电子信息技术

本发明公开了一种声振信号构造卷积神经网络(CNN)特征矩阵的断路器储能过程状态辨识方法,该方法包括以下内容:首先提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性,然后采用Lyapunov指数‑小波模极大值(L‑小波)检测振动信号起始点,对数据进行重叠式数据扩容后,利用皮尔逊相关系数构造声振信号二维特征矩阵。最后利用CNN对特征矩阵进行训练,利用支持向量机(SVM)代替Soft‑Max分类器来对CNN结构进行优化,使用灰狼优化(GWO)寻找SVM最优参数。优化CNN模型对断路器储能过程数据变动较大的情况不敏感,作为一种新的断路器储能过程状态识别方法,大大提高了状态辨识的准确率和泛化性。

本发明涉及电气设备故障诊断技术领域，具体的，涉及一种通过联合声音振动信号构造卷积神经网络(CNN)所需特征矩阵，进而辨识断路器储能过程状态的方法。

已有的断路器故障诊断方法主要以振动信号为主，但在实际应用中振幅较大时会存在饱和现象，容易产生由电荷累计效应引起的高频冲击失效。声信号由于测量频带宽可以有效避免饱和失效现象，并且拾音器安装方便，信号受安装方式的影响小。而且声音信号与振动信号属于同源信号，都由断路器的部件振动产生，可以利用两者的同源互补特性，发挥各自优势实现带电监测。但是传统的声振信号联合方法未考虑二者的差异性，机械的将声振信号进行联合，虽然引入了卷积神经网络等深度学习算法，但由于特征信息缺失以及CNN通用结构针对性较差，导致诊断的准确率不够高、泛化性较差。如何发明一种可以端到端自主学习，分类准确，泛化性优良的诊断方法具有重要研究价值。