【断路器故障诊断与程度评估模型改进设计分析案例5000字】

断路器故障诊断与程度评估模型改进设计分析案例目录TOC\o"1-3"\h\u7486断路器故障诊断与程度评估模型改进设计分析案例 125721.1改进模型的结构 1187861.1.1卷积层1卷积核尺寸调节 1279211.1.3卷积层1卷积核数目调节 4174441.1.4模型网络加深及过拟合处理 57631.1.5卷积层2卷积核尺寸调节 869001.1.6卷积层2步长调节 9131811.1.7卷积层2卷积核数目调节 10283431.1.8改进模型的参数 11317371.2改进模型的测试分析 12284301.2.1改进模型的可视化分析 12323071.2.2改进模型的对比分析 14在多尺度卷积神经网络中，诊断结果受到多种因素的影响，对此可以对网络不断进行训练，并对实验结果进行分析来调节和完善网络参数，找到一个更适合数据的参数设置，来得到更好的故障诊断与程度评估效果，当目前网络深度无法满足预期模型故障诊断与程度评估精度的需求时，可以通过增加网络层数来提高网络的特征提取能力，进而提高网络的诊断精度，但是随着网络深度的提升，网络发生过拟合的几率也随之增加，因此网络深度提升的同时需要采取措施避免过拟合现象的发生。1.1改进模型的结构1.1.1卷积层1卷积核尺寸调节在卷积神经网络中，卷积核的尺寸对网络的训练结果起着至关重要的作用，本部分针对卷积核尺寸对诊断结果的影响进行分析以找出最佳卷积核尺寸，进而作为卷积层1模型参数。但是随着卷积核尺寸的增大，参数也会随之增加，这使得网络训练速度减慢，为了避免这种情况，随着卷积核尺寸的增大，相应的增大步长，本文选择3×1、6×1、12×1、16×1、32×1、64×1尺寸的卷积核分别对应步长1、2、4、4、5、10，实验结果如表1.1所示。表1.1卷积层1不同卷积核尺寸实验结果卷积核尺寸步长测试集损失测试集精度单次训练时间311.03056.9%12.126S620.90566.9%5.224S1240.87565.6%1.125S1640.84573.1%3.231S3250.77278.1%2.312S64100.65480.6%1.131S如表1.1所示，当卷积核尺寸为64、步长为10时，无论是网络训练时间还是故障诊断与程度评估精度，都是最佳的，这与本文预设大小一致，因此确定尺寸为64×1的卷积核作为卷积层1的参数。但是此时的网络精度并不满足本文预期要求，因此还需要对网络进一步改进。表1.2卷积层2不同步长实验结果步长测试集损失测试集精度单次训练时间40.74878.1%3.226S50.55683.7%2.683S60.58980.6%2.432S70.70271.4%2.101S80.59482.5%1.713S90.70273.1%1.433S100.59680.6%1.131S1.1.2卷积层1步长调节由于上部分对卷积层1步长的选取只是初步暂定，并不是很严谨，不一定适合网络，因此很有必要对步长进行进一步的分析和确定。并且该卷积层1卷积核尺寸为64×1，选取较小的步长会导致网络训练速度明显变慢，因此本部分针对步长为4、5、6、7、8、9、10进行分析，实验结果如表1.2所示。由表1.2可知，网络在步长为5时故障诊断与程度评估精度最佳，训练集精度达到了83.7%，尽管相较于步长为10时，网络训练时间有所增大，但仍然在接受范围，因此确定卷积层1步长参数为5，其对应的模型实验结果如图1.2所示。（a）步长为5时模型的归一化混淆矩阵（b）步长为5时模型的精度变化（c）步长为5时模型的损失变化图1.2卷积层1步长为5时的实验结果由图1.2可知，在经过70次训练后，网络损失曲线和精度曲线都逐步趋于稳定，由归一化混淆矩阵可知，该网络模型在三相不同期中度故障、三相不同期重度故障状态和分闸不彻底中度故障的识别效果并不理想，尤其是三相不同期中度故障和三相不同期重度故障状态，其正确识别率仅为0.56，有很大的几率误识别，网络诊断效果仍需进一步改进。1.1.3卷积层1卷积核数目调节在卷积网络中一般可以通过增加卷积核的个数来提高网络的诊断精度，但是随着卷积核个数的增多，诊断速度也会随之下降，因此如何在网络诊断精度和卷积核数目之间找到一个平衡位置时十分重要的。本文选择16、32、64、128四种卷积核数目进行比较，实验结果如表1.3所示。表1.3卷积层1不同卷积核数目实验结果卷积核数目测试集损失测试集精度单次训练时间160.80473.1%1.211S320.55683.7%2.683S640.52485.0%1.104S1280.61186.2%6.552S由表1.3可知，当卷积核数目为128时，网络测试集精度最高，为86.2%，而卷积核数目为64时网络测试集精度较低，但是两者相比来说，两者之间故障诊断与程度评估精度相差不大，而卷积核数目为128时网络的训练时间却为卷积核数目为64时网络训练时间的1.5倍。为了在保持网络精度的同时，尽量降低网络训练时间，本文以卷积核数目为64作为卷积层1的网络参数。其对应的模型实验结果如图1.3所示。由图1.3可知，当在经过80次训练后，损失曲线和精度曲线都逐步趋于稳定，由归一化混淆矩阵可知，该网络模型在三相不同期重度故障状态和分闸不彻底的识别效果并不理想，且三相不同期重度故障状态识别准确度仅为0.44，误识别的几率很大，不能满足本文要求，因此该网络模型仍需进一步改进。（a）卷积核数目为64时模型的归一化混淆矩阵（b）卷积核数目为64时模型的精度变化（c）卷积核数目为64时模型的损失变化图1.3卷积层1卷积核数目为64时的实验结果1.1.4模型网络加深及过拟合处理经过多次对网络参数的调节发现网络的故障诊断与程度评估精度精度依然不能达到预期，考虑到可能是网络深度不够，对故障特征的提取能力不足，因此考虑加深网络层数。但是随着网络深度的增加，网络过拟合机率也随之增大，因此首先需要对网络过拟合现象进行处理，然后再对加深后的网络参数进行调节。本文网络深度具体改进为：在最大池化层1后增加一个卷积层2，为了减少网络参数量，在卷积层2添加了最大池化层2，并且将输出层前的全连接层替换为一个全局平均池化层，来降低模型的参数，进而降低过拟合机率。初步暂定卷积层2的卷积核数目为64，卷积核尺寸为16×1，步长为2，最大池化层池化核为2×1，实验结果如图1.4所示。（a）网络层数加深后模型的精度变化（b）网络层数加深后模型的损失变化图1.4网络层数加深后实验结果由图1.4可知，该网络训练集精度为99.8%，但是测试集精度仅为80.6%，相差悬殊，由此可以判断网络发生了过拟合，为了避免过拟合，本文在最大池化层2后增加了一个Dropout层，通过将上层输出部分置零，避免网络过于依赖某部分神经元进行特征提取，从而避免过拟合现象出现，参数初步设为0.5，增加Dropout层后的实验结果如图1.5所示。（a）增加Dropout层后模型的归一化混淆矩阵（b）增加Dropout层后模型的精度变化（c）增加Dropout层后模型的损失变化图1.5增加Dropout层实验结果如图1.5所示，该网络过拟合现象得到明显抑制，此时该网络的训练集精度为91.5%，测试集精度为86.8%，测试集损失为0.621。当经过40次训练后，网络损失曲线和精度曲线都逐步趋于稳定，由归一化混淆矩阵可知，该网络模型在分闸不彻底轻度故障状态下的识别效果并不是很理想，有很大误识别的可能性。由于Dropout层参数只是初步预定，并不一定是最佳参数，因此有必要对Dropout层参数进行进一步的分析和确定，因为该Dropout层在网络中间位置，本部分采用参数为0.4、0.5、0.6、0.7、0.8进行分析，实验结果如表1.4所示。表1.4不同Dropout参数实验结果Dropout参数测试集损失测试集精度单次训练时间0.40.67685.0%3.332S0.50.62186.8%3.216S0.60.73580.6%3.221S0.70.67681.2%3.346S0.80.89671.4%3.324S由表1.4可知，当Dropout层参数为预设参数0.5时，网络测试集精度最高，因此确定Dropout层参数为0.5。但是此时网络的故障诊断与程度评估精度不是很理想，仍需进一步改进。1.1.5卷积层2卷积核尺寸调节同样的由于卷积层2各项参数只是初步预定，并不严谨，不一定是网络最佳参数，因此有必要对卷积层2的各项参数进行进一步的分析与确定。由于目前网络的故障诊断与程度评估精度已经基本接近本文预期精度，因此对于卷积层2卷积核尺寸在小范围进行调节，该部分针对卷积核为12、14、16、18、20进行分析，实验结果如表1.5所示。表1.5卷积层2不同卷积核尺寸实验结果卷积核尺寸测试集损失测试集精度单次训练时间120.66580.6%3.114S140.95580.0%3.226S160.62186.8%3.216S180.74981.3%3.162S200.56388.7%3.127S从表1.5中可以看出，当卷积层2的卷积核尺寸为20×1时，网络的故障诊断与程度评估精度最佳，测试集精度达到了88.7%，因此本文确定卷积核尺寸为20×1作为卷积层1的网络参数。其对应的实验结果如图1.6所示。由图1.6可知，当经过40次训练后，网络测试集和训练集损失曲线和精度曲线都逐步趋于稳定，由归一化混淆矩阵可知，尽管该网络模型该网络各类故障状态下都有较好的识别效果，但是由于该网络模型的故障诊断与程度评估精度没有达到本文预期要求，因此仍需要对于网络进一步改进。（a）卷积核尺寸为20时模型的归一化混淆矩阵（b）卷积核尺寸为20时模型的精度变化（c）卷积核尺寸为20时模型的损失变化图1.6卷积层2卷积核尺寸为20时的实验结果1.1.6卷积层2步长调节基于卷积层2的卷积核尺寸为16×1时，因此不适于将步长设置过小，该部分基于步长为2、3、4、5、6进行分析，实验结果如表1.6所示。表1.6卷积层2不同步长实验结果步长测试集损失测试集精度单次训练时间20.56388.7%3.127S30.62781.4%2.986S40.76879.4%2.733S50.58285.0%2.316S60.66680.0%2.210S由表1.6可知，在步长为2时网络的故障诊断与程度评估精度最佳，因此选定步长为2作为卷积层2网络参数。1.1.7卷积层2卷积核数目调节针对于卷积层2卷积核数目的选择，本文选择16、32、64、128四种卷积核数目进行比较，实验结果如表1.7所示。表1.7卷积层1不同卷积核数目实验结果卷积核数目测试集损失测试集精度单次训练时间160.84465.6%2.763S320.62280.6%2.985S640.56388.7%3.127S1280.53490.6%1.114S由表1.7可知，当卷积核数目为128时，网络测试集精度最高，精度为90.6%，并且相比于卷积核数目为128时，网络训练时间增大的并不是很多，因此本文以卷积核数目为128作为卷积层1的网络参数。其对应的实验结果如图1.7所示。（a）卷积核数目为64时模型的归一化混淆矩阵（b）卷积核数目为64时模型的精度变化（c）卷积核数目为64时模型的损失变化图1.7卷积核数目为64时的实验结果由图1.7可知，当在经过60次训练后，损失曲线和精度曲线都逐步趋于稳定，由归一化混淆矩阵可知，该网络模型各类状态下都有良好的识别效果，并且网络的故障诊断与程度评估精度也达到了本文预期结果，因此选定该网络参数为本文最终网络模型参数。1.1.8改进模型的参数经过调节卷积层1的卷积核尺寸、步长、卷积核数目，并通过增加网络层数深度，在模型中添加卷积层2、池化层2、Dropout层、全局平均池化层，最后对卷积层2的卷积核尺寸、步长进行调节，获得了合适的网络模型参数，该网络单批次训练数据数为16个，训练集与测试集比例为4：1，单次训练时间为1.114S。该万能式断路器故障诊断与程度评估模型已经能够满足本文预期故障诊断与程度评估精度，模型精度为0.906，其中各层网络参数及在各层中数据输出尺寸如表1.8所示。表1.8模型参数及各层数据输出尺寸层名称分支网络参数数据尺寸Input——6000×1滤波器参数步长1D_Conv_1—64×64×151200×64Maxpooling_1—2×11600×641D_Conv_2—128×20×12300×128Maxpooling_2—2×11150×128Dropout—0.5150×128滤波器参数步长1D_MCL分支A32×1×11600×32分支B64×1×1、32×3×11分支C16×1×1、32×5×11分支D32×1×111D_GlobalAveragePooling——32×1output——10×11.2改进模型的测试分析针对改进后的万能式断路器故障诊断与程度评估模型，本文对网络各层进行了可视化分析，以进一步了解网络训练过程，并且将其与其他经典卷积神经网络模型对比分析，观察本文模型在万能式断路器故障诊断与程度评估方面是否具有优越性。1.2.1改进模型的可视化分析针对改进网络模型进行可视化分析，可以使网络分类识别的过程更加直观，本部分采用t-SNE技术将网络各层输出数据由三维降至二维，进而实现网络各层的可视化，各层可视化结果如图1.8所示：（a）输入层（b）卷积层1（c）池化层1（d）卷积层2（e）池化层2（f）多尺度卷积层（g）全局平均池化层（h）输出层（i）图例图1.8改进网络模型的可视化在网络进行测试预测的过程中，当数据输入输入层后