kHz下采样至0.4kHz,从而可将样本数量扩大至500倍,对每个信号进行垂直翻转,又可将样本数量增加1倍;然后按照以下公式对信号进行归一化处理,公式如下:
最后,将处理后的声音信号和电流信号对应叠加,可得到1000张复合图像,如附图2所示。
S15:将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。
在本发明具体实施过程中,所述训练收敛的卷积神经网络模型的获得,包括:构建卷积神经网络模型;将训练样本分为训练集、验证集和测试集,其中所述训练集、验证集和测试集的比例为1:5:4;将所述训练集输入卷积神经网络模型进行训练,且在训练过程中,根据训练集的数据调整神经元权重、偏置网络参数,训练出故障诊断模型;同时,将所述验证集输入卷积神经网络模型,并根据所述验证集调整学习率;将所述测试集输入故障诊断模型进行故障诊断,若诊断准确率超过或等于预设准确率,则所述卷积神经网络模型训练收敛,获得训练收敛的卷积神经网络模型;若诊断准确率小于预设准确率,则采用反向传播算法对故障诊断模型所有层参数的系数进行重置,并采用所述训练集进行重新训练。
进一步的,所述卷积神经网络模型为八层结构的卷积神经网络模型,包括四个卷积层、两个池化层和两个全连接层;其中,所述四个卷积层的神经元个数分别设置为128个、128个、64个和64个,对应的卷积核大小分别为11×11、5×5、3×3和3×3;所述两个池化层采用2×2的最大池化;所述两个全连接层均设置1024个神经元。
进一步的,所述高压开关机械故障包括:铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障。
具体的,构建如图3所示的卷积神经网络模型,该卷积神经网络模型为八层结构的卷积神经网络模型,包括四个卷积层、两个池化层和两个全连接层;其中,该四个卷积层的神经元个数分别设置为128个、128个、64个和64个,对应的卷积核大小分别为11×11、5×5、3×3和3×3;该两个池化层采用2×2的最大池化;该两个全连接层均设置1024个神经元。
然后是获得训练样本,训练样本的获得,是通过模拟高压开关机械故障的方式获得,具体的高压开关机械故障包括:铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障;具体模拟了正常状态和以下4种故障场景:(1)在铁芯上安装螺栓来模拟铁芯卡涩;(2)将分合闸机构中弹簧1替换为不同弹性的弹簧来模拟分合闸机构故障;(3)将分合闸机构中弹簧2替换为不同弹性的弹簧来模拟分合闸机构故障;(4)将分合闸弹簧进行拉伸或压缩来模拟弹簧疲劳;对于每种场景均进行了20次测试,从而获得相应的数据信号,对相应的数据信号进行模数转换,预处理(包括下采样、翻转、归一化和叠加;与上述的预处理方式一致),即可得到训练样本。
然后将训练样本划分为训练集、验证集和测试集,其中所述训练集、验证集和测试集的比例为1:5:4;训练卷积神经网络模型时,首先将随机选取10%的样本作为训练集,选取50%作为验证集,剩余40%作为测试集。将训练集输入卷积神经网络进行训练,训练过程中,根据训练集的数据调整神经元权重、偏置等网络参数,训练出故障诊断模型,通过模型的代价函数判断模型的鲁棒性,并验证诊断准确率,将验证集输入卷积神经网络,根据验证集的数据调整学习率等超参数;测试集用于测试故障诊断模型的准确率;采用随机梯度下降(SGD)优化器对CNN模型进行训练,训练中将每16个样本打包成一个集合,初始学习率设置为0.001;整个训练是在一台装载了GTX 1060GPU的64位个人PC机的TensorFlow系统中完成。
并且在测试时,设置预设准确率,将测试集输入故障诊断模型进行故障诊断,若诊断准确率超过或等于预设准确率,则该卷积神经网络模型训练收敛,获得训练收敛的卷积神经网络模型;若诊断准确率小于预设准确率,则采用反向传播算法对故障诊断模型所有层参数的系数进行重置,并采用所述训练集进行重新训练;整个数据集经过一次训练称为一个epoch,在运行一个epoch之后,网络将计算验证集的损耗和识别精度。
对正常状态和所有故障状态进行训练,在收敛之后,将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别,效果如下表所示:
表1对所有状态进行训练的识别效果
在运行完第一个epoch之后,训练集的精度就达到了0.96以上,并在以后每个epoch完成后保持在0.99左右。在第五个epoch完成后验证集精度达到0.94。
将本文方法与以下方法进行比较:(1)采用K-S检验方法提取出声信号的特征,然后将其输入WSVM中;(2)获取线圈电流信号的时间和幅度,并用KNN对其进行分类(k=10)。利用本实例中的样本,上述方法的精度如表2所示。在这三种方法中,本发明具有最高的精度。
表2不同方法的识别效果
由此对比可知,本发明中的实施方法,可以大大的提升识别的准确率。
在本发明实施例中,通过在高压开关上设置电流钳和声音传感器,分别采集电流信号和声音信号,引进深度学习算法进行训练学习,然后将采集到的电流信号和声音信号输入深度学习算法中即可实现高压开关内的故障特征自动提取,即可根据故障特征快速确定故障类型,实现高压开关的故障自动识别,并且采用该实施例,减少人工识别中的主观因素干扰,可以提高故障识别的准确率,并且减少人力成本,提升工作效率。
实施例
参阅图4,图4是本发明实施例中的高压开关机械故障的自动识别装置的结构组成示意图。
如图4所示,一种高压开关机械故障的自动识别装置,所述装置包括:
电流信号采集模块21:用于基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;
在本发明具体实施过程中,所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处,所述电流钳为交直流两用电流钳,电流采样频率为200kHz。
进一步的,所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号,包括:
设定电流阈值,在高压开关分合闸控制时,在电流达到电流阈值时,所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号。
具体的,电流钳安装位置为高压开关本体分合闸控制回路的电缆出线处,并且该电流钳为交流电和直流电两用的电流钳;并且电缆采用频率在200kHz;并且需要设定电流钳采集电流信号的触发电流阈值;即在高压开关分合闸控制时,在电流达到电流阈值时,该电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号。
声音信号采集模块22:用于基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;
在本发明具体实施过程中,所述声音传感器设置在距离高压开关本体中央表面10CM处,声音采样频率为200kHz。
进一步的,所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号,包括:在高压开关分合闸控制时,在电流达到电流阈值时,所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。
具体的,声音传感器安装在距离高压开关中央表面10CM处,在高压开关分合闸控制时,在电流达到电流阈值时,该声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号;所用声音传感器为PCB公司生产的378b02型声音传感器,声音采样频率为200kHz。
模数转换模块23:用于对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;
在本发明具体实施过程中,所述对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号,包括:对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理,获得电流及声音数字信号。
具体的,对电流信号及声音信号利用A/D转换器采用逐次逼近法进行模数转换处理,这样可以减少信号在模数转换的时候所产生的噪音影响,从而获得电流及声音数字信号。
预处理模块24:用于对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;
在本发明具体实施过程中,所述对所述电流及声音数字信号进行预处理,获得预处理后的数字信号,包括:对所述电流数字信号和所述声音数字信号进行下采样处理,获得下采样后的电流数字信号和声音数字信号;对下采样后的电流数字信号和声音数字信号进行翻转处理,获得翻转后的电流数字信号和声音数字信号;对所述翻转后的电流数字信号和声音数字信号进行归一化处理,获得归一化后的电流数字信号和声音数字信号;对归一化后的电流数字信号和声音数字信号进行对应叠加处理,获得预处理后的数字信号。
进一步的,所述对所述翻转后的电流数字信号和声音数字信号进行归一化处理的处理公式如下:
具体的,信号预处理包括下采样、翻转、归一化和叠加,具体地,将声音和电流信号由200kHz下采样至0.4kHz,从而可将样本数量扩大至500倍,对每个信号进行垂直翻转,又可将样本数量增加1倍;然后按照以下公式对信号进行归一化处理,公式如下:
最后,将处理后的声音信号和电流信号对应叠加,可得到1000张复合图像,如附图2所示。
自动识别模块25:用于将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。
在本发明具体实施过程中,所述训练收敛的卷积神经网络模型的获得,包括:构建卷积神经网络模型;将训练样本分为训练集、验证集和测试集,其中所述训练集、验证集和测试集的比例为1:5:4;将所述训练集输入卷积神经网络模型进行训练,且在训练过程中,根据训练集的数据调整神经元权重、偏置网络参数,训练出故障诊断模型;同时,将所述验证集输入卷积神经网络模型,并根据所述验证集调整学习率;将所述测试集输入故障诊断模型进行故障诊断,若诊断准确率超过或等于预设准确率,则所述卷积神经网络模型训练收敛,获得训练收敛的卷积神经网络模型;若诊断准确率小于预设准确率,则采用反向传播算法对故障诊断模型所有层参数的系数进行重置,并采用所述训练集进行重新训练。
进一步的,所述卷积神经网络模型为八层结构的卷积神经网络模型,包括四个卷积层、两个池化层和两个全连接层;其中,所述四个卷积层的神经元个数分别设置为128个、128个、64个和64个,对应的卷积核大小分别为11×11、5×5、3×3和3×3;所述两个池化层采用2×2的最大池化;所述两个全连接层均设置1024个神经元。
进一步的,所述高压开关机械故障包括:铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障。
具体的,构建如图3所示的卷积神经网络模型,该卷积神经网络模型为八层结构的卷积神经网络模型,包括四个卷积层、两个池化层和两个全连接层;其中,该四个卷积层的神经元个数分别设置为128个、128个、64个和64个,对应的卷积核大小分别为11×11、5×5、3×3和3×3;该两个池化层采用2×2的最大池化;该两个全连接层均设置1024个神经元。
然后是获得训练样本,训练样本的获得,是通过模拟高压开关机械故障的方式获得,具体的高压开关机械故障包括:铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障;具体模拟了正常状态和以下4种故障场景:(1)在铁芯上安装螺栓来模拟铁芯卡涩;(2)将分合闸机构中弹簧1替换为不同弹性的弹簧来模拟分合闸机构故障;(3)将分合闸机构中弹簧2替换为不同弹性的弹簧来模拟分合闸机构故障;(4)将分合闸弹簧进行拉伸或压缩来模拟弹簧疲劳;对于每种场景均进行了20次测试,从而获得相应的数据信号,对相应的数据信号进行模数转换,预处理(包括下采样、翻转、归一化和叠加;与上述的预处理方式一致),即可得到训练样本。
然后将训练样本划分为训练集、验证集和测试集,其中所述训练集、验证集和测试集的比例为1:5:4;训练卷积神经网络模型时,首先将随机选取10%的样本作为训练集,选取50%作为验证集,剩余40%作为测试集。将训练集输入卷积神经网络进行训练,训练过程中,根据训练集的数据调整神经元权重、偏置等网络参数,训练出故障诊断模型,通过模型的代价函数判断模型的鲁棒性,并验证诊断准确率,将验证集输入卷积神经网络,根据验证集的数据调整学习率等超参数;测试集用于测试故障诊断模型的准确率;采用随机梯度下降(SGD)优化器对CNN模型进行训练,训练中将每16个样本打包成一个集合,初始学习率设置为0.001;整个训练是在一台装载了GTX 1060GPU的64位个人PC机的TensorFlow系统中完成。
并且在测试时,设置预设准确率,将测试集输入故障诊断模型进行故障诊断,若诊断准确率超过或等于预设准确率,则该卷积神经网络模型训练收敛,获得训练收敛的卷积神经网络模型;若诊断准确率小于预设准确率,则采用反向传播算法对故障诊断模型所有层参数的系数进行重置,并采用所述训练集进行重新训练;整个数据集经过一次训练称为一个epoch,在运行一个epoch之后,网络将计算验证集的损耗和识别精度。
对正常状态和所有故障状态进行训练,在收敛之后,将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别,效果如下表所示:
表1对所有状态进行训练的识别效果
在运行完第一个epoch之后,训练集的精度就达到了0.96以上,并在以后每个epoch完成后保持在0.99左右。在第五个epoch完成后验证集精度达到0.94。
将本文方法与以下方法进行比较:(1)采用K-S检验方法提取出声信号的特征,然后将其输入WSVM中;(2)获取线圈电流信号的时间和幅度,并用KNN对其进行分类(k=10)。利用本实例中的样本,上述方法的精度如表2所示。在这三种方法中,本发明具有最高的精度。
表2不同方法的识别效果
由此对比可知,本发明中的实施方法,可以大大的提升识别的准确率。
在本发明实施例中,通过在高压开关上设置电流钳和声音传感器,分别采集电流信号和声音信号,引进深度学习算法进行训练学习,然后将采集到的电流信号和声音信号输入深度学习算法中即可实现高压开关内的故障特征自动提取,即可根据故障特征快速确定故障类型,实现高压开关的故障自动识别,并且采用该实施例,减少人工识别中的主观因素干扰,可以提高故障识别的准确率,并且减少人力成本,提升工作效率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种高压开关机械故障的自动识别方法及装置进行了详细介绍,本文中应采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)
1.一种高压开关机械故障的自动识别方法,其特征在于,所述方法包括:
基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;以及,
基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;
对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;
对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;
将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。
2.根据权利要求1所述的自动识别方法,其特征在于,所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处,所述电流钳为交直流两用电流钳,电流采样频率为200kHz;
所述声音传感器设置在距离高压开关本体中央表面10CM处,声音采样频率为200kHz。
3.根据权利要求1所述的自动识别方法,其特征在于,所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号,包括:
设定电流阈值,在高压开关分合闸控制时,在电流达到电流阈值时,所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号;
所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号,包括:
在高压开关分合闸控制时,在电流达到电流阈值时,所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。
4.根据权利要求1所述的自动识别方法,其特征在于,所述对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号,包括:
对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理,获得电流及声音数字信号。
5.根据权利要求1所述的自动识别方法,其特征在于,所述对所述电流及声音数字信号进行预处理,获得预处理后的数字信号,包括:
对所述电流数字信号和所述声音数字信号进行下采样处理,获得下采样后的电流数字信号和声音数字信号;
对下采样后的电流数字信号和声音数字信号进行翻转处理,获得翻转后的电流数字信号和声音数字信号;
对所述翻转后的电流数字信号和声音数字信号进行归一化处理,获得归一化后的电流数字信号和声音数字信号;
对归一化后的电流数字信号和声音数字信号进行对应叠加处理,获得预处理后的数字信号。
7.根据权利要求1所述的自动识别方法,其特征在于,所述训练收敛的卷积神经网络模型的获得,包括:
构建卷积神经网络模型;
将训练样本分为训练集、验证集和测试集,其中所述训练集、验证集和测试集的比例为1:5:4;
将所述训练集输入卷积神经网络模型进行训练,且在训练过程中,根据训练集的数据调整神经元权重、偏置网络参数,训练出故障诊断模型;同时,
将所述验证集输入卷积神经网络模型,并根据所述验证集调整学习率;
将所述测试集输入故障诊断模型进行故障诊断,若诊断准确率超过或等于预设准确率,则所述卷积神经网络模型训练收敛,获得训练收敛的卷积神经网络模型;
若诊断准确率小于预设准确率,则采用反向传播算法对故障诊断模型所有层参数的系数进行重置,并采用所述训练集进行重新训练。
8.根据权利要求7所述的自动识别方法,其特征在于,所述卷积神经网络模型为八层结构的卷积神经网络模型,包括四个卷积层、两个池化层和两个全连接层;其中,
所述四个卷积层的神经元个数分别设置为128个、128个、64个和64个,对应的卷积核大小分别为11×11、5×5、3×3和3×3;所述两个池化层采用2×2的最大池化;所述两个全连接层均设置1024个神经元。
9.根据权利要求1所述的自动识别方法,其特征在于,所述高压开关机械故障包括:铁芯卡涩故障、分合闸机构故障和弹簧疲劳故障。
10.一种高压开关机械故障的自动识别装置,其特征在于,所述装置包括:
电流信号采集模块:用于基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号;以及,
声音信号采集模块:用于基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号;
模数转换模块:用于对所述电流信号及所述声音信号进行模数转换处理,获得电流及声音数字信号;
预处理模块:用于对所述电流及声音数字信号进行预处理,获得预处理后的数字信号;
自动识别模块:用于将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010583389.2A CN111796180A (zh) | 2020-06-23 | 2020-06-23 | 一种高压开关机械故障的自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010583389.2A CN111796180A (zh) | 2020-06-23 | 2020-06-23 | 一种高压开关机械故障的自动识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111796180A true CN111796180A (zh) | 2020-10-20 |
Family
ID=72803746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010583389.2A Pending CN111796180A (zh) | 2020-06-23 | 2020-06-23 | 一种高压开关机械故障的自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796180A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557895A (zh) * | 2020-12-16 | 2021-03-26 | 国网江苏省电力有限公司检修分公司 | 一种基于多特征量的gis隔离开关故障诊断方法 |
CN112683514A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司检修公司 | 一种基于声波信号的断路器机械特性测试方法及装置 |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113405788A (zh) * | 2021-05-28 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 基于波形趋势信息的有载分接开关机械状态监测方法 |
CN113655378A (zh) * | 2021-07-20 | 2021-11-16 | 湖州学院 | 一种新能源电池电动汽车继电器粘连故障的检测方法 |
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326984A (zh) * | 2016-08-09 | 2017-01-11 | 北京京东尚科信息技术有限公司 | 用户意图识别方法和装置、自动应答系统 |
CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
CN109726743A (zh) * | 2018-12-12 | 2019-05-07 | 苏州大学 | 一种基于三维卷积神经网络的视网膜oct图像分类方法 |
CN110378431A (zh) * | 2019-07-24 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于卷积神经网络的超声速燃烧室燃烧模式检测方法 |
CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
CN110414358A (zh) * | 2019-06-28 | 2019-11-05 | 平安科技(深圳)有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
CN110458079A (zh) * | 2019-08-05 | 2019-11-15 | 黑龙江电力调度实业有限公司 | 一种基于fpga和卷积神经网络的图像采集与目标识别方法 |
CN110556130A (zh) * | 2019-09-17 | 2019-12-10 | 平安科技(深圳)有限公司 | 语音情绪识别方法、装置及存储介质 |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
CN111238815A (zh) * | 2020-02-26 | 2020-06-05 | 中国民航大学 | 一种样本不平衡下基于数据增强的轴承故障识别方法 |
CN111238814A (zh) * | 2019-09-30 | 2020-06-05 | 杭州安脉盛智能技术有限公司 | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 |
-
2020
- 2020-06-23 CN CN202010583389.2A patent/CN111796180A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326984A (zh) * | 2016-08-09 | 2017-01-11 | 北京京东尚科信息技术有限公司 | 用户意图识别方法和装置、自动应答系统 |
CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
CN109726743A (zh) * | 2018-12-12 | 2019-05-07 | 苏州大学 | 一种基于三维卷积神经网络的视网膜oct图像分类方法 |
CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
CN110414358A (zh) * | 2019-06-28 | 2019-11-05 | 平安科技(深圳)有限公司 | 基于人脸智能识别的信息输出方法、装置及存储介质 |
CN110378431A (zh) * | 2019-07-24 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于卷积神经网络的超声速燃烧室燃烧模式检测方法 |
CN110458079A (zh) * | 2019-08-05 | 2019-11-15 | 黑龙江电力调度实业有限公司 | 一种基于fpga和卷积神经网络的图像采集与目标识别方法 |
CN110556130A (zh) * | 2019-09-17 | 2019-12-10 | 平安科技(深圳)有限公司 | 语音情绪识别方法、装置及存储介质 |
CN111238814A (zh) * | 2019-09-30 | 2020-06-05 | 杭州安脉盛智能技术有限公司 | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
CN110940539A (zh) * | 2019-12-03 | 2020-03-31 | 桂林理工大学 | 一种基于人工经验及声音识别的机器设备故障诊断方法 |
CN111238815A (zh) * | 2020-02-26 | 2020-06-05 | 中国民航大学 | 一种样本不平衡下基于数据增强的轴承故障识别方法 |
Non-Patent Citations (3)
Title |
---|
张科 等: "基于融合特征以及卷积神经网络的环境声音分类系统研究", 《西北工业大学学报》 * |
戴加明: "基于深度卷积神经网络的星系形态分类研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
许晓: "基于深度学习的活体人脸检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557895A (zh) * | 2020-12-16 | 2021-03-26 | 国网江苏省电力有限公司检修分公司 | 一种基于多特征量的gis隔离开关故障诊断方法 |
CN112557895B (zh) * | 2020-12-16 | 2023-12-22 | 国网江苏省电力有限公司检修分公司 | 一种基于多特征量的gis隔离开关故障诊断方法 |
CN112683514A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司检修公司 | 一种基于声波信号的断路器机械特性测试方法及装置 |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113405788A (zh) * | 2021-05-28 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 基于波形趋势信息的有载分接开关机械状态监测方法 |
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
CN113655378A (zh) * | 2021-07-20 | 2021-11-16 | 湖州学院 | 一种新能源电池电动汽车继电器粘连故障的检测方法 |
CN113655378B (zh) * | 2021-07-20 | 2024-04-05 | 湖州学院 | 一种新能源电池电动汽车继电器粘连故障的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111796180A (zh) | 一种高压开关机械故障的自动识别方法及装置 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
CN111259921A (zh) | 一种基于改进小波包和深度学习的变压器声音异常检测方法 | |
KR101822829B1 (ko) | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 | |
CN111436944B (zh) | 一种基于智能移动终端的跌倒检测方法 | |
CN110044623B (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN111879397B (zh) | 高压断路器储能机构故障诊断方法 | |
CN110992985A (zh) | 识别跑步机异音的识别模型确定方法、识别方法、系统 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN111239597A (zh) | 一种基于音频信号特征来表征交流接触器电寿命的方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN115438685A (zh) | 一种基于神经网络的变压器故障声音特征识别方法 | |
CN116399579A (zh) | 变压器机械故障诊断方法、装置、计算机设备及存储介质 | |
CN114999527A (zh) | 一种变压器异常检测模型训练和部署方法及装置 | |
CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
CN113252323B (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及系统 | |
CN111933186B (zh) | 用于对有载分接开关进行故障识别的方法、装置及系统 | |
CN115910097A (zh) | 一种高压断路器潜伏性故障可听声信号识别方法及系统 | |
Wang et al. | CNN based mechanical fault diagnosis of high voltage circuit breaker using sound and current signal | |
Secic et al. | Using deep neural networks for on-load tap changer audio-based diagnostics |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |