[发明专利]一种基于非监督学习模型的高压断路器故障诊断方法

摘要

本发明公开了一种基于非监督学习模型的高压断路器故障诊断方法，包括：获取高压断路器分合闸过程中线圈电流波形并根据该波形获得高压断路器的状态参数；对高压断路器的振动信号进行采样，选择其时间节点t；将高压断路器故障分类并进行编号，作为故障模型辨识系统的输出，将线圈电流、振动信号和时间节点为故障模型辨识系统的输入；将降噪自解码算法作为典型的非监督学习模型，对模型进行训练，采用SVM结构，由降噪自编码算法得到的损失函数，得到断路器故障的回归表达式；根据断路器故障的回归表达式，得到发生故障时的线圈电流数据与故障类型的对应关系，再通过待判定的故障数据来判定故障类型。本发明这种训练优化的过程可以避免局部最优解。

主权项

1.一种基于非监督学习模型的高压断路器故障诊断方法，其特征是，包括以下步骤：步骤一：获取高压断路器分合闸过程中线圈电流波形并根据该波形获得高压断路器的状态参数；步骤二：对高压断路器的振动信号进行采样，选择其时间节点t；步骤三：将高压断路器故障分类并进行编号，作为故障模型辨识系统的输出，将线圈电流、振动信号和时间节点为故障模型辨识系统的输入；步骤四：将降噪自解码算法作为典型的非监督学习模型，对模型进行训练，采用经典的SVM结构，由降噪自编码算法得到的损失函数，继而得到断路器故障的回归表达式；步骤五：根据断路器故障的回归表达式，得到发生故障时的线圈电流数据与故障类型的对应关系，再通过待判定的故障数据来判定故障类型；所述步骤四中，在训练时，通过每层的初始化和调整来训练，在逐层的初始化时可以采用无监督的训练判据；每一层训练时将前一层传递来的参数优化后传递给后一层，作为被观察故障模型的训练样本，直到所有层都被训练好；降噪自编码算法中，输入d维x∈[0,1]^d，输出d’维y∈1＝[0,1]^d’；其中，s是S型函数，θ＝{W,b}，W是d′×d的权重矩阵，b是偏差向量；是将含有一定统计特性的噪声加到输入数据，对样本进行修改，通过随机映射对每个输入向量x按照一定的破坏率把初始输入x破坏为然后，输出y映射到输入空间z中，这里z∈[0,1]^d；这里θ′＝{W′,b′}，W′是d′×d的权重矩阵，b′是偏差向量；采用经典的SVM结构，由降噪自编码算法得到的修正过的损失函数表示为式(5)：式中，是优化过程中的松弛因子，w＝x‑z，输入层和输出层之差，c为松弛因子系数；断路器故障的回归表达式为：式中，p为支持向量机的个数，K(x,xi)为核函数；α_i、α′_i为拉格朗日乘子，其对应的样本就是支持向量机，x为样本。