基于深度残差网络的断路器分合闸附件故障诊断方法与流程

1.本发明属于断路器的分合闸附件故障诊断技术领域，具体地说是一种基于深度残差网络的断路器分合闸附件故障诊断方法。


背景技术：

2.万能式断路器是低压配电网中的保护和控制设备，其健康状态对配电系统的性能、稳定性有着巨大影响，因此对断路器的工作状态进行准确高效的故障诊断与分析，对于电力系统的安全运行以及电网质量都具有重要意义。万能式断路器分合闸附件是断路器的关键部件，分合闸线圈回路是断路器完成分合动作的控制回路，断路器安全运行与分合闸附件稳定工作直接相关，因此对分合闸附件动作过程中可能出现的机械故障进行有效监测、分析以及诊断是非常重要的。
3.在故障诊断中特征信号的选取是实现诊断目标的前提，断路器在分合闸过程中，其分合闸线圈电流信号不仅易于检测，而且可以体现研究对象的机械状态，可作为断路器故障诊断的依据。韩宇等(韩宇，董波，等.一种基于线圈电流的高压断路器机械故障诊断方法[j].高压电器,2019,55(09):241-246.)提出一种利用线圈电流信息的特征提取方法，利用支持向量机建立高压断路器分合闸线圈故障诊断模型，虽然该文献对于断路器故障诊断研究取得了一定成果，但是该文献中断路器采用直流供电方式，而本技术研究的低压万能式断路器的分合闸线圈采用交流供电方式，动作过程中因线圈回路合闸相位不是固定的，应当考虑合闸相位这一影响因素。孙曙光等(孙曙光，李勤，杜太行，等.基于一维卷积神经网络的低压万能式断路器附件故障诊断[j].电工技术学报,2020,35(12):2562-2573.)针对线圈回路合闸相位的随机性会使得同一运行状态下的电流信号存在差异，利用传统的故障诊断智能方法往往会出现故障特征提取不准确的问题，提出一种基于第一层宽卷积核自适应一维深度卷积神经网络的故障诊断算法，取得了较好的识别效果。但考虑到所研究的分合闸线圈电流信号持续时间短，尽管该方法采用一维数据可以保留信号原始信息，但其作为神经网络的输入会存在数据长度的局限性，存在输入神经网络的数据量不足的问题，且在训练中容易出现过拟合的现象；此外，由于电流信号成分较为单一，为了提升识别率，需要增加网络深度以深层挖掘信号特征，仅仅采用卷积神经网络模型存在网络深度增加导致识别率下降的问题；因此考虑到研究对象的交流短时工作方式，基于电流信号测量，利用深度学习方法进行万能式断路器分合闸附件故障诊断还有待进一步深入研究。


技术实现要素：

[0004]
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于深度残差网络的断路器分合闸附件故障诊断方法。
[0005]
本发明解决所述技术问题所采用的技术方案为：
[0006]
一种基于深度残差网络的断路器分合闸附件故障诊断方法，其特征在于，该方法包括以下步骤：
[0007]
第一步，使用万能式断路器分合闸附件故障试验系统采集m种工作状态下p个合闸相位下分合闸线圈的电流信号，每种工作状态每个合闸相位下均采集q组电流信号，一种得到m
×
p
×
q组电流信号；m、p、q均为正整数；
[0008]
第二步，每组电流信号采用数据堆叠以及补零操作构建矩阵，将矩阵转化为灰度图；对灰度图进行处理得到样本，将所有样本划分为训练集和测试集；
[0009]
第三步，构建zfnet-drn网络模型，作为故障诊断模型；
[0010]
zfnet-drn网络模型包括四个卷积层、三个最大池化层、多个残差块以及一个全局平均池化层；第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层和第三最大池化层依次堆叠，每个卷积层后均连接一个激活函数和一个bn层；第三最大池化层后依次堆叠多个残差块，全局平均池化层与最后一个残差块连接，得到zfnet-drn网络模型的输出层；
[0011]
第四步，设置训练次数，采用amsgrad优化算法设置学习率，利用训练集对zfnet-drn网络模型进行训练，得到训练后的zfnet-drn网络模型；利用测试集对训练后的zfnet-drn网络模型进行测试，将测试后的zfnet-drn网络模型用于断路器分合闸附件故障诊断。
[0012]
与现有技术相比，本发明的实质性特点为：
[0013]
针对低压万能式断路器分合闸附件线圈回路合闸相位的随机性导致同一运行状态下电流信号存在差异的问题，提出了一种zfnet模型与深度残差网络(drn)相结合的故障诊断方法，在zfnet模型的基础上引入drn，提出了融合zfnet模型的深度残差网络，即zfnet-drn网络模型作为故障诊断模型，充分利用zfnet模型和drn二者在特征提取以及提高深层网络训练速度与准确率方面的优势，将人工特征提取与故障分类二者合二为一。首先采用信号堆叠的方法将一维的电流信号转化为二维的灰度图，最大程度保留了原始信号包含的信息，提取了更多的有效特征，同时避免因为一维数据长度的局限性而导致输入神经网络数据量不足的问题；其次通过引入prelu激活函数和amsgrad优化算法使得zfnet-drn网络模型性能得到提升，提高故障诊断的识别率；最后通过实验分析，该故障诊断模型能够克服合闸相位的随机性对故障诊断结果的影响，完成故障分类。
[0014]
本发明针对分合闸线圈电流信号特点，所提故障诊断方法特点如下：
[0015]
(1)本发明所提出的改进zfnet-drn模型采用灰度图作为输入，能够有效避免一维时序信号样本长度的局限性，且最大程度的保留了原始信号包含的信息，并且可以显示更多有效特征，使得断路器故障诊断更加智能化。
[0016]
(2)本发明考虑到分合闸线圈电流的特点，采用的zfnet模型具有更小的卷积核和步长，保留了更多的特征，从而使分类能力提升。zfnet模型由传统的卷积神经网络组成，为了避免传统的卷积神经网络出现深度增加识别率反而下降的问题，在zfnet模型中引入了drn，不仅避免了网络深度增加而识别率下降的问题而且加快了神经网络的训练速度。
[0017]
(3)zfnet-drn网络模型首先摒弃了两个全连接层，采用全局平均池化层(gap)替代，由于gap可以将输入特征压缩成向量，大大降低了网络参数，避免了采用全连接层容易产生过拟合且严重依赖于dropout正则化的问题。其次，去除了zfnet模型中的第三个卷积层，以此来降低模型的复杂度。并且，采用prelu激活函数代替原始的relu激活函数，能够更好地适应数据特征，提升网络的性能。此外，zfnet-drn网络模型中采用的残差块，能够更加有利于误差在神经网络内部的反向传播，使其参数变得更容易训练。
附图说明
[0018]
图1为本发明的整体流程图；
[0019]
图2为本发明的zfnet-drn网络模型的结构示意图；
[0020]
图3为本发明的残差块的结构示意图；
[0021]
图4为本发明的分合闸附件故障试验系统的结构示意图；
[0022]
图5(a)为灰度图尺寸为28
×
28的故障识别率变化趋势图；
[0023]
图5(b)为灰度图尺寸为64
×
64的故障识别率变化趋势图；
[0024]
图5(c)为灰度图尺寸为120
×
120的故障识别率变化趋势图；
[0025]
图5(d)为灰度图尺寸为150
×
150的故障识别率变化趋势图；
[0026]
图6(a)为数据集1的泛化实验结果示意图；
[0027]
图6(b)为数据集2的泛化实验结果示意图；
[0028]
图7(a)为基于alexnet-drn模型的故障诊断结果示意图；
[0029]
图7(b)为基于lenet5-lstm模型的故障诊断结果示意图；
[0030]
图7(c)为基于drn模型的故障诊断结果示意图；
[0031]
图7(d)为基于zfnet模型的故障诊断结果示意图；
[0032]
图7(e)为基于本发明的zfnet-drn网络模型的故障诊断结果示意图。
具体实施方式
[0033]
下面结合附图和本实施例对本发明的技术方案作进一步说明，但并不作为本发明保护范围的限定。
[0034]
如图1所示，本发明提供一种基于深度残差网络的断路器分合闸附件故障诊断方法(简称方法)，该方法包括以下步骤：
[0035]
第一步，使用万能式断路器分合闸附件故障试验系统采集m种工作状态下p个合闸相位下分合闸线圈的电流信号，每种工作状态每个合闸相位下均采集q组电流信号，一种得到m
×
p
×
q组电流信号；m、p、q均为正整数；
[0036]
第二步，每组电流信号采用数据堆叠以及补零操作构建一定大小的矩阵，将矩阵转化为灰度图，此过程将一维的电流信号转换为二维的灰度图；然后将灰度图中的空白处删除，再将灰度图进行尺寸变化得到样本，一共形成m
×
p
×
q个样本；将样本划分为训练集和测试集；
[0037]
第三步，构建zfnet-drn网络模型，作为故障诊断模型；
[0038]
如图2所示，zfnet-drn网络模型为融合zfnet模型的深度残差网络(deep residual network，drn)，包括四个卷积层、三个最大池化层、多个残差块以及一个全局平均池化层(globalaverage pooling，gap)；第一卷积层(conv1)、第一最大池化层(max polling2)、第二卷积层(conv3)、第二最大池化层(max polling4)、第三卷积层(conv5)、第四卷积层(conv6)和第三最大池化层(max polling7)依次堆叠，每个卷积层后均连接一个激活函数和一个bn层；第三最大池化层后依次堆叠多个残差块，全局平均池化层与最后一个残差块连接，得到zfnet-drn网络模型的输出层；zfnet模型和残差块均采用prelu激活函数，多个残差块堆叠形成深度残差网络；
[0039]
残差块结构如图3所示，所述残差块包含三个卷积层、三个prelu激活函数、三个bn
层和一个恒等映射；第一个bn层、第一个prelu激活函数和第一个卷积层依次连接，第二个bn层与第一个卷积层连接，第二个bn层、第二个prelu激活函数和第二个卷积层依次连接，第三个bn层与第二个卷积层连接，第三个bn层、第三个prelu激活函数和第三个卷积层依次连接；同时，该残差块的输入与第三个卷积层的输出进行叠加，得到该残差块的输出；由于残差块存在一条直接连着输入与输出的路径，从深度学习模型训练的角度来讲，更加有利于误差在神经网络内部的反向传播，因此残差块的参数变得更容易训练；
[0040]
zfnet模型具有更小的卷积核和步长，保留了更多的特征，从而使分类能力提升；zfnet-drn网络模型首先摒弃了zfnet模型的两个全连接层，采用全局平均池化层替代，大大减少了计算量，提高了模型计算速度，避免了采用全连接层容易产生过拟合且严重依赖于dropout正则化的问题，防止了整体结构的过拟合；其次，zfnet模型的第二最大池化层与第三最大池化层之间只保留了两个卷积层，以此来降低模型的复杂度；在zfnet模型基础上增加drn，不仅避免了随着网络深度增加导致识别率下降的问题，而且加快了模型的训练速度；zfnet模型的卷积层与激活层中间加入bn层，以此来解决深层网络训练可能带来的梯度弥散问题，提高模型的训练效率；
[0041]
采用prelu激活函数代替原始的relu激活函数，能够更好地适应数据特征，提升网络的性能；prelu激活函数主要是对relu函数进行改进，在relu函数上添加了极少量的参数，保证在网络的计算量以及过拟合的危险性几乎不变的情况下，能够对现有的数据进行自适应地进行调整；prelu函数的数学表达式为：
[0042][0043]
式(1)中，i表示第i个通道；ai为负轴的斜率，采用式(2)的动量法进行动态更新；
[0044][0045]
式(2)中，ω为动量；λ为目标函数；为学习速率；
[0046]
由式(2)可知，当ai＝0时，prelu函数则为原始的relu函数；当ai是一个很小的固定值，如ai＝0.01，则prelu函数为lrelu函数，因此在神经网络的训练中prelu函数中的参数ai的值可以不断地更新，能够更好地适应数据特征，提升网络性能；
[0047]
bn层用来解决神经网络训练时收敛速度较慢或者梯度爆炸的问题，bn层的具体运算过程为：假设某一层的输入为x＝[x
(1)
,x
(2)
,
…
,x
(n)
]，共n维，一批样本集合为b＝{x1,x2,
…
xf}，则归一化的公式为：
[0048][0049][0050][0051]
[0052]
式中，x
(n)
为输入x的第n维；μ、σ2分别为样本集合b的平均值与方差；u
(n)
为对x
(n)
批归一化后的结果；ε为使数值稳定的常数项，其值一般是接近0的正数；γ、β分别为bn层的缩放与偏置；
[0053]
第四步，设置训练次数，利用训练集对zfnet-drn网络模型进行训练，采用amsgrad优化算法设置学习率；误差反向传播，直到zfnet-drn网络模型收敛，得到训练后的zfnet-drn网络模型；利用测试集对训练后的zfnet-drn网络模型进行测试，通过修改卷积核大小、步长、学习率以及训练次数，使zfnet-drn网络模型的故障识别准确率达到要求，得到测试后的zfnet-drn网络模型；将测试后的zfnet-drn网络模型用于分合闸附件故障诊断；
[0054]
通过前向传播求得zfnet-drn网络模型的训练误差；amsgrad优化算法是adam优化算法的改进，主要由于adam优化算法存在以下缺点：在模型训练过程中可能存在不收敛的情况，因为随着时间的变化，数据的大小会发生变化，从而导致二阶动量不是单调变化，会在训练后期引起学习率的震荡，导致模型无法收敛；同时，相比于固定学习率的sgd算法，adam优化算法的学习率可能会发生剧烈变化，会导致adam优化算法可能不收敛，可能会错过全局最优解。针对以上缺点，amsgrad优化算法通过改变二阶动量，使二阶动量随时间发生线性变换，从而保证了amsgrad中的学习率始终为非负数；
[0055]
在误差反向传播过程中，采用式(7)的交叉熵损失函数计算预测值与真实值的误差；
[0056][0057]
式中，yc为样本的真实值，pc为zfnet-drn网络模型输出的预测概率。
[0058]
实施例1
[0059]
分合闸附件故障试验系统结构如图4所示，该系统包括工控机、pcl-720 板卡、usb-7648a采集卡、霍尔电流传感器、霍尔电压传感器、振动传感器、固态继电器组、单片机和开关电流；其中，工控机通过isa总线控制pcl-720 板卡对固态继电器组和单片机进行操作，用于控制万能式断路器的动作过程；固态继电器组与万能式断路器的储能、合闸、分闸回路相连，霍尔电流传感器和万能式断路器的分合闸附件相连，霍尔电压传感器、振动传感器分别和万能式断路器的触头系统相连；usb-7648a采集卡分别和霍尔电流传感器、霍尔电压传感器和振动传感器相连，开关电源也分别和霍尔电流传感器、霍尔电压传感器、振动传感器相连。
[0060]
分合闸附件故障试验系统能实现对万能式断路器的自动控制，并准确获取分合闸附件动作时的相关信号；当对分合闸附件进行故障试验时，首先由工控机向单片机发送分合闸相位，然后工控机通过isa总线控制pcl-720 板卡发出储能、合闸、分闸指令，其中储能指令直接对固态继电器组进行操作，用以控制万能式断路器的储能过程；分合闸指令作用于单片机，经过给定相位延时后，驱动分合闸开关电路完成相应动作；同时在pcl-720 板卡发出动作指令前，usb-7648a采集卡已被启动触发，确保可以采集到分合闸附件整个动作过程的电流信号；分合闸附件线圈的电流信号与电压信号分别由霍尔电流传感器和霍尔电压传感器采集。单片机为stm32f103zet6单片机，固态继电器组为acssr固态继电器组，usb-7648a采集卡的采样频率为20khz，采样时间为100ms。
[0061]
本实施例以安装于dw15-1600型万能式断路器上的分合闸附件作为试验对象，作
为断路器分合闸的关键执行机构，分合闸附件主要由分励脱扣器结构和释能电磁铁结构组成，分励脱扣器结构主要包括分闸线圈、衔铁、顶杆等结构；释能电磁铁结构主要包括动铁芯、合闸线圈等结构。
[0062]
本实施例的基于深度残差网络的断路器分合闸附件故障诊断方法的具体步骤如下：
[0063]
第一步，使用万能式断路器分合闸附件故障试验系统采集2种正常工作状态以及7种故障状态下，7个合闸相位下万能式断路器分合闸附件的电流信号，每种工作状态每个合闸相位下均采集20组电流信号，一种得到1260组电流信号；
[0064]
为了避免数据样本倾斜并保证有一定数量的样本，需要对分合闸附件进行多次故障模拟实验，合闸过程中主要研究铁芯卡涩、机械结构卡涩、铁芯行程不足、合闸线圈匝数异常变化4种故障状态；分闸过程中主要研究顶杆阻力异常、衔铁行程不足、分闸线圈匝数异常变化3种故障状态，各种故障状态的模拟方式如表1所示。由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式，因此线圈回路合闸相位的随机性会导致在同一状态下电流信号存在差异，为了实现不同相位下进行分合闸附件故障诊断的目的，本实施例在0
°
～180
°
的合闸相位范围内，分别模拟0
°
、30
°
、60
°
、90
°
、120
°
、150
°
、180
°
相位下的各中工作状态；每种工作状态每个合闸相位下各采集20组电流信号，共采集1260组电流信号，即一共得到1260张灰度图；每组电流信号的长度为2000，即每个线圈电流波形包含2000个数据点。
[0065]
表1故障状态模拟方式
[0066][0067]
第二步，考虑到分合闸线圈电流的特点，采用一维数据作为网络模型的输入会存在数据长度的局限性，出现输入网络模型的数据量不足的问题，导致一维的网络模型感受野不够，在训练过程中无法提取有效特征且容易出现过拟合的现象，因此将每组电流信号采用堆叠以及补零操作形成一定大小的矩阵，将矩阵转换为灰度图，以此将一维的信号转换成为二维的灰度图，避免在训练过程中出现特征丢失的现象，且在最大程度保留了原始信号包含的信息基础上可以显示更多有效特征；然后将灰度图中的空白处删除，再将灰度图进行尺寸变化得到样本，一共形成1260个样本；每种工作状态包含140个样本，其中112个
用于训练，剩余的28个用于测试；表2为分合闸附件不同工作状态的样本信息及其类别标记。
[0068]
表2数据集组成
[0069][0070]
第三步，构建zfnet-drn网络模型，作为故障诊断模型；
[0071]
zfnet-drn网络模型包括四个卷积层、三个最大池化层、多个残差块以及一个全局平均池化层(globalaverage pooling，gap)；第一卷积层(conv1)、第一最大池化层(max polling1)、第二卷积层(conv2)、第二最大池化层(max polling2)、第三卷积层(conv3)、第四卷积层(conv4)和第三最大池化层(max polling3)依次堆叠，每个卷积层后均连接一个激活函数和一个bn层；第三最大池化层后依次堆叠6个残差块，全局平均池化层与最后一个残差块连接，得到zfnet-drn网络模型的输出层；zfnet模型和残差块均采用prelu激活函数；残差块包含三个卷积层、三个prelu激活函数、三个bn层和一个恒等映射；zfnet模型和各个残差块的结构参数如表3、4所示；
[0072]
表3 zfnet模型的结构参数
[0073]
[0074][0075]
表4各个残差块的结构参数
[0076][0077]
第四步，设置训练次数为200，利用训练样本对zfnet-drn网络模型进行训练，采用amsgrad优化算法设置学习率为0.001；误差反向传播，直到zfnet-drn网络模型收敛，得到训练后的zfnet-drn网络模型；利用测试样本对训练后的zfnet-drn网络模型进行测试，通过修改卷积核大小、步长、学习率以及训练次数，使zfnet-drn网络模型的故障识别准确率达到要求，得到测试后的zfnet-drn网络模型；将测试后的zfnet-drn网络模型用于分合闸附件故障诊断。
[0078]
实施例结果及分析
[0079]
为了提高故障诊断识别率，本实施例从灰度图的尺寸、模型训练的优化算法类型以及优化算法的学习率三个方面对网络模型对比。
[0080]
1)灰度图尺寸：
[0081]
本实施例采用信号堆叠的方法将一维的电流信号转化为二维的灰度图像作为网络模型的输入，灰度图的尺寸大小对于网络模型故障诊断准确率以及训练速度有一定的影响，因此本实施例选用28
×
28、64
×
64、120
×
120、150
×
150的图片大小来得到网络模型的最佳诊断效果，图5(a)～(e)分别为zfnet-drn网络模型对于4种不同尺寸灰度图的故障识别率。由图5可以看出，当图片尺寸为28
×
28时，测试集的故障识别率仅为87％左右，主要由于图片尺寸过小，导致样本的信息量不足，无法提取出有效特征，导致准确率过低；当图片尺寸为64
×
64时，故障识别率升高至91％左右；当图片尺寸为120
×
120时，故障识别率达到98％以上，当图片尺寸为150
×
150时，故障识别率下降到88％左右，主要由于输入图像的尺
寸过大导致网络过拟合，同时过大的尺寸在训练过程中所需的时间更长，因此为兼顾故障识别率和模型训练速度，优选120
×
120的图片尺寸对模型进行训练。
[0082]
2.模型训练的优化算法类型及学习率：
[0083]
在故障诊断模型的建立中，适合的优化算法及学习率对准确率的提高具有重要作用。针对adam优化算法存在的两种缺陷，本实施例采用amsgrad优化算法对模型进行训练。针对两种优化算法采用不同的学习率进行训练，从而对网络模型进行改进及优化。为了保证测试的稳定性，针对不同优化算法及学习率分别进行20次实验，取测试集的准确率的平均值为评价指标，得到如表5所示的实验结果。
[0084]
表5不同优化算法及学习率的实验结果
[0085][0086]
由表5可以看出，两种优化算法在学习率为0.001时故障诊断效果最好，当学习率为0.01和0.1时，诊断能力急剧下降，几乎无法完成故障诊断。并且，在同一学习率下采用amsgrad优化算法的故障诊断准确率明显高于adam优化算法，因此本实施例采用amsgrad优化算法，且学习率为0.001。
[0087]
实施例泛化实验
[0088]
由于低压万能式断路器合闸附件相位的随机性，会对电流特征具有一定影响，为验证模型的泛化能力，本实施例设计了以下两种数据集进行研究。
[0089]
(1)以30
°
、60
°
、90
°
、120
°
、150
°
相位下的各种工作状态的共900个样本作为数据集1的训练集，以0
°
、180
°
相位下的各种工作状态的共360个样本作为数据集1的测试集。
[0090]
(2)以0
°
、30
°
、60
°
、90
°
、120
°
、150
°
、180
°
相位下的各种工作状态的1260个样本作为数据集2的训练集；在0
°
～180
°
范围内采集了15
°
、45
°
、75
°
、105
°
、135
°
、165
°
相位下的9种工作状态的样本，并对每个相位下9种工作状态各采集5个样本，共采集270个样本作为本数据集2的测试集。
[0091]
由图6(a)、(b)分别为两个数据集得到的混淆矩阵示意图，可以看出zfnet-drn网络模型采用两个数据集的故障识别率分别为98.01％、97.33％，由此可见zfnet-drn网络模型可以很好的适应断路器合闸相位的随机性，对于断路器分合闸附件的故障诊断具有一定的应用价值。
[0092]
实施例对比实验
[0093]
为了验证本实施例提出的zfnet-drn网络模型在断路器分合闸附件故障诊断的性能，采用alexnet-drn、lenet5-lstm、深度残差网络(deep residual network,drn)以及zfnet四种模型进行对比实验，且每种方法均采用0
°
、30
°
、60
°
、90
°
、120
°
、150
°
、180
°
相位下的各种工作状态总样本数作为对比实验的数据集，将该数据集中各种工作状态的80％样本
用于模型的训练，其余样本用于模型的测试；图7(a)～(e)分别为基于alexnet-drn模型、lenet5-lstm模型、drn模型、zfnet模型以及本发明的zfnet-drn网络模型的故障诊断结果。由图可以看出，采用上述四种模型的故障识别率分别为93.67％、92.89％、94.44％、89.01％，而本技术的基于zfnet-drn网络模型的故障识别率为98.44％，故障识别率明显优于其他模型。相比于alexnet-drn，本发明采用的zfnet模型采用更小的卷积核和步长能够深层次的提取特征；对于lenet5-lstm，由于lenet5网络深度较浅，从而对于短时且微弱的电流特征无法深层次的提取，且lstm有记忆时序数据信号的优势，而对于非时序数据的电流信号优势却不明显；单纯采用zfnet模型虽然有效地进行了电流的特征的提取但却存在过拟合以及网络深度增加而识别率下降的问题；而单纯采用drn模型对于电流特征的提取还不彻底，从而导致分类结果降低，所以本发明采用的zfnet-drn网络模型相比于其他故障诊断模型有显著的优势。
[0094]
本实施例模型建立在keras深度学习库中，编程语言为python，计算机配置为intel(r)core(tm)i5-9400fcpu@2.90ghz，显卡为nvidia geforce rtx3060。上述步骤均采用labview和python软件实现。上述本实施例中所用的labview和python软件是本技术领域的技术人员所熟知的。
[0095]
上述实例中的百分比均为数字百分比。
[0096]
本发明未述及之处适用于现有技术。