[发明专利]一种基于图像识别的高压断路器故障诊断方法

权利要求书

1.一种基于图像识别的高压断路器故障诊断方法，其特征在于，方法包括以下步骤：

采集高压断路器操作线圈电流历史数据，并进行预处理，利用映射函数将预处理后的电流历史数据一维时间序列转化为二维张量，绘制像素大小统一的电流图像；

将电流图像进行处理后得到电流灰度图像，结合历史数据标签构成高压断路器故障样本，得到高压断路器故障样本库；

基于高压断路器故障样本训练预先建立的二维卷积神经网络模型，得到满足精度要求的故障诊断模型；

在线监测高压断路器操作线圈电流，通过数据预处理后转化为在线电流灰度图像，将在线电流灰度图像输入训练后的故障诊断模型内，得到故障诊断结果。

2.根据权利要求1所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述预处理的过程包括过小波包去噪消除高频噪声和毛刺，通过数据增强方法扩充样本数量。

3.根据权利要求2所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述数据增强方法通过生成接近于电流原始数据的样本来扩充数据量，包括将电流信号时序平移、添加随机噪声。

4.根据权利要求1所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述电流图像通过幅值归一化和图像灰度化后得到电流灰度图像。

5.根据权利要求1所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述故障诊断模型的训练过程如下：

利用十折叠交叉法将高压断路器故障样本库内的高压断路器故障样本划分训练集和测试集，分别得到十组不同的数据集，依次训练二维卷积神经网络模型，分析被训练网络的性能，并结合训练目标调整网络结构参数，直到获得满足性能要求的网络结构，网络结构以及经训练获得的参数即为训练后的故障诊断模型。

6.根据权利要求5所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述训练后的故障诊断模型中，初始化卷积神经网络结构参数时考虑输入电流灰度图像的像素稀疏特征，在卷积层中选用维度较小的卷积核和较少的输出通道数，在池化层中设置较大的池化区域，在故障诊断模型精度满足要求的情况下，减少卷积层数、全连接层数，以降低故障诊断模型的参数量和复杂度，兼顾故障诊断高准确率、网络结构轻量化的设计目标，在全连接层之前增加正则化层，以防止故障诊断模型过拟合。

7.根据权利要求1所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述操作线圈电流历史数据如下：

式中，I(n)为操作线圈电流信号时间序列，i_n为时刻t_n时对应的电流值；

利用小波包变换对操作线圈电流历史数据采集的操作线圈电流信号进行分解，小波包分解过程用公式表示为：

式中：I(n)为采集的操作线圈电流信号，L为低通滤波器，H为高通滤波器，近似值a是较大的尺度因子产生的小波系数，表示信号的低频分量，而细节值d是较小的尺度因子产生的小波系数，表示信号的高频分量；

选择Sqtwolog准则来计算操作线圈电流历史数据的降噪阈值的大小，用公式表示为：

式中：

8.根据权利要求1所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，进行小波重建，根据层数j的原始近似系数和1到j的修改细节系数计算小波重构，包括：首先利用最后一层分解后的近似值a_j和细节值d_j分别进行隔点插零，然后分别与滤波器L₁以及H₁进行卷积运算后得到j-1层近似值a_j-1，重复过程，最终得到原始信号a₀＝I(n)，用公式表示为：

9.根据权利要求6所述的一种基于图像识别的高压断路器故障诊断方法，其特征在于，所述故障诊断模型的训练过程包括以下步骤：

初始化卷积神经网络超参数，从训练集中提取电流灰度图像样本和它的目标输出向量即样本标签，从前层向后层依次计算得到卷积神经网络的输出，单层卷积层对输入张量的二维离散卷积如式(10)：

式中，k为输入张量通道数，l为输出张量通道数，输出特征图的长和宽如式(11)所示：

式中，s为卷积核移动步长，k为卷积核大小；

然后根据式(12)计算卷积神经网络输出和目标向量的交叉熵损失：

式中，p(x_i)为样本标签的真实概率分布，q(x_i)为神经网络前向运算输出的样本标签概率分布；

根据式(13)利用梯度下降原理更新网络中各层的参数，直至损失低于所设定的阈值或者迭代训练次数达到预设值，此时训练集准确率达到一个稳定值；

F(n+1)＝F(n)±u·H(p,q)(13)

式中，F表示网络中各层的参数，u为迭代因子；

最后，检验训练集和测试集上的准确率是否满足故障诊断精度要求，准确率90％则满足，如果不满足，重新设置卷积神经网络超参数，调整层数，重复以上步骤，直至故障诊断模型评价指标满足要求，满足要求后故障诊断模型训练完成。