[发明专利]一种高压开关机械故障的自动识别方法及装置

权利要求书

1.一种高压开关机械故障的自动识别方法，其特征在于，所述方法包括：

基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号；以及，

基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号；

对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号；

对所述电流及声音数字信号进行预处理，获得预处理后的数字信号；

将预处理后的数字信号输入训练收敛的卷积神经网络模型中进行高压开关机械故障的自动识别。

2.根据权利要求1所述的自动识别方法，其特征在于，所述电流钳设置在高压开关本体的分合闸控制回路的电缆出线处，所述电流钳为交直流两用电流钳，电流采样频率为200kHz；

所述声音传感器设置在距离高压开关本体中央表面10CM处，声音采样频率为200kHz。

3.根据权利要求1所述的自动识别方法，其特征在于，所述基于电流钳采集高压开关分合闸控制回路在分合闸时的电流信号，包括：

设定电流阈值，在高压开关分合闸控制时，在电流达到电流阈值时，所述电流钳采集该时刻的前0.25s和该时刻后0.75s时间窗口内的电流信号；

所述基于声音传感器采集高压开关分合闸控制回路在分合闸时的声音信号，包括：

在高压开关分合闸控制时，在电流达到电流阈值时，所述声音传感器采集该时刻的前0.25s和该时刻后0.75s时间窗口内的声音信号。

4.根据权利要求1所述的自动识别方法，其特征在于，所述对所述电流信号及所述声音信号进行模数转换处理，获得电流及声音数字信号，包括：

对所述电流信号及所述声音信号利用A/D转换器采用逐次逼近法进行模数转换处理，获得电流及声音数字信号。

5.根据权利要求1所述的自动识别方法，其特征在于，所述对所述电流及声音数字信号进行预处理，获得预处理后的数字信号，包括：

对所述电流数字信号和所述声音数字信号进行下采样处理，获得下采样后的电流数字信号和声音数字信号；

对下采样后的电流数字信号和声音数字信号进行翻转处理，获得翻转后的电流数字信号和声音数字信号；

对所述翻转后的电流数字信号和声音数字信号进行归一化处理，获得归一化后的电流数字信号和声音数字信号；

对归一化后的电流数字信号和声音数字信号进行对应叠加处理，获得预处理后的数字信号。

6.根据权利要求5所述的自动识别方法，其特征在于，所述对所述翻转后的电流数字信号和声音数字信号进行归一化处理的处理公式如下：

其中，为归一化后的第i个翻转后的电流数字信号或声音数字信号；s_i为第i个翻转后的电流数字信号或声音数字信号；s_max为采样的电流数字信号或声音数字信号中绝对值最大的采样值。

7.根据权利要求1所述的自动识别方法，其特征在于，所述训练收敛的卷积神经网络模型的获得，包括：

构建卷积神经网络模型；

将训练样本分为训练集、验证集和测试集，其中所述训练集、验证集和测试集的比例为1:5:4；

将所述训练集输入卷积神经网络模型进行训练，且在训练过程中，根据训练集的数据调整神经元权重、偏置网络参数，训练出故障诊断模型；同时，

将所述验证集输入卷积神经网络模型，并根据所述验证集调整学习率；

将所述测试集输入故障诊断模型进行故障诊断，若诊断准确率超过或等于预设准确率，则所述卷积神经网络模型训练收敛，获得训练收敛的卷积神经网络模型；

若诊断准确率小于预设准确率，则采用反向传播算法对故障诊断模型所有层参数的系数进行重置，并采用所述训练集进行重新训练。