CN116186520A - 一种多任务联合的高压隔离开关故障诊断方法 - Google Patents

Abstract

本发明公开了一种多任务联合的高压隔离开关故障诊断方法，首先利用奇异值分解(SVD)技术对采集的振动信号进行去冗余处理；通过短时傅里叶变换(STFT)将一维振动信号转化为更利于特征卷积神经网络(CNN)提取的二维时频特征图谱；然后利用多支路卷积神经网络搭建一个带有域特征分享机制的多任务联合故障诊断网络，同时对高压隔离开关的故障程度与故障类型进行检测；根据信号样本特征，设计一种结合空间关注和通道关注的注意力模块，实现快速高效的故障特征提取，得到多任务联合故障诊断模型；用多任务联合故障诊断所得的高压隔离开关状态，将训练情况进行可视化操作，并诊断当前高压隔离开关的目前的故障阶段，及时做出决策和反馈。

Description

一种多任务联合的高压隔离开关故障诊断方法

技术领域

本发明涉及高压隔离开关健康管理、运行与维护领域，具体涉及一种多任务联合的高压隔离开关故障诊断方法。

背景技术

近年来，电网建设发展迅速，深入、全面地推进电力系统故障诊断研究，能够更好的保障人们的生产、生活的安全。随着大数据时代到来，在线监测与故障诊断技术能够有效的预警设备故障，起到防患于未然的作用，同时在线故障诊断的发展解放了劳动力，降低了工人在外检测时受伤的概率。随着大数据时代的到来，在线监测和故障检测技术可以有效预警设备故障，从而提高电网设备维护水平。国内外的实际运行表明，电力设备在线监测技术具有广泛的应用前景。

但目前，只有对部分电力设备的故障诊断技术发展比较迅速，如对变压器、电容器等，而对高压隔离开关故障检测的研究较少，成为了电力系统安全的短板。高压隔离开关不仅保证着正常用电，在系统发生故障时还可对其进行隔离，因此对高压隔离开关进行故障监测有着重要的实用价值。

由于隔离开关的开与关直接影响着居民企业的供电问题，有时不得不在检测出故障时，继续让隔离开关工作，等到某一时间节点再进行停电检修，所以在进行故障检测时不仅需要检测发生的故障类型，还要确定断路开关的故障程度，借此来判定是否需要强制停工修复。

针对高压隔离开关典型问题，例如低压85％UN、高压110％UN、主刀联动拐臂松动、极间连杆松动、相间连杆松动、底座松动、闭锁松动、复合故障、未知故障等，陈士刚等通过安装于高压隔离开关上的传感器采集机械振动信号，并将振动信号经小波消噪处理，利用经验模态分解、聚类、支持向量机及BP神经网络等算法对振动信号进行分析，对高压隔离开关存在的机械故障进行诊断。刘仕兵等建立了电机定子电流波动与转矩波动之间的函数关系，将电流滤波分析后采用支持向量机构建了高压隔离开关的机械故障诊断模型。但是目前研究中多分别处理高压隔离开关的故障类型、损伤程度等问题，然而这些研究在单标签体系下，每次只诊断一类问题，在大数据背景下，这种单标签体系割裂了高压隔离开关不同故障问题之间的联系，降低了信息的利用率，故障诊断准确性不高，此外，高压隔离开关工作环境恶劣，干扰众多，现有研究无法稳定准确的对多任务进行故障检测。

发明内容

针对传统高压隔离开关故障诊断模型的不足，本发明设计了一种多任务联合的高压隔离开关故障诊断方法，对隔离开关的故障类型和故障程度两类问题进行联合诊断，多任务联合网络相互监督，层与层、模块与模块之间按照一定的规则策略来进行知识的共享，并且融入了注意力机制。

为实现上述目的，本发明提供如下技术方案：

一种多任务联合的高压隔离开关故障诊断方法，包括以下步骤：

步骤1：利用奇异值分解SVD技术对传感器采集隔离开关的振动信号进行去冗余处理，减少信号中大量的冗余信息；

利用奇异值分解SVD技术对传感器采集的振动信号进行分析，利用相空间重构理论，构造m×n阶的Hankel矩阵，假设传感器采集的振动信号为x(i)(i＝1,2,...,N)，则Hankel矩阵如下：

式(1)中，m+n-1＝N，N为振动信号总长度，A为Hankel矩阵，对A进行奇异值分解得：

其中：U是m阶正交矩阵，V是n阶正交矩阵，∑＝diag(σ₁,σ₂,...,σ_r)∑＝diag(σ₁,σ₂,...,σ_r)是r阶对角阵，而σ_r是矩阵A的非零奇异值，O是零矩阵，利用SVD方法进行信号处理时，把A的奇异值分解写成精简的向量形式：

其中，S＝[diag(σ₁,σ₂,...,σ_r),O]或它的转置，取决于m，n的大小，S∈R^m×n，O为零矩阵，R^m×n为m×n阶实数，A_i∈R^m×n，U_i∈R^m×m，V_i∈R^n×n，i＝1,2,…,r，r＝min(m,n)；

x(i)由含有故障信息的有用信号和冗余无用信息组成，矩阵A分解得出的奇异值为λ，则反映了有用信号、冗余无用信息能量的集中情况；奇异值大小代表信号的贡献程度，较小的奇异值则代表着冗余无用信息，将其值置零，利用式2的逆过程对振动信号进行重构，去除冗余信号；

步骤2：通过短时傅里叶变换STFT将一维振动信号转化为更利于特征卷积神经网络CNN提取的二维时频特征图谱；

由于隔离开关的工作环境复杂多变，采集到的振动信号不平稳，所以在获得一维时域振动信号后，利用STFT技术将其转为二维时频图，有效的将非平稳信号中的故障特征提取出来，并且后续故障检测系统采用的是二维卷积神经网络，在相同情况下，卷积神经网络处理二维数据普遍要比一维数据效果更好；STFT使用时间窗在振动信号的时域信号上滑动，将时域信号截取为多段，分别进行傅里叶变换，求出各段的频域特性，最终得出每个时刻的频域特性；设窗函数为r(t)，则信号x(t)的短时傅里叶变换定义为:

其中，f表示频率(单位是Hz)，为任意实数；t表示时间(单位是s)，r*(τ-t)为时间t附近的时间切片；

步骤3：利用多支路卷积神经网络搭建一个带有域特征分享机制的多任务联合故障诊断网络，同时对高压隔离开关的故障程度与故障类型进行检测；得到高压隔离开关故障信号样本特征；

所述多任务联合故障诊断网络，通过域共享模块，将两个网络连接，形成一个层与层、模块与模块之间按照一定的规则策略来进行知识的共享，针对不同的任务自动决定共享层，通过端对端的学习来对采集得到的高压隔离开关故障信号进行故障分类及故障程度判断；域特征共享单元的计算过程如式5所示；设两个任务的特征图分别为x1和x2经过域特征共享单元对不同任务的特征图进行特征共享后的图为

和/>

α_AB和α_BA表示不同任务之间的共享权重，α_AA和α_BB表示相同任务之间的共享权重；权重矩阵对两个任务之间的关系进行编码，通过训练α_AB，α_BA，α_AA和α_BB来设置共享程度，分配的权值越大表示该层两个任务的特征面具有更高的共享程度；

两个网络的主体是卷积神经网络，其中包括卷积层、池化层、全连接层和softmax分类层；卷积层是一种有着深度结构的前馈神经网络，它包含了卷积计算，卷积层的主要作用为通过卷积核在特征平面上滑动提取故障特征；卷积层包含多个卷积核，每个卷积核都对应了权重系数和偏差量，是通过卷积核的移动对上一层图像进行特征后，提取得到下一层的特征图像，计算方式如下式：

式中的求和部分等价于求解一次交叉相关，b为偏差量，y为上一个神经元输出结果，ω为权重，Z^l(i,j)和Z^l+1(i,j)表示第l+1层的卷积输入和输出，L_l+1为Z^l+1的尺寸，设特征图长宽相同，Z(i,j)对应特征图第i行第j列的像素点，K_l为第l个特征图的通道数，f、s0和p是卷积层参数，对应卷积核大小、卷积步长和填充层数；卷积层采用Relu函数，其表达形式为：

σ_r(x)＝max(0,x) (7)

池化层通过计算第l个池化层的第n个特征映射

表现为：

是第n个输入映射，也就是上一卷积层的第n个输入映射，pool()是最大池化方程，p是池化大小，s是步长；而全连接层将二维图像转变为一维数据，将数据拉平，并通过最后Softmax层实现最终的分类；

步骤4：在卷积神经网络获得高压隔离开关故障信号样本特征后，设计一种结合空间关注和通道关注的注意力模块，实现快速高效的故障特征提取；得到最终的多任务联合故障诊断网络模型；

所述结合空间关注和通道关注的注意力模块，具体为：空间注意力模块和通道注意力模块；

对于多任务网络的一个特征图F，通道注意力机制主要关注于输入特征图中的什么是有意义的，它运用最大池化和平均池化对特征图在空间维度上进行压缩，得到两个特征描述符，再将这两个特征描述符送入多层感知机MLP的元素逐个相加累积，通过激活操作输出通道注意力特征M_C(F)，计算过程如式(9)所示，并与最初的特征图进行相乘，进行自适应特征细化，最后得到新的特征图F’；

而空间注意力通道主要关注于位置信息；首先在使用最大池化和平均池化得到两个不同的特征图，将两个特征图合并，后经过卷积运算及激活操作得到特征图M_C(F′)，计算过程如式(10)所示，所得结果与输入的特征图相乘，最终得到所需要的特征F″；整个过程如式(11)所示，其中

为同位元素对应相乘；

M_c(F)＝σ(MLA(Pvgpool(F))+MLA(Maxpool(F))) (9)

M_s(F′)＝σ(f^7*7([AvgPool(F)；MaxPool(F)])) (10)

步骤5：利用振动信号训练以上建立的多任务联合故障诊断模型，将训练情况进行可视化操作，进而分析被检测的高压隔离开关状态，并诊断当前高压隔离开关所在全生命周期中的运行阶段，及时做出决策和反馈。

利用训练好的多任务联合的高压隔离开关故障诊断对高压隔离开关同时进行故障类型和故障程度的检测，当无故障时，模型输出当前状态，不发出警报，当发生故障时，但程度低于阈值时，系统发出警报，提示当前状态及故障类型，当故障程度高于阈值时，即故障程度到达临界点，必须要进行停工检修时，模型警报突出，通知人工进行参与，及时解决问题，避免造成重大损失。

本发明有益技术效果：

针对现有技术，各种故障分别诊断，在大数据背景下，割裂了机械装备不同故障问题之间的联系，本发明所提模型可以同时分析高压隔离开关的故障类型以及故障程度，通过域特征分享层将各类故障特征进行交换，将特征相互借鉴，加强了各类问题之间了联系，提高了特征提取能力，预测的准确度、稳定性都好于现有技术，并且加入特征注意力机制，进一步提高故障诊断效率。

附图说明

图1为本发明一种多任务联合的高压隔离开关故障诊断方法流程图；

图2为本发明提出一种多任务联合的高压隔离开关故障诊断方法的技术路线图；

图3为本发明提出的域特征共享模块示意图；

图4为本发明提出的注意力模块示意图；

图5为本发明提出的高压隔离开关训练情况结果可视化示意图。

具体实施方式

下面结合附图和实施例对本发明一种多任务联合的高压隔离开关故障诊断方法的建立过程和训练结果可视化展示；

传统的高压隔离开关故障诊断研究中多关注高压隔离开关故障类型，少有即对高压隔离开关故障类型判断同时又对高压隔离开关受损的程度进行判断的。而在实际中，多数实际企业在生产中，为了追求利益最大化，多数高压隔离开关是在不可不换的情况下进行更换，为此提出一种改进的多任务联合的高压隔离开关故障诊断方法，该网络可以在进行故障类型诊断的同时，给出目前高压隔离开关的损伤程度。用户可以根据故障类型及相应的损伤程度决定什么时间更换高压隔离开关，以实现利益最大化。

一种多任务联合的高压隔离开关故障诊断方法，总体流程图如图1所示，图2为本发明实例中多任务联合的高压隔离开关故障诊断方法的技术路线图，如图2所示，是一种基于卷积神经网络的多任务联合的高压隔离开关故障诊断方法，可以在进行故障类型诊断的同时，对隔离开关损伤程度进行诊断，两种任务同时进行，并在神经网络中间层进行故障特征共享，加强了各种故障诊断任务之间的联系，提高模型的泛化能力和故障诊断的准确性。包括以下步骤：

步骤1：利用奇异值分解SVD技术对传感器采集隔离开关的振动信号进行去冗余处理，减少信号中大量的冗余信息；

利用奇异值分解SVD技术对传感器采集的振动信号进行分析，利用相空间重构理论，构造m×n阶的Hankel矩阵，假设传感器采集的振动信号为x(i)(i＝1,2,...,N)，则Hankel矩阵如下：

式(1)中，m+n-1＝N，N为振动信号总长度，A为Hankel矩阵，对A进行奇异值分解得：

其中：U是m阶正交矩阵，V是n阶正交矩阵，∑＝diag(σ₁,σ₂,...,σ_r)∑＝diag(σ₁,σ₂,...,σ_r)是r阶对角阵，而σ_r是矩阵A的非零奇异值，O是零矩阵，利用SVD方法进行信号处理时，把A的奇异值分解写成精简的向量形式：

其中，S＝[diag(σ₁,σ₂,...,σ_r),O]或它的转置，取决于m，n的大小，S∈R^m×n，O为零矩阵，R^m×n为m×n阶实数，A_i∈R^m×n，U_i∈R^m×m，V_i∈R^n×n，i＝1,2,…,r，r＝min(m,n)；

x(i)由含有故障信息的有用信号和冗余无用信息组成，矩阵A分解得出的奇异值为λ，则反映了有用信号、冗余无用信息能量的集中情况；奇异值大小代表信号的贡献程度，较小的奇异值则代表着冗余无用信息，将其值置零，利用式2的逆过程对振动信号进行重构，去除冗余信号；

步骤2：通过短时傅里叶变换STFT将一维振动信号转化为更利于特征卷积神经网络CNN提取的二维时频特征图谱；

由于隔离开关的工作环境复杂多变，采集到的振动信号不平稳，所以在获得将一维时域振动信号，利用STFT技术将其转为二维时频图，有效的将非平稳信号中的故障特征提取出来，并且后续故障检测系统采用的是二维卷积神经网络，在相同情况下，卷积神经网络处理二维数据普遍要比一维数据效果更好；STFT使用时间窗在振动信号的时域信号上滑动，将时域信号截取为多段，分别进行傅里叶变换，求出各段的频域特性，最终得出每个时刻的频域特性；设窗函数为r(t)，则信号x(t)的短时傅里叶变换定义为:

其中，f表示频率(单位是Hz)，为任意实数；t表示时间(单位是s)，r*(τ-t)为时间t附近的时间切片；

步骤3：利用多支路卷积神经网络搭建一个带有域特征分享机制的多任务联合故障诊断网络，同时对高压隔离开关的故障程度与故障类型进行检测；

由于隔离开关直接影响着居民企业的供电问题，不仅要检测故障类型，还要确定断路开关的故障程度，借此来判定是否需要强制停工修复。为此提出一种改进的多任务深度神经网络，两种任务同时进行，并在通过共享模块进行故障特征共享，加强各种故障诊断任务之间的联系，提高模型的泛化能力和故障诊断的准确性。

所述多任务联合故障诊断网络，通过域共享模块，将两个网络连接，形成一个层与层、模块与模块之间按照一定的规则策略来进行知识的共享，通过在两个网络的特征层之间增加域特征分享模块，可以使网络自动学习到需要共享的特征。其中的域特征共享模块就是一个系数矩阵；针对不同的任务自动决定共享层，通过端对端的学习来对采集得到的高压隔离开关故障信号进行故障分类及故障程度判断；域特征共享单元的计算过程如式5所示；设两个任务的特征图分别为x1和x2经过域特征共享单元对不同任务的特征图进行特征共享后的图为

和/>

α_AB和α_BA表示不同任务之间的共享权重，α_AA和α_BB表示相同任务之间的共享权重；权重矩阵对两个任务之间的关系进行编码，通过训练α_AB，α_BA，α_AA和α_BB来设置共享程度，分配的权值越大表示该层两个任务的特征面具有更高的共享程度；

该模块的学习策略的具体公式如下：

两个网络的主体是卷积神经网络，其中包括卷积层、池化层、全连接层和softmax分类层；卷积层是一种有着深度结构的前馈神经网络，它包含了卷积计算，卷积层的主要作用为通过卷积核在特征平面上滑动提取故障特征；

1)卷积层。卷积层是一种有着深度结构的前馈神经网络，它包含了卷积计算，可以通过卷积层进行故障特征的提取。卷积层包含多个卷积核，每个卷积核都对应了权重系数和偏差量，是通过卷积核的移动对上一层图像进行特征后，提取得到下一层的特征图像，计算方式如下式：

式中的求和部分等价于求解一次交叉相关，B为偏差量，Z^l和Z^l+1表示第l+1层的卷积输入和输出，L_l+1为Z^l+1的尺寸，设特征图长宽相同，Z(i,j)对应特征图的像素，K为特征图的通道数，f、s0和p是卷积层参数，对应卷积核大小、卷积步长和填充层数。卷积层采用Relu函数，其表达形式为：

σ_r(x)＝max(0,x) (9)

2)池化层。池化层的作用为降低数据维度，减少计算量，相当于一个滤波器。池化层选取池化区域与卷积核扫描特征图步骤类似，由池化大小、步长和填充控制。在数学上，可以通过计算第l个池化层的第n个特征映射

可以表现为：

是第n个输入映射，也就是上一卷积层的第n个输入映射，pool()是最大池化方程，p是池化大小，s是步长。

3)全连接层。负责将卷积输出的二维特征图转化成一维的一个向量，将特征表示整合成一个值，由此实现了端到端的学习过程，其优点在于减少特征位置对于分类结果的影响，提高了整个网络的鲁棒性。

4)Softmax分类层。Softmax用于多分类过程中，它将全连接层的多个神经元的输出，映射到(0,1)区间内，形成一个概率值输出，从而实现对高压隔离开关的故障形式和损伤程度进行分类。

步骤4：在卷积神经网络获得的信号样本特征后，设计一种结合空间关注和通道关注的注意力模块，实现快速高效的故障特征提取；图3为本发明实例中域特征分享模块的结构示意图。得到最终的多任务联合故障诊断网络模型；

图4为本发明实例中注意力机制模型的结构示意图。在运用多任务神经网络对时频图像进行分析时，图中的信息并不是全部区域都有作用，如诊断高压断路开关时的故障类型，应注意特征频率线的位置，而诊断故障程度时需要观测幅值，即观察时频图像中特征频率位置的颜色，颜色越深代表幅值越大。

所以本发明要在多任务深度学习网络中设置多个CBAM(Convolutional BlockAttention Module)注意机制如图4所示，让网络更多的关注有用的信息，对于无用的特征和干扰信息给予较小的关注度，不仅能让多任务神经网络能更有效地提取更具表达力的特征，从而提高的故障诊断的精度，而且还能少计算量提高故障诊断效率。

对于多任务网络的一个特征图F，CBAM的通道注意力机制主要关注于输入特征图中什么是有意义的，它运用最大池化和平均池化对特征图在空间维度上进行压缩，得到两个特征描述符，再将这两个特征描述符送入多层感知机(MLP)的元素逐个相加累积，通过激活操作输出通道注意力特征M_C(F)，计算过程如式(11)所示，并与最初的特征图进行相乘，进行自适应特征细化，最后得到新的特征图F’。而空间注意力通道主要关注于位置信息。首先在使用最大池化和平均池化得到两个不同的特征图，将两个特征图合并，后经过卷积运算及激活操作得到特征图M_C(F′)，计算过程如式(12)所示，所得结果与输入的特征图相乘，最终得到所需要的特征F″。整个过程如式(13)所示，其中

为同位元素对应相乘。

M_c(F)＝σ(MLP(Avgpool(F))+MLP(Maxpool(F))) (11)

M_s(F′)＝σ(f^7*7([AvgPool(F)；MaxPool(F)])) (12)

步骤5：利用振动信号训练以上建立的多任务联合故障诊断模型，将训练情况进行可视化操作，进而分析被检测的高压隔离开关状态，并诊断当前高压隔离开关所在全生命周期中的运行阶段，及时做出决策和反馈。

利用训练好的多任务联合的高压隔离开关故障诊断对高压隔离开关同时进行故障类型和故障程度的检测，当无故障时，模型输出当前状态，不发出警报，当发生故障时，但程度低于阈值时，系统发出警报，提示当前状态及故障类型，当故障程度高于阈值时，即故障程度到达临界点，必须要进行停工检修时，模型警报突出，通知人工进行参与，及时解决问题，避免造成重大损失。

图5为本发明实例中训练结果可视化示意图。本发明采用T-SNE(T-DistributedStochastic Neighbor Embedding)的手法，将高维的分类结果数据降维并进行可视化，可以更好的辨别训练的情况，从而对训练方式进行合适的调整，以获得更好的训练效果。

Claims (5)

1.一种多任务联合的高压隔离开关故障诊断方法，其特征在于，包括以下步骤：

步骤1：利用奇异值分解SVD技术对传感器采集隔离开关的振动信号进行去冗余处理，减少信号中大量的冗余信息；

步骤2：通过短时傅里叶变换STFT将一维振动信号转化为更利于特征卷积神经网络CNN提取的二维时频特征图谱；

步骤3：利用多支路卷积神经网络搭建一个带有域特征分享机制的多任务联合故障诊断网络，同时对高压隔离开关的故障程度与故障类型进行检测；得到高压隔离开关故障信号样本特征；

步骤4：在卷积神经网络获得高压隔离开关故障信号样本特征后，设计一种结合空间关注和通道关注的注意力模块，实现快速高效的故障特征提取；得到最终的多任务联合故障诊断网络模型；

步骤5：利用振动信号训练以上建立的多任务联合故障诊断模型，将训练情况进行可视化操作，进而分析被检测的高压隔离开关状态，并诊断当前高压隔离开关所在全生命周期中的运行阶段，及时做出决策和反馈；

利用训练好的多任务联合的高压隔离开关故障诊断对高压隔离开关同时进行故障类型和故障程度的检测，当无故障时，模型输出当前状态，不发出警报，当发生故障时，但程度低于阈值时，系统发出警报，提示当前状态及故障类型，当故障程度高于阈值时，即故障程度到达临界点，必须要进行停工检修时，模型警报突出，通知人工进行参与，及时解决问题，避免造成重大损失。

2.根据权利要求1所述的一种多任务联合的高压隔离开关故障诊断方法，其特征在于，步骤1具体为：

利用奇异值分解SVD技术对传感器采集的振动信号进行分析，利用相空间重构理论，构造m×n阶的Hankel矩阵，假设传感器采集的振动信号为x(i)(i＝1,2,...,N)，则Hankel矩阵如下：

式(1)中，m+n-1＝N，N为振动信号总长度，A为Hankel矩阵，对A进行奇异值分解得：

其中：U是m阶正交矩阵，V是n阶正交矩阵，Σ＝diag(σ₁，σ₂，...，σ_r)Σ＝diag(σ₁，σ₂，...，σ_r)是r阶对角阵，而σ_r是矩阵A的非零奇异值，O是零矩阵，利用SVD方法进行信号处理时，把A的奇异值分解写成精简的向量形式：

其中，S＝[diag(σ₁,σ₂,...,σ_r),O]或它的转置，取决于m，n的大小，S∈R^m×n，O为零矩阵，R^m×n为m×n阶实数，A_i∈R^m×n，U_i∈R^m×m，V_i∈R^n×n，i＝1,2,…,r，r＝min(m,n)；

x(i)由含有故障信息的有用信号和冗余无用信息组成，矩阵A分解得出的奇异值为λ，则反映了有用信号、冗余无用信息能量的集中情况；奇异值大小代表信号的贡献程度，较小的奇异值则代表着冗余无用信息，将其值置零，利用式2的逆过程对振动信号进行重构，去除冗余信号。

3.根据权利要求1所述的一种多任务联合的高压隔离开关故障诊断方法，其特征在于，步骤2具体为：

由于隔离开关的工作环境复杂多变，采集到的振动信号不平稳，所以在获得一维时域振动信号后，利用STFT技术将其转为二维时频图，有效的将非平稳信号中的故障特征提取出来，并且后续故障检测系统采用的是二维卷积神经网络，在相同情况下，卷积神经网络处理二维数据普遍要比一维数据效果更好；STFT使用时间窗在振动信号的时域信号上滑动，将时域信号截取为多段，分别进行傅里叶变换，求出各段的频域特性，最终得出每个时刻的频域特性；设窗函数为r(t)，则信号x(t)的短时傅里叶变换定义为:

其中，f表示频率(单位是Hz)，为任意实数；t表示时间(单位是s)，r*(τ-t)为时间t附近的时间切片。

4.根据权利要求1所述的一种多任务联合的高压隔离开关故障诊断方法，其特征在于，步骤3所述多任务联合故障诊断网络，通过域共享模块，将两个网络连接，形成一个层与层、模块与模块之间按照一定的规则策略来进行知识的共享，针对不同的任务自动决定共享层，通过端对端的学习来对采集得到的高压隔离开关故障信号进行故障分类及故障程度判断；域特征共享单元的计算过程如式5所示；设两个任务的特征图分别为x1和x2经过域特征共享单元对不同任务的特征图进行特征共享后的图为

和/>

α_AB和α_BA表示不同任务之间的共享权重，α_AA和α_BB表示相同任务之间的共享权重；权重矩阵对两个任务之间的关系进行编码，通过训练α_AB，α_BA，α_AA和α_BB来设置共享程度，分配的权值越大表示该层两个任务的特征面具有更高的共享程度；

两个网络的主体是卷积神经网络，其中包括卷积层、池化层、全连接层和softmax分类层；卷积层是一种有着深度结构的前馈神经网络，它包含了卷积计算，卷积层的主要作用为通过卷积核在特征平面上滑动提取故障特征；卷积层包含多个卷积核，每个卷积核都对应了权重系数和偏差量，是通过卷积核的移动对上一层图像进行特征后，提取得到下一层的特征图像，计算方式如下式：

式中的求和部分等价于求解一次交叉相关，b为偏差量，y为上一个神经元输出结果，ω为权重，Z^l(i,j)和Z^l+1(i,j)表示第l+1层的卷积输入和输出，L_l+1为Z^l+1的尺寸，设特征图长宽相同，Z(i,h)对应特征图第i行第j列的像素点，K_l为第l个特征图的通道数，f、s0和p是卷积层参数，对应卷积核大小、卷积步长和填充层数；卷积层采用Relu函数，其表达形式为：

σ_r(x)＝max(0，x) (7)

池化层通过计算第l个池化层的第n个特征映射

表现为：

是第n个输入映射，也就是上一卷积层的第n个输入映射，pool()是最大池化方程，p是池化大小，s是步长；而全连接层将二维图像转变为一维数据，将数据拉平，并通过最后Softmax层实现最终的分类。

5.根据权利要求1所述的一种多任务联合的高压隔离开关故障诊断方法，其特征在于，步骤4所述结合空间关注和通道关注的注意力模块，具体为：空间注意力模块和通道注意力模块；

对于多任务网络的一个特征图F，通道注意力机制关注于输入特征图中的什么是有意义的，它运用最大池化和平均池化对特征图在空间维度上进行压缩，得到两个特征描述符，再将这两个特征描述符送入多层感知机MLP的元素逐个相加累积，通过激活操作输出通道注意力特征M_C(F)，计算过程如式(9)所示，并与最初的特征图进行相乘，进行自适应特征细化，最后得到新的特征图F’；

而空间注意力通道主要关注于位置信息；首先在使用最大池化和平均池化得到两个不同的特征图，将两个特征图合并，后经过卷积运算及激活操作得到特征图M_C(F′)，计算过程如式(10)所示，所得结果与输入的特征图相乘，最终得到所需要的特征F″；整个过程如式(11)所示，其中

为同位元素对应相乘；

M_c(F)＝σ(MLP(Avgpool(F))+MLP(Maxpool(F))) (9)

M_s(F′)＝σ(f^7*7([AvgPool(F)；MaxPool(F)])) (10)

/>

Images