基于不同退化模式的断路器剩余寿命预测方法

本发明属于断路器剩余寿命预测，具体是一种基于不同退化模式的断路器剩余寿命预测方法。

背景技术：

1、近年来，随着开关电器朝着智能化的方向发展，将智能感知与先进检测技术运用到开关电器的健康管理中是十分重要的。断路器是具有复杂机械机构的开关电器，是低压电网运行系统中的关键设备，拥有“控制”和“保护”双重职责，一方面作为电力系统的开关控制设备，根据使用需求以及电网的运行需要，可以对具体线路进行开通和关断的操作，另一方面对电力系统起到了保护作用，当配电系统出现短路、过载和欠压等故障时能够及时将故障线路切断，保证系统的正常运行，因此低压万能式断路器在配电系统中具有至关重要的作用。寿命评估是开关电器智能化水平的重要体现，对断路器进行机械性能退化分析和剩余寿命预测，不仅能够大大提高其可靠性，还能有效避免因盲目更换断路器造成的资源浪费，一定程度上提高了设备使用率，同时有利于保障低压配电网的稳定和安全。

2、现有技术对于断路器的剩余寿命(remaining useful life，rul)预测进行了一系列研究，例如，孙曙光等(孙曙光,张伟,王景芹,杜太行,高辉.基于动作过程振动检测的低压断路器机械寿命预测[j].仪器仪表学报,2020,41(12):146-157.)基于wiener理论构建了断路器机械性能退化模型，用于剩余机械寿命预测。申请号为202210136953.5的发明申请公开了一种基于阶段注意力机制网络模型的断路器剩余寿命预测方法，根据能熵比从重构的振动信号中提取振动片段，并建立了融合阶段注意力机制的预测模型，强化了时间和特征维度上重要信息对预测结果的贡献程度。

3、以上述文献为代表的断路器机械寿命预测研究存在诸多不足，主要表现为：1)直接测量或利用振动信号间接检测所获取的参数化寿命退化信息，未能有效挖掘退化数据的深层特征；2)对振动事件区间的划分不够细致，提取的特征有限；3)退化模式分析单一，由于断路器机械机构的复杂性以及差异性造成了退化过程的不确定性与多样性，不同退化模式下的断路器振动信号特征不同，故采用参数相同的预测模型预测不同退化模式的剩余寿命，存在模型的针对性差，预测精度低等不足。

技术实现思路

1、针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于不同退化模式的断路器剩余寿命预测方法。

2、本发明解决所述技术问题采用的技术方案如下：

3、一种基于不同退化模式的断路器剩余寿命预测方法，其特征在于，包括以下步骤：

4、第一步、进行万能式断路器机械寿命试验，采集断路器分闸过程中的振动信号；

5、第二步、利用ceemdan算法对寿命初期与末期的振动信号进行分解，分别得到多个模态分量；以欧式距离和余弦相似度为综合相似度衡量指标，计算寿命初期和末期振动信号对应模态分量的综合相似度，选取综合相似度大于相似度阈值的模态分量对振动信号进行重构；

6、第三步，对重构的振动信号进行分帧，基于短时能量从振动信号中提取振动事件区间t1-t4，并从振动事件区间中提取区间t3-t4；t1为断路器分闸附件的推杆与触发机构碰撞时刻，t3为动触头最大位移结束时刻，t4为动触头回弹再次撞击止停销的时刻；

7、第四步，从区间t1-t4中提取振动信号的显性特征，包括触头机构动作时间、分闸平均速度、均方根、能量和峰峰值；从区间t3-t4中提取振动信号的隐性特征；将显性特征和隐性特征进行拼接，得到综合特征；

8、第五步，将所有样本的均方根进行一元线性回归拟合，并通过最小二乘法求解，得到拟合直线；根据拟合直线的斜率判定断路器的退化模式，若斜率绝对值大于斜率阈值，则为快速退化模式，否则为慢速退化模式；

9、第六步，基于深度学习构建剩余寿命预测模型，利用断路器在快速和慢速两种退化模式下的数据分别训练剩余寿命预测模型，得到两种退化模式下的剩余寿命预测模型；需要进行剩余寿命预测时，采集待预测断路器的振动信号，通过第一、二、三和五步判断断路器的退化模式，再通过第四步得到综合特征，将综合特征输入到对应退化模式下的剩余寿命预测模型中进行剩余寿命预测。

10、进一步的，第四步中，利用多尺度卷积自动编码器提取隐性特征，多尺度卷积自动编码器包括编码和解码两部分；编码部分包括一个多尺度卷积层、三个卷积层和三个最大池化层，第一个卷积层、第一个最大池化层、多尺度卷积层、第二个最大池化层、第二个卷积层、第三个最大池化层和第三个卷积层串行连接；多尺度卷积层利用四个大小不同的卷积核对输入特征图进行卷积，再将卷积得到的所有特征图拼接，得到编码部分的输出。

11、进一步的，第二步中，寿命初期和末期振动信号对应模态分量的综合相似度表示为：

12、λ＝de+dc                                (9)

13、

14、

15、式中，λ为寿命初期和末期振动信号第j个模态分量的综合相似度，de、dc分别为第j个模态分量经归一化的欧式距离和余弦相似度，为寿命初期振动信号的第j个模态分量mfj(t)的第y个片段，为寿命末期振动信号第j个模态分量的第y个片段，y为片段数量，表示两个片段的最大欧式距离。

16、进一步的，所述剩余寿命预测模型基于bilstm模型和注意力机制得到。

17、与现有技术相比，本发明的有益效果为：

18、1.考虑到断路器振动信号的多源性以及复杂性，通过ceemdan算法将振动信号分解，得到的只有部分imfs分量可有效反映退化特征，而其他的imfs分量对退化并不敏感，可认为是干扰成分。本发明利用ceemdan对寿命初期与末期的振动信号进行分解，利用余弦相似度和欧氏距离对模态分量进行综合相似性度量，并以此确定对机械性能退化敏感的信号成分。通过对模态分量进行相似性度量，降低振动数据的冗余度，能够有效凸显退化特征。

19、2.分闸过程产生的振动信号中包含不同的振动事件，需要区间分割来获取与分闸动作直接相关的振动事件区间，考虑到分闸振动信号主要是由机构之间的碰撞产生，不同振动事件的强度存在差异，因此本发明采用短时能量双门限法将振动信号划分成不同区间，短时能量法相比于短时过零率更适用于检测幅值变化大的信号，在此基础上运用双门限法检测分闸各事件片段的两个端点具有较高的准确性。

20、3.振动信号中蕴含有丰富的机械状态信息体现在两方面。一方面信号中含有振动冲击事件，每个事件对应于断路器相应的机械动作，所以据此可以实现具有工程意义的参数检测，如机构动作时间与分闸平均速度。另一方面振动信号的波形特征亦是对机械状态的有效表征，这既包含有参数化特征，如峰峰值与能量，也包含隐匿于信号中的深层特征。通过多尺度卷积自编码(mscae)提取深层特征，不同尺度的卷积核可以提取不同感受野的特征。将参数特征与深层特征融合，得到用于剩余寿命预测的综合特征。

21、4.断路器作为一个复杂的机械系统，为实现其剩余寿命的精准预测，进行退化模式分析是必要的。本发明将断路器的退化可分为快速和慢速两种模式，考虑到均方根值是对单次振动信号有效值的反应，受随机性的影响小，随着机械特性的退化，该值变化较为明显，可以更好的体现退化过程的整体趋势，因此选取均方根作为判断退化模式的参数特征。退化模式的判别使得模型训练与测试更具针对性，从而提升了预测精度。

22、5.本发明基于bilstm和自注意力机制构建剩余寿命预测模型，bilstm相比于lstm，它通过正向和反向两个lstm相连接，实现了结合过去和未来信息对当前时刻的预测，得到更加全面的退化信息，预测精度更高，考虑到断路器机构的复杂性和动作过程的不确定性，将sa模块置于bilstm层和输出层之间，采用自注意力机制捕捉各时间步之间的相关性，达到强化重要的时间步，同时消除异常数据影响的目的。