高压断路器是电力系统中至关重要的设备,其主要的故障都来自于操动机构。本课题以高压断路器操动机构作为实验研究对象,综合分析了利用其振动信号来进行故障诊断的可行性以及优越性。文章主要对断路器振动信号的故障识别诊断进行了深入研究,并形成了实验论据。论文的主要工作内容如下:1、主要介绍总结了相关的深度学习理论。首先总结归纳了传统卷积神经网络CNN的操作相关原理以及公式推导;然后总结归纳了长短期记忆神经网络LSTM的“三道门”相关机制以及公式,对其能够记住更长时间序列特征的原理进行了详细阐述;最后总结归纳了注意力机制的相关原理并给出了注意力值的计算公式,对其以少许额外计算量换取更好地模型收敛效果的原因进行了叙述。2、主要提出了利用长短期记忆网络LSTM所搭建的新型时序深度学习模型CNN＿LSTM的网络结构以及逻辑框架。利用实际断路器振动信号进行CNN＿LSTM网络模型的参数寻优,通过控制部分超参数作为单一变量来验证模型性能的好坏,并对最优参数下的CNN＿LSTM深度学习模型与其他的诊断算法进行比对,得出新型时序深度学习模型的优缺点。3、主要介绍了所采用的注意力机制SENet原理结构以及利用上文CNN＿LSTM模型共同形成的ACNN＿LSTM时序深度学习模型。利用F1值、loss值、ROC曲线以及PR曲线等常用的模型性能评价指标对新提出的ACNN＿LSTM时序深度学习模型进行评判,并且与多个神经网络诊断算法模型进行横向的效果比对,体现了ACNN＿LSTM时序深度学习模型性能的优越性以及学习诊断的高效性。本课题通过实际实验验证了CNN＿LSTM时序深度学习模型中网络结构的参数对模型性能的影响,并形成了针对断路器振动信号故障诊断的最优网络模型。与其他深度学习模型的实际比较中,CNN＿LSTM时序深度学习模型利用其在数据特征提取阶段的时序记忆能力,达到了更为优秀的模型性能。本课题针对上述CNN＿LSTM模型网络结构复杂导致的学习效率降低,提出了基于注意力机制的ACNN＿LSTM时序深度学习模型。利用注意力机制,新模型在迭代学习的过程中以少量额外计算量换取更高效快速的学习能力,实际的故障类别诊断以及与其他深度学习算法的性能比对中也证实了这一点。