[发明专利]一种高压断路器机械故障诊断方法

说明书

本发明公开了一种高压断路器机械故障诊断方法，将高压断路器故障模拟实验所得的分合闸线圈电流作为故障诊断的目标数据样本，通过建立分合闸线圈数学模型仿真所得的数据作为辅助数据样本，利用深层信念网络(DBN)实现对样本数据特征的深层挖掘与自适应提取，并结合迁移学习方法实现辅助数据与目标数据的信息匹配。本发明方法将迁移学习与深层信念网络相结合，利用深层信念网络对断路器分合闸线圈电流时域信号进行数据特征的深层挖掘与自适应提取，并结合迁移学习方法解决实际故障训练样本数据量小的问题，提高了故障诊断模型的泛化能力。

技术领域

本发明属于电工技术领域，尤其涉及一种高压断路器机械故障诊断方法。

背景技术

智能电网离不开高可靠性的高压断路器，其运行状态将直接影响整个电力系统的稳定性和供电的可靠性。故障诊断技术作为高压断路器智能化的重要内容和发展方向，可以为状态检修提供较为可靠的诊断信息，起到预防设备故障、提高检修效率的作用。

目前对于高压断路器的故障诊断主要包含两部分内容，首先对采集得到的高压断路器分合闸线圈电流、机械振动、触头位移等信号数据进行特征提取，然后结合机器学习算法对特征量进行分类从而实现对断路器故障状态的识别。

传统的特征提取方法过于依赖人工经验以及大量的信号处理技术，而且面对一些复杂的系统时并不能挖掘出所有对故障类型敏感的特征。故障诊断模型的准确建立需要充足的训练数据，而实际中复杂的工况条件使得高压断路器的故障数据量较少且难以获得，从而影响传统机器学习故障诊断模型的泛化能力。

发明内容

发明目的：针对以上问题，本发明提出一种高压断路器机械故障诊断方法，解决传统高压断路器机械故障诊断中存在的特征提取方法复杂、所提取的特征量表征度不够以及故障样本数据不足而影响故障识别效果的问题。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种高压断路器机械故障诊断方法，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。

进一步地，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。

进一步地，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。

进一步地，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：