关键词：气体绝缘组合电器;机械故障;S变换;支持向量机;卷积神经网络;Alex Net特征提取;迁移学习
摘 要：机械故障是气体绝缘组合电器(gas insulated switchgear,GIS)最主要的故障之一,尚缺乏有效的在线诊断方法。为此该文利用GIS断路器激振能力强的优势,以GIS断路器分合操作为激振源,根据振动信号所包含的设备机械特性信息对GIS各构件的机械状态进行评估。搭建了包含3种GIS典型机械故障的试验模拟测试系统,并提出了一种基于S变换D-SVMAlex Net模型的GIS机械故障诊断方法。利用S变换处理断路器动作激发的非平稳振动信号,得到含有设备机械特征的时频图谱;建立D-SVM AlexNet模型,使用预训练的Alex Net神经网络模型提取S变换图像特征作为预测变量,通过Fitcecoc函数拟合支持向量机(support vector machine, SVM)进行图像预分类,根据模糊矩阵显示的分类结果筛选出有效测点;将有效测点的时频图送入AlexNet进行迁移学习,获得经微调后的神经网络模型。实验验证发现,训练完毕的卷积神经网络的故障诊断训练准确率达到99%,验证准确率达到92%,具备较好的时频图像分类效果,可实现GIS机械故障的有效诊断。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取