具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。

在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。

为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

参见图1，本发明第一方面公开了一种基于多源信号融合的高压断路器特性参数预测方法，包括下列步骤：

步骤S1、判断所述高压断路器是否处于故障状态，若是，则采集高压断路器在故障状态下第T时刻的故障数据，所述故障数据包括振动信号、声音信号、温度信号、电流信号、操作次数；

步骤S2、提取所述振动信号、声音信号、温度信号、电流信号、操作次数的特征向量，并将所述特征向量分成训练集以及待处理数据集，将所述训练集作为预设的深度学习模型的输入，同时将故障数据的预测值作为深度学习模型输出，对所述深度学习模型进行学习训练；

步骤S3、将待处理数据集输入至训练结束后的深度学习模型中，从而获得待处理数据集在T+n时刻的预测值，所述n为任一正自然数。

作为示例的，在步骤S1中，通过声音传感器1、振动传感器2、霍尔传感器3、温湿度传感器4、接近开关5来采集高压断路器在T时刻的故障数据。

作为步骤S1的一个可选实施例，通过下列方式判断所述高压断路器是否处于故障状态，其具体包括：若霍尔传感器3采集到高压断路器的分合闸线圈电流信号，则判断所述高压断路器处于故障状态；

通过振动传感器2采集高压断路器分合闸过程中的振动数据；

通过声音传感器1采集高压断路器碰撞声音数据；

通过温湿度传感器4采集高压断路器周围的环境温度数据；

通过接近开关5测量高压断路分合闸操作次数。

所采集的故障数据由信号调理器将其转化成常见的标准信号，再由模数转换器将它接收到的信号转换成一个个输出的数字信号，但这些数字信号在此时不具备任何意义，仅仅表示一个个相对量的大小。之后由数据处理系统7将这些相对量(也就是特征参数)进行特征向量的构建。

在步骤S2的一个可选实施方式中，其通过短时能变法提取振动数据、声音数据中的声音特征参量，其具体步骤包括：

设置振动数据、声音数据的时域信号为x(n)，对所述时域信号进行加窗分帧处理后得到第i帧信号x_i()，每一帧的能量表示为：

通过引入对数关系式，降缓能量的急剧变化，其具体表示为：

LEN_i＝log₉(1+EN_i/10)

对第i帧信号x_i()进行中心截幅处理，其具体表示为：

式中，δ为固定值；

在进行中心截幅处理后计算每一帧的波形变化率：

其中：

最终获得声音特征参量的表达式：EZR _i＝LEN_i×(BXR_i+0.1)。

在步骤S2的一个可选实施方式，通过能量熵法提取振动数据、声音数据中的能量特征参量，其通过能量熵法提取能量特征参量为本领域的常规方法，本实施例不在此具体阐述。

在步骤S2的一个可选实施方式，通过三次样条差值法提取电流信号中的极值点，并将所述极值点作为电流信号的特征参量，其三次样条差值法为本领域的常规方法，本实施例不在此具体阐述。

在步骤S2的一个可选实施方式，由于所述温湿度传感器4、接近开关5所采集到的数据为数值信号，在将前述温湿度传感器4、接近开关5的所采集的数据进行归一化后，即可作为相应的特征参量。

在步骤S2的一个可选实施方式，所述深度学习模型包括RBM(受限玻尔兹曼机)网络，受限玻尔兹曼机是一种生成式随机神经网络，该网络由一些可见单元(visible unit,对应可见变量，亦即数据样本)和一些隐藏单元(hidden unit,对应隐藏变量)构成，可见变量和隐藏变量都是二元变量，亦即其状态取{0,1}。整个网络只有可见单元与隐藏单元之间才会存在边，可知单元之间以及隐藏单元之间都不会有边连接。

本实施例所公开的RBM网络包括输入层、若干隐藏层以及全连接层、输出层，所述输入层的输入节点至少为5个，所述输出层的输出节点至少为5个，其中输入层的输入为声音特征参量、能量特征参量、电流特征参量、温度特征参量、操作次数特征参量，而输出层的输出为声音的预测值、能量的预测值、电流的预测值、温度的预测值、操作次数的预测值。

可选的，将声音特征参量、能量特征参量、电流特征参量、温度特征参量、操作次数特征参量输入所述RBM网络后，本实施例采用监督学习法对所述RBM网络进行逐层训练，其具体步骤包括：

将RBM网络的可见变量v和隐藏变量h的联合配置的能量设置为：

其中θ时RBM的参数{W,a,b}，w为可见单元和隐藏单元之间边的权重，b和a分别为可见单元与隐藏单元的偏置；

有了v和h的联合配置之后的能量之后，即可得到v和h的联合概率：

其中Z(θ)是归一化因子,可进一步将上式写为：

最大化观测数据的似然函数P(v)，P(v)可由上式中P(v,h)对h的边缘分布得到：

通过最大化P(v)来得到RBM的参数，最大化P(v)等同于最大化log((v)＝(θ))：

可选的，所述步骤S3还包括：将待处理数据集在T+n时刻的预测值与在T+n时刻所采集的实际参数值进行对比，若预测值与所述实际参数值之间的误差符合阈值，则说明所述RBM网络学习训练已完成，可使用训练完成的RBM网络实现高压断路器的参数预测，否则，重新调整RBM网络的参数再次进行学习训练。

参见图2-图3，本发明第二方面公开了一种多源信号融合的高压断路器特性参数预测系统，包括数据采集装置、数据处理系统7，所述数据采集装置包括声音传感器1、振动传感器2、霍尔传感器3、温湿度传感器4、接近开关5以及无线通信单元6，所述无线通信单元6与所述数据处理系统7信号相连，所述数据处理系统7包括：

数据接收模块101，用于接收无线通信单元6所发送的高压断路器参数；

特征提取模块102，用于提取所述高压断路器数据的特征向量；

深度学习模块103，所述深度学习模块中预设有RBM网络，所述RBM网络包括输入层、若干隐藏层以及全连接层、输出层，所述输入层的输入节点至少为5个，所述输出层的输出节点至少为5个；

对比模块104，用于将深度学习模块103输出的预测结果与高压断路器的实际参数值进行对比判断。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。