[发明专利]一种基于深度学习与智能优化的中压断路器故障诊断方法

权利要求书

1.一种基于深度学习与智能优化的中压断路器故障诊断方法，其特征在于，包括以下步骤：

1)采集正常状态、脱扣闭合电磁铁堵塞、主轴堵塞和半轴堵塞的中压断路器振动信号，作为原始信号进行模型训练；

2)将原始信号进行归一化处理，归一化公式如下：

其中x_i为原始样本数据，x_max是x_i的最大值，x_min是x_i的最小值；为了寻找SVM的最优参数组合，故对归一化后的样本进行分类，选取一部分数据作为训练数据集，另一分部的数据作为测试数据集；

3)构建CNN深度神经网络模型，将训练样本输入到CNN中进行训练，CNN深度神经网络共有6个卷积层、4个池化层、1个Softmax层和1个dropout层，每2个卷积层后面连接1个池化层；依照上述的顺序完成训练后，获得CNN模型的训练准确率和训练损失率；

4)将训练好的CNN深度神经网络模型结合量子粒子群算法对SVM分类器进行优化训练；

5)基于量子粒子群算法输出的最优参数构建SVM中压断路器故障分类模型，将测试样本数据输入到训练好的CNN-QPSO-SVM故障诊断模型中，输出故障诊断结果。

2.如权利要求1所述的一种基于深度学习与智能优化的中压断路器故障诊断方法，其特征在于，所述步骤3)中，CNN网络中的Softmax层对不同类别数据进行分类；为了避免过拟合现象的发生，本网络采用dropout正则化方法，在Softmax层后加入了dropout层；CNN训练的方法采用的是Adam梯度下降方法，损失函数是基于Softmax的交叉熵损失函数，批量大小为2，迭代次数为200；训练完成后，保持CNN模型参数不变。

3.如权利要求1所述的一种基于深度学习与智能优化的中压断路器故障诊断方法，其特征在于，所述步骤4)具体过程如下：

量子粒子群算法引入的中心点：

即平均的粒子历史最好位置；

在量子粒子群算法进行SVM参数寻优的过程中，实时跟踪每一代粒子的适应值偏差，若某一代的偏差小于阈值，则对平均最优位置进行更新，平均最优位置更新公式如下：

P_i(t+1)＝φP_i(t)+(1-φ)P_g(t)

X_i(t+1)＝P_i(t+1)+/-λ|m_best-X_i(t)|ln(1/u)

φ，u为随机变量，均是(0,1)上的均匀分布；λ为唯一的控制参数，称为创新系数，一般取值小于1；P_i用于第i个粒子位置的更新，Pg表示当前全局最优粒子，X_i表示第n次寻优的位置更新，m_best表示平均粒子历史最优位置；

量子粒子群算法也引入微粒的进化速度和聚集度，用来避免早熟收敛：微粒群的进化速度定义为e，微粒的聚集度定义为c，算法的收敛速度定义为β，β,c,e的关系表达式为：

β＝β₀+cβ_c-eβ_e

式中：β₀为β的初始值，通常β₀＝1，β_c,β_e为[0,1]之间的随机数；

在迭代过程中，实时跟踪每一代粒子的适应值偏差，若某一代的适应值小于阈值，则对平均最优位置进行干扰操作，来增强算法的全局寻优能力，直到算法满足终止条件为止，算法输出最优SVM参数。