基于CNN算法的并联电抗器机械故障诊断方法

吴经锋， 王文森， 张 璐， 韩彦华， 李 祎， 张玉焜， 汲胜昌

(1. 国网陕西省电力有限公司电力科学研究院， 陕西 西安 710100； 2. 西安交通大学电力设备电气绝缘国家重点实验室， 陕西 西安 710049)

1 引言

高压并联电抗器作为电力系统中关键的无功补偿设备，在保证电网运行质量与安全方面具有重要作用[1-4]。随着电力系统的快速发展与能源互联战略的积极响应，并联电抗器投入使用的数量逐渐增多，而长期振动与结构设计缺陷等因素会造成高压并联电抗器产生机械故障[5-7]。电抗器油箱表面的振动信号包含重要信息，与内部机械健康状态存在紧密联系[8,9]。因此开展基于振动信息的高压并联电抗器内部机械状态诊断方法的相关研究具有重要意义，方便运维人员及时发现机械缺陷和潜在故障并加以解决，是电抗器安全可靠运行的有力保障。

目前，国内外学者开展了大量关于电抗器振动信号特征提取方法的研究，主要集中在经验模态分解(Empirical Mode Decomposition, EMD)上的改良[10,11]。文献[12]考虑EMD处理非线性信号效果不佳，提出使用排列熵算法(Multi-scale Permutation Entropy, MPE)将多尺度理论与信息熵相结合对振动信号提取特征的方法；文献[13]考虑EMD存在端点效应等问题，提出经验小波变换(Empirical Wavelet Transform, EWT)方法，可提取原信号的固有模式。以上研究虽提出特征提取的改良方法，但其都需人工进行特征提取，不具有泛化性，且特征提取效果欠佳，降低了诊断效率与准确度。为解决这一问题，本文提出使用卷积神经网络(Convolutional Neural Network, CNN)对信号进行特征提取与分类。目前，利用卷积神经网络进行分类的方法已经有部分应用于电力设备故障检测方面。文献[14]提出基于卷积神经网络的变压器故障诊断方法，分析油气样本数据来判断当前变压器的故障类型；文献[15]提出基于卷积神经网络的变压器套管故障红外图像识别方法，建立故障识别模型对3种故障状态进行识别。因此，CNN算法解决了人工处理转化电力设备非泛化数据导致效率低、精度低的问题，并且在智能电网中具有更高的工程应用价值。

本文提出基于卷积神经网络算法的并联电抗器机械故障诊断方法，以10 kV电抗器为研究对象，在5种机械状态下进行振动信号采集，以剔除背景噪声的振动信号时域波形与频谱作为模型输入变量，随后探究不同参量对模型诊断精度的影响，从而得到性能最佳的故障诊断模型，最后对比不同故障诊断模型之间的诊断精度，验证本文提出的故障诊断方法具有可行性与准确性，实现对电抗器内部机械健康状态的准确诊断。

2 电抗器箱体振动实验

2.1 振动平台搭建

电抗器振动实验平台如图1所示，其中实验电抗器为一台可设置传统机械故障的10 kV油浸式并联电抗器，具体参数见表1。

图1 振动实验平台Fig.1 Vibration test platform

表1 10 kV并联电抗器主要参数Tab.1 Main parameters of 10 kV shunt reactor

实验平台中三相调压器容量为150 kV·A，三相变压器额定容量为100 kV·A，5个开关的分接电压分别为10 500 V、10 250 V、10 000 V、9 750 V和9 500 V，短路阻抗为3.8%。振动信号采集装置主要由IEPE型压电式加速度振动传感器、数据传输线、信号采集装置和移动接收端构成。由于电抗器本身质量与体积较大，可以忽略压电式加速度振动传感器本身体积与质量的影响，传感器具体参数见表2，其中g为重力加速度。信号采集装置的最高采样率为51.2 kS/s。

表2 传感器主要参数Tab.2 Main parameters of sensor

2.2 振动测点选择

电抗器本体振动受到内部铁心与绕组等机械构件叠加作用，其中主要为：①铁心受麦克斯韦力作用与磁致伸缩效应影响；②绕组受漏磁与电流相互作用的电磁力影响。电抗器油箱表面测点位置不同，振动受固体与液体途径传递的影响也会不同[16-18]。

基于电抗器振动特性与测点选择原理[19,20]，振动幅度较大，信噪比相对也较大，能够排除内外噪声信号干扰；此外，振动幅度过大会影响识别内部轻微机械损伤的灵敏度，对故障诊断带来严重影响。文献[21]通过分析电抗器油箱内外多个测点的振动信号，得到油箱正面中部测点为最佳测点。因此，本文选择油箱正面中部的“十”字区域进行测点布置。实验时选择使用5个加速度振动传感器进行信号采集，分别记为1号测点、2号测点、3号测点、4号测点与5号测点，测点布置如图2所示。

图2 电抗器油箱表面测点布局图Fig.2 Layout drawing of measuring points on surface of oil tank of reactor

2.3 数据采集

电抗器实际运行过程中会出现铁心松动、绕组松动和螺杆松动等机械故障。文中通过人为松动一根螺杆，使紧固铁心的夹件压紧强度降低，导致绕组上侧压钉紧固状态在一定程度上失效，进而达到模拟铁心与绕组同时松动的机械故障，电抗器内部结构与具体调整位置如图3所示。振动实验在额定电压下开展，油箱内部含有足量的变压器油，实验以3号螺杆为缺陷模拟对象，使用扭矩扳手来对其预紧力大小进行调节。实验时设置了5种不同状态下的预紧力见表3。

图3 振动实验调整部位Fig.3 Vibration test adjustment part

表3 5种状态下预紧力设置Tab.3 Pre-tightening force setting in five states

基于搭建的实验平台开展振动实验，为保证具有足量的数据，防止偶然性数据对模型训练造成影响，5种状态下每间隔5 min采集一组实验数据，5个测点共采集到600组数据。

3 数据处理与特征分析

3.1 数据预处理

对实验数据进行预处理，方法为快速傅里叶变换与小波阈值去噪。快速傅里叶变换公式如下：

(1)

式中，x(t)为原始信号。

小波阈值去噪的核心是抑制一定程度上的杂波，其流程如图4所示。

图4 小波阈值去噪流程图Fig.4 Flow chart of wavelet threshold denoising

小波阈值去噪的计算公式如下：

(2)

(3)

式中，ω为频率；a为尺度，控制小波函数的伸缩；τ为平移量，控制小波函数的平移。

3.2 振动特征分析

预处理得到振动信号的振动加速度与时间的时域波形、振动加速度与频率的频谱图。通过对5个测点的所有数据初步筛选，一共得到561张振动信号的时域波形与频谱，其中状态1有119张，状态2有109张，状态3有112张，状态4有116张，状态5有105张。以2号测点为例，图5为不同状态下振动信号的时域波形与频谱图。

图5 5种状态下的振动加速度Fig.5 Vibration acceleration in five states

由图5(a)～图5(e)可知，状态1的时域波形较为平滑，但随着预紧力减小，状态2、状态3、状态4、状态5的时域波形产生少量谐波；在频谱图中，当松动发生后基频幅值会产生骤降，300 Hz分量存在一定程度的上升。

为探究预紧力大小与振动信号的线性关系，引入频谱复杂度来进行分析，其计算公式如下：

(4)

式中，H为频谱复杂度；ev为频率比重。

对频谱进行计算得到5种状态的频谱复杂度见表4。由表4可知，频谱复杂度会随着松动的发生而大幅增加。反映在出现松动后，电抗器运行过程中铁心与绕组振动幅度增大，产生相对位移，所以松动状态下会呈现较复杂的频谱，表现在高频率阶段模态能量发生变化，导致基频模态能量降低，使得频谱分布复杂化。

表4 不同状态下的基频幅值与频谱复杂度Tab.4 Fundamental frequency amplitude and spectrum complexity in different states

4 卷积神经网络

电抗器产生轻微机械故障时的振动信号变化微弱，同时由于传统的机器学习需要人工进行特征提取，会导致特征提取时浪费较多的时间，且对于人员的专业技能要求较高，不具有泛化性。为克服上述困难，规避人工提取特征的缺陷，采用卷积神经网络的方法对故障特征进行自动学习与模式识别。

4.1 卷积神经网络模型

卷积神经网络是深度学习中成熟的算法模型，其核心是一个多层感知机，其网络结构如图6所示。

图6 卷积神经网络结构图Fig.6 Structure diagram of convolutional neural network

图6中，卷积神经网络包含输入层、卷积层、池化层、全连接层与输出层，其中卷积层与池化层功能如下：

(1)卷积层

卷积层通过模拟人类视觉系统的工作方式，将一组神经元构建成一个卷积层，其中每个神经元都可以学习权重和偏置。卷积层利用卷积核在输入图像上逐步滑动窗口进行计算，来提取图像的特征，滑动整个图像后获得精细且复杂、非线性映射的特征信息。

设单个输入图像为x，卷积核数目为n，每个卷积核大小为m×1，则卷积层C的第k个卷积核输出结果为：

(5)

(2)采样层(池化层)

池化层是特征提取后的一个抽样操作，方法是在保证图像旋转不变性的前提下，对卷积结果进行最大采样，目的在于降低维度，筛选关键特征信息，并减少运算量，进而提升训练速度。设采样宽度为q×1，则第k个卷积核相对应的采样层S输出结果为：

(6)

式中，aS,j,k为第k个卷积核相对应采样层S的第j个输出。

4.2 卷积神经网络训练方法

模型采用反向传播算法(Back Propagation algorithm, BP)进行模型优化，即通过反复循环迭代进行反馈传递、权重和偏置的更新，在目标函数收敛到预设的阈值时停止迭代。

模型输出的预测值与实际值即标签类别之间的误差函数为：

(7)

(8)

(9)

5 实例分析

5.1 故障诊断模型训练过程

搭建完整的电抗器机械故障诊断模型需要进行训练阶段与验证阶段。首先，将所有振动信号的时域波形与频谱图处理为227×227像素大小的图像作为输入样本库。其次，将561张图像按照3∶1比例划分为训练集和验证集，其中训练集423张，验证集138张。不同状态下样本库中分布情况见表5。

表5 5种状态在样本库中的分布Tab.5 Distribution of five states in sample database

将样本库作为输入样本进行训练与测试，图像识别过程如图7所示。

图7 并联电抗器机械故障类型识别的卷积神经网络Fig.7 Convolutional neural network for identification of mechanical fault type of shunt reactor

(1)输入层输入1个227×227×3大小的图像；

(2)卷积层分别采用11×11×3大小的卷积核对输入层的图像进行卷积处理，卷积后共获得96个55×55大小的二维特征图；

(3)采样层对特征图进行抽样操作(数目不改变，尺寸改变为之前的一半)，卷积层对采样层输出特征图进行卷积运算，共获得96个27×27大小的特征图；

(4)接下来的卷积层与池化层与第(3)步相同。最终得到256个13×13大小的二维特征图；

(5)第一个全连接层对第五层卷积输出的二维特征图进行拉伸处理，得到一维特征向量与第二个全连接层连接，两个全连接层输出的一维特征向量大小都为4 096×1；

(6)最后一维特征向量与softmax层的5个神经元(机械故障状态有5类)全连接进行分类。

5.2 训练精度对比与分析

网络模型的预测精度受激活函数、归一化层与模型参数等影响，为讨论不同因素对模型预测精度造成的影响，开展以下实验。

5.2.1 激活函数对分类识别结果的影响

在网络模型中，激活函数会使网络非线性化，并且网络的收敛速度和准确度与卷积层采用的激活函数息息相关，卷积网络常用的激活函数tanh、Sigmoid及ReLU的表达式如式(10)～式(12)所示：

(10)

(11)

ReLU(x)=max(x,0)

(12)

考虑到不同的激活函数会对实验结果产生差异，为了筛选出与网络模型最匹配的激活函数，对三种不同的激活函数进行实验，实验结果如图8所示。

图8 不同激活函数下的预测精度Fig.8 Prediction accuracy under different activation functions

从图8可知，卷积层采用ReLU作为激活函数相比tanh与Sigmoid函数而言，其在迭代50次时就达到了收敛的效果，具有更快的收敛速度，并且预测准确度最高为94.7%，明显优于其他激活函数。

5.2.2 归一化层对分类识别结果的影响

在网络模型中，卷积核在特征识别的过程中会出现响应较小的神经元，这些神经元直接影响模型的训练时间，所以为抑制这些响应较小的神经元工作，采用局部响应归一化(Local Response Normalization，LRN)连接激活函数来实现。计算如下式所示：

(13)

实验对比分析了网络模型在采用LRN层前后的预测结果见表6。

表6 采用LRN层前后的实验结果Tab.6 Experimental results before and after using the LRN layer

由表6可知，模型在增加LRN层后并没有降低模型的预测准确度，但是较初始模型减少了0.013 7的损失，同时对训练时间有16.7%的提升。所以网络模型选择采用LRN层来提升网络的收敛速度、识别效率与泛化能力。

5.2.3 模型参数对分类识别结果的影响

在网络模型中，设置不同的参数值会影响模型计算量，从而影响模型的预测结果。模型的主要参数有训练周期(epoch)、初始化学习率与Batch_size，其中训练周期为模型整个训练过程所需的周期数，初始化学习率控制模型的学习进度，Batch_size为训练一次所选样本数。

模型初次训练时，训练周期设定为10，初始化学习率为0.01，Batch_size设定为3。本文为了筛选出最匹配网络模型的参数值，开展多次实验，实验中只改变训练周期、初始化学习率与Batch_size的值，其他参数值不改变，实验结果如图9与表7所示。

图9 模型在不同初始学习率下的预测精度Fig.9 Prediction accuracy of model under different initial learning rates

由图9与表7可知，模型的预测准确度在训练周期达到40时最高，但随着训练周期不断增加，预测准确度开始下降；模型的预测准确度在初始学习率为0.000 1时最高；模型的损失在Batch_size值达到9时最小。故将训练周期、初始学习率与Batch_size值分别设置为40、0.000 1与9，模型预测精度达到最高。

表7 模型在不同参数值下的训练结果Tab.7 Model training results under different parameter values

5.3 预测结果与分析

采用5.2节对网络模型算例提升的方法，得到电抗器机械故障分类结果如图10所示。

图10 诊断模型的预测准确度与损失Fig.10 Predictive accuracy and loss of diagnostic model

由图10可知，模型在训练过程中随着迭代次数不断增加，其准确率与损失虽然会出现陡增、陡减的情况，但会在最后25%迭代次数中慢慢趋于稳定，最终训练结果的准确度98.18%，损失只有0.067 2。

虽然本文中电抗器具有对称结构，但是有必要探究不同位置螺杆松动对本文的缺陷诊断效果，分别对1号螺杆、2号螺杆以及4号螺杆进行单独松动，重复以上振动实验，并将其振动信号经预处理后输入诊断模型，得到预测结果见表8。

表8 松动不同螺杆下模型预测结果Tab.8 Prediction results of model under different loose bolts

由表8可知，螺杆的位置对预测结果几乎没有影响，因此不同位置的松动缺陷也适用于本文的诊断方法。

为验证CNN算法在电抗器机械故障诊断领域的应用意义，与现有传统故障识别算法进行对比，人工特征采用奇偶次谐波、基频幅值、基频比重、总振动熵等13个特征参数，将得到的特征参数进行归一化处理后输入到随机森林、支持向量机(Support Vector Machine, SVM)与BP分类器对网络进行训练与验证，完成对电抗器机械故障类型的识别，不同方法的分类结果见表9。实验结果表明，本文提出基于CNN算法的并联电抗器机械故障方法省略了人工特征提取的步骤，同时也减少了大量的训练时间，并且预测准确度要明显优于传统故障识别算法，此方法具有极高的故障诊断效率与应用的泛化性。

表9 不同模型对故障类别诊断性能Tab.9 Diagnosis performance of different models for fault categories

6 结论

本文提出了基于CNN算法的并联电抗器机械故障诊断方法：

(1)研究分析了正常状态、16 N·m、12 N·m、8 N·m以及4 N·m 5种状态下振动信号的基频幅值与频谱复杂度，发现人工提取特征的方法只能初步划分是否产生机械故障，并不能区分其松动程度。

(2)基于CNN算法的并联电抗器机械故障诊断模型省略了人工提取特征这一繁琐的步骤，通过实验研究了不同的激活函数、归一化层与模型参数对预测值带来的影响，最终选取ReLU函数为卷积层的激活函数，并在卷积层中增加了LRN层进行归一化，得到最匹配网络模型的参数值为训练周期40，初始学习率0.000 1，Batch_size值9。

(3)通过多算法模型对比分析，CNN模型在电抗器机械故障类别诊断方面的识别精度与运行时间达到了98.18%与1 h，较随机森林、SVM与BP具有明显的优势。因此基于CNN算法的并联电抗器机械故障诊断方法可以作为判断电抗器内部机械部件健康状态的判断标准，也为深度学习与电力设备故障诊断相结合提供了思路。