劉 淺

0 引言

截至2021年底，我國高速鐵路運營里程超4萬公里。在中國高速鐵路建設(shè)、運營里程快速攀升的同時，為了更好地落實黨中央“交通強國”的工作部署，中國國家鐵路集團有限公司頒布了包含智能高鐵大腦平臺、智能建造、智能裝備、智能運營，并在此基礎(chǔ)上開展基于信息物理融合系統(tǒng)的智能高鐵方案[1]，作為我國高速鐵路的發(fā)展規(guī)劃。

智能牽引供電系統(tǒng)作為智能高速鐵路的重要組成部分，已由科研、試驗走向了工程實際應(yīng)用，并形成了完善的技術(shù)架構(gòu)、明確的功能組成和系列化的技術(shù)條件，極大提升了我國牽引供電系統(tǒng)安全可靠性及可維護性[2～5]。斷路器尤其是高壓斷路器作為高速鐵路牽引供電系統(tǒng)中切斷電流、保護動作的重要設(shè)備，其服役性態(tài)的狀況不僅影響牽引供電系統(tǒng)自身的安全穩(wěn)定，也時刻影響著外部電力系統(tǒng)的運行狀態(tài)。因此，有必要在傳統(tǒng)斷路器的基礎(chǔ)上進行智能化升級，實時獲取斷路器的監(jiān)測、監(jiān)控和運行信息的全息感知[6]；構(gòu)建涵蓋斷路器設(shè)備本體、智能組件及智能匯控柜的智能斷路器方案[7，8]。雖然高壓斷路器的故障類型多種多樣，但是基于神經(jīng)網(wǎng)絡(luò)的故障診斷正確率高，易于工程實現(xiàn)[9]；可以有效減少過早或不必要的停電試驗和檢修，降低維護費用，提高牽引供電的可靠性。

智能斷路器為智能牽引供電系統(tǒng)中智能一次設(shè)備的重要組成，將信息技術(shù)、傳感器技術(shù)、自動控制技術(shù)與傳統(tǒng)斷路器有機結(jié)合，實時獲取斷路器的監(jiān)測、監(jiān)控和運行信息，實現(xiàn)斷路器的控制、監(jiān)測的信息化[10，11]。本文從牽引供電系統(tǒng)高壓斷路器的結(jié)構(gòu)入手，簡述高壓斷路器的故障機理及故障表征，制定基于深度自編碼模型的斷路器故障預(yù)測方案；詳述基于深度自編碼模型的斷路器故障預(yù)測時的數(shù)據(jù)預(yù)處理、特征提取及模型訓(xùn)練等步驟，并通過現(xiàn)場實例驗證基于深度自編碼模型的斷路器故障預(yù)測方案的準確性。

1 高壓斷路器故障特征量的選取及處理

1.1 高壓斷路器故障特征量的選取

高壓斷路器作為高速鐵路牽引供電系統(tǒng)中起著切斷作用的關(guān)鍵設(shè)備，在實際運營中不可避免地不斷進行分、合閘操作；分、合閘操作時機構(gòu)間的碰撞、摩擦等振動事件均會反映到振動信號中。根據(jù)實際運行數(shù)據(jù)，高壓斷路器故障主要可分為機械故障、絕緣故障兩大類，其中斷路器機械故障（主要包括拒動、誤動）占到了斷路器總故障的70%；故當高壓斷路器處于故障狀態(tài)或臨近故障狀態(tài)時，其分、合閘等一系列操作所產(chǎn)生的振動信號必定與其正常狀態(tài)下的振動信號不同。因此，可通過監(jiān)測高壓斷路器工作時所發(fā)出的振動信號，對高壓斷路器的服役狀態(tài)進行判斷，實現(xiàn)斷路器的故障診斷。

1.2 高壓斷路器振動信號的提取

可在傳統(tǒng)高壓斷路器的基礎(chǔ)上集成斷路器機械特性IED（智能電子設(shè)備）、SF6氣體IED、電流在線監(jiān)測IED于一體，采用光增量型位移編碼器、SF6一體化傳感器、高精度霍爾電流傳感器對斷路器的位移特性、氣體微水及壓力、分合閘電磁鐵及電機等進行全方位的監(jiān)視，構(gòu)建智能高壓斷路器，進而對高壓斷路器的振動信號進行實時監(jiān)測。智能高壓斷路器構(gòu)架如圖1所示。

圖1 智能高壓斷路器構(gòu)架

1.3 振動信號的預(yù)處理

高壓斷路器的振動信號是一種頻率成分復(fù)雜的加速度信號，具有非平穩(wěn)、非線性的特點。在各種振動事件中，動靜觸頭撞擊和鐵心撞擊產(chǎn)生的振動信號是高頻信號；其余各振動事件產(chǎn)生的振動頻率分布于中低頻段，且其分布頻率具有隨機性，即同一機構(gòu)動作產(chǎn)生的振動信號在頻域上存在一定差別。因此，對斷路器振動信號的分析往往是基于對信號不同頻帶的分析。當高壓斷路器機械狀態(tài)發(fā)生改變時，對應(yīng)振動事件的頻率、振動強度以及時間可能會發(fā)生改變。這些變化會改變每個頻帶內(nèi)信號的分布情況，為了量化這種振動事件的變化，將提取不同時頻子平面內(nèi)的能量分布作為特征向量，用于高壓斷路器故障診斷。

高壓斷路器故障診斷中，實測信號的真實性及準確性直接決定了后續(xù)診斷的使用效果和精度。但實測信號在噪音、電磁干擾等外界環(huán)境的影響下往往包含大量冗余信息，故有必要對高壓斷路器振動信號進行預(yù)處理，盡可能還原真實的振動信號。

振動信號預(yù)處理步驟：首先精確截取實測信號中的分合閘振動部分，有效防止非分合閘振動對后續(xù)診斷帶來的影響；其次采用去趨勢化去除實測信號發(fā)生基線偏移的弊端；最后通過小波去噪去除噪聲，盡可能保證分合閘振動信號的真實性。

完成振動信號的預(yù)處理后，利用小波包變換觀察振動信號頻率特性發(fā)生的變化。小波包變換廣泛運用于特征提取領(lǐng)域，解決了小波變換只能對低頻部分不斷進行變換的問題，可將信號變換到不同的子頻帶中，這些子頻帶能夠覆蓋原信號的頻帶且每個頻帶帶寬相等，能夠?qū)π盘柧植啃畔⑦M行更好的時頻分析，對于高壓斷路器振動信號這樣的非平穩(wěn)信號有著極好的適用性。

小波包變換只關(guān)注了不同振動事件在不同頻域內(nèi)的分布情況，而忽視了振動信號的時間特性，時間特性表征了振動過程中振動事件發(fā)生的相對順序，也包含著十分重要的特征信息。高壓斷路器振動信號FMi(t)經(jīng)M層小波包變換后，得到2M個頻帶的信號包絡(luò)FMi(t)，各頻帶范圍為Fi，i=0,1,2,…, 2M-1。為了反映振動事件的時間特性，將各頻帶信號根據(jù)時域分為N份，此時時頻平面被劃分為M×N個不同的時頻子平面。

1.4 振動信號的特征提取

選取某126 kV斷路器的合閘振動信號進行特征提取，選取其中具有代表性的正常狀態(tài)、操動機構(gòu)卡澀、鐵心卡澀以及基座螺絲松動4種機械狀態(tài)進行特征提取。以正常狀態(tài)為例，圖2所示為完成去噪后正常狀態(tài)下斷路器的振動信號。該信號由多個振動事件產(chǎn)生的時間振動波構(gòu)成，頻率成分復(fù)雜，難以分析。

圖2 正常狀態(tài)時斷路器合閘振動信號

為反映振動事件在不同頻域中的分布情況，首先對信號進行小波包變換，經(jīng)過多次試驗，選取db10小波函數(shù)對預(yù)處理后的高壓斷路器振動信號進行3層小波包變換，變換結(jié)果如圖3所示。

圖3 振動信號的小波包分解

2 基于深度自編碼網(wǎng)絡(luò)的故障診斷方法

2.1 深度自編碼模型簡介

深度自編碼網(wǎng)絡(luò)是由多個自編碼器堆疊形成的網(wǎng)絡(luò)結(jié)構(gòu)，其訓(xùn)練過程分為兩個階段。第一階段是預(yù)訓(xùn)練階段，即對自編碼器進行從底層向頂層的逐層訓(xùn)練，當完成當前自編碼器的訓(xùn)練后，將其隱藏層輸出作為下一層自編碼器的輸入，并開始下一層自編碼器訓(xùn)練，直至利用這種數(shù)據(jù)傳播方式完成所有自編碼器的訓(xùn)練過程。通過預(yù)訓(xùn)練過程可以完成網(wǎng)絡(luò)初始的參數(shù)設(shè)置。第二部分是微調(diào)階段，該階段采用有監(jiān)督的學(xué)習(xí)方式，由分類結(jié)果層向輸入層對上一階段得到的網(wǎng)絡(luò)參數(shù)進行微調(diào)，使深度自編碼網(wǎng)絡(luò)趨向于全局最優(yōu)，該過程與饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程相似。深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)

2.2 深度自編碼模型訓(xùn)練流程

自編碼器是深度自編碼網(wǎng)絡(luò)最基本的組成單元，預(yù)訓(xùn)練過程就是對自編碼器逐一進行訓(xùn)練的過程。本文以一層自編碼器的訓(xùn)練為例，對深度自編碼網(wǎng)絡(luò)的預(yù)訓(xùn)練階段進行詳細介紹。

自編碼器的訓(xùn)練目標是令輸入層與輸出層數(shù)據(jù)相同，是一種無監(jiān)督的網(wǎng)絡(luò)結(jié)構(gòu)。自編碼器結(jié)構(gòu)與一般的神經(jīng)網(wǎng)絡(luò)相似，但輸入層與輸出層有著相同的神經(jīng)節(jié)點數(shù)目。該網(wǎng)絡(luò)通過輸出數(shù)據(jù)重構(gòu)輸入數(shù)據(jù)的方式對網(wǎng)絡(luò)參數(shù)進行不斷優(yōu)化，這個過程中隱藏層得到了輸入數(shù)據(jù)的特征表達，輸出層再通過該特征表達重構(gòu)輸入層數(shù)據(jù)，使輸入層輸出層盡可能相等，此時隱藏層的特征表達就能夠認為包含了輸入數(shù)據(jù)的全部信息。將該特征表達作為下一層自編碼器的輸入層數(shù)據(jù)，逐層構(gòu)建深度自編碼網(wǎng)絡(luò)，深度自編碼網(wǎng)絡(luò)就能夠?qū)W習(xí)到輸入數(shù)據(jù)的深層特征。自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

自編碼器各層內(nèi)部的神經(jīng)元間不連接，層與層之間神經(jīng)元通過不同的權(quán)值全連接。假設(shè)自編碼器的輸入信號X= {x1,x2, …xn}，經(jīng)訓(xùn)練后可以得到隱藏層數(shù)據(jù)H= {h1,h2,…h(huán)m}，該過程被稱為編碼。其中n表示輸入層神經(jīng)元個數(shù)，m表示隱藏層神經(jīng)元個數(shù)。則輸入層數(shù)據(jù)xj與隱藏層數(shù)據(jù)hi的關(guān)系可表示為

式中：wi,j表示輸入層神經(jīng)元xj與隱藏層神經(jīng)元hi間的權(quán)值，bj表示隱藏層偏置。

隱藏層數(shù)據(jù)H通過網(wǎng)絡(luò)參數(shù)計算可以獲得輸出層數(shù)據(jù)。從隱藏層數(shù)據(jù)得到輸出層數(shù)據(jù)的計算過程稱為解碼，其過程式為

式（1）、式（2）中f和g分別為隱藏層和輸出層的激活函數(shù)，本文中f和g兩個激活函數(shù)均為sigmoid函數(shù)，如式（3）所示。

為使輸入數(shù)據(jù)和輸出數(shù)據(jù)盡可能相等，本文需要定義一個目標函數(shù)表示輸入層數(shù)據(jù)X與輸出層數(shù)據(jù)的相似程度，這種相似程度通過損失函數(shù)L(X)表示：

為進一步去除隱藏層輸出中的冗余信息，更高效地表達輸入數(shù)據(jù)特征，本文在隱藏層單元加入稀疏懲罰項，對損失函數(shù)進行稀疏性限制。采用相對熵作為稀疏懲罰項，設(shè)網(wǎng)絡(luò)參數(shù)為θ，訓(xùn)練集S= {x1,x2,…xm} ，則損失函數(shù)J(θ)表達式為

式中：β為稀疏懲罰的稀疏權(quán)重；pj為隱藏層第j個神經(jīng)元在訓(xùn)練集上的平均激活程度；ρ為設(shè)定的稀疏參數(shù)；KL(ρ‖pj)為神經(jīng)元平均激活程度pj與稀疏參數(shù)ρ間的相對熵，即

式（5）、式（6）中隱藏層第j個神經(jīng)元在訓(xùn)練集上的平均激活程度pj均可通過式（7）計算。

式中：m為輸入自編碼器的樣本個數(shù)；hj,i為在輸入第i組數(shù)據(jù)時隱藏層第j個神經(jīng)元的輸出結(jié)果。

對自編碼器進行訓(xùn)練的目的是不斷調(diào)整權(quán)值參數(shù)wi,j、和偏置bj、，使損失函數(shù)J(θ)達到最小，其訓(xùn)練流程如圖6所示。

圖6 自編碼器訓(xùn)練流程

通過梯度下降算法可以不斷更新權(quán)值和偏置，尋找最優(yōu)的網(wǎng)絡(luò)參數(shù)使損失函數(shù)達到最小，如式（8）所示：

式中：α為學(xué)習(xí)率，能夠?qū)W(wǎng)絡(luò)參數(shù)的更新步長進行控制。

當某層自編碼器訓(xùn)練完成后，輸出層數(shù)據(jù)與輸入層數(shù)據(jù)基本相等，而這一過程是由輸入層數(shù)據(jù)進行編碼得到隱藏層數(shù)據(jù)、隱藏層數(shù)據(jù)進行解碼得到輸出層數(shù)據(jù)兩個步驟完成，因此可以認為隱藏層數(shù)據(jù)包含了輸入層數(shù)據(jù)的全部信息，可以作為特征使用。深度自編碼網(wǎng)絡(luò)就是將該自編碼器隱藏層的輸出作為下一層自編碼器的輸入，當進行下一層訓(xùn)練時完成訓(xùn)練的自編碼器參數(shù)保持不變，實現(xiàn)輸入數(shù)據(jù)的特征挖掘。

通過深度自編碼網(wǎng)絡(luò)的預(yù)訓(xùn)練階段可以有效地初始化網(wǎng)絡(luò)連接參數(shù)，防止網(wǎng)絡(luò)欠擬合的情況發(fā)生。預(yù)訓(xùn)練階段是對深度自編碼網(wǎng)絡(luò)進行無監(jiān)督的學(xué)習(xí)，能夠初始化網(wǎng)絡(luò)連接參數(shù)；而微調(diào)階段則是保留預(yù)訓(xùn)練網(wǎng)絡(luò)連接參數(shù)的同時，用少量帶標簽的數(shù)據(jù)進行有監(jiān)督的學(xué)習(xí)以對其進行優(yōu)化，網(wǎng)絡(luò)收斂較快，且不易陷入局部最優(yōu)，使訓(xùn)練模型能夠達到全局最優(yōu)。深度自編碼網(wǎng)絡(luò)訓(xùn)練過程中，對整個深度結(jié)構(gòu)進行微調(diào)，優(yōu)化了局部層次的決策規(guī)則，使最終結(jié)果更加可靠。

2.3 深度自編碼模型數(shù)據(jù)標準化及特征提取流程

通過特征能夠提取得到高壓斷路器合閘振動信號的時頻能量分布，但由于各時頻子平面內(nèi)能量量級差異較大，直接用于訓(xùn)練會對深度自編碼網(wǎng)絡(luò)的訓(xùn)練效果產(chǎn)生影響，從而進一步影響故障診斷的準確性。因此，首先要對時頻能量分布進行Z-score標準化處理，提高數(shù)據(jù)的可比性。

通過原始數(shù)據(jù)的均值與標準差對數(shù)據(jù)進行Z-score標準化處理，處理后數(shù)據(jù)滿足均值為0、方差為1的標準正態(tài)分布。原始信號X經(jīng)標準化后得到數(shù)據(jù)Y，如式（9）所示。

式中：μ為原始數(shù)據(jù)的均值，σ為原始數(shù)據(jù)的標準差。

對于本文中的時頻能量分布來說，X是不同振動信號中相同時頻子平面內(nèi)的能量，經(jīng)Z-score標準化處理后，不同時頻子平面內(nèi)的能量將都屬于同一量級，有利于后續(xù)進一步識別分析。

深度自編碼網(wǎng)絡(luò)輸入層節(jié)點數(shù)即為特征提取過程中時頻子平面的數(shù)量。提取原始信號數(shù)據(jù)表示化后的數(shù)據(jù)特征，即將合閘振動信號進行M層小波包變換，再將各頻帶信號等時間分為N份，得到 2M×N個時頻子平面，因此輸入層將有 2M×N個神經(jīng)節(jié)點。小波包變換的層數(shù)M決定了頻率分辨率，時間分段數(shù)目N決定了時間分辨率。分辨率過低將不能檢測出小幅度頻率及時間波動引起的變化；分辨率過高會將正常的頻率、時間波動誤判為故障，且網(wǎng)絡(luò)的訓(xùn)練時間也會加長。因此，小波包變換層數(shù)M及時間分段數(shù)目N的選擇是影響深度自編碼網(wǎng)絡(luò)故障識別效果的重要因素之一。

為確定小波包變換層數(shù)M及時間分段數(shù)目N的大小，從而進一步確定輸入層神經(jīng)節(jié)點數(shù)目，對合閘振動信號設(shè)置2～5層小波包變換，將各頻帶信號等時間分為4～40份，且設(shè)置實驗中網(wǎng)絡(luò)深度為3層，隱藏層節(jié)點分布設(shè)置為恒定型，其故障識別效果如圖7所示。

圖7 自編碼器訓(xùn)練流程

由圖7可知，當小波包分解層數(shù)為2～5層時，故障識別準確率均呈現(xiàn)隨時間分段數(shù)目N的增加先上升，再上下小范圍波動的情況。當時間分段數(shù)目N保持不變時，故障識別準確率大致隨小波包變換層數(shù)的增加而上升；但當N足夠大時，3、4、5層小波包變換后最終準確率基本相等。因此，對振動信號進行3層小波包分解，并將各頻帶信號等時間分為12份，得到96個時頻子平面，此時深度自編碼網(wǎng)絡(luò)故障識別準確率較高，且訓(xùn)練耗時較短。綜上所述，深度自編碼網(wǎng)絡(luò)輸入層節(jié)點數(shù)為96。

深度自編碼網(wǎng)絡(luò)由多個自編碼器堆疊形成，自編碼器的數(shù)量決定了網(wǎng)絡(luò)的深度。通過隱藏層間的層層映射，深度自編碼網(wǎng)絡(luò)中的輸入層數(shù)據(jù)不斷被挖掘，獲得更加高級的特征。通常情況下，堆疊的自編碼器數(shù)量越多，網(wǎng)絡(luò)層數(shù)越深，則最后隱藏層挖掘到的特征更加抽象也更加接近于本質(zhì)，越有利于故障識別；但隨著網(wǎng)絡(luò)層數(shù)的不斷加深，訓(xùn)練時間不斷加長，同時也可能將訓(xùn)練樣本本身的獨有特性作為所有樣本均具有的普適特性，從而陷入過擬合的情況。

堆疊1～6個自編碼器形成結(jié)構(gòu)不同的6個深度自編碼網(wǎng)絡(luò)進行比較，最后確定適用于該領(lǐng)域的深度自編碼網(wǎng)絡(luò)深度。深度自編碼網(wǎng)絡(luò)輸入層含96個神經(jīng)節(jié)點，每個自編碼器迭代500次，學(xué)習(xí)率為0.1，其故障診斷效果如表1所示。

表1 條件概率參數(shù)

由表1可知，深度自編碼網(wǎng)絡(luò)中，堆疊的自編碼器數(shù)量并不是越多越好，隨著網(wǎng)絡(luò)層數(shù)的上升，故障識別準確率呈現(xiàn)先上升再穩(wěn)定的趨勢。這是因為隨著深度自編碼網(wǎng)絡(luò)深度的不斷增加，訓(xùn)練時產(chǎn)生的誤差積累以及冗余信息將干擾正常的網(wǎng)絡(luò)訓(xùn)練過程，使故障識別更加困難；且隨著網(wǎng)絡(luò)深度的增加，訓(xùn)練該網(wǎng)絡(luò)的時間成本也隨之增加。因此，考慮準確率及訓(xùn)練耗時兩方面因素后，本文選擇將堆疊2個自編碼器即4層深度的深度自編碼網(wǎng)絡(luò)用于高壓斷路器故障識別。

3 基于現(xiàn)場實例的模型驗證

以某鐵路項目現(xiàn)場實測數(shù)據(jù)為基礎(chǔ)，對基于深度自編碼網(wǎng)絡(luò)的斷路器故障診斷方法進行驗證。首先對斷路器正常狀態(tài)、操動機構(gòu)卡澀、鐵心卡澀以及基座螺絲松動 4種常見的機械狀態(tài)進行故障診斷，對其進行編碼如表2所示，診斷結(jié)果對應(yīng)的不同編碼表示不同的機械狀態(tài)。

表2 條件概率參數(shù)

隨機采用 240組現(xiàn)場實測數(shù)據(jù)進行預(yù)訓(xùn)練以及微調(diào)，其中正常狀態(tài)100組，操動機構(gòu)卡澀40組，鐵心卡澀40組，基座螺絲松動60組；102組數(shù)據(jù)作為測試集，其中正常狀態(tài)36組，操動機構(gòu)卡澀19組，鐵心卡澀21組，基座螺絲松動26組。

斷路器各工作狀態(tài)分類準確率如表3所示，可見：該診斷方法對斷路器故障類型識別準確率較高，完成深度自編碼網(wǎng)絡(luò)的訓(xùn)練后，最終故障診斷準確率可高達 98.04%；該診斷方法對鐵心卡澀故障識別準確率較低，對其余狀態(tài)的識別準確率較高。

表3 各工作狀態(tài)分類準確率 %

如圖8所示，對診斷情況進一步深入分析，該故障診斷模型易將高壓斷路器的正常工作狀態(tài)、鐵心卡澀與基座螺絲松動混淆?？赡艽嬖趦煞矫娴脑颍阂皇怯?xùn)練樣本數(shù)量較少，導(dǎo)致深度學(xué)習(xí)網(wǎng)絡(luò)未能進行足夠準確的學(xué)習(xí)；二是特征提取方法需要改進，如改進小波包變換中頻帶混疊的問題等，從而提高時頻特征的準確性。

圖8 故障診斷結(jié)果

4 結(jié)語

本文從牽引供電系統(tǒng)高壓斷路器的結(jié)構(gòu)入手，簡述了高壓斷路器的故障機理及故障表征形式，選取高壓斷路器日常運行時的動作信號作為故障預(yù)測模型的關(guān)鍵參量，制定了基于深度自編碼模型的斷路器故障預(yù)測方案；詳述了基于深度自編碼模型的斷路器故障預(yù)測時的數(shù)據(jù)預(yù)處理、特征提取及模型訓(xùn)練等步驟，并通過現(xiàn)場實例予以驗證，得到以下結(jié)論：

（1）基于深度自編碼模型的斷路器故障預(yù)測方案可對高壓斷路器的服役狀態(tài)進行準確判斷，減小了現(xiàn)場運維的工作量，提高了牽引供電系統(tǒng)的安全可靠性。

（2）目前該斷路器故障預(yù)測方法依賴于斷路器振動信號的提取，對斷路器絕緣類故障缺乏判斷能力，可通過智能斷路器的SF6氣體監(jiān)測單元并設(shè)置閾值報警的方式予以解決。

通過現(xiàn)場實例可知，本文提出的基于高壓斷路器振動信號特征參量構(gòu)建深度自編碼網(wǎng)絡(luò)的故障預(yù)測方案對于高壓斷路器的機械類故障識別有著較高的準確率，對現(xiàn)場設(shè)備的維修具有很強的指導(dǎo)作用，具有廣泛的應(yīng)用前景。