CN112327149A - 基于ssd-srae的高压断路器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于SSD‑SRAE的高压断路器故障诊断方法，步骤包括：1)采用奇异谱分解技术分析断路器振动信号，将非线性、非平稳信号从高频至低频分解为多个奇异谱分量；2)预训练，利用栈式相关性稀疏自编码算法将多个栈式相关性稀疏自编码器级联，确定SRAE的隐含层数G，以无监督的方式逐层贪婪式训练G个RAE；3)微调，结合遗传算法通过种群初始化以及种群个体适应度的评估进行全网络参数优化，直到Z层RAE训练完毕并将最后一层隐含层添加随机森林模型作为分类器；4)将测试集输入至训练好的模型中，完成高压断路器故障诊断的分类。本发明的方法，能更加准确快速的对故障进行分类。

Description

基于SSD-SRAE的高压断路器故障诊断方法

技术领域

本发明属于高压断路器故障在线监测技术领域，涉及一种基于 SSD-SRAE的高压断路器故障诊断方法。

背景技术

高压断路器是电力系统最主要的控制与保护装置，关系到输电、 配电及用电的可靠性、安全性。高压断路器能在系统故障与非故障情 况下实现多种操作。断路器在分合闸过程中会产生大量振动信号，其 蕴含着丰富的断路器机械状态信息，寻找合适的故障特征提取方法是 实现断路器故障诊断的关键。

目前振动信号分析常用的方法包括傅里叶变换法、小波变换法、 经典模态分析法等。其中，傅里叶变换法可以求得振动信号的频谱结 构，但由于断路器振动信号属于非平稳信号，因此难以求得其局部化 特征信息；小波变换法建立在傅里叶变换基础之上，可以在信号的时 频域上同时表征信号的特征，但无法精确描述时间与频率的关系；经 典模态分析(EMD)法可将复杂的振动信号分解成若干个固有模态 函数(IMF)来精确描述信号时间与频率的关系，但对于不同状态下 的振动信号难以设定一个确定的固有模态函数维数，不利于故障诊断 算法在断路器在线监测系统中的实现。

发明内容

本发明的目的是提供一种基于SSD-SRAE的高压断路器故障诊 断方法，解决了现有技术故障特征提取方法难以寻找到合适的故障特 征，使得断路器故障诊断不准确不及时的问题。

本发明所采用的技术方案是，一种基于SSD-SRAE的高压断路 器故障诊断方法，按照以下步骤实施：

步骤1、利用振动信号监测设备采集断路器振动信号，并将断路 器振动信号与对应故障状态进行编码；采用奇异谱分解技术分析断路 器振动信号，通过构建新的轨迹矩阵，自适应选取嵌入维数，将非线 性、非平稳信号从高频至低频分解为多个奇异谱分量，作为特征信息 参数分为训练集与测试集；

步骤2、预训练，利用栈式相关性稀疏自编码算法将多个栈式相 关性稀疏自编码器级联，确定SRAE的隐含层数G，逐层特征提取， 降低故障特征维度，以无监督的方式逐层贪婪式训练G个RAE，即 每一个RAE的隐含层作为下一层RAE的输入；

步骤3、微调，结合遗传算法通过种群初始化以及种群个体适应 度的评估进行全网络参数优化，直到达到最大进化代数或满足最小误 差，选择预测特征量最优化的组合微调SRAE的参数完成网络训练， 直到Z层RAE训练完毕并将最后一层隐含层添加随机森林模型作为 分类器；

步骤4、将测试集输入至训练好的模型中，验证故障诊断模型的 有效性，完成高压断路器故障诊断的分类。

本发明的有益效果，包括以下几个方面：

1)基于改进奇异谱分解的方法，通过构建轨迹矩阵与自适应选 取嵌入维数等优势，对复杂的信号进行自适应分解，将非平稳信号分 解为一系列瞬时频率具有物理意义的单分量信号，依次得到从高频至 低频的奇异谱分量，克服了噪声干扰对故障特征提取的影响，完成了 断路器故障特征的自提取和表达；

2)本发明采用的栈式相关性稀疏自编码神经网络，通过逐层无 监督学习和有监督微调，将稀疏性限制和输入数据相关性限制融入自 编码网络，同时将自编码网络堆栈并添加分类器。使高维故障特征降 维，得到具有拓扑流形结构的低维可视化特征，具有良好的容错能力、 并行处理能力和自学习能力；

3)本发明结合遗传算法通过种群初始化以及种群个体适应度的 评估，进行全网络参数优化并选择预测特征量最优化的组合微调 SRAE的参数使其完成训练，具有较好的局部与全局搜索能力，可以 有效提高断路器故障诊断的速度与准确率。

附图说明

图1是本发明方法的流程简图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，本发明基于SSD-SRAE的高压断路器故障诊断方法， 按照以下步骤实施：

步骤1、利用振动信号监测设备采集断路器振动信号，并将断路 器振动信号与对应故障状态进行编码；采用奇异谱分解技术(Singular Spectrum Decomposition，SSD)分析断路器振动信号，通过构建新的 轨迹矩阵，自适应选取嵌入维数，将非线性、非平稳信号从高频至低 频分解为多个奇异谱分量，作为特征信息参数分为训练集与测试集；

具体过程是：

1.1)构建新的轨迹矩阵，

对于第n个时间序列x(n)，其数据长度为N、嵌入维数为M，将 其构建为一个A行B列的矩阵X，矩阵X的第i行表达为：

x_i＝(x(i),…,x(A),x(1),…,x(i-1))，且i＝1,…,B，

则矩阵X的表达式如下：

式(1)中，矩阵X的左A行左B列对应于奇异谱分解技术的轨 迹矩阵，其中A＝M,B＝N；为了增强原信号中的振荡成分，并使得 迭代后残余分量的能量呈现出递减规律，将矩阵X中的右下角B个 元素搬移至矩阵X的左上角位置，构建一个新矩阵，新矩阵中各对 角线元素相同且数量相等；

1.2)自适应选择嵌入维数M的大小，

采用自适应法则选取第j次迭代使用的嵌入维数M大小，过程 如下：

a、计算第j次迭代时第n个残余分量v_j(n)的功率谱密度(Power spectraldensity，PSD)，其中残余分量v_j(n)表达式为：

其中，v_k(a)表示第k次迭代时第a个残余分量；

b、估计功率谱密度中最大峰值对应的频率f_max，在第1次迭代中， 若归一化频率f_max/F_s小于给定阈值10^-3，F_s为采样频率，则残余量被 视为一个大趋势项，此时嵌入维数M设置为N/3；

c、当迭代次数j＞1，嵌入维数M设置为M＝1.2×(F_s/f_max)，从而 提高奇异谱分解的分析效果；

1.3)按高频到低频的顺序重构分量，

在第1次迭代时，若趋势项被检测到，则只采用第一个左右特征 向量去获得g⁽¹⁾(n)，使

g⁽¹⁾(n)从X₁的对角平均中得到；否 则，当j＞1就要有一个分量序列g^(j)(n)能够描述有明确物理意义的时 间尺度；从此意义上讲，f表示频率，其频率成分集中在[f_max-Δf,f_max+Δf]的频带之间，Δf为剩余项功率谱密度主峰宽度的一 半，因此，在频带[f_max-Δf,f_max+Δf]内，根据左特征向量有突出主频 的所有特征组和一个对所选择分量的主峰能量贡献最大的特征组来 创建一个子集I_j(I_j＝{i₁,…,i_p})，利用X_Ij＝X_i1+…+X_ip的对角平均法来 重构对应的分量序列，

采用高斯函数构建谱模型拟合功率谱密度的轮廓，即有：

其中，A_i代表第i个高斯函数的幅值；

代表其带宽；

是 参数向量并且满足A＝[A₁,A₂,A₃]和

ε_i代表其位置，

该谱模型由三个高斯函数之和定义，且每一个函数代表一个谱 峰，其中，第一个函数记录主谱峰相应的频率f_max，第二个函数记录 第二谱峰相应的频率f₂，第三个函数记录前两谱峰之间任意峰值相应 的频率，通过对模型的加权最小二乘拟合得到谱模型参数A_i；

实施例中，采用非线性极小化算法确定谱模型参数A_i的最优值， 先给

一个估计值，则

1.4)在第1次迭代完成后，得到的第一个奇异谱分量g⁽¹⁾(n)中可 能包含有大量噪声，对该分量构建Hankel矩阵，利用奇异值算法对 矩阵进行奇异值分解求得q个奇异值，并对奇异值按照从大到小的顺 序排列，得到奇异值差分谱，找到最大峰值b_e，并对前e个奇异值进 行重构，得到降噪后的第一个奇异谱分量g^(1)′(n)，其具体过程如下：

1.4.1)给定一个m×l的矩阵A，存在分解满足下式：

A＝USV^T (4)

其中，U为a×a阶正交矩阵，V为b×b阶正交矩阵，S为a×a阶对 角矩阵；表达为S＝(diag(σ₁,σ₂,…,σ_q),0)或者其转置，由a＜b还是a＞b决 定，其中，q＝min(a,b)，0代表零矩阵，且有σ₁≥σ₂≥，…,σ_q≥0，称为 矩阵A的奇异值；

1.4.2)将所有矩阵A的奇异值按照从大到小的顺序组成序列： S_d＝(σ₁,σ₂,…,σ_q)，则有：

b_i＝σ_i-σ_i+1,i＝1,2,…,q-1 (5)

所得序列B＝(b₁,b₂,…,b_q-1)称为奇异值差分谱，描述了相邻奇异值 大小的变化情况；若两相邻奇异值变化较大，在差分谱中将会产生一 个峰值，且在整个差分谱中必然会存在一个最大的峰值b_e，表示奇异 值序列在e点处发生了最大突变，代表了有用信号和噪声的分界点； 对前e个奇异值进行重构，得到降噪后的第一个奇异谱分量g^(1)′(n)；

1.5)从原始信号中减去g^(1)′(n)，为重构第j个分量开始第2次迭 代，为保证迭代的收敛性，第2次迭代需满足下式：

否则，第1次运行的估计值

将被当作g^(j)(n)的估计，g^(j)(n) 和剩余时间序列υ^(j)(n)的差值用尺度因子

来进行调整，即有：

其中，

1.6)设置迭代停止条件，

每迭代估计出一个新的分量

都会得到一个新的剩余项

剩余项与降噪后信号之间的归一化均方差 (Normalized MeanSquared Error，NMSE)由下式计算得到：

当NMSE小于给定阈值th＝1％时，整个迭代过程终止，最终的分 接结果表示为：

其中，Q表示得到奇异谱分量的个数；

步骤2、预训练，利用栈式相关性稀疏自编码算法将多个栈式相 关性稀疏自编码器级联，确定SRAE的隐含层数G，逐层特征提取， 降低故障特征维度，以无监督的方式逐层贪婪式训练G个RAE，即 每一个RAE的隐含层作为下一层RAE的输入；

具体过程是：

2.1)编码过程，给定K个输入样本x∈[0,1]^α，α为输入向量神经 元的个数，通过编码函数f_θ对输入x⁽ⁱ⁾进行编码操作，映射到隐含层 向量y⁽ⁱ⁾∈[0,1]^β,β为隐含层神经元个数，表达式如下：

y⁽ⁱ⁾＝f_θ(x⁽ⁱ⁾)＝s_f(Wx⁽ⁱ⁾+C) (10)

s_f(·)为编码过程的非线性激活函数；编码权值矩阵W∈R^α×β，编 码偏置向量C∈R^α；θ＝{W,C}为编码过程的参数集合；

2.2)解码过程，通过解码函数g_θ′对隐含层y⁽ⁱ⁾解码到x⁽ⁱ⁾的重构表 示

如下式所示：

s_g(·)为解码过程的非线性激活函数；解码权值矩阵W′∈R^α×β，解 码偏置向量C′∈R^β；θ′∈{W′,C′}为解码过程的参数集合；其中，解码 过程的权重矩阵被W′和W′＝W^T的关系约束，以减少优化的参数和时 间；通过最小化x和

的损失函数来寻求最优参数θ″′∈{W,C,C′}，从而 实现自编码(AE)的训练过程，其损失函数为：

2.3)稀疏性限制优化，加入稀疏性限制的损失函数定义为：

其中，η为控制稀疏性惩罚因子的权重；ρ表示平均活跃度的目 标值，一般是接近与0的较小值(如ρ＝0.05)；ρ_j表示中间层第j个 单元的平均活跃度，按下式计算：

其中，

表示给第i个训练样本第j个神经元的激活度；

KL(ρ||ρ_j)表示计算得到的平均激活度和目标值的差异，由于希望 大多数的隐含层神经元“非激活”以学习到结构特征，所以希望ρ_j趋近于ρ，当ρ_j＝ρ时，KL(ρ||ρ_j)＝0，否则KL(ρ||ρ_j)会随着ρ_j偏离ρ而 逐渐增大；

2.4)相关性限制优化，将输入数据相关性融入自编码(AE)， 使其损失函数包括重构误差和数据关系两部分，如下式所示：

其中，R(x⁽ⁱ⁾)为输入数据相关性表示；

为重构数据相关性表 示；τ为控制数据重构误差和相关性误差的权重参数；

数据相关性可以按照多种方式建立，本步骤R(x⁽ⁱ⁾)是从x⁽ⁱ⁾和(x⁽ⁱ⁾)^T乘积出发给出了数据相关性，则损失函数为：

2.5)编码器级联，将多个RAE层层堆叠，组成SRAE结构，实 现无监督故障信息特征提取。

步骤3、微调，结合遗传算法通过种群初始化以及种群个体适应 度的评估进行全网络参数优化，直到达到最大进化代数或满足最小误 差，选择预测特征量最优化的组合微调SRAE的参数完成网络训练， 直到Z层RAE训练完毕并将最后一层隐含层添加随机森林(random forest，RF)模型作为分类器；

具体过程是：

3.1)通过种群初始化以及种群个体适应度的评估采用遗传算法 微调SRAE的全网络参数优化，直到达到最大进化代数或满足最小误 差，选择预测特征量最优化的组合微调SRAE的参数完成网络训练，

遗传算法微调SRAE的全网络参数优化具体过程如下：

一个标准的遗传算法为SCA＝(H,E,P₀,F,Φ,δ,ψ,D)，其中，H是GA 编码方法，E是GA的适应度函数，P₀是初始种群，F是种群大小，Φ 是选择操作，δ是GA的交叉操作，ψ是GA的变异操作，D是GA 的终止操作条件；以防进入局部最优；

a、编码：根据所求精度将采用11位二进制数对连接权和阈值进 行编码，其中第1位为符号位，其余10位编码的对应关系为：

0000000000＝0→0.0

0000000001＝1→0.0+δ

0000000002＝2→0.0+2δ

0000000003＝3→0.0+3δ

1111111111＝2¹⁰-1→1.0 (17)

其中，δ＝(1.0-0.0)/(2¹⁰-1)＝0.00098；

b、遗传操作：为了提高模型的运行速度和收敛能力，计算交叉 率P_c和变异率P_m，具体如下：

其中，μ_max为最大个体适应度，μ_avg为平均个体适应度，μ′为执 行交叉操作个体中的最大适应度，μ是执行变异操作个体中的最大适 应度；

c、目标函数：利用模型的输出量与训练样本的期望输出的差之 和的最小值作为目标函数，即有：

其中，Y_SRAE为SRAE模型的输出值，Y_data为训练样本的期望输出；

d、个体适应度

其中，B_max选为种群最大的个体适应度；

3.2)直到Z层RAE训练完毕，将获取的最后一个相关性稀疏自 编码器的隐含层特征输入到RF模型分类器中进行分类识别；输出为 四种试验模拟结果，即机构正常、铁芯卡涩状态、缓冲器无效超行程 和绝缘拉杆松动；

步骤4、将测试集输入至训练好的模型中，验证故障诊断模型的 有效性，完成高压断路器故障诊断的分类。

综上，本发明的基于SSD-SRAE的高压断路器故障诊断方法， 采用改进奇异谱分解法构建一种新型的轨迹矩阵，增强原始信号中的 振荡成分的同时，将非线性、非平稳信号按高频到低频依次分解为多 个奇异谱分量和一个残余分量，将复杂的信号进行自适应分解并克服 噪声干扰对故障特征提取的影响；采用栈式相关性稀疏自编码 (StackedRelational Sparse Autoencoder，SRAE)神经网络分析故障 特征信号，通过逐层无监督学习和有监督微调，将稀疏性限制和输入 数据相关性限制融入自编码网络，同时将自编码网络堆栈并添加分类 器。结合遗传算法优化全网络参数，实现有监督微调，从而提升SRAE 的性能表现，使高维故障特征降维，得到具有拓扑流形结构的低维可 视化特征。在弥补特征信号提取不准确和神经网络诊断不足的同时， 能更加准确有效地判断断路器的故障类型，进而有效率的完成检修。

Claims (5)

1.一种基于SSD-SRAE的高压断路器故障诊断方法，其特征在于，按照以下步骤实施：

步骤1、利用振动信号监测设备采集断路器振动信号，并将断路器振动信号与对应故障状态进行编码；采用奇异谱分解技术分析断路器振动信号，通过构建新的轨迹矩阵，自适应选取嵌入维数，将非线性、非平稳信号从高频至低频分解为多个奇异谱分量，作为特征信息参数分为训练集与测试集；

步骤2、预训练，利用栈式相关性稀疏自编码算法将多个栈式相关性稀疏自编码器级联，确定SRAE的隐含层数G，逐层特征提取，降低故障特征维度，以无监督的方式逐层贪婪式训练G个RAE，即每一个RAE的隐含层作为下一层RAE的输入；

步骤3、微调，结合遗传算法通过种群初始化以及种群个体适应度的评估进行全网络参数优化，直到达到最大进化代数或满足最小误差，选择预测特征量最优化的组合微调SRAE的参数完成网络训练，直到Z层RAE训练完毕并将最后一层隐含层添加随机森林模型作为分类器；

步骤4、将测试集输入至训练好的模型中，验证故障诊断模型的有效性，完成高压断路器故障诊断的分类。

2.根据权利要求1所述的基于SSD-SRAE的高压断路器故障诊断方法，其特征在于，所述步骤1中，具体过程是：

1.1)构建新的轨迹矩阵，

对于第n个时间序列x(n)，其数据长度为N、嵌入维数为M，将其构建为一个A行B列的矩阵X，矩阵X的第i行表达为：

x_i＝(x(i),…,x(A),x(1),…,x(i-1))，且i＝1,…,B，

则矩阵X的表达式如下：

式(1)中，矩阵X的左A行左B列对应于奇异谱分解技术的轨迹矩阵，其中A＝M,B＝N；将矩阵X中的右下角B个元素搬移至矩阵X的左上角位置，构建一个新矩阵，新矩阵中各对角线元素相同且数量相等；

1.2)自适应选择嵌入维数M的大小，

采用自适应法则选取第j次迭代使用的嵌入维数M大小，过程如下：

a、计算第j次迭代时第n个残余分量v_j(n)的功率谱密度，其中残余分量v_j(n)表达式为：

其中v_k(a)表示第k次迭代时第a个残余分量；

b、估计功率谱密度中最大峰值对应的频率f_max，在第1次迭代中，若归一化频率f_max/F_s小于给定阈值10^-3，F_s为采样频率，则残余量被视为一个大趋势项，此时嵌入维数M设置为N/3；

c、当迭代次数j＞1，嵌入维数M设置为M＝1.2×(F_s/f_max)；

1.3)按高频到低频的顺序重构分量，

在第1次迭代时，若趋势项被检测到，则只采用第一个左右特征向量去获得g⁽¹⁾(n)，使

g⁽¹⁾(n)从X₁的对角平均中得到；否则，当j＞1就要有一个分量序列g^(j)(n)能够描述有明确物理意义的时间尺度；在频带[f_max-Δf,f_max+Δf]内，根据左特征向量有突出主频的所有特征组和一个对所选择分量的主峰能量贡献最大的特征组来创建一个子集I_j(I_j＝{i₁,…,i_p})，利用X_Ij＝X_i1+…+X_ip的对角平均法来重构对应的分量序列，

采用高斯函数构建谱模型拟合功率谱密度的轮廓，即有：

其中，f表示频率，A_i代表第i个高斯函数的幅值；

代表其带宽；

是参数向量并且满足A＝[A₁,A₂,A₃]和

ε_i代表其位置，

该谱模型由三个高斯函数之和定义，且每一个函数代表一个谱峰，其中，第一个函数记录主谱峰相应的频率f_max，第二个函数记录第二谱峰相应的频率f₂，第三个函数记录前两谱峰之间任意峰值相应的频率，通过对模型的加权最小二乘拟合得到谱模型参数A_i；

1.4)在第1次迭代完成后，得到的第一个奇异谱分量g⁽¹⁾(n)中可能包含有大量噪声，对该分量构建Hankel矩阵，利用奇异值算法对矩阵进行奇异值分解求得q个奇异值，并对奇异值按照从大到小的顺序排列，得到奇异值差分谱，找到最大峰值b_e，并对前e个奇异值进行重构，得到降噪后的第一个奇异谱分量g^(1)′(n)，其具体过程如下：

1.4.1)给定一个m×l的矩阵A，存在分解满足下式：

A＝USV^T (4)

其中，U为a×a阶正交矩阵，V为b×b阶正交矩阵，S为a×a阶对角矩阵；表达为S＝(diag(σ₁,σ₂,…,σ_q),0)或者其转置，由a＜b还是a＞b决定，其中，q＝min(a,b)，0代表零矩阵，且有σ₁≥σ₂≥，…,σ_q≥0，称为矩阵A的奇异值；

1.4.2)将所有矩阵A的奇异值按照从大到小的顺序组成序列：S_d＝(σ₁,σ₂,…,σ_q)，则有：

b_i＝σ_i-σ_i+1,i＝1,2,…,q-1 (5)

所得序列B＝(b₁,b₂,…,b_q-1)称为奇异值差分谱；若两相邻奇异值变化较大，在差分谱中将会产生一个峰值，且在整个差分谱中必然会存在一个最大的峰值b_e，其表示奇异值序列在e点处发生了最大突变，代表了有用信号和噪声的分界点；并对前e个奇异值进行重构，得到降噪后的第一个奇异谱分量g^(1)′(n)；

1.5)从原始信号中减去g^(1)′(n)，为重构第j个分量开始第2次迭代，第2次迭代需满足下式：

否则，第1次运行的估计值

将被当作g^(j)(n)的估计，g^(j)(n)和剩余时间序列υ^(j)(n)的差值用尺度因子

来进行调整，即有：

其中，

1.6)设置迭代停止条件，

每迭代估计出一个新的分量

都会得到一个新的剩余项

剩余项与降噪后信号之间的归一化均方差由下式计算得到：

当NMSE小于给定阈值th＝1％时，整个迭代过程终止，最终的分接结果表示为：

其中，Q表示得到奇异谱分量的个数。

3.根据权利要求1所述的基于SSD-SRAE的高压断路器故障诊断方法，其特征在于，所述步骤2中，具体过程是：

2.1)编码过程，给定K个输入样本x∈[0,1]^α，α为输入向量神经元的个数，通过编码函数f_θ对输入x⁽ⁱ⁾进行编码操作，映射到隐含层向量y⁽ⁱ⁾∈[0,1]^β,β为隐含层神经元个数，表达式如下：

y⁽ⁱ⁾＝f_θ(x⁽ⁱ⁾)＝s_f(Wx⁽ⁱ⁾+C) (10)

s_f(·)为编码过程的非线性激活函数；编码权值矩阵W∈R^α×β，编码偏置向量C∈R^α；θ＝{W,C}为编码过程的参数集合；

2.2)解码过程，通过解码函数g_θ′对隐含层y⁽ⁱ⁾解码到x⁽ⁱ⁾的重构表示

如下式所示：

s_g(·)为解码过程的非线性激活函数；解码权值矩阵W′∈R^α×β，解码偏置向量C′∈R^β；θ′∈{W′,C′}为解码过程的参数集合；其中，解码过程的权重矩阵被W′和W′＝W^T的关系约束；通过最小化x和

的损失函数来寻求最优参数θ″′∈{W,C,C′}，从而实现自编码的训练过程，其损失函数为：

2.3)稀疏性限制优化，加入稀疏性限制的损失函数定义为：

其中，η为控制稀疏性惩罚因子的权重；ρ表示平均活跃度的目标值，一般是接近与0的较小值(如ρ＝0.05)；ρ_j表示中间层第j个单元的平均活跃度，按下式计算：

其中，

表示给第i个训练样本第j个神经元的激活度；

KL(ρ||ρ_j)表示计算得到的平均激活度和目标值的差异，假设ρ_j趋近于ρ，当ρ_j＝ρ时，KL(ρ||ρ_j)＝0，否则KL(ρ||ρ_j)会随着ρ_j偏离ρ而逐渐增大；

2.4)相关性限制优化，将输入数据相关性融入自编码，使其损失函数包括重构误差和数据关系两部分，如下式所示：

其中，R(x⁽ⁱ⁾)为输入数据相关性表示；

为重构数据相关性表示；τ为控制数据重构误差和相关性误差的权重参数；

数据相关性按照多种方式建立，本步骤R(x⁽ⁱ⁾)是从x⁽ⁱ⁾和(x⁽ⁱ⁾)^T乘积出发给出了数据相关性，则损失函数为：

2.5)编码器级联，将多个RAE层层堆叠，组成SRAE结构，实现无监督故障信息特征提取。

4.根据权利要求1所述的基于SSD-SRAE的高压断路器故障诊断方法，其特征在于，所述步骤3中，具体过程是：

3.1)通过种群初始化以及种群个体适应度的评估采用遗传算法微调SRAE的全网络参数优化，直到达到最大进化代数或满足最小误差，选择预测特征量最优化的组合微调SRAE的参数完成网络训练；

3.2)直到Z层RAE训练完毕，将获取的最后一个相关性稀疏自编码器的隐含层特征输入到RF模型分类器中进行分类识别；输出为四种试验模拟结果，即机构正常、铁芯卡涩状态、缓冲器无效超行程和绝缘拉杆松动。

5.根据权利要求4所述的基于SSD-SRAE的高压断路器故障诊断方法，其特征在于，所述步骤3.1)中，遗传算法微调SRAE的全网络参数优化具体过程如下：

一个标准的遗传算法为SCA＝(H,E,P₀,F,Φ,δ,ψ,D)，其中，H是GA编码方法，E是GA的适应度函数，P₀是初始种群，F是种群大小，Φ是选择操作，δ是GA的交叉操作，ψ是GA的变异操作，D是GA的终止操作条件；以防进入局部最优；

a、编码：根据所求精度将采用11位二进制数对连接权和阈值进行编码，其中第1位为符号位，其余10位编码的对应关系为：

0000000000＝0→0.0

0000000001＝1→0.0+δ

0000000002＝2→0.0+2δ

0000000003＝3→0.0+3δ

1111111111＝2¹⁰-1→1.0 (17)

其中，δ＝(1.0-0.0)/(2¹⁰-1)＝0.00098；

b、遗传操作：为了提高模型的运行速度和收敛能力，计算交叉率P_c和变异率P_m，具体如下：

μ_max为最大个体适应度，μ_avg为平均个体适应度，μ′为执行交叉操作个体中的最大适应度，μ是执行变异操作个体中的最大适应度；

c、目标函数：利用模型的输出量与训练样本的期望输出的差之和的最小值作为目标函数，即有：

Y_SRAE为SRAE模型的输出值，Y_data为训练样本的期望输出；

d、个体适应度

其中，B_max选为种群最大的个体适应度。

Images