基于S变换D-SVM AlexNet模型的GIS机械故障诊断与试验分析

• 作者: 刘宝稳 汤容川 马钲洲 马宏忠 许洪华
• 来源期刊: 高电压技术
• 关键词: 气体绝缘组合电器 机械故障 S变换 支持向量机 卷积神经网络 AlexNet特征提取 迁移学习
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 电气装备及其智能运维|Development,Intelligent Operation and Maintenance of Power Equipment
• 页码范围: 2526-2535
• 页数: 10页
• 语种: 中文
• DOI: 10.13336/j.1003-6520.hve.20200224

摘要

机械故障是气体绝缘组合电器(gas insulated switchgear,GIS)最主要的故障之一,尚缺乏有效的在线诊断方法.为此该文利用GIS断路器激振能力强的优势,以GIS断路器分合操作为激振源,根据振动信号所包含的设备机械特性信息对GIS各构件的机械状态进行评估.搭建了包含3种GIS典型机械故障的试验模拟测试系统,并提出了一种基于S变换D-SVM AlexNet模型的GIS机械故障诊断方法.利用S变换处理断路器动作激发的非平稳振动信号,得到含有设备机械特征的时频图谱;建立D-SVM AlexNet模型,使用预训练的AlexNet神经网络模型提取S变换图像特征作为预测变量,通过Fitcecoc函数拟合支持向量机(support vector machine,SVM)进行图像预分类,根据模糊矩阵显示的分类结果筛选出有效测点;将有效测点的时频图送入AlexNet进行迁移学习,获得经微调后的神经网络模型.实验验证发现,训练完毕的卷积神经网络的故障诊断训练准确率达到99％,验证准确率达到92％,具备较好的时频图像分类效果,可实现GIS机械故障的有效诊断.