多尺度卷积神经网络高压断路器故障诊断方法

李少鹏

（华北电力大学，河北 保定 071003）

高压断路器是电力系统中重要的设备，起到控制和保护电网的作用，在电网正常运行或异常事件发生时，及时安全地接通或者切断载荷。高压断路器可靠运行是电网可靠稳定的重要前提与基础，一旦高压断路器发生故障可造成巨大的经济损失和社会影响[1-2]。目前，高压断路器的检修模式仍为定期巡检与事故后维修，其检修缺乏明确目标，并且在检修过程中可能会由于整体拆卸与装配造成特性差异导致严重后果，所以有必要对其动作特性进行分析。根据国内外可靠性统计分析表明高压断路器故障中的80%以上都是由于机械性能和电气控制回路所导致的[3-4]。

高压断路器操作机构振动信号为非周期非平稳信号，首先通过对其进行信号降噪、平滑和分解等预处理，然后通过小波变换、能量熵或经验模态分解等方式进行特征提取，最后通过反向传播（BP）神经网络或支持向量机（SVM）等方式对特征进行分析后将故障分类输出结果，对检修提出意见。然而，模式分类等机器学习方法具有需要人工提取特征、易于陷入局部最优解、对函数表达有限等缺点。

深度学习被广泛应用在图像识别、自然语言识别等领域，文献[5]通过分析振动信号的小波时频图对故障进行分类。一维振动信号转化为二维形式时会丢失故障信息，对结果造成影响。

针对上述问题，并根据高压断路器一维振动信号特点，本文提出一种多尺度卷积神经网络故障诊断方法，构建不同尺度的卷积核，宽距感知特征后选取Top-K 个特征，将其合并，最后输出分类结果。通过数据集对网络进行参数调整，得到最优模型，提高了高压断路器故障诊断精度。

1 多尺度卷积神经网络

1.1 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN）[6]由多层感知器构成，在不对原始数据进行预处理的情况下，即可得到输出。通常由输入层、隐层和输出层构成，其中隐层包含卷积层、池化层和全连接层，如图1 所示。

图1 卷积神经网络

卷积层通过卷积核将输入的信号进行局部卷积运算，滑动卷积核将本层所有数据进行特征提取，其公式如下：

激活函数目前常用ReLU 函数，其公式为：

池化层的作用是防止过拟合，通过下采样的方式，将数据进行压缩，并保持其不变。常用的池化方式有平均池化和最大池化。全连接层通过矩阵乘法将之前网络卷积及池化的结果映射到样本空间。

1.2 多尺度卷积神经网络

单一尺度的卷积核容易忽略小长度的重要特征，通过多次卷积和池化，对特征进行提取，并输出到全连接层。一般进行2 次全连接层，第一层全连接层将所有特征向量输出为一维数据，第二层全连接层输出到Softmax 分类器，对结果进行输出。

针对高压断路器一维振动信号的特点，不同故障所在位置不同，会受到噪声影响等，对传统CNN 网络进行改进，通过增加卷积核获得宽范围的故障特征感知域，不是将网络变得更深而是将网络的宽度增加，本文构建的网络结构如图2 所示。

图2 多尺度卷积神经网络模型

采用若干个大小不同的卷积核及不同层数的卷积层，对原始数据进行滑动特征卷积，其中卷积核的大小依次增大，提取到不同感知域下的特征，通过ReLU函数对其进行激活，加速度传感器所采集的振动信号有正最大值和负最大值，如图3 所示。普通的池化层不能完全提取其特征，K-MAX Pooling 可以对卷积层中特征按照先后顺序进行K个取值，通过正负叠加，获得2K个特征值，输出到全连接层进行特征组合，输入到Softmax 分类器中，进行故障类别的分类和预测。

图3 高压断路器振动信号极值点

1.3 故障诊断流程

利用多尺度卷积神经网络对高压断路器进行故障诊断，流程如图4 所示，诊断步骤具体为：①将振动信号进行预处理，分为训练集和测试集，作为输入；②建立多尺度卷积神经网络模型，设置初始化网络参数及超参数；③根据训练结果得到的模型，计算出各卷积核卷积输出结果，并通过前向传播计算，进行迭代，直到小于阈值；④将测试集中的数据与得到的模型进行特征分析，对模型的故障分类能力进行评估。

图4 故障诊断流程

2 数据采集

本文以1 台35 kV 户外真空高压断路器为试验对象，如图5 所示，在空载状态下，将加速度传感器置于断路器操作机构本体处采集信号。采样频率为200 kHz，设置采样时间为600 ms，以电流传感器作为信号触发并采集数据。采用采样方法进行预处理，将数据扩大为采样频率为10 kHz 的一维数据，作为原始数据进行输入。对不同工况下的信号进行标记，将20%作为测试集，80%作为训练集。

图5 高压断路器实验

模拟正常工况、控制线圈回路电压高、分闸弹簧疲劳（弱）和分闸弹簧疲劳（强），共计4 类不同的运行状态的振动信号，如表1 所示。

表1 模拟故障与次数

3 诊断过程及分析

3.1 诊断过程

原始数据输入1*3000 的一维振动信号，设置epochs 为20，对训练集的中所有数据进行20 次迭代，dropout 为0.5，batchsize 为50，学习率设置为0.001，采用交叉熵损失函数，通过对不同卷积核个数及不同卷积核尺寸的训练，设置卷积核个数为2、3、4、5、6、7，卷积核层数为32、64、128，Top-K 取值为4、5、6、7、8、9 时。取每次实验中的5 组测试集输出的结果作平均值，得到故障诊断准确率有以下特征：随着卷积核个数的增加，准确率提升，相应的训练时间增加，卷积核层数为64 时准确率最高，随着特征提取个数增加准确率先增大后下降，其中当K取7 时训练用时短且准确率高。

设置卷积核个数为5 个层数，为64 层时，取K=7网络泛化能力最好，其混淆矩阵如图6 所示。

图6 多尺度卷积神经网络混淆矩阵

通过混淆矩阵可得，对于正常运行状态下的高压断路器，多尺度卷积神经网络可以100%识别，分闸弹簧不同疲劳程度下，其故障分类不明显，会错误输出正常或疲劳，影响检修意见。得出故障诊断准确率为97.5%。

3.2 对比实验

对比1DCNN 输入层为1*3000，进行3 次卷积，3 次池化，并通过Maxpooling 输出到Softmax 对振动信号进行分析，其准确率为84.25%。多尺度卷积神经有较高的准确率。

4 结论

针对高压断路器非平稳振动信号特征提取困难、特征向量识别准确率不高的问题，本文提出了一种基于多尺度一维卷积神经网络的高压断路器故障诊断方法，通过采集断路器分合闸操作机构本体的振动信号，对其进行特征提取，能准确识别故障类型。其特点如下：①无须专家经验即可提取原始振动信号的故障特征，泛化能力强；②相比传统CNN 网络结构，本文提出的方法更符合振动信号特点，识别精度更高；③提出了多尺度卷积核，全值Top-K 池化层，增大了卷积过程的感知域，提高了故障诊断的精度与可靠性。

实际运行中的高压断路器型号多，其正常运行数据多，故障少，由于样本不平衡在训练中会出现过拟合等现象，且故障状况与实验室模拟有一定差距，应针对不同型号及不平衡样本进行深入的泛化研究。