[发明专利]一种用于断路器故障识别的卷积神经网络及方法

权利要求书

1.一种用于断路器故障识别的卷积神经网络，包括依次连接的输入层、第一卷积层、池化层、第一全连接层、第二全连接层和输出层；所述输入层的输入数据为采样振动信号二维阵列，所述输出层的输出数据为断路器的机械故障问题，其特征在于，

所述池化层和所述第一全连接层之间还设置有第一恒等映射和第二恒定映射，所述第一恒等映射包括第二卷积层和第三卷积层，所述第二恒等映射包括第四卷积层和第五卷积层；

所述池化层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和所述第一全连接层依次连接；

所述第二卷积层的输入端与所述第三卷积层的输出端连接；

所述第四卷积层的输入端与所述第五卷积层的输出端连接。

2.如权利要求1所述的用于断路器故障识别的卷积神经网络，其特征在于，所述采样振动信号二维阵列的大小为n×m；

所述第一卷积层的核大小为d×n；

m、n、d为正整数。

3.如权利要求2所述的用于断路器故障识别的卷积神经网络，其特征在于，d＝2n。

4.一种用于断路器故障识别的方法，其特征在于，基于权利要求1至3任一项所述的卷积神经网络实现，包括：

通过输入层输入采样振动信号阵列；

基于第一卷积层提取所述振动信号二维阵列的表层特征，生成表层特征阵列；

基于池化层压缩所述表层特征阵列，生成压缩阵列；

基于第一恒等映射和第二恒等映射从所述压缩阵列提取深层特征并保留所述压缩阵列的完整性，生成深层特征阵列；

基于第一全连接层和第二全连接层连接所述深层特征阵列，得到有关断路器的机械故障问题的分类阵列；

通过输出层输出有关所述断路器的机械故障问题的分类结果。

5.如权利要求4所述的用于断路器故障识别的方法，其特征在于，所述采样振动信号阵列的规模为n×m，n为加速度传感器的个数，m为每个加速度传感器的采样振动信号数量，m的数量级为10³；

所述基于第一卷积层提取所述振动信号二维阵列的表层特征，生成表层特征阵列包括：

设定第一卷积层的核尺寸为d×n，输入特征面数量为1，输出特征面数量为1，滑动步长为1，激励函数为Relu函数；

输入所述振动信号阵列至所述第一卷积层，所述第一卷积层输出一次处理阵列的大小为1×(m-2n+1)；

基于所述池化层的池化尺寸处理所述一次处理阵列。

6.如权利要求5所述的用于断路器故障识别的方法，其特征在于，所述池化层的池化尺寸为2*2；

所述基于所述池化层的池化尺寸处理所述一次处理阵列包括：

若m-2n+1为奇数，对所述一次处理阵列补充一列0元素，所述一次处理阵列的大小改变为1×(m-2n+2)，若m-2n+1为偶数，所述一次处理阵列保持不变；

所述一次处理阵列的大小改变为1×b,b＝m-2n+1或b＝m-2n+2；

对半折叠所述一次处理阵列，所述一次处理阵列的大小为2×a，

7.如权利要求6所述的用于断路器故障识别的方法，其特征在于，所述基于池化层压缩所述表层特征阵列，生成压缩阵列包括：

基于所述池化尺寸对所述一次处理阵列池化，得到一次池化阵列，所述一次池化阵列的大小为

复制并拼接所述一次池化阵列，得到二次池化阵列，所述二次池化阵列的大小为

将所述二次池化阵列基于第二卷积层的输入特征面数量转换成压缩阵列，所述压缩阵列的大小为