文献类型：期刊文章

作　　者：曹宇鹏[1] 罗林[1] 王乔[1] 张建良[2]

CAO Yupeng;LUO Lin;WANG Qiao;ZHANG Jianliang(Liaoning Shihua University,Fushun 113001,China;Zhejiang University,Hangzhou 310027,China)

机构地区：[1]辽宁石油化工大学,辽宁抚顺113001 [2]浙江大学,浙江杭州310027

出　　处：《电力系统保护与控制》

基　　金：国家自然科学基金项目资助(61703191);辽宁省教育厅青年项目资助(L2017LQN028);辽宁石油化工大学科研启动基金项目资助(2017XJJ-012)。

年　　份：2021

卷　　号：49

期　　号：3

起止页码：39-47

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：高压断路器执行机构所产生的振动信号蕴含着丰富的机械状态信息。针对传统基于浅层的振动信号分析法存在特征提取和泛化能力等方面的不足,提出一种基于卷积神经网络和长短期记忆网络的混合深度网络。该网络利用卷积层对原始振动数据进行特征转换,结合门控循环单元的局部时域特征表示能力,对故障敏感特征进行提取。通过对10 kV真空断路器振动信号的分析实验表明,所提出的混合网络模型在ROC曲线和PR曲线上的诊断性能要优于广泛应用的支持向量机诊断法。这种端到端的故障诊断策略通过振动信号特征的深度映射能够有效提高机械状态故障识别精度。

关 键 词：高压真空断路器 深度学习  故障诊断 长短期记忆模型  

分 类 号：TM561.2] TP183]