久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

  • 頭條低壓萬能式斷路器附件故障診斷的新方法
    2021-09-10 作者:孫曙光 李勤 等  |  來源:《電工技術(shù)學(xué)報》  |  點(diǎn)擊率:
    分享到:
    導(dǎo)語由于低壓萬能式斷路器分合閘附件的線圈回路采用交流供電方式,因此線圈回路合閘相位的隨機(jī)性會導(dǎo)致同一運(yùn)行狀態(tài)下電流信號存在差異。利用傳統(tǒng)的智能故障診斷方法可能會造成電流信號故障特征提取不準(zhǔn)確,導(dǎo)致故障識別率降低。針對此問題,河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院、省部共建電工裝備可靠性與智能化國家重點(diǎn)實(shí)驗(yàn)室(河北工業(yè)大學(xué))的研究人員孫曙光、李勤、杜太行、崔景瑞、王景芹,在2020年第12期《電工技術(shù)學(xué)報》上撰文,提出一種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)(AW-1DCNN)的故障診斷算法。相較于傳統(tǒng)智能診斷方法中存在人工特征提取與故障分類兩個階段,該方法將兩者合二為一。實(shí)驗(yàn)結(jié)果表明,該算法不僅能對不同相位下同一故障進(jìn)行有效識別,而且在泛化實(shí)驗(yàn)中仍能保持較高的故障識別率,能夠有效地克服合閘相位變化對故障診斷結(jié)果的影響。

    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。

    低壓萬能式斷路器附件故障診斷的新方法

     

    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

    低壓萬能式斷路器附件故障診斷的新方法

    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。

    低壓萬能式斷路器附件故障診斷的新方法

    圖2 實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)

    低壓萬能式斷路器附件故障診斷的新方法

    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。

主站蜘蛛池模板: 在线视频国产网址你懂的在线视频 | 久久久精品成人免费看 | 日本在线日本中文字幕日本在线视频播放 | 国产人成精品午夜在线观看 | 亚洲欧洲一区二区三区在线 | cijilu刺激 国产免费的 | 午夜精品亚洲 | 在线影片 | 天天色天天综合 | 一级女人毛片人一女人 | 精品亚洲一区二区三区 | 91在线 | 欧美 | 亚洲欧美不卡 | 久久精品成人国产午夜 | 午夜精品在线免费观看 | 国产精品亚洲专区一区 | 免费黄色小视频在线观看 | 欧美欲妇激情视频在线 | 国产青青草视频 | 精品自拍一区 | 日韩一及片 | 国产香蕉视频在线播放 | 国产精品老女人精品视 | 欧美亚洲精品在线 | 99久久免费精品国产免费 | 亚洲国产精品免费视频 | 成年性羞羞视频免费观看无限 | 国产91小视频在线观看 | 最新在线黄色网址 | 免费一区在线观看 | 中文字幕永久在线观看 | 福利国产精品 | 欧美黑人两根巨大挤入 | 成人毛片在线播放 | 国内视频在线 | 色偷偷亚洲第一成人综合网址 | 六月婷婷七月丁香 | 东京不太热视频高清在线 | a级毛片免费看 | 深夜影院在线视频观看 | 国产国产人免费人成免费视频 |