本發(fā)明屬于交流接觸器運(yùn)行狀態(tài)識(shí)別，具體是一種基于圖像特征和深度學(xué)習(xí)的接觸器運(yùn)行狀態(tài)在線識(shí)別方法。

背景技術(shù)：

1、交流接觸器作為常見的低壓開關(guān)電器被廣泛應(yīng)用于配電系統(tǒng)，隨著各領(lǐng)域?qū)佑|器的需求量不斷增大，對(duì)其可靠性也提出了更高要求。接觸器發(fā)生故障將影響配電系統(tǒng)的穩(wěn)定性，因此在線監(jiān)測(cè)其狀態(tài)對(duì)提高配電系統(tǒng)以及控制系統(tǒng)可靠性和安全性具有重要意義。

2、測(cè)量信號(hào)的選取是實(shí)現(xiàn)狀態(tài)識(shí)別的前提。接觸器在分合閘過程中所產(chǎn)生的振動(dòng)信號(hào)可反映機(jī)械結(jié)構(gòu)的動(dòng)態(tài)變化，聲信號(hào)蘊(yùn)含電氣與機(jī)械的綜合信息，這兩種信號(hào)均能表征接觸器的運(yùn)行狀態(tài)，而且基于振動(dòng)和聲信號(hào)的分析方法具有非侵入式檢測(cè)的優(yōu)勢(shì)，無需對(duì)電氣回路或結(jié)構(gòu)進(jìn)行改動(dòng)，避免了對(duì)電氣系統(tǒng)穩(wěn)定性的影響。例如，劉樹鑫等（劉樹鑫,?宋健,?劉洋,?等.?交流接觸器觸頭系統(tǒng)運(yùn)動(dòng)分析及故障診斷研究[j].?電工技術(shù)學(xué)報(bào),2021,36(s2):?477-486.）提出基于振動(dòng)信號(hào)的交流接觸器觸頭系統(tǒng)運(yùn)動(dòng)分析方法，有效提高了運(yùn)行狀態(tài)識(shí)別率。游穎敏等（游穎敏,?王景芹,?舒亮,?等.?基于音頻特征的交流接觸器電壽命預(yù)測(cè)方法[j].?電工技術(shù)學(xué)報(bào),?2021,?36(09):?1986-1998.）利用梅爾倒譜系數(shù)(mfcc)提取聲信號(hào)特征，分析了接觸器不同狀態(tài)下聲信號(hào)的差異。李海英等（李海英,?孫越,?張笑,?等.?模態(tài)時(shí)頻圖與resnet50融合的真空接觸器故障診斷方法[j].?高電壓技術(shù),?2023,?49(05):?1831-1840.）提出一種基于小波時(shí)頻圖和殘差網(wǎng)絡(luò)的真空接觸器故障診斷方法。然而，在交流接觸器的運(yùn)行狀態(tài)分析中忽略了觸頭電磨損對(duì)振動(dòng)和聲信號(hào)特性的影響，而且都是從單信號(hào)角度出發(fā)，忽略了多傳感器信息的融合。與多種信號(hào)聯(lián)合分析相比，單信號(hào)易受環(huán)境等因素干擾；其次，以圖像特征反映運(yùn)行狀態(tài)，時(shí)頻分析法高度依賴于專家知識(shí)，且時(shí)頻圖不易直觀表征狀態(tài)信息；另外，由于圖像數(shù)據(jù)的高緯度和復(fù)雜語義信息，大多數(shù)模型通過增加網(wǎng)絡(luò)寬度和深度來增強(qiáng)特征表達(dá)能力，然而易出現(xiàn)梯度消失，還會(huì)增大模型的訓(xùn)練時(shí)間和計(jì)算資源，并且對(duì)計(jì)算機(jī)硬件要求高。因此，考慮到接觸器運(yùn)動(dòng)過程所產(chǎn)生的振動(dòng)和聲信號(hào)具有強(qiáng)度弱、持續(xù)時(shí)間短的特點(diǎn)，以及為進(jìn)一步減弱干擾，獲取更準(zhǔn)確、全面的運(yùn)行狀態(tài)信息，利用合適的特征融合方法與深度學(xué)習(xí)模型進(jìn)行交流接觸器運(yùn)行狀態(tài)識(shí)別方法有待進(jìn)一步深入研究。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明擬解決的技術(shù)問題是，提供一種基于圖像特征和深度學(xué)習(xí)的接觸器運(yùn)行狀態(tài)在線識(shí)別方法。

2、本發(fā)明解決所述技術(shù)問題所采用如下的技術(shù)方案：

3、一種基于圖像特征和深度學(xué)習(xí)的接觸器運(yùn)行狀態(tài)在線識(shí)別方法，包括以下步驟：

4、第一步：采集不同運(yùn)行狀態(tài)下接觸器在動(dòng)作過程中的振動(dòng)和聲信號(hào)；

5、第二步：計(jì)算嚴(yán)重磨損觸頭碰撞過程中信號(hào)的特征頻率，將該特征頻率作為附加頻率成分；

6、對(duì)振動(dòng)和聲信號(hào)進(jìn)行ceemdan分解，分別得到多個(gè)imf分量；計(jì)算各個(gè)imf分量的主要頻率，剔除包含附加頻率成分的imf分量；計(jì)算剩余各個(gè)imf分量與原始信號(hào)之間的相關(guān)系數(shù)和能量值；保留相關(guān)系數(shù)和能量值均大于平均值的imf分量，得到振動(dòng)和聲信號(hào)的有效模態(tài)分量；

7、第三步：利用智能優(yōu)化算法對(duì)sdp轉(zhuǎn)換技術(shù)的時(shí)間間隔參數(shù)和角度放大因子進(jìn)行優(yōu)化，根據(jù)優(yōu)化后的時(shí)間間隔參數(shù)和角度放大因子，利用振動(dòng)信號(hào)和聲信號(hào)的有效模態(tài)分量生成sdp圖像，進(jìn)而得到不同運(yùn)行狀態(tài)的多張sdp圖像，形成數(shù)據(jù)集；

8、有效模態(tài)分量轉(zhuǎn)換為sdp圖像的表達(dá)式為：

9、???????(1)

10、???????(2)

11、???????(3)

12、???????(4)

13、式中，為鏡像對(duì)稱平面的旋轉(zhuǎn)角度，為鏡像對(duì)稱平面的個(gè)數(shù)，為鏡像對(duì)稱平面的序號(hào)，為點(diǎn)在極坐標(biāo)下的半徑，為點(diǎn)的時(shí)域坐標(biāo)，、為有效模態(tài)分量的最大幅值和最小幅值；和分別為點(diǎn)在極坐標(biāo)下沿鏡像對(duì)稱平面逆時(shí)針和順時(shí)針偏轉(zhuǎn)的角度，為時(shí)間間隔參數(shù)，為點(diǎn)的坐標(biāo)，為角度放大因子，且；

14、第四步：基于efficientnetv2網(wǎng)絡(luò)構(gòu)建狀態(tài)識(shí)別模型，該模型包括5層，sdp圖像經(jīng)過卷積、批歸一化和激活操作后依次經(jīng)過各層；第一層包括兩個(gè)fused-mbconv模塊，第二層包括四個(gè)fused-mbconv模塊，第三層包括一個(gè)mbconv模塊和兩個(gè)mobilevit模塊，第四層包括一個(gè)mbconv模塊和四個(gè)mobilevit模塊，第五層包括一個(gè)mbconv模塊和三個(gè)mobilevit模塊，第五層的輸出特征經(jīng)過全連接層，得到識(shí)別結(jié)果；mish激活函數(shù)和eca注意力塊替換原始mbconv模塊的swish激活函數(shù)和se塊，得到第四層和第五層的mbconv模塊；

15、第五步：利用數(shù)據(jù)集對(duì)狀態(tài)識(shí)別模型進(jìn)行訓(xùn)練，將訓(xùn)練后的狀態(tài)識(shí)別模型用于接觸器運(yùn)行狀態(tài)的識(shí)別。

16、進(jìn)一步的，當(dāng)智能優(yōu)化算法采用跳蛛算法時(shí)，跳蛛位置根據(jù)下述公式進(jìn)行初始化：

17、??(5)

18、?(6)

19、式中，表示第只跳蛛的初始化位置，表示被優(yōu)化參數(shù)的序號(hào)，表示被優(yōu)化參數(shù)的數(shù)量，、表示第個(gè)被優(yōu)化參數(shù)的上限和下限，表示第個(gè)被優(yōu)化參數(shù)的初始值，表示隨機(jī)數(shù)生成操作；

20、根據(jù)式（7）定量計(jì)算每只跳蛛對(duì)應(yīng)的不同運(yùn)行狀態(tài)的sdp圖像之間的差異值，將不同sdp圖像之間的差異值進(jìn)行累加，得到跳蛛的適應(yīng)度；

21、???(7)

22、式中，為第只跳蛛對(duì)應(yīng)的sdp圖像與之間的差異值，、為sdp圖像與的像素值，和分別是sdp圖像與所有像素值的平均值，、為sdp圖像長(zhǎng)度和寬度方向上的像素點(diǎn)數(shù)量；

23、根據(jù)適應(yīng)度更新跳蛛位置，跳蛛位置更新公式如下：

24、?????????(8)

25、???(9)

26、??????(10)

27、式中，、是第只跳蛛更新前、后的位置，是第只跳蛛的移動(dòng)步長(zhǎng)，是當(dāng)前跳蛛感知范圍內(nèi)適應(yīng)度最大的鄰居的位置，是第只跳蛛的適應(yīng)度，是控制移動(dòng)步長(zhǎng)的系數(shù)，、是系數(shù)的最大值和最小值，、是適應(yīng)度的最大值和最小值。

28、進(jìn)一步的，狀態(tài)識(shí)別模型第一層和第二層的fused-mbconv模塊的擴(kuò)展比例系數(shù)分別為1和4，第三~五層的mbconv模塊的擴(kuò)展比例系數(shù)均為4。

29、進(jìn)一步的，所述嚴(yán)重磨損觸頭的粗糙度為142-183μm。

30、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

31、（1）在基于運(yùn)動(dòng)特性的接觸器運(yùn)行狀態(tài)識(shí)別中，觸頭電磨損狀態(tài)對(duì)振動(dòng)和聲信號(hào)特征有影響，導(dǎo)致振動(dòng)和聲信號(hào)特征不明顯的問題，經(jīng)頻率特性分析，發(fā)現(xiàn)磨損觸頭在碰撞接觸時(shí)產(chǎn)生的信號(hào)中含有附加頻率成分，因此在模態(tài)分量篩選過程中將包含附加頻率成分的模態(tài)分量去除，避免干擾成分的影響，進(jìn)而提取有效模態(tài)分量，實(shí)現(xiàn)電磨損狀態(tài)與機(jī)械狀態(tài)在數(shù)據(jù)層的信息解耦。

32、（2）將振動(dòng)和聲信號(hào)的imf分量轉(zhuǎn)換成圖像，融合不同頻段的狀態(tài)信息，直觀顯示不同運(yùn)行狀態(tài)下振動(dòng)和聲信號(hào)的微弱變化，突顯了不同運(yùn)行狀態(tài)信息的差異，也克服了傳統(tǒng)時(shí)頻分析方法依賴專家知識(shí)且不易直觀表征狀態(tài)信息的局限性?；诟倪M(jìn)跳蛛算法對(duì)sdp圖像進(jìn)行參數(shù)優(yōu)化，通過自適應(yīng)步長(zhǎng)機(jī)制動(dòng)態(tài)調(diào)整跳蛛搜索策略，增強(qiáng)了算法的全局搜索能力和局部搜索精度，進(jìn)一步提升了sdp圖像的特征表達(dá)效果。此外，相比于時(shí)頻圖，sdp圖像具有較強(qiáng)的魯棒性，為狀態(tài)識(shí)別提供更可靠的特征輸入。

33、（3）構(gòu)建efficientnetv2與mobilevit相結(jié)合的狀態(tài)識(shí)別模型，為提高mobilevit的局部特征提取效率和多層次特征提取能力，引入efficientnetv2，充分利用efficientnetv2的局部特征提取能力和transformer的全局建模能力，不僅使模型能夠在資源受限的環(huán)境中具有更好性能，也提高了模型的泛化能力。首先，在efficientnetv2-vit模型的淺層結(jié)構(gòu)中，通過逐漸提高擴(kuò)展比例系數(shù)，在低計(jì)算成本下實(shí)現(xiàn)低級(jí)特征的快速提取，并增加特征圖通道數(shù)以豐富特征表達(dá)，提高了模型運(yùn)行效率；其次，在mobilevit的layer3、layer4和layer5中引入mbconv模塊提高了原始模型的特征提取準(zhǔn)確性和有效性；此外，在layer4和layer5中還引入了mish激活函數(shù)和eca注意力塊代替原來的激活函數(shù)和se塊，能夠增強(qiáng)模型的非線性表達(dá)能力，避免梯度消失，提高狀態(tài)識(shí)別的準(zhǔn)確性與計(jì)算效率。