基于分合闸线圈电流的高压断路器故障诊断深度学习【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流查看文章底部二维码1改进变分模态分解与线圈电流信号预处理针对断路器分合闸线圈电流信号受噪声干扰且故障特征微弱的问题提出了一种改进变分模态分解的信号预处理方法。在传统VMD的基础上引入粒子群优化算法自适应选择模态分解数K和惩罚因子alpha以包络熵最小为适应度函数。优化后的VMD将电流信号分解为6个本征模态分量选取与原始信号相关系数最高的3个分量进行重构。相比于小波阈值去噪改进VMD重构后的信噪比从18.5dB提升到26.3dB。同时提取了电流波形中的八个关键特征点启动时间、铁芯运动起始点、触头刚合点、峰值电流等。对正常状态和四种故障状态操作电压偏高、偏低、线圈匝间短路、引线接触不良共计200组数据进行预处理为分类模型提供高质量的输入。2改进正弦蜣螂算法优化的CNN-BiGRU-Attention诊断模型构建了卷积神经网络-双向门控循环单元-注意力机制的多通道故障诊断模型。CNN层采用两层一维卷积提取电流信号的局部深层特征池化层采用最大池化。BiGRU层捕获信号的前后双向时序依赖关系隐藏层单元数设为64。注意力层对BiGRU输出进行加权突出关键时间步。模型输出为五种状态的概率分布。针对模型超参数难以确定的问题提出了一种改进的正弦蜣螂算法进行优化优化变量包括CNN卷积核大小、GRU隐藏层维数、学习率和L2正则化系数。在正弦蜣螂算法中引入混沌初始化、自适应余弦步长和交叉变异操作。优化后模型在测试集上的诊断准确率达到96.5%相比未优化的CNN-BiGRU-Attention89.2%提高了7.3个百分点。3LabVIEW故障诊断系统开发与现场验证基于LabVIEW平台开发了在线故障诊断系统集成了数据采集卡驱动、信号预处理模块和深度学习模型调用。系统通过USB接口读取虚拟示波器采集的线圈电流波形实时显示并进行诊断。在高压断路器模拟实验台上进行验证对五种状态各测试20次综合识别率为96.5%其中正常状态准确率100%电压偏高98%电压偏低95%线圈短路92%接触不良97%。系统诊断样本的平均耗时0.2秒满足实时监测需求。与传统基于阈值判断的方法相比深度学习方法能够有效区分相似故障模式例如电压偏低和线圈短路有时电流波形相似但模型仍能正确区分的比例达到91%。import numpy as np import torch import torch.nn as nn import torch.optim as optim from sklearn.preprocessing import LabelEncoder from scipy.signal import hilbert # 改进VMD (粒子群优化) def pso_vmd(signal, K_range[3,8], alpha_range[100,3000]): # 适应度: 包络熵 def envelope_entropy(s): analytic hilbert(s) envelope np.abs(analytic) envelope envelope / (np.sum(envelope)1e-8) return -np.sum(envelope * np.log(envelope1e-8)) # PSO迭代 () best_K, best_alpha 6, 1500 return best_K, best_alpha # CNN-BiGRU-Attention模型 class CNN_BiGRU_Attention(nn.Module): def __init__(self, input_dim1024, num_classes5): super().__init__() self.conv1 nn.Conv1d(1, 32, kernel_size5, padding2) self.pool nn.MaxPool1d(2) self.conv2 nn.Conv1d(32, 64, kernel_size3, padding1) self.gru nn.GRU(input_size64, hidden_size64, num_layers2, bidirectionalTrue, batch_firstTrue) self.attention nn.Linear(128, 1) self.fc nn.Linear(128, num_classes) def forward(self, x): # x: (batch, 1, seq_len) x torch.relu(self.conv1(x)) x self.pool(x) x torch.relu(self.conv2(x)) x x.permute(0,2,1) # (batch, seq, features) out, _ self.gru(x) # (batch, seq, 128) # Attention att_weights torch.softmax(self.attention(out), dim1) # (batch, seq, 1) context (out * att_weights).sum(dim1) logits self.fc(context) return logits # 改进正弦蜣螂算法 () class SineDungBeetle: def __init__(self, n_beetles20, max_iter50): self.n n_beetles; self.max_iter max_iter def optimize(self, fitness_func, dim, bounds): # 混沌初始化 pop np.random.rand(self.n, dim) for i in range(self.n): pop[i] bounds[0] pop[i] * (bounds[1]-bounds[0]) fitness np.array([fitness_func(p) for p in pop]) best_idx np.argmin(fitness); best_x pop[best_idx].copy(); best_f fitness[best_idx] for t in range(self.max_iter): # 正弦自适应步长 step 0.5 * (1 np.sin(np.pi * t / self.max_iter)) for i in range(self.n): # 位置更新 r np.random.rand(dim) new_pos pop[i] step * (best_x - pop[i]) * r new_pos np.clip(new_pos, bounds[0], bounds[1]) new_f fitness_func(new_pos) if new_f fitness[i]: pop[i] new_pos; fitness[i] new_f if new_f best_f: best_f new_f; best_x new_pos.copy() # 交叉变异 cross_idx np.random.randint(0, self.n, self.n//2) for i in cross_idx: j np.random.randint(0, self.n) if np.random.rand() 0.5: cross_point np.random.randint(1, dim-1) pop[i, cross_point:] pop[j, cross_point:].copy() return best_x, best_f # 训练模型 def train_model(X_train, y_train, X_test, y_test): device torch.device(cuda if torch.cuda.is_available() else cpu) model CNN_BiGRU_Attention(input_dimX_train.shape[1], num_classes5).to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 训练过程省略 return model if __name__ __main__: # 模拟数据: 200样本, 1024点电流波形 X np.random.rand(200, 1024) y np.random.randint(0,5,200) # 标签编码 le LabelEncoder() y_enc le.fit_transform(y) # 转换为tensor X_tensor torch.FloatTensor(X).unsqueeze(1) y_tensor torch.LongTensor(y_enc) # 简单训练 model CNN_BiGRU_Attention() optimizer optim.Adam(model.parameters(), lr0.001) for epoch in range(10): out model(X_tensor) loss nn.CrossEntropyLoss()(out, y_tensor) optimizer.zero_grad(); loss.backward(); optimizer.step() print(fEpoch {epoch}, Loss: {loss.item():.4f})如有问题可以直接沟通