1、第43卷 第3期2023 年6月投稿网址：http：/辽宁石油化工大学学报JOURNAL OF LIAONING PETROCHEMICAL UNIVERSITYVol.43 No.3Jun.2023结构优化深度网络的高压断路器机械故障诊断姜楠1，罗林1，王乔1，侯维2（1.辽宁石油化工大学 信息与控制工程学院，辽宁 抚顺 113001；2.中国石油抚顺石化公司 石油三厂，辽宁 抚顺 113001）摘要：高压断路器操作过程中的振动信号反映断路器的机械状态。针对基于浅层的振动信号分析模型的特征提取及故障诊断精度等方面存在的不足,提出了一种基于遗传算法优化的卷积神经网络高压断路器故障诊断方法。利用
2、遗传算法的全局寻优能力,通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等，进而优化卷积神经网络,并将优化后的卷积神经网络应用于高压断路器的故障诊断。结果表明,所提方法的诊断性能优于未进行优化的卷积神经网络、动态支持向量机和多层感知机。关键词：高压断路器；故障诊断；遗传算法；卷积神经网络中图分类号：TH814 文献标志码：A doi：10.12422/j.issn.16726952.2023.03.015Structural Optimization Deep Network for Mechanical Fault Diagnosis of High Volta
3、ge Circuit BreakersJiang Nan1，Luo Lin1，Wang Qiao1，Hou Wei2（1.School of Information and Control Engineering，Liaoning Petrochemical University，Fushun Liaoning 113001，China；2.No.3 Refinery of Fushun Petrochemical Company，PetroChina，Fushun Liaoning 113001，China）Abstract:The vibration signal during the o
4、peration of high voltage circuit breaker can reflect the mechanical state of circuit breaker.Aiming at the shortcomings of feature extraction and fault diagnosis accuracy of shallow vibration signal analysis model,a fault diagnosis method of high voltage circuit breaker based on convolutional neural
5、 network optimized by genetic algorithm was proposed.Using the global optimization ability of genetic algorithm,the optimal initial network structure parameters and the number of neurons in the whole connection layer were obtained through the selection,crossover and mutation of genetic algorithm to
6、optimize the convolutional neural network,and the optimized convolutional neural network is applied to the fault diagnosis of high voltage circuit breaker.The results show that the diagnosis performance of the proposed network model is better than that of convolution neural network,dynamic support v
7、ector machine and multilayer perceptron.Keywords:High voltage circuit breaker；Fault diagnosis；Genetic algorithm；Convolutional neural network高压断路器是电力系统中必不可少的设备，其控制和保护的对象主要有发电机、输电系统、配电系统及其他电力设备1。随着现代社会的发展和对用电安全需求的提高，高压断路器故障诊断的研究越来越重要。国内外调查研究表明，高压断路器出现的故障中有 70%80%是机械故障，因此能够准确、及时地诊断出高压断路器的机械故障是实现电网稳定运行的
8、关键。高压断路器操作过程中产生的信号反映断路器的机械状态。目前，高压断路器机械故障诊断相关的检测信号有振动信号、分合闸电磁铁线圈电流和电压、动触头位移等2。其中，机械振动信号能反映断路器操作的瞬时变化，因而成为主要的检测信号，也是近年来故障诊断研究的焦点。为了有效地提取高压断路器振动信号特征，文献3采用小波包变换来分析振动信号,在进行信号分解时，其优势文章编号：16726952（2023）03009106收稿日期：20211214 修回日期：20220223基金项目：国家自然科学基金青年科学基金项目(61703191)；辽宁省教育厅面上项目(LJKZ0423)。作者简介：姜楠（1997），女，
9、硕士研究生，从事输变电装备在线监测与智能故障诊断方面研究；Email:。通信联系人：罗林（1984），男，博士，讲师，从事流程工业的过程监控与故障诊断、数据挖掘与机器学习、模式识别与智能系统方面研究；Email:。辽宁石油化工大学学报第 43 卷在于对振动信号的低、中、高频信息都可以进行分解。文献4-7运用局部均值分解、经验模态分解和经验小波变换对振动信号进行分析，减少迭代次数并抑制了端点效应。文献8和文献9分别用Hilbert 变换和 HilbertHuang 变换从小波分解和小波包分解后的信号中进一步提取信号时频特征，进而更好地分析了信号状态。由于传统的基于浅层的振动信号分析模型网络深度不
10、够，对复杂函数表征能力不足，因此模型泛化能力受到限制，导致其特征提取能力及故障诊断的准确度不高，效率也较低；深层网络比浅层网络有更多层次的网络结构，可用较少的参数表示复杂函数，所以有更强的拟合能力，提高识别精度。近年来，随着深度学习的发展以及对高压断路器机械故障研究的不断深入，深度神经网络已经逐步应用到高压断路器的故障诊断中，如反向传播(Back Propagation,BP）神经网络、长短时记忆网络(ShortLong Time Memory Network，LSTM)、卷积神经网络(Convolutional Neural Network,CNN)等。文献10提出将粗糙集理论与径向基函数神
11、经网络相结合的方法对高压断路器进行故障诊断，取得了较好效果。文献11运用 BP 神经网络对高压断路器振动信号样本进行了训练，结果表明有较好的识别率。文献12-14提出采用 CNN 进行故障检测，提高特征提取的准确度，获得了较好的准确率。文献15-18提出通过 CNN 与 LSTM 相结合的方法检测故障，利用长短期记忆网络的输入门、遗忘门和输出门有效地解决传统神经网络中梯度消失、爆炸的问题。基于深度学习的 CNN 方法应用于高压断路器故障诊断时，其检测的准确度与卷积层网络结构参数以及全连接层神经元数等选取有较大的关系，容易在寻找全局最优解时错误地得到局部最优解。因此，本文提出了一种基于遗传算法优
12、化的 CNN高压断路器故障诊断方法，将遗传算法寻找全局最优解的优势与 CNN 特征提取能力相结合，并应用于 高 压 断 路 器 的 故 障 诊 断。最 后，与 未 优 化 的CNN、动态支持向量机(DPCASVM)、多层感知机(MLP)进行对比，验证了所提方法的有效性和准确性。1 CNN模型 卷积神经网络是包含卷积运算且具有深度结构的前馈神经网络，一般由输入层(Input Layer)、卷积层(Convolutional Layer)、池化层(Pooling Layer)、展 开 层(Flatten Layer)、全 连 接 层(Fully Connected Layer)、输出层(Outpu
13、t Layer)组成19。输入层接收大量非线性数据，然后运用卷积运算将输出数据进行卷积，最后进行特征提取，输出结果为：xlj=f(i Myl-1i*klij+bli）（1）式中，f（）为激活函数；M 为输入特征的集合；xlj和yil-1分别为第 l层的第 j个特征输入信息和第 l-1层的第 i个特征输出信息；*为卷积运算；klij为第 i层到第 l层的第 j个特征的卷积核；bli为神经元偏置项。卷积运算代替传统网络中的矩阵乘积运算，并通过权值共享有效减少参数的方式,可以降低过拟合的概率。在深度学习中，Sigmoid、Tanh、ReLU 等是常见的非线性激活函数，全连接层常用 Sigmoid函数
14、和 Tanh 函数，卷积层常用 ReLU 函数，具体函数形式分别为：g(z)=11+e-z（2）h(x)=1-e-2x1+e-2x=2g(2x)-1（3）f(x)=max(0,x)（4）式中，g（z）为 Sigmoid函数；h(x)为 Tanh函数；f（x)为 ReLU 函数。卷积层的输出结果即提取到的特征，再经过池化层和展开层，将多维的卷积神经网络压缩为一维，减少计算量和参数，加速训练过程的同时方便全连接层处理。池化层分为最大池化和平均池化，最大池化是对特征取最大值，可以忽略不重要的信息而保留最突出的信息，平均池化则是对特征取平均值，淡化不重要的信息而强化重要的信息。池化层的输出结果为：xl
15、j=f(ljdown(yl-1i)+bli)（5）式中，lj为乘性偏置；down为降采样函数。本文以卷积神经网络为主要部分，将提取到的高压断路器机械振动信号输入模型，经过卷积层的卷积运算，池化层和展开层降低振动信号的输出维度，从中得到处理后的振动信号信息，最后将信息传递给全连接层映射输出从而进行故障诊断。2 基 于 遗 传 算 法 优 化 的 CNN模型遗传算法(Genetic Algorithm，GA)是一种模拟生物进化的算法，具有强大的全局寻优能力和良好的收敛速度改善能力20。GA 一般流程主要包括形成染色体和种群、构建适应度函数、选择交叉变异操作等。首先，用构建的适应度函数辨别由染色体构
16、成的种群的优劣；然后，给经过选择、交叉、变异92第 3 期姜楠等.结构优化深度网络的高压断路器机械故障诊断操作迭代产生的所有染色体打分，根据其分值将表现不好的染色体淘汰，留下表现优秀的染色体。本文所选择的适应度函数为：Fit(f(x)=f(x)（6）其中，由待求解的目标函数直接形成适应度函数，其公式为：Fit(f(x)=cmax+f(x)f(x)cmin0其他（8）式中，cmax为f(x)的最大估计值；cmin为f(x)的最小估计值。Fit(f(x)=|11+c+f(x)c 0,c+f(x)011+c-f(x)c 0,c-f(x)0（9）式中，c为目标函数界限的保守估计值。在选择操作中，个体被选中并遗传到下一代群体的概率为：Pi=Fii=1NFi（10）式中，i为个体；Fi为个体i的适应度；N为种群大小。经过上述不断迭代，种群的适应度越来越高,直到计算所得适应度值满足阈值，进而得到全局最优解，遗传算法流程如图 1所示。图中，G 表示种群代数；Q表示适应度值；T表示阈值。本文提出了一种基于遗传算法优化的卷积神经 网 络 模 型（Genetic Algorithm Optimization