本發明涉及真空擊穿檢測領域，尤其是一種基于卷積神經網絡的真空擊穿類別檢測方法及裝置。

背景技術：

1、目前，雖然在中低壓電力開關的實際生產中，真空斷路器已經初步實現廣泛的應用。但在高壓環境中，真空短路器由于其電極間隙的絕緣性能的削弱，應用受到限制。目前高壓電力線路開關中，仍然廣泛采用sf6氣體斷路器。然而，sf6氣體是環境不友好氣體，其強烈的溫室效應對密封的要求極高，與此同時，其由于分解形成的酸性化合物也增加了腐蝕性酸雨的可能。為積極響應我國“雙碳”目標，實現真空斷路器在高壓環境下的應用，取代sf6氣體斷路器是刻不容緩的。

2、真空斷路器在高壓環境下不適宜工作的原因在于高壓下真空斷路器較易發生真空擊穿。對真空擊穿類別的研究能揭示電極間隙真空擊穿的機理，因此通過對真空擊穿類別進行診斷，對于提高真空斷路器的電壓水平具有重要意義。就目前而言，真空擊穿類別的診斷依賴于人工判斷以及電腦計算，所需時間冗長、過程繁雜。

技術實現思路

1、本發明人針對上述問題及技術需求，提出了一種基于卷積神經網絡的真空擊穿類別檢測方法及裝置，本發明的技術方案如下：

2、第一方面，本技術提供了一種基于卷積神經網絡的真空擊穿類別檢測方法，包括如下步驟：

3、獲取不同真空擊穿類別的預擊穿電流波形作為訓練樣本，真空擊穿類別包括脈沖電流誘發真空擊穿、場致發射誘發真空擊穿和微粒誘發真空擊穿；

4、構建基于卷積神經網絡的真空擊穿類別診斷模型，包括共享卷積層、多任務處理層、全連接層和softmax函數；

5、共享卷積層用于提取三種真空擊穿類別的預擊穿電流波形的基本特征，輸入到多任務處理層進行處理；

6、多任務處理層用于對基本特征中不同真空擊穿類別的特點進行識別，拼接得到復合特征向量，再通過全連接層和softmax函數計算得到三種真空擊穿類別的概率；

7、以處理后的預擊穿電流波形為輸入，以波形對應的真空擊穿類別為輸出，對基于卷積神經網絡的真空擊穿類別診斷模型進行訓練，獲得訓練效果最好的權重參數加載給真空擊穿類別診斷模型；

8、將待分類的預擊穿電流波形輸入給真空擊穿類別診斷模型，獲得三種真空擊穿類別的概率，并選出概率最大值對應的真空擊穿類別作為最終診斷結果輸出。

9、其進一步的技術方案為，共享卷積層包括兩層卷積和池化層，其中：

10、第一層卷積池化層使用32個3*3的卷積核，然后經過2*2的池化窗口；第二層卷積池化層使用64個3*3的卷積核，然后經過2*2的池化窗口。

11、其進一步的技術方案為，多任務處理層包括并行的特征分支網絡、尾段增強模塊、全局池化模塊；

12、特征分支網絡用于捕捉并放大場致發射誘發真空擊穿的預擊穿電流波形的上升趨勢以及微粒誘發真空擊穿的預擊穿電流波形的下降趨勢，提取上升段特征和下降段特征；

13、尾段增強模塊用于捕捉并放大波形尾段變化趨勢，提取尾段特征；

14、全局池化模塊用于提取三種預擊穿電流波形的全局特征。

15、其進一步的技術方案為，特征分支網絡包括：

16、上升段卷積模塊，用于使用3*3的卷積核對輸入的基本特征的每個通道進行卷積操作，計算加權和后通過2*2的池化窗口展平為一維向量，獲得上升段特征；

17、下降段卷積模塊，用于使用3*3的卷積核對輸入的基本特征的每個通道進行卷積操作，計算加權和后通過2*2的池化窗口展平為一維向量，獲得下降段特征；

18、其中，上升段卷積模塊的卷積核，其表示矩陣每行均為[-1,0,1]；下降段卷積模塊的卷積核，其表示矩陣每行均為[1,0,-1]。

19、其進一步的技術方案為，尾段增強模塊包括剪裁、尾段卷積層及池化展平層，其中：

20、通過剪裁保留輸入的基本特征的尾部區域，尾段卷積層使用16個3*3的卷積核提取尾段區域特征，并通過池化展平層展平為一維向量。

21、其進一步的技術方案為，全連接層采用邏輯分數計算公式，表示為：將輸入的復合特征向量乘以權重矩陣，得到的結果再與偏置矩陣求和，獲得三種真空擊穿類別的邏輯分數；權重矩陣的每行元素對應三種真空擊穿類別的權重參數；

22、softmax函數采用概率計算公式，表示為：將輸入的三種真空擊穿類別的邏輯分數指數化后，分別與三種真空擊穿類別的邏輯分數指數化之和相比，獲得每一種真空擊穿機類別的概率。

23、其進一步的技術方案為，對基于卷積神經網絡的真空擊穿類別診斷模型進行訓練的過程中，根據預測類別和真實類別計算總損失，并通過反向傳播對模型的權重參數進行優化調整；其中總損失函數表示為：

24、

25、式中，i為樣本類別，c為類別總數；yi為某一樣本的真實類別，yi'為某一樣本的預測類別；pi為各類別加權值，表示為：

26、p1＝n/nfebd,p2＝n/npb,p3＝n/npbd,n＝nfebd+npb+npbd

27、式中，nfebd、npb、npbd依次為場致發射誘發真空擊穿、脈沖電流誘發真空擊穿、微粒誘發真空擊穿的預擊穿電流波形樣本的數量。

28、其進一步的技術方案為，獲取不同真空擊穿類別的預擊穿電流波形，包括：

29、開展多次不同真空擊穿類別的真空擊穿試驗，記錄每次真空擊穿試驗電壓和電流數據；

30、分析電壓數據定位真空擊穿時刻，再從同組電流數據中提取試驗開始時刻到真空擊穿時刻之間的數據作為該種真空擊穿類別的預擊穿電流波形；

31、其中，擊穿時刻為電壓數據首次突變且陡降到達零伏的時刻；

32、脈沖電流誘發真空擊穿的預擊穿電流波形在尾段表現出類脈沖陡增的特點，場致發射誘發真空擊穿的預擊穿電流波形在尾段表現出上升的特點，微粒誘發真空擊穿的預擊穿電流波形在尾段表現出下降的特點。

33、第二方面，本技術還提供了一種基于卷積神經網絡的真空擊穿類別檢測裝置，包括：

34、真空擊穿試驗平臺，位于pc端的真空擊穿類別診斷模型訓練腳本和pynq操作系統，搭載基于卷積神經網絡的真空擊穿類別診斷模型的硬件裝置；其中：

35、真空擊穿試驗平臺，用于開展多次不同真空擊穿類別的真空擊穿試驗并獲取不同真空擊穿類別的預擊穿電流波形，真空擊穿類別包括脈沖電流誘發真空擊穿、場致發射誘發真空擊穿和微粒誘發真空擊穿；

36、基于卷積神經網絡的真空擊穿類別診斷模型包括共享卷積層、多任務處理層、全連接層和softmax函數；

37、共享卷積層用于提取三種真空擊穿類別的預擊穿電流波形的基本特征，輸入到多任務處理層進行處理；

38、多任務處理層用于對基本特征中不同真空擊穿類別的特點進行識別，拼接得到復合特征向量，再通過全連接層和softmax函數計算得到三種真空擊穿類別的概率；

39、真空擊穿類別診斷模型訓練腳本用于進行模型訓練，并將訓練效果最好的權重參數加載給真空擊穿類別診斷模型；

40、pynq操作系統用于將待分類的預擊穿電流波形輸入給硬件裝置，接收硬件裝置傳回的三種真空擊穿類別的概率，并選出概率最大值對應的真空擊穿類別作為最終診斷結果輸出。

41、其進一步的技術方案為，在硬件裝置中：

42、真空擊穿類別診斷模型的共享卷積層、多任務處理層、全連接層采用fpga開發板實現；

43、訓練效果最好的權重參數存儲于fpga開發板內置的bram中；

44、全連接層輸出的三種真空擊穿類別的邏輯分數保存在fpga開發板內置的dma中；

45、真空擊穿類別診斷模型的softmax函數采用arm雙核處理器實現，與dma通過共享內存ddr實現數據交互。

46、本發明的有益技術效果是：

47、本技術提出了一種基于卷積神經網絡的真空擊穿類別檢測方法及裝置，通過采集真空擊穿試驗數據，處理獲取預擊穿電流波形訓練樣本，基于卷積神經網絡的真空擊穿類別診斷模型對預擊穿電流波形樣本進行上升趨勢和下降趨勢突顯識別，并根據處理后的樣本對模型進行訓練，獲取訓練效果最好的權重參數加載給真空擊穿類別診斷模型。在硬件裝置上搭建基于卷積神經網絡的真空擊穿類別診斷模型模型，輸入待分類的預擊穿電流波形，經計算和分析后輸出真空擊穿類別診斷結果。該方法相比于人工以及電腦診斷，結合卷積神經網絡以及硬件裝置實例，單次真空擊穿類別診斷速度在1ms以內，準確率在90％以上，極大的提高了工程實踐中真空擊穿類別的診斷速度與效率，對真空擊穿相關研究具有實際幫助。