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技术

本发明专利技术公开了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，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数据集；2)将训练集数据和测试集数据进行归一化处理；3)构建CNN深度神经网络模型；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)将测试样本数据输入到训练好的故障诊断模型中进行断路器故障诊断。本发明专利技术利用卷积神经网络提取特征能力强的优点，有效提取数据特征；进一步利用量子粒子群算法能有效消除局部最优现象的优点，提高了数据分类的准确度。高了数据分类的准确度。高了数据分类的准确度。

【技术实现步骤摘要】
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


[0001]本专利技术涉及中压断路器主要机械故障的实时在线诊断
，具体涉及一种基于卷积神经网络和量子粒子群优化的中压断路器智能故障诊断方法，应用于中压断路器中解决其故障诊断问题。

技术介绍

[0002]断路器作为重要的电力设备在电力系统中扮演着重要的角色，其工作状态直接影响到电力系统的安全性和可靠性。但是断路器的维护费用巨大，而且传统的人工巡检模式，不仅费时费力，还会带来许多不必要的停工。非侵入式故障诊断方法由于数据采集方便，逐渐成为断路器维护技术的一个重要研究方向。
[0003]故障诊断技术主要包含故障信号特征提取和故障诊断算法设计两个方面。断路器运行过程中蕴含丰富的振动信号，将带电运行时的振动信号作为输入信号，可有效提取表征状态的特征因子，分析断路器发生故障的位置，实现断路器的状态监测与诊断。而在故障诊断算法的选择上，传统的人工智能方法包含：采用反向传播(Back Propagation,BP)算法和径向基函数(Radial Basis Function,RBF)进行断路器故障诊断；采用模糊理论对断路器的状态进行评估；采用粒子群优化(Particle Swarm Optimization,PSO)算法与径向基函数搭建断路器机械故障诊断网络。传统的人工智能算法虽然诊断精度有了显著提高，也在一定程度上应用于工程实践中，但是这些智能算法普遍存在诊断速度慢、泛化能力差、易产生局部最优解等问题，增加了断路器不必要的停机和维护检修时间，限制了断路器故障诊断技术的发展。
[0004]针对传统人工智能算法存在的种种缺陷，提出一种基于卷积神经网络(CNN)和量子粒子群(QPSO)优化算法的中压断路器智能故障诊断方法。该方法以CNN为基础，建立断路器故障诊断分类网络，利用断路器垂直振动信号数据作为训练样本对CNN网络进行训练，同时为了防止CNN模型出现局部最优问题，保持CNN参数不变，将训练好的CNN模型结合量子粒子群算法对SVM分类模型进行参数寻优，输出最优SVM参数。并基于最优参数构建SVM故障分类模型，将测试样本输入CNN
‑
QPSO
‑
SVM故障诊断模型，输出最终的故障诊断结果，能够有效识别中压断路器的故障类型。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提出了设计合理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。
[0006]本专利技术的目的是通过以下技术方案实现的：
[0007]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，包括以下步骤：
[0008](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。
[0009](2)将原始信号进行归一化处理，归一化公式如下：
[0010][0011]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，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，剩下的数据作为测试数据集。
[0012](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。
[0013](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。
[0014](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。
[0015]进一步，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。
[0016]进一步，所述步骤(4)具体过程如下：
[0017]量子粒子群算法引入的中心点：
[0018][0019]即平均的粒子历史最好位置；
[0020]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：
[0021]P
i
(t+1)＝φP
i
(t)+(1
‑
φ)P
g
(t)
[0022]X
i
(t+1)＝P
i
(t+1)+/
‑
λ|m
best
‑
X
i
(t)|ln(1/u)
[0023]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；
[0024]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：
[0025]β＝β0+cβ
c
‑
eβ
e
[0026]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；
[0027]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。
[0028]本专利技术的有益效果主要表现在：本专利技术采用一维卷积神经网络实现了对中压断路器原始振动信号的特征提取，相比于二维卷积神经网络，一维卷积神经网络对中压断路器振动信号的表征能力更加出色，能有效提取数据特征；同时引入了QPSO算法优化模块，利用量子粒子群算法有效消除局部最优现象的优点，提高了故障分类的准确度。
附图说明
[0029]图1是本专利技术基于CNN
‑
QPSO
‑
SVM的中压断路器智能故障诊断方法流程图；
[0030]图2是本专利技术CNN深度神经网络基本结构示意图；
[0031]图3是本专利技术实施例的正常状态的振动信号波形图；
[0032]图4是本专利技术实施例的脱扣闭合电磁铁堵塞状态的振动信号波形图；
[0033]图5是本专利技术实施例的主轴堵塞状态的振动信号波形图；
[0034]图6是本专利技术实施例的半轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张丹，黄钟汀，陈永毅，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：