基于DDAE的交流接觸器狀態(tài)特征融合方法*

高士珍, 劉樹鑫

(沈陽(yáng)工業(yè)大學(xué) 電器新技術(shù)與應(yīng)用研究所, 遼寧 沈陽(yáng) 110870)

0 引 言

交流接觸器是一種主要對(duì)交流回路和控制電路進(jìn)行遠(yuǎn)距離頻繁通斷操作的低壓控制電器[1],其工作狀態(tài)對(duì)整個(gè)電網(wǎng)的安全運(yùn)行有著關(guān)鍵的作用。對(duì)其進(jìn)行狀態(tài)評(píng)估和剩余壽命預(yù)測(cè)一直是低壓控制電器方向的研究熱點(diǎn)。

采用數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行交流接觸器剩余壽命預(yù)測(cè)研究不需要對(duì)其進(jìn)行精確的物理模型構(gòu)建,因此被廣泛應(yīng)用,但是該方法的前提是最大程度地獲取能夠反映交流接觸器運(yùn)行狀態(tài)的特征參數(shù)。文獻(xiàn)[2]提出變權(quán)重系數(shù)的方法,結(jié)合模糊綜合評(píng)判方法,對(duì)交流接觸器進(jìn)行狀態(tài)評(píng)估。文獻(xiàn)[3]采用音頻特征預(yù)測(cè)交流接觸器電壽命,用卷積神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型。文獻(xiàn)[4]在交流接觸器壽命預(yù)測(cè)中使用MIV確定模型,其輸入為累積燃弧能量、吸合時(shí)間,分析了不同模型的預(yù)測(cè)誤差。文獻(xiàn)[5]利用觸頭質(zhì)量損耗建立時(shí)間尺度變換模型并建立非線性Wiener預(yù)測(cè)模型,均取得了較好的研究成果。但是這些方法采用的特征量較為單一,缺少對(duì)交流接觸器運(yùn)行狀態(tài)特征參數(shù)的充分提取。由于交流接觸器的電壽命遠(yuǎn)遠(yuǎn)低于其機(jī)械壽命,所以先前的研究往往只考慮其電參量的相關(guān)特征,忽略了其機(jī)械參量的相關(guān)特征,這種研究手段過(guò)于簡(jiǎn)化。通過(guò)采集交流接觸器運(yùn)行過(guò)程中的振動(dòng)信號(hào)[6],從中提取出與其狀態(tài)相關(guān)的機(jī)械特征參數(shù),對(duì)僅考慮電參量的研究方法進(jìn)行特征補(bǔ)充,能夠較為全面地反映交流接觸器的運(yùn)行狀態(tài),對(duì)其狀態(tài)評(píng)估和壽命預(yù)測(cè)具有重要意義。

僅從是否能夠充分反映交流接觸器運(yùn)行狀態(tài)的角度來(lái)看,提取的特征越多,表征能力越強(qiáng),但是考慮到目前采用數(shù)據(jù)驅(qū)動(dòng)的研究方法,多采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型,其輸入量的維度越大,訓(xùn)練難度和計(jì)算量是成指數(shù)上升的,因此如何以較少的特征在最大程度上反映交流接觸器的運(yùn)行狀態(tài)是問(wèn)題的關(guān)鍵。

針對(duì)上述問(wèn)題,本文提出一種基于深度降噪自動(dòng)編碼器(Deep Denoising Autoencoder,DDAE)的交流接觸器運(yùn)行狀態(tài)特征融合方法,從交流接觸器全壽命試驗(yàn)運(yùn)行數(shù)據(jù)中,提取電參量相關(guān)的和機(jī)械參量相關(guān)的特征參數(shù),建立DDAE特征融合模型,在最大程度保留原始特征信息的基礎(chǔ)上,進(jìn)行特征融合重構(gòu),最后通過(guò)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析驗(yàn)證。

1 研究方法

1.1 基本自動(dòng)編碼器

自動(dòng)編碼器[7]是一種可以進(jìn)行非監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型[8],可以學(xué)習(xí)到輸入數(shù)據(jù)的降維表示,能夠作為功能性非常強(qiáng)的特征檢測(cè)器,因此可以作為機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的預(yù)訓(xùn)練模型,實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)模型輸入的降維處理,進(jìn)行特征融合重構(gòu)。

圖1 無(wú)監(jiān)督學(xué)習(xí)原理

一個(gè)簡(jiǎn)單的自動(dòng)編碼器模型可分為編碼器和解碼器兩個(gè)部分。自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)

f(x)為編碼函數(shù),g(x)為解碼函數(shù),自動(dòng)編碼器的基本形式為

(1)

訓(xùn)練過(guò)程的約束為

(2)

即設(shè)計(jì)一個(gè)損失函數(shù),讓編碼器的輸入和輸出盡可能相似,即

(3)

1.2 降噪自動(dòng)編碼器

基本自動(dòng)編碼器僅學(xué)習(xí)了上述的恒等函數(shù),可能導(dǎo)致過(guò)擬合現(xiàn)象。和基本自動(dòng)編碼器不同,降噪自動(dòng)編碼器(Denoising Autoencoder,DAE)在訓(xùn)練過(guò)程中對(duì)原始的數(shù)據(jù)加入了干擾噪聲,進(jìn)行部分“破壞”處理,普遍認(rèn)為,對(duì)完整原始數(shù)據(jù)編碼得到的中間層能夠重新恢復(fù)原始數(shù)據(jù)并不能證明這個(gè)網(wǎng)絡(luò)就是優(yōu)秀的;而能從在一定程度上被“破壞”的輸入數(shù)據(jù)進(jìn)行編碼、解碼運(yùn)算后,還能還原完整的未被“破壞”的原始輸入數(shù)據(jù),這樣得到的中間層特征才是優(yōu)秀的,可以最大程度地保留原始特征的信息[9-10]。DAE網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 DAE網(wǎng)絡(luò)結(jié)構(gòu)

DAE的編碼過(guò)程為

(4)

DAE的解碼過(guò)程為

z=g(h)=wdh+bd

(5)

損失函數(shù)為

(6)

式中:h——輸出層激勵(lì)函數(shù);

f——輸入層激勵(lì)函數(shù);

b——偏置項(xiàng);

w——權(quán)重值;

z——解碼后還原特征;

g——輸出層激勵(lì)函數(shù);

L——損失函數(shù)。

通過(guò)以上計(jì)算,最終根據(jù)L值最小確定最佳網(wǎng)絡(luò)結(jié)構(gòu)。

1.3 DDAE

DDAE是對(duì)DAE的改進(jìn),普通DAE的中間層只有一層,而DDAE神經(jīng)網(wǎng)絡(luò)的中間層可以有多個(gè),可以理解為是多個(gè)普通DAE的級(jí)聯(lián),一個(gè)具有兩層中間層的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。DDAE結(jié)構(gòu)如圖4所示。

圖4 DDAE結(jié)構(gòu)

DDAE結(jié)構(gòu)一般是嚴(yán)格對(duì)稱的,即為將上一層的編碼輸出結(jié)果作為下一層編碼的輸入,大大提高運(yùn)行效率,可以讓網(wǎng)絡(luò)學(xué)習(xí)到更多的信息,并且將中間層的神經(jīng)元個(gè)數(shù)進(jìn)一步降低,使特征融合的效果大大增強(qiáng)。

2 交流接觸器全壽命試驗(yàn)及特征提取

2.1 交流接觸器全壽命試驗(yàn)

試驗(yàn)平臺(tái)按照GB 14048.4—2010中的規(guī)定進(jìn)行搭建和試驗(yàn),在工程的具體應(yīng)用中,交流接觸器絕大部分工況是在AC-4的條件下,以6倍額定電流來(lái)接通和分?jǐn)嚯娐?因此本次試驗(yàn)在AC-4的條件下對(duì)CJX2—50型交流接觸器進(jìn)行研究[11]。試驗(yàn)條件如表1所示。試驗(yàn)系統(tǒng)如圖5所示。

表1 試驗(yàn)條件

圖5 試驗(yàn)系統(tǒng)

2.2 特征提取

交流接觸器運(yùn)行狀態(tài)的影響因素較多,僅通過(guò)傳統(tǒng)電參量的特征來(lái)反映其工作狀態(tài)是不夠完善的,從理論上分析,通過(guò)數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行開關(guān)電器剩余壽命預(yù)測(cè)的研究,所采集的設(shè)備運(yùn)行過(guò)程中的特征參數(shù)越多,對(duì)設(shè)備運(yùn)行狀態(tài)的表征越準(zhǔn)確,剩余壽命預(yù)測(cè)的結(jié)果也會(huì)更準(zhǔn)確,因此本文通過(guò)加入機(jī)械參量的特征,對(duì)傳統(tǒng)方法進(jìn)行補(bǔ)充,共提取了11個(gè)能夠有效反映交流接觸器運(yùn)行狀態(tài)的特征參數(shù),其中電參量特征參數(shù)為接觸電阻、燃弧時(shí)間、燃弧能量、平均燃弧功率、吸合時(shí)間、釋放時(shí)間;機(jī)械特征參數(shù)為彈跳時(shí)間、觸頭碰撞速度、分閘速度、超程、開距。電參量特征參數(shù)原始數(shù)據(jù)及變化趨勢(shì)如圖6所示;機(jī)械參量特征參數(shù)原始數(shù)據(jù)及變化趨勢(shì)如圖7所示。

圖6 電參量特征參數(shù)原始數(shù)據(jù)及變化趨勢(shì)

圖7 機(jī)械參量特征參數(shù)原始數(shù)據(jù)及變化趨勢(shì)

3 算例分析

本文在最大程度上提取了能夠影響接觸器運(yùn)行狀態(tài)的特征參量,其中電參量相關(guān)特征6個(gè),機(jī)械參量相關(guān)特征5個(gè),共11組特征作為數(shù)據(jù)集,進(jìn)行多維特征融合仿真。深度降維自編碼多維特征融合整體流程如圖8所示。

圖8 深度降維自編碼多維特征融合整體流程

3.1 確定信噪比

僅采用基本自動(dòng)編碼器學(xué)習(xí)輸入特征的信息進(jìn)行特征融合,很容易產(chǎn)生過(guò)擬合現(xiàn)象,并且研究者們普遍認(rèn)為,能夠從經(jīng)過(guò)“損壞”的原始特征中進(jìn)行特征融合學(xué)習(xí)后,還能還原出原始特征,這樣的網(wǎng)絡(luò)才是優(yōu)秀的,經(jīng)過(guò)降維后的融合特征能夠最大程度地保留原始特征所包含的信息。因此,本文采用DAE對(duì)交流接觸器特征參數(shù)進(jìn)行特征融合研究。

對(duì)原始數(shù)據(jù)進(jìn)行“損壞”就是對(duì)網(wǎng)絡(luò)的輸入加入隨機(jī)噪聲,本次采用對(duì)原始特征數(shù)據(jù)進(jìn)行隨機(jī)置零的方式進(jìn)行加噪處理。首先將網(wǎng)絡(luò)的中間層結(jié)構(gòu)設(shè)為一層,中間層神經(jīng)元的個(gè)數(shù)設(shè)為一個(gè),再依次改變信噪比的數(shù)值,進(jìn)行模型訓(xùn)練,計(jì)算并比較輸入的原始特征與輸出的還原特征之間的誤差值,當(dāng)誤差降到最小時(shí),確定信噪比的數(shù)值。各信噪比下誤差值如圖9所示。

圖9 各信噪比下誤差值

通過(guò)圖9可以清晰地觀察出,當(dāng)信噪比為0.2時(shí),只有第6個(gè)特征的誤差大于在信噪比為0.3時(shí),在其余各種情況下,各個(gè)特征在信噪比為0.2時(shí),誤差均為最低;因此,本文采用的DAE特征融合模型的信噪比取為0.2。

3.2 中間層神經(jīng)元個(gè)數(shù)的選擇

確定中間層神經(jīng)元個(gè)數(shù),就是確定特征融合重構(gòu)后降低到的維度。理論上降低到的維度越高,所包含的原始特征的信息就越多,但是當(dāng)中間層神經(jīng)元個(gè)數(shù)提高到一定值,輸入的原始特征與輸出的還原特征之間的誤差下降變得不明顯。因此,此時(shí)的中間層神經(jīng)元個(gè)數(shù)就是最優(yōu)融合特征維度。

首先設(shè)置網(wǎng)絡(luò)中間層神經(jīng)元個(gè)數(shù)為1,依次增加中間層神經(jīng)元個(gè)數(shù),進(jìn)行模型訓(xùn)練,并計(jì)算原始特征與還原特征之間的誤差。各種中間層神經(jīng)元個(gè)數(shù)各個(gè)特征的還原誤差如圖10所示;各種中間層神經(jīng)元個(gè)數(shù)各個(gè)特征的累計(jì)誤差如表2所示。

圖10 各種中間層神經(jīng)元個(gè)數(shù)各個(gè)特征的還原誤差

表2 各種中間層神經(jīng)元個(gè)數(shù)各個(gè)特征的累計(jì)誤差

通過(guò)圖10和表2可以觀察出,當(dāng)中間層神經(jīng)元個(gè)數(shù)從1增加到3和從3增加到5,誤差都會(huì)大幅度下降,而當(dāng)中間層神經(jīng)元個(gè)數(shù)從5增加到7時(shí),誤差幾乎沒(méi)有下降。因此,本文最終確定的融合重構(gòu)的特征為5維。

3.3 DDAE層數(shù)的構(gòu)建

神經(jīng)網(wǎng)絡(luò)雖然有強(qiáng)大的學(xué)習(xí)能力,但是單層的神經(jīng)元結(jié)構(gòu)的學(xué)習(xí)能力畢竟有限,增加神經(jīng)網(wǎng)絡(luò)的層數(shù)可以大大提高模型的學(xué)習(xí)能力和效率。不同層數(shù)模型的損失函數(shù)如圖11所示;不同層數(shù)模型的誤差值如圖12所示。由圖11可見(jiàn)不同DDAE模型在訓(xùn)練過(guò)程中損失函數(shù)的下降趨勢(shì)。由圖12可見(jiàn)各特征還原特征與原始特征之間的誤差。

圖11 不同層數(shù)模型的損失函數(shù)

圖12 不同層數(shù)模型的誤差值

通過(guò)圖11和圖12可以觀察出,當(dāng)DAE層數(shù)為2時(shí),在迭代10次后,損失函數(shù)就能降到最低,而層數(shù)為1時(shí)要迭代到20次才能降到最低,并且大于層數(shù)為2時(shí),由于每次都加入了噪聲,當(dāng)層數(shù)為3時(shí),第二層的輸入破壞太大,導(dǎo)致?lián)p失函數(shù)不能下降到理想范圍,誤差較大,因此本文將DDAE的深度確定為2層,11個(gè)特征平均誤差值為0.000 2,表明融合后的特征幾乎能表達(dá)原始特征所有的信息。

4 結(jié) 語(yǔ)

交流接觸器運(yùn)行狀態(tài)特征的提取是實(shí)現(xiàn)對(duì)其剩余壽命精確預(yù)測(cè)的必要前提,本文基于DDAE,提出了一種特征融合降維的方法,得到了如下結(jié)論:

(1)通過(guò)提取交流接觸器的機(jī)械特征參數(shù),對(duì)僅考慮電參量的研究方法進(jìn)行特征補(bǔ)充,較為全面地對(duì)其運(yùn)行狀態(tài)進(jìn)行表征。

(2)提取的特征越多,表征能力越強(qiáng),但是考慮到后續(xù)剩余壽命預(yù)測(cè)模型的輸入量維度越大,訓(xùn)練難度和計(jì)算量成指數(shù)上升,故要以較少的輸入特征在最大程度上反映交流接觸器的運(yùn)行狀態(tài)。

(3)通過(guò)確定DDAE中間層數(shù)和神經(jīng)元個(gè)數(shù),構(gòu)建交流接觸器特征融合降維模型,結(jié)合試驗(yàn)數(shù)據(jù),將11維的特征融合重構(gòu)后降到了5維,并且誤差在10-4數(shù)量級(jí),證明本文提出的方法可行有效,為后續(xù)對(duì)交流接觸器剩余壽命預(yù)測(cè)研究夯實(shí)了基礎(chǔ)。