声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法

摘要

本发明公开了一种声振信号构造卷积神经网络(CNN)特征矩阵的断路器储能过程状态辨识方法，该方法包括以下内容：首先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，然后采用Lyapunov指数‑小波模极大值(L‑小波)检测振动信号起始点，对数据进行重叠式数据扩容后，利用皮尔逊相关系数构造声振信号二维特征矩阵。最后利用CNN对特征矩阵进行训练，利用支持向量机(SVM)代替Soft‑Max分类器来对CNN结构进行优化，使用灰狼优化(GWO)寻找SVM最优参数。优化CNN模型对断路器储能过程数据变动较大的情况不敏感，作为一种新的断路器储能过程状态识别方法，大大提高了状态辨识的准确率和泛化性。

说明书

技术领域

本发明涉及电气设备故障诊断技术领域，具体的，涉及一种通过联合声音振动信号构造卷积神经网络(CNN)所需特征矩阵，进而辨识断路器储能过程状态的方法。

背景技术

断路器作为电力系统中重要的控制和保护装置，能否可靠动作直接影响到电力系统的安全稳定，因此断路器运行可靠性对电网的保护与控制至关重要。

目前断路器故障诊断的研究多集中于分合闸过程：利用控制线圈电流、绝缘拉杆位移、振动信号辨识机械故障方面。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，如何发现储能过程发生的故障和其发展变化规律值得深入研究。

已有的断路器故障诊断方法主要以振动信号为主，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。而且声音信号与振动信号属于同源信号，都由断路器的部件振动产生，可以利用两者的同源互补特性，发挥各自优势实现带电监测。但是传统的声振信号联合方法未考虑二者的差异性，机械的将声振信号进行联合，虽然引入了卷积神经网络等深度学习算法，但由于特征信息缺失以及CNN通用结构针对性较差，导致诊断的准确率不够高、泛化性较差。如何发明一种可以端到端自主学习，分类准确，泛化性优良的诊断方法具有重要研究价值。

发明内容

本发明的目的是提供一种提高断路器储能过程状态辨识准确率和泛化性的方法，提取声振信号特征，依靠CNN强大的自学习能力进行特征提取和故障诊断，其中的重点是断路器声振联合特征矩阵的构造和CNN模型的优化。

为实现上述目的，本发明采用了如下技术方案：

声振信号构造CNN特征矩阵的断路器储能过程状态辨识方法，首先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，然后采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点，对数据进行重叠式数据扩容后，利用皮尔逊相关系数构造声振信号二维特征矩阵。最后利用CNN对特征矩阵进行训练，利用支持向量机(SVM)代替Soft-Max分类器来对CNN结构进行优化，使用灰狼优化(GWO)寻找SVM最优参数。优化CNN模型对断路器储能过程数据变动较大的情况不敏感，作为一种新的断路器储能过程状态辨识方法，大大提高了故障辨识的准确率和泛化性。

(1)考虑声振信号的异步性，采用峭度确定发生越变的时间段，进而采用Minkowski公式计算包络相似性，找出相似性最高的时刻再调整时间差最后实现声振时标对位。

(2)实际运行过程中，采用Lyapunov指数-小波模极大值(L-小波)检测振动信号起始点。(由于步骤(1)对声振进行了时标对位，故也相当于检测声信号起始点)

(3)采用有重叠的样本数据扩容提供CNN所需大量数据，增加特征矩阵的维度。

(4)采用皮尔逊积矩相关系数计算声振信号样本的相关系数，归一化后作为矩阵元素构造声振联合特征矩阵。

(5)针对断路器储能特点用SVM代替Soft-Max，同时引入GWO进行参数优化，构造CNN全连接层的GWO-SVM分类器，优化了模型结构。

步骤(1)所述的声振时标对位采用峭度确定发生越变的时间段。峭度作为无量纲参数，对信号冲击特别敏感，故可用来检测声振信号包络线的尖峰度。峭度计算如下：

其中：x为声振包络瞬时值，μ为包络均值，

确定声振信号对应时间段后利用Minkowski公式计算：

其中：a和b为n维声振信号数据点，q为距离调整参数。找到相似性最高的时刻后，声音起始时间减去振动起始时间即为ΔT，将声信号提前ΔT即可实现与振动信号对齐。

步骤(2)所述的L-小波起始点检测法，由于断路器操动过程中各机械部件按照一定顺序启动、运动和停止产生一系列冲击波叠加的振动信号。作为非线性、非平稳时间序列，储能过程振动信号表现出高度的混沌特性，此时Lyapunov指数为正，公式定义如下：

λ即为原动力系统中的Lyapunov指数。若储能未进行，则振动信号主要是振动噪声，其不具有混沌特性，此时求得的Lyapunov指数为负。可通过其数值符号判断是否开始储能，但是其只能确定起始时间段，具体起始时刻可通过小波模极大值来检测，小波变换作为一种变动的时间窗，可以检测幅值突变，计算如下：

对应于小波变换，W

步骤(3)所述的重叠式数据扩容：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：

求得当前信号长度下最大可分割样本数量：

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

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降低模型收敛速度，影响诊断的实时性。故要选择适合的样本长度和重叠率。

步骤(4)所述的构造声振联合特征矩阵：皮尔逊积矩相关系数用来衡量两个变量之间变化关系，他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；若其同时趋向于落在他们均值相反一侧，则相关系数为负。计算公式为：

其中：{x

步骤(5)所述的CNN模型由输入层、卷积层、池化层、全连接层和输出层组成。在每一层都会定义一个权值矩阵与特征矩阵进行卷积，前一层的卷积结果经过激活函数运算会输出成为构造下一层对应的特征的神经元。

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。同一个卷积核在卷积过程中共享参数得到一类特征，计算过程公式为：

其中

其中：

池化层包含平均池化和最大池化，通过池化核对输入数据进行缩放映射实现数据降维和提取特征。其变换函数如下所示：

其中：W为卷积核宽度，

CNN的输出层对最后一个池化层的输出进行全连接，模型如下：

O＝f(b

其中：b

考虑到断路器储能过程中始末位置振动剧烈，储能时间存有差异，导致各次测量信号变动较大，泛化性能受限。本发明方法利用GWO-SVM方法对全连接层特征集进行分类，可以充分利用SVM较强的泛化能力对CNN分类性能进行优化。

GWO作为一种模拟灰狼家族的社会等级制度和家族群体狩猎行为的新的群体智能优化算法，按社会地位从高到低依次定义了4种类型的灰狼分别是α、β、σ和ω，狩猎过程由α狼、β狼和σ狼负责引导，ω狼负责对猎物进行跟踪围捕，模型如下：

式中：t代表当前的迭代次数；X

式中：a为收敛因子，满足a∈[0，2]；r

附图说明

图1是断路器储能过程状态辨识流程图

图2是断路器振动超前声信号示意图示意图

图3是重叠式数据扩容示意图

图4是声振联合特征矩阵二维图

图5是GWO-SVM算法流程图

图6是GWO曲线收敛示意图

图7是CNN模型诊断示意图

具体实施方式

以ZN65-12型断路器为例，储能过程状态辨识流程见图1。本发明的具体实施方式如下：

第1步，储能弹簧底座安放磁吸式VB-Z9500AN振动传感器，距离音源0.5米处安放WM-025N拾音器，拾音器与12V直流稳压电源连接。声振传感器通过航空插头与采集监测平台相连。采集正常状态、电压偏高、电压偏低、机构卡涩、弹簧脱落五种状态下的声振信号，采样率设置50kHz。

第2步，对振动信号进行依次分割，设置分割长度为300。针对每段数据，采用小数据量方法顺序计算各段Lyapunov指数，对振动信号进行相空间重构，寻找相空间中各轨道最近邻点，根据每个点的平均发散速率估算出最大Lyapunov指数，经过循环迭代和取对数后，经最小二乘法拟合得到最终值。根据其正负符号可确定起始时间段。然后取起始时间段的信号进行小波多尺度变换，从高尺度向低尺度进行搜索，利用adhoc算法搜索模极大值线，将最小尺度上的模极大值点作为奇异点。检验条件p

第3步，首先将声音振动信号分成N等份，计算每份信号包络的峭度，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；然后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，如下式所示：

q取值为2，即刻画的欧式距离。最后找到相似性最高时刻后调整ΔT即可实现声振时标对位，示意图见图2。

第4步，采用重叠式样本数据扩容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，同时增加矩阵的维度。扩容示意图见图3所示。通过方法验证，设定样本长度为1024，重叠率λ为0.5。

第5步，构造声振联合矩阵依据如下公式计算：

其中声振信号分别作为矩阵的行和列，依据上式计算声振信号对应样本的相关系数组成CNN特征矩阵元素。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不超过10s，故设定单次信号采集时间为10s。每种状态采集350组数据，每组包含50000个采样点，由第4步的扩容采样参数设置及步骤(3)的计算公式可知，每组采样点构成了一个96×96的CNN特征矩阵。选取储能电压偏高状态下连续采集的40个样本数据计算特征矩阵，画出二维示意图，见图4。

第6步，CNN模型包括结构及参数如下：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。CNN的输出层使用GWO-SVM进行分类，使用核函数代替代价函数，在高维空间寻找最优超平面。模型结构如下：

表1 CNN结构表

CNN诊断环境，模型采用软件为Python与Tensorflow；操作系统为Windows10，处理器为Intel(R)Core(TM)i7-6850KCPU，配备Nvidia Titan Xp GPU加速，运行内存为8GB。

GWO-SVM算法流程如图5所示，迭代次数设为100，GWO算法收敛过程如图6所示。

获得CNN优化模型后，下面开始进行状态辨识。对于第1步提到的状态类型，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，模型的诊断示意图见图7所示。随着训练次数的增加，模型的识别准确率逐渐上升，损失值逐渐下降，准确率不在提高。

针对实际的断路器监测过程中数据的来源和结构差异，对本模型泛化能力进行验证：换用ZN65-12型号的真空断路器，采样率由40kHz变成30kHz，换用ZD-530型号的压电式传感器和TONY-A2型号的防水拾音器，同时更改传感器安放位置。