Identificación rápida del estado abierto/cerrado del interruptor GIS basada en detección de vibraciones y aprendizaje profundo
Autores: Zhang, Kun; Zhang, Yong; Wu, Junjie; Li, Zhizhong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Identificación rápida del estado abierto/cerrado del interruptor GIS basada en detección de vibraciones y aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Interruptor de cuchilla
SIG
Sistema de detección de vibraciones
Algoritmo de aprendizaje profundo
Red neuronal convolucional
Fallas en equipos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
La identificación rápida y precisa del estado de apertura y cierre del interruptor de cuchilla en un equipo de conmutación aislado en gas (GIS) es muy importante para la detección oportuna de fallas en el equipo y la reducción de accidentes relacionados. Sin embargo, las tecnologías existentes, como el reconocimiento de imagen, son vulnerables a las condiciones climáticas o la intensidad de la luz, mientras que los microinterruptores, la detección de actitud y otros métodos no pueden inducir una falla de energía en el equipo con suficiente rapidez, lo que plantea muchos nuevos desafíos para la operación y mantenimiento de un GIS. Por lo tanto, esta investigación diseña un sistema de detección de vibración de la carcasa del GIS para la discriminación del estado del interruptor de cuchilla, introduce un algoritmo de aprendizaje profundo para el análisis de la señal de vibración del interruptor de cuchilla y propone una red neuronal convolucional rápida (FCNN) para identificar el estado del interruptor de cuchilla. Para el FCNN diseñado, se utiliza una capa de normalización y una capa de activación no lineal después de cada capa de convolución para reducir claramente la cantidad de características y aumentar la eficiencia del algoritmo. Para probar el rendimiento de reconocimiento basado en el sistema de detección de vibración, este estudio llevó a cabo dos tipos de experimentos de apertura y cierre de interruptores de cuchilla. Se añadió un grupo con ruido artificial, el otro grupo no incluyó ruido artificial y se construyó un conjunto de datos correspondiente. Los resultados experimentales muestran que la precisión de reconocimiento para ambos conjuntos de datos alcanza el 100%, y el algoritmo FCNN es mejor que los cinco algoritmos clásicos en términos de eficiencia de predicción. Este estudio muestra que la tecnología de detección de vibración basada en el aprendizaje profundo puede utilizarse para identificar de manera efectiva el estado de apertura y cierre de un interruptor de cuchilla GIS, y se espera que se promueva y aplique.
Descripción
La identificación rápida y precisa del estado de apertura y cierre del interruptor de cuchilla en un equipo de conmutación aislado en gas (GIS) es muy importante para la detección oportuna de fallas en el equipo y la reducción de accidentes relacionados. Sin embargo, las tecnologías existentes, como el reconocimiento de imagen, son vulnerables a las condiciones climáticas o la intensidad de la luz, mientras que los microinterruptores, la detección de actitud y otros métodos no pueden inducir una falla de energía en el equipo con suficiente rapidez, lo que plantea muchos nuevos desafíos para la operación y mantenimiento de un GIS. Por lo tanto, esta investigación diseña un sistema de detección de vibración de la carcasa del GIS para la discriminación del estado del interruptor de cuchilla, introduce un algoritmo de aprendizaje profundo para el análisis de la señal de vibración del interruptor de cuchilla y propone una red neuronal convolucional rápida (FCNN) para identificar el estado del interruptor de cuchilla. Para el FCNN diseñado, se utiliza una capa de normalización y una capa de activación no lineal después de cada capa de convolución para reducir claramente la cantidad de características y aumentar la eficiencia del algoritmo. Para probar el rendimiento de reconocimiento basado en el sistema de detección de vibración, este estudio llevó a cabo dos tipos de experimentos de apertura y cierre de interruptores de cuchilla. Se añadió un grupo con ruido artificial, el otro grupo no incluyó ruido artificial y se construyó un conjunto de datos correspondiente. Los resultados experimentales muestran que la precisión de reconocimiento para ambos conjuntos de datos alcanza el 100%, y el algoritmo FCNN es mejor que los cinco algoritmos clásicos en términos de eficiencia de predicción. Este estudio muestra que la tecnología de detección de vibración basada en el aprendizaje profundo puede utilizarse para identificar de manera efectiva el estado de apertura y cierre de un interruptor de cuchilla GIS, y se espera que se promueva y aplique.