[发明专利]一种基于注意力机制的高压断路器机械状态在线监测方法

说明书

本发明公开了一种基于注意力机制的高压断路器机械状态在线监测方法，通过加速度传感器获取高压断路器的振动信号；然后利用CNN网络根据振动信号数据按时序窗口创造连续的特征向量，采用注意力机制对局部特征向量进行加权，保留信号局部信息与断路器状态的相关性，从而提取有效的特征向量，然后将提取有效的特征向量输入双向LSTM网络；在网络隐含状态中，利用注意力机制提取信号时间敏感状态，实现高压断路器故障类型的分类识别。本发明可以快速而又准确地诊断出高压断路器运行过程中的故障状态，减少定期盲目停机的检修人力、拆卸过程中设备磨损和维修花费，具有容易实现、结构简单、连接方便等优点。

技术领域

本发明涉及高压断路器的机械故障状态诊断技术领域，特别是一种基于注意力机制的高压断路器机械状态在线监测方法。

背景技术

高压断路器是电力系统中重要的控制和保护设备，也是应用状态检修技术的主要设备之一。根据国内外统计分析表明，高压断路器所发生60％-70％的故障是由其机械性能差所引起的，主要包括：弹簧老化、机构卡涩、油脂凝固、连杆传动轴断裂等。这些与断路器机械特性相关的故障大部分都可以反映到执行机构所产生的振动信号上。

随着机械振动信号处理方法和人工智能故障诊断方法的日益精进，高压断路器正常运行的标准也随之提高。通过传感器对高压断路器的机械振动信号进行提取，进而提取故障信号中的特征向量，通过类比分析对高压断路器的工作状态进行及时诊断。利用高压断路器机械状态的诊断方法能大大提高电力系统的可靠性，也避免了断路器停电检修所带来的额外经济损失。国外所研发的断路器机械状态研究系统虽然具有成熟的操作体系及完善的软硬件设施，但型号与我国电力系统不匹配，并且引进这样的系统需要花费大量的财力，因此，对高压断路器操作机构的机械状态诊断进行研究具有重大的实际意义。

高压断路器的机械故障状态需要用到分类器进行诊断。通过将采集到的振动信号特征向量与已有故障的特征向量进行对比，从而确认断路器是否发生故障及故障类型。目前常用的断路器机械状态诊断方法是神经网络。传统神经网络法存在着参数依赖性过高的问题，参数的选定会降低断路器特征信号提取的准确性、无法提取局部特征、收敛速度慢等问题。深度神经网络可以有效的避免参数、样本数量对诊断结果的影响。深度神经网络通过控制隐藏层的数目达到对输入的样本信息进行递进抽取的目的，可以更加快速、精确找到发生故障时的特征向量。基于深度学习的故障诊断与之前描述的故障诊断流程不同，特定的参数无需诊断前人为设定，基于深度模型的机械状态诊断方式将信号提取模型与故障诊断模型合二为一，避免信号在传输过程中受损、丢失的现象发生。这种端到端的模型在工业实践运行时中更有优势。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种基于注意力机制的高压断路器机械状态在线监测方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于注意力机制的高压断路器机械状态在线监测方法，包括以下步骤：

S1、通过加速度传感器获取高压断路器的振动信号；

S2、然后利用CNN网络根据振动信号数据按时序窗口创造连续的特征向量，采用注意力机制对局部特征向量进行加权，保留信号局部信息与断路器状态的相关性，从而提取有效的特征向量，然后将提取有效的特征向量输入LSTM网络；

S3、利用LSTM网络实现高压断路器故障类型的分类识别。

进一步地，所述S2的具体步骤为：

S21、采集到的实时高压断路器的振动信号数据表达为一种有序实值时间序列：其中t∈[1,T]是时间步长，D₀表示传感器数量；