基于神經(jīng)網(wǎng)絡(luò)的真空斷路器狀態(tài)診斷

龐吉年 王洪寅 周福舉 花 俊 徐琛苑

（1、國網(wǎng)江蘇省電力有限公司宿遷供電分公司，江蘇 宿遷223800 2、南京寧匯智能科技有限公司，江蘇 南京210039 3、南京理工大學(xué)，江蘇 南京210094）

真空斷路器作為電力系統(tǒng)的開關(guān)以及保護設(shè)備，具有體積小、噪聲低、可靠性高等優(yōu)點。在電力系統(tǒng)發(fā)生局部故障時，一旦發(fā)生由于斷路器故障而導(dǎo)致不能及時隔離局部故障，極有可能擴大停電范圍，造成嚴(yán)重的經(jīng)濟損失。根據(jù)資料顯示，由斷路器控制回路和操動機構(gòu)等方面的問題引起的機械故障，占全部故障的70%～80%[1]。所以，根據(jù)機械振動信號來判斷斷路器的機械故障，對于斷路器的狀態(tài)檢修具有重大的意義。

目前針對斷路器的故障診斷研究工作在國內(nèi)外相繼展開，尤其是神經(jīng)網(wǎng)絡(luò)越來越多被應(yīng)用到高壓斷路器的故障診斷當(dāng)中。例如深度神經(jīng)網(wǎng)絡(luò)（DNN）[2]、BP 神經(jīng)網(wǎng)絡(luò)[3]、徑向基函數(shù)網(wǎng)絡(luò)（RBF）[4]、自組織映射網(wǎng)絡(luò)（SOM）[5]等。而DNN 每次輸入都要對所有權(quán)值進行修正，全局用它可能無法滿足實時性要求[6]；BP 神經(jīng)網(wǎng)絡(luò)用于全局可能影響收斂速度，以及易陷于局部極小值[7]；RBF 不能完全地識別出故障類型[8]；SOM采用無監(jiān)督學(xué)習(xí)規(guī)則，缺乏分類信息[9]。所以針對上述問題進行進一步的研究，提出了一種深度神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的方案，能夠更準(zhǔn)確可靠地對高壓斷路器的各類常見故障進行診斷。

首先通過小波包變換對采集到的斷路器振動信號進行處理，并引入能量熵的概念，利用小波包系數(shù)獲得信號在各個頻帶的能量分布，獲得每一種狀態(tài)下振動信號的特征向量[10]。然后通過獲得的特征向量訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，對故障狀態(tài)與正常狀態(tài)進行一次分類。再充分利用BP 神經(jīng)網(wǎng)絡(luò)的非線性映射擬合的優(yōu)勢，利用故障狀態(tài)的特征向量訓(xùn)練BP 網(wǎng)絡(luò)，并把診斷過程獲得的新的特征向量當(dāng)作已經(jīng)學(xué)習(xí)過的BP 網(wǎng)絡(luò)的輸入，這樣BP 網(wǎng)絡(luò)會根據(jù)學(xué)習(xí)后所保存的非線性關(guān)系，將輸入BP 神經(jīng)網(wǎng)絡(luò)的特征向量進行區(qū)分，最終輸出其所對應(yīng)的真空斷路器狀態(tài)。

1 訓(xùn)練樣本的構(gòu)造

斷路器操動機構(gòu)在斷路器進行開合的過程中起著十分重要的作用，許多斷路器的機械故障都與操動機構(gòu)部分有關(guān)[11]。研究的真空斷路器采用彈簧作為動力的操動機構(gòu)，其結(jié)構(gòu)簡化模型如圖1 所示。

圖1 斷路器的結(jié)構(gòu)簡化模型圖

1.1 振動信號采集

斷路器在分合閘的操作過程中，其操動機構(gòu)伴隨著一系列的沖擊過程，通過在斷路器上安裝加速度傳感器可以采集到這個過程中產(chǎn)生的加速度波形信號。選擇IEPE 加速度傳感器的CA-YD-181 定制型，靈敏度為1mv/g，頻響范圍為5～10kHz，測量范圍為5000g。具體的采集流程如圖2 所示。

圖2 振動信號采集流程圖

1.2 振動信號處理

1.2.1 小波包變換

小波包變換技術(shù)是一種比小波變換更加精細的時頻分析方法，它能較好地表達振動信號的局部特征[12]。因此，采用小波包變換技術(shù)來提取采集到的真空斷路器振動信號的特征向量[13]。考慮到小波包的尺度數(shù)，直接選用了db4 小波。圖3 為選用Matlab 小波工具箱中的db4 小波對采集到的振動信號進行4 層分解后得到的示意圖。

1.2.2 利用能量熵獲取特征向量

真空斷路器產(chǎn)生的振動信號，在故障狀態(tài)相對于正常狀態(tài)的變化會反應(yīng)到頻帶內(nèi)信號的能量上，所以通過分析各頻率信號的能量變化可以發(fā)現(xiàn)一些故障信息[14]。信息熵能夠度量數(shù)據(jù)的復(fù)雜度，因而常被用來對小波包分解后的數(shù)據(jù)序列進行量化表達[15]。為了反應(yīng)斷路器的機械狀態(tài)，將能量熵作為特征向量，并且建立以其為元素的樣本空間。

圖3 4 層分解示意圖

2 深度神經(jīng)網(wǎng)絡(luò)故障識別

2.1 DNN 原理與基本結(jié)構(gòu)

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNN）可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)，又被稱為深度前饋網(wǎng)絡(luò)（DFN），多層感知機（Multi-Layer perceptron, MLP）?；镜腄NN 結(jié)構(gòu)圖如圖4所示：

圖4 DNN 基本結(jié)構(gòu)圖

按照不同層位置的劃分，DNN 內(nèi)部的神經(jīng)網(wǎng)絡(luò)層可以分為：輸入層、隱藏層和輸出層。

2.2 深度神經(jīng)網(wǎng)絡(luò)模型搭建

要利用深度神經(jīng)網(wǎng)絡(luò)（DNN）模型對正常狀態(tài)與故障狀態(tài)進行一次分類，計算步驟如下：

（1）定義網(wǎng)絡(luò)結(jié)構(gòu)；

（2）初始化模型參數(shù)；

（3）循環(huán)計算：前向傳播/計算當(dāng)前損失/反向傳播/權(quán)值更新。

3 BP 神經(jīng)網(wǎng)絡(luò)故障類型診斷

3.1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與工作原理

BP 神經(jīng)網(wǎng)絡(luò)又被稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)[16]。如圖6 為一個標(biāo)準(zhǔn)的BP 網(wǎng)絡(luò)結(jié)構(gòu)示意圖，其中包含了輸入層、隱含層以及輸出層。

圖5 計算流程圖

圖6 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3.2 算法實現(xiàn)

具體實現(xiàn)過程如下：

（1）輸入N 個學(xué)習(xí)樣本（Xk，Yk*），k=1，2，…，N；（2）構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

（3）設(shè)置誤差限定值ε，最大迭代數(shù)Tmax，學(xué)習(xí)率η 以及沖量系數(shù)β，最開始的迭代次數(shù)t=1，訓(xùn)練數(shù)據(jù)序列k=1；

（4）取第k 個學(xué)習(xí)樣本；

（5）由Xk進行信號正向傳播計算，依次計算每一個網(wǎng)絡(luò)層各個節(jié)點的輸入與輸出；

（6）算出BP 網(wǎng)絡(luò)輸出層各節(jié)點的誤差；

（7）如果對N 個訓(xùn)練數(shù)據(jù)的任一數(shù)據(jù)序列K 值使得Ejk≤ε，j=1，2，…，m 或者t＞Tmax，則訓(xùn)練結(jié)束；

不滿足則將誤差按網(wǎng)絡(luò)進行反向傳播，通過這樣來對權(quán)值矩陣做修改；

（8）誤差反向傳播計算；

（9）k=k+1，t=t+1 跳轉(zhuǎn)步驟（4）。

4 MATLAB 軟件仿真與結(jié)果分析

4.1 采用深度神經(jīng)網(wǎng)絡(luò)與BP 網(wǎng)絡(luò)結(jié)合的診斷方法的MATLAB 軟件仿真

選取斷路器各種狀態(tài)下的180 組特征相量，其中120 組用于訓(xùn)練，其余60 組用于測試。對應(yīng)的目標(biāo)向量為一個二元向量，元素分別取值0 或者1，分別表示斷路器的兩種狀態(tài)，對應(yīng)關(guān)系如表1。

表1 真空斷路器的狀態(tài)與目標(biāo)向量對應(yīng)關(guān)系

經(jīng)過深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測試以后，最終錯誤率在20%以內(nèi)，滿足要求。

再選取經(jīng)過深度神經(jīng)網(wǎng)絡(luò)一次分類以后的故障狀態(tài)下的150 組特征向量，其中100 組用于訓(xùn)練，50 組用于測試。對應(yīng)的目標(biāo)向量為一個五元向量，元素分別取值0 或者1，分別表示斷路器的5 種狀態(tài)，對應(yīng)關(guān)系如表2。

表2 真空斷路器的狀態(tài)與目標(biāo)向量對應(yīng)關(guān)系

現(xiàn)取每種狀態(tài)下30 組特征向量的前20 組，共計100 組特征向量用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練。再利用訓(xùn)練過的BP 神經(jīng)網(wǎng)絡(luò)，對輸入數(shù)據(jù)進行模式識別，選取每種狀態(tài)下30 組特征向量的后10 組，共計50 組進行驗證。結(jié)果如圖7 所示，最終正確率為92.0%。

圖7 BP 神經(jīng)網(wǎng)絡(luò)結(jié)果驗證圖

4.2 只采用BP 網(wǎng)絡(luò)診斷的MATLAB 軟件仿真

選取斷路器各個狀況下總計180 組數(shù)據(jù)，其中120 組用于用于測試。對應(yīng)的目標(biāo)向量為一個六元向量，元素分別取值0或者1，分別表示斷路器的6 種狀態(tài)，對應(yīng)關(guān)系如表3。

同樣構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)，并取每種狀態(tài)下30 組特征向量的前20 組，共計120 組特征向量用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練。再利用訓(xùn)練過的BP 神經(jīng)網(wǎng)絡(luò)，對輸入數(shù)據(jù)進行模式識別，選取每種狀態(tài)下30 組特征向量的后10 組，共計60 組進行驗證，得到的結(jié)果如混淆矩陣圖8，可以看到正確率為90.0%。

表3 真空斷路器的狀態(tài)與目標(biāo)向量對應(yīng)關(guān)系

圖8 BP 神經(jīng)網(wǎng)絡(luò)結(jié)果驗證圖

4.3 結(jié)果對比與分析

對比兩種方案的實驗結(jié)果，采用深度神經(jīng)網(wǎng)絡(luò)進行一次分類的正確率達到了92%，高于直接使用BP 的90%。并且迭代次數(shù)只用BP 為200 次，多于深度神經(jīng)網(wǎng)絡(luò)與BP 結(jié)合的次數(shù)61次，說明直接使用BP 的學(xué)習(xí)速率較慢。

直接使用BP 神經(jīng)網(wǎng)絡(luò)可能存在以下問題：

（1）BP 算法為一種局部搜索的優(yōu)化方法，因此算法很有可能陷入局部極值。

（2）從問題中選取典型樣本實例組成訓(xùn)練集是一個相對困難的問題。

（3）難以解決應(yīng)用問題的實例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。

（4）網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗選定。

所以通過使用深度神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷方法可以彌補直接使用BP 進行識別存在的不足，達到更好的診斷效果。

5 結(jié)論

提出了一種深度神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的真空斷路器故障診斷方法。通過加速度傳感器采集斷路器振動信號，采用小波包- 能量熵從振動信號中提取特征向量，再用特征相量訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)對正常狀態(tài)與故障狀態(tài)一次分類，最后用BP 神經(jīng)網(wǎng)絡(luò)對具體故障類型分類得出診斷結(jié)果。

結(jié)合具體算例進行了驗證，直接用BP 神經(jīng)網(wǎng)絡(luò)對斷路器狀態(tài)進行診斷的正確率為90%，迭代次數(shù)為200 次；先用深度神經(jīng)網(wǎng)絡(luò)一次分類再用BP 具體分類的正確率達到了92%，BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)61 次。結(jié)果表明采用深度神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合診斷的方法能夠更加快速準(zhǔn)確地得到診斷結(jié)果。