- 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：《電工技術學報》 | 點擊率：導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性會導致同一運行狀態下電流信號存在差異。利用傳統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確，導致故障識別率降低。針對此問題，河北工業大學人工智能與數據科學學院、省部共建電工裝備可靠性與智能化國家重點實驗室（河北工業大學）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《電工技術學報》上撰文，提出一種基于第一層寬卷積核自適應一維深度卷積神經網絡（AW-1DCNN）的故障診斷算法。相較于傳統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。實驗結果表明，該算法不僅能對不同相位下同一故障進行有效識別，而且在泛化實驗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果的影響。
萬能式斷路器是低壓配電系統中的保護和控制設備，其健康狀態對配電系統的性能、穩定性有著重要的影響，因此其日常維護也至關重要。分合閘附件作為斷路器的關鍵部件，正常工作是斷路器可靠運行的關鍵保證。
但是，在斷路器長期的運行過程中，分合閘附件往往會出現不同類別的機械故障，影響斷路器的正常工作。鑒于此，為提高萬能式斷路器運行可靠性，對分合閘附件動作過程中可能出現的故障進行有效的監測、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現診斷目標的前提，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，而且含有豐富的機械狀態信息，可作為斷路器故障診斷的依據。國內外很多專家學者都提出了基于分合閘線圈電流信號來監測和診斷斷路器的機械狀態。
但是，相關文獻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，在實際的低壓萬能式斷路器故障診斷研究當中，對不同相位下線圈電流信號進行分析更具有現實意義。
近年來，機器學習在學術界和工業界發展迅猛，其已成為當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、易產生局部最優解等問題。
此外，對于萬能式斷路器而言，同一故障狀態下，線圈回路合閘相位不同導致電流信號波形存在一定的差異。針對這種現象，傳統智能故障診斷方法往往會出現故障特征提取不準確，因此需要采取合適的算法來克服這種缺陷。
為解決上述傳統智能故障診斷算法的不足，深度學習（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是由多層隱含層構建的深層模型，其利用多層網絡結構逐層深入地學習原始輸入量的抽象信息，以實現故障特征的自動提取，擺脫了傳統診斷算法對人工特征提取和領域內專家知識的依賴。
卷積神經網絡（Convolutional Neural Network, CNN）是DL中最重要的模型之一，其網絡通過局部權值共享極大地減少了網絡參數的數量，降低了網絡的復雜度，在一定程度上解決了局部最優解的問題，且泛化能力較好。一些專家已經將CNN應用到故障診斷研究領域中，并取得了不錯的成果。
這些研究拓寬了CNN在故障診斷領域中的應用范圍，但均是將一維的原始信號轉化為二維的圖片，利用二維CNN來完成故障診斷，沒有最大化地發揮CNN自動學習原始信號特征的優勢，限制了故障識別率進一步提高。
此外，線圈電流信號作為一維的時域信號，其各個時刻上的數據信息是相互關聯的，若直接把線圈電流信號轉化為二維的圖片形式，則會造成原始電流信號之間的關聯性被破壞，導致故障信息丟失。
鑒于此，為適應時域信號的處理，同時能夠最大化地發揮CNN自動學習原始信號特征的優勢，Jian等提出了一維融合神經網絡（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提取特征，避免了對人工特征提取的依賴，并成功應用于滾動軸承的故障診斷。
針對上述分析，河北工業大學的研究人員借鑒CNN故障診斷相關研究進展，并根據一維電流信號的特點，在現有的研究基礎上，重點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一維深度卷積神經網絡（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模型結構
為提高模型自動提取各狀態特征的能力，構建第一層卷積層的卷積核為寬卷積核，來獲取更多的數據并為深層網絡提供更多的有效信息，而深層卷積核為小卷積核可以增強網絡的表達能力，從而實現以原始電流數據為輸入，以故障診斷結果為輸出的自適應診斷模型。
圖2 實驗系統結構
圖3 基于AW-1DCNN的故障診斷流程
研究人員通過與傳統智能故障診斷方法以及現有深度學習算法相比，結果表明：
1）AW-1DCNN算法不需要依賴人工特征提取和專家知識，實現了對原始電流信號故障特征的自適應提取，降低了故障診斷的操作難度，提高了故障診斷結果的準確度。
2）AW-1DCNN算法是標準1DCNN算法的改進，其在保留原方法強大的非線性特征自學習能力的同時將模型的第一層卷積層的卷積核設為寬卷積核，提高了模型提取原始輸入信號故障特征的能力，有效地實現了小樣本下的故障識別。
3）AW-1DCNN算法具有較強的泛化能力，通過設計不同的實驗數據集，故障診斷識別率均達到了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性的問題，故障識別率遠優于BPNN和MKL-SVM這兩種傳統智能故障診斷算法，且與LSTM和標準的1DCNN相比，診斷結果也更加優異，且模型的穩定性更高。
考慮到目前只是針對一種型號的斷路器進行分析研究，在后續的研究中，將對不同型號的斷路器進行進一步的分析，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行的低壓配電器，后續工作中應考慮如何實現萬能式斷路器的在線診斷問題；此外，還應在復雜的應用場合中驗證所提算法的可擴展性。
以上研究成果發表在2020年第12期《電工技術學報》，論文標題為“基于一維卷積神經網絡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。
