低压万能式断路器附件故障诊断的新方法

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式，因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确，导致故障识别率降低。

针对此问题，河北工业大学人工智能与数据科学学院、省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）的研究人员孙曙光、李勤、杜太行、崔景瑞、王景芹，在2020年第12期《电工技术学报》上撰文，提出一种基于第一层宽卷积核自适应一维深度卷积神经网络（AW-1DCNN）的故障诊断算法。

相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段，该方法将两者合二为一。实验结果表明，该算法不仅能对不同相位下同一故障进行有效识别，而且在泛化实验中仍能保持较高的故障识别率，能够有效地克服合闸相位变化对故障诊断结果的影响。

万能式断路器是低压配电系统中的保护和控制设备，其健康状态对配电系统的性能、稳定性有着重要的影响，因此其日常维护也至关重要。分合闸附件作为断路器的关键部件，正常工作是断路器可靠运行的关键保证。

但是，在断路器长期的运行过程中，分合闸附件往往会出现不同类别的机械故障，影响断路器的正常工作。鉴于此，为提高万能式断路器运行可靠性，对分合闸附件动作过程中可能出现的故障进行有效的监测、分析以及诊断是非常重要的。

在故障诊断中，特征信号的选取是实现诊断目标的前提，在分合闸过程中，断路器分合闸线圈电流信号不仅易于检测，而且含有丰富的机械状态信息，可作为断路器故障诊断的依据。国内外很多专家学者都提出了基于分合闸线圈电流信号来监测和诊断断路器的机械状态。

但是，相关文献中高压断路器分合闸线圈均采用直流供电，不需考虑合闸相位对线圈电流信号特性带来的影响。而与高压断路器分合闸线圈供电方式相比，在实际的低压万能式断路器故障诊断研究当中，对不同相位下线圈电流信号进行分析更具有现实意义。

近年来，机器学习在学术界和工业界发展迅猛，其已成为当前智能故障诊断的主流算法。但是，这些智能诊断算法也普遍存在一些难以忽略的弊端，如对原始信号特征提取要求较高，需要人工特征提取和一定的专家知识、泛化能力较差、易产生局部最优解等问题。

此外，对于万能式断路器而言，同一故障状态下，线圈回路合闸相位不同导致电流信号波形存在一定的差异。针对这种现象，传统智能故障诊断方法往往会出现故障特征提取不准确，因此需要采取合适的算法来克服这种缺陷。

为解决上述传统智能故障诊断算法的不足，深度学习（Deep Learning, DL）理论为智能故障诊断提供了新思路和行之有效的解决办法。DL是由多层隐含层构建的深层模型，其利用多层网络结构逐层深入地学习原始输入量的抽象信息，以实现故障特征的自动提取，摆脱了传统诊断算法对人工特征提取和领域内专家知识的依赖。

卷积神经网络（Convolutional Neural Network, CNN）是DL中最重要的模型之一，其网络通过局部权值共享极大地减少了网络参数的数量，降低了网络的复杂度，在一定程度上解决了局部最优解的问题，且泛化能力较好。一些专家已经将CNN应用到故障诊断研究领域中，并取得了不错的成果。

这些研究拓宽了CNN在故障诊断领域中的应用范围，但均是将一维的原始信号转化为二维的图片，利用二维CNN来完成故障诊断，没有最大化地发挥CNN自动学习原始信号特征的优势，限制了故障识别率进一步提高。

此外，线圈电流信号作为一维的时域信号，其各个时刻上的数据信息是相互关联的，若直接把线圈电流信号转化为二维的图片形式，则会造成原始电流信号之间的关联性被破坏，导致故障信息丢失。

鉴于此，为适应时域信号的处理，同时能够最大化地发挥CNN自动学习原始信号特征的优势，Jian等提出了一维融合神经网络（One-dimensional Fusion Neural Network, OFNN）的故障诊断模型，该方法直接从原始振动信号中自适应提取特征，避免了对人工特征提取的依赖，并成功应用于滚动轴承的故障诊断。

针对上述分析，河北工业大学的研究人员借鉴CNN故障诊断相关研究进展，并根据一维电流信号的特点，在现有的研究基础上，重点研究低压万能式断路器分合闸附件的故障诊断，提出了基于第一层宽卷积核自适应一维深度卷积神经网络（Adaptive one-Dimensional deep Convolutional Neural Networks with Wide first-layer kernel, AW-1DCNN）的低压万能式断路器分合闸附件的智能故障诊断模型。

图1  AW-1DCNN模型结构

为提高模型自动提取各状态特征的能力，构建第一层卷积层的卷积核为宽卷积核，来获取更多的数据并为深层网络提供更多的有效信息，而深层卷积核为小卷积核可以增强网络的表达能力，从而实现以原始电流数据为输入，以故障诊断结果为输出的自适应诊断模型。

图2  实验系统结构

图3  基于AW-1DCNN的故障诊断流程

研究人员通过与传统智能故障诊断方法以及现有深度学习算法相比，结果表明：

1）AW-1DCNN算法不需要依赖人工特征提取和专家知识，实现了对原始电流信号故障特征的自适应提取，降低了故障诊断的操作难度，提高了故障诊断结果的准确度。

2）AW-1DCNN算法是标准1DCNN算法的改进，其在保留原方法强大的非线性特征自学习能力的同时将模型的第一层卷积层的卷积核设为宽卷积核，提高了模型提取原始输入信号故障特征的能力，有效地实现了小样本下的故障识别。

3）AW-1DCNN算法具有较强的泛化能力，通过设计不同的实验数据集，故障诊断识别率均达到了95%以上，充分证明了该算法能够很好地克服线圈回路合闸相位随机性的问题，故障识别率远优于BPNN和MKL-SVM这两种传统智能故障诊断算法，且与LSTM和标准的1DCNN相比，诊断结果也更加优异，且模型的稳定性更高。

考虑到目前只是针对一种型号的断路器进行分析研究，在后续的研究中，将对不同型号的断路器进行进一步的分析，从而使算法的泛化性能得到更高的提升；同时万能式断路器作为在线运行的低压配电器，后续工作中应考虑如何实现万能式断路器的在线诊断问题；此外，还应在复杂的应用场合中验证所提算法的可扩展性。

以上研究成果发表在2020年第12期《电工技术学报》，论文标题为“基于一维卷积神经网络的低压万能式断路器附件故障诊断”，作者为孙曙光、李勤、杜太行、崔景瑞、王景芹。