特征模態提取與CAMMC-LSTM 在斷路器儲能系統剩余壽命預測中的應用

摘 要： 為解決斷路器儲能系統的運行狀態在線監測問題，基于儲能子機構動作時的振動信號頻率特性，提出基于振動信號特征模態與CAMMC-LSTM 模型的預測方法，實現斷路器儲能系統的剩余壽命預測。采用研發的斷路器機械特性實驗平臺獲取退化樣本數據，通過VMD 獲得振動信號有效模態與電流信號一起構成特征模態。依據通道注意力機制和多尺度卷積原理提出CAMMC 結構，結合長短時記憶網絡構建CAMMC-LSTM 模型。試驗結果表明，特征模態增強模型輸入對運行狀態的表征能力，通道注意力機制與多尺度卷積改進傳統長短時記憶網絡對特征的提取性能，可提高剩余壽命定量預測的精度。

關鍵詞： 斷路器; 振動信號; 深度學習; 壽命預測

中圖分類號： TB9; TM93 文獻標志碼： A 文章編號： 1674–5124（2024）10–0012–11

0 引 言

萬能式斷路器作為配電系統中的關鍵電器，出現任何故障都會導致嚴重事故。儲能過程是保證斷路器正常運行的關鍵，相關研究表明，拒分、拒合等惡性事故多是由儲能異常引起的[1]，故發現儲能異常的發生、發展和變化規律，進行剩余壽命預測，具有極其重要的意義[2]。

已有相關學者對斷路器機械狀態評估進行了研究。文獻[3] 通過旋轉式編碼器獲取儲能杠桿和聯動軸的運動狀態，利用空間形位偏差對萬能式斷路器關鍵零件斷裂失效機理進行研究。文獻[4] 通過角位移傳感器獲取關鍵機械部件和動觸頭在合分閘過程中的位移，研究機械部件和觸頭超程性能退化對操作機構性能特征量的影響機制，實現了萬能式斷路器機械特性狀態評估。文獻[5] 采用基于電信號與運動位移測量的常規機械特性測量儀，分析斷路器運行時的機械特性參數，篩選出關鍵退化量，并結合WOA-BiLSTM 實現斷路器的剩余壽命預測。以上研究可實現斷路器機械狀態評估，但所采取的測量方式存在與機械結構的剛性連接，對機械結構會產生一定的影響，且不宜在線實施。考慮到斷路器振動信號以及操作附件電流信號含有豐富的機械狀態信息，同時兼具非侵入式測量特點，因此可利用振動和電流信號實現壽命預測。面向斷路器壽命預測，現有文獻主要在時域、頻域和時頻域內對振動信號進行分析[6]。如文獻[7] 從時域的角度對合閘振動信號進行分析進而實現有效片段截取，再結合深度學習模型實現了觸頭的剩余壽命預測，但欠缺對振動信號成分的溯源分析。考慮到儲能系統子機構工作方式不同，這會導致其對應的振動頻率特性存在差異，因此可以分析子機構對應的振動信號頻率特性區間，并利用變分模態分解（ variationalmode decomposition， VMD）方法提取與子機構對應的振動信號模態分量進行分析，從而提升振動信號特征對儲能系統運行狀態的表征能力[8]。

卷積神經網絡（ convolutional neural network，CNN）以深度特征提取效率高的特點被廣泛應用于設備的壽命預測中[9]，但是單一CNN 模型存在預測準確率不高的問題，為此，文獻[10] 通過疊加不同尺度的卷積通道以提高準確率， 文獻[11] 采用CNN 和長短時記憶網絡（ long short-term memorynetwork， LSTM）混合結構，在保留高效深度特征提取的同時，提高模型的準確率；文獻[12] 則通過融入注意力機制的方法提高模型的預測精度。基于上述分析，本文提出一種帶有通道注意力機制的多尺度CNN-LSTM（ multi-scale CNN and LSTM withchannel attention mechanism，CAMMC-LSTM）模型用以實現萬能式斷路器儲能機構剩余壽命預測。

綜上，本文構建集振動-電流-位移信號分析為一體的機械特性實驗平臺；基于VMD 提取壽命預測特征模態；并對所提出的CAMMC-LSTM 模型進行測試，通過消融以及對比實驗體現所提方法的有效性與優勢。

1 儲能系統機械剩余壽命預測方法

萬能式斷路器儲能系統主要包括儲能電機、方軸傳動機構和儲能彈簧3 個子機構，各子機構按照一定的時序運行，因此基于機械特性實驗平臺獲取斷路器動作過程中子機構的電流、振動以及位移信號，利用三者在時域內所體現的動作事件時刻以及振動信號時頻分析結果，獲取子機構動作時的振動信號頻率特性區間，在此基礎上利用VMD 提取振動信號有效模態分量，該模態分量集中體現了儲能子機構運行時的時域特征，進一步考慮到儲能電機電流對儲能系統負載特性的表征，因此綜合振動信號有效模態分量以及電流信號模態構成特征模態樣本，輸入到CAMMC-LSTM 網絡，網絡模型的輸出為經歸一化的剩余壽命值，從而可實現儲能系統剩余壽命預測。總體流程如圖1 所示。