多尺度卷積神經(jīng)網(wǎng)絡(luò)高壓斷路器故障診斷方法

李少鵬

（華北電力大學(xué)，河北 保定 071003）

高壓斷路器是電力系統(tǒng)中重要的設(shè)備，起到控制和保護電網(wǎng)的作用，在電網(wǎng)正常運行或異常事件發(fā)生時，及時安全地接通或者切斷載荷。高壓斷路器可靠運行是電網(wǎng)可靠穩(wěn)定的重要前提與基礎(chǔ)，一旦高壓斷路器發(fā)生故障可造成巨大的經(jīng)濟損失和社會影響[1-2]。目前，高壓斷路器的檢修模式仍為定期巡檢與事故后維修，其檢修缺乏明確目標，并且在檢修過程中可能會由于整體拆卸與裝配造成特性差異導(dǎo)致嚴重后果，所以有必要對其動作特性進行分析。根據(jù)國內(nèi)外可靠性統(tǒng)計分析表明高壓斷路器故障中的80%以上都是由于機械性能和電氣控制回路所導(dǎo)致的[3-4]。

高壓斷路器操作機構(gòu)振動信號為非周期非平穩(wěn)信號，首先通過對其進行信號降噪、平滑和分解等預(yù)處理，然后通過小波變換、能量熵或經(jīng)驗?zāi)B(tài)分解等方式進行特征提取，最后通過反向傳播（BP）神經(jīng)網(wǎng)絡(luò)或支持向量機（SVM）等方式對特征進行分析后將故障分類輸出結(jié)果，對檢修提出意見。然而，模式分類等機器學(xué)習(xí)方法具有需要人工提取特征、易于陷入局部最優(yōu)解、對函數(shù)表達有限等缺點。

深度學(xué)習(xí)被廣泛應(yīng)用在圖像識別、自然語言識別等領(lǐng)域，文獻[5]通過分析振動信號的小波時頻圖對故障進行分類。一維振動信號轉(zhuǎn)化為二維形式時會丟失故障信息，對結(jié)果造成影響。

針對上述問題，并根據(jù)高壓斷路器一維振動信號特點，本文提出一種多尺度卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法，構(gòu)建不同尺度的卷積核，寬距感知特征后選取Top-K 個特征，將其合并，最后輸出分類結(jié)果。通過數(shù)據(jù)集對網(wǎng)絡(luò)進行參數(shù)調(diào)整，得到最優(yōu)模型，提高了高壓斷路器故障診斷精度。

1 多尺度卷積神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[6]由多層感知器構(gòu)成，在不對原始數(shù)據(jù)進行預(yù)處理的情況下，即可得到輸出。通常由輸入層、隱層和輸出層構(gòu)成，其中隱層包含卷積層、池化層和全連接層，如圖1 所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)

卷積層通過卷積核將輸入的信號進行局部卷積運算，滑動卷積核將本層所有數(shù)據(jù)進行特征提取，其公式如下：

激活函數(shù)目前常用ReLU 函數(shù)，其公式為：

池化層的作用是防止過擬合，通過下采樣的方式，將數(shù)據(jù)進行壓縮，并保持其不變。常用的池化方式有平均池化和最大池化。全連接層通過矩陣乘法將之前網(wǎng)絡(luò)卷積及池化的結(jié)果映射到樣本空間。

1.2 多尺度卷積神經(jīng)網(wǎng)絡(luò)

單一尺度的卷積核容易忽略小長度的重要特征，通過多次卷積和池化，對特征進行提取，并輸出到全連接層。一般進行2 次全連接層，第一層全連接層將所有特征向量輸出為一維數(shù)據(jù)，第二層全連接層輸出到Softmax 分類器，對結(jié)果進行輸出。

針對高壓斷路器一維振動信號的特點，不同故障所在位置不同，會受到噪聲影響等，對傳統(tǒng)CNN 網(wǎng)絡(luò)進行改進，通過增加卷積核獲得寬范圍的故障特征感知域，不是將網(wǎng)絡(luò)變得更深而是將網(wǎng)絡(luò)的寬度增加，本文構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 多尺度卷積神經(jīng)網(wǎng)絡(luò)模型

采用若干個大小不同的卷積核及不同層數(shù)的卷積層，對原始數(shù)據(jù)進行滑動特征卷積，其中卷積核的大小依次增大，提取到不同感知域下的特征，通過ReLU函數(shù)對其進行激活，加速度傳感器所采集的振動信號有正最大值和負最大值，如圖3 所示。普通的池化層不能完全提取其特征，K-MAX Pooling 可以對卷積層中特征按照先后順序進行K個取值，通過正負疊加，獲得2K個特征值，輸出到全連接層進行特征組合，輸入到Softmax 分類器中，進行故障類別的分類和預(yù)測。

圖3 高壓斷路器振動信號極值點

1.3 故障診斷流程

利用多尺度卷積神經(jīng)網(wǎng)絡(luò)對高壓斷路器進行故障診斷，流程如圖4 所示，診斷步驟具體為：①將振動信號進行預(yù)處理，分為訓(xùn)練集和測試集，作為輸入；②建立多尺度卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置初始化網(wǎng)絡(luò)參數(shù)及超參數(shù)；③根據(jù)訓(xùn)練結(jié)果得到的模型，計算出各卷積核卷積輸出結(jié)果，并通過前向傳播計算，進行迭代，直到小于閾值；④將測試集中的數(shù)據(jù)與得到的模型進行特征分析，對模型的故障分類能力進行評估。

圖4 故障診斷流程

2 數(shù)據(jù)采集

本文以1 臺35 kV 戶外真空高壓斷路器為試驗對象，如圖5 所示，在空載狀態(tài)下，將加速度傳感器置于斷路器操作機構(gòu)本體處采集信號。采樣頻率為200 kHz，設(shè)置采樣時間為600 ms，以電流傳感器作為信號觸發(fā)并采集數(shù)據(jù)。采用采樣方法進行預(yù)處理，將數(shù)據(jù)擴大為采樣頻率為10 kHz 的一維數(shù)據(jù)，作為原始數(shù)據(jù)進行輸入。對不同工況下的信號進行標記，將20%作為測試集，80%作為訓(xùn)練集。

圖5 高壓斷路器實驗

模擬正常工況、控制線圈回路電壓高、分閘彈簧疲勞（弱）和分閘彈簧疲勞（強），共計4 類不同的運行狀態(tài)的振動信號，如表1 所示。

表1 模擬故障與次數(shù)

3 診斷過程及分析

3.1 診斷過程

原始數(shù)據(jù)輸入1*3000 的一維振動信號，設(shè)置epochs 為20，對訓(xùn)練集的中所有數(shù)據(jù)進行20 次迭代，dropout 為0.5，batchsize 為50，學(xué)習(xí)率設(shè)置為0.001，采用交叉熵損失函數(shù)，通過對不同卷積核個數(shù)及不同卷積核尺寸的訓(xùn)練，設(shè)置卷積核個數(shù)為2、3、4、5、6、7，卷積核層數(shù)為32、64、128，Top-K 取值為4、5、6、7、8、9 時。取每次實驗中的5 組測試集輸出的結(jié)果作平均值，得到故障診斷準確率有以下特征：隨著卷積核個數(shù)的增加，準確率提升，相應(yīng)的訓(xùn)練時間增加，卷積核層數(shù)為64 時準確率最高，隨著特征提取個數(shù)增加準確率先增大后下降，其中當K取7 時訓(xùn)練用時短且準確率高。

設(shè)置卷積核個數(shù)為5 個層數(shù)，為64 層時，取K=7網(wǎng)絡(luò)泛化能力最好，其混淆矩陣如圖6 所示。

圖6 多尺度卷積神經(jīng)網(wǎng)絡(luò)混淆矩陣

通過混淆矩陣可得，對于正常運行狀態(tài)下的高壓斷路器，多尺度卷積神經(jīng)網(wǎng)絡(luò)可以100%識別，分閘彈簧不同疲勞程度下，其故障分類不明顯，會錯誤輸出正常或疲勞，影響檢修意見。得出故障診斷準確率為97.5%。

3.2 對比實驗

對比1DCNN 輸入層為1*3000，進行3 次卷積，3 次池化，并通過Maxpooling 輸出到Softmax 對振動信號進行分析，其準確率為84.25%。多尺度卷積神經(jīng)有較高的準確率。

4 結(jié)論

針對高壓斷路器非平穩(wěn)振動信號特征提取困難、特征向量識別準確率不高的問題，本文提出了一種基于多尺度一維卷積神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷方法，通過采集斷路器分合閘操作機構(gòu)本體的振動信號，對其進行特征提取，能準確識別故障類型。其特點如下：①無須專家經(jīng)驗即可提取原始振動信號的故障特征，泛化能力強；②相比傳統(tǒng)CNN 網(wǎng)絡(luò)結(jié)構(gòu)，本文提出的方法更符合振動信號特點，識別精度更高；③提出了多尺度卷積核，全值Top-K 池化層，增大了卷積過程的感知域，提高了故障診斷的精度與可靠性。

實際運行中的高壓斷路器型號多，其正常運行數(shù)據(jù)多，故障少，由于樣本不平衡在訓(xùn)練中會出現(xiàn)過擬合等現(xiàn)象，且故障狀況與實驗室模擬有一定差距，應(yīng)針對不同型號及不平衡樣本進行深入的泛化研究。