基于深度残差网络的光纤电流互感器故障诊断方法

1.本发明属于光纤电流传感器故障检测技术领域，具体为基于深度残差网络的光纤电流互感器故障诊断方法。


背景技术：

2.光纤电流传感器(focs)以其具有绝缘性能好，高可靠性，宽带频域和良好的瞬态特性等优点，在高压直流输电工程中得到了大量应用。作为一次系统的测量元件，它的稳定可靠运行是继电保护、测控、电能计量的重要保证。由于站内的高低温、老化和振动等复杂环境影响，使得focs存在漂移、变比等非线性误差，会导致测量结果发生偏移，其性能发生劣化甚至导致运行事故，导致输出信号异常。
3.在实际工作中，光纤电流传感器受到换流站内温度变化大、震动、电磁干扰等复杂场景因素，使测量结果的可靠性降低；作为一种光学干涉仪器，其内部结构复杂，且使用了大量光学与电子元器件，任何环节的损耗与老化都可能导致性能逐渐退化。另一方面，电网自身产生的短路、接地等故障及站内开关投切操作，也会对光纤电流传感器测量结果产生一定影响。由于光纤电流传感器的起步较晚，运行时间短，造成的现场施工不合理、运维经验不足等现象，也严重影响光纤电流传感器的稳定投产运行。这些影响因素导致光纤电流传感器的测量精度下降，严重情况下可能会引发故障，严重影响了电网的安全稳定运行。
4.针对光纤电流互感器的研究，主要集中在故障机理研究、光学特性研究，通过信号监测等方法进行故障诊断。光纤电流互感器及半导体光源存在故障种类繁多、难以观测等问题。依靠常规的信号监测手段和故障诊断很大的局限性；不同器件及位置引起的故障可能表现不同，存在非线性叠加的现象。多传感器状态监测综合利用不同时间、空间的感器信息获取多来源数据信息描述目标对象的工作状态。基于运行状态监测数据的故障诊断能够及时的感应设备的运行状态。在提高设备运行的稳定性和可维护性上都有重要的作用。且在故障发生的早期阶段，通过多传感器状态监测能够及时监测到参数的异常，进行及时的故障诊断及预警。光纤电流互感器及半导体光源的工作原理及特性入手，分析工程情况下的重要影响因素及测量方法，通过多传感器对光纤电流互感器半导体光源的状态监测数据，结合故障案例分析，总结故障类型及成因，光纤电流传感器状态监测信号属于典型的非线性非平稳型多维时间序列信号，因此，深度学习方法在光纤电流传感器故障诊断领域同样适用。
5.卷积神经网络在分类模型中有很大的优势。这是因为卷积神经网络可以通过多层卷积和池化操作自动地提取输入数据的特征，从而避免了传统方法中需要手动提取特征的步骤，大大降低了人工特征提取所带来的识别误差。具体而言，卷积神经网络通过卷积操作可以捕捉输入数据中的局部特征，通过池化操作可以对这些特征进行降维和抽象，从而得到更为有效的特征表示。这种特征提取方式不仅可以用于图像分类任务，也适用于语音和自然语言处理等领域。卷积神经网络还能够处理输入数据的局部变化，例如图像中的旋转、平移和缩放等变换，这些变换不会影响其分类性能，因为卷积神经网络可以通过权值共享
的方式对输入数据的不同变换进行学习，卷积神经网络的训练过程是端对端的，可以将特征的提取和分类集成在一个结构中，从而实现更加高效和准确的分类。此外，卷积神经网络还可以通过迁移学习等方式来利用已有的模型进行快速训练，从而进一步提高分类性能。卷积神经网络在分类任务中具有很大的优势，是一种非常有效的分类模型。
6.随着深度学习领域的不断发展，越来越多的研究者试图通过加深神经网络的结构来提升模型的性能。然而，实践中发现，仅通过对网络的堆叠来增加网络层数的方式并不能一定地提高模型的性能。相反，当网络结构变得越来越深时，往往会出现梯度消失现象。梯度消失现象是指，当梯度被反向传播到浅层网络时，由于反向传播算法中需要将当前层的梯度乘以上一层的权重矩阵，重复的相乘操作会使得梯度变得无限小，从而使得浅层网络的性能趋于饱和，无法继续优化。这种现象，被称为退化问题。为了解决梯度消失和退化问题，研究者们提出了很多方法。其中一种方法是使用跳跃连接(skip connection)来构建深层神经网络。跳跃连接可以在神经网络中添加额外的连接，使得信息可以从浅层网络直接传递到深层网络，从而缓解梯度消失问题。另外，使用激活函数时也需要谨慎选择，一些常见的激活函数，如sigmoid函数和tanh函数等，在网络结构比较深时容易导致梯度消失问题，而relu等激活函数则相对不易出现这个问题。
7.研究者们需要不断地尝试新的方法和技术，来提高神经网络的性能并解决实际问题。本发明在发明是指在卷积神经网络中，使用了一种新型的残差模块，该模块将传统的残差模块中的卷积操作替换为分解卷积操作。这种新型残差模块的设计旨在解决传统残差模块中存在的问题，例如网络层数过深时的梯度消失等问题。同时，该模块还能够提高模型的参数效率，降低训练难度和计算复杂度。分解卷积是一种新型的卷积操作，它可以将一个卷积操作分解为若干个小的卷积操作，从而降低计算复杂度和参数数量。在新型残差模块中，分解卷积被用来替换传统的卷积操作，从而提高模型的参数效率和计算效率。通过在残差模块中加入分解卷积，可以有效地增强残差模块的特征提取能力，并提高网络的深度。此外，由于分解卷积可以将一个大的卷积操作分解为若干个小的卷积操作，从而降低了模型的参数数量，这样可以更好地避免过拟合问题。
8.现有技术如下：
9.1、与申请号202210722092.9名称“基于改进残差收缩网络的focs故障诊断方法”的技术对比：
[0010]“基于改进残差收缩网络的focs故障诊断方法”采用传统的光纤电流互感器的电流输出信号，提出了一种对于一维时序序列的故障诊断方法，采用的是一维卷积对信号进行处理和改进。其中改进的方式是通过对加入注意力机制和通道注意力机制，并且它的故障诊断诊断漂移故障、变比故障和固定偏差故障等问题。
[0011]
而本技术是“基于光源数据的光纤电流互感器故障诊断研究”，在本发明所使用的测量仪器为光纤电流互感器状态监测仪，采集的数据是多维的时序信号，原始数据为25维，基于改进残差收缩网络的focs故障诊断的方法无法应用到光纤电流互感器的监测数据故障诊断方面，而且本文的实验数据的从故障的发生条件，而不是从观察电流输出信号的异常状态，本文所采用的故障诊断模型为深度残差网络，其中改进的地方是将3*3的卷积核改成1*3和3*1的卷积核增强模型的特征提取能力，基于改进残差收缩网络的focs故障诊断方法的改进方法并不适用。
[0012]
2、与申请号cn202211127142.5，名称“一种基于分组卷积的残差网络的滚动轴承故障诊断方法”的技术对比：
[0013]“一种基于分组卷积的残差网络的滚动轴承故障诊断方法”采用的是分组卷积的残差网络，是将不同位置的加速度信号分别进行卷积，处理的信号都是轴承的振动加速度信号，加速度变换的模式相对单一，一种基于分组卷积的残差网络的滚动轴承故障诊断方法是对数据的输入方式进行改进，将对个振动信号进行分组卷积并输入模型和本发明的改进有本质的区别。本文提出的改进深度网络是结构上的改进将3x3的卷积核改进为1x3和3x1的卷积核是通过分解卷积方法是在数据的特行提取过程中改进。
[0014]
本技术的使用场景光纤电流互感的故障诊断，传感器的种类十分的多样而且变化范围十分广泛，不同工况下差异较大，相互之间的影响机理不够明确。多维状态监测的时序信号状态涉及电流，电压，温度，光功率，等多种类多维度，故障机理十分复杂。仅对单维时序信号的处理方法无法应用到光纤电流互感器状态监测数据的故障诊断中。
[0015]
3、与申请号202211384616.4，名称“基于多传感器信息融合的变压器故障诊断方法及系统”的技术对比：
[0016]
专利多元信息融合的变压器的故障诊断中的多元信息仅仅为不同位置的震动信号，震动信号的多维信息，再将震动信号的时频信息进行通道上的堆叠实现信息的融合。对于本发明中的多种状态参量，电压电流温度，光功率等在幅值，频率，变化特性等上面都有很大差异不能简单的进行通道堆叠。本文是将多种特征进行特征的提取和降维后进行融合，基于多传感器信息融合的变压器故障诊断方法及系统的多源信息融合方法并不适用与光纤电流互感器的状态监测信号。且本发明的数据集是实验室环境下采集的状态监测数据，为不平衡数据集，普通的残差网络在该数据集上的表现效果不好，因此本发明提出了对残差模块的改进，加强了特征提取能力。并且引入了精准率，召回率，和f1值等参数对模型的性能进行全面的评价。
[0017]
4、与申请号202011373842.3，名称“一种机器人关节传感器和执行器故障诊断方法及系统”的技术对比
[0018]
一种机器人关节传感器和执行器故障诊断方法及系统是对机器人中的关节互感器做故障诊断，输入的信号是机器人中传感器的运行数据，机器人的工作环境和光纤电力互感器完全不同，光纤电流互感器工作在高温高压强电磁干扰的情况下，状态监测信息也是多种如电压、电流、温度、光功率，不同的残差网络难以适应。
[0019]
机器人关节传感器和执行器故障诊断方法并不适用于光纤电流互感器的故障诊断，本文提出了对残差模块的改进，加强了特征提取能力。并且引入了精准率，召回率，和f1值能够全面的评价模型。


技术实现要素：

[0020]
针对focs故障诊断，本发明提出基于深度残差网络的光纤电流互感器故障诊断方法，通过新型残差模块的提出，可以有效地提高卷积神经网络的性能，使得网络更加适用于各种分类任务。
[0021]
为实现上述目的，本发明采取的技术方案是：
[0022]
基于深度残差网络的光纤电流互感器故障诊断方法，其特征在于，包括以下步骤：
[0023]
步聚1：分别取光纤电流传感器正常状态、驱动电流异常、温控电阻阻值漂移、耦合失效和芯片静电击穿五种模式下的状态监测信号，构建故障数据集；
[0024]
步骤2：数据集的特征处理：由于光纤电流互感器的状态监测数据为25维，通过pca主成分分析法将特征数量降为6维，通过极坐标对称点阵方法转化为sdp图像；
[0025]
步骤3：数据集的划分：将故障数据集划分为训练集、验证集与测试集，其中测试集仅作为模型评估使用，不参与训练；
[0026]
步骤4：故障诊断模型的搭建、训练及优化过程：搭建改进深度残差网络模型，设置网络超参数并配置网络模型结构参数，通过对模型不断优化，使模型达到收敛；
[0027]
步骤5：模型评价指标，加载模型并在验证集上进行验证，通过使用多种模型评价指标，对网络模型进行综合评估。
[0028]
作为本发明进一步改进，步骤1中所述的光纤电流互感器正常状态指在不同工作环境及实验室测试条件下光纤电流互感器测量精度符合正常的状态监测数据；
[0029]
光纤电流互感器电流驱动电流异常是指光纤电流互感器在长期工作情况下，导致sld光源的功率下降影响光纤电流互感器测量精度条件下的工作状态监测数据；
[0030]
光纤电流互感器温控电阻漂移故障为随着制冷器组件工作时间的增加，pn结的制冷效率降低，导致测量精度降低；
[0031]
光纤电流互感器静电击穿故障是指工作过程中某些原因产生静电电压，导致管壳和管脚放电而引起器件损伤和失效，引起测量精度下降的情况；
[0032]
光纤电流互感器耦合失效是指随着环境应力尤其是温度应力的累积，受到振动冲击后，耦合部件包括金属支架和金属化光纤发生位移，产生耦合错位，导致输出功率降低或失效，导致的测量精度降低。
[0033]
作为本发明进一步改进，步骤2数据集的特征处理，包括如下步骤：
[0034]
(2-1)pca主成分分析设光源状态监测数据中待处理的数据样本为x1,x2…
xm共m个数据样本。将不同传感器的状态参数设为不同的特征变量，n对应为光源状态监测系统中的参数数量。每个数据样本xi，1＜＜i＜＜m，所以xi表示为一个n维的向量，则原始数据样本集表示为：
[0035][0036]
根据原始矩阵x，构建协方差矩阵r，计算第i个主元的贡献率ρi：
[0037][0038]
则前k个主元的累计贡献率ρ为：
[0039][0040]
基于上式，一般选取累计贡献率大于90％的主元信息作为降维后的特征向量；
[0041]
在开展特征降维之前，首先要对故障数据进行标准化处理，采用的z-score方法进行数据归一化：
[0042][0043]
式中，为原始样本参数的均值，s为标准差；
[0044]
(2-2)对称化点阵方法为：对于时域信号x＝{x1,x2...xn}，i时刻的幅值为xi，在i+l时刻的幅值为x
i+l
，sdp方法生成极坐标下的为：
[0045][0046][0047][0048]
式中，x
max
为时序信号的幅值最大值，x
min
为时序信号的幅值最小值，l为信号的时间间隔参数、θ为镜像对称旋转角(取值为θ＝360
°
/m,m＝1,2,
…
n)，ξ为角度放大因子。
[0049]
作为本发明进一步改进，所述步骤3：数据集的划分，包括如下步骤：
[0050]
(3-1)实验数据采样频率1hz，每种状态的采样时间并不相同，共有78045个采样点，分别采集正常状态、驱动电流异常、温控电阻阻值漂移、耦合失效和芯片静电击穿，的监测数据共计5种类型实验数据，按照四分类对故障数据进行划分并打上相应标签，其中0表示正常状态，1表示驱动电流异常，2表示温控电阻阻值漂移，3表示耦合失效，4表示芯片静电击穿。
[0051]
作为本发明进一步改进，所述步骤4故障诊断模型的搭建、训练及优化过程如下：
[0052]
(4-1)改进深度残差网络的光纤电流传感器故障诊断模型：
[0053]
模型的第一部分由一个卷积层一个批量归一化层和一个全局池化层组成这个模块的作用是对输入图像进行特征提取和下采样，将图像的大小从224
×
224
×
3缩小为56
×
56
×
64，后接一个nlab模块为非局部注意力模块，增强模型的全局特征提取能力。之后引入改进的残差连接模块，其中包含三个支路，第一支路为一个1
×
1卷积层一个批量归一化层后接3
×
3最大池化层后接1
×
1卷积层和第二支路进行拼接，第三支路为将传统的3
×
3卷积层转化为1
×
3卷积层后接批量归一化层接3
×
1卷积层和批量归一化层，最后进行与第二支路进行拼接，经过1
×
1卷积层一个批量归一化层与残差连接进行拼接；
[0054]
增加网络深度和特征提取能力，四个irb模块的结构相同并且将通道数增加到512，经过两个全连接层得到的输出单元数为5，进行光纤电流互感器的故障诊断；
[0055]
(4-2)其中改进的残差模块为在分解卷积和加入池化层支路来增强模型的泛化能力和稳定性的思想，在瓶颈残差模块中，第二条支路采用了3
×
3大小的卷积核，这在一定程度上增加了网络的计算量和参数数量，因此，建立改进的inception-rb模块，将3
×
3的卷积核拆分为1
×
3和3
×
1两个卷积核的组合，并且加入一个3
×
3最大池化层的支路以提高网络的鲁棒性和泛化能力。
[0056]
作为本发明进一步改进，所述步骤5模型评价指标过程如下：
[0057]
(5-1)为了全面的评价该模型在光纤电流传感器故障诊断上的应用情况，使用准确率accuracy、混淆矩阵与f1指标来评判故障诊断模型的检测能力，使用loss曲线走势来判断网络是否达到收敛；
[0058]
混淆矩阵confusion matrix是一种用于展示分类模型预测结果的矩阵，其中，tp
为真正例，表示真实值为正且预测值为正；tn表示真反例，表示真实值为负却预测值为负fp表示假正例，表示实际值为负但预测值为正；fn表示假反例，表示真实值为正但预测值为负。通过计算混淆矩阵中的这些值，可以计算出准确率、召回率、f1值等指标，用于评估分类模型的性能；
[0059]
准确率是指在给定的样本集中，模型正确预测的样本数量与总样本数量之比：
[0060]
accuracy＝(tp+tn)/(tp+fp+tn+fn)
[0061]
精准率是指被正确预测为正样本的样本数量占预测为正样本的样本总数的比例，精准率越高，表示预测为正样本的样本中真正为正样本的比例越高，即假阳性率越低，召回率是指被正确预测为正样本的样本数量占实际正样本的样本总数的比例，召回率越高，表示实际为正样本的样本中被正确预测为正样本的比例越高，即假阴性率越低。精准率和召回率是相互矛盾的指标；
[0062]
使用f1指标。f1指标是精准率和召回率的调和平均数，三种指标的计算公式为：
[0063]
precision＝tp(tp+fp)
[0064]
recall＝tp(tp+fn)
[0065]
f1＝(2
×
precision
×
recall)/(precision+recall)
[0066]
三种指标的最大值均为100％，最小值为0％。三种指标值越接近于1，说明模型效果越好。
[0067]
有益效果：
[0068]
利用输出信号构建的故障数据集验证了故障诊断模型的准确性与有效性。利用构建好的故障数据集，构建了基于监测数据的光纤电流传感器故障诊断模型。使用故障数据集进行训练，故障数据集整体识别率达到97.44％。本方法适用于光纤电流传感器故障诊断领域，完成了光纤电流传感器的故障诊断功能，并且提高了故障诊断的准确性。
附图说明
[0069]
图1是本发明公开方法的流程图；
[0070]
图2是本发明公开的方法中改进深度残差网络模型结构图；
[0071]
图3是本发明公开的方法中的改进残差模块结构图；
[0072]
图4是模型测试结果混淆矩阵；
[0073]
图5是改进深度残差网络性能指标图。
具体实施方式
[0074]
下面结合附图与具体实施方式对本发明作进一步详细描述：
[0075]
如图1所示，本发明公开了一种基于监测数据的光纤电流传感器故障诊断方法与系统，包括如下步骤：
[0076]
步聚1：分别取光纤电流传感器正常状态、驱动电流异常、温控电阻阻值漂移、耦合失效和芯片静电击穿五种模式下的状态监测信号，构建故障数据集；
[0077]
步骤2：数据集的特征处理：由于光纤电流互感器的状态监测数据为25维，通过pca主成分分析法将特征数量降为6维，通过极坐标对称点阵方法转化为sdp图像。
[0078]
步骤3：数据集的划分：将故障数据集划分为训练集、验证集与测试集，其中测试集
仅作为模型评估使用，不参与训练。
[0079]
步骤4：故障诊断模型的搭建、训练及优化过程：搭建改进深度残差网络模型，设置网络超参数并配置网络模型结构参数，通过对模型不断优化，使模型达到收敛。
[0080]
步骤5：模型评价指标。加载模型并在验证集上进行验证，通过使用多种模型评价指标，对网络模型进行综合评估。
[0081]
所述的光纤电流互感器正常状态指在不同工作环境及实验室测试条件下光纤电流互感器测量精度符合正常的状态监测数据。驱动电流异常是指光纤电流互感器在长期工作情况下，导致sld光源的功率下降影响光纤电流互感器测量精度条件下的工作状态监测数据。光纤电流互感器温控电阻漂移故障为随着制冷器组件工作时间的增加，pn结的制冷效率降低，导致测量精度降低。光纤电流互感器静电击穿故障是指工作过程中某些原因产生静电电压，导致管壳和管脚放电而引起器件损伤和失效，引起测量精度下降的情况。耦合失效是指随着环境应力尤其是温度应力的累积，受到振动冲击后，耦合部件(金属支架和金属化光纤)发生位移，产生耦合错位，导致输出功率降低或失效，导致的测量精度降低。
[0082]
数据的特征提取，包括如下步骤：
[0083]
(2-1)pca为数据的特征降维中较为常用的方法。pca进行特征降维的主要依据是数据的统计模型，消除数据间相关性。通过累计因子的方差贡献率衡量不同维数特征的影响因子，进行特征重构，实现对原样本的数据维度降低，剔除样本中冗余信息，保留特征信息，完成数据的特征降维。主成分分析法通过建立新特征代替原始数据坐标，通过原始数据构建新的特征向量，建立新的坐标体系。光纤电流互感器中很多变量不是相互独立的，因此将相关的高纬度变量压缩成较为独立的低纬度变量能有效的提升故障诊断模型的性能。
[0084]
设光源状态监测数据中待处理的数据样本为x1,x2…
xm共m个数据样本。将不同传感器的状态参数设为不同的特征变量，n对应为光源状态监测系统中的参数数量。每个数据样本xi(1＜＜i＜＜m)，所以xi可以表示为一个n维的向量，则原始数据样本集可以表示为：
[0085][0086]
根据原始矩阵x，构建协方差矩阵r，计算第i个主元的贡献率ρi：
[0087][0088]
则前k个主元的累计贡献率ρ为：
[0089][0090]
基于上式，一般选取累计贡献率大于90％的主元信息作为降维后的特征向量。
[0091]
在开展特征降维之前，首先要对故障数据进行标准化处理，本文采用的z-score方法进行数据归一化：
[0092][0093]
式中，为原始样本参数的均值，s为标准差。
[0094]
(2-2)对于时域信号x＝{x1,x2...xn}，i时刻的幅值为xi，在i+l时刻的幅值为x
i+l
，sdp方法生成极坐标下的为
[0095][0096][0097][0098]
式中，x
max
为时序信号的幅值最大值，x
min
为时序信号的幅值最小值，l为信号的时间间隔参数、θ为镜像对称旋转角(取值为θ＝360
°
/m,m＝1,2,
…
n)，ξ为角度放大因子。
[0099]
4、根据权利要求1所述的一种基于监测数据的光纤电流传感器故障诊断模型，其特征在于：数据集划分，包括如下步骤：
[0100]
(3-1)实验数据采样频率1hz，每种状态的采样时间并不相同，共有78045个采样点。分别采集正常状态、驱动电流异常、温控电阻阻值漂移、耦合失效和芯片静电击穿，的监测数据共计5种类型实验数据。按照四分类对故障数据进行划分并打上相应标签。其中0表示正常状态，1表示驱动电流异常，2表示温控电阻阻值漂移，3表示耦合失效，4表示芯片静电击穿。
[0101]
所述改进深度残差网络，包括如下步骤：
[0102]
(4-1)改进深度残差网络的光纤电流传感器故障诊断模型，其网络模型结构如图2所示：模型的第一部分由一个卷积层一个批量归一化层和一个全局池化层组成这个模块的作用是对输入图像进行特征提取和下采样，将图像的大小从224
×
224
×
3缩小为56
×
56
×
64，后接一个nlab模块为非局部注意力模块，增强模型的全局特征提取能力。之后引入改进的残差连接模块，其中包含三个支路，第一支路为一个1
×
1卷积层一个批量归一化层后接3
×
3最大池化层后接1
×
1卷积层和第二支路进行拼接，第三支路为将传统的3
×
3卷积层转化为1
×
3卷积层后接批量归一化层接3
×
1卷积层和批量归一化层，最后进行与第二支路进行拼接，经过1
×
1卷积层一个批量归一化层与残差连接进行拼接。这个模块的作用是增加网络深度和特征提取能力，四个irb模块的结构相同并且将通道数增加到512，经过两个全连接层得到的输出单元数为5，进行光纤电流互感器的故障诊断。其结构为：
[0103]
(4-2)其中改进的残差模块为在分解卷积和加入池化层支路来增强模型的泛化能力和稳定性的思想，为了更好提取sdp图像的信息，提升网络训练效率，基于分解卷积的思想对残差模块的结构进行调整。在传统的瓶颈残差模块中，第二条支路采用了3
×
3大小的卷积核，这在一定程度上增加了网络的计算量和参数数量。因此，建立改进的inception-rb(irb)模块，将3
×
3的卷积核拆分为1
×
3和3
×
1两个卷积核的组合，并且加入一个3
×
3最大池化层的支路以提高网络的鲁棒性和泛化能力，其结构如图3所示：
[0104]
所述模型评价指标，如下：
[0105]
(5-1)为了全面的评价该模型在光纤电流传感器故障诊断上的应用情况，使用准确率(accuracy)、混淆矩阵与f1指标来评判故障诊断模型的检测能力，使用loss曲线走势来判断网络是否达到收敛。
[0106]
混淆矩阵(confusion matrix)是一种用于展示分类模型预测结果的矩阵。其中，
tp为真正例，表示真实值为正且预测值为正；tn表示真反例，表示真实值为负却预测值为负fp表示假正例，表示实际值为负但预测值为正；fn表示假反例，表示真实值为正但预测值为负。通过计算混淆矩阵中的这些值，可以计算出准确率、召回率、f1值等指标，用于评估分类模型的性能。
[0107]
准确率是指在给定的样本集中，模型正确预测的样本数量与总样本数量之比：
[0108]
accuracy＝(tp+tn)/(tp+fp+tn+fn)
[0109]
精准率是指被正确预测为正样本的样本数量占预测为正样本的样本总数的比例。精准率越高，表示预测为正样本的样本中真正为正样本的比例越高，即假阳性率越低。召回率是指被正确预测为正样本的样本数量占实际正样本的样本总数的比例。召回率越高，表示实际为正样本的样本中被正确预测为正样本的比例越高，即假阴性率越低。精准率和召回率是相互矛盾的指标。当我们试图提高精准率时，通常会将模型的决策阈值设定得更高，这样会导致将更多的样本预测为负样本，从而降低召回率。反之，当我们试图提高召回率时，通常会将模型的决策阈值设定得更低，这样会导致将更多的样本预测为正样本，从而降低精准率。为了综合考虑精准率和召回率，我们可以使用f1指标。f1指标是精准率和召回率的调和平均数，三种指标的计算公式为：
[0110]
precision＝tp(tp+fp)
[0111]
recall＝tp(tp+fn)
[0112]
f1＝(2
×
precision
×
recall)/(precision+recall)
[0113]
三种指标的最大值均为100％，最小值为0％。三种指标值越接近于1，说明模型效果越好。
[0114]
图4展示了模型在测试集诊断结果的混淆矩阵，其中0表示正常状态，1表示电流衰减故障，2表示阻值漂移故障，3表示耦合失效故障，4表示静电击穿故障。从混淆矩阵的结果看，整体故障诊断准确率为97.44％。耦合失效的精准率和召回率都是100％，电流衰减故障的分类错最多，对于电流衰减故障有三条被预测为正常状态，有条被预测为阻值偏移。对于阻值偏移故障有一条被预测为正常状态有一条被预测为电流衰减，对于正常状态，有两条被预测为电流衰减，有三条被预测为阻值偏移，有条被预测为静电击穿故障。
[0115]
图5分别展示了测试集数据的精准率、召回率与f1指标。从精准率指标来看，
[0116]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

技术特征：
1.基于深度残差网络的光纤电流互感器故障诊断方法，其特征在于，包括以下步骤：步聚1：分别取光纤电流传感器正常状态、驱动电流异常、温控电阻阻值漂移、耦合失效和芯片静电击穿五种模式下的状态监测信号，构建故障数据集；步骤2：数据集的特征处理：由于光纤电流互感器的状态监测数据为25维，通过pca主成分分析法将特征数量降为6维，通过极坐标对称点阵方法转化为sdp图像；步骤3：数据集的划分：将故障数据集划分为训练集、验证集与测试集，其中测试集仅作为模型评估使用，不参与训练；步骤4：故障诊断模型的搭建、训练及优化过程：搭建改进深度残差网络模型，设置网络超参数并配置网络模型结构参数，通过对模型不断优化，使模型达到收敛；步骤5：模型评价指标，加载模型并在验证集上进行验证，通过使用多种模型评价指标，对网络模型进行综合评估。2.根据权利要求1所述的基于深度残差网络的光纤电流互感器故障诊断方法，其特征在于，步骤1中所述的光纤电流互感器正常状态指在不同工作环境及实验室测试条件下光纤电流互感器测量精度符合正常的状态监测数据；光纤电流互感器电流驱动电流异常是指光纤电流互感器在长期工作情况下，导致sld光源的功率下降影响光纤电流互感器测量精度条件下的工作状态监测数据；光纤电流互感器温控电阻漂移故障为随着制冷器组件工作时间的增加，pn结的制冷效率降低，导致测量精度降低；光纤电流互感器静电击穿故障是指工作过程中某些原因产生静电电压，导致管壳和管脚放电而引起器件损伤和失效，引起测量精度下降的情况；光纤电流互感器耦合失效是指随着环境应力尤其是温度应力的累积，受到振动冲击后，耦合部件包括金属支架和金属化光纤发生位移，产生耦合错位，导致输出功率降低或失效，导致的测量精度降低。3.根据权利要求1所述的基于深度残差网络的光纤电流互感器故障诊断方法，其特征在于，步骤2数据集的特征处理，包括如下步骤：(2-1)pca主成分分析设光源状态监测数据中待处理的数据样本为x1,x2…
x
m
共m个数据样本。将不同传感器的状态参数设为不同的特征变量，n对应为光源状态监测系统中的参数数量。每个数据样本x
i
，1＜＜im，所以x
i
表示为一个n维的向量，则原始数据样本集表示为：根据原始矩阵x，构建协方差矩阵r，计算第i个主元的贡献率ρ
i
：则前k个主元的累计贡献率ρ为：基于上式，一般选取累计贡献率大于90％的主元信息作为降维后的特征向量；
在开展特征降维之前，首先要对故障数据进行标准化处理，采用的z-score方法进行数据归一化：式中，为原始样本参数的均值，s为标准差；(2-2)对称化点阵方法为：对于时域信号x＝{x1,x2...x
n
}，i时刻的幅值为x
i
，在i+l时刻的幅值为x
i+l
，sdp方法生成极坐标下的为：为：为：式中，x
max
为时序信号的幅值最大值，x
min
为时序信号的幅值最小值，l为信号的时间间隔参数、θ为镜像对称旋转角(取值为θ＝360
°
/m,m＝1,2,
…
n)，ξ为角度放大因子。4.根据权利要求1所述的基于深度残差网络的光纤电流互感器故障诊断方法，其特征在于，所述步骤3：数据集的划分，包括如下步骤：(3-1)实验数据采样频率1hz，每种状态的采样时间并不相同，共有78045个采样点，分别采集正常状态、驱动电流异常、温控电阻阻值漂移、耦合失效和芯片静电击穿，的监测数据共计5种类型实验数据，按照四分类对故障数据进行划分并打上相应标签，其中0表示正常状态，1表示驱动电流异常，2表示温控电阻阻值漂移，3表示耦合失效，4表示芯片静电击穿。5.根据权利要求1所述的基于深度残差网络的光纤电流互感器故障诊断方法，其特征在于，所述步骤4故障诊断模型的搭建、训练及优化过程如下：(4-1)改进深度残差网络的光纤电流传感器故障诊断模型：模型的第一部分由一个卷积层一个批量归一化层和一个全局池化层组成这个模块的作用是对输入图像进行特征提取和下采样，将图像的大小从224
×
224
×
3缩小为56
×
56
×
64，后接一个nlab模块为非局部注意力模块，增强模型的全局特征提取能力。之后引入改进的残差连接模块，其中包含三个支路，第一支路为一个1
×
1卷积层一个批量归一化层后接3
×
3最大池化层后接1
×
1卷积层和第二支路进行拼接，第三支路为将传统的3
×
3卷积层转化为1
×
3卷积层后接批量归一化层接3
×
1卷积层和批量归一化层，最后进行与第二支路进行拼接，经过1
×
1卷积层一个批量归一化层与残差连接进行拼接；增加网络深度和特征提取能力，四个irb模块的结构相同并且将通道数增加到512，经过两个全连接层得到的输出单元数为5，进行光纤电流互感器的故障诊断；(4-2)其中改进的残差模块为在分解卷积和加入池化层支路来增强模型的泛化能力和稳定性的思想，在瓶颈残差模块中，第二条支路采用了3
×
3大小的卷积核，这在一定程度上增加了网络的计算量和参数数量，因此，建立改进的inception-rb模块，将3
×
3的卷积核拆分为1
×
3和3
×
1两个卷积核的组合，并且加入一个3
×
3最大池化层的支路以提高网络的鲁棒性和泛化能力。6.根据权利要求1所述的基于深度残差网络的光纤电流互感器故障诊断方法，其特征
在于，所述步骤5模型评价指标过程如下：(5-1)为了全面的评价该模型在光纤电流传感器故障诊断上的应用情况，使用准确率accuracy、混淆矩阵与f1指标来评判故障诊断模型的检测能力，使用loss曲线走势来判断网络是否达到收敛；混淆矩阵confusion matrix是一种用于展示分类模型预测结果的矩阵，其中，tp为真正例，表示真实值为正且预测值为正；tn表示真反例，表示真实值为负却预测值为负fp表示假正例，表示实际值为负但预测值为正；fn表示假反例，表示真实值为正但预测值为负。通过计算混淆矩阵中的这些值，可以计算出准确率、召回率、f1值等指标，用于评估分类模型的性能；准确率是指在给定的样本集中，模型正确预测的样本数量与总样本数量之比：accuracy＝(tp+tn)/(tp+fp+tn+fn)精准率是指被正确预测为正样本的样本数量占预测为正样本的样本总数的比例，精准率越高，表示预测为正样本的样本中真正为正样本的比例越高，即假阳性率越低，召回率是指被正确预测为正样本的样本数量占实际正样本的样本总数的比例，召回率越高，表示实际为正样本的样本中被正确预测为正样本的比例越高，即假阴性率越低。精准率和召回率是相互矛盾的指标；使用f1指标。f1指标是精准率和召回率的调和平均数，三种指标的计算公式为：precision＝tp(tp+fp)recall＝tp(tp+fn)f1＝(2
×
precision
×
recall)/(precision+recall)三种指标的最大值均为100％，最小值为0％。三种指标值越接近于1，说明模型效果越好。

技术总结
基于深度残差网络的光纤电流互感器故障诊断方法，1、读取当前状态的光纤电流互感器的状态监测信号；2、光纤电流互感器的监测数据构建的数据集进行故障诊断模型训练，构建改进深度残差网络，通过将残差模块改进为分解卷积残差模块；3、根据不同工况下的光纤电流互感器状态监测数据，通过PCA主成分分析法和SDP图像处理方式进行特征降维和特征融合，构建光纤电流互感器故障数据集；4、将光纤电流互感器故障数据集作为输入，故障类标签作为输出，训练改进深度残差网络，通过对改进深度残差网络模型不断优化，使模型达到收敛；5、获得FOCS故障诊断信息。该方法适用于光纤电流传感测量领域，完成了FOCS的故障预警功能，提高了FOCS的可靠性。性。性。


技术研发人员：王立辉 万龙
受保护的技术使用者：东南大学
技术研发日：2023.04.19
技术公布日：2023/7/20