一种基于深度学习的万能式断路器附件故障诊断方法与流程

本发明涉及低压万能式断路器分合闸附件的故障诊断方法，更具体的说是涉及一种基于深度学习的万能式断路器分合闸附件的故障诊断方法。

背景技术：

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、稳定性有着巨大的影响，因此对其日常维护至关重要。分合闸附件作为断路器的关键部件，其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、分析以及诊断具有十分重要的意义。

在故障诊断中，特征信号的选取是实现诊断目标的前提，断路器在分合闸过程中，其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，如razi-kazemi等人(razi-kazemiaa,vakilianm,niayeshk,etal.circuit-breakerautomatedfailuretrackingbasedoncoilcurrentsignature[j].ieeetransactionsonpowerdelivery,2014,29(1):283-290.)重点研究了额定电压为72.5kv和24kv断路器的各类故障状态对分合闸线圈电流波形的影响，提出了相应检测算法，基于分合闸线圈电流分析断路器初始故障模式以及引发原因；孙银山等人(孙银山,张文涛,张一茗,等.高压断路器分合闸线圈电流信号特征提取与故障判别方法研究[j].高压电器,2015,51(9):134-139.)提出将小波分析与时域求极值点相结合的方法来提取高压断路器分合闸线圈电流信号的特征值，根据特征值完成对断路器的故障判别。值得关注的是，上述文献中高压断路器分合闸线圈均采用直流供电，均未考虑合闸相角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，本发明研究的低压万能式断路器的分合闸线圈采用交流供电方式，动作过程中因线圈回路合闸相角的随机性会导致同一运行状态下电流信号存在差异，所以应当考虑分合闸附件合闸相角这一影响因素。

技术实现要素：

针对低压万能式断路器线圈回路合闸相角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的问题，本发明的目的在于，提供一种基于深度学习的万能式断路器附件故障诊断方法，该方法考虑到分合闸线圈电流信号的特点，采用自适应一维深度卷积神经网络(adaptiveone-dimensionaldeepconvolutionalneuralnetworkswithwidefirst-layerkernel,aw-1dcnn)，并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域；然后，利用特征提取层对电流信号进行自适应特征提取；最后，利用softmax分类器输出故障诊断结果。分合闸附件的故障诊断结果表明，本发明不仅能对不同合闸相角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，能够有效克服合闸相角变化对故障诊断结果的影响。

为实现上述目的，本发明提供了一种基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，其包括以下步骤：

第一步，采集断路器不同合闸相角下不同工作状态的分合闸线圈电流信号形成总样本，随机分为训练样本和测试样本，并对每个样本进行工作状态类别标记，每个样本类别标记用ym表示，y1～y9分别记为＝0、1、…、8，分别对应九种工作状态，即正常合闸、铁心卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝间短路、正常分闸、顶杆阻力异常、衔铁行程不足、分闸线圈匝间短路；

第二步，建立aw-1dcnn模型，确定aw-1dcnn模型参数，初始化aw-1dcnn模型的权值和偏置：

所述aw-1dcnn模型包括输入层、特征提取层及输出层，特征提取层由多层交叠的卷积层、批归一化层、激活层和池化层构成，一个卷积层、批归一化层、激活层和池化层构成一个重复单元，特征提取层由多个这样的重复单元依次连接，完成对原始数据自适应特征学习，结合全连接层中softmax分类器实现故障分类，根据断路器分合闸线圈电流信号的特点，即在20khz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为10³数量级，设计aw-1dcnn模型卷积核的大小，第一层卷积层设为宽卷积核，其余卷积层均为小卷积核，宽卷积核的大小大于小卷积核大小；

第三步，输入训练样本，进行aw-1dcnn训练学习：

通过前向传播求得aw-1dcnn模型输出与预期目标的误差，判断aw-1dcnn模型是否收敛，若aw-1dcnn模型收敛，则执行第五步，否则执行第四步；

第四步，反向传播和权值优化，利用bp反向传播算法，将第三步求得的误差反向逐层分配到每个节点，并更新权值，重复执行第三步，直至aw-1dcnn模型收敛；

第五步，将测试样本作为输入，输入到已经收敛的aw-1dcnn模型中，当测试样本的准确率达到90％以上则完成aw-1dcnn模型的修正，若准确率不满足实际诊断要求，则返回优化第二步的模型参数；

第六步，将待诊断对象输入上述满足要求的aw-1dcnn模型，输出低压万能式断路器分合闸附件的故障诊断结果。

一种上述故障诊断方法所使用的分合闸附件故障试验系统，其特征在于，该系统包括附件动作控制模块、信号检测模块、数据采集模块，其中附件动作控制模块包括工控机、plc-720+板卡、单片机、固态继电器、分合闸开关电路；信号检测模块包括霍尔电流传感器与霍尔电压传感器；数据采集模块包括usb数据采集卡；工控机通过isa总线连接plc-720+板卡，plc-720+板卡分别和单片机及固态继电器连接，单片机通过分合闸开关电路连接低压万能式断路器的分合闸附件，分合闸附件同时连接霍尔电流传感器，采集分合闸电流信号，霍尔电压传感器采集操作附件回路电压uab，霍尔电压传感器通过锁相模块连接单片机的输入端，霍尔电压传感器及霍尔电流传感器同时通过usb数据采集卡经usb数据线连接工控机，固态继电器连接低压万能式断路器的继电器触点。

分合闸附件故障试验系统的运行过程为：当对分合闸附件进行分合闸附件故障试验时，首先由工控机向单片机发送分合闸相角，然后工控机通过isa总线控制plc-720+板卡发出储能、合闸、分闸指令，其中储能指令直接对固态继电器进行操作，用以控制断路器储能过程；分合闸指令则作用于单片机，经过给定相角延时后，驱动分合闸开关电路完成相应动作；同时在pcl-720+板卡发出动作指令前，usb数据采集卡已被启动触发，确保可以采集到分合闸附件整个动作过程的电流信号。

与现有技术相比，本发明的有益效果是：

本发明一种第一层宽卷积核自适应一维深度卷积神经网络的低压万能式断路器分合闸附件的故障诊断方法的突出的实质性特点是：本发明根据一维电流信号的特点，发明了一种第一层宽卷积核自适应一维深度卷积神经网络的低压万能式断路器分合闸附件的智能故障诊断模型，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。并进行了方法对比实验与泛化实验，以表明所提出的诊断模型的有效性与优势。

本发明针对一维电流信号特点，所提模型结构特点如下：

1)本发明所提出aw-1dcnn模型的卷积核和每层的特征输出均为一维矢量。采用一维的卷积神经网络模型可以保证对原始电流信号的直接处理，完全保留了原始信号中与故障相关的信息，并且可以最大化的发挥其自动学习原始信号特征的能力。

2)aw-1dcnn模型的第一层卷积层的卷积核为宽卷积核，其余各层均为小卷积核。第一层采用宽卷积核的目的是为了提取短时特征，扩大感受野区域，可以有效地学习面向诊断对象的有用特征，过滤掉无用信息。其余各层均采用小卷积核的目的是为了减少网络的参数，加深网络层数，增强其表达能力，同时可以抑制过拟合。

3)在aw-1dcnn模型的卷积层与激活层之间加入批归一化(batchnormalization，bn)层来规范每一层特征概率分布发生变化的情况，使得每一层的特征概率分布变成标准的正态分布来解决深层网络训练可能带来的“梯度弥散/爆炸”的问题，提高了模型的训练效率。

本发明的显著进步是：

本发明可以直接将原始电流信号作为卷积神经网络的输入，主要结合电流信号为10³这个量级将模型的第一层卷积核设为宽卷积核，其余层采用小卷积核的目的是为了减少网络的参数，加深网络层数，增强其表达能力，同时可以抑制过拟合。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，采用一维cnn模型能避免破坏原始电流信号之间的关联性，不会丢失故障信息，能最大化地发挥cnn自动学习原始信号特征的优势，且能适用线圈回路不同合闸相角，能识别出低压万能式断路器同一故障状态下不同合闸相角下的故障信息，在卷积层和激活层中间加了一个bn层的目的是提高了模型的训练效率，使得故障识别准确率能够提高。

附图说明

图1为本发明的试验系统整体结构示意图。

图2为本发明的aw-1dcnn模型结构示意图。

图3为本发明的基于aw-1dcnn的整体故障诊断流程示意图。

图4为不同相角下正常状态时分合闸线圈电流波形，其中图4(a)为合闸线圈电流波形图，图4(b)分闸线圈电流波形图。

图5为不同比例训练样本下各次测试识别率结果图。

图6为不同比例训练样本下aw-1dcnn对测试集的平均识别率。

图7为测试样本识别结果。

图8为不同诊断算法实验结果。

图9为泛化实验结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明基于深度学习的万能式断路器附件故障诊断方法，该方法用于低压万能式断路器分合闸附件的故障诊断，其包括以下步骤：

第一步，使用万能式断路器分合闸附件故障试验系统采集断路器不同合闸相角下不同工作状态的分合闸线圈电流信号形成总样本，随机选择总样本数的30％、40％、50％，60％、70％、80％用于模型的训练，其余样本用于模型的测试，分为训练样本和测试样本；

使用万能式断路器分合闸附件故障试验系统能实现对断路器的自动控制，并准确获取分合闸附件动作时的相关信号，该故障试验系统主要由附件动作控制模块、信号检测模块、数据采集模块以及软件模块组成，其中附件动作控制模块包括工控机、plc-720+板卡、stm32f103zet6单片机、固态继电器、分合闸开关电路组成；信号检测模块包括霍尔电流传感器与霍尔电压传感器；数据采集模块包括usb7648a数据采集卡；软件模块基于labview软件平台编程实现，用于发出动作指令以及显示与存储所采集的信号。分合闸附件故障试验系统的运行过程为：当对分合闸附件进行分合闸附件故障试验时，首先由工控机向stm32f103zet6单片机发送分合闸相角，然后工控机通过isa总线控制plc-720+板卡发出储能、合闸、分闸指令，其中储能指令直接对固态继电器进行操作，用以控制断路器储能过程；分合闸指令则作用于stm32f103zet6单片机，经过给定相角延时后，驱动分合闸开关电路完成相应动作；同时在pcl-720+板卡发出动作指令前，usb7648a数据采集卡已被启动触发，确保可以采集到分合闸附件整个动作过程的电流信号。分合闸附件线圈电流信号与电压信号测量分别采用霍尔电流传感器和霍尔电压传感器。试验系统整体结构如图1所示。

第二步，建立aw-1dcnn模型，确定aw-1dcnn模型参数，初始化aw-1dcnn模型的权值和偏置：

所述aw-1dcnn模型包括输入层、特征提取层及输出层，特征提取层由多层交叠的卷积层、bn层、激活层和池化层构成，一个卷积层、bn层、激活层和池化层构成一个重复单元，特征提取层由多个这样的重复单元依次连接，完成对原始数据自适应特征学习，结合全连接层中softmax分类器实现故障分类，根据断路器分合闸线圈电流信号的特点，即在20khz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为10³数量级，设计aw-1dcnn模型卷积核的大小，第一层卷积层设为宽卷积核，其余卷积层均为小卷积核，能确保卷积核能够充分提取到输入信号的特征。宽卷积核的大小大于小卷积核大小。

若aw-1dcnn的卷积核尺寸太小，则会增加网络深度，且卷积操作的过程中时间也会显著增加；若卷积核尺寸太大，则网络结构太简单，学习能力差，不能清晰定位输入信号中的特征，且可能包含过多的冗余信息。

进一步，所述aw-1dcnn模型建立过程包括以下步骤：

2.1输入层为构建的原始线圈电流信号训练样本；

2.2特征提取层由卷积层、bn层和池化层组成，其中特征提取层内的重复单元的数量可以根据输入信号的复杂度增加或减少，优选本发明aw-1dcnn模型共有6层卷积与池化层，其中每层卷积层与池化层之间都有bn层与激活层；

所述卷积层是将输入信号的局部感受域与卷积核卷积，每个卷积核提取输入信号局部感受域的局部特征。在激活函数的作用下构建输出特征矢量，每一层的输出特征矢量均为多个输入特征的卷积结果；假设是第l层卷积层第i个特征面中第j个神经元的输出，则的数学表达式如下：

式中，f{·}为激活函数；x^l(j)为第l层第j个局部感受域；为第l层第i个卷积核的权重向量；为第l层第i个卷积核的偏置；为第l层卷积层第i个特征面中第j个神经元卷积操作的输出值，i，j均为正整数。

bn层来规范卷积层与激活层之间特征概率分布发生变化的情况，使得每一层的特征概率分布变成标准的正态分布。假设某一层的输入为x＝(x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾)，共n维，一批样本集合为b＝{x1,x2,…,xf}，bn层特征输出数学表达式为：

式中，x⁽ⁿ⁾为输入x的第n维；μb、分别为样本集合b的平均值与方差；u⁽ⁿ⁾为对x⁽ⁿ⁾批归一化后的结果；ε是使数值稳定的常数项，其值一般是接近0的正数；γ⁽ⁿ⁾、β⁽ⁿ⁾为bn层的缩放与偏置。

其中激活层中的激活函数的选择尤为重要，为避免梯度饱和效应的发生，nair和hinton于2010年将修正线性单元(rectifieldlinearunit,relu)引入神经网络。relu函数是目前深度卷积神经网络中最为常用的激活函数之一。

激活层的relu函数实际上是一个分段函数，其定义为：

本发明池化层采用最大池化层，该层的特征输出数学表达式为：

式中，w为池化区域宽度；为第l层中第i个特征面内第t个神经元的值；表示第l+1层第i个特征面内第j个神经元对应的值。

3.3输出层也称分类层是由一个全连接层以及softmax回归层组成。

进一步，所述步骤3.3)中softmax回归层的数学模型为：

式中，m为训练样本总数；d为工作状态类别数；1{ym＝d}为指示函数，当括号值为真时，函数值为1，否则函数值为0；t为转置；xm、ym分别表示训练集的原始输入样本和样本类别标记；θ为模型的参数集；为softmax的假设函数。

第三步，输入训练样本，进行aw-1dcnn训练学习：

aw-1dcnn模型的训练阶段，通过前向传播求得aw-1dcnn模型输出与预期目标的误差，采用adam优化算法更新权值，adam优化算法是随机梯度下降算法的扩展式，它与传统的随机梯度下降算法不同，传统的随机梯度下降算法只保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变，而adam通过计算梯度的一阶和二阶矩估计为不同的参数设计独立的自适应性学习率，使得每次的学习率都在稳定的范围内，adam对超参数具有较强的鲁棒性。在本发明中adam优化算法的学习率为0.001。

aw-1dcnn模型采用交叉熵损失函数来计算预测结果与真实值之间的误差。其表达式为：

式中，h(p,q)为交叉熵损失函数；p(x)代表样本的真实值，q(x)表示模型输出的预测结果。

通过上述的误差曲线振荡趋势判断aw-1dcnn模型是否收敛，若aw-1dcnn模型收敛，则执行第五步，否则执行第四步；

第四步，反向传播和权值优化，利用bp反向传播算法，将第三步求得的误差反向逐层分配到每个节点，并更新权值，重复执行第三步，直至aw-1dcnn模型收敛；

第五步，将测试样本作为输入，输入到已经收敛的aw-1dcnn模型中，当测试样本的准确率达到90％以上则完成aw-1dcnn模型的修正，若准确率不满足实际诊断要求，则返回优化第二步的模型参数；

第六步，将待诊断对象输入上述满足要求的aw-1dcnn模型，输出低压万能式断路器分合闸附件的故障诊断结果。

实施例1

本实施例故障诊断方法，

第一步，使用万能式断路器分合闸附件故障试验系统采集断路器不同合闸相角下不同状态的分合闸线圈电流信号；

使用万能式断路器分合闸附件故障试验系统能实现对断路器的自动控制，并准确获取分合闸附件动作时的相关信号，该故障试验系统(参见图1)主要由附件动作控制模块、信号检测模块、数据采集模块以及软件模块组成，其中附件动作控制模块包括工控机、plc-720+板卡、stm32f103zet6单片机、固态继电器、分合闸开关电路；信号检测模块包括霍尔电流传感器与霍尔电压传感器；数据采集模块包括usb7648a数据采集卡；软件模块基于labview软件平台编程实现，用于发出动作指令以及显示与存储所采集的信号，工控机通过isa总线连接plc-720+板卡，plc-720+板卡分别和stm32f103zet6单片机及固态继电器连接，分合闸开关电路通过接收stm32f103zet6单片机发出操作指令，控制低压万能式断路器的分合闸附件的动作，分合闸附件同时连接霍尔电流传感器，采集分合闸电流信号，霍尔电压传感器采集操作附件回路电压uab，霍尔电压传感器通过锁相模块将正玄波转化为便于单片机捕捉的同频方波信号，将转化后的方波信号作为单片机的输入，霍尔电压传感器及霍尔电流传感器同时通过usb7648a数据采集卡经usb数据线连接工控机，固态继电器连接低压万能式断路器的继电器触点。

分合闸附件故障试验系统的运行过程为：当对分合闸附件进行分合闸附件故障试验时，首先由工控机向单片机发送分合闸相角，然后工控机通过isa总线控制plc-720+板卡发出储能、合闸、分闸指令，其中储能指令直接对固态继电器进行操作，用以控制断路器储能过程；分合闸指令则作用于stm32f103zet6单片机，经过给定相角延时后，驱动分合闸开关电路完成相应动作；同时在pcl-720+板卡发出动作指令前，usb7648a数据采集卡已被启动触发，确保可以采集到分合闸附件整个动作过程的电流信号。分合闸附件线圈电流信号与电压信号测量分别采用霍尔电流传感器和霍尔电压传感器。

本实施例实测数据来自于dw15-1600型低压万能式断路器。为避免数据样本偏斜，同时又能保证一定数量的样本，需对dw15-1600型的低压万能式断路器进行多次故障模拟试验。本发明主要针对低压万能式断路器分合闸附件的机械故障，即合闸过程中除正常运行状态外，主要研究铁芯卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝间短路4种故障状态；分闸过程中除正常运行状态外，主要针对顶杆阻力异常、衔铁行程不足、分闸线圈匝间短路3种故障状态。上述9种运行状态的样本数据均由dw15-1600型低压万能式断路器故障实验平台所获取。几种故障模拟方式如表1所示。

表1分合闸附件故障模拟方式

实验过程中采集分合闸线圈电流信号数据构成数据集，为实现不同相角下进行分合闸附件故障诊断的目的，本实施例在0°～180°的线圈回路合闸相角范围内，模拟0°、30°、60°、90°、120°、150°、180°相角下的各类工作状态。数据采集卡的采样频率为20khz/s，采样时间为100ms，即每个线圈电流波形包含2000个数据点。实验记录的不同相角下正常状态时的合、分闸线圈电流、电压波形如图4所示，为了益于观察合、分闸线圈电流波形的分合闸相角，所以在图4中将电压和电流波形同时显示出来。此外，对每个相角下9种工作状态各采集20组样本，共采集1260组样本，且样本长度为2000。表2是低压万能式断路器分合闸附件不同工作状态的信号样本信息及其对应的类别标记。

表2实验样本组成

第二步，将第一步采集的分合闸线圈电流信号经中值滤波处理后形成总样本，随机选择总样本数的30％、40％、50％，60％、70％、80％用于模型的训练，相应的其余样本用于模型的测试，分为训练样本和测试样本，中值滤波的作用是去除起始和结束时刻采集信号的噪声毛刺，不滤波也可直接进行使用；

第三步，建立aw-1dcnn模型并确定aw-1dcnn模型参数，初始化aw-1dcnn模型的权值和偏置；

其中aw-1dcnn模型由多个交替的卷积层、批归一化层(batchnormalization，bn)和池化层完成对原始数据自适应特征学习，结合全连接层中softmax分类器实现故障分类。本实施例在20khz/s的采样频率下分合闸附件在一个完整的动作时间内电流数据覆盖的数据点数为10³数量级。

所述aw-1dcnn模型建立过程包括以下步骤：

3.1输入层为构建的原始线圈电流信号样本或者滤波后样本；

3.2本实施例aw-1dcnn模型共有6层卷积与池化层，其中每层卷积层与池化层之间都有bn层与激活层；卷积层、bn层和池化层组成特征提取层；

进一步，所述步骤3.2)中卷积层是将输入信号的局部感受域与卷积核卷积，每个卷积核提取输入信号局部感受域的局部特征，在激活函数的作用下构建输出特征矢量，每一层的输出特征矢量均为多个输入特征的卷积结果。假设是第l层卷积层第i个特征面中第j个神经元的输出，则的数学表达式如下：

式中，f{·}为激活函数；x^l(j)为第l层第j个局部感受域；为第l层第i个卷积核的权重向量；为第l层第i个卷积核的偏置；为第l层卷积层第i个特征面中第j个神经元卷积操作的输出值。

bn层来规范卷积层与激活层之间特征概率分布发生变化的情况，使得每一层的特征概率分布变成标准的正态分布。假设某一层的输入为x＝(x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾)，共n维，一批样本集合为b＝{x1,x2,…,xf}，bn层特征输出数学表达式为：

式中，x⁽ⁿ⁾为输入x的第n维；μb、分别为样本集合b的平均值与方差；u⁽ⁿ⁾为对x⁽ⁿ⁾批归一化后的结果；ε是使数值稳定的常数项，其值一般是接近0的正数；γ⁽ⁿ⁾、β⁽ⁿ⁾为bn层的缩放与偏置。

其中激活层中的激活函数的选择尤为重要，为避免梯度饱和效应的发生，nair和hinton于2010年将修正线性单元(rectifieldlinearunit,relu)引入神经网络。relu函数是目前深度卷积神经网络中最为常用的激活函数之一。

激活层的relu函数实际上是一个分段函数，其定义为：

本实施例池化层采用最大池化层，该层的特征输出数学表达式为：

式中，w为池化区域宽度；为第l层中第i个特征面内第t个神经元的值；表示第l+1层神经元对应的值。

3.3输出层也称分类层是由一个全连接层以及softmax回归层组成。

进一步，所述步骤3.3)中softmax回归层的数学模型j为：

式中，m为训练样本总数；d为工作状态类别数；1{ym＝d}为指示函数，当括号值为真时，函数值为1，否则函数值为0；t为转置；xm、ym分别表示训练集的原始输入样本和样本类别标记；θ为模型的参数集；为softmax的假设函数。在aw-1dcnn模型的构建中，合适的模型参数不仅可以保证较高的分类正确率，还能加快模型的训练速度。本发明根据一维线圈电流信号的特点，并结合卷积核尺寸大小的一些基本的设计准则来确定aw-1dcnn模型的参数。公式(9)为第一层卷积层的卷积核尺寸为宽卷积核深度卷积神经网络的参数选择的设计准则：

t≤s⁽¹⁾(2ⁿ×3-4)≤l(9)

s⁽¹⁾|l

式中，s⁽¹⁾为第1个卷积层的步长，n为卷积层的个数，l为输入的线圈电流信号样本的长度，即l＝2000，t为低压万能式断路器分合闸附件动作持续时间内霍尔电流传感器采集的数据点数。根据图4中分、合闸线圈电流波形可知，分合闸附件完整动作最长用时约为60ms，故t≈1200，s⁽¹⁾|l表示第1个卷积层的步长必须能够整除输入样本的长度。本发明设计6层卷积层，所以第一层卷积层的卷积步长只能为10。尽管本发明参照了相关文献的参数设计准则，但在实际应用中仍需要进一步调试，得到合适的参数值。

根据上述的准则设计aw-1dcnn，并通过反复试验调整相关参数，最终得到的网络模型结构参数如表3所示，该模型的网络结构依次编号1～8，1～6分别对应卷积层及最大池化层构成的重复单元，每个重复单元依次命名为conv1～conv6，每个重复单元的卷积核大小、步长大小、卷积核数目等参数见表3；编号7代表全连接层，命名为fc1，节点数为300，激活函数为relu，编号8为softmax层，命名为fc2，输出节点数为9，激活函数为softmax。设计的aw-1dcnn模型第一层卷积核尺寸为64×1，其余各层均采用较小的卷积核，故本发明使用的网络模型不仅增大了模型输入的感受野、提高输入信息量，同时也加深网络结构，增强了网络的表达能力。其中故障诊断流程图如图3所示。

表3aw-1dcnn模型参数

第四步，输入训练样本，进行aw-1dcnn训练学习，通过前向传播求得aw-1dcnn模型输出与预期目标的误差；

进一步，所述第四步中aw-1dcnn模型的训练阶段，采用adam优化算法更新权值，adam优化算法是随机梯度下降算法的扩展式，它与传统的随机梯度下降算法不同，传统的随机梯度下降算法只保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变，而adam通过计算梯度的一阶和二阶矩估计为不同的参数设计独立的自适应性学习率，使得每次的学习率都在稳定的范围内。由于adam对超参数具有较强的鲁棒性，所以是深度学习领域中广泛使用的优化器。在本发明中adam优化算法的学习率为0.001。aw-1dcnn模型采用交叉熵损失函数来计算预测结果与真实值之间的误差。其表达式为：

式中，h(p,q)为交叉熵损失函数；p(x)代表样本的真实值，q(x)表示模型输出的预测结果。

判断aw-1dcnn模型是否收敛，若aw-1dcnn模型收敛，则执行第六步，否则执行第五步；

第五步，反向传播和权值优化，利用bp反向传播算法，将第四步求得的误差反向逐层分配到每个节点，并更新权值，重复执行第四步～第六步，直至aw-1dcnn模型收敛；

第六步，将测试样本作为输入，根据测试样本的准确率判断aw-1dcnn模型是否满足实际诊断要求，如满足执行第七步，否则跳转到优化第三步的模型参数；

第七步，将aw-1dcnn模型输出用于低压万能式断路器分合闸附件智能故障诊断。

执行所述一种基于第一层宽卷积核自适应一维深度卷积神经网络的低压万能式断路器分合闸附件的故障诊断的模型结构如图2所示。aw-1dcnn模型结构主要由输入层、特征提取层和输出层组成。输入层为构建的原始线圈电流信号数据集。特征提取层是由卷积层、bn层和池化层组成。输出层也称分类层是由一个全连接层以及softmax回归层组成。

实施例结果及分析

本实施例模型建立在keras深度学习库中，编程语言为python，电脑配置为inter(r)celeron(r)cpu1007u@1.50ghz，内存为8gb。在训练aw-1dcnn模型时，随机选择总样本数的30％、40％、50％，60％、70％、80％用于模型的训练，其余样本用于模型的测试，并观察数据增强是否对模型诊断能力有影响。为了测试模型诊断的稳定性，每个实验重复进行20次。各次实验的识别率如图5所示，平均识别率如图6所示。从图5、图6中可以看出当训练样本比例增加时，各次测试集的识别率曲线越来越趋于平滑，且20次实验标准差也越来越小，即aw-1dcnn模型故障诊断的平均识别率和稳定性随训练样本比例的增加逐渐升高，当训练样本比例达到80％时，故障诊断的平识别率达到了98.88％，而当训练样本比例只有30％时，诊断的平均识别率只有89.51％，这说明训练样本的数量对aw-1dcnn的诊断能力有很大影响。此外，本实施例采集的总样本量只有1260组，故aw-1dcnn模型在小样本的条件下就能达到较高的故障诊断识别率，表明模型训练效果较好，具有较强的抑制过拟合的能力。

为了更加直观的分析模型在测试集中各类别的识别结果，引入混淆矩阵对80％训练样本下的测试集的实验结果进行详细分析。如图7所示，该混淆矩阵是从20次重复实验中随机选取的一次实验结果，其中横坐标predictedlabel表示对样本的预测结果，纵坐标truelabel表示样本的真实标记。从图7可以看出，该次的实验结果除正常分闸和分闸时衔铁行程不足外，其余7种状态都能达到100％的识别率，且9种状态的平均识别率达到了98.81％。表明aw-1dcnn模型具有较强的诊断能力。

实施例对比实验

为了对比本实施例提出的方法与目前主流的两种传统故障诊断算法以及当下两种较为常用的深度学习故障诊断算法的优劣，采用bpnn、多核学习支持向量机(multiple-kernellearningsupportvectormachine，mkl-svm)、长短时记忆(longshort-termmemory，lstm)神经网络和标准(1-dimensionalconvolutionalneuralnetwork，1dcnn)4种算法进行实验，为避免实验结果的偶然性，每种算法重复实验20次，实验结果由20次重复实验结果的平均值来表示。其中每种诊断算法的参数设置如下：(1)bpnn：以原始电流数据作为输入，中间1个隐含层，隐含层节点数为50。(2)mkl-svm方法来源于(孙曙光,张强,杜太行,等.基于分合闸线圈电流的万能式断路器故障诊断[j].仪器仪表学报,2018,39(2):130-140.)。(3)lstm：以原始电流数据作为输入，其网络结构为2000-16-32-64-9。(4)标准1dcnn：以原始电流数据作为输入，其网络结构为2000-c1(16)-s1(2)-c2(32)-s2(2)-c3(64)-s3(2)-100-9。实验结果如图8所示。由图8可以看出，本发明提出的方法明显优于基于浅层网络结构的bpnn和mkl-svm两种传统智能故障诊断算法。而与lstm和1dcnn这两种深度学习算法相比，基于aw-1dcnn模型具有更高的识别率。同时，本发明算法模型标准差值和其余4种算法相比，标准差值更小，进一步说明模型具有较好的稳定性。

实施例泛化实验

由于万能式断路器线圈回路合闸相角的随机性，导致同种状态下的电流波形存在较大差异，但上述实验结果证明aw-1dcnn仍能将其成功识别为同种状态类型，体现出aw-1dcnn的较强泛化能力和聚类能力。

为进一步验证模型的泛化能力，本发明在0°～180°的线圈回路合闸相角范围内又采集了15°、45°、75°、105°、135°和165°相角下对应的9种工作状态样本作为测试集，其中对每个相角下9种工作状态各采集5组测试样本，共采集270组测试样本，采用本实施例训练样本(80％)训练好的模型进行泛化性能实验。实验结果用图9混淆矩阵表示。

从图9中可以看出新的测试集在aw-1dcnn模型上的测试结果仍能保持较高的识别率。与图7相比除正常合闸与分闸时衔铁行程不足的识别率略微下降外，其它几种状态的识别率几乎保持不变，表明了该算法可以很好的应对线圈回路合闸相角随机性的情况，对万能式断路器分合闸附件发生故障时的快速定位具有很好的应用价值。

除此之外，本发明又将新的测试集用在上面对比实验中5种已经训练好的模型中，为避免实验结果的偶然性，该部分对每种模型重复10次实验，且10次诊断结果的平均值作为这5种算法的评价指标。实验结果如表4所示。从表4可以看出，传统的浅层网络模型的故障识别率与深度学习模型的故障识别率相比具有很大的差距，特别是在新的测试集上，识别率的下降程度较为明显。lstm模型虽然达到了87.05％的识别率，但对比两种基于cnn的模型可以看出，基于cnn的模型具有较高的故障识别率，且采用aw-1dcnn模型和标准的1dcnn模型相比，aw-1dcnn模型的故障识别率更高，进一步证明了本发明所提算法的泛化性能更好。

表45种诊断算法的泛化性能实验结果

本发明针对低压万能式断路器分合闸附件主要机械故障，同时考虑到不同相角对线圈电流的影响，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的故障诊断算法，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精确度。(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，通过实验数据验证，该算法不仅在不同的合闸相角下对各种状态达到98.88％以上的识别率，而且在泛化实验中仍能保持95.93％的识别率，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，诊断结果更加优异，且模型的稳定性更高。

上述步骤均采用labview和python软件实现。

上述本实施例中所用的labview和python软件是本技术领域的技术人员所熟知的。

上述实例中的百分比均为数字百分比。

本发明未述及之处适用于现有技术。