[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

说明书

本发明提供了一种用于断路器故障识别的卷积神经网络，池化层和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，第一恒等映射包括第二卷积层和第三卷积层，第二恒等映射包括第四卷积层和第五卷积层；池化层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第一全连接层依次连接；第二卷积层的输入端与第三卷积层的输出端连接；第四卷积层的输入端与第五卷积层的输出端连接。通过在传统神经网络结构中加入了两个恒等映射环节，相当于在网络层之间增加直连通道，保护了信息的完整性，简化了学习目标和难度，提高了用于断路器故障识别的卷积神经网络的识别精度。另外，本发明还提供了一种用于断路器故障识别的方法。

技术领域

本发明涉及到检测领域，具体涉及到一种用于断路器故障识别的卷积神经网络及方法。

背景技术

图1示出了现有技术下的用于断路器故障识别的卷积神经网络结构示意图。传统的用于断路器故障识别的卷积神经网络，通过输入层输入从断路器除获取的振动信号，以卷积层提取表层特征后，通过池化层压缩数据即进行振动信号的特征识别和归类，具体操作中，由于表层特征多样且相似程度大，而断路器的机械故障问题的种类较少，导致现有的用于断路器故障识别的卷积神经网络的学习难度大，实际实施中数据容易产生过拟合，从而导致最终所导出的机械故障问题的结果准确率较低。

发明内容

针对现有用于断路器故障识别的卷积神经网络的问题，本发明提供了一种用于断路器故障识别的卷积神经网络及方法，在传统的卷积神经网络中加入了两个恒等映射环节，相当于在网络层之间增加直连通道，使得浅层卷积层运算得到的数据直接到达深层的卷积层，可提取出数据的深层特征，同时保护了信息的完整性，简化了学习目标和难度，可提升了断路器故障识别的卷积神经网络的训练精度，防止过拟合，具有良好的实用性。

具体的，本发明提供了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，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。

可选的实施方式，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。

可选的实施方式，d＝2n。

相应的，本发明提供了一种用于断路器故障识别的方法，基于上述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。

可选的实施方式，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；