CN111950526A - 基于深度学习断路器储能机构故障诊断方法 - Google Patents

基于深度学习断路器储能机构故障诊断方法 Download PDF

Info

Publication number
CN111950526A
CN111950526A CN202010900569.9A CN202010900569A CN111950526A CN 111950526 A CN111950526 A CN 111950526A CN 202010900569 A CN202010900569 A CN 202010900569A CN 111950526 A CN111950526 A CN 111950526A
Authority
CN
China
Prior art keywords
circuit breaker
energy storage
deep learning
fault
storage mechanism
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
Application number
CN202010900569.9A
Other languages
English (en)
Inventor
尹子会
李建鹏
杨世博
赵书涛
牛为华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Maintenance Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010900569.9A priority Critical patent/CN111950526A/zh
Publication of CN111950526A publication Critical patent/CN111950526A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明涉及一种基于深度学习断路器储能机构故障诊断方法，首先，将加速传感器采集到的时域振动信号进行数据扩充，再将扩充后振动信号二次采样作为训练样本，采用改进后的卷积神经网络与长短时记忆网络并行结构，将卷积神经网络的第一层大卷积核和多层小卷积核，均进行批量归一化，以提高网络训练效率。本发明不需要人工提取特征，具有较好的分类性，为高压断路器弹簧操作机构故障诊断提供一种通用方法，对于利用振动信号识别电气设备故障具有较大参考价值和应用前景。

Description

基于深度学习断路器储能机构故障诊断方法
技术领域
本发明涉及一种基于深度学习断路器储能机构故障诊断方法。
背景技术
断路器弹簧操作机构以其结构简单、可靠性高、操作噪音小、人为维护量小等优势被广泛应用。通过顺序控制储能电机、齿轮传动装置、弹簧储能介质、止挡板和限位开关，实现电网电能到弹簧拉伸机械能转换、传递和储存。断路器性能的可靠性在很大程度上取决于其机械操作机构系统的可靠性。储能电机电源波动过大、齿轮传动装置卡涩、储能弹簧松动都会引起操作机构储能不到位，对断路器的分、合闸产生影响。因此，研究断路器储能机构故障诊断对电力系统安全性、可靠性就有十分重要意义。
振动信号包含了大量设备机械状态信息，是近年来分析断路器操作机构故障的重要手段。高压断路器结构复杂、动作时间短，其振动信号具有非线性、非平稳的特点。目前主要的分析方法为时频分析法，常用的方法有Hilbert变换、小波分析法、经验模态分解(empirical mode decomposition，EMD)以及其改进方法等。基于以上方法的各种研究成果虽在取得良好的效果，但随着深度学习方法在图像识别、语音识别领域快速突破，其不需要人工提取特征的优势逐渐显现。
发明内容
本发明的目的是提供一种基于深度学习断路器储能机构故障诊断方法，其不需要人工提取特征且具有较好分类性的。
本发明采用如下技术方案：
一种基于深度学习断路器储能机构故障诊断方法，其包括如下步骤：
(1)采集断路器储能机构的振动信号；
(2)对采集到的振动信号数据进行预处理；
(3)采用改进后的卷积神经网络与长短时记忆网络并行结构模型进行样本训练；
(4)利用经步骤(3)训练后模型对断路器储能机构故障进行识别。
其中，所述振动信号包括：正常储能、机构卡涩、弹簧脱扣以及电压偏高四种状态下振动信号。
其中，利用加速度传感器和数据采集卡进行振动信号采集。
其中，所述步骤(2)为：将采集到的振动信号通过重叠采样法进行数据扩充，并对扩充后的数据进行归一化处理。
其中，所述步骤(2)中，通过下式进行数据的归一化处理；
Figure BDA0002660441070000021
式中：
Figure BDA0002660441070000022
为数据归一化值；x为原始值；xmin、xmax为该组数据最小值与最大值。
其中，步骤(3)中所述改进后的卷积神经网络包括5个卷积层，其中第一层为64×1的大卷积核，其余为3×1小卷积核，并且对每一层卷积进行批量归一化处理。
其中，步骤(3)中所述改进后的卷积神经网络中的损失函数采用的交叉熵函数作为目标函数，其定义为：
Figure BDA0002660441070000023
式中：N为数据样本数；M为故障类别数量；yic为指标变量，预测样本和类别样本相同取1，反之取0；pic为样本预测类别的概率。
其中，步骤(3)中所述改进后的卷积神经网络中引入随机丢弃机制，让神经元之间权重随机置零，随机丢弃过程为：
Figure BDA0002660441070000024
Figure BDA0002660441070000025
式中：
Figure BDA0002660441070000026
服从伯努利分布的概率向量；
Figure BDA0002660441070000027
为经过随机丢弃机制后的输出。
其中，步骤(3)中，长短时记忆网络采用单层并添加Dropout层防止过拟合。
其中，步骤(3)中改进后的卷积神经网络与长短时记忆网络并行结构模型具体为：将采集到的高压断路器振动信号时间序列作为深度学习结构的输入，将两种方法提取到的互相补充的特征融合到全连接层，通过Softmax层分类。
本发明的有益效果在于：高压断路器振动信号辨识储能过程故障关键在于算法泛化性，本发明将实验测得储能过程的典型四种状态振动信号进行数据增强，输入卷积神经网络和长短时记忆网络并行网络进行样本训练，通过调整网络参数，可准确辨识断路器储能状态，结果与基于小波时频图2D-CNN效果相近，避免了人为提取特征的耗时、对专家经验依赖强问题，对于利用振动信号识别电气设备故障具有较大参考价值和应用前景。
附图说明
图1为弹簧操作机构传动过程图。
图2为加速度传感器安装位置图。
图3为断路器正常储能时的振动信号时域波形。
图4为断路器机构卡涩时的振动信号时域波形。
图5为断路器弹簧脱扣时的振动信号时域波形。
图6为断路器电压偏高时的振动信号时域波形。
图7为训练样本重叠采样方法图。
图8为卷积神经网络结构图。
图9为改进后的卷积神经网络结构图。
图10为长短时记忆网络神经元内部详细结构图。
图11为卷积神经网络与长短时记忆网络结合网络模型图。
图12为Adam优化器与SGD优化器对识别率的比较情况图。
图13为Adam优化器与SGD优化器对损失函数的比较情况图。
图14为卷积神经网络中对每一层卷积是否进行批量归一化处理对识别率的比较情况图。
图15为卷积神经网络中对每一层卷积是否进行批量归一化处理对损失函数的比较情况图。
图16为二维特征可视化图。
图17为训练样本数和识别准确率关系图。
具体实施方式
下面结合本发明的实施例和附图对技术方案进行清楚、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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
1断路器的储能及振动信号特征
1.1储能过程原理
自动储能状态下断路器合闸弹簧能量释放后，限位开关触点闭合接通电源，回路带动减速装置以及储能机构运转，可使合闸弹簧拉伸储能，实现电能到弹性势能的转换。储能到位后，合闸弹簧储能限位开关断开，电机停运。当发出合闸指令时，合闸电磁铁撞击合闸闭锁装置，释放合闸弹簧储存能量，由势能转化为动能。弹簧释放的能量一部分用于灭弧室动触头合闸操作，另一部能量通过传动机构到分闸弹簧储存分闸所需的能量。当合闸弹簧的能量全部释放，控制回路重新接入电源合闸弹簧再一次储能，为下次合闸准备。弹簧操作机构断路器能量传动过程如图1所示。
1.2储能过程振动信号分析
断路器储能机械运动和弹簧状态变化过程中，伴随着机构部件传动过程会产生一系列冲击波叠加的振动信号。本发明利用ZN65-12型真空断路器实验模拟储能过程故障状态，首先将在操作机构箱体上表面中部开螺纹，安装孔利用螺栓和黏附剂固定EV21A4型加速度传感器在安装孔上，安装位置如图2所示。伴随储能电机启动、旋转能量变化产生的振动，从激振点经支架和机构壳体到加速度传感器，原理上测点越接近激振点测量效果越好，传递部件和传播路径的增加使振动信号幅值上有一定衰减。本发明重点在于储能机构故障识别，智能学习算法敏感点集中于信号特征上，对信号归一化处理后再进行样本训练，缺陷类型识别准确率基本不受测点位置影响。
采用铁板阻滞模拟储能弹簧运动产生卡涩故障、将断路器弹簧脱扣模拟弹簧松动故障、将储能电机电压升高至240V模拟电压偏高，获得在正常储能、机构卡涩、弹簧脱扣、以及电压偏高四种状态下振动信号，利用24位IEPE数据采集卡在储能过程中采集振动信号12×104个点。四个状态振动波形如图3～图6所示。
图中振动信号具有明显时序性特征，冲击表示弹簧储能结束，闭锁装置将弹簧固定到储能位置，之后电源切除，振动信号不断减小，最后接近0。电压偏高冲击波较正常状态超前，并且整体振动情况更加剧烈，由于电压偏高时，其磁场强度大，弹簧可以更快的完成储能。齿轮机构卡涩和弹簧松动会导致弹簧储能困难、储能不到位，其冲击出现位置滞后，其振动振幅相对减小。
2基于深度学习网络架构的故障诊断模型
2.1振动信号的数据预处理
提高深度学习模型的泛化性需要足够数据样本，实际中断路器故障次数和采集信号往往非常有限，获取新的样本数据操作复杂、成本高；获得更多的试验数据，本发明采用重叠采样法来增强数据集，通过对原始的振动信号进行重采样获得足够训练样本。数据增强技术(Data Augment)处理后训练样本，每一段与后面一段存在重叠，测试样本，采样时没有重叠。其采样方式如图7所示。
训练卷积神经网络时，将采集到的数据进行归一化处理：
Figure BDA0002660441070000051
式(1)中：
Figure BDA0002660441070000052
为数据归一化值；x为原始值；xmin、xmax为该组数据最小值与最大值。经处理后的数据分布在0到1之间，可提高网络训练效率。
2.2卷积神经网络结构
随着计算机计算能力提高，深度学习技术领域代表性的卷积神经网络在多个模式辨别领域取得了突破性的进展。卷积神经网络滤波级(filtering stage)作用是提取输入信号的特征，分类级(classification stage)则是对学习的特征进行分类。滤波级包含卷积层(convolutional layers)、池化层(pooling layers)与激活层(activation layers)三个基本单元，分类级一般由全连接层组成。图8为卷积神经一种基本结构。
一维卷积神经网络可以提取到时间轴上的短期特征，能较好的反应时间序列的局部相关特征，卷积层第i个神经元的输出为：
Figure BDA0002660441070000061
式(2)中：xt(t＝1,2,…n)为输入序列；Wj为卷积核权重系数矩阵；b为偏置系数；m为卷积核个数；f为激活函数。
为了减少网络参数、加深网络层数，提高断路器储能故障诊断的准确率，本发明对网络结构进行改进。模型包含5个卷积层，其中第一层为大卷积核，其余为小卷积层。第一层的大卷积核的大小为64×1，其作用是提取信号短时特征，除了第一层外其余小卷积核的大小为3×1，卷积核的参数小便于加深网络结构，同时也可抑制过拟合问题，并且对每一层卷积进行批量归一化处理(batch normalization,BN)。损失函数采用的交叉熵函数作为目标函数，定义为：
Figure BDA0002660441070000062
式(3)中：N为数据样本数；M为故障类别数量；yic为指标变量，预测样本和类别样本相同取1，反之取0；pic为样本预测类别的概率。其结构模式如图9所示。
2.3基于长短时记忆网络
长短时记忆网络是采用特殊结构的循环神经网络，由一系列递归连接的记忆区块的自网络构成，每个记忆区块中包含一个或者多个记忆细胞和三个乘法单元：输入门、输出门和遗忘门，可以对记忆细胞进行连续的读写操作。LSTM克服了传统RNN梯度缺失以及梯度爆炸的缺陷，借鉴其在语音识别方面的成功经验同样适用于具有时序特性的断路器储能过程的振动信号。图10为LSTM神经元内部结构。
LSTM可由下列公式计算为：
Figure BDA0002660441070000071
式(4)中：W表示各个门的权值矩阵；b表示对应的偏执项；ct表示当前单元状态；
Figure BDA0002660441070000072
表示当前时刻积累的信息；σ、tanh分别为sigmoid激活函数和双曲正弦函数。由式(4)知，当前时刻状态ct与此前的状态ct-1是线性关系。当遗忘门打开时，网络就可以记住过去的信息，LSTM就能捕捉信号的长期依赖关系。
2.4 LSTM与CNN结合的诊断网络模型
CNN通过卷积核来捕捉输入中的局部特征，但是由于滤波器尺寸的限制，导致其无法学习到序列数据的前后依赖关系，而LSTM恰好能够弥补这个缺陷，因此，本发明采用LSTM与CNN结合的网络模型，将采集到的高压断路器振动信号时间序列作为深度学习结构的输入，将两种方法提取到的互相补充的特征融合到全连接层，通过Softmax层分类。
现实工况中，采集到的振动信号不可避免的带有噪声，为了提高模型的鲁棒性，可在卷积神经网络引入随机丢弃机制，让神经元之间权重随机置零，随机丢弃过程为：
Figure BDA0002660441070000073
Figure BDA0002660441070000074
式中：
Figure BDA0002660441070000075
服从伯努利分布的概率向量；
Figure BDA0002660441070000076
为经过随机丢弃机制后的输出。其模型结构如图11所示，结构参数如表1所示。
表1 LSTM与CNN结构参数
Figure BDA0002660441070000077
Figure BDA0002660441070000081
3储能状态分类算例分析
3.1计算环境设置
本发明所采用的电脑处理器为AMD R5，内存为8GB，操作系统为Ubuntu18.04，软件结构为基于Keras深度学习工具Tensorflow框架，Keras编程接口简洁，减少重复编辑代码，支持模型层的自由组合。按照1.2节所述断路器在各种故障状态下采集数据作为训练样本和测试样本。
3.2识别实验结果及结果分析
断路器故障实验采集的振动信号数据经过二次采集，得到2048维的输入样本，选取4000条数据按照7∶2∶1比例分配训练样本、验证样本和测试样本。采用改进后的CNN网络实验，调整CNN学习特征最优的参数，batch-size为32，全连接层添加Dropout来防止过拟合，Dropout率为0.5，采用L1-L2正则化，训练时分别采用SGD优化算法以及Adam优化算法，其结果比较如图12和图13所示，SGD和Adam相比其收敛速度慢，识别准确率Adam较SGD略高，损失函数下降的很快，因此本发明采用Adam优化器，学习率为0.001。
对各个卷积层进行BN处理，含有BN的CNN网络结构与不含BN的CNN网络结构进行了比较，得出的结果如图14和图15所示，BN加快了其训练速度，提高了训练的精度，有效减少梯度消失或者爆炸，提高了模型的泛化能力。
改进后的CNN分别对四种故障方式进行训练时，其在正常储能和电压偏高的情况下其识别情况不理想，只有75％的准确率。由于正常储能和电压偏高时，其振动信号的特征差异不明显，因此，CNN提取的特征存在一些误差，具有一定随机性。本发明所用的CNN与LSTM并行的网络结构，不仅提取到振动信号的关联局部特征，还能学习到其前后依赖关系，特征提取能力得到提高，识别更加准确。LSTM层采用单层，输出维度为32，数据长度为2048，添加Dropout层防止过拟合。为了对学习的效果进行验证，将特征通过t-SNE降维技术降成二维特征并可视化，由图16可知提取到的特征能够实现良好分类。
分别取训练样本数量为70、700、1400、2800、4200、10000进行实验，其结果如图17所示，训练样本在70个时候，其准确率仅为60％，随着训练样本的增加，其准确率也在上升，到2800个训练样本后，其增加不明显，但是训练时间变长，综合考虑选择2800个训练样本。
为了验证本发明模型在故障诊断的优异，将模型与使用1D-CNN和利用小波时频图的2D-CNN对比，选择相同的数据长度，测试样本都选取400个，其识别结果如表2所示。
表2不同分类方法的效果对比
Figure BDA0002660441070000091
由识别结果得到：采用的CNN与LSTM并行的网络结构的故障分类识别上就有较高准确性，采用该模型处理一次训练的时间约为0.7ms，经预先训练可以满足实时性要求。CNN和LSTM结合模型比单独采用CNN模型具有更高的识别准确率，因为不仅通过CNN提取其潜在的局部关联特征，而且也能提取其时序特性，使得模型更加有效，达到更高的准确率。与基于小波时域图的2D-CNN算法识别准确率相差不多，处理速度略快。而传统的支持向量机(Support vector machine，SVM)以及K最近邻(k-nearest neighbor，KNN)算法需要提前人为提取特征量，尽管在特征提取上进行不断改进，减少人工干预影响同时增加了网络训练的复杂程度。
高压断路器振动信号辨识储能过程故障关键在于算法泛化性，本发明将实验测得储能过程的典型四种状态振动信号进行数据增强，输入CNN和LSTM并行网络进行样本训练，通过调整网络参数，可准确辨识断路器储能状态，结果与基于小波时频图2D-CNN效果相近，避免了人为提取特征的耗时、对专家经验依赖强问题，对于利用振动信号识别电气设备故障具有较大参考价值和应用前景。由于实验数据有限，接下来可以增加故障类型训练样本，通过不同结构深度学习辨识，提高模型的泛化能力和准确率。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于深度学习断路器储能机构故障诊断方法，其特征在于，其包括如下步骤：
(1)采集断路器储能机构的振动信号；
(2)对采集到的振动信号数据进行预处理；
(3)采用改进后的卷积神经网络与长短时记忆网络并行结构模型进行样本训练；
(4)利用经步骤(3)训练后模型对断路器储能机构故障进行识别。
2.根据权利要求1所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，所述振动信号包括：正常储能、机构卡涩、弹簧脱扣以及电压偏高四种状态下振动信号。
3.根据权利要求1所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，利用加速度传感器和数据采集卡进行振动信号采集。
4.根据权利要求1所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，所述步骤(2)为：将采集到的振动信号通过重叠采样法进行数据扩充，并对扩充后的数据进行归一化处理。
5.根据权利要求4所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，所述步骤(2)中，通过下式进行数据的归一化处理；
Figure FDA0002660441060000011
式中：
Figure FDA0002660441060000012
为数据归一化值；x为原始值；xmin、xmax为该组数据最小值与最大值。
6.根据权利要求1所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，步骤(3)中所述改进后的卷积神经网络包括5个卷积层，其中第一层为64×1的大卷积核，其余为3×1小卷积核，并且对每一层卷积进行批量归一化处理。
7.根据权利要求6所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，步骤(3)中所述改进后的卷积神经网络中的损失函数采用的交叉熵函数作为目标函数，其定义为：
Figure FDA0002660441060000013
式中：N为数据样本数；M为故障类别数量；yic为指标变量，预测样本和类别样本相同取1，反之取0；pic为样本预测类别的概率。
8.根据权利要求7所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，步骤(3)中所述改进后的卷积神经网络中引入随机丢弃机制，让神经元之间权重随机置零，随机丢弃过程为：
ri l～Bernoulli(p)
Figure FDA0002660441060000021
式中：ri l服从伯努利分布的概率向量；
Figure FDA0002660441060000022
为经过随机丢弃机制后的输出。
9.根据权利要求8所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，步骤(3)中，长短时记忆网络采用单层并添加Dropout层防止过拟合。
10.根据权利要求8所述的一种基于深度学习断路器储能机构故障诊断方法，其特征在于，步骤(3)中改进后的卷积神经网络与长短时记忆网络并行结构模型具体为：将采集到的高压断路器振动信号时间序列作为深度学习结构的输入，将两种方法提取到的互相补充的特征融合到全连接层，通过Softmax层分类。
CN202010900569.9A 2020-09-01 2020-09-01 基于深度学习断路器储能机构故障诊断方法 Pending CN111950526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010900569.9A CN111950526A (zh) 2020-09-01 2020-09-01 基于深度学习断路器储能机构故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010900569.9A CN111950526A (zh) 2020-09-01 2020-09-01 基于深度学习断路器储能机构故障诊断方法

Publications (1)

Publication Number Publication Date
CN111950526A true CN111950526A (zh) 2020-11-17

Family

ID=73368124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010900569.9A Pending CN111950526A (zh) 2020-09-01 2020-09-01 基于深度学习断路器储能机构故障诊断方法

Country Status (1)

Country Link
CN (1) CN111950526A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686366A (zh) * 2020-12-01 2021-04-20 江苏科技大学 一种基于随机搜索和卷积神经网络的轴承故障诊断方法
CN112748331A (zh) * 2020-12-24 2021-05-04 国网江苏省电力有限公司电力科学研究院 一种基于ds证据融合的断路器机械故障识别方法及装置
CN113589156A (zh) * 2021-06-18 2021-11-02 国网浙江省电力有限公司嘉兴供电公司 一种断路器防跳功能测试方法
EP4071572A1 (en) * 2021-04-09 2022-10-12 Hitachi Energy Switzerland AG Asset protection, monitoring, or control device and method, and electric power system
CN116400675A (zh) * 2023-06-09 2023-07-07 西南交通大学 基于改进cnn-lstm模型的故障诊断系统及方法
CN116842459A (zh) * 2023-09-01 2023-10-03 国网信息通信产业集团有限公司 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN117494028A (zh) * 2023-12-29 2024-02-02 山东国华科技发展有限公司 一种用于储能电站的储能数据异常检测方法及系统
CN117494028B (zh) * 2023-12-29 2024-04-19 山东国华科技发展有限公司 一种用于储能电站的储能数据异常检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202997A (zh) * 2016-06-29 2016-12-07 四川大学 一种基于深度学习的细胞分裂检测方法
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202997A (zh) * 2016-06-29 2016-12-07 四川大学 一种基于深度学习的细胞分裂检测方法
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686366A (zh) * 2020-12-01 2021-04-20 江苏科技大学 一种基于随机搜索和卷积神经网络的轴承故障诊断方法
CN112748331A (zh) * 2020-12-24 2021-05-04 国网江苏省电力有限公司电力科学研究院 一种基于ds证据融合的断路器机械故障识别方法及装置
EP4071572A1 (en) * 2021-04-09 2022-10-12 Hitachi Energy Switzerland AG Asset protection, monitoring, or control device and method, and electric power system
CN113589156A (zh) * 2021-06-18 2021-11-02 国网浙江省电力有限公司嘉兴供电公司 一种断路器防跳功能测试方法
CN113589156B (zh) * 2021-06-18 2024-02-09 国网浙江省电力有限公司嘉兴供电公司 一种断路器防跳功能测试方法
CN116400675A (zh) * 2023-06-09 2023-07-07 西南交通大学 基于改进cnn-lstm模型的故障诊断系统及方法
CN116400675B (zh) * 2023-06-09 2023-09-15 西南交通大学 基于改进cnn-lstm模型的故障诊断系统及方法
CN116842459A (zh) * 2023-09-01 2023-10-03 国网信息通信产业集团有限公司 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN116842459B (zh) * 2023-09-01 2023-11-21 国网信息通信产业集团有限公司 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN117494028A (zh) * 2023-12-29 2024-02-02 山东国华科技发展有限公司 一种用于储能电站的储能数据异常检测方法及系统
CN117494028B (zh) * 2023-12-29 2024-04-19 山东国华科技发展有限公司 一种用于储能电站的储能数据异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN111950526A (zh) 基于深度学习断路器储能机构故障诊断方法
Qin et al. The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines
Ma et al. High-voltage circuit breaker fault diagnosis using a hybrid feature transformation approach based on random forest and stacked autoencoder
CN105891707A (zh) 一种基于振动信号的万能式断路器分合闸故障诊断方法
CN106017879A (zh) 基于振声信号特征融合的万能式断路器机械故障诊断方法
Varstal et al. A recurrent self-organizing map for temporal sequence processing
CN113252322B (zh) 一种含噪背景下的断路器机械故障诊断方法及装置
CN111796180A (zh) 一种高压开关机械故障的自动识别方法及装置
CN116524200A (zh) 一种基于图像识别的高压断路器故障诊断方法
Gu et al. An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
Han et al. Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization
CN115932561A (zh) 一种基于声纹识别的高压断路器机械故障在线诊断方法
CN114781458A (zh) 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法
Hao et al. Partial discharge identification using a support vector machine
Zhang et al. Optimization of hmm based on adaptive GAPSO and its application in fault diagnosis of rolling bearing
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
Shiling et al. Research on method of mechanical state characteristics diagnosis based on STFT and RVM for transformer winding
Mantach et al. Classification of partial discharge signals using 1d convolutional neural networks
Sun et al. Jointed Task of Multi-scale CNN Based Power Transformer Fault Diagnosis with Vibration and Sound Signals
Vesperini et al. Hierarchic conv nets framework for rare sound event detection
Shi et al. Circuit breaker fault diagnosis method based on improved one-dimensional convolutional neural network
Liang et al. Rolling bearing fault diagnosis using enhanced convolutional neural network with compressed sensing
Zhang et al. Sequential mechanical fault diagnosis in high voltage circuit breaker using attention mechanism
Zhang et al. Remaining Useful Life Prediction Method Based on the Improved Holt Double Exponential Model

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: 20201117