本發(fā)明涉及一種故障診斷方法，尤其涉一種基于矩陣神經(jīng)網(wǎng)絡(luò)的隔離刀閘故障診斷方法。

背景技術(shù)：

隔離刀閘是變電站輸配電線路中與斷路器配合使用的一種主要設(shè)備，其主要作用是保證高壓設(shè)備檢修時(shí)工作人員的安全。在需要檢修的設(shè)備和其他帶電部分之間，用隔離刀閘構(gòu)成一個(gè)明顯的斷開點(diǎn)，給工作人員提供足夠大的絕緣間隔。在長(zhǎng)期運(yùn)行中，由于各種原因可能會(huì)導(dǎo)致隔離刀閘出現(xiàn)各種故障，給電網(wǎng)的安全穩(wěn)定運(yùn)行和人身安全造成很大的安全隱患，因此對(duì)隔離刀閘的故障檢測(cè)必不可少。

傳統(tǒng)采用過(guò)人工測(cè)溫及人工判別故障的方法，專門設(shè)置一個(gè)班組，每班定時(shí)對(duì)電纜中接頭溫度進(jìn)行溫度檢查。這種方法不僅耗用了大量的人力，而且效果并不見佳。隨著智能化算法的研究，基于紅外圖像的故障診斷技術(shù)開始出現(xiàn)，主要有神經(jīng)網(wǎng)絡(luò)，由于它強(qiáng)大的并行計(jì)算能力和自學(xué)習(xí)功能，適合用來(lái)進(jìn)行故障分類。但是目前的神經(jīng)網(wǎng)絡(luò)，其輸出參數(shù)必須是向量，對(duì)于圖像的神經(jīng)網(wǎng)絡(luò)往往直接將圖像矩陣展開成向量，這樣不僅破壞了圖像的整體結(jié)構(gòu)，還使得向量長(zhǎng)度過(guò)長(zhǎng)，導(dǎo)致計(jì)算量增加，學(xué)習(xí)效率低下，容易陷入局部最優(yōu)解。由此，我們提出一種基于矩陣輸入的神經(jīng)網(wǎng)絡(luò)，直接對(duì)圖像矩陣進(jìn)行訓(xùn)練學(xué)習(xí)，大大降低計(jì)算量，加快學(xué)習(xí)速度，從而實(shí)現(xiàn)基于紅外圖像的隔離刀閘故障快速診斷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明主要是解決現(xiàn)有技術(shù)中存在的不足，提供一種新的基于圖像識(shí)別的隔離刀閘紅外診斷方法，該方法實(shí)現(xiàn)了直接輸入隔離刀閘紅外圖像直接輸入進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，將傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)拓展到矩陣神經(jīng)網(wǎng)絡(luò)；首先對(duì)隔離刀閘的紅外圖像進(jìn)行去噪預(yù)處理，通過(guò)對(duì)紅外圖像矩陣進(jìn)行奇異值分解，然后對(duì)各層的左右權(quán)值矩陣進(jìn)行訓(xùn)練學(xué)習(xí)，最終實(shí)現(xiàn)基于紅外圖像的隔離刀閘故障診斷的基于矩陣神經(jīng)網(wǎng)絡(luò)的隔離刀閘故障診斷方法。

本發(fā)明的上述技術(shù)問(wèn)題主要是通過(guò)下述技術(shù)方案得以解決的：

一種基于矩陣神經(jīng)網(wǎng)絡(luò)的隔離刀閘故障診斷方法，按以下步驟運(yùn)行：

步驟1：采集N張隔離刀閘的紅外圖像，將其進(jìn)行高斯濾波，降低噪點(diǎn)的影響，得到訓(xùn)練紅外圖像樣本集

步驟2：將訓(xùn)練紅外圖像樣本集分別進(jìn)行灰度化和歸一化，最終得到訓(xùn)練矩陣樣本集

X_i＝0.00117f_i(:,:,1)+0.00230f_i(:,:,2)+0.00045f_i(:,:,3)

其中f_i(:,:,1)表示第i張紅外圖像的R通道分量；f_i(:,:,2)表示第i張紅外圖像的G通道分量；f_i(:,:,3)表示第i張紅外圖像的B通道分量；

步驟3：根據(jù)每張紅外圖像的故障情況，按照缺陷等級(jí)劃分為正常、一般缺陷、重要缺陷和緊急缺陷4類，由此得到一個(gè)訓(xùn)練集缺陷結(jié)果向量其中Y_i由(0,1)構(gòu)成，其長(zhǎng)度為4分別代表4類，每張圖像只能歸屬于某一類，故只有一個(gè)1其它元素均為0；

步驟4：將訓(xùn)練樣本放入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，但是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)僅支持訓(xùn)練樣本為向量，這樣會(huì)丟失紅外圖像結(jié)構(gòu)的完整性，由此我們提出一種矩陣神經(jīng)網(wǎng)絡(luò)，其基本模型如下：

Y＝σ(UXV^T+B)+E

其中，Y為缺陷結(jié)果，X為紅外圖像矩陣樣本，U和V為連接權(quán)值，B為當(dāng)前層的偏移矩陣，σ()為激活函數(shù)，E為誤差；

第1層輸入層，輸入訓(xùn)練矩陣樣本集第L+1層為輸出層，輸出訓(xùn)練結(jié)果中間為隱藏層，其中第1層到L層之間各層的關(guān)系為：

X^(l+1)＝σ(U^(l)X^(l)V^(l)T+B^(l))，l＝1,...,L-1

其中X^(l+1)為中間第l+1層結(jié)果；

第L層到輸出層之間的關(guān)系為：

其中y_k為第k個(gè)樣本的訓(xùn)練輸出結(jié)果；

步驟5：為了得到最優(yōu)訓(xùn)練結(jié)果，我們定義代價(jià)函數(shù)L為：

這里我們使用梯度下降法，需要將代價(jià)函數(shù)分別對(duì)步驟4中的參數(shù)U，V，B，tb_k進(jìn)行求導(dǎo)，然后對(duì)參數(shù)進(jìn)行修正，達(dá)到最終最優(yōu)解；

步驟6：計(jì)算代價(jià)函數(shù)對(duì)中間層因子N^(l)的導(dǎo)數(shù)

其中N^(l)＝U^(l)X^(l)V^(l)T+B^(l)，l＝1,...,L-1，則

由鏈?zhǔn)椒▌t我們可以得到

其中

代入得到

其中表示克羅內(nèi)克乘積算子；

直接計(jì)算得到

由此我們得到代價(jià)函數(shù)對(duì)中間層因子N^(l)的導(dǎo)數(shù)為

其中表示矩陣的點(diǎn)積，

步驟7：由步驟6再分別計(jì)算代價(jià)函數(shù)對(duì)權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)的導(dǎo)數(shù)

由此我們得到代價(jià)函數(shù)對(duì)權(quán)值矩陣U^(l)的導(dǎo)數(shù)為

類似的，求解代價(jià)函數(shù)對(duì)權(quán)值矩陣V^(l)和偏移B^(l)的導(dǎo)數(shù)為

其中參數(shù)通過(guò)步驟6求得；

步驟8：計(jì)算代價(jià)函數(shù)對(duì)最后一層參數(shù)和tb_k的導(dǎo)數(shù)

其中矩陣則代價(jià)函數(shù)對(duì)參數(shù)的導(dǎo)數(shù)為

類似的可以得到代價(jià)函數(shù)對(duì)參數(shù)tb_k的導(dǎo)數(shù)為

步驟9：對(duì)輸入的訓(xùn)練矩陣樣本集和結(jié)果進(jìn)行訓(xùn)練，按照梯度下降法對(duì)訓(xùn)練參數(shù)進(jìn)行更新，具體步驟如下：

(1)輸入訓(xùn)練矩陣樣本和結(jié)果隨機(jī)初始化權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)，以及和tb_k，學(xué)習(xí)率η，誤差ε，i＝1；

(2)通過(guò)步驟7和步驟8，計(jì)算得到參數(shù)梯度下降方向和

(3)按照梯度下降方向?qū)?quán)值矩陣U^(l)、V^(l)和偏移B^(l)，以及和tb_k進(jìn)行更新

(4)i＝i+1，重復(fù)步驟(2)-步驟(3)，直到L<ε，或者i小于最大迭代次數(shù)，最終得到權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)，以及參數(shù)和tb_k；

步驟10：將需要進(jìn)行故障診斷的隔離刀閘紅外圖像，同步驟1和步驟2對(duì)其進(jìn)行灰度化和歸一化，得到預(yù)測(cè)矩陣樣本集

其中f_i′(:,:,1)表示第i張待預(yù)測(cè)紅外圖像的R通道分量；f_i′(:,:,2)表示第i張待預(yù)測(cè)紅外圖像的G通道分量；f_i′(:,:,3)表示第i張待預(yù)測(cè)紅外圖像的B通道分量；

步驟11：通過(guò)步驟9得到權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)，其中l(wèi)＝1,...,L-1，代入到第1層到L層之間各層的關(guān)系模型中，求得X′^(L)；

X′^(l+1)＝σ(U^(l)X′^(l)V^(l)T+B^(l))，l＝1,...,L-1

步驟12：將步驟9得到的和tb_k，以及步驟11得到的X′^(L)代入第L層到輸出層之間的關(guān)系模型中，得到最終Y′＝[y₁′,y₂′,y₃′,y₄′]，其中

最后通過(guò)Y′來(lái)預(yù)測(cè)隔離刀閘故障情況，其中第1列為1表示設(shè)備處于正常狀態(tài)、第2列為1表示設(shè)備處于一般缺陷狀態(tài)、第3列為1表示設(shè)備處于重要缺陷狀態(tài)、第4列為1表示設(shè)備處于緊急缺陷狀態(tài)。

因此，本發(fā)明的基于矩陣神經(jīng)網(wǎng)絡(luò)的隔離刀閘故障診斷方法，對(duì)矩陣進(jìn)行奇異值分解，將神經(jīng)網(wǎng)絡(luò)拓展到矩陣神經(jīng)網(wǎng)絡(luò)，直接輸入隔離刀閘的紅外圖像進(jìn)行訓(xùn)練學(xué)習(xí)，有效提高學(xué)習(xí)速度，實(shí)現(xiàn)基于紅外圖像的隔離刀閘的故障快速準(zhǔn)確診斷。

附圖說(shuō)明

圖1是本發(fā)明中故障隔離刀閘紅外圖像；

圖2是本發(fā)明中另一故障隔離刀閘紅外圖像。

具體實(shí)施方式

下面通過(guò)實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。

實(shí)施例1：基于圖像識(shí)別的隔離刀閘紅外診斷方法，步驟如下：

步驟1：采集N＝500張隔離刀閘的紅外圖像，將其進(jìn)行高斯濾波，降低噪點(diǎn)的影響，得到訓(xùn)練紅外圖像樣本集

步驟2：將訓(xùn)練紅外圖像樣本集分別進(jìn)行灰度化和歸一化，最終得到訓(xùn)練矩陣樣本集

X_i＝0.00117f_i(:,:,1)+0.00230f_i(:,:,2)+0.00045f_i(:,:,3)

其中f_i(:,:,1)表示第i張紅外圖像的R通道分量；f_i(:,:,2)表示第i張紅外圖像的G通道分量；f_i(:,:,3)表示第i張紅外圖像的B通道分量；

步驟3：根據(jù)每張紅外圖像的故障情況，按照缺陷等級(jí)劃分為正常、一般缺陷、重要缺陷和緊急缺陷4類，由此得到一個(gè)訓(xùn)練集缺陷結(jié)果向量其中Y_i由(0,1)構(gòu)成，其長(zhǎng)度為4分別代表4類，每張圖像只能歸屬于某一類，故只有一個(gè)1其它元素均為0；

步驟4：將訓(xùn)練樣本放入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，但是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)僅支持訓(xùn)練樣本為向量，這樣會(huì)丟失紅外圖像結(jié)構(gòu)的完整性，由此我們提出一種矩陣神經(jīng)網(wǎng)絡(luò)，其基本模型如下：

Y＝σ(UXV^T+B)+E

其中，Y為缺陷結(jié)果，X為紅外圖像矩陣樣本，U和V為連接權(quán)值，B為當(dāng)前層的偏移矩陣，σ()為激活函數(shù)，E為誤差；

這里我們定義一個(gè)3(L＝2)層的神經(jīng)網(wǎng)絡(luò)，第1層輸入層，輸入訓(xùn)練矩陣樣本集第3層為輸出層，輸出訓(xùn)練結(jié)果中間為隱藏層，其中第1層到第2之間各層的關(guān)系為：

X^(l+1)＝σ(U^(l)X^(l)V^(l)T+B^(l))，l＝1,...,L-1

其中X^(l+1)為中間第l+1層結(jié)果。

第L層到輸出層之間的關(guān)系為：

其中y_k為第k個(gè)樣本的訓(xùn)練輸出結(jié)果；

步驟5：為了得到最優(yōu)訓(xùn)練結(jié)果，我們定義代價(jià)函數(shù)L為：

這里我們使用梯度下降法，需要將代價(jià)函數(shù)分別對(duì)步驟4中的參數(shù)U，V，B，tb_k進(jìn)行求導(dǎo)，然后對(duì)參數(shù)進(jìn)行修正，達(dá)到最終最優(yōu)解；

步驟6：計(jì)算代價(jià)函數(shù)對(duì)中間層因子N^(l)的導(dǎo)數(shù)

其中N^(l)＝U^(l)X^(l)V^(l)T+B^(l)，l＝1,...,L-1，則

由鏈?zhǔn)椒▌t我們可以得到

其中

代入得到

其中表示克羅內(nèi)克乘積算子；

直接計(jì)算得到

由此我們得到代價(jià)函數(shù)對(duì)中間層因子N^(l)的導(dǎo)數(shù)為

其中表示矩陣的點(diǎn)積，

步驟7：由步驟6再分別計(jì)算代價(jià)函數(shù)對(duì)權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)的導(dǎo)數(shù)

由此我們得到代價(jià)函數(shù)對(duì)權(quán)值矩陣U^(l)的導(dǎo)數(shù)為

類似的，求解代價(jià)函數(shù)對(duì)權(quán)值矩陣V^(l)和偏移B^(l)的導(dǎo)數(shù)為

其中參數(shù)通過(guò)步驟6求得；

步驟8：計(jì)算代價(jià)函數(shù)對(duì)最后一層參數(shù)和tb_k的導(dǎo)數(shù)

其中矩陣則代價(jià)函數(shù)對(duì)參數(shù)的導(dǎo)數(shù)為

類似的可以得到代價(jià)函數(shù)對(duì)參數(shù)tb_k的導(dǎo)數(shù)為

步驟9：對(duì)輸入的訓(xùn)練矩陣樣本集和結(jié)果進(jìn)行訓(xùn)練，按照梯度下降法對(duì)訓(xùn)練參數(shù)進(jìn)行更新，具體步驟如下：

(1)輸入訓(xùn)練矩陣樣本和結(jié)果隨機(jī)初始化權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)，以及和tb_k，學(xué)習(xí)率η＝0.01，誤差ε＝0.01，i＝1；

(2)通過(guò)步驟7和步驟8，計(jì)算得到參數(shù)梯度下降方向和

(3)按照梯度下降方向?qū)?quán)值矩陣U^(l)、V^(l)和偏移B^(l)，以及和tb_k進(jìn)行更新

(4)i＝i+1，重復(fù)步驟(2)-步驟(3)，直到L<ε，或者i小于最大迭代次數(shù)，最終得到權(quán)值矩陣U^(l)、V^(l)和偏移B^(l)，以及參數(shù)和tb_k。

步驟10：將需要進(jìn)行故障診斷的2張隔離刀閘紅外圖像，同步驟1和步驟2對(duì)其進(jìn)行灰度化和歸一化，得到預(yù)測(cè)矩陣樣本集

其中f_i′(:,:,1)表示第i張待預(yù)測(cè)紅外圖像的R通道分量；f_i′(:,:,2)表示第i張待預(yù)測(cè)紅外圖像的G通道分量；f_i′(:,:,3)表示第i張待預(yù)測(cè)紅外圖像的B通道分量；

步驟11：通過(guò)步驟9得到權(quán)值矩陣U⁽¹⁾、V⁽¹⁾和偏移B⁽¹⁾，代入到第1層到2層之間各層的關(guān)系模型中，求得X′⁽²⁾；

X′⁽²⁾＝σ(U⁽¹⁾X′⁽¹⁾V^(1)T+B^(l))

步驟12：將步驟9得到的和tb_k，以及步驟11得到的X′⁽²⁾代入第L層到輸出層之間的關(guān)系模型中，得到最終Y′＝[y₁′,y₂′,y₃′,y₄′]，其中

最后通過(guò)Y′來(lái)預(yù)測(cè)隔離刀閘故障情況，其中第1列為1表示設(shè)備處于正常狀態(tài)、第2列為1表示設(shè)備處于一般缺陷狀態(tài)、第3列為1表示設(shè)備處于重要缺陷狀態(tài)、第4列為1表示設(shè)備處于緊急缺陷狀態(tài)。

最終得到表示兩張隔離刀閘紅外圖像均處于緊急缺陷狀態(tài)，如圖1和圖2中所示兩張隔離刀閘紅外圖像，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果一致。

所述的隔離刀閘故障診斷方法采用FLIR T640+TMS320C6415組成隔離刀閘故障監(jiān)測(cè)儀。