使用特征融合的高压断路器，对机械故障诊断的鲁棒性有何影响？

文| 云蘅

编辑| 云蘅

●—≺ 机械振动信号 ≻—●

作为电力系统中的重要保护和控制设备，高压断路器的运行状态直接关乎着整个电网的安全稳定。

然而在分闸､合闸和储能等操动状态下，断路器部件动作产生强烈的冲击，易引发铁芯卡涩､合闸弹簧疲劳､分闸弹簧疲劳等多种形式故障。

为此加强对高压断路器机械状态监测和故障诊断具有重要意义。

目前，高压断路器机械故障诊断可采用分合闸线圈电流､行程曲线､振动､声音等信号进行。

由于振动信号蕴含大量机械部件状态信息，利用非侵人式振动信号辨识断路器机械状态的方法得到广泛研究。

为此，本文采用机械振动信号对高压断路器机械故障进行诊断。

在基于振动信号分析的高压断路器机械故障诊断研究中，数据驱动的故障诊断方法通过挖掘故障样本与故障类型间的映射关系而取得了优异的性能。

传统数据驱动故障诊断方法先通过特征工程构建故障表征特征而后通过分类器进行故障分类。

然而特征工程依赖专家经验且上述方法泛化能力不强。

随着人工智能技术的发展，卷积神经网络因能够自动学习故障特征与故障类型之间的非线性关系而备受关注。

尤其是其强大的自动特征提取和优异的分类能力在高压断路器故障诊断上取得了显著效果。

然而，目前构建的卷积神经网络都是在可获取海量样本的前提下进行的，随着样本量减小模型性能下降严重。

现场运行中的高压断路器由于其故障概率和动作频率极低，且与实验室不同，现场运行中的高压断路器不可能人为设置故障获取样本。

因此，现场获取到的某些工况模式下的高压断路器故障样本极其稀少，实际高压断路器故障诊断为小样本分类问题针对现场数据匮乏的小样本故障诊断问题。

目前的主要解决思路分为两个方面，一方面是扩充数据，不仅代价高昂，而且获取数据多为正常数据，难以获取有效的故障样本。

另一方面则是依靠小样本学习方法来实现，主要包括迁移学习和元学习两种。

迁移学习虽然能够提升分类精度，但是其对源域数据的依赖严重。

元学习作为一种如何获得学习能力而不是学习本身的学习，只需简单的调整即可适应实际工业场景中的新任务。

其中基于度量的元学习方法通过测量查询集与支持集样本之间的距离，能够实现小样本分类，在变压器故障诊断轴承故障诊断和数据匮乏下的防窃电检测领域取得了优异的效果。

受启发于度量元学习，本文提出了特征融合度量学习模型用于现场小样本高压断路器机械故障诊断。

首先构建了特征融合卷积神经网络作为特征提取器来自动捕捉高压断路器故障可鉴别信息。

然后，开发最近邻匹配网络作为度量分类器，对现场小样本高压断路器故障进行分类。

通过情景训练和改进中心损失函数，实现特征融合度量学习模型在现场小样本上的训练和诊断。

在样本缺乏的条件下，特征融合度量学习模型能够实现现场小样本高压断路器机械故障的高精度、鲁棒诊断。

●—≺ 特征融合度量学习 ≻—●

为实现小样本下高压断路器故障的高精度、鲁棒诊断，本文引入了特征融合度量学习，在诊断模型构建过程中需要解决以下两个关键问题：

设计能够捕捉高压断路器故障可鉴别特征的特征提取器。

开发一个能够有效对现场小样本下高压断路器故障分类的度量分类器。在特征提取器设计过程中，本文提出了一种特征融合卷积神经网络，并引入了中心损失函数来形成鲁棒的特征空间分布。

在度量分类器设计过程中，本文采用最近邻匹配网络来实现高压断路器机械故障分类。

在训练过程中采用情景训练的方式，利用单个振动信号样本的属性信息和故障信号样本组的相似性信息来实现小样本高压断路器机械故障的有效诊断。

本文所构建的特征融合度量学习模型如图1所示。

为尽可能提取高压断路器机械故障信号的可鉴别特征，本文构建特征融合卷积神经网络作为特征提取器，其主要包括特征提取模块和特征融合模块两个部分组成。

在特征提取过程中，为避免现场小样本条件下的过拟合问题，本文以带有4个卷积层的卷积神经网络作为特征提取器了。其与原型网络中的特征提取器结构相同并通过反向传播来优化。

本文所提出的特征融合模块由高阶集成和关键区域定位两个部分组成。

高阶集成能够捕捉高压断路器同一类别故障中更为相似的特征和不同类别故障之间有区别的特征。

假设XeRkKMN为卷积层输出特征图，其中xEX是一个特定区域pEMxN的K维描述符。

X的高阶统计量的线性预测W可以表示为：

其中，Z中（x）为由齐次多项式核表征的高阶统XEX计量。在如图1所示的特征融合操作中，本文集成了二阶表示来捕获特征之间更复杂的高阶关系。

之后，通过全局平均池化（GAP）来进一步聚合特性。

关键区域定位能够发现目标之间的相似区域来提升模型小样本学习能力。

在训练过程中，f可以通过Grad-CAM生成图像的关键区域，即：

其中，α为类别c的第k个特征图的权重，α可通过下式计算：

其中，Z为特征图中的像素数，y°为类别c对应的分类评分，A为第k个特征图中i，j位置的像素值。

度量学习模块主要是利用一个类别中所有故障样本的深度特征描述来构造故障分类的局部特征空间。

考虑到振动样本的离散性，本文采用K近邻算法获得查询集样本与支持集中该类别样本的空间距离，实现现场小样本下高压断路器故障诊断。

具体来说，查询集Q中的每个样本q由特征提取器处理得到f（q）。依次查找x，在类别c中的K个最近邻，得到x。

然后，计算每个最近邻x和x之间的距离，最后将㎡个局部特征的距离与其K个最近邻相加，以获得与类别c匹配的查询集Q上样本q的相似度：

两个向量夹角的余弦值用来衡量它们之间的相关性。余弦距离可以降低对绝对值的敏感性，适用于离散数据之间距离的测量。向量，和x，的余弦相似度可以计算如下：

为获得优异的特征融合度量学习模型实现现场小样本下高压断路器故障诊断，本文以情景训练机制进行模型训练。

情景训练机制已被证明是一种从训练数据集中学习可转移知识的有效方法。

具体来说，网络通过C个任务进行训练。对于每个任务，有支持集S和查询集Q两个输人，每个样本的特征信息通过特征提取器处理得到，并根据度量学习模块将其与正确的类别进行匹配。

为提升高压断路器故障特征表示的分辨能力，本文引人中心损失来进行模型训练。

中心损失能够同时学习每个类的深度特征的中心，并惩罚深度特征与其对应的类中心之间的距离，其计算可表示如下：

其中，z=f（x）为从x中提取的深度特征，c表示第K个类别中心的深度特征。

考虑到高压断路器故障类别之间的差异是非常小的，仅将特征向量引人类中心，难以形成良好的分布。

为形成鲁棒嵌人空间分布，本文在中心损失中对难以接近中心的样本加人惩罚项，改进后的中心损失函数如下：

其中，β为平衡因数。C是没有被分类到正确的类中心的样本的负对数概率。C可以表示如下：

这是每个批次包含的第k类平均X：EX特征向量，E（·）为余弦距离。

本文构建了特征融合度量学习模型用于现场高压断路器故障诊断。

本文方法的整体框架如图2所示，主要包括数据集构建与划分､模型构建与训练､模型测试与部署3个部分组成。具体流程如下。

数据集构建与划分：在构建训练数据集的过程中，以实验室数据作为训练集，以现场数据作为测试集。

根据小样本学习数据集的设置形式，随机选取C-wayk-shot的支持集S和查询集Q。

为了训练出更好的特征融合度量学习模型，还需要将数据进行归一化处理。

首先构建如图1所示的特征融合度量学习，并对参数进行初始化。然后以情景训练机制对模型进行训练。

在模型训练过程中，支持集S用于训练故障分类模型，查询集Q用于评估模型的性能。

用上述训练好的模型进行小样本高压断路器故障诊断。此时测试集中的支持集S作为目标集的支撑实现查询集Q的分类，并将模型部署到现有高压断路器在线监测软件平台以实现故障诊断。

●—≺ 案例分析 ≻—●

为验证本文方法的有效性，首先在实验室内搭建基于ZN63A-12真空断路器的故障模拟系统以获取训练数据集，如图3所示。

压电加速度传感器安装在断路器横梁上，用于振动信号采集，型号为YD111T，灵敏度为10.06mV/g，可测范围为±5.00g（g=9.8m/s²），最大输出电压为5V。

数据采集单元采用NI公司生产的多功能设备（USB-6211），其更新速度为250KS/s。

本文在该平台上模拟了3种典型的机械故障：铁芯卡涩､合闸弹簧疲劳和分闸弹簧疲劳。

对每一类故障采集200个样本。同时，采集正常状态200个样本。4种机械状态信号在多台样机上获得，典型信号如图4所示。

为验证本文方法在现场小样本高压断路器故障诊断中的性能，本文利用某电力公司多年积累的现场运行中的断路器机械故障数据作为测试集进行验证。通过预处理，得到4种机械状态信号各40组。

图6给出了不同损失函数下模型的二维可视化结果，通过颜色和形状区分不同的故障类别。

从图6可以看出改进中心损失可以快速形成每个类的集群。另外，从故障样本的聚类结果上来看，改进中心损失函数使得相同类别故障更紧密地聚集在一起，而不同类别故障之间的距离更疏远。

因此，中心损失能够获得更鲁棒的特征空间分布。表1给出不同损失函数下的精度，由表1可以看出，改进中心损失在高压断路器故障诊断任务上表现得更好，相对于其他方法明显提升。

●—≺ 结论 ≻—●

针对现场数据匮乏的问题，本文提出了用于现场高压断路器机械故障诊断的特征融合度量学习方法，并利用现场数据验证了其优越性，主要结论如下：

特征融合度量学习能够有效实现现场小样本下高压断路器机械故障的高精度､鲁棒诊断，在支撑集样本数量为5时诊断精度已达到94.58%，明显优于迁移学习等其他方法。

为现场数据匮乏场景下的高压断路器机械故障诊断提供了可行方案。

度量学习的引人，能够在有限的支撑样本下实现小样本数据的匹配和分类。这种非参数的分类器有效避免了过拟合，解决了神经网络分类器在小样本场景下难以训练出高精度､鲁棒模型的问题。

以情景训练方法对特征融合度量学习进行训练，能够从训练数据集中学习可迁移知识，实现小样本数据的可靠诊断。另外，由于其严格按照C-wayk-shot的形式进行训练，直接避免了非平衡样本的问题。

特征融合和改进中心损失的引入，有效提升了高压断路器机械故障诊断的精度和鲁棒性。特征融合可有效提取高压断路器机械故障信号的可鉴别特征，提升了模型小样本学习能力。

而改进中心损失能够同时学习每个类的深度特征的中心，并惩罚深度特征与其对应的类中心之间的距离，有效提升了特征表示的分辨能力。

根据平台规则，您关注+点赞评论会保持铁粉身份，为您推荐更多优质内容

---END---