一种环保型气体开关设备的故障诊断方法及系统

技术领域

本发明属于电力设备气体分解产物检测领域，涉及一种环保型气体开关设备的故障诊断方法及系统。

背景技术

由于SF

发明内容

针对现有技术中存在的问题，本发明提供一种环保型气体开关设备的故障诊断方法及系统，从而解决现有技术中的传感器在中低温条件下的灵敏度、响应速度、可靠性降低的技术问题，同时还解决了现有技术中采用深度卷积神经网络用于气体分解产物检测中，检测精度随环境因素而明显降低的技术问题。

本发明是通过以下技术方案来实现：

一种环保型气体开关设备的故障诊断方法，包括以下步骤：

S1：获取CeO

S2：将获取的传感器阵列的响应值输入预先设定的自适应尺度卷积神经网络中，并利用所述自适应尺度卷积神经网络对环保型气体开关设备的故障类型以及设备运行情况进行判断；

S3：获取判断的故障类型以及设备运行情况，完成所述环保型气体开关设备的故障诊断。

优选的，所述步骤S1中，CeO

/>

式中：xi为所述CeO

优选的，所述自适应尺度卷积神经网络包括四个卷积块、每个卷积块后跟随最大池化层，最后一个卷积块后由全连接层将学习到的特征连接起来，最后经过全局平均池化层提炼特征；所述每个卷积块包括两个卷积层。

优选的，所述卷积层后设置一个激活函数，所述激活函数采用高斯误差线性单元。

优选的，所述自适应尺度卷积神经网络的构建包括以下步骤：

S201：获取已知特征产物占比不同时的CeO

S202：采用所述训练数据集对所述自适应尺度卷积神经网络进行训练，得到所述自适应尺度卷积神经网络的运行参数；

S203：采用所述测试数据集对所述运行参数进行测试，完成所述自适应尺度卷积神经网络的构建。

优选的，所述自适应尺度卷积神经网络的损失函数采用交叉熵。

优选的，所述故障类型包括局部过热故障、火花放电故障或工频击穿故障。

优选的，所述设备运行情况包括良好、潜伏性故障或严重故障。

一种环保型气体开关设备的故障诊断系统，包括：

数据采集模块100：所述数据采集模块用于获取CeO

数据处理模块200，所述数据处理模块用于将获取的传感器阵列的响应值输入预先设定的自适应尺度卷积神经网络中，并利用所述自适应尺度卷积神经网络对环保型气体开关设备的故障类型以及设备运行情况进行判断；

结果输出模块300，所述结果输出模块用于获取判断的故障类型以及设备运行情况，完成所述环保型气体开关设备的故障诊断。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

与现有技术相比，本发明具有以下有益的技术效果：

一种环保型气体开关设备的故障诊断方法，利用CeO

进一步的，传感器阵列的响应值为CeO

进一步的，自适应尺度卷积神经网络的构建过程中通过测试数据集对所述运行参数进行测试，有效提高了适应尺度卷积神经网络对于故障类型以及设备运行情况的识别精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明中一种环保型气体开关设备的故障诊断方法的流程示意图；

图2为本发明中一种CeO

图3为本发明中自适应尺度卷积神经网络结构示意图，包括多尺度特征提取、卷积、连接和全局平均池化过程；

图4为本发明中一种环保型气体开关设备的故障诊断系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

如图1所示，一种环保型气体开关设备的故障诊断方法，包括以下步骤：

S1：获取CeO

其中，如图2所示，一种CeO

具体的方法可以为：

S101、将1.5mg多壁碳纳米管(内径为5～10nm，外径为15～25nm，长度为10～35nm)粉末进行超声振荡处理12h，使其分散于15ml无水乙醇中；

S102、将1.5g Ce(NO)

S103、将得到的碳纳米管悬浮液与硝酸铈溶液混合后搅拌15min，超声振荡35min；

S104、将1.5g尿素溶于50ml无水乙醇后加入混合液继续搅拌30min；

S105、将混合液置于高压反应釜中保持130℃持续15h；

S106、利用离心分离将沉淀物与溶液分离，并进行一定次数的纯水和乙醇洗涤，以去除未反应杂质；

S107、将S106得到的产物进行60℃干燥处理72h；

S108、干燥完毕的产物经过研磨得到均匀粉末，将粉末置于加热炉中300℃煅烧2h，加热速率为2℃/min；

S109、煅烧完毕得到CeO

通过上述方法得到的CeO

本发明还公开一种传感器阵列，包含有本发明中的CeO

将CeO

进一步的，CeO

式中：x

S2：将获取的传感器阵列的响应值输入预先设定的自适应尺度卷积神经网络中，并利用所述自适应尺度卷积神经网络对环保型气体开关设备的故障类型以及设备运行情况进行判断；

其中，如图3所示，自适应尺度卷积神经网络包括四个卷积块、每个卷积块后跟随最大池化层，最后一个卷积块后由全连接层将学习到的特征连接起来，最后经过全局平均池化层提炼特征；所述每个卷积块包括两个卷积层，每个卷积层后设置一个激活函数，该激活函数采用高斯误差线性单元。

自适应尺度卷积神经网络的构建包括以下步骤：

S201：获取已知特征产物占比不同时的CeO

S202：采用所述训练数据集对所述自适应尺度卷积神经网络进行训练，得到所述自适应尺度卷积神经网络的运行参数；

S203：采用所述测试数据集对所述运行参数进行测试，完成所述自适应尺度卷积神经网络的构建。

具体为建立自适应尺度卷积神经网络模型时，将部分数据作为训练集训练提高网络的识别精度，利用测试集测试网络的检测性能，从而实现不同类型故障的识别。

该传感器阵列上CeO

自适应尺度卷积神经网络的损失函数采用交叉熵。故障类型包括局部过热故障、火花放电故障或工频击穿故障。设备运行情况包括良好、潜伏性故障或严重故障。

S3：获取判断的故障类型以及设备运行情况，完成所述环保型气体开关设备的故障诊断。

具体的，自适应尺度卷积神经网络模型建立过程具体如下：

每个传感器薄膜的信号x为在采样时间段T内的固定时间点(1～N)的响应值组成的响应值序列：

{x

依据离散小波分析，利用变化采样率2

对于一个传感器在采样时长T内的信号的卷积过程如下：

其中β表示应用在传感器信号X上的卷积结果，ω为卷积核，b为偏参数，L为过滤器长度，f表示卷积中的非线性激活函数。

每一尺度的特征提取过程都包含四个卷积块，每个卷积块包括两个卷积层，每个卷积层后面跟随一个激活函数，激活函数采用高斯误差线性单元，避免多层网络退化成单层线性网络。并通过池化对高维数据进行降维，卷积层通过池化层后一般要通过全连接层，使得全连接层参数过多，增加模型本身的冗余。本方法采用全局平均池化层综合特征信息，降低参数数量的同时防止出现过拟合。

每个样本对应一次气体检测，气体传感器阵列位于气室中，在通入被测气体之前先通入一定时间的洁净气体，以去除残留杂质。同时传感器接通电源，记录传感器在洁净气体中的初始电阻值。经过一定检测时限后传感器检测完毕，再次向气室内冲入洁净气体使传感器的电阻值恢复到初始值。进行下一次检测操作。

本发明中模型建立过程中通过基于时间域的多尺度特征提取手段能够得到更多的数据信息，提高了网络对于时序特征的学习能力；将传感器阵列检测的数据按照一定比例分为训练集和测试集，训练集训练网络构成并调节网络参数，测试集测试网络的识别精度，实现了对数据的充分利用；采用交叉熵、自适应学习率等算法，通过不断迭代完成网络参数的优化。

更加优选的，自适应尺度卷积神经网络模型中，每一尺度的特征提取过程中通过对结构的设计和优化，其中激活函数采用高斯误差线性单元，避免多层网络退化成单层线性网络。并通过池化对高维数据进行降维，同时采用全局平均池化层综合特征信息，降低参数数量的同时防止出现过拟合。

本发明对于故障类型的判断依据为：作为数据来源的气体样本根据不同故障类型的不同特征产物选取，如局部过热故障的含量较高产物为C

本发明对于设备运行状态的判断依据为：从C

本发明选取碳纳米管气敏传感器通过在碳纳米管中掺杂CeO

如图4所示，本发明还公开一种环保型气体开关设备的故障诊断系统，包括：

数据采集模块100：所述数据采集模块用于获取CeO

数据处理模块200，所述数据处理模块用于将获取的传感器阵列的响应值输入预先设定的自适应尺度卷积神经网络中，并利用所述自适应尺度卷积神经网络对环保型气体开关设备的故障类型以及设备运行情况进行判断；

结果输出模块300，所述结果输出模块用于获取判断的故障类型以及设备运行情况，完成所述环保型气体开关设备的故障诊断。

本发明一实施例提供的终端设备的示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。