[发明专利]一种高压断路器机械故障诊断方法

权利要求书

1.一种高压断路器机械故障诊断方法，其特征在于，包括步骤：

(1)采集高压断路器故障模拟实验的分合闸线圈电流时域波形数据作为故障诊断的目标样本数据，将分合闸线圈数学模型仿真所得的电流数据作为辅助样本数据；样本数据进行预处理，形成目标训练样本、辅助训练样本与测试样本；

(2)对目标训练样本与辅助训练样本数据分别进行预训练，得到两个DBN特征提取模型，并提取目标训练样本与辅助训练样本对应的特征样本数据；

(3)利用带标签的特征样本训练BPNN分类器，将提取的目标特征样本与辅助特征样本作为神经网络分类器的输入，利用迁移学习TrAdaboost算法更新样本权重并训练分类器模型参数；

(4)利用预训练好的DBN特征提取网络参数以及故障分类器参数初始化深度神经网络，并利用初始训练数据对模型参数进行反向微调，形成高压断路器机械故障诊断模型；

(5)输入测试样本数据验证模型的准确率。

2.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤2中，DBN网络训练包括无监督逐层预训练与有监督微调；

无监督逐层预训练，将高压断路器分合闸线圈电流时域信号作为输入层，通过无监督学习的方式对DBN进行逐层预训练；

有监督微调，将预训练得到的DBN网络反向堆叠形成重构网络，以重构网络的输出与输入数据的误差函数最小为目标，利用反向传播算法实现对DBN网络的微调。

3.根据权利要求2所述的高压断路器机械故障诊断方法，其特征在于，所述步骤2中，将与训练得到的深层信念网络反向堆叠展开成一个深层感知器，深层感知器的权值与偏置采用逐层训练得到的参数进行初始化，并通过反向传播算法对网络参数进行调整与优化。

4.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤2中，根据前后时刻DBN网络性能的表现进行学习率的动态调整，调整更新机制为：

式中，α＞1，0＜β＜1，k为正常数，t代表第t次迭代过程；代表单个RBM重构可视向量与原始输入可视向量的误差；Δe＝e_t-e_t-1代表第t次迭代与第t-1次迭代过程中误差的差值；

当训练过程中重构可视向量与原输入可视向量的误差逐渐减小时，则增大学习率，反之若误差增长较大时，则相应减小学习率。

5.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤3中，迁移学习算法具体包括：

(3.1)计算参数其中，n代表辅助训练样本数，N代表迭代次数；初始化各训练样本的权重向量其中，

式中，前n个权重对应辅助训练样本，后m个权重对应目标训练样本；

(3.2)迭代计算过程，首先进行样本权重归一化：

建立BPNN分类器模型，根据训练样本与归一化的样本权重训练模型参数；加入样本权重，BPNN网络的损失函数为：

式中，u代表BPNN分类器输出量的维数，为第j个训练样本的第i维输出，为第j各训练样本的第i维标签；

(3.3)计算BPNN网络分类器h_t在目标数据集T_t上的错误率e_t：

且需满足约束条件e_t≤0.5；

(3.4)更新样本权重：