卷积基于小波时频图和卷积神经网络对断路器故障的诊断方法研究

基于小波时频图和卷积神经网络对断路器故障的诊断方法研究

在电力系统中,高压断路器发挥着控制与保护电网设备安全运行的重要作用,其性能的优劣将直接影响电力系统运行的可靠性,而断路器性能的可靠性在很大程度上取决于其机械操动系统的可靠性[1]。断路器操动机构振动信号可以反映出操动机构螺丝松动,铁心卡涩等故障问题[2,3]。振动信号具有明显的非线性、非平稳特性,对其信号特征的提取,已有大量的研究。文献[4]提出EMD(EmpiricalModeDecomposition)方法分解断路器非平稳动态性质的机械振动信号,并结合SVM(SupportVectorMachine)进行故障分类。文献[5]提出了改进EEMD(EnsembleEmpiricalModeDecomposition)方法应用于处理高压断路器振声融合的非线性、非平稳信号,结果同样证明了方案的可行性。

深度学习在提取特征的准确率相比传统方法具有明显优势。深度学习已被广泛应用于图像识别[6]、语音识别[7]、人脸识别[8]等领域。近年来,基于卷积神经网络的故障诊断成为一大研究热点。文献[9]提出基于卷积神经网络训练电机短时傅里叶变化(Short-

TimeFourierTransform,STFT)后的故障振动信号时频图,准确实现了对电机故障的诊断。文献[10]同样提出了基于卷积神经网络训练滚动轴承振动信号STFT后的时频图,准确实现了对滚动轴承故障的诊断。基于时频图的卷积神经网络在振动信号故障诊断的领域有所建树,归功于卷积神经网络强大的图像特征识别功能。

常用的深度学习模型有循环神经网络(RecurrentNeuralNetwork,RNN)、 LSTM(LongShort-TermMemory)、卷积神经网络(ConvolutionalNeuralNetwork,CNN)和自编码器。 RNN与LSTM常用于处理动态有序的问题,重点研究数据之间前后关联信息的关系,具有“记忆”功能[11],常用于语音分析、时间序列分析、文字分析、股票走势分析等。 自编码器是一种数据压缩的算法,当前主要应用于图像的降噪和可视化降维,其建立好的编码器模型不适用在其他对象,即不同类型的自编码器原理不同,结构不一,不具有任务针对性,效率和准确率也迥然不同[12],在实际应用中,往往会因为样本过少,甚至错误样本,影响效果精确度。而基于AlexNet模型为代表的CNN具有良好的迁移学习功能,成功应用于文献[13]的甲状腺结节钙化点的研究中、文献[14]的人脸检测研究中。

综合上述现状,基于断路器振动信号的故障诊断的传统算法以及其改进算法的研究很多,针对其他对象的振动信号时频图结合卷积神经网络的故障诊断也颇有建树,然而在断路器振动信号上应用深度学习模型的研究尚且滞后于其他应用领域。因此,本文提出了基于小波时频图和AlexNet模型的卷积神经网络的断路器故障诊断的研究。本文首先采用连续小波变换

[15]对断路器操动机构振动信号进行时频图转化,采用AlexNet模型对其时频图进行特征训练,不断调整网络参数结构,改进网络模型。最后,与基于小波包频带能量-

RBF(RadicalBasisFunction)和基于小波包频带能量-SVM的故障识别进行对比,验证此方法对操动机构工作状态辨识与诊断的正确性。

1、断路器操动机构动作过程

本文以10 kV弹簧操动机构的断路器为研究对象,分别分析操动机构分闸操作、合闸操作以及储能操作的动作过程。

(1)分闸操作

由图1图2是一个动态过程,当分闸线圈接收到通电信号,将带动分闸触发器顺时针旋转并解扣分闸保持掣子,使之也以顺时针旋转并释放主拐臂上的轴销A。分闸弹簧力推动主拐臂逆时针旋转促使分闸操作实现。

图1合闸位置(合闸弹簧储能)

图2分闸位置(合闸弹簧储能)

(2)合闸操作

由图2图3是一个动态过程,当合闸线圈接收到通电信号,将带动合闸触发器顺时针旋转并解扣合闸弹簧储能保持掣子,使之逆时针方向旋转并释放棘轮上的轴销B。合闸弹簧力推动棘轮并带动凸轮轴逆时针旋转,进而带动主拐臂顺时针旋转,从而完成合闸操作。在合闸操作的过程中,同时压缩分闸弹簧,使之储能。主拐臂顺时针旋转至行程末端时,轴销A将被分闸保持掣子和分闸触发器锁住,断路器维持在合闸状态[16]。

(3)合闸弹簧储能操作

图3为断路器合闸状态示意图,此时合闸弹簧释放。 当合闸操作完成后,凸轮板触发限位开关闭合,储能电机得电启动。储能电机带动锥齿轮、偏心轮,进而带动棘轮逆时针转动,压缩合闸弹簧使之储能,最后由合闸弹簧储能保持掣子将其锁定。 凸轮板再次触发限位开关,储能电机断电,合闸弹簧停止储能,恢复至图1状态。

图3合闸位置(合闸弹簧释放)

综上可知,分闸操作、合闸操作以及储能操作都涉及到机械联动撞击的过程。操动机构一次正常的分合闸过程是伴随着规律性的振动的产生。因此,对断路器操动机构振动信号的研究可间接获悉操动机构的工作状态情况。

2、连续小波变换

小波变化的基本思想与Fourier变换类似,同样利用一族函数来表示信号,这一族函数称为小波函数系。设函数ψ∈L2(R)∩L1(R),并且ψˆ(0)=0,由ψ经伸缩和平移得到一族函数ψa,b(t)=|a|−1/2ψ(t−ba),a,b∈R,a≠0(1)

式中: {ψa,b}为分析小波或者连续小波;ψ为母小波或者基本小波;a为改变小波形状的伸缩因子;b为小波位移的平移因子。

对于任意的函数f(t)∈L2(R)的连续小波变换为[17]

Wf(a,b)=⟨f,ψa,b⟩=|a|−1/2∫Rf(t)ψ(t−b a)¯¯¯¯¯¯¯¯¯¯¯dt (2)

式中:ψ(t)¯¯¯¯¯¯为ψ(t)的复共轭;符号〈f,ψa,b〉为两者的内积,得数Wf(a,b)表示尺度为a、位置偏移为b的小波函数的系数,表征该小波函数与原信号相似度。其中,a和b都是连续变量,因此称为连续小波变换。

本文提出的利用连续小波变换,将振动信号变换生成为时频图的算法步骤为

步骤1设a为尺度(伸缩因子),fs为采样频率,Fc为小波中心频率,则a对应的实际频率Fa为Fa=Fc×fs/a(3)

步骤2由式(3)可知,为使转换后的频率序列是一等差序列,尺度序列必须取以下形式c/totalscal,…,c/(totalscal-1),c/4,c/2,c(4)

式中:totalscal为对信号进行小波变换时所用尺度序列的长度(本文预先设定为256);c为常数。

步骤3由式(3)可知,尺度c/totalscal所对应的实际频率应为fs/2,于是可得c=2×Fc×totalscal(5)

将式(5)代入式(4)便得到所需的尺度序列t。

步骤4确定小波基和尺度后,运用式(2)连续小波变换原理求出小波系数Wf(a,b),然后依据式

(3)原理将尺度序列转换为实际频率序列f,最后结合时间序列t,即可绘制小波时频图,获取特征信息。

3、卷积神经网络

卷积神经网络已经成当前图像理解领域的研究热点[18]。 CNN包含输入层、隐藏层、全连接层组成。隐藏层由卷积层和下采样层交替组成,全连接层和输出层构成分类器,分类器可以是逻辑回归、 softmax回归或者SVM[19]。

AlexNet是深度神经网络模型中的一员,本文采用AlexNet卷积神经网络模型[20],其模型结构示意图如图4所示。它由输入层、 5个卷积层(C1C5)、 3个池化层(S1S3),3个全连接层(FC6FC8)构成。

图4AlexNet卷积神经网络结构

在AlexNet模型中,为了得到最优的权值,需对模型创建代价损失函数,然后选择合适的优化算法得到最小的函数损失值[21]。梯度下降算法是深度学习中使用非常广泛的优化算法,几乎当前每一个深度学习库都包含梯度下降算法的不同变种形式,因此梯度下降法中参数的研究具有普遍意义。 AlexNet模型中运用的是随机梯度下降法

(StochasticGradientDescent,SGD),因此本文将着重研究其涉及的两个相关参数。

假设待拟合函数为h(θ)=θ1x1+θ2x2(6)

假设损失函数式为

J(θ)=12 m∑j=1 m[hθ(xi)−yi]2(7)

式中:J(θ)为损失函数;m为整个迭代的总次数。在SGD批处理中的m代表每批抽取样本j作为训练样本的次数;θ为参数,对应式(8)的θ1和θ2,在AlexNet中即对应权值,求出参数θ即可求出h(θ);xi为每批样本中的样本值;yi为每批样本中的预测目标值。 j的大小设置将影响到内存利用率,如果设置过小,则训练数据很难收敛;适当增大j值会提高数据处理内存效率会提升,但也不宜过大,否则所需内存容量会增加导致数据处理速度下降。

计算目标是使损失函数J(θ)值最小,根据梯度下降法,用J(θ)对θ求偏导

σJ(θ)σθj=212 m∑i=1 m[hθ(xi)−yi]xij=1 m∑j=1 m[hθ(xi)−yi]xij (8)参数θ按其负梯度方向更新

θ′=θj−σJ(θ)σθj=θj−α1 m∑mi=1(yi−hθ(xi))xij (9)

式中:θ′为更新后参数;α为步长(学习率);α的大小设置至关重要,如果设置过小则需要多次迭代才能找到最优权值且会降低网络的收敛速度;如果过大,则训练速度会加快,但同时可能跳过最优权值。

4、基于小波时频图和卷积神经网络的故障诊断方法及实例分析

4.1数据来源

本实验所用操动机构振动信号数据来源于对一台10 kV弹簧操动机构断路器的模拟实验。采用L0102T型压电加速度传感器分别进行了6种操动机构运行状态的模拟试验,包括正常工作状态、一合就分故障状态、弹跳故障状态、储能机构卡涩故障状态、分闸线圈烧毁故障状态以及线圈卡涩故障状态。每种运行状态的模拟试验,采集振动信号测试1000余次,形成6000多组样本数据。

4.2特征图预处理步骤

图5为AlexNet模型输入特征图预处理流程示意图,其包括:

步骤1应用上述连续小波方法将振动信号变换生成时频图;

步骤2去除时频谱图周边的坐标、文字、能量条和空白部分;

步骤3AlexNet卷积神经网络输入层样本图片要求为227×227×3的像元格式[22],因此必须对时频图进行网格规范化压缩处理。

4.3振动信号与故障间的关系分析

每一种故障对应于某种特殊的振动信号波形,因此也对应于特定的时频图。经过大量的实验,初步探究振动信号与故障间的关系,有利于选取有效的训练样本,初步排除由于人为的因素而导致采集信号的错误。振动信号与状态对应关系,如图6所示。

图5AlexNet模型输入特征图预处理流程示意图

图6振动信号与状态对应关系初步分析

根据图6初步筛选所采集的振动信号,操动机构每种工作状态保留950组样本。

4.4卷积神经网络初始化参数配置

AlexNet卷积神经网络模型预测精度的影响因素很多,其中主要因素有初始学习率InitialLearnRate、卷积核个数和大小、一次(批)用于测试的样本大小batchsize以及droput层的dropoutratio参数。本文默认采用matlab平台的AlexNet模型卷积核函数和大小,输出层FC8阶段的分类数修改成6(6类状态类型);为了加强学习,该学习率设置比较大,权值系数‘WeightLearnRateFactor’设置为20,偏置系数‘BiasLearnRateFactor’设置为20[23];AlexNet模型的CNN运用的SGD,其关键因素在于一次(批)用于测试的样本大小‘batchsize’(式(7)中的j)和初始学习率‘InitialLearnRate’(式(9)中α)。 ‘batchsize’将影响计算机内存利用率以及训练震荡,‘InitialLearnRate’会影响权值调整和误差收敛。因此本文将重点对这两个参数进行调参操作,获取最为理想的卷积网络模型。

4.5实验结果与分析

4.5.1样本配置

将每种状态的950组中的665组作为训练集,285组样本作为测试集,故障类别进行标签配置。配置情况如表1所示。

表1数据、标签配置情况

4.5.2微调网络参数改进网络结构

训练卷积神经网络运用的随机梯度下降法,其‘batchsize’影响计算机内存利用率以及训练震荡。本文设置不同的 ‘batchsize’来训练AlexNet卷积神经网络,通过实验结果来选择比较适合的 ‘batchsize’。其实验结果如图7所示。

‘batchsize’过大或者过小的变化对AlexNet训练、测试的精度都会造成影响。实验结果表明,当 ‘batchsize’值大于19或者低于10的时候,精确度都有下降趋势;当 ‘batchsize’设置为14时,AlexNet网络精度最高,损失值最低。

训练卷积神经网络运用的随机梯度下降法,其‘InitialLearnRate'会影响权值调整和误差收敛。本文设置不同的学习率来训练AlexNet卷积神经网络,通过实验结果来选择比较适合的学习率。 ‘batchsize’设置为14。其实验结果如图8所示。

图7不同 ‘batchsize’对AlexNet训练的不同结果

图8不同初始学习率对AlexNet训练的不同结果

初始学习率过大或者过小的变化对AlexNet训练、测试的精度都会造成影响。实验结果表明,当学习率小于0.00003或者大于0.002时有,loss值有上升趋势。 当学习率设置为0.00030.00013内,AlexNet网络精度高损失值最低。

4.5.3小波频带能量-RBF、 SVM与CNN识别结果对比

小波频带能量累加法主要利用小波将信号中不同分量无冗余、无疏漏、正交地分解到独立的频带内,根据各频带内能量变化来判断系统运行状况。

具体方法步骤:

步骤1小波分解:将振动信号进行4层小波分解,得到高频信号的小波系数S1、低频小波系数S2、 S3、 S4、 S5。

步骤2计算频带能量:将分解得到的5个频带信号的小波系数平方后求和,再进行归一化得到E1、 E2、 E3、 E4、 E5,作为信号特征参数。

训练样本配置见表1。计算小波频带能量累加参数,如表2所示。

AlexNet卷积神经网络‘batchsize’设置为14,‘InitialLearnRate’设置为0.0005,输出层FC8阶段的分类数设置为6(6类状态类型);权值系数设置为20,偏置系数设置为20。样本配置见表1。

AlexNet的6种操动机构状态类型整体测试过程,如图9所示。小波频带能量-RBF、小波频带能量-SVM与CNN识别结果对比,如表3所示。

实验以小波分解的频带能量值作为特征量,结合RBF、 SVM算法分别训练分类器来实现故障诊断。实验中从时域信号和频域信号提取特征,能够较为全面地反映出断路器操动机构状态特征信息,因此小波频带-RBF和小波频带-SVM这两种方法能够高精确度地实现了断路器操动机构故障诊断,故障辨识精确度分别达到92.8%和95.8%。通过基于AlexNet卷积神经网络监督的参数调整,虽然每次训练模型的时间长(约为50min),但在用于测试1710个样本上所花的时间仅为85.92s,精确度达到99.94%,准确率明显优于小波频带能量-RBF、小波频带能量-SVM。

表2小波频带能量累加参数表(每种工况列举3组)

图96类状态类型整体测试过程

表3小波频带-RBF、小波频带-SVM和CNN卷积神经网络测试结果精度对比

5、结论

(1)本文基于小波分解将断路器操动机构工作振动信号转换为时频图谱,采用AlexNet卷积神经网络模型,通过不断对振动信号时频图进行训练,对其网络参数进行微调研究,不断提高辨识精确度,最终确定了针对于断路器操动机构诊断的AlexNet卷积神经网络模型。

(2)通过与小波频带-RBF和小波频带-SVM进行测试对比,实验结果证实了基于小波时频图和卷积神经网络的断路器故障诊断辨识方案的可行性。

(3)接着将进行AlexNet模型其他相关参数的微调工作的研究,以及并行微调多个参数的工作,建立更为精确的故障辨识模型。

参考文献

[1]张永奎,赵智忠,冯旭,等.基于分合闸线圈电流信号的高压断路器机械故障诊断[J].高压电器,2013,49(2):37-41.

[2]**飞,周文俊,曾国,等.高压断路器合闸弹簧动态特性及储能状态检测方法[J].电工技术学报,2016,31(3):104-112.

[4]孙一航,武建文,廉世军,等.结合经验模态分解能量总量法的断路器振动信号特征向量提取[J].电工技术学报,2014,29(3):228-236.

[5]张佩,赵书涛,申路,等.基于改进EEMD的高压断路器振声联合故障诊断方法[J].电力系统保护与控制,2014,42(8):77-81.

[6]常亮,邓小名,周明全,等.图像理解中的卷积神经网络[J].自动化学报,2016,42(9):1300-

1312.

[9]王丽华,谢阳阳,周子贤,等.基于卷积神经网络的异步电机故障诊断[J].振动测试与诊断,2017,37(6):1208-1215.

[10]郑炳集,熊邦书,欧巧凤,等.基于时频图和CNN的滚动轴承故障诊断[J].南昌航空大学学报(自然科学版),2018,32(2):86-91.

[11]李泽龙,杨春节,刘文辉,等.基于LSTM-RNN模型的铁水硅含量预测[J].化工学

报,2018,69(3):992-997.

[13]左东奇,韩霖,陈科,等.基于卷积神经网络提取超声图像甲状腺结节钙化点的研究[J].生物医学工程学杂志,2018,35(5):679-687.

[14]罗明柱,肖业伟.全卷积神经网络的多尺度人脸检测的研究[J].计算机工程与应

用,2018,11:1-7.

[16]张浩,赵莉华,景伟,等.高压断路器弹簧机构电磁铁部分动态数学模型研究[J].高压电器,2016,52(7):110-115.

[17]袁建虎,韩涛,唐建,等.基于小波时频和CNN的滚动轴承智能故障诊断方法[J].机械设计与研究,2017,33(2):93-97.

[18]卢伟,胡海阳,王家鹏,等.基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测[J].农业工程学报,2018,34(7):192-199.

[21]王功鹏,段萌,牛常勇.基于卷积神经网络的随机梯度下降算法[J].计算机工程与设计,2018,39(2):441-445.

[22]党宇,张继贤,邓喀中,等.基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J].地球信息科学,2017,19(11):1530-1537.

[23]周敬一,郭燕,丁友东.基于深度学习的中文影评情感分析[J].上海大学学报(自然科学版),2018,24(5):703-712.

鄢仁武,林穿,高硕勋,罗家满,李天建,夏正邦.基于小波时频图和卷积神经网络的断路器故障诊断分析[J].振动与冲击,2020,39(10):198-205.