[发明专利]一种基于深度置信网络的高压断路器生命周期智能评估方法

权利要求书

1.一种基于深度置信网络的高压断路器生命周期智能评估方法，其特征在于，包括以下步骤：

S1：获取多个同型号高压断路器的历史维保数据和环境信息作为检测数据；

S2：设置故障源，对同型号的高压断路器进行多次分合闸动作，直至出现故障，在此过程中，对高压断路器进行周期性数据检测，将检测的数据作为故障参考数据；

S3：将故障参考数据与故障类型进行关联，制作故障数据集，将故障数据集和检测数据作为样本数据；

S4：将样本数据分为训练集和测试集，搭建深度置信网络模型，利用训练集进行深度置信网络训练，利用测试集进行深度置信网络测试；

S5：利用测试好的深度置信网络进行高压断路器生命周期评估。

2.根据权利要求1所述的一种基于深度置信网络的高压断路器生命周期智能评估方法，其特征在于，

所述历史维保数据包括高压断路器历史故障信息、高压断路器历史故障类型、高压断路器故障维修后的运行年限、高压断路器机械性能以及高压断路器的工作状态，所述环境信息包括高压断路器所处的温度信息、湿度信息以及磁场强度信息。

3.根据权利要求2所述的一种基于深度置信网络的高压断路器生命周期智能评估方法，其特征在于，

所述高压断路器机械性能采用神经网络进行机械性能智能评估，具体包括以下步骤：

S11：获取高压断路器分闸完成图像数据、高压断路器分合闸过程图像数据、高压断路器合闸完成图像数据以及高压断路器分合闸过程的电流波形数据作为机械性能样本数据；

S12：将机械性能样本数据进行数据预处理，将预处理后的机械性能样本数据分为训练数据集、测试数据集和验证数据集；

S13：构建深度残差网络模型，利用训练数据集训练深度残差网络模型，利用验证数据集验证深度残差网络模型，利用测试数据集测试深度残差网络模型；

S14：利用训练好的深度残差网络模型进行高压断路器机械性能评估。

4.根据权利要求3所述的一种基于深度置信网络的高压断路器生命周期智能评估方法，其特征在于，

所述高压断路器分合闸过程图像数据的获取方法为：

S111：寻找高压断路器成一定角度的两个相邻平面，在高压断路器分合闸过程向两个相邻平面发射圆环状的明暗条纹光照；

S112：至少采集两次高压断路器分合闸过程的视频数据，每次高压断路器分合闸的起点、终点以及时长一致；

S113：以周期T将采集的视频数据进行抽帧处理，获得若干张高压断路器分合闸过程图像，所述周期T的设定方法为：其中，t为断路器分合闸过程的时长，δ为高压断路器分合闸过程的振动频率，v为高压断路器分合闸过程的角速度。

5.根据权利要求3或4所述的一种基于深度置信网络的高压断路器生命周期智能评估方法，其特征在于，

步骤S12中，对断路器分合闸过程的电流波形数据进行数据预处理时包括以下步骤：

S221：采集断路器分合闸过程的电流波形，对采集的电流波形通过低通滤波器和高通滤波器进行滤波处理，获得滤波后的电流信号；

S222：以周期T对滤波后电流信号进行截断处理，获得若干个截断电流信号；

S223：对若干个截断电流信号进行傅里叶变化，得到各个时刻的频率和幅值信息；

S224：对幅值进行归一化处理后根据各个时刻的频率和归一化的幅值获得时频图像；

S225：将获得的时频图像作为断路器分合闸过程的电流特征图像，将断路器分合闸过程的电流特征图像作为预处理后的样本数据。

6.根据权利要求3或4所述的一种基于深度置信网络的高压断路器生命周期智能评估方法，其特征在于，

步骤S13中构建深度残差网络模型，包括以下步骤：

S331：构建深度残差网络基本架构；

S332：将训练数据集对深度残差网络进行训练，对深度残差网络的基本参数进行调整；

S333：利用验证数据集对深度残差网络的超参数进行调整；

S334：利用测试数据集对深度残差网络的高压断路器机械性能评估能力进行测试。