[發(fā)明專利]一種基于深度學(xué)習(xí)的中壓真空斷路器運(yùn)行故障自診斷與預(yù)警方法

在審

• 申請?zhí)枺?/td>: 202110631781.4
• 申請日: 2021-06-07
• 公開（公告）號: CN113376516A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 夏小紅;張丹;毛雄飛;毛慧君;王迎
• 申請（專利權(quán)）人: 科潤智能控制股份有限公司
• 主分類號: G01R31/327
• 分類號: G01R31/327;G06N3/04
• 代理公司: 杭州裕陽聯(lián)合專利代理有限公司 33289
• 代理人: 顧晨

本發(fā)明適用于中壓真空斷路器技術(shù)領(lǐng)域，提供了一種基于深度學(xué)習(xí)的中壓真空斷路器運(yùn)行故障自診斷與預(yù)警方法，包括以下步驟：步驟1、斷路器安裝傳感器采集數(shù)據(jù)；步驟2、構(gòu)建生成式對抗網(wǎng)絡(luò)；步驟3、GAN模型優(yōu)化訓(xùn)練；通過生成式對抗網(wǎng)絡(luò)對多源匯聚的斷路器傳感數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理，利用長短時(shí)記憶網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行特征提取和智能分類，實(shí)現(xiàn)未知故障的自動診斷，構(gòu)建斷路器故障趨勢預(yù)警模型，有效實(shí)現(xiàn)故障預(yù)警，避免了現(xiàn)有的中壓真空斷路器設(shè)備存在狀態(tài)信息的可感知水平不足，在線監(jiān)測系統(tǒng)數(shù)據(jù)的準(zhǔn)確性低，穩(wěn)定性低，故障自我診斷和決策能力水平低下的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于中壓真空斷路器技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的中壓真空斷路器運(yùn)行故障自診斷與預(yù)警方法。

背景技術(shù)

度學(xué)習(xí)是本輪人工智能爆發(fā)的關(guān)鍵技術(shù)。人工智能技術(shù)在計(jì)算機(jī)視覺和自然語言處理等領(lǐng)域取得的突破性進(jìn)展，使得人工智能迎來新一輪爆發(fā)式發(fā)展。深度學(xué)習(xí)是大數(shù)據(jù)時(shí)代的算法利器，成為近幾年的研究熱點(diǎn)。和傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)技術(shù)有著兩方面的優(yōu)勢。一是深度學(xué)習(xí)技術(shù)可隨著數(shù)據(jù)規(guī)模的增加不斷提升其性能，而傳統(tǒng)機(jī)器學(xué)習(xí)算法難以利用海量數(shù)據(jù)持續(xù)提升其性能。二是深度學(xué)習(xí)技術(shù)可以從數(shù)據(jù)中直接提取特征，削減了對每一個(gè)問題設(shè)計(jì)特征提取器的工作，而傳統(tǒng)機(jī)器學(xué)習(xí)算法需要人工提取特征。因此，深度學(xué)習(xí)成為大數(shù)據(jù)時(shí)代的熱點(diǎn)技術(shù)，學(xué)術(shù)界和產(chǎn)業(yè)界都對深度學(xué)習(xí)展開了大量的研究和實(shí)踐工作。

現(xiàn)有的中壓真空斷路器設(shè)備存在狀態(tài)信息的可感知水平不足，在線監(jiān)測系統(tǒng)數(shù)據(jù)的準(zhǔn)確性低，穩(wěn)定性低，故障自我診斷和決策能力水平低下等問題，傳統(tǒng)的斷路器維護(hù)主要采用手動方法，例如在輕負(fù)載條件下進(jìn)行電源故障檢查和斷路器的維修，存在效率低、依賴人力資源等問題。

發(fā)明內(nèi)容

本發(fā)明提供一種基于深度學(xué)習(xí)的中壓真空斷路器運(yùn)行故障自診斷與預(yù)警方法，旨在解決現(xiàn)有的中壓真空斷路器設(shè)備存在狀態(tài)信息的可感知水平不足，在線監(jiān)測系統(tǒng)數(shù)據(jù)的準(zhǔn)確性低，穩(wěn)定性低，故障自我診斷和決策能力水平低下等問題，傳統(tǒng)的斷路器維護(hù)主要采用手動方法，例如在輕負(fù)載條件下進(jìn)行電源故障檢查和斷路器的維修，存在效率低、依賴人力資源的問題。

本發(fā)明是這樣實(shí)現(xiàn)的，一種基于深度學(xué)習(xí)的中壓真空斷路器運(yùn)行故障自診斷與預(yù)警方法，包括以下步驟：

步驟1、斷路器安裝傳感器采集數(shù)據(jù)；

步驟2、構(gòu)建生成式對抗網(wǎng)絡(luò)；

步驟3、GAN模型優(yōu)化訓(xùn)練；

步驟4、基于生成式對抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng)；

步驟5、構(gòu)建基于長短時(shí)記憶網(wǎng)絡(luò)的斷路器故障分類器。

優(yōu)選的，所述步驟1中，采集的數(shù)據(jù)為斷路器的運(yùn)行狀態(tài)數(shù)據(jù)，包括溫度、機(jī)械特性、氣流密度、電流電壓。

優(yōu)選的，數(shù)據(jù)采集后對數(shù)據(jù)進(jìn)行預(yù)處理，將復(fù)雜的多源傳感器數(shù)據(jù)分解為有限個(gè)本征模函數(shù)，分解得到的各個(gè)本征模函數(shù)分量包含了原信號的不同時(shí)間尺度的局部特征信號，將傳感器數(shù)據(jù)轉(zhuǎn)為時(shí)序信號數(shù)據(jù)并保存。

優(yōu)選的，所述步驟2包括獲取數(shù)據(jù)類別標(biāo)簽、生成式對抗網(wǎng)絡(luò)、生成模型和判別模型。

優(yōu)選的，所述獲取數(shù)據(jù)標(biāo)簽類別，用于對斷路器傳感器數(shù)據(jù)，打上不同類型的故障標(biāo)簽，并將帶標(biāo)簽的樣本隨機(jī)分為訓(xùn)練樣本和測試樣本。

優(yōu)選的，生成模型將類標(biāo)簽作為條件信息和噪聲一起輸入生成器生成偽樣本，生成網(wǎng)絡(luò)負(fù)責(zé)生成樣本，接收一個(gè)隨機(jī)的噪聲，通過該噪聲生成樣本。

優(yōu)選的，所述步驟3用于將高斯噪聲通過一個(gè)生成網(wǎng)絡(luò)得到一個(gè)和真實(shí)數(shù)據(jù)分布，識別真實(shí)數(shù)據(jù)和生成數(shù)據(jù)，并表示為數(shù)學(xué)公式。

優(yōu)選的，所述步驟4中當(dāng)生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的損失函數(shù)都趨于穩(wěn)定后，結(jié)束訓(xùn)練，保存生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。并將樣本輸入到訓(xùn)練好的生成式對抗網(wǎng)絡(luò)中，生成增強(qiáng)的樣本。