CN111879397B - 高压断路器储能机构故障诊断方法 - Google Patents

Abstract

本发明涉及一种高压断路器储能机构故障诊断方法；首先对采集到的声信号采用形态学去除背景噪声，提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性，然后对数据扩容后的声振信号利用皮尔逊相关系数构造二维图像特征矩阵，最后利用CNN对特征矩阵进行训练，采用局部均值归一化和核函数去相关性改进CNN模型结构，降低了储能过程数据变动较大对断路器储能机构诊断准确性的影响。本发明总体诊断准确率达到了98.1%，泛化性能好，与传统方法相比优势明显。

Description

高压断路器储能机构故障诊断方法

技术领域

本发明涉及一种高压断路器储能机构故障诊断方法，具体为利用声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法。

背景技术

高压断路器作为电力***中重要的控制和保护装置，能否可靠动作直接影响到电力***的安全稳定，因此断路器的故障诊断至关重要。目前断路器的研究集中于分合闸过程：利用线圈电流、绝缘拉杆位移、振动信号辨识机械故障，研究重点偏重于断路器操作过程设备本身发生的问题，而对于储能过程故障问题的研究不够深入，缺乏定量的判别依据，如何准确发现储能机构故障类型及发展变化规律值得深入探讨。

振动信号常用来对断路器故障进行诊断，其特点是状态信息丰富，信噪比高，但在实际应用中振幅较大时会存在饱和现象，容易产生由电荷累计效应引起的高频冲击失效。声信号由于测量频带宽可以有效避免饱和失效现象，并且拾音器安装方便，信号受安装方式的影响小。声音振动属于同源信号，都由断路器的部件振动产生，可以利用二者的同源互补特性，发挥各自优势，联合起来进行断路器储能机构的故障诊断。

对于声振信号联合方法，赵书涛等，在高压断路器振声联合故障诊断方法中，对声振信号进行改进集合经验模式分解(EEMD)，然后对分解后的IMF求取二维谱熵作为特征向量进行故障诊断。孙曙光等，在基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法中，利用互补总体经验模态分解算法对声振信号进行分解，求取IMF分量的样本熵、能量系数、功率谱熵作为特征向量进行故障诊断。HE Mengyuan等，在Research ofcircuit breaker intelligent fault diagnosis method based on double clustering中，利用模糊峰值优化C-均值聚类，并结合SVM对声振信号进行诊断。上述方法取得了一定效果，但是存在以下不足：

(1)未考虑声振信号的差异性，机械的将声振信号进行联合，导致诊断的准确率不够高。

(2)特征提取的方法依靠人工选择和专家知识，主观性过强，容易造成故障信息的遗漏。提取后的特征亦需遴选后再选择合适的分类器进行故障分类，需要针对性的不断选择合适特征提取方法，泛化能力差。

随着深度学习理论的不断发展，CNN作为典型的深度学习算法，特征自学习能力强、自适应性好、并行处理能力强，在机械设备的故障诊断中具备显著优势。黄新波等，在基于卷积神经网络算法的高压断路器故障诊断中，使用快速傅里叶变换将振动信号转换成频域信号，经过预处理后采用一维卷积神经网络(1DCNN)进行故障诊断。安晶等，在一种基于一维卷积神经网络的旋转机械智能故障诊断方法中，直接将振动信号作为输入，采用1DCNN提取特征，采用Softmax回归模型实现故障分类。***等，在基于一维卷积神经网络和Soft-Max分类器的风电机组行星齿轮箱故障检测中，采用EEMD对振动信号进行分解，然后使用Hilbert变换提取故障特征，利用CNN实现故障辨识。上述研究多是基于1DCNN对单一信号进行的故障诊断，其诊断过程繁琐且准确率不够高，未将CNN的自学习能力最大化。

发明内容

本发明的目的是提供一种利用声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法，其利用皮尔逊积矩相关系数构造二维声振联合特征矩阵，作为CNN的输入，实现故障有效辨识。

本发明采用如下技术方案：

一种高压断路器储能机构故障诊断方法，其包括如下步骤：

(1)采集断路器储能过程的振动信号和声音信号；

(2)对采集的声音信号进行形态学去噪；

(3)将经形态学去噪后的声音信号与振动信号进行声振时标对位；

(4)对经过步骤(3)处理的数据进行重叠式数据扩容；

(5)将步骤(4)得到的数据构造声振信号的CNN特征矩阵；

(6)优化CNN模型；

(7)输入优化后的CNN模型辨识储能机构故障。

其中，所述步骤(1)具体为：利用选用频率范围1-10kHz的压电式传感器和频率范围20-20kHz的拾音器，同时采集断路器储能过程中的振动信号和声音信号；其中，振动传感器吸附在高压断路器储能机构的弹簧振动本体下面的连接固件上，声音传感器置于音源30-50cm处。

其中，所述步骤(2)具体为：采用基于形态学的开-闭、闭-开运算混合滤波器对声音信号进行形态学去噪，选用椭圆形b₁和菱形b₂结构元素，宽度选取信号最大值的1/40-1/10，b₁设置为12，b₂设置为5。

其中，所述步骤(3)具体为：

(a)对声音信号和振动信号进行希尔伯特变换求取包络，然后将声音振动信号分成N等份，计算每份的峭度，对比每段信号的峭度值，寻找峭度值变化差异明显的信号段从而确定发生越变的时间；

(b)确定声音信号和振动信号对应时间段后利用闵氏距离公式，即以声音和振动信号包络绝对差值q次幂之和的q次根来判断相似性，找到相似性最高的时刻后，声音起始时刻减去振动起始时刻即为ΔT，将声音信号提前ΔT即可实现与振动信号对齐。

其中，所述步骤(4)具体为：对长度为N的信号x，设置样本长度为L，重叠率为λ，方法如下：

(A)求取当前信号长度下最大可分割样本数量：

其中

为向下取整运算符；

(B)求取每个分割样本；第i个样本在原信号的位置表示如下：

x_i＝X[(i-1)×L×(1-λ)+(0:1)×L]，i∈[1,n]

其中，x_i为分割后的样本数据。

设定样本长度L为1024，λ为0.5。

其中，所述步骤(5)具体为：采用皮尔逊积矩相关系数刻画声音信号和振动信号变化的相关性，相关系数值作为矩阵元素。

其中，所述步骤(6)具体为：核函数进行小波分解得到多分辨率小波系数，选取相互正交方向的小波分解系数对卷积核误差修改量处理去除核函数的相关性；与此同时，对每个卷积-池化层之后增加一个LRN来降低模型所需参数较多的影响。

其中，所述步骤(6)中，所述LRN层归一化响应表示为：

其中，n表示同一空间位置经过邻近映射核数；N为此层总核数；

表示在(x,y)处第i个核的的ReLU非线性神经元输出；k,α,β是验证集超参数，其值分别为2、0.0002和0.5。

其中，所述步骤(6)的训练过程中在模型全连接层中引入Early-Stopping机制，其系数分别为0.5和0.01。

其中，所述步骤(6)中，在高压断路器储能机构正常、弹簧锈蚀、机构卡涩和弹簧脱落状态下采集多组声音信号和振动信号用于模型的训练。

本发明的有益效果在于：

1)本发明将振动信号和声音信号进行有机结合提升了高压断路器储能机构故障识别准确率。

2)利用形态学去噪和基于峭度-包络相似性的时标对位方法对声振信号进行了有效剪辑，采用数据扩容获取训练所需的大量数据，结合皮尔逊积矩相关系数构造声振信号特征矩阵，为断路器储能机构的故障辨识开辟了新思路。

3)引入了CNN故障诊断方法，并结合储能过程的特点对模型进行了改进，提升了模型的泛化性能。

附图说明

图1为本发明的方法流程图。

图2为降噪前后结果对比图。

图3为声信号滞后振动示意图。

图4为数据扩容示意图。

图5为特征矩阵二维图。

图6为CNN结构示意图。

图7为高压断路器储能过程中弹簧锈蚀运行状态图。

图8为高压断路器储能过程中机构卡涩运行状态图。

图9为高压断路器储能过程中弹簧脱落运行状态图。

图10为模型训练示意图。

图11为PCA可视化图。

图12为模型的准确率示意图。

图13为模型的损失值示意图

图14为不同模型诊断效果对比图。

具体实施方式

下面结合本发明的实施例和附图对技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

1声振信号构造CNN特征矩阵

1.1断路器机械故障诊断流程

储能过程的不同状态下声振信号变化规律与机械状态存在密切联系，通过声振特征矩阵可以准确反映二者之间的隐含关系，进而实现对断路器的故障诊断。

由于声信号背景噪声干扰较大，故首先采用形态学去除背景噪声，然后将采集的声振信号利用基于峭度和包络相似性进行时标对位，对位后采用重叠式数据扩容增加矩阵维度，最后利用皮尔逊积矩相关系数构造声振信号的CNN特征矩阵，输入CNN优化模型进行故障辨识，诊断流程如图1所示。

1.2声信号形态学去噪

形态学可以基于储能过程声音信号的几何特征，由结构元素进行形态变换实现声音信号匹配、信号提取、细节保留和噪声抑制。其只需进行代数运算而无需计算频域信息，速度可观，并且具有高效的非线性滤波功能，适合断路器储能过程噪声信号的滤除。

开闭运算以不同的方式平滑信号，开运算可用于滤除峰值噪声，去除信号边缘毛刺；闭运算用来平滑和抑制波谷信号噪声。本研究针对断路器储能过程声音信号特点，采用基于形态学的开-闭、闭-开运算混合滤波器，选用椭圆形b₁和菱形b₂结构元素，宽度选取信号最大值的1/40到1/10，b₁设置为12，b₂设置为5，对于储能机构电压偏低情况下的部分声音信号的去噪效果如图2所示。

由上图和多组实际信号验证，去噪前后信噪比由13.56dB提高到24.38dB，表明去噪结果比较明显。去噪后声信号的背景噪声明显减少，原始信号细节信息被保留。

1.3声振时标对位

由于声振信号传播速度不同以及传感器安放位置的差异，当断路器开始储能时，采集到的声波会滞后振动信号ΔT，如图3所示。

要想准确判别断路器储能机构故障，必须对同一时刻下的断路器声振信号进行分析比对。峭度作为无量纲参数，对信号冲击特别敏感，可用来检测声振信号包络线的尖峰度。故对声振信号进行希尔伯特变换求取包络，然后将声音振动信号分成N等份，计算每份的峭度，对比每段信号的峭度值，寻找峭度值变化差异明显的信号段从而确定发生越变的时间。峭度计算公式如下：

公式(1)中，E指的是均值；x为声音信号；μ为信号x均值；σ为信号x的标准差。

确定声振信号对应时间段后利用闵氏距离公式，如式(2)所示，即以声音和振动信号包络绝对差值q次幂之和的q次根来判断相似性，找到相似性最高的时刻后，声音起始时刻减去振动起始时刻即为ΔT，将声信号提前ΔT即可实现与振动信号对齐。

公式(2)中，c和d分别为声音、振动信号数据点；n为数据点维数，q为距离调整参数。

1.4重叠式数据扩容

采用有重叠的样本分割可以完整保留相邻样本的相关性，避免样本截断导致的特征丢失，并为构造声振联合特征矩阵提供大量的数据，增加了特征矩阵的维度，为CNN准确的故障诊断奠定基础。

对长度为N的信号x，设置样本长度为L，重叠率为λ，扩容分割方法如下：

(1)求取当前信号长度下最大可分割样本数量：

其中

为向下取整运算符。

(2)求取每个分割样本。第i个样本在原信号的位置表示如下：

x_i＝X[(i-1)×L×(1-λ)+(0:1)×L]，i∈[1,n] (3)

公式(3)中，x_i为分割后的样本数据，扩容示意图如图4所示。

样本分割长度太短可以提高模型收敛速度，节省训练时间，但是易造成非线性特征信息缺失；样本分割长度太长会影响模型收敛速度，影响诊断的实时性。通过实验分析，设定样本长度为1024，λ为0.5。

1.5构造声振联合矩阵

CNN特征矩阵的行和列分别代表采样点对应的值，声振信号的样本数量和参数设定相同。当断路器发生故障时，声振信号的值都会发生变化，以这种复杂多样的声振变化关系反映相应的故障类型，采用皮尔逊积矩相关系数刻画声振信号变化的相关性，相关系数值作为矩阵元素。

皮尔逊积矩相关系数用来衡量两个变量之间变化关系，它与变量的具体值无关，是一个非参数统计量。如果声振信号的均值同时趋向于大于或者小于他们各自均值，则相关系数为正；否则，相关系数为负。计算如下：

公式(4)中，{x_i,i＝1,2,…,n}和{y_i,i＝1,2,…,n}分别表示声音和振动信号采样点的值；x和y为本组样本均值。

皮尔逊系数的范围为[-1,1]，故对其归一化后填入特征矩阵。为了便于观测矩阵元素的值，选取储能弹簧脱落状态下连续采集的40个样本数据计算特征矩阵，画出二维图，如图5所示。

由图5可观测在断路器储能弹簧脱落状态下声振信号变化的相关性，但是从上述二维图无法直接辨识故障类型，此时可借助CNN强大的特征提取和辨识能力进行故障诊断。

2 CNN诊断方法及优化

2.1 CNN诊断原理

CNN作为一种多层神经网络结构，由输入层、卷积层、池化层、全连接层和输出层组成，如图6所示。

卷积层通过卷积核对输入数据进行卷积，利用非线性激活函数构造特征矢量，计算过程如下：

公式(5)中，

代表第l层输入；N_j代表输入特征矢量；l代表第l层网络；k代表卷积核；b代表卷积核的偏置。选择修正线性单元(ReLU)作为非线性激活函数，提高网络稀疏性并抑制过拟合问题。ReLU的计算如下：

公式(6)中，

是

的激活值；

代表卷积运算的输出值。

池化层包含平均池化和最大池化，其变换函数如下所示：

公式(7)中，W为核宽；

为第l层第i个特征中第t个神经元的值；

为第l+1个神经元对应的值。

CNN的输出层对最后一个池化层的输出进行全连接，然后采用Softmax分类器解决多分类问题，模型如下：

O＝f(b_o+f_vw_o) (8)

公式(8)中，b_o为偏差向量；f_v为特征矢量；w_o为权值矩阵。

2.2CNN模型优化

卷积神经网络由于特殊的结构使得其具有很强的泛化能力，但对于断路器而言，储能过程各机械部件按照一定顺序启动、运动和停止而产生一系列冲击波叠加的复合信号，由于各次测量信号变动较大，限制了CNN泛化性能和准确率的提高。

CNN卷积核之间存在相关性，而相关性越小，卷积提取的特征越全面，泛化性和准确率越好。为了提高泛化性和准确率，本文对核函数进行小波分解得到多分辨率小波系数，选取相互正交方向的小波分解系数对卷积核误差修改量处理去除核函数的相关性。与此同时，对每个卷积-池化层之后增加一个LRN来降低模型所需参数较多的影响。LRN层可以模仿生物的“侧抑制”机制，存在响应正反馈机制，归一化响应可以表示为：

公式(9)中，n表示同一空间位置经过邻近映射核数；N为此层总核数；

表示在(x,y)处第i个核的的ReLU非线性神经元输出；k,α,β是验证集超参数，其值分别为2、0.0002和0.5。

训练过程中为了避免发生过拟合现象，在模型全连接层中引入Early-Stopping机制，其系数分别为0.5和0.01，本发明的模型结构如下：

表1 CNN结构表

3实验结果与分析验证

3.1故障模拟和参数设置

选用频率范围1-10kHz的压电式(CK 8605)传感器和频率范围20-20kHz的(WM-025N)拾音器，同时采集断路器储能过程振动和声音信号。其中振动传感器吸附在弹簧振动本体下面的连接固件上，声音传感器置于音源30-50cm处。分别对ZN65-12型号断路器进行储能正常、弹簧锈蚀、机构卡涩和弹簧脱落实验，在不同状态下采集多组声音和振动信号。

断路器储能过程中更换为锈蚀老旧弹簧进行试验模拟弹簧锈蚀，采用木板卡住转轴机构增加阻尼模拟机构卡涩，将断路器弹簧下端的紧固螺丝拧松模拟弹簧脱落故障。现场测试图如图7～图9所示。

CNN卷积层个数为2，参数设置为32@2×2、64@2×2，池化层采用大小为2×2，步长为2的最大池化，两个全连接层的节点设置为256和64，采用Softmax作为分类器进行分类。采用RMSprop优化器，初始学习率设置为0.03，衰减率为0.99；迭代次数50次，对全连接层设置Dropout，其系数为0.5。模型的训练步骤如图10所示。

3.2实验结果

对储能正常、弹簧锈蚀、机构卡涩和弹簧脱落的每类状态采集350组数据，220组数据作为训练，130组数据本作为测试，每组数据包含50000个采样点。对于ZN65-12型号断路器，从按下开关储能电机输出扭矩到储能保持挚子能量保持所需时间为10s，故设置采样频率为40kHz，则断路器一个储能周期可获得400000个点，构成8个96×96的特征矩阵。对本模型进行50次训练，采用最小均方误差(MSE)作为损失函数，公式为：

公式(10)中，

为第i个样本预测值，

为第i个样本分类值。为了对学习到的效果进行验证，利用主成分分析(PCA)提取前两个主成分对倒数第二层(全连接层)的学习特征进行可视化，如图11所示。

由图11可知，模型各状态下的学习特征聚集在相应的区域内(图中圆圈表示聚类中心)，说明模型的区分性很好。

采用Soft-Max作为分类器进行分类，识别效果如图12所示(图形的上半部分指准确率，下面部分指损失值)。

由图12和图13可知，随着训练次数增加，模型识别准确率逐渐上升，在训练35次后趋于稳定，准确率不在提高。与此同时，损失值逐渐下降，此时卷积神经网络的训练效果不断优化。虽然本文设定训练次数50次，但是在迭代40次后准确率不在提高，损失值也相应降为最低，因模型引入Early-Stopping机制，当模型的准确率和损失值不在显著变化时即停止模型的训练，有效的避免了过拟合现象。

经过训练后，模型的诊断结果如表2所示，其中机构卡涩的分类准确率最低为96.9％，弹簧脱落的准确率高达99.2％，求取平均值，模型总的分类准确率达到了98.1％，证明了基于声振联合图像的CNN故障诊断方法可以准确反映储能机构的运行状态。

表2 CNN诊断结果

3.3模型泛化性能验证

由于在实际的断路器监测过程中数据的来源和结构存在差异，需要对同种类型、不同表征的故障数据进行分类。因而，换用ZN63-12型号断路器，采样率由40kHz变成30kHz，换用ZD-530型号的压电式传感器和WM-025N型号的防水拾音器，同时更改传感器安放位置。

为了验证优化模型的泛化能力，使用原模型进行对照，诊断结果如图14所示。

由图14可知，在数据的来源、采集参数设置、传感器位置发生了变化情况下，优化后的CNN模型总体诊断准确率依旧达到了97.3％，远高于未优化的模型，说明优化后的模型对新鲜样本的自适应能力更强，泛化能力更好。

对比本模型与其他模型的泛化能力，针对同样的训练样本，采用EEMD算法对原始信号进行分解，提取特征后采用LSTM、BP和SVM进行诊断，辨识结果如下：

表3不同诊断模型的结果对比

注：准确率1为针对原始数据，准确率2针对变动数据。

由表3可知，传统智能诊断方法在数据结构和来源发生变动的情况下诊断准确率明显降低，其中LSTM最严重，分类准确率下降13％，而CNN模型由于其优良的泛化性能仍然保持了非常高的准确率，仅下降0.6％，本文算法针对来源不同的数据准确率仍高达97.5％，较其他方法提升了17.5％，算法泛化能力以及故障识别准确率均有较大的提升。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种高压断路器储能机构故障诊断方法，其特征在于，其包括如下步骤：

(1)采集断路器储能过程的振动信号和声音信号；

(2)对采集的声音信号进行形态学去噪；

(3)将经形态学去噪后的声音信号与振动信号进行声振时标对位；

(a)对声音信号和振动信号进行希尔伯特变换求取包络，然后将声音振动信号分成N等份，计算每份的峭度，对比每段信号的峭度值，寻找峭度值变化差异明显的信号段从而确定发生越变的时间；

(b)确定声音信号和振动信号对应时间段后利用闵氏距离公式，找到相似性最高的时刻后，声音起始时刻减去振动起始时刻即为ΔT，将声音信号提前ΔT即可实现与振动信号对齐；

(4)对经过步骤(3)处理的数据进行重叠式数据扩容；

(5)将步骤(4)得到的数据构造声振信号的CNN特征矩阵；

CNN特征矩阵的行和列分别代表采样点对应的值，声振信号的样本数量和参数设定相同；采用皮尔逊积矩相关系数刻画声振信号变化的相关性，相关系数值作为矩阵元素；计算如下：

式中，{x_i,i＝1,2,…,n}和{y_i,i＝1,2,…,n}分别表示声音和振动信号采样点的值；

和

为本组样本均值；对皮尔逊系数归一化后填入特征矩阵；

(6)优化CNN模型；

(7)输入优化后的CNN模型辨识储能机构故障。

2.根据权利要求1所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(1)具体为：利用选用频率范围1-10kHz的压电式传感器和频率范围20-20kHz的拾音器，同时采集断路器储能过程中的振动信号和声音信号；其中，振动传感器吸附在高压断路器储能机构的弹簧振动本体下面的连接固件上，声音传感器置于音源30-50cm处。

3.根据权利要求1所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(2)具体为：采用基于形态学的开-闭、闭-开运算混合滤波器对声音信号进行形态学去噪，选用椭圆形b₁和菱形b₂结构元素。

4.根据权利要求1所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(4)具体为：对长度为N的信号x，设置样本长度为L，重叠率为λ，方法如下：

(A)求取当前信号长度下最大可分割样本数量：

其中

为向下取整运算符；

(B)求取每个分割样本；第i个样本在原信号的位置表示如下：

x_i＝X[(i-1)×L×(1-λ)+(0:1)×L]，i∈[1,n]

其中，x_i为分割后的样本数据。

5.根据权利要求1所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(6)具体为：核函数进行小波分解得到多分辨率小波系数，选取相互正交方向的小波分解系数对卷积核误差修改量处理去除核函数的相关性；与此同时，对每个卷积-池化层之后增加一个LRN来降低模型所需参数较多的影响。

6.根据权利要求5所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(6)中，所述LRN层归一化响应表示为：

其中，n表示同一空间位置经过邻近映射核数；N为此层总核数；

表示在(x,y)处第i个核的ReLU非线性神经元输出；k,α,β是验证集超参数。

7.根据权利要求5所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(6)的训练过程中在模型全连接层中引入Early-Stopping机制，其系数分别为0.5和0.01。

8.根据权利要求5所述的一种高压断路器储能机构故障诊断方法，其特征在于，所述步骤(6)中，在高压断路器储能机构正常、弹簧锈蚀、机构卡涩和弹簧脱落状态下采集多组声音信号和振动信号用于模型的训练。

Images