国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

萬(wàn)能式斷路器是低壓配電系統(tǒng)中的保護(hù)和控制設(shè)備，其健康狀態(tài)對(duì)配電系統(tǒng)的性能、穩(wěn)定性有著重要的影響，因此其日常維護(hù)也至關(guān)重要。分合閘附件作為斷路器的關(guān)鍵部件，正常工作是斷路器可靠運(yùn)行的關(guān)鍵保證。

但是，在斷路器長(zhǎng)期的運(yùn)行過(guò)程中，分合閘附件往往會(huì)出現(xiàn)不同類別的機(jī)械故障，影響斷路器的正常工作。鑒于此，為提高萬(wàn)能式斷路器運(yùn)行可靠性，對(duì)分合閘附件動(dòng)作過(guò)程中可能出現(xiàn)的故障進(jìn)行有效的監(jiān)測(cè)、分析以及診斷是非常重要的。

在故障診斷中，特征信號(hào)的選取是實(shí)現(xiàn)診斷目標(biāo)的前提，在分合閘過(guò)程中，斷路器分合閘線圈電流信號(hào)不僅易于檢測(cè)，而且含有豐富的機(jī)械狀態(tài)信息，可作為斷路器故障診斷的依據(jù)。國(guó)內(nèi)外很多專家學(xué)者都提出了基于分合閘線圈電流信號(hào)來(lái)監(jiān)測(cè)和診斷斷路器的機(jī)械狀態(tài)。

但是，相關(guān)文獻(xiàn)中高壓斷路器分合閘線圈均采用直流供電，不需考慮合閘相位對(duì)線圈電流信號(hào)特性帶來(lái)的影響。而與高壓斷路器分合閘線圈供電方式相比，在實(shí)際的低壓萬(wàn)能式斷路器故障診斷研究當(dāng)中，對(duì)不同相位下線圈電流信號(hào)進(jìn)行分析更具有現(xiàn)實(shí)意義。

近年來(lái)，機(jī)器學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界發(fā)展迅猛，其已成為當(dāng)前智能故障診斷的主流算法。但是，這些智能診斷算法也普遍存在一些難以忽略的弊端，如對(duì)原始信號(hào)特征提取要求較高，需要人工特征提取和一定的專家知識(shí)、泛化能力較差、易產(chǎn)生局部最優(yōu)解等問(wèn)題。

此外，對(duì)于萬(wàn)能式斷路器而言，同一故障狀態(tài)下，線圈回路合閘相位不同導(dǎo)致電流信號(hào)波形存在一定的差異。針對(duì)這種現(xiàn)象，傳統(tǒng)智能故障診斷方法往往會(huì)出現(xiàn)故障特征提取不準(zhǔn)確，因此需要采取合適的算法來(lái)克服這種缺陷。

為解決上述傳統(tǒng)智能故障診斷算法的不足，深度學(xué)習(xí)（Deep Learning, DL）理論為智能故障診斷提供了新思路和行之有效的解決辦法。DL是由多層隱含層構(gòu)建的深層模型，其利用多層網(wǎng)絡(luò)結(jié)構(gòu)逐層深入地學(xué)習(xí)原始輸入量的抽象信息，以實(shí)現(xiàn)故障特征的自動(dòng)提取，擺脫了傳統(tǒng)診斷算法對(duì)人工特征提取和領(lǐng)域內(nèi)專家知識(shí)的依賴。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是DL中最重要的模型之一，其網(wǎng)絡(luò)通過(guò)局部權(quán)值共享極大地減少了網(wǎng)絡(luò)參數(shù)的數(shù)量，降低了網(wǎng)絡(luò)的復(fù)雜度，在一定程度上解決了局部最優(yōu)解的問(wèn)題，且泛化能力較好。一些專家已經(jīng)將CNN應(yīng)用到故障診斷研究領(lǐng)域中，并取得了不錯(cuò)的成果。

這些研究拓寬了CNN在故障診斷領(lǐng)域中的應(yīng)用范圍，但均是將一維的原始信號(hào)轉(zhuǎn)化為二維的圖片，利用二維CNN來(lái)完成故障診斷，沒(méi)有最大化地發(fā)揮CNN自動(dòng)學(xué)習(xí)原始信號(hào)特征的優(yōu)勢(shì)，限制了故障識(shí)別率進(jìn)一步提高。

此外，線圈電流信號(hào)作為一維的時(shí)域信號(hào)，其各個(gè)時(shí)刻上的數(shù)據(jù)信息是相互關(guān)聯(lián)的，若直接把線圈電流信號(hào)轉(zhuǎn)化為二維的圖片形式，則會(huì)造成原始電流信號(hào)之間的關(guān)聯(lián)性被破壞，導(dǎo)致故障信息丟失。

鑒于此，為適應(yīng)時(shí)域信號(hào)的處理，同時(shí)能夠最大化地發(fā)揮CNN自動(dòng)學(xué)習(xí)原始信號(hào)特征的優(yōu)勢(shì)，Jian等提出了一維融合神經(jīng)網(wǎng)絡(luò)（One-dimensional Fusion Neural Network, OFNN）的故障診斷模型，該方法直接從原始振動(dòng)信號(hào)中自適應(yīng)提取特征，避免了對(duì)人工特征提取的依賴，并成功應(yīng)用于滾動(dòng)軸承的故障診斷。

針對(duì)上述分析，河北工業(yè)大學(xué)的研究人員借鑒CNN故障診斷相關(guān)研究進(jìn)展，并根據(jù)一維電流信號(hào)的特點(diǎn)，在現(xiàn)有的研究基礎(chǔ)上，重點(diǎn)研究低壓萬(wàn)能式斷路器分合閘附件的故障診斷，提出了基于第一層寬卷積核自適應(yīng)一維深度卷積神經(jīng)網(wǎng)絡(luò)（Adaptive one-Dimensional deep Convolutional Neural Networks with Wide first-layer kernel, AW-1DCNN）的低壓萬(wàn)能式斷路器分合閘附件的智能故障診斷模型。

圖1 AW-1DCNN模型結(jié)構(gòu)

為提高模型自動(dòng)提取各狀態(tài)特征的能力，構(gòu)建第一層卷積層的卷積核為寬卷積核，來(lái)獲取更多的數(shù)據(jù)并為深層網(wǎng)絡(luò)提供更多的有效信息，而深層卷積核為小卷積核可以增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力，從而實(shí)現(xiàn)以原始電流數(shù)據(jù)為輸入，以故障診斷結(jié)果為輸出的自適應(yīng)診斷模型。

圖2 實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)

圖3 基于AW-1DCNN的故障診斷流程

研究人員通過(guò)與傳統(tǒng)智能故障診斷方法以及現(xiàn)有深度學(xué)習(xí)算法相比，結(jié)果表明：

1）AW-1DCNN算法不需要依賴人工特征提取和專家知識(shí)，實(shí)現(xiàn)了對(duì)原始電流信號(hào)故障特征的自適應(yīng)提取，降低了故障診斷的操作難度，提高了故障診斷結(jié)果的準(zhǔn)確度。

2）AW-1DCNN算法是標(biāo)準(zhǔn)1DCNN算法的改進(jìn)，其在保留原方法強(qiáng)大的非線性特征自學(xué)習(xí)能力的同時(shí)將模型的第一層卷積層的卷積核設(shè)為寬卷積核，提高了模型提取原始輸入信號(hào)故障特征的能力，有效地實(shí)現(xiàn)了小樣本下的故障識(shí)別。

3）AW-1DCNN算法具有較強(qiáng)的泛化能力，通過(guò)設(shè)計(jì)不同的實(shí)驗(yàn)數(shù)據(jù)集，故障診斷識(shí)別率均達(dá)到了95%以上，充分證明了該算法能夠很好地克服線圈回路合閘相位隨機(jī)性的問(wèn)題，故障識(shí)別率遠(yuǎn)優(yōu)于BPNN和MKL-SVM這兩種傳統(tǒng)智能故障診斷算法，且與LSTM和標(biāo)準(zhǔn)的1DCNN相比，診斷結(jié)果也更加優(yōu)異，且模型的穩(wěn)定性更高。

考慮到目前只是針對(duì)一種型號(hào)的斷路器進(jìn)行分析研究，在后續(xù)的研究中，將對(duì)不同型號(hào)的斷路器進(jìn)行進(jìn)一步的分析，從而使算法的泛化性能得到更高的提升；同時(shí)萬(wàn)能式斷路器作為在線運(yùn)行的低壓配電器，后續(xù)工作中應(yīng)考慮如何實(shí)現(xiàn)萬(wàn)能式斷路器的在線診斷問(wèn)題；此外，還應(yīng)在復(fù)雜的應(yīng)用場(chǎng)合中驗(yàn)證所提算法的可擴(kuò)展性。

以上研究成果發(fā)表在2020年第12期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于一維卷積神經(jīng)網(wǎng)絡(luò)的低壓萬(wàn)能式斷路器附件故障診斷”，作者為孫曙光、李勤、杜太行、崔景瑞、王景芹。