本發(fā)明屬于斷路器設(shè)備的開關(guān)安全性識別，具體而言，涉及一種斷路器設(shè)備的可靠性診斷方法、介質(zhì)及系統(tǒng)。

背景技術(shù)：

1、斷路器是電力系統(tǒng)中的關(guān)鍵設(shè)備，其可靠性直接影響著電網(wǎng)的安全穩(wěn)定運(yùn)行。隨著智能電網(wǎng)的快速發(fā)展，對斷路器的可靠性和維護(hù)效率提出了更高的要求。傳統(tǒng)的斷路器維護(hù)方式主要依賴于定期檢修和人工巡檢，這種方式存在維護(hù)成本高、效率低、無法及時發(fā)現(xiàn)潛在故障等問題。

2、近年來，隨著傳感器技術(shù)、信號處理技術(shù)和人工智能技術(shù)的進(jìn)步，基于狀態(tài)監(jiān)測的斷路器故障診斷方法得到了廣泛研究和應(yīng)用?，F(xiàn)有的斷路器故障診斷方法主要包括基于振動信號分析、基于聲音信號分析、基于電流信號分析等單一信號源的診斷方法。這些方法在一定程度上提高了斷路器故障診斷的準(zhǔn)確性和實(shí)時性，但仍存單一信號源的診斷方法難以全面反映斷路器的運(yùn)行狀態(tài)，容易受到環(huán)境噪聲和干擾的影響，導(dǎo)致安全識別結(jié)果不穩(wěn)定。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種斷路器設(shè)備的可靠性診斷方法、介質(zhì)及系統(tǒng)，能夠解決現(xiàn)有技術(shù)存在的單一信號源的診斷方法難以全面反映斷路器的運(yùn)行狀態(tài)，容易受到環(huán)境噪聲和干擾的影響，導(dǎo)致安全識別結(jié)果不穩(wěn)定的技術(shù)問題。

2、本發(fā)明是這樣實(shí)現(xiàn)的：

3、本發(fā)明的第一方面提供一種斷路器設(shè)備的可靠性診斷方法，其中，包括以下步驟：

4、s10、連續(xù)獲取斷路器運(yùn)行過程中的音頻信號和振動信號；

5、s20、對所述音頻信號進(jìn)行短時傅里葉變換和自適應(yīng)中值濾波，得到第一音頻信號；對所述振動信號進(jìn)行小波去噪和包絡(luò)分析，得到第一振動信號；

6、s30、對按照時間對齊的音頻信號和振動信號采用預(yù)設(shè)的融合方程組進(jìn)行融合得到融合信號，所述融合方程組包括加權(quán)平均融合方程、自適應(yīng)濾波融合方程、小波系數(shù)融合方程、互相關(guān)融合方程、能量比融合方程、主成分分析融合方程；

7、s40、調(diào)整所述融合方程組的參數(shù)，得到多組融合信號；

8、s50、對所述多組融合信號分別進(jìn)行特征提取，得到多組融合特征；

9、s60、利用遺傳算法優(yōu)化所述多組融合特征的權(quán)重，基于最小均方誤差準(zhǔn)則，利用所述多組融合特征計(jì)算最優(yōu)融合特征；

10、s70、將所述最優(yōu)融合特征輸入到預(yù)先訓(xùn)練好的斷路器機(jī)械故障診斷模型中，得到所述斷路器的故障診斷結(jié)果；

11、s80、將所述故障診斷結(jié)果與預(yù)設(shè)的安全閾值進(jìn)行比較，如果故障診斷結(jié)果超過安全閾值，則判定斷路器存在潛在故障風(fēng)險(xiǎn)；如果故障診斷結(jié)果未超過安全閾值，則判定斷路器處于正常工作狀態(tài)；基于故障診斷結(jié)果和安全閾值的比較結(jié)果，計(jì)算斷路器的可靠性，并輸出。

12、其中，所述融合方程組中的每個方程，具體表示如下：

13、1.加權(quán)平均融合方程:

14、f(t)＝waa(t)+wvv(t)；

15、式中，f(t)為融合后的信號；a(t)為音頻信號；v(t)為振動信號；wa和wv分別為音頻和振動信號的權(quán)重,滿足wa+wv＝1；權(quán)重可通過分析各信號的信噪比或能量來確定,也可以通過交叉驗(yàn)證等方法優(yōu)化。

16、2.自適應(yīng)濾波融合方程:

17、

18、式中，f(n)為融合后的離散時間信號；hξ(n)為自適應(yīng)濾波器的系數(shù)；m為濾波器階數(shù)；wa和wv為權(quán)重系數(shù)；濾波器系數(shù)可通過lms或rls等自適應(yīng)算法更新:

19、hξ(n+1)＝hξ(n)+μe(n)x(n-ξ)；

20、其中μ為步長參數(shù),e(n)為誤差信號,x(n)為輸入信號。

21、3.小波系數(shù)融合方程:

22、f＝w-1(φ(wa(a),wv(v)))；

23、式中，wa和wv分別表示對音頻和振動信號的小波變換；w-1表示逆小波變換；φ為小波系數(shù)的融合函數(shù),可以選擇最大值、加權(quán)平均等:

24、

25、或

26、φ(ca,cv)＝waca+wvcv；

27、小波基函數(shù)和分解層數(shù)是可調(diào)參數(shù)。

28、4.互相關(guān)融合方程:

29、

30、或離散形式:

31、

32、其中n為互相關(guān)窗口大小,作為調(diào)整參數(shù)。

33、5.能量比融合方程:

34、

35、其中ea和ev分別為音頻和振動信號的能量:

36、

37、可以選擇不同的時間窗口計(jì)算局部能量比。

38、6.主成分分析融合方程:

39、

40、式中，[a,v]為將音頻和振動信號組合成的矩陣；uk,σk,vk為[a,v]奇異值分解后取前k個主成分得到的矩陣；k為主成分?jǐn)?shù)量,可作為調(diào)整參數(shù)。

41、進(jìn)一步的，調(diào)整所述融合方程組的參數(shù)的方法具體包括:

42、1.定義參數(shù)向量：

43、θ＝[θ1,θ2,...,θn]

44、其中θi表示第i個需要調(diào)整的參數(shù)，n為參數(shù)總數(shù)。

45、2.定義目標(biāo)函數(shù)：

46、

47、其中l(wèi)為損失函數(shù)，yi為真實(shí)標(biāo)簽，為使用參數(shù)θ得到的預(yù)測結(jié)果，m為樣本數(shù)量。

48、3.參數(shù)優(yōu)化過程：

49、

50、其中，

51、其中θ*為最優(yōu)參數(shù)組合，和分別為第i個參數(shù)的下界和上界。

52、4.迭代優(yōu)化算法(以梯度下降為例)：

53、

54、其中t為迭代次數(shù)，α為學(xué)習(xí)率。

55、5.交叉驗(yàn)證：

56、

57、其中k為交叉驗(yàn)證的折數(shù)，jk(θ)為第k折的驗(yàn)證集上的目標(biāo)函數(shù)值。

58、6.網(wǎng)格搜索：

59、

60、其中為第i個參數(shù)的候選值集合。

61、7.可選的，隨機(jī)搜索：

62、

63、其中表示在區(qū)間上的均勻分布。

64、8.可選的，貝葉斯優(yōu)化：

65、

66、其中ei為期望改進(jìn)函數(shù)，為t次迭代后的觀測數(shù)據(jù)集。

67、9.可選的，遺傳算法：

68、θ(t:1)＝ga(θ(t),f,pc,pm)

69、其中g(shù)a表示遺傳算法操作，f為適應(yīng)度函數(shù)，pc為交叉概率，pm為變異概率。

70、10.可選的，粒子群優(yōu)化：

71、

72、其中vi為粒子速度，w為慣性權(quán)重，c1和c2為加速常數(shù)，r1和r2為隨機(jī)數(shù)，pi為粒子最佳位置，g為全局最佳位置。

73、最終得到融合方程的不同參數(shù)。

74、進(jìn)一步的，所述斷路器機(jī)械故障診斷模型的訓(xùn)練步驟，具體是：

75、建立訓(xùn)練數(shù)據(jù)集，具體是按照s10-s60的步驟，獲取多組已知機(jī)械故障的斷路器的最優(yōu)融合特征；

76、模型訓(xùn)練，具體是建立一個多層感知機(jī)網(wǎng)絡(luò)，并采用所述訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，其中，訓(xùn)練的輸入為每一組已知機(jī)械故障的斷路器的最優(yōu)融合特征，訓(xùn)練的輸出為對應(yīng)的已知機(jī)械故障，得到斷路器機(jī)械故障診斷模型。

77、所述多組一般為32組以上，已知機(jī)械故障包括多種類型的機(jī)械故障。

78、具體而言，所述步驟s10包括：

79、步驟101、在斷路器的關(guān)鍵位置安裝高靈敏度的音頻傳感器和振動傳感器，所述音頻傳感器選用具有寬頻響應(yīng)范圍的電容式麥克風(fēng)，所述振動傳感器選用三軸壓電加速度傳感器；

80、步驟102、將所述音頻傳感器和所述振動傳感器的信號連接到數(shù)據(jù)采集卡；

81、步驟103、通過定制的數(shù)據(jù)采集軟件實(shí)時采集并存儲音頻信號和振動信號；

82、步驟104、對采集到的原始音頻信號和原始振動信號進(jìn)行時間戳標(biāo)記。

83、其中，所述步驟s20，具體包括：

84、步驟201、對所述音頻信號進(jìn)行短時傅里葉變換，得到音頻信號的時頻表示；

85、步驟202、對所述音頻信號的時頻表示進(jìn)行自適應(yīng)中值濾波，去除脈沖噪聲；

86、步驟203、對所述振動信號采用小波去噪方法進(jìn)行降噪處理；

87、步驟204、對降噪后的振動信號進(jìn)行希爾伯特變換，得到解析信號；

88、步驟205、計(jì)算所述解析信號的模，得到振動信號的包絡(luò)；

89、步驟206、對所述振動信號的包絡(luò)進(jìn)行平滑處理，使用移動平均濾波器。

90、其中，所述步驟s30，具體包括：

91、步驟301、將第一音頻信號和第一振動信號進(jìn)行時間對齊，采用互相關(guān)方法確定兩個信號的時間延遲；

92、步驟302、對時間對齊后的信號進(jìn)行加權(quán)平均融合；

93、步驟303、對時間對齊后的信號進(jìn)行自適應(yīng)濾波融合；

94、步驟304、對時間對齊后的信號進(jìn)行小波系數(shù)融合；

95、步驟305、對時間對齊后的信號進(jìn)行互相關(guān)融合；

96、步驟306、對時間對齊后的信號進(jìn)行能量比融合；

97、步驟307、對時間對齊后的信號進(jìn)行主成分分析融合。

98、其中，所述步驟s40，具體包括：

99、步驟401、定義參數(shù)向量，包括需要調(diào)整的所有參數(shù)；

100、步驟402、定義目標(biāo)函數(shù)，使用均方誤差損失函數(shù)；

101、步驟403、對加權(quán)平均融合方程的權(quán)重參數(shù)進(jìn)行調(diào)整；

102、步驟404、對自適應(yīng)濾波融合方程的濾波器階數(shù)和步長參數(shù)進(jìn)行調(diào)整；

103、步驟405、對小波系數(shù)融合方程的小波基和分解層數(shù)進(jìn)行調(diào)整；

104、步驟406、對互相關(guān)融合方程的窗口大小進(jìn)行調(diào)整；

105、步驟407、對能量比融合方程的局部能量計(jì)算窗口大小進(jìn)行調(diào)整；

106、步驟408、對主成分分析融合方程的主成分?jǐn)?shù)量進(jìn)行調(diào)整；

107、步驟409、采用網(wǎng)格搜索和隨機(jī)搜索相結(jié)合的方法進(jìn)行參數(shù)優(yōu)化；

108、步驟410、使用交叉驗(yàn)證評估參數(shù)性能，為每種融合方法選擇多組不同的參數(shù)組合。

109、其中，所述步驟s50，具體包括：

110、步驟501、對多組融合信號分別提取時域特征，包括均值、方差、偏度、峭度、峰值因子和裕度因子；

111、步驟502、對多組融合信號分別提取頻域特征，包括進(jìn)行快速傅里葉變換、計(jì)算功率譜密度、提取頻譜中心、提取頻譜方差和提取頻帶能量比；

112、步驟503、對多組融合信號分別提取時頻域特征，包括進(jìn)行連續(xù)小波變換、計(jì)算小波能量熵和提取小波系數(shù)統(tǒng)計(jì)特征；

113、步驟504、將所提取的時域特征、頻域特征和時頻域特征組合形成特征向量；

114、步驟505、對特征向量進(jìn)行主成分分析，進(jìn)行降維處理。

115、其中，所述步驟s60，具體包括：

116、步驟601、定義染色體編碼方式，每個染色體表示一組特征權(quán)重；

117、步驟602、初始化種群，隨機(jī)生成多個染色體；

118、步驟603、計(jì)算每個染色體的適應(yīng)度，使用加權(quán)特征進(jìn)行故障診斷，計(jì)算診斷準(zhǔn)確率作為適應(yīng)度；

119、步驟604、進(jìn)行選擇操作，采用輪盤賭選擇法；

120、步驟605、進(jìn)行交叉操作，使用算術(shù)交叉；

121、步驟606、進(jìn)行變異操作，采用高斯變異；

122、步驟607、進(jìn)行精英保留，保留當(dāng)前種群中最優(yōu)的個體到下一代；

123、步驟608、重復(fù)步驟603至步驟607，直到達(dá)到最大迭代次數(shù)或連續(xù)多代最優(yōu)適應(yīng)度無顯著改善；

124、步驟609、獲得最優(yōu)權(quán)重后，計(jì)算最優(yōu)融合特征；

125、步驟610、采用最小均方誤差準(zhǔn)則，使用梯度下降法對最優(yōu)融合特征進(jìn)行微調(diào)。

126、其中，所述步驟s70，具體包括：

127、步驟701、構(gòu)建多層感知機(jī)網(wǎng)絡(luò)作為故障診斷模型，包括輸入層、多個全連接層、多個dropout層和輸出層；

128、步驟702、使用歷史數(shù)據(jù)集對所述故障診斷模型進(jìn)行訓(xùn)練，采用交叉熵?fù)p失函數(shù)和adam優(yōu)化器；

129、步驟703、在訓(xùn)練過程中使用早停策略和學(xué)習(xí)率衰減策略；

130、步驟704、使用測試集評估模型性能，計(jì)算準(zhǔn)確率、精確率、召回率和f1分?jǐn)?shù)等指標(biāo)；

131、步驟705、將最優(yōu)融合特征輸入訓(xùn)練好的模型中，得到故障診斷向量；

132、步驟706、選擇故障診斷向量中概率最高的類型作為最終診斷結(jié)果。

133、可選的，所述步驟s80，具體包括：

134、將所述故障診斷結(jié)果與預(yù)設(shè)的安全閾值進(jìn)行比較，如果故障診斷結(jié)果超過安全閾值，則判定斷路器存在潛在故障風(fēng)險(xiǎn)；如果故障診斷結(jié)果未超過安全閾值，則判定斷路器處于正常工作狀態(tài)；基于故障診斷結(jié)果和安全閾值的比較結(jié)果，計(jì)算斷路器的可靠性，并輸出；其中，計(jì)算可靠性的公式，具體是：r＝e；λt；

135、其中:

136、r為斷路器的可靠性；

137、λ為故障率,計(jì)算公式為:

138、λ0為基準(zhǔn)故障率,可根據(jù)歷史數(shù)據(jù)或經(jīng)驗(yàn)值確定；

139、t為運(yùn)行時間。

140、可選的，所述步驟409中的網(wǎng)格搜索方法，具體包括：

141、步驟4091、為每個需要調(diào)整的參數(shù)設(shè)定一個搜索范圍和步長；

142、步驟4092、在所設(shè)定的參數(shù)空間中生成所有可能的參數(shù)組合；

143、步驟4093、對每個參數(shù)組合，使用訓(xùn)練數(shù)據(jù)評估模型性能；

144、步驟4094、選擇性能最佳的參數(shù)組合作為最優(yōu)參數(shù)；

145、所述隨機(jī)搜索方法，具體包括：

146、步驟4095、為每個需要調(diào)整的參數(shù)設(shè)定一個分布范圍；

147、步驟4096、從所設(shè)定的分布中隨機(jī)采樣生成多組參數(shù)組合；

148、步驟4097、對每個隨機(jī)生成的參數(shù)組合，使用訓(xùn)練數(shù)據(jù)評估模型性能；

149、步驟4098、選擇性能最佳的參數(shù)組合作為最優(yōu)參數(shù)。

150、可選的，所述步驟610中使用梯度下降法對最優(yōu)融合特征進(jìn)行微調(diào)的過程，具體包括：

151、步驟6101、計(jì)算目標(biāo)函數(shù)關(guān)于最優(yōu)融合特征的梯度；

152、步驟6102、根據(jù)梯度和學(xué)習(xí)率更新最優(yōu)融合特征；

153、步驟6103、重復(fù)步驟6101和步驟6102，直到滿足停止條件；

154、所述停止條件包括：達(dá)到最大迭代次數(shù)、目標(biāo)函數(shù)值變化小于預(yù)設(shè)閾值、梯度范數(shù)小于預(yù)設(shè)閾值中的至少一項(xiàng)。

155、可選的，所述步驟707中輸出診斷結(jié)果的過程，具體包括：

156、步驟7071、設(shè)置概率閾值，當(dāng)最高概率低于所述概率閾值時，給出疑似故障的診斷結(jié)果；

157、步驟7072、設(shè)置警戒閾值，當(dāng)某些關(guān)鍵故障類型的概率超過所述警戒閾值時，在診斷結(jié)果中給出警告信息；

158、步驟7073、根據(jù)診斷結(jié)果生成相應(yīng)的維護(hù)建議或進(jìn)一步檢查建議；

159、步驟7074、將主要診斷結(jié)果、診斷置信度、次要診斷結(jié)果和建議進(jìn)行整合，形成完整的診斷報(bào)告。

160、本發(fā)明的第二方面提供一種計(jì)算機(jī)可讀存儲介質(zhì)，其中，所述計(jì)算機(jī)可讀存儲介質(zhì)中存儲有程序指令，所述程序指令運(yùn)行時，用于執(zhí)行上述的一種斷路器設(shè)備的可靠性診斷方法。

161、本發(fā)明的第三方面提供一種斷路器設(shè)備的開關(guān)安全性識別系統(tǒng)，其中，包含上述的計(jì)算機(jī)可讀存儲介質(zhì)。

162、與現(xiàn)有技術(shù)相比較，本發(fā)明提供的一種斷路器設(shè)備的可靠性診斷方法、介質(zhì)及系統(tǒng)的有益效果是：

163、1.多信號源融合：本發(fā)明同時采集斷路器運(yùn)行過程中的音頻信號和振動信號，通過多種信號融合方法，充分利用不同信號源之間的互補(bǔ)信息，提高了故障特征的表達(dá)能力和抗噪聲能力。相比單一信號源的診斷方法，診斷的全面性和可靠性顯著提升。

164、2.自適應(yīng)信號處理：本發(fā)明采用短時傅里葉變換、自適應(yīng)中值濾波、小波去噪等方法對原始信號進(jìn)行預(yù)處理，有效提高了信號的信噪比，為后續(xù)特征提取奠定了良好基礎(chǔ)。

165、3.多樣化特征提?。罕景l(fā)明從時域、頻域和時頻域三個方面提取特征，全面刻畫了斷路器的運(yùn)行狀態(tài)。通過主成分分析進(jìn)行降維，提高了特征的表達(dá)效率。

166、4.特征融合優(yōu)化：本發(fā)明采用遺傳算法優(yōu)化多組融合特征的權(quán)重，并基于最小均方誤差準(zhǔn)則進(jìn)行微調(diào)，得到最優(yōu)融合特征。這種方法顯著提高了特征的判別能力和診斷模型的性能。

167、5.高性能診斷模型：本發(fā)明使用深度學(xué)習(xí)模型進(jìn)行故障診斷，相比傳統(tǒng)的機(jī)器學(xué)習(xí)方法，具有更強(qiáng)的特征學(xué)習(xí)能力和模式識別能力，能夠適應(yīng)復(fù)雜的故障模式和工況變化。

168、6.可靠性評估：本發(fā)明引入了概率閾值和警戒閾值，對診斷結(jié)果進(jìn)行可靠性評估，并給出相應(yīng)的警告信息和建議，為維護(hù)決策提供了有力支持。

169、綜上所述，本發(fā)明的一種斷路器設(shè)備的可靠性診斷方法在診斷準(zhǔn)確性、可靠性、適應(yīng)性和實(shí)時性等方面都取得了顯著進(jìn)步，解決了現(xiàn)有技術(shù)存在的單一信號源的診斷方法難以全面反映斷路器的運(yùn)行狀態(tài)，容易受到環(huán)境噪聲和干擾的影響，導(dǎo)致安全識別結(jié)果不穩(wěn)定的技術(shù)問題。