萬能式斷路器是低壓配電系統(tǒng)中的保護(hù)和控制設(shè)備,其健康狀態(tài)對配電系統(tǒng)的性能、穩(wěn)定性有著重要的影響,因此其日常維護(hù)也至關(guān)重要。分合閘附件作為斷路器的關(guān)鍵部件,正常工作是斷路器可靠運(yùn)行的關(guān)鍵保證。
但是,在斷路器長期的運(yùn)行過程中,分合閘附件往往會出現(xiàn)不同類別的機(jī)械故障,影響斷路器的正常工作。鑒于此,為提高萬能式斷路器運(yùn)行可靠性,對分合閘附件動作過程中可能出現(xiàn)的故障進(jìn)行有效的監(jiān)測、分析以及診斷是非常重要的。
在故障診斷中,特征信號的選取是實(shí)現(xiàn)診斷目標(biāo)的前提,在分合閘過程中,斷路器分合閘線圈電流信號不僅易于檢測,而且含有豐富的機(jī)械狀態(tài)信息,可作為斷路器故障診斷的依據(jù)。國內(nèi)外很多專家學(xué)者都提出了基于分合閘線圈電流信號來監(jiān)測和診斷斷路器的機(jī)械狀態(tài)。
但是,相關(guān)文獻(xiàn)中高壓斷路器分合閘線圈均采用直流供電,不需考慮合閘相位對線圈電流信號特性帶來的影響。而與高壓斷路器分合閘線圈供電方式相比,在實(shí)際的低壓萬能式斷路器故障診斷研究當(dāng)中,對不同相位下線圈電流信號進(jìn)行分析更具有現(xiàn)實(shí)意義。
近年來,機(jī)器學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界發(fā)展迅猛,其已成為當(dāng)前智能故障診斷的主流算法。但是,這些智能診斷算法也普遍存在一些難以忽略的弊端,如對原始信號特征提取要求較高,需要人工特征提取和一定的專家知識、泛化能力較差、易產(chǎn)生局部最優(yōu)解等問題。
此外,對于萬能式斷路器而言,同一故障狀態(tài)下,線圈回路合閘相位不同導(dǎo)致電流信號波形存在一定的差異。針對這種現(xiàn)象,傳統(tǒng)智能故障診斷方法往往會出現(xiàn)故障特征提取不準(zhǔn)確,因此需要采取合適的算法來克服這種缺陷。
為解決上述傳統(tǒng)智能故障診斷算法的不足,深度學(xué)習(xí)(Deep Learning, DL)理論為智能故障診斷提供了新思路和行之有效的解決辦法。DL是由多層隱含層構(gòu)建的深層模型,其利用多層網(wǎng)絡(luò)結(jié)構(gòu)逐層深入地學(xué)習(xí)原始輸入量的抽象信息,以實(shí)現(xiàn)故障特征的自動提取,擺脫了傳統(tǒng)診斷算法對人工特征提取和領(lǐng)域內(nèi)專家知識的依賴。
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)是DL中最重要的模型之一,其網(wǎng)絡(luò)通過局部權(quán)值共享極大地減少了網(wǎng)絡(luò)參數(shù)的數(shù)量,降低了網(wǎng)絡(luò)的復(fù)雜度,在一定程度上解決了局部最優(yōu)解的問題,且泛化能力較好。一些專家已經(jīng)將CNN應(yīng)用到故障診斷研究領(lǐng)域中,并取得了不錯的成果。
這些研究拓寬了CNN在故障診斷領(lǐng)域中的應(yīng)用范圍,但均是將一維的原始信號轉(zhuǎn)化為二維的圖片,利用二維CNN來完成故障診斷,沒有最大化地發(fā)揮CNN自動學(xué)習(xí)原始信號特征的優(yōu)勢,限制了故障識別率進(jìn)一步提高。
此外,線圈電流信號作為一維的時域信號,其各個時刻上的數(shù)據(jù)信息是相互關(guān)聯(lián)的,若直接把線圈電流信號轉(zhuǎn)化為二維的圖片形式,則會造成原始電流信號之間的關(guān)聯(lián)性被破壞,導(dǎo)致故障信息丟失。
鑒于此,為適應(yīng)時域信號的處理,同時能夠最大化地發(fā)揮CNN自動學(xué)習(xí)原始信號特征的優(yōu)勢,Jian等提出了一維融合神經(jīng)網(wǎng)絡(luò)(One-dimensional Fusion Neural Network, OFNN)的故障診斷模型,該方法直接從原始振動信號中自適應(yīng)提取特征,避免了對人工特征提取的依賴,并成功應(yīng)用于滾動軸承的故障診斷。
針對上述分析,河北工業(yè)大學(xué)的研究人員借鑒CNN故障診斷相關(guān)研究進(jìn)展,并根據(jù)一維電流信號的特點(diǎn),在現(xiàn)有的研究基礎(chǔ)上,重點(diǎn)研究低壓萬能式斷路器分合閘附件的故障診斷,提出了基于第一層寬卷積核自適應(yīng)一維深度卷積神經(jīng)網(wǎng)絡(luò)(Adaptive one-Dimensional deep Convolutional Neural Networks with Wide first-layer kernel, AW-1DCNN)的低壓萬能式斷路器分合閘附件的智能故障診斷模型。
圖1 AW-1DCNN模型結(jié)構(gòu)
為提高模型自動提取各狀態(tài)特征的能力,構(gòu)建第一層卷積層的卷積核為寬卷積核,來獲取更多的數(shù)據(jù)并為深層網(wǎng)絡(luò)提供更多的有效信息,而深層卷積核為小卷積核可以增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力,從而實(shí)現(xiàn)以原始電流數(shù)據(jù)為輸入,以故障診斷結(jié)果為輸出的自適應(yīng)診斷模型。
圖2 實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)
圖3 基于AW-1DCNN的故障診斷流程
研究人員通過與傳統(tǒng)智能故障診斷方法以及現(xiàn)有深度學(xué)習(xí)算法相比,結(jié)果表明:
1)AW-1DCNN算法不需要依賴人工特征提取和專家知識,實(shí)現(xiàn)了對原始電流信號故障特征的自適應(yīng)提取,降低了故障診斷的操作難度,提高了故障診斷結(jié)果的準(zhǔn)確度。
2)AW-1DCNN算法是標(biāo)準(zhǔn)1DCNN算法的改進(jìn),其在保留原方法強(qiáng)大的非線性特征自學(xué)習(xí)能力的同時將模型的第一層卷積層的卷積核設(shè)為寬卷積核,提高了模型提取原始輸入信號故障特征的能力,有效地實(shí)現(xiàn)了小樣本下的故障識別。
3)AW-1DCNN算法具有較強(qiáng)的泛化能力,通過設(shè)計不同的實(shí)驗(yàn)數(shù)據(jù)集,故障診斷識別率均達(dá)到了95%以上,充分證明了該算法能夠很好地克服線圈回路合閘相位隨機(jī)性的問題,故障識別率遠(yuǎn)優(yōu)于BPNN和MKL-SVM這兩種傳統(tǒng)智能故障診斷算法,且與LSTM和標(biāo)準(zhǔn)的1DCNN相比,診斷結(jié)果也更加優(yōu)異,且模型的穩(wěn)定性更高。
考慮到目前只是針對一種型號的斷路器進(jìn)行分析研究,在后續(xù)的研究中,將對不同型號的斷路器進(jìn)行進(jìn)一步的分析,從而使算法的泛化性能得到更高的提升;同時萬能式斷路器作為在線運(yùn)行的低壓配電器,后續(xù)工作中應(yīng)考慮如何實(shí)現(xiàn)萬能式斷路器的在線診斷問題;此外,還應(yīng)在復(fù)雜的應(yīng)用場合中驗(yàn)證所提算法的可擴(kuò)展性。
以上研究成果發(fā)表在2020年第12期《電工技術(shù)學(xué)報》,論文標(biāo)題為“基于一維卷積神經(jīng)網(wǎng)絡(luò)的低壓萬能式斷路器附件故障診斷”,作者為孫曙光、李勤、杜太行、崔景瑞、王景芹。