高士珍, 劉樹鑫

(沈陽工業(yè)大學 電器新技術與應用研究所, 遼寧 沈陽 110870)

0 引 言

交流接觸器是一種主要對交流回路和控制電路進行遠距離頻繁通斷操作的低壓控制電器[1],其工作狀態(tài)對整個電網的安全運行有著關鍵的作用。對其進行狀態(tài)評估和剩余壽命預測一直是低壓控制電器方向的研究熱點。

采用數(shù)據(jù)驅動的方法進行交流接觸器剩余壽命預測研究不需要對其進行精確的物理模型構建,因此被廣泛應用,但是該方法的前提是最大程度地獲取能夠反映交流接觸器運行狀態(tài)的特征參數(shù)。文獻[2]提出變權重系數(shù)的方法,結合模糊綜合評判方法,對交流接觸器進行狀態(tài)評估。文獻[3]采用音頻特征預測交流接觸器電壽命,用卷積神經網絡建立預測模型。文獻[4]在交流接觸器壽命預測中使用MIV確定模型,其輸入為累積燃弧能量、吸合時間,分析了不同模型的預測誤差。文獻[5]利用觸頭質量損耗建立時間尺度變換模型并建立非線性Wiener預測模型,均取得了較好的研究成果。但是這些方法采用的特征量較為單一,缺少對交流接觸器運行狀態(tài)特征參數(shù)的充分提取。由于交流接觸器的電壽命遠遠低于其機械壽命,所以先前的研究往往只考慮其電參量的相關特征,忽略了其機械參量的相關特征,這種研究手段過于簡化。通過采集交流接觸器運行過程中的振動信號[6],從中提取出與其狀態(tài)相關的機械特征參數(shù),對僅考慮電參量的研究方法進行特征補充,能夠較為全面地反映交流接觸器的運行狀態(tài),對其狀態(tài)評估和壽命預測具有重要意義。

僅從是否能夠充分反映交流接觸器運行狀態(tài)的角度來看,提取的特征越多,表征能力越強,但是考慮到目前采用數(shù)據(jù)驅動的研究方法,多采用機器學習和深度學習模型,其輸入量的維度越大,訓練難度和計算量是成指數(shù)上升的,因此如何以較少的特征在最大程度上反映交流接觸器的運行狀態(tài)是問題的關鍵。

針對上述問題,本文提出一種基于深度降噪自動編碼器(Deep Denoising Autoencoder,DDAE)的交流接觸器運行狀態(tài)特征融合方法,從交流接觸器全壽命試驗運行數(shù)據(jù)中,提取電參量相關的和機械參量相關的特征參數(shù),建立DDAE特征融合模型,在最大程度保留原始特征信息的基礎上,進行特征融合重構,最后通過實驗數(shù)據(jù)進行分析驗證。

1 研究方法

1.1 基本自動編碼器

自動編碼器[7]是一種可以進行非監(jiān)督學習的神經網絡模型[8],可以學習到輸入數(shù)據(jù)的降維表示,能夠作為功能性非常強的特征檢測器,因此可以作為機器學習和深度學習模型的預訓練模型,實現(xiàn)深度神經網絡模型輸入的降維處理,進行特征融合重構。

圖1 無監(jiān)督學習原理

一個簡單的自動編碼器模型可分為編碼器和解碼器兩個部分。自動編碼器網絡結構如圖2所示。

圖2 自動編碼器網絡結構

f(x)為編碼函數(shù),g(x)為解碼函數(shù),自動編碼器的基本形式為

(1)

訓練過程的約束為

(2)

即設計一個損失函數(shù),讓編碼器的輸入和輸出盡可能相似,即

(3)

1.2 降噪自動編碼器

基本自動編碼器僅學習了上述的恒等函數(shù),可能導致過擬合現(xiàn)象。和基本自動編碼器不同,降噪自動編碼器(Denoising Autoencoder,DAE)在訓練過程中對原始的數(shù)據(jù)加入了干擾噪聲,進行部分“破壞”處理,普遍認為,對完整原始數(shù)據(jù)編碼得到的中間層能夠重新恢復原始數(shù)據(jù)并不能證明這個網絡就是優(yōu)秀的;而能從在一定程度上被“破壞”的輸入數(shù)據(jù)進行編碼、解碼運算后,還能還原完整的未被“破壞”的原始輸入數(shù)據(jù),這樣得到的中間層特征才是優(yōu)秀的,可以最大程度地保留原始特征的信息[9-10]。DAE網絡結構如圖3所示。

圖3 DAE網絡結構

DAE的編碼過程為

(4)

DAE的解碼過程為

z=g(h)=wdh+bd

(5)

損失函數(shù)為

(6)

式中:h——輸出層激勵函數(shù);

f——輸入層激勵函數(shù);

b——偏置項;

w——權重值;

z——解碼后還原特征;

g——輸出層激勵函數(shù);

L——損失函數(shù)。

通過以上計算,最終根據(jù)L值最小確定最佳網絡結構。

1.3 DDAE

DDAE是對DAE的改進,普通DAE的中間層只有一層,而DDAE神經網絡的中間層可以有多個,可以理解為是多個普通DAE的級聯(lián),一個具有兩層中間層的深度神經網絡結構。DDAE結構如圖4所示。

圖4 DDAE結構

DDAE結構一般是嚴格對稱的,即為將上一層的編碼輸出結果作為下一層編碼的輸入,大大提高運行效率,可以讓網絡學習到更多的信息,并且將中間層的神經元個數(shù)進一步降低,使特征融合的效果大大增強。

2 交流接觸器全壽命試驗及特征提取

2.1 交流接觸器全壽命試驗

試驗平臺按照GB 14048.4—2010中的規(guī)定進行搭建和試驗,在工程的具體應用中,交流接觸器絕大部分工況是在AC-4的條件下,以6倍額定電流來接通和分斷電路,因此本次試驗在AC-4的條件下對CJX2—50型交流接觸器進行研究[11]。試驗條件如表1所示。試驗系統(tǒng)如圖5所示。

表1 試驗條件

圖5 試驗系統(tǒng)

2.2 特征提取

交流接觸器運行狀態(tài)的影響因素較多,僅通過傳統(tǒng)電參量的特征來反映其工作狀態(tài)是不夠完善的,從理論上分析,通過數(shù)據(jù)驅動模型進行開關電器剩余壽命預測的研究,所采集的設備運行過程中的特征參數(shù)越多,對設備運行狀態(tài)的表征越準確,剩余壽命預測的結果也會更準確,因此本文通過加入機械參量的特征,對傳統(tǒng)方法進行補充,共提取了11個能夠有效反映交流接觸器運行狀態(tài)的特征參數(shù),其中電參量特征參數(shù)為接觸電阻、燃弧時間、燃弧能量、平均燃弧功率、吸合時間、釋放時間;機械特征參數(shù)為彈跳時間、觸頭碰撞速度、分閘速度、超程、開距。電參量特征參數(shù)原始數(shù)據(jù)及變化趨勢如圖6所示;機械參量特征參數(shù)原始數(shù)據(jù)及變化趨勢如圖7所示。

圖6 電參量特征參數(shù)原始數(shù)據(jù)及變化趨勢

圖7 機械參量特征參數(shù)原始數(shù)據(jù)及變化趨勢

3 算例分析

本文在最大程度上提取了能夠影響接觸器運行狀態(tài)的特征參量,其中電參量相關特征6個,機械參量相關特征5個,共11組特征作為數(shù)據(jù)集,進行多維特征融合仿真。深度降維自編碼多維特征融合整體流程如圖8所示。

圖8 深度降維自編碼多維特征融合整體流程

3.1 確定信噪比

僅采用基本自動編碼器學習輸入特征的信息進行特征融合,很容易產生過擬合現(xiàn)象,并且研究者們普遍認為,能夠從經過“損壞”的原始特征中進行特征融合學習后,還能還原出原始特征,這樣的網絡才是優(yōu)秀的,經過降維后的融合特征能夠最大程度地保留原始特征所包含的信息。因此,本文采用DAE對交流接觸器特征參數(shù)進行特征融合研究。

對原始數(shù)據(jù)進行“損壞”就是對網絡的輸入加入隨機噪聲,本次采用對原始特征數(shù)據(jù)進行隨機置零的方式進行加噪處理。首先將網絡的中間層結構設為一層,中間層神經元的個數(shù)設為一個,再依次改變信噪比的數(shù)值,進行模型訓練,計算并比較輸入的原始特征與輸出的還原特征之間的誤差值,當誤差降到最小時,確定信噪比的數(shù)值。各信噪比下誤差值如圖9所示。

圖9 各信噪比下誤差值

通過圖9可以清晰地觀察出,當信噪比為0.2時,只有第6個特征的誤差大于在信噪比為0.3時,在其余各種情況下,各個特征在信噪比為0.2時,誤差均為最低;因此,本文采用的DAE特征融合模型的信噪比取為0.2。

3.2 中間層神經元個數(shù)的選擇

確定中間層神經元個數(shù),就是確定特征融合重構后降低到的維度。理論上降低到的維度越高,所包含的原始特征的信息就越多,但是當中間層神經元個數(shù)提高到一定值,輸入的原始特征與輸出的還原特征之間的誤差下降變得不明顯。因此,此時的中間層神經元個數(shù)就是最優(yōu)融合特征維度。

首先設置網絡中間層神經元個數(shù)為1,依次增加中間層神經元個數(shù),進行模型訓練,并計算原始特征與還原特征之間的誤差。各種中間層神經元個數(shù)各個特征的還原誤差如圖10所示;各種中間層神經元個數(shù)各個特征的累計誤差如表2所示。

圖10 各種中間層神經元個數(shù)各個特征的還原誤差

表2 各種中間層神經元個數(shù)各個特征的累計誤差

通過圖10和表2可以觀察出,當中間層神經元個數(shù)從1增加到3和從3增加到5,誤差都會大幅度下降,而當中間層神經元個數(shù)從5增加到7時,誤差幾乎沒有下降。因此,本文最終確定的融合重構的特征為5維。

3.3 DDAE層數(shù)的構建

神經網絡雖然有強大的學習能力,但是單層的神經元結構的學習能力畢竟有限,增加神經網絡的層數(shù)可以大大提高模型的學習能力和效率。不同層數(shù)模型的損失函數(shù)如圖11所示;不同層數(shù)模型的誤差值如圖12所示。由圖11可見不同DDAE模型在訓練過程中損失函數(shù)的下降趨勢。由圖12可見各特征還原特征與原始特征之間的誤差。

圖11 不同層數(shù)模型的損失函數(shù)

圖12 不同層數(shù)模型的誤差值

通過圖11和圖12可以觀察出,當DAE層數(shù)為2時,在迭代10次后,損失函數(shù)就能降到最低,而層數(shù)為1時要迭代到20次才能降到最低,并且大于層數(shù)為2時,由于每次都加入了噪聲,當層數(shù)為3時,第二層的輸入破壞太大,導致?lián)p失函數(shù)不能下降到理想范圍,誤差較大,因此本文將DDAE的深度確定為2層,11個特征平均誤差值為0.000 2,表明融合后的特征幾乎能表達原始特征所有的信息。

4 結 語

交流接觸器運行狀態(tài)特征的提取是實現(xiàn)對其剩余壽命精確預測的必要前提,本文基于DDAE,提出了一種特征融合降維的方法,得到了如下結論:

(1)通過提取交流接觸器的機械特征參數(shù),對僅考慮電參量的研究方法進行特征補充,較為全面地對其運行狀態(tài)進行表征。

(2)提取的特征越多,表征能力越強,但是考慮到后續(xù)剩余壽命預測模型的輸入量維度越大,訓練難度和計算量成指數(shù)上升,故要以較少的輸入特征在最大程度上反映交流接觸器的運行狀態(tài)。

(3)通過確定DDAE中間層數(shù)和神經元個數(shù),構建交流接觸器特征融合降維模型,結合試驗數(shù)據(jù),將11維的特征融合重構后降到了5維,并且誤差在10-4數(shù)量級,證明本文提出的方法可行有效,為后續(xù)對交流接觸器剩余壽命預測研究夯實了基礎。