1研究现状深度学习强大的自动特征提取能力，为暂态信号辨识、故障信息的提取提供了新的思路。数据驱动下的新一代人工智能由传统的知识表示转向深度、自主知识学习，不再需要人的过多干预，展现出更加智能的一面。深度学习作为机器学习的一个新的重要的分支，近年来在语音图像识别、目标特征检测、文本处理等领域中取得了跨越性的进展，快速成为人工智能技术的研究热点。深度学习思想最早建立在模拟人脑对声音、图像、文本等信号处理的机理上，以图像为例，首先检测边缘、初始形状，再逐步形成更复杂的视觉形状。深度学习可以理解为多隐含层的神经网络，通过学习一种深层非线性网络结构实现对任意复杂函数的逼近，表征数据的分布式表示。深度学习重点突出网络的深层结构和特征的自动学习，通过组合低层特征形成更加抽象的高层表示，更深的层次使其具有更强的自动提取数据特征的能力。目前，普遍为人所接受的深度学习模型包括卷积神经网络、基于受限玻尔兹曼机的深度信念网络、循环神经网络、基于自动编码器的堆叠自动编码器等。当前，在高速电气化铁道领域，深度学习的研究与应用已逐步展开，其中应用较为频繁的深度学习网络模型包括：CNN、RNN、DBN和SAE，主要应用的领域包括电力设备（如隔离开关、变压器、断路器等）的故障诊断、电力设备图像辨识、电力系统暂态稳定的评估、电力大数据融合与电能质量扰动的辨识、异常诊断等。在电气化铁道领域不同的场景下，深度神经网络DBN、SAE、CNN均体现了强大的自动提取数据特征能力。例如，在电力设备的故障诊断方面，传统模式识别方法进行故障诊断时，存在故障特征依靠人为主观选取的不足，人工智能技术的超强特征识别能力可提升其故障诊断能力。深度学习作为时下热门的理论研究方向，在图像分析，类型识别等方面应用广泛，Caffe框架是当前广泛使用的深度学习工具。文献[1]结合了深度学习与Caffe框架的应用，对接触网绝缘子破损状态进行了检测，使得深度学习在接触网检测方面有了具体应用并提供了新的识别、检测思路。根据高压隔离开关电机电流信号的混沌性质，结合卷积神经网络的特性，可有效提取特征值并进行训练和测试，为高压隔离开关的机械性能的准确有效检测提供可行性。Zynq是Xilinx公司推出的一个可扩展处理平台，其将高性能两ARM Cortex-A9 MP Core处理器系统作为“主处理器”，与低功耗的28 nm工艺技术相结合，以实现超强的配置功能、高性能和超高的灵活性。由于新型芯片的可编程逻辑PL部分是基于赛灵思28 nm七系列的FPGA，因此在该系列产品的名称中添加了“-7000”，以保持与七系列FPGA的同步，为以后的新产品命名提供了方便。赛灵思公司推出的Zynq-7000 SoC系列芯片高度集成了ARM处理器的软件可编程能力和FPGA强大的硬件可编程能力，由ARM cortex-A9 MPCore处理器+28 nm七系列FPGA构成，内部集成PS和PL，可实现硬件加速和重要的算法，在单个芯片上高度集成DSP、CPU以及混合信号的功能。另外，采用HPL28 nm和HKMG工艺，保证了其高性能的同时具有更低的功耗。Xilinx在自身的工具中对IP驱动以及linux内核等做好了软件支持，使其在Linux环境下编译卷积神经网络算法更加快捷，效率较高。2技术升级策略为了实现对接触网高压隔离开关故障的快速精确识别，在Caffe框架下搭建神经网络结构（CNN），导入Zynq-7000 SoC平台，获得FPGA硬件加速计算。2.1隔离开关电机电流参数通过采集各种工况下隔离开关电机电流数据，在每个类别中采集500组信号作为样本集，其中400组信号作为训练集，100组信号作为测试集，以验证算法性能。隔离开关的电流信号如图1所示。10.3969/j.issn.2096-1936.2021.01.019.F001图1隔离开关的电流信号由图1可知，故障情况不同，电机电流信号波形的各个波峰时间间隔不同，波形峰值出现的时间节点也不尽相同，以此作为区分正常情况、轻微卡涩、严重卡涩，弹簧失效以及合闸不到位的重要特征。通过对上述电机电流信号波形图进行VGG核函数解析，代入训练集学习高压隔离开关电机电流信号在正常情况、合闸不到位、卡涩和弹簧失效等情况的特征，与测试集进行比对测试结果，其平均准确率和过拟合比率如表1所示。10.3969/j.issn.2096-1936.2021.01.019.T001表1数据集测试结果隔离开关状态平均准确率/%过拟合比率正常情况91.231.014 7合闸不到位90.561.042 7严重卡涩92.311.025 4轻微卡涩89.821.033 0弹簧失效92.491.083 8以合闸不到位情况为例，合闸不到位的平均准确率和过拟合率变化如图2、图3所示。10.3969/j.issn.2096-1936.2021.01.019.F002图2合闸不到位的平均准确率变化图10.3969/j.issn.2096-1936.2021.01.019.F003图3合闸不到位的过拟合率变化图由图2、图3可知，合闸不到位的平均准确率和过拟合随学习时间的变化情况，随着学习时间的推移，卷积神经网络CNN算法对高压隔离开关机械故障诊断的分类逐渐明显，平均准确率已经达到90%，且过拟合率稳定在1左右，符合预期目标。在测试集中，合闸不到位情况的拟合曲线十分接近，进一步表明卷积神经网络算法的分类效果十分明显。2.2性能评估从运行时间来看，基于Zynq-7000 SoC的CNN算法运行时间在（9.62±1.25） ns的范围内，相比其他算法实现了更加高速运行的优势，CNN算法时间性能情况如表2所示。10.3969/j.issn.2096-1936.2021.01.019.T002表2基于Zynq-7000的CNN算法时间性能评价表时钟目标期望值不确定度ap_clk109.621.25本文算法分析了CNN算法在系统延迟方面的性能，系统延迟可较好的反应算法的处理速度，基于Zynq-7000的CNN算法延迟性能评价表如表3所示。10.3969/j.issn.2096-1936.2021.01.019.T003表3基于Zynq-7000的CNN算法延迟性能评价表项目延迟Latency吞吐量Interval最小211212最大515516表3说明该算法能够得到较快的执行速度和数据吞吐量。CNN算法的资源利用率表如表4所示。10.3969/j.issn.2096-1936.2021.01.019.T004表4CNN算法资源利用率表名称块RAM数字信号处理器触发器查找表Expression——0541FIFO存储器————实例0—5 61517 657存储器1—00数据选择器———183寄存器——136—总量105 75118 385可利用280220106 40053 200使用率/%00534由表4可以看出，除了查找表（LUT）项使用的资源较多外，其他项的资源占用均可忽略。从整体上看，基于Zynq-7000 SoC的CNN算法实现是高效且资源占用率低的。3结语本文基于Zynq-7000 SoC加速的CNN算法对高压隔离开关电机电流诊断识别展开实现，从资源利用率估计、算法时间性能、算法延迟性能等方面对实现的算法进行评估。基于Zynq-7000 SoC平台实现的CNN算法，从资源利用率角度、算法运行效率来看，均比基于传统实现的算法有优势。