CN113611568A - 一种基于遗传卷积深度网络的真空断路器 - Google Patents
一种基于遗传卷积深度网络的真空断路器 Download PDFInfo
- Publication number
- CN113611568A CN113611568A CN202111039903.7A CN202111039903A CN113611568A CN 113611568 A CN113611568 A CN 113611568A CN 202111039903 A CN202111039903 A CN 202111039903A CN 113611568 A CN113611568 A CN 113611568A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- circuit breaker
- vacuum circuit
- genetic
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000011176 pooling Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 52
- 210000000349 chromosome Anatomy 0.000 claims description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 102000008847 Serpin Human genes 0.000 claims description 6
- 108050000761 Serpin Proteins 0.000 claims description 6
- 239000003001 serine protease inhibitor Substances 0.000 claims description 6
- 230000000087 stabilizing effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 31
- 230000000694 effects Effects 0.000 abstract description 4
- 229940050561 matrix product Drugs 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
- H01H33/00—High-tension or heavy-current switches with arc-extinguishing or arc-preventing means
- H01H33/60—Switches wherein the means for extinguishing or preventing the arc do not include separate means for obtaining or increasing flow of arc-extinguishing fluid
- H01H33/66—Vacuum switches
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
本发明公开了一种基于遗传卷积深度网络的真空断路器，包括真空断路器以及用于真空断路器的卷积神经网络，卷积神经网络是包含卷积运算且具有深度结构的前馈神经网络，由输入层、卷积层、池化层、展开层、全连接层和输出层组成。本发明提出的基于遗传卷积深度网络的真空断路器，采用卷积运算代替传统网络中的矩阵乘积运算，并通过权值共享有效减少参数的方式降低了过拟合的概率；PR曲线横轴为查全率(TPR)，纵轴为查准率，当TPR不断增大时，AUC越大且曲线越接近于右上角，对高压断路器机械振动信号的诊断精度越高，同时曲线越平滑，则该模型的分类效果越明显，具有较好的诊断性能，对断路器测试样本的故障识别能力强。
Description
技术领域
本发明涉及断路器技术领域，具体为一种基于遗传卷积深度网络的真空断路器。
背景技术
高压断路器是电力系统中最关键的设备之一，主要负责电网的控制与保护。随着对电力系统稳定运行的要求不断提高，高压断路器故障诊断的研究越来越重要。由国内外调查研究表明，高压断路器出现的故障中有70％～80％是机械故障，可见能够准确、及时地诊断出断路器的机械故障是实现电网稳定运行的关键。
高压断路器操作过程中产生的信号能够反应断路器的机械状态。目前，高压断路器机械故障诊断相关的检测信号有振动信号、分合闸电磁铁线圈电流和电压、动触头位移等。其中机械振动信号能反映出断路器操作的瞬时变化，因而成为主要的检测信号，也是近年来故障诊断研究的焦点。基于振动信号分析的高压断路器机械故障诊断主要包括振动信号预处理、特征提取与故障识别等内容。信号预处理能消除信号的零点漂移，过滤高频噪声，将采集到的信号尽可能真实地还原成实际状况，有小波分解重构法、五点三次平滑法、零相位数字滤波等方法。特征提取中小波分析是一种线性时频分析方法，与傅里叶变换相比，小波分析能够对高频部分提供更精细的分解，对断路器振动信号的中、高频信息进行更好的分析。随后提出的经验模态分解方法，目前已广泛用于非线性非平稳信号的处理分析，特征提取还有希尔伯特变换等方法。随着人工智能技术的发展，国内外学者开始将智能诊断技术引入到故障诊断研究中来，主要包括人工神经网络、支持向量机、模糊理论、专家系统等，虽然解决了传统的诊断方法存在的一些问题，提高了诊断精度，但同时存在一些缺点，如人工神经网络易发生过拟合，泛化能力较差；支持向量机难以直接处理多分类问题，对大样本数据较为乏力；专家系统需要的大量专家经验难以获得及表达，数学推理能力弱等。
传统的高压断路器故障诊断方法泛化能力不足，诊断精确度低，基于上述存在的不足，提出一种基于遗传卷积深度网络的真空断路器。
发明内容
本发明的目的在于提供一种基于遗传卷积深度网络的真空断路器，采用卷积神经网络对断路器的机械振动信号进行特征提取，通过预定步长的卷积核对输入信号进行整个样本的卷积运算，从中获取故障信息，然后，将信息传递给池化层和展开层进行降维，最后，将信息传递给全连接层与之前的特征进行映射，最终进行故障诊断，解决了现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：一种基于遗传卷积深度网络的真空断路器，包括真空断路器以及用于真空断路器的卷积神经网络，卷积神经网络是包含卷积运算且具有深度结构的前馈神经网络，由输入层、卷积层、池化层、展开层、全连接层和输出层组成，输入层接收大量非线性数据，然后通过卷积层进行特征提取，运用卷积运算将卷积核与上一层的输出特征进行卷积，输出结果为：
式中，为卷积层第l层的第j个特征输入信息；f为激活函数；为第l-1层的第i个特征输出信息；Mj为输入特征的集合；*为卷积运算；为第i到第l层第j个特征的卷积核；为神经元偏置项；常用的非线性激活函数有sigmoid、tanh、relu等，sigmoid函数和tanh函数比较常见于全连接层，relu函数常见于卷积层，具体函数形式分别如下所示：
卷积层的输出结果即提取到的特征再经过池化层和展开层，将多维的卷积神经网络压为一维，减少计算量和参数，加速训练过程的同时方便全连接层处理，池化层分为最大池化和平均池化，最大池化是对特征取最大值，忽略不重要的信息而保留最突出的信息，平均池化则是对特征取平均值，淡化不重要的信息而强化重要的信息，池化层的输出结果为：
式中，
为乘性偏置；down为降采样函数；
为卷积层提取的特征；
为神经元偏置项；
其中卷积神经网络的GACNN算法如下，GACNN算法包括2个卷积层、1个池化层、2个Dropout层和2个全连接层，在池化层中MaxPooling2D的大小为1，卷积层的激活函数采用ReLU函数，通过卷积操作和池化操作来减小振动信号的输出维度，按Dropout值随机失活，然后经过扁平操作对样本进行处理，输入到激活函数采用ReLU函数的全连接层，再经过Dropout层，最后由激活函数采用softmax函数的全连接层输出，其中GACNN算法主要步骤如下：
S1：建立卷积神经网络基本框架，确定种群大小，遗传代数和阈值等参数；
S2：初始化种群，同时将损失函数值和准确率函数值设置为0；
S3：将初始网络结构参数以及全连接层神经元数等编码成“染色体”；
S4：由S3中的“染色体”，随机生成一个完整的卷积神经网络，并进行相关训练；
S5：计算“染色体”的适应度值，适应度值用来来衡量“染色体”的优劣；
S6：对“染色体”进行选择操作；
S7：对“染色体”进行交叉操作；
S8：对“染色体”进行变异操作；
S9：计算“染色体”适应度值，然后将适应度较低的“染色体”淘汰，只保留适应度较高的“染色体”若符合优化标准则继续下一步，否则返回步骤S4；
S10：得到最优初始网络结构参数及全连接层神经元数等，更新卷积神经网络作为新的网络训练模型。
优选地，所述真空断路器上还设置有机械性能测试系统，机械性能测试系统采用YD-39型加速度传感器，测量范围为0～5000m/s2，采样率为10kHz，YD-39型加速度传感器放置在真空断路器的壳体上来采集垂直振动信号。
优选地，所述YD-39型加速度传感器内部集成有信号放大器电路和数据采集卡，信号放大器电路采用AD820AP芯片，数据采集卡的型号为NI9234，在使用过程中，YD-39型加速度传感器来测量断路器开关过程中的振动加速度参数以及对应的电压，通过信号放大器电路将采集到的电信号放大，然后传输给数据采集卡，数据采集卡将信号传输给后端CPU。
优选地，所述数据采集卡与CPU之间设置有A/D转换模块，A/D转换模块用以将数据采集卡采集到的模拟信号转换成数字信息输出，传输给CPU，A/D转换模块采用AD7606芯片实现A/D转换。
优选地，所述A/D转换模块的A/D转换公式如下：
其中，Uo为传感器经信号放大电路后输出电压；U为采样电压量程，取U＝10V；Data为A/D转换结果；A/D转换电路输入的模拟信号是传感器发出的信号经放大电路调整后接入的，AD7606芯片上模拟信号输入GND引脚均要接入VGND中即模拟地，未被使用的模拟信号输入引脚也接入VGND，用以减少干扰信号的产生；数据接口用于AD7606芯片与CPU的连接，用于信息传递，数据接口两侧数据总线。
优选地，所述AD7606芯片支持串行和并行通信两种模式：PAR/SER引脚处保留靠近VD3V3侧电阻，去掉GND侧电阻为串行通信模式；PAR/SER引脚处保留靠近GND侧电阻，去掉VD3V3侧电阻为并行通信模式；AD7606芯片自带内部基准源，REF SELECT引脚出保留靠近VD3V3侧电阻，去掉GND侧电阻为内部基准用以提高基准精度选用外部基准；REF SELECT引脚出保留靠近GND侧电阻，去掉VD3V3侧电阻为外部基准。
优选地，所述AD7606芯片的电源端设置有稳压电路，稳压电路采用PT9013电源芯片，其中Vin引脚接入的是VDD5V0。
本发明提出的基于遗传卷积深度网络的真空断路器，具有如下几点优点：
1.输入层接收大量非线性数据，然后通过卷积层进行特征提取，经过池化层和展开层，将多维的卷积神经网络压为一维，方便全连接层处理，以故障征兆作为网络模型的输入，诊断结果作为网络的输出，利用遗传算法的全局寻优能力，通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等来优化卷积神经网络，并将优化后的卷积神经网络应用于高压断路器的故障诊断。
2.采用卷积运算代替传统网络中的矩阵乘积运算，并通过权值共享有效减少参数的方式降低了过拟合的概率。
3.PR曲线横轴为查全率(TPR)，纵轴为查准率，当TPR不断增大时，AUC越大且曲线越接近于右上角，对高压断路器机械振动信号的诊断精度越高，同时曲线越平滑，则该模型的分类效果越明显，具有较好的诊断性能。
4.对断路器测试样本的故障识别能力强。
附图说明
图1为本发明的遗传算法流程图；
图2为本发明的GACNN模型的网络结构图；
图3为本发明的信号放大电路原理图；
图4为本发明的AD7606芯片引脚图；
图5为本发明的模拟信号输入电路图；
图6为本发明的AD7606芯片数据接口电路图；
图7为本发明的AD7606芯片通信模式选择电路图；
图8为本发明的基准源选择电路图；
图9为本发明的外部基准源电路图；
图10为本发明的稳压芯片电路图；
图11为本发明的整体电路原理图；
图12为本发明的基于YD-39加速度传感器的正常状态下实时振动信号图；
图13为本发明的基于YD-39加速度传感器的脱口闭合电磁铁堵塞状态下实时振动信号图；
图14为本发明的基于YD-39加速度传感器的主轴堵塞状态下实时振动信号图；
图15为本发明的基于YD-39加速度传感器的半轴堵塞状态下实时振动信号图；
图16为本发明的不同诊断模型下的ROC曲线和PR曲线图；
图17为本发明的GACNN和CNN模式下对应的ROC曲线图；
图18为本发明的测试样本可视化分布图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-18，一种基于遗传卷积深度网络的真空断路器，包括真空断路器以及用于真空断路器的卷积神经网络，卷积神经网络是包含卷积运算且具有深度结构的前馈神经网络，由输入层、卷积层、池化层、展开层、全连接层和输出层组成，输入层接收大量非线性数据，然后通过卷积层进行特征提取，运用卷积运算将卷积核与上一层的输出特征进行卷积，输出结果为：
式中，为卷积层第l层的第j个特征输入信息；f为激活函数；为第l-1层的第i个特征输出信息；Mj为输入特征的集合；*为卷积运算；为第i到第l层第j个特征的卷积核；为神经元偏置项；由卷积运算代替传统网络中的矩阵乘积运算，并通过权值共享有效减少参数的方式可以降低过拟合的概率；常用的非线性激活函数有sigmoid、tanh、relu等，sigmoid函数和tanh函数比较常见于全连接层，relu函数常见于卷积层，具体函数形式分别如下所示：
卷积层的输出结果即提取到的特征再经过池化层和展开层，在池化层中MaxPooling2D的大小为1，卷积层的激活函数采用ReLU函数，将多维的卷积神经网络压为一维，通过卷积操作和池化操作来减小振动信号的输出维度，减少计算量和参数，按Dropout值随机失活，然后经过扁平操作对样本进行处理，输入到激活函数采用ReLU函数的全连接层，再经过Dropout层，最后由激活函数采用softmax函数的全连接层输出。池化层分为最大池化和平均池化，最大池化是对特征取最大值，忽略不重要的信息而保留最突出的信息，平均池化则是对特征取平均值，淡化不重要的信息而强化重要的信息。池化层的输出结果为：
式中，
为乘性偏置；down为降采样函数；
为卷积层提取的特征；
为神经元偏置项；
其中：卷积神经网络的网络结构如图2所示，部分参数优化范围如表1所示，遗传算法相关参数设置如表2所示；
表1 GACNN部分参数优化范围
表2遗传算法相关参数
其中卷积神经网络的GACNN算法如下，GACNN算法包括2个卷积层、1个池化层、2个Dropout层和2个全连接层，在池化层中MaxPooling2D的大小为1，卷积层的激活函数采用ReLU函数，通过卷积操作和池化操作来减小振动信号的输出维度，按Dropout值随机失活，然后经过扁平操作对样本进行处理，输入到激活函数采用ReLU函数的全连接层，再经过Dropout层，最后由激活函数采用softmax函数的全连接层输出，其中GACNN算法主要步骤如下：
第一步：建立卷积神经网络基本框架，确定种群大小，遗传代数和阈值等参数；
第二步：初始化种群，同时将损失函数值和准确率函数值设置为0；
第三步：将初始网络结构参数以及全连接层神经元数等编码成“染色体”；
第四步：由第三步中的“染色体”，随机生成一个完整的卷积神经网络，并进行相关训练；
第五步：计算“染色体”的适应度值，适应度值用来来衡量“染色体”的优劣；
第六步：对“染色体”进行选择操作；
第七步：对“染色体”进行交叉操作；
第八步：对“染色体”进行变异操作；
第九步：计算“染色体”适应度值，然后将适应度较低的“染色体”淘汰，只保留适应度较高的“染色体”若符合优化标准则继续下一步，否则返回步骤第四步；
第十步：得到最优初始网络结构参数及全连接层神经元数等，更新卷积神经网络作为新的网络训练模型。
作为本发明的进一步方案：YD-39型加速度传感器内部集成有信号放大器电路和数据采集卡，信号放大器电路采用AD820AP芯片，数据采集卡的型号为NI9234，在使用过程中，YD-39型加速度传感器来测量断路器开关过程中的振动加速度参数以及对应的电压，通过信号放大器电路将采集到的电信号放大，然后传输给数据采集卡，数据采集卡将信号传输给后端CPU。
作为本发明的进一步方案：数据采集卡与CPU之间设置有A/D转换模块，A/D转换模块用以将数据采集卡采集到的模拟信号转换成数字信息输出，传输给CPU，A/D转换模块采用AD7606芯片实现A/D转换，AD7606具有应用广、性能十分优异、价格低廉，拥有8/6/4路的同步采样输入，真双极性的模拟输入范围±10V和±5V，5V的模拟单电源，2.3V至+5VVDRIVE，完全集成的数据采集就解决了方案模拟输入的嵌位保护，1MΩ的模拟输入阻抗的输入缓冲器，二阶抗混叠的模拟滤波器，片内精密的基准电压及基准电压缓冲器，16位、200KSPS ADC，通过数字滤波器提供过采样功能。
作为本发明的进一步方案：A/D转换模块的A/D转换公式如下：
其中，Uo为传感器经信号放大电路后输出电压；U为采样电压量程，取U＝10V；Data为A/D转换结果；A/D转换电路输入的模拟信号是传感器发出的信号经放大电路调整后接入的，AD7606芯片上模拟信号输入GND引脚均要接入VGND中即模拟地，未被使用的模拟信号输入引脚也接入VGND，用以减少干扰信号的产生；数据接口用于AD7606芯片与CPU的连接，用于信息传递，数据接口两侧数据总线。
作为本发明的进一步方案：AD7606芯片支持串行和并行通信两种模式：PAR/SER引脚处保留靠近VD3V3侧电阻，去掉GND侧电阻为串行通信模式；PAR/SER引脚处保留靠近GND侧电阻，去掉VD3V3侧电阻为并行通信模式；AD7606芯片自带内部基准源，REF SELECT引脚出保留靠近VD3V3侧电阻，去掉GND侧电阻为内部基准用以提高基准精度选用外部基准；REFSELECT引脚出保留靠近GND侧电阻，去掉VD3V3侧电阻为外部基准。
作为本发明的进一步方案：AD7606芯片的电源端设置有稳压电路，稳压电路采用PT9013电源芯片，其中Vin引脚接入的是VDD5V0。
下面以10kV真空断路器振动信号上的分析实验表明，所提出的网络模型在ROC曲线和PR曲线上的诊断性能要优于未进行优化的卷积神经网络，具体内容请参阅图12-15，实验模拟了四种情况：正常状态、脱扣闭合电磁铁堵塞、主轴堵塞、半轴堵塞。一共进行7次实验，其中在每种故障情况下进行2次实验，在所获得的数据集中一次作为训练数据集，另一次则作为测试数据集。真空断路器正常和故障状态的振动信号如图12-15所示；
该基于遗传卷积深度网络的真空断路器，评价标准对于高压断路器诊断模型的性能评估起着至关重要的作用，采用ROC曲线和PR曲线来评估三种诊断模型的性能；ROC曲线即接受者操作特征曲线，用来描绘诊断模型对高压断路器机械振动信号的敏感程度，其连续的变量指标也可以反映出该诊断模型的特异性；ROC曲线的横轴为假正率(FPR)，其值越大表示预测正类中实际负类越多；纵轴为真正率(TPR)，其值越大表示预测正类中实际正类越多。设定不同的阈值可以产生不同的曲线，曲线与坐标轴围成的面积(AUC)越大且曲线越靠近左上角，则该诊断模型的准确精度越高且对振动信号的变化越灵敏；TPR聚焦于正例，FPR聚焦于负例，都不依赖于具体的类别分布，可以实现均衡评估；ROC曲线不会随着类别分布而改变，因此得出的结果过于乐观，此时采用PR曲线即查准率-查全率曲线进一步来判定模型分类性能，以提高准确性；PR曲线横轴为查全率(TPR)，即真正类占实际正类的比例；纵轴为查准率，即真正类占预测正类的比例；当TPR不断增大时，AUC越大且曲线越接近于右上角，则该诊断模型对高压断路器机械振动信号的诊断精度越高，同时曲线越平滑，则该模型的分类效果越明显。
选择time steps＝10在相同的实验环境下进行实验用以说明，与未优化的卷积神经网络(CNN)进行对比，输入相同的机械振动信号样本进行故障诊断，用ROC曲线和PR曲线对两种模型诊断结果进行评估，为使诊断模型更易于表达，对高压断路器三类故障类型进行编号，结果如表3所示：
表3真空高压断路器三类机械故障编号
不同诊断模型下的ROC曲线和PR曲线如图16、17所示，图中class0、class1、class2、class3分别代表正常、脱扣闭合电磁铁堵塞、主轴堵塞、半轴堵塞这几种断路器运行状态；
从micro-average ROC曲线AUC值的大小(AUCGACNN＝0.94>AUCCNN＝0.93)可以看出GACNN断路器诊断模型对于不正常的运行状态更为敏感，而CNN诊断模型对于不正常的运行状态敏感度较低；同时在macro-average ROC曲线AUC值上，GACNN也大于CNN，说明GACNN诊断模型的性能要优于CNN诊断模型；在ROC曲线中micro-average和macro-average AUC值受样本不平衡影响较大，样本数量大的类往往决定着AUC值,相比于ROC曲线，PR曲线受样本不平衡的影响较小；从mircro-average PR曲线AUC值的大小(AUCGACNN＝0.873>AUCCNN＝0.868)可以看出GACNN诊断模型对于断路器在线故障的识别能力上要明显优于CNN诊断模型，该实验说明GACNN诊断模型有较好的诊断性能；为了进一步了解GACNN诊断模型的工作过程，采用t-SNE(t-Distributed Stochastic Neighbor Embeding)技术进行可视化展示，图18是以半轴堵塞情况下的振动信号为例，经过GACNN诊断模型处理后的分布情况，从图中可以看出模型很好的将故障状态识别出来，并有着一定的规律性，这使得GACNN诊断模型对断路器测试样本的故障识别能力明显增强。
综上所述：本发明提出的基于遗传卷积深度网络的真空断路器，输入层接收大量非线性数据，然后通过卷积层进行特征提取，经过池化层和展开层，将多维的卷积神经网络压为一维，方便全连接层处理，以故障征兆作为网络模型的输入，诊断结果作为网络的输出；利用遗传算法的全局寻优能力，通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等来优化卷积神经网络，并将优化后的卷积神经网络应用于高压断路器的故障诊断；整体采用卷积运算代替传统网络中的矩阵乘积运算，并通过权值共享有效减少参数的方式降低了过拟合的概率，PR曲线横轴为查全率(TPR)，纵轴为查准率，当TPR不断增大时，AUC越大且曲线越接近于右上角，对高压断路器机械振动信号的诊断精度越高，同时曲线越平滑，则该模型的分类效果越明显，具有较好的诊断性能，对断路器测试样本的故障识别能力强
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于遗传卷积深度网络的真空断路器，其特征在于：包括真空断路器以及用于真空断路器的卷积神经网络，卷积神经网络是包含卷积运算且具有深度结构的前馈神经网络，由输入层、卷积层、池化层、展开层、全连接层和输出层组成，输入层接收大量非线性数据，然后通过卷积层进行特征提取，运用卷积运算将卷积核与上一层的输出特征进行卷积，输出结果为：
式中，为卷积层第l层的第j个特征输入信息；f为激活函数；为第l-1层的第i个特征输出信息；Mj为输入特征的集合；*为卷积运算；为第i到第l层第j个特征的卷积核；为神经元偏置项；常用的非线性激活函数有sigmoid、tanh、relu等，sigmoid函数和tanh函数比较常见于全连接层，relu函数常见于卷积层，具体函数形式分别如下所示：
卷积层的输出结果即提取到的特征再经过池化层和展开层，将多维的卷积神经网络压为一维，减少计算量和参数，加速训练过程的同时方便全连接层处理，池化层分为最大池化和平均池化，最大池化是对特征取最大值，忽略不重要的信息而保留最突出的信息，平均池化则是对特征取平均值，淡化不重要的信息而强化重要的信息，池化层的输出结果为：
式中，
为乘性偏置；down为降采样函数；
为卷积层提取的特征；
为神经元偏置项；
其中卷积神经网络的GACNN算法如下，GACNN算法包括2个卷积层、1个池化层、2个Dropout层和2个全连接层，在池化层中MaxPooling2D的大小为1，卷积层的激活函数采用ReLU函数，通过卷积操作和池化操作来减小振动信号的输出维度，按Dropout值随机失活，然后经过扁平操作对样本进行处理，输入到激活函数采用ReLU函数的全连接层，再经过Dropout层，最后由激活函数采用softmax函数的全连接层输出，其中GACNN算法主要步骤如下：
S1：建立卷积神经网络基本框架，确定种群大小，遗传代数和阈值等参数；
S2：初始化种群，同时将损失函数值和准确率函数值设置为0；
S3：将初始网络结构参数以及全连接层神经元数等编码成“染色体”；
S4：由S3中的“染色体”，随机生成一个完整的卷积神经网络，并进行相关训练；
S5：计算“染色体”的适应度值，适应度值用来来衡量“染色体”的优劣；
S6：对“染色体”进行选择操作；
S7：对“染色体”进行交叉操作；
S8：对“染色体”进行变异操作；
S9：计算“染色体”适应度值，然后将适应度较低的“染色体”淘汰，只保留适应度较高的“染色体”若符合优化标准则继续下一步，否则返回步骤S4；
S10：得到最优初始网络结构参数及全连接层神经元数等，更新卷积神经网络作为新的网络训练模型。
2.根据权利要求1所述的一种基于遗传卷积深度网络的真空断路器，其特征在于，所述真空断路器上还设置有机械性能测试系统，机械性能测试系统采用YD-39型加速度传感器，测量范围为0～5000m/s2，采样率为10kHz，YD-39型加速度传感器放置在真空断路器的壳体上来采集垂直振动信号。
3.根据权利要求2所述的一种基于遗传卷积深度网络的真空断路器，其特征在于，所述YD-39型加速度传感器内部集成有信号放大器电路和数据采集卡，信号放大器电路采用AD820AP芯片，数据采集卡的型号为NI9234，在使用过程中，YD-39型加速度传感器来测量断路器开关过程中的振动加速度参数以及对应的电压，通过信号放大器电路将采集到的电信号放大，然后传输给数据采集卡，数据采集卡将信号传输给后端CPU。
4.根据权利要求3所述的一种基于遗传卷积深度网络的真空断路器，其特征在于，所述数据采集卡与CPU之间设置有A/D转换模块，A/D转换模块用以将数据采集卡采集到的模拟信号转换成数字信息输出，传输给CPU，A/D转换模块采用AD7606芯片实现A/D转换。
5.根据权利要求4所述的一种基于遗传卷积深度网络的真空断路器，其特征在于，所述A/D转换模块的A/D转换公式如下：
其中，Uo为传感器经信号放大电路后输出电压；U为采样电压量程，取U＝10V；Data为A/D转换结果；A/D转换电路输入的模拟信号是传感器发出的信号经放大电路调整后接入的，AD7606芯片上模拟信号输入GND引脚均要接入VGND中即模拟地，未被使用的模拟信号输入引脚也接入VGND，用以减少干扰信号的产生；数据接口用于AD7606芯片与CPU的连接，用于信息传递，数据接口两侧数据总线。
6.根据权利要求4所述的一种基于遗传卷积深度网络的真空断路器，其特征在于，所述AD7606芯片支持串行和并行通信两种模式：PAR/SER引脚处保留靠近VD3V3侧电阻，去掉GND侧电阻为串行通信模式；PAR/SER引脚处保留靠近GND侧电阻，去掉VD3V3侧电阻为并行通信模式；AD7606芯片自带内部基准源，REF SELECT引脚出保留靠近VD3V3侧电阻，去掉GND侧电阻为内部基准用以提高基准精度选用外部基准；REF SELECT引脚出保留靠近GND侧电阻，去掉VD3V3侧电阻为外部基准。
7.根据权利要求4所述的一种基于遗传卷积深度网络的真空断路器，其特征在于，所述AD7606芯片的电源端设置有稳压电路，稳压电路采用PT9013电源芯片，其中Vin引脚接入的是VDD5V0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039903.7A CN113611568A (zh) | 2021-09-06 | 2021-09-06 | 一种基于遗传卷积深度网络的真空断路器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039903.7A CN113611568A (zh) | 2021-09-06 | 2021-09-06 | 一种基于遗传卷积深度网络的真空断路器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113611568A true CN113611568A (zh) | 2021-11-05 |
Family
ID=78342669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111039903.7A Pending CN113611568A (zh) | 2021-09-06 | 2021-09-06 | 一种基于遗传卷积深度网络的真空断路器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113611568A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
| CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086753A (zh) * | 2018-10-08 | 2018-12-25 | 新疆大学 | 基于双通道卷积神经网络的交通标志识别方法、装置 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| CN109743683A (zh) * | 2018-12-03 | 2019-05-10 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
| CN111382301A (zh) * | 2020-03-19 | 2020-07-07 | 辽宁石油化工大学 | 一种基于生成对抗网络的三维模型生成方法及系统 |
| CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112766376A (zh) * | 2021-01-20 | 2021-05-07 | 重庆邮电大学 | 一种基于gacnn的多标签眼底图像识别方法 |
| CN113065601A (zh) * | 2021-04-12 | 2021-07-02 | 陕西理工大学 | 基于遗传算法优化的深度学习林火异常检测方法 |
-
2021
- 2021-09-06 CN CN202111039903.7A patent/CN113611568A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086753A (zh) * | 2018-10-08 | 2018-12-25 | 新疆大学 | 基于双通道卷积神经网络的交通标志识别方法、装置 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| CN109743683A (zh) * | 2018-12-03 | 2019-05-10 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
| CN111382301A (zh) * | 2020-03-19 | 2020-07-07 | 辽宁石油化工大学 | 一种基于生成对抗网络的三维模型生成方法及系统 |
| CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112766376A (zh) * | 2021-01-20 | 2021-05-07 | 重庆邮电大学 | 一种基于gacnn的多标签眼底图像识别方法 |
| CN113065601A (zh) * | 2021-04-12 | 2021-07-02 | 陕西理工大学 | 基于遗传算法优化的深度学习林火异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李素杰;申东日;陈义俊;李月英;: "一种基于神经网络辨识的预测方法", 甘肃科学学报 * |
| 裴小邓;罗林;陈帅;王乔;: "面向电力变压器油中溶解气体的卷积神经网络诊断方法", 辽宁石油化工大学学报 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
| CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
| CN103616635B (zh) | 一种高压断路器机械特性故障诊断装置及方法 | |
| CN112200032B (zh) | 一种基于注意力机制的高压断路器机械状态在线监测方法 | |
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| 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 | |
| CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
| CN113611568A (zh) | 一种基于遗传卷积深度网络的真空断路器 | |
| CN109948194B (zh) | 一种高压断路器机械缺陷集成学习诊断方法 | |
| CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
| CN106980761A (zh) | 一种滚动轴承运行状态退化趋势预测方法 | |
| CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN115659583A (zh) | 一种转辙机故障诊断方法 | |
| CN111931826A (zh) | 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和系统 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
| Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN114740730A (zh) | 基于卷积神经网络的svg参数优化辨识方法 | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
| CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
| CN116008733A (zh) | 一种基于集成深度神经网络的单相接地故障诊断方法 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 |
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: 20211105 |