吳經(jīng)鋒, 王文森, 張 璐, 韓彥華, 李 祎, 張玉焜, 汲勝昌
(1. 國(guó)網(wǎng)陜西省電力有限公司電力科學(xué)研究院, 陜西 西安 710100; 2. 西安交通大學(xué)電力設(shè)備電氣絕緣國(guó)家重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710049)
高壓并聯(lián)電抗器作為電力系統(tǒng)中關(guān)鍵的無功補(bǔ)償設(shè)備,在保證電網(wǎng)運(yùn)行質(zhì)量與安全方面具有重要作用[1-4]。隨著電力系統(tǒng)的快速發(fā)展與能源互聯(lián)戰(zhàn)略的積極響應(yīng),并聯(lián)電抗器投入使用的數(shù)量逐漸增多,而長(zhǎng)期振動(dòng)與結(jié)構(gòu)設(shè)計(jì)缺陷等因素會(huì)造成高壓并聯(lián)電抗器產(chǎn)生機(jī)械故障[5-7]。電抗器油箱表面的振動(dòng)信號(hào)包含重要信息,與內(nèi)部機(jī)械健康狀態(tài)存在緊密聯(lián)系[8,9]。因此開展基于振動(dòng)信息的高壓并聯(lián)電抗器內(nèi)部機(jī)械狀態(tài)診斷方法的相關(guān)研究具有重要意義,方便運(yùn)維人員及時(shí)發(fā)現(xiàn)機(jī)械缺陷和潛在故障并加以解決,是電抗器安全可靠運(yùn)行的有力保障。
目前,國(guó)內(nèi)外學(xué)者開展了大量關(guān)于電抗器振動(dòng)信號(hào)特征提取方法的研究,主要集中在經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)上的改良[10,11]。文獻(xiàn)[12]考慮EMD處理非線性信號(hào)效果不佳,提出使用排列熵算法(Multi-scale Permutation Entropy, MPE)將多尺度理論與信息熵相結(jié)合對(duì)振動(dòng)信號(hào)提取特征的方法;文獻(xiàn)[13]考慮EMD存在端點(diǎn)效應(yīng)等問題,提出經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform, EWT)方法,可提取原信號(hào)的固有模式。以上研究雖提出特征提取的改良方法,但其都需人工進(jìn)行特征提取,不具有泛化性,且特征提取效果欠佳,降低了診斷效率與準(zhǔn)確度。為解決這一問題,本文提出使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)對(duì)信號(hào)進(jìn)行特征提取與分類。目前,利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的方法已經(jīng)有部分應(yīng)用于電力設(shè)備故障檢測(cè)方面。文獻(xiàn)[14]提出基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法,分析油氣樣本數(shù)據(jù)來判斷當(dāng)前變壓器的故障類型;文獻(xiàn)[15]提出基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器套管故障紅外圖像識(shí)別方法,建立故障識(shí)別模型對(duì)3種故障狀態(tài)進(jìn)行識(shí)別。因此,CNN算法解決了人工處理轉(zhuǎn)化電力設(shè)備非泛化數(shù)據(jù)導(dǎo)致效率低、精度低的問題,并且在智能電網(wǎng)中具有更高的工程應(yīng)用價(jià)值。
本文提出基于卷積神經(jīng)網(wǎng)絡(luò)算法的并聯(lián)電抗器機(jī)械故障診斷方法,以10 kV電抗器為研究對(duì)象,在5種機(jī)械狀態(tài)下進(jìn)行振動(dòng)信號(hào)采集,以剔除背景噪聲的振動(dòng)信號(hào)時(shí)域波形與頻譜作為模型輸入變量,隨后探究不同參量對(duì)模型診斷精度的影響,從而得到性能最佳的故障診斷模型,最后對(duì)比不同故障診斷模型之間的診斷精度,驗(yàn)證本文提出的故障診斷方法具有可行性與準(zhǔn)確性,實(shí)現(xiàn)對(duì)電抗器內(nèi)部機(jī)械健康狀態(tài)的準(zhǔn)確診斷。
電抗器振動(dòng)實(shí)驗(yàn)平臺(tái)如圖1所示,其中實(shí)驗(yàn)電抗器為一臺(tái)可設(shè)置傳統(tǒng)機(jī)械故障的10 kV油浸式并聯(lián)電抗器,具體參數(shù)見表1。
圖1 振動(dòng)實(shí)驗(yàn)平臺(tái)Fig.1 Vibration test platform
表1 10 kV并聯(lián)電抗器主要參數(shù)Tab.1 Main parameters of 10 kV shunt reactor
實(shí)驗(yàn)平臺(tái)中三相調(diào)壓器容量為150 kV·A,三相變壓器額定容量為100 kV·A,5個(gè)開關(guān)的分接電壓分別為10 500 V、10 250 V、10 000 V、9 750 V和9 500 V,短路阻抗為3.8%。振動(dòng)信號(hào)采集裝置主要由IEPE型壓電式加速度振動(dòng)傳感器、數(shù)據(jù)傳輸線、信號(hào)采集裝置和移動(dòng)接收端構(gòu)成。由于電抗器本身質(zhì)量與體積較大,可以忽略壓電式加速度振動(dòng)傳感器本身體積與質(zhì)量的影響,傳感器具體參數(shù)見表2,其中g(shù)為重力加速度。信號(hào)采集裝置的最高采樣率為51.2 kS/s。
表2 傳感器主要參數(shù)Tab.2 Main parameters of sensor
電抗器本體振動(dòng)受到內(nèi)部鐵心與繞組等機(jī)械構(gòu)件疊加作用,其中主要為:①鐵心受麥克斯韋力作用與磁致伸縮效應(yīng)影響;②繞組受漏磁與電流相互作用的電磁力影響。電抗器油箱表面測(cè)點(diǎn)位置不同,振動(dòng)受固體與液體途徑傳遞的影響也會(huì)不同[16-18]。
基于電抗器振動(dòng)特性與測(cè)點(diǎn)選擇原理[19,20],振動(dòng)幅度較大,信噪比相對(duì)也較大,能夠排除內(nèi)外噪聲信號(hào)干擾;此外,振動(dòng)幅度過大會(huì)影響識(shí)別內(nèi)部輕微機(jī)械損傷的靈敏度,對(duì)故障診斷帶來嚴(yán)重影響。文獻(xiàn)[21]通過分析電抗器油箱內(nèi)外多個(gè)測(cè)點(diǎn)的振動(dòng)信號(hào),得到油箱正面中部測(cè)點(diǎn)為最佳測(cè)點(diǎn)。因此,本文選擇油箱正面中部的“十”字區(qū)域進(jìn)行測(cè)點(diǎn)布置。實(shí)驗(yàn)時(shí)選擇使用5個(gè)加速度振動(dòng)傳感器進(jìn)行信號(hào)采集,分別記為1號(hào)測(cè)點(diǎn)、2號(hào)測(cè)點(diǎn)、3號(hào)測(cè)點(diǎn)、4號(hào)測(cè)點(diǎn)與5號(hào)測(cè)點(diǎn),測(cè)點(diǎn)布置如圖2所示。
圖2 電抗器油箱表面測(cè)點(diǎn)布局圖Fig.2 Layout drawing of measuring points on surface of oil tank of reactor
電抗器實(shí)際運(yùn)行過程中會(huì)出現(xiàn)鐵心松動(dòng)、繞組松動(dòng)和螺桿松動(dòng)等機(jī)械故障。文中通過人為松動(dòng)一根螺桿,使緊固鐵心的夾件壓緊強(qiáng)度降低,導(dǎo)致繞組上側(cè)壓釘緊固狀態(tài)在一定程度上失效,進(jìn)而達(dá)到模擬鐵心與繞組同時(shí)松動(dòng)的機(jī)械故障,電抗器內(nèi)部結(jié)構(gòu)與具體調(diào)整位置如圖3所示。振動(dòng)實(shí)驗(yàn)在額定電壓下開展,油箱內(nèi)部含有足量的變壓器油,實(shí)驗(yàn)以3號(hào)螺桿為缺陷模擬對(duì)象,使用扭矩扳手來對(duì)其預(yù)緊力大小進(jìn)行調(diào)節(jié)。實(shí)驗(yàn)時(shí)設(shè)置了5種不同狀態(tài)下的預(yù)緊力見表3。
圖3 振動(dòng)實(shí)驗(yàn)調(diào)整部位Fig.3 Vibration test adjustment part
表3 5種狀態(tài)下預(yù)緊力設(shè)置Tab.3 Pre-tightening force setting in five states
基于搭建的實(shí)驗(yàn)平臺(tái)開展振動(dòng)實(shí)驗(yàn),為保證具有足量的數(shù)據(jù),防止偶然性數(shù)據(jù)對(duì)模型訓(xùn)練造成影響,5種狀態(tài)下每間隔5 min采集一組實(shí)驗(yàn)數(shù)據(jù),5個(gè)測(cè)點(diǎn)共采集到600組數(shù)據(jù)。
對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理,方法為快速傅里葉變換與小波閾值去噪??焖俑道锶~變換公式如下:
(1)
式中,x(t)為原始信號(hào)。
小波閾值去噪的核心是抑制一定程度上的雜波,其流程如圖4所示。
圖4 小波閾值去噪流程圖Fig.4 Flow chart of wavelet threshold denoising
小波閾值去噪的計(jì)算公式如下:
(2)
(3)
式中,ω為頻率;a為尺度,控制小波函數(shù)的伸縮;τ為平移量,控制小波函數(shù)的平移。
預(yù)處理得到振動(dòng)信號(hào)的振動(dòng)加速度與時(shí)間的時(shí)域波形、振動(dòng)加速度與頻率的頻譜圖。通過對(duì)5個(gè)測(cè)點(diǎn)的所有數(shù)據(jù)初步篩選,一共得到561張振動(dòng)信號(hào)的時(shí)域波形與頻譜,其中狀態(tài)1有119張,狀態(tài)2有109張,狀態(tài)3有112張,狀態(tài)4有116張,狀態(tài)5有105張。以2號(hào)測(cè)點(diǎn)為例,圖5為不同狀態(tài)下振動(dòng)信號(hào)的時(shí)域波形與頻譜圖。
圖5 5種狀態(tài)下的振動(dòng)加速度Fig.5 Vibration acceleration in five states
由圖5(a)~圖5(e)可知,狀態(tài)1的時(shí)域波形較為平滑,但隨著預(yù)緊力減小,狀態(tài)2、狀態(tài)3、狀態(tài)4、狀態(tài)5的時(shí)域波形產(chǎn)生少量諧波;在頻譜圖中,當(dāng)松動(dòng)發(fā)生后基頻幅值會(huì)產(chǎn)生驟降,300 Hz分量存在一定程度的上升。
為探究預(yù)緊力大小與振動(dòng)信號(hào)的線性關(guān)系,引入頻譜復(fù)雜度來進(jìn)行分析,其計(jì)算公式如下:
(4)
式中,H為頻譜復(fù)雜度;ev為頻率比重。
對(duì)頻譜進(jìn)行計(jì)算得到5種狀態(tài)的頻譜復(fù)雜度見表4。由表4可知,頻譜復(fù)雜度會(huì)隨著松動(dòng)的發(fā)生而大幅增加。反映在出現(xiàn)松動(dòng)后,電抗器運(yùn)行過程中鐵心與繞組振動(dòng)幅度增大,產(chǎn)生相對(duì)位移,所以松動(dòng)狀態(tài)下會(huì)呈現(xiàn)較復(fù)雜的頻譜,表現(xiàn)在高頻率階段模態(tài)能量發(fā)生變化,導(dǎo)致基頻模態(tài)能量降低,使得頻譜分布復(fù)雜化。
表4 不同狀態(tài)下的基頻幅值與頻譜復(fù)雜度Tab.4 Fundamental frequency amplitude and spectrum complexity in different states
電抗器產(chǎn)生輕微機(jī)械故障時(shí)的振動(dòng)信號(hào)變化微弱,同時(shí)由于傳統(tǒng)的機(jī)器學(xué)習(xí)需要人工進(jìn)行特征提取,會(huì)導(dǎo)致特征提取時(shí)浪費(fèi)較多的時(shí)間,且對(duì)于人員的專業(yè)技能要求較高,不具有泛化性。為克服上述困難,規(guī)避人工提取特征的缺陷,采用卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)故障特征進(jìn)行自動(dòng)學(xué)習(xí)與模式識(shí)別。
卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中成熟的算法模型,其核心是一個(gè)多層感知機(jī),其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。
圖6 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Structure diagram of convolutional neural network
圖6中,卷積神經(jīng)網(wǎng)絡(luò)包含輸入層、卷積層、池化層、全連接層與輸出層,其中卷積層與池化層功能如下:
(1)卷積層
卷積層通過模擬人類視覺系統(tǒng)的工作方式,將一組神經(jīng)元構(gòu)建成一個(gè)卷積層,其中每個(gè)神經(jīng)元都可以學(xué)習(xí)權(quán)重和偏置。卷積層利用卷積核在輸入圖像上逐步滑動(dòng)窗口進(jìn)行計(jì)算,來提取圖像的特征,滑動(dòng)整個(gè)圖像后獲得精細(xì)且復(fù)雜、非線性映射的特征信息。
設(shè)單個(gè)輸入圖像為x,卷積核數(shù)目為n,每個(gè)卷積核大小為m×1,則卷積層C的第k個(gè)卷積核輸出結(jié)果為:
(5)
(2)采樣層(池化層)
池化層是特征提取后的一個(gè)抽樣操作,方法是在保證圖像旋轉(zhuǎn)不變性的前提下,對(duì)卷積結(jié)果進(jìn)行最大采樣,目的在于降低維度,篩選關(guān)鍵特征信息,并減少運(yùn)算量,進(jìn)而提升訓(xùn)練速度。設(shè)采樣寬度為q×1,則第k個(gè)卷積核相對(duì)應(yīng)的采樣層S輸出結(jié)果為:
(6)
式中,aS,j,k為第k個(gè)卷積核相對(duì)應(yīng)采樣層S的第j個(gè)輸出。
模型采用反向傳播算法(Back Propagation algorithm, BP)進(jìn)行模型優(yōu)化,即通過反復(fù)循環(huán)迭代進(jìn)行反饋傳遞、權(quán)重和偏置的更新,在目標(biāo)函數(shù)收斂到預(yù)設(shè)的閾值時(shí)停止迭代。
模型輸出的預(yù)測(cè)值與實(shí)際值即標(biāo)簽類別之間的誤差函數(shù)為:
(7)
(8)
(9)
搭建完整的電抗器機(jī)械故障診斷模型需要進(jìn)行訓(xùn)練階段與驗(yàn)證階段。首先,將所有振動(dòng)信號(hào)的時(shí)域波形與頻譜圖處理為227×227像素大小的圖像作為輸入樣本庫。其次,將561張圖像按照3∶1比例劃分為訓(xùn)練集和驗(yàn)證集,其中訓(xùn)練集423張,驗(yàn)證集138張。不同狀態(tài)下樣本庫中分布情況見表5。
表5 5種狀態(tài)在樣本庫中的分布Tab.5 Distribution of five states in sample database
將樣本庫作為輸入樣本進(jìn)行訓(xùn)練與測(cè)試,圖像識(shí)別過程如圖7所示。
圖7 并聯(lián)電抗器機(jī)械故障類型識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)Fig.7 Convolutional neural network for identification of mechanical fault type of shunt reactor
(1)輸入層輸入1個(gè)227×227×3大小的圖像;
(2)卷積層分別采用11×11×3大小的卷積核對(duì)輸入層的圖像進(jìn)行卷積處理,卷積后共獲得96個(gè)55×55大小的二維特征圖;
(3)采樣層對(duì)特征圖進(jìn)行抽樣操作(數(shù)目不改變,尺寸改變?yōu)橹暗囊话?,卷積層對(duì)采樣層輸出特征圖進(jìn)行卷積運(yùn)算,共獲得96個(gè)27×27大小的特征圖;
(4)接下來的卷積層與池化層與第(3)步相同。最終得到256個(gè)13×13大小的二維特征圖;
(5)第一個(gè)全連接層對(duì)第五層卷積輸出的二維特征圖進(jìn)行拉伸處理,得到一維特征向量與第二個(gè)全連接層連接,兩個(gè)全連接層輸出的一維特征向量大小都為4 096×1;
(6)最后一維特征向量與softmax層的5個(gè)神經(jīng)元(機(jī)械故障狀態(tài)有5類)全連接進(jìn)行分類。
網(wǎng)絡(luò)模型的預(yù)測(cè)精度受激活函數(shù)、歸一化層與模型參數(shù)等影響,為討論不同因素對(duì)模型預(yù)測(cè)精度造成的影響,開展以下實(shí)驗(yàn)。
5.2.1 激活函數(shù)對(duì)分類識(shí)別結(jié)果的影響
在網(wǎng)絡(luò)模型中,激活函數(shù)會(huì)使網(wǎng)絡(luò)非線性化,并且網(wǎng)絡(luò)的收斂速度和準(zhǔn)確度與卷積層采用的激活函數(shù)息息相關(guān),卷積網(wǎng)絡(luò)常用的激活函數(shù)tanh、Sigmoid及ReLU的表達(dá)式如式(10)~式(12)所示:
(10)
(11)
ReLU(x)=max(x,0)
(12)
考慮到不同的激活函數(shù)會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生差異,為了篩選出與網(wǎng)絡(luò)模型最匹配的激活函數(shù),對(duì)三種不同的激活函數(shù)進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖8所示。
圖8 不同激活函數(shù)下的預(yù)測(cè)精度Fig.8 Prediction accuracy under different activation functions
從圖8可知,卷積層采用ReLU作為激活函數(shù)相比tanh與Sigmoid函數(shù)而言,其在迭代50次時(shí)就達(dá)到了收斂的效果,具有更快的收斂速度,并且預(yù)測(cè)準(zhǔn)確度最高為94.7%,明顯優(yōu)于其他激活函數(shù)。
5.2.2 歸一化層對(duì)分類識(shí)別結(jié)果的影響
在網(wǎng)絡(luò)模型中,卷積核在特征識(shí)別的過程中會(huì)出現(xiàn)響應(yīng)較小的神經(jīng)元,這些神經(jīng)元直接影響模型的訓(xùn)練時(shí)間,所以為抑制這些響應(yīng)較小的神經(jīng)元工作,采用局部響應(yīng)歸一化(Local Response Normalization,LRN)連接激活函數(shù)來實(shí)現(xiàn)。計(jì)算如下式所示:
(13)
實(shí)驗(yàn)對(duì)比分析了網(wǎng)絡(luò)模型在采用LRN層前后的預(yù)測(cè)結(jié)果見表6。
表6 采用LRN層前后的實(shí)驗(yàn)結(jié)果Tab.6 Experimental results before and after using the LRN layer
由表6可知,模型在增加LRN層后并沒有降低模型的預(yù)測(cè)準(zhǔn)確度,但是較初始模型減少了0.013 7的損失,同時(shí)對(duì)訓(xùn)練時(shí)間有16.7%的提升。所以網(wǎng)絡(luò)模型選擇采用LRN層來提升網(wǎng)絡(luò)的收斂速度、識(shí)別效率與泛化能力。
5.2.3 模型參數(shù)對(duì)分類識(shí)別結(jié)果的影響
在網(wǎng)絡(luò)模型中,設(shè)置不同的參數(shù)值會(huì)影響模型計(jì)算量,從而影響模型的預(yù)測(cè)結(jié)果。模型的主要參數(shù)有訓(xùn)練周期(epoch)、初始化學(xué)習(xí)率與Batch_size,其中訓(xùn)練周期為模型整個(gè)訓(xùn)練過程所需的周期數(shù),初始化學(xué)習(xí)率控制模型的學(xué)習(xí)進(jìn)度,Batch_size為訓(xùn)練一次所選樣本數(shù)。
模型初次訓(xùn)練時(shí),訓(xùn)練周期設(shè)定為10,初始化學(xué)習(xí)率為0.01,Batch_size設(shè)定為3。本文為了篩選出最匹配網(wǎng)絡(luò)模型的參數(shù)值,開展多次實(shí)驗(yàn),實(shí)驗(yàn)中只改變訓(xùn)練周期、初始化學(xué)習(xí)率與Batch_size的值,其他參數(shù)值不改變,實(shí)驗(yàn)結(jié)果如圖9與表7所示。
圖9 模型在不同初始學(xué)習(xí)率下的預(yù)測(cè)精度Fig.9 Prediction accuracy of model under different initial learning rates
由圖9與表7可知,模型的預(yù)測(cè)準(zhǔn)確度在訓(xùn)練周期達(dá)到40時(shí)最高,但隨著訓(xùn)練周期不斷增加,預(yù)測(cè)準(zhǔn)確度開始下降;模型的預(yù)測(cè)準(zhǔn)確度在初始學(xué)習(xí)率為0.000 1時(shí)最高;模型的損失在Batch_size值達(dá)到9時(shí)最小。故將訓(xùn)練周期、初始學(xué)習(xí)率與Batch_size值分別設(shè)置為40、0.000 1與9,模型預(yù)測(cè)精度達(dá)到最高。
表7 模型在不同參數(shù)值下的訓(xùn)練結(jié)果Tab.7 Model training results under different parameter values
采用5.2節(jié)對(duì)網(wǎng)絡(luò)模型算例提升的方法,得到電抗器機(jī)械故障分類結(jié)果如圖10所示。
圖10 診斷模型的預(yù)測(cè)準(zhǔn)確度與損失Fig.10 Predictive accuracy and loss of diagnostic model
由圖10可知,模型在訓(xùn)練過程中隨著迭代次數(shù)不斷增加,其準(zhǔn)確率與損失雖然會(huì)出現(xiàn)陡增、陡減的情況,但會(huì)在最后25%迭代次數(shù)中慢慢趨于穩(wěn)定,最終訓(xùn)練結(jié)果的準(zhǔn)確度98.18%,損失只有0.067 2。
雖然本文中電抗器具有對(duì)稱結(jié)構(gòu),但是有必要探究不同位置螺桿松動(dòng)對(duì)本文的缺陷診斷效果,分別對(duì)1號(hào)螺桿、2號(hào)螺桿以及4號(hào)螺桿進(jìn)行單獨(dú)松動(dòng),重復(fù)以上振動(dòng)實(shí)驗(yàn),并將其振動(dòng)信號(hào)經(jīng)預(yù)處理后輸入診斷模型,得到預(yù)測(cè)結(jié)果見表8。
表8 松動(dòng)不同螺桿下模型預(yù)測(cè)結(jié)果Tab.8 Prediction results of model under different loose bolts
由表8可知,螺桿的位置對(duì)預(yù)測(cè)結(jié)果幾乎沒有影響,因此不同位置的松動(dòng)缺陷也適用于本文的診斷方法。
為驗(yàn)證CNN算法在電抗器機(jī)械故障診斷領(lǐng)域的應(yīng)用意義,與現(xiàn)有傳統(tǒng)故障識(shí)別算法進(jìn)行對(duì)比,人工特征采用奇偶次諧波、基頻幅值、基頻比重、總振動(dòng)熵等13個(gè)特征參數(shù),將得到的特征參數(shù)進(jìn)行歸一化處理后輸入到隨機(jī)森林、支持向量機(jī)(Support Vector Machine, SVM)與BP分類器對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與驗(yàn)證,完成對(duì)電抗器機(jī)械故障類型的識(shí)別,不同方法的分類結(jié)果見表9。實(shí)驗(yàn)結(jié)果表明,本文提出基于CNN算法的并聯(lián)電抗器機(jī)械故障方法省略了人工特征提取的步驟,同時(shí)也減少了大量的訓(xùn)練時(shí)間,并且預(yù)測(cè)準(zhǔn)確度要明顯優(yōu)于傳統(tǒng)故障識(shí)別算法,此方法具有極高的故障診斷效率與應(yīng)用的泛化性。
表9 不同模型對(duì)故障類別診斷性能Tab.9 Diagnosis performance of different models for fault categories
本文提出了基于CNN算法的并聯(lián)電抗器機(jī)械故障診斷方法:
(1)研究分析了正常狀態(tài)、16 N·m、12 N·m、8 N·m以及4 N·m 5種狀態(tài)下振動(dòng)信號(hào)的基頻幅值與頻譜復(fù)雜度,發(fā)現(xiàn)人工提取特征的方法只能初步劃分是否產(chǎn)生機(jī)械故障,并不能區(qū)分其松動(dòng)程度。
(2)基于CNN算法的并聯(lián)電抗器機(jī)械故障診斷模型省略了人工提取特征這一繁瑣的步驟,通過實(shí)驗(yàn)研究了不同的激活函數(shù)、歸一化層與模型參數(shù)對(duì)預(yù)測(cè)值帶來的影響,最終選取ReLU函數(shù)為卷積層的激活函數(shù),并在卷積層中增加了LRN層進(jìn)行歸一化,得到最匹配網(wǎng)絡(luò)模型的參數(shù)值為訓(xùn)練周期40,初始學(xué)習(xí)率0.000 1,Batch_size值9。
(3)通過多算法模型對(duì)比分析,CNN模型在電抗器機(jī)械故障類別診斷方面的識(shí)別精度與運(yùn)行時(shí)間達(dá)到了98.18%與1 h,較隨機(jī)森林、SVM與BP具有明顯的優(yōu)勢(shì)。因此基于CNN算法的并聯(lián)電抗器機(jī)械故障診斷方法可以作為判斷電抗器內(nèi)部機(jī)械部件健康狀態(tài)的判斷標(biāo)準(zhǔn),也為深度學(xué)習(xí)與電力設(shè)備故障診斷相結(jié)合提供了思路。