基于機(jī)器學(xué)習(xí)算法的電氣設(shè)備故障預(yù)測與診斷

摘 要：本文旨在探索基于機(jī)器學(xué)習(xí)算法的電氣設(shè)備故障預(yù)測與診斷方法，針對(duì)電力系統(tǒng)和工業(yè)自動(dòng)化中設(shè)備故障對(duì)系統(tǒng)穩(wěn)定性和安全性的重要影響，利用機(jī)器學(xué)習(xí)技術(shù)，特別是反卷積特征學(xué)習(xí)和隨機(jī)矩陣?yán)碚摚崆白R(shí)別潛在故障，實(shí)現(xiàn)故障診斷和預(yù)測。在試驗(yàn)中，通過反卷積特征學(xué)習(xí)，成功地檢測到設(shè)備運(yùn)行中的異常模式，并利用隨機(jī)矩陣?yán)碚摐?zhǔn)確診斷出多種故障類型。本文研究結(jié)果為電力系統(tǒng)和工業(yè)自動(dòng)化中的故障預(yù)測和診斷提供了有力支持，為預(yù)防和修復(fù)故障提供了更準(zhǔn)確、可靠的工具。

關(guān)鍵詞：反卷積特征學(xué)習(xí)；電器設(shè)備；故障預(yù)測

中圖分類號(hào)：N 941" " 文獻(xiàn)標(biāo)志碼：A

通過機(jī)器學(xué)習(xí)，運(yùn)營商能夠制定更智能化的維護(hù)策略，縮短計(jì)劃外停機(jī)時(shí)間，延長設(shè)備壽命，降低維護(hù)成本。因此，基于機(jī)器學(xué)習(xí)算法的電氣設(shè)備故障預(yù)測與診斷已經(jīng)成為工程行業(yè)研究的熱門課題，為提高電力系統(tǒng)的可用性和可維護(hù)性、減少能源浪費(fèi)并降低成本提供了重要的工具和技術(shù)。

1 基于特征提取的電氣設(shè)備圖像分類識(shí)別

1.1 反卷積網(wǎng)絡(luò)概念

1.1.1 反池化操作

反池化是反卷積網(wǎng)絡(luò)中的一個(gè)關(guān)鍵操作，用于恢復(fù)池化操作造成的信息丟失。在卷積神經(jīng)網(wǎng)絡(luò)中，池化操作（如最大池化或平均池化）用于縮小特征圖的空間尺寸、提高計(jì)算效率并降低過擬合風(fēng)險(xiǎn)[1]。然而，這會(huì)導(dǎo)致特征圖的分辨率降低，不適合執(zhí)行后續(xù)任務(wù)，如對(duì)象定位或分割。

反池化的目標(biāo)是還原池化操作前的特征圖，通過將最大值或平均值填充回原始位置來恢復(fù)特征圖的空間細(xì)節(jié)。反池化操作通常與最大池化和平均池化相對(duì)應(yīng)。反池化操作的主要方法如下。1）最大值反池化。最大值池化的反操作是將每個(gè)池化區(qū)域中的最大值放回原始位置，而其他位置填充為零，以保留原始圖像的重要特征。2）平均值反池化。平均值池化的反操作是將池化區(qū)域的平均值填充回原始位置，可以減少信息丟失，但對(duì)對(duì)象邊界等細(xì)節(jié)信息的還原效果可能不如最大值反池化。3）掩碼反池化。掩碼反池化使用一個(gè)掩碼矩陣來指示池化區(qū)域中需要和不需要填充的位置，以便更精確地控制信息的還原。

1.1.2 反卷積運(yùn)算

反卷積運(yùn)算也稱為轉(zhuǎn)置卷積，是反卷積網(wǎng)絡(luò)的核心部分。它與標(biāo)準(zhǔn)卷積運(yùn)算相反，用于將低維的特征映射擴(kuò)展到高維的特征映射，從而實(shí)現(xiàn)空間上的上采樣，如公式（1）所示。

（1）

式中：si代表第i層反卷積重構(gòu)圖；fiT代表反卷積核；zi代表特征圖。

在標(biāo)準(zhǔn)卷積中，卷積核對(duì)輸入特征圖執(zhí)行卷積運(yùn)算，將其降維到更小的尺寸[2]。

反卷積運(yùn)算的過程如下。1）填充。為了保持輸出尺寸與輸入尺寸一致，通常需要在輸入特征圖的邊緣填充零值。2）卷積操作。使用反卷積核對(duì)填充后的輸入特征圖進(jìn)行卷積運(yùn)算，生成一個(gè)擴(kuò)大尺寸的特征圖。3）步幅。與填充和卷積核的尺寸一起，步幅控制了輸出特征圖的尺寸，較大的步幅會(huì)導(dǎo)致輸出尺寸更大。4）權(quán)重共享。反卷積運(yùn)算通常也使用共享權(quán)重，與標(biāo)準(zhǔn)卷積類似，以減少參數(shù)數(shù)量并提高網(wǎng)絡(luò)的泛化能力。

反卷積運(yùn)算的輸出通常是高維的特征圖，可作為后續(xù)網(wǎng)絡(luò)層的輸入。這有助于逐步還原特征圖的細(xì)節(jié)，從而完成更準(zhǔn)確的對(duì)象定位、分割或圖像重建等任務(wù)。

1.2 智能識(shí)別網(wǎng)絡(luò)主體網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 反卷積特征提取學(xué)習(xí)

反卷積是一種用于特征上采樣的操作，通過將低維的特征圖擴(kuò)展到更高維來保留空間信息和細(xì)節(jié)（如圖1所示）。

反卷積的操作的關(guān)鍵步驟如下。1）填充、在輸入特征圖的邊緣填充零值，以保持輸出尺寸與輸入一致。2）卷積操作。使用反卷積核對(duì)填充后的輸入特征圖進(jìn)行卷積操作，以生成擴(kuò)大尺寸的特征圖。3）步幅。步幅參數(shù)控制輸出特征圖的尺寸，較大的步幅將導(dǎo)致出現(xiàn)更大的輸出尺寸。4）權(quán)重共享。采用權(quán)重共享來減少參數(shù)數(shù)量并提高泛化性能。

反卷積的輸出通常是高維的特征圖，具有更多的空間細(xì)節(jié)和語義信息。這些特征圖可用作后續(xù)的圖像分割、對(duì)象檢測或圖像重建等任務(wù)的輸入，并提高任務(wù)精度[3]。本文假設(shè)樣本中包括N個(gè)訓(xùn)練樣本，通過對(duì)卷積核f進(jìn)行遷移學(xué)習(xí)，得到初始卷積核，再將圖像數(shù)據(jù)輸入該卷積核，得到與之對(duì)應(yīng)的特征圖。其中向前傳播卷積的計(jì)算如公式（2）所示。

（2）

式中：zi代表特征圖；zi-1代表原始圖；fi代表不同層卷積核。

通過上述公式對(duì)模型進(jìn)行訓(xùn)練，將解標(biāo)簽設(shè)為，將模型得出的結(jié)果與正確標(biāo)簽信息進(jìn)行代價(jià)函數(shù)計(jì)算，如公式（3）所示。

（3）

式中：M代表總類別；J（f）代表代價(jià)函數(shù)。

在此基礎(chǔ)上，本文引入MB-SGD算法，對(duì)代價(jià)函數(shù)進(jìn)行權(quán)值更新，如公式（4）所示。

（4）

式中：η代表學(xué)習(xí)率；t代表當(dāng)前時(shí)刻。

經(jīng)過公式（4）的計(jì)算，反向參數(shù)訓(xùn)練結(jié)束，開始對(duì)圖像進(jìn)行分類。

1.2.2 主體網(wǎng)絡(luò)系統(tǒng)流程

智能識(shí)別網(wǎng)絡(luò)的主體網(wǎng)絡(luò)系統(tǒng)流程步驟如下。1）輸入圖像。將待識(shí)別的圖像輸入網(wǎng)絡(luò)中。2）特征提取。通過反卷積特征提取學(xué)習(xí)，從輸入圖像中提取高層次的特征表示。3）識(shí)別學(xué)習(xí)。通過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別學(xué)習(xí)，將特征表示映射到識(shí)別結(jié)果。4）網(wǎng)絡(luò)輸出圖像中識(shí)別的對(duì)象、特征或模式，整體系統(tǒng)流程是端到端的，通過反卷積特征提取學(xué)習(xí)和改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別學(xué)習(xí)的相互配合，來對(duì)圖像進(jìn)行高效特征提取和準(zhǔn)確識(shí)別。

2 基于隨機(jī)矩陣?yán)碚摰碾姎庠O(shè)備故障預(yù)警

2.1 電氣設(shè)備運(yùn)行狀態(tài)參量的多維矩陣表征

本文設(shè)定電力網(wǎng)絡(luò)中所有設(shè)備的總參量狀態(tài)為m，其中某一個(gè)狀態(tài)量在時(shí)間t內(nèi)產(chǎn)生的行向量如公式（5）所示。

x（t）=[x11" x12...x1T] （5）

式中：T代表總采樣時(shí)刻。

電力網(wǎng)絡(luò)中，m狀態(tài)量在同一時(shí)刻下的列向量如公式（6）所示。

（6）

本文對(duì)總參量m進(jìn)行了n次測量，通過這種方式構(gòu)建了周期性m行n陣列矩陣，如公式（7）所示。

（7）

基于該矩陣，本文深入分析電氣設(shè)備運(yùn)行狀態(tài)與矩陣極限譜對(duì)應(yīng)變化的規(guī)律，當(dāng)出現(xiàn)超過矩陣Xs閾值的參數(shù)時(shí)，代表電氣設(shè)備的運(yùn)行發(fā)生了故障，系統(tǒng)會(huì)對(duì)故障進(jìn)行預(yù)警評(píng)估。

2.2 電氣設(shè)備關(guān)鍵性能的多維矩陣模型構(gòu)建

明確定義關(guān)鍵性能指標(biāo)，這些指標(biāo)應(yīng)與設(shè)備的正常運(yùn)行和性能相關(guān)，例如能源效率、溫度、電流、電壓和振動(dòng)等。收集與關(guān)鍵性能指標(biāo)相關(guān)的數(shù)據(jù)，其中可能涉及傳感器、監(jiān)控系統(tǒng)、日志文件、歷史數(shù)據(jù)等多種數(shù)據(jù)源。清洗和預(yù)處理數(shù)據(jù)，包括去除異常值、缺失數(shù)據(jù)的處理一校數(shù)據(jù)標(biāo)準(zhǔn)化等。將數(shù)據(jù)組織成多維矩陣，其中每個(gè)維度對(duì)應(yīng)一個(gè)關(guān)鍵性能指標(biāo)，而每個(gè)數(shù)據(jù)點(diǎn)表示一個(gè)時(shí)間點(diǎn)或設(shè)備狀態(tài)。這種多維矩陣可以是一個(gè)時(shí)間序列矩陣，也可以是一個(gè)狀態(tài)矩陣，具體取決于應(yīng)用需求[4]。從多維矩陣中提取特征，以更好地描述設(shè)備性能。例如統(tǒng)計(jì)特征（如均值、方差、最大值和最小值）、頻域特征以及時(shí)域特征等。特征工程的目標(biāo)是減少數(shù)據(jù)維度，同時(shí)保留重要信息。選擇一個(gè)適合問題的多維矩陣建模方法，例如主成分分析（PCA）、因子分析、獨(dú)立成分分析（ICA）和時(shí)序分解方法（如SVD、HOSVD）等。不同模型可能適用于不同類型的數(shù)據(jù)和問題。根據(jù)選擇的多維矩陣建模方法對(duì)數(shù)據(jù)進(jìn)行模型訓(xùn)練，該訓(xùn)練涉及參數(shù)估計(jì)、矩陣分解和降維等過程。訓(xùn)練的目標(biāo)是找到最能描述數(shù)據(jù)的模型，評(píng)估模型的性能，并使用驗(yàn)證數(shù)據(jù)集來驗(yàn)證其泛化能力，以確保模型在未來數(shù)據(jù)中具有可靠性。一旦模型被建立和驗(yàn)證，就將其部署到電氣設(shè)備的監(jiān)控系統(tǒng)中，以監(jiān)測電氣設(shè)備運(yùn)行狀態(tài)。

本文采集的某電站斷路器工作時(shí)的紅外圖譜如圖2所示，并將斷路器紅外溫度圖像相關(guān)數(shù)據(jù)作為關(guān)鍵性能指標(biāo)。

設(shè)紅外圖像溫度值為T紅，斷路器溫度運(yùn)行區(qū)間為[-25，45]℃。設(shè)電流為I，其區(qū)間為[0，620]。設(shè)環(huán)境溫度為T環(huán)，環(huán)境相對(duì)濕度為C，風(fēng)速為V。

為方便計(jì)算，將上述數(shù)據(jù)進(jìn)行歸一化處理，其中溫度值T溫的計(jì)算如公式（8）所示。

（8）

負(fù)荷電流I'的計(jì)算如公式（9）所示。

（9）

環(huán)境溫度T環(huán)的計(jì)算如公式（10）所示。

（10）

相對(duì)濕度數(shù)據(jù)自身滿足歸一化要求，因此不進(jìn)行計(jì)算。風(fēng)速V'的計(jì)算如公式（11）所示。

（11）

歸一化計(jì)算所得斷路器各項(xiàng)參數(shù)具體數(shù)值見表1。

設(shè)斷路器本征多維矩陣為X1，設(shè)斷路器負(fù)荷性能矩陣為X2，其計(jì)算如公式（11）、公式（12）所示。

（11）

（12）

通過分析斷路器本征和負(fù)荷性能，可以更精準(zhǔn)地對(duì)斷路器運(yùn)行狀態(tài)進(jìn)行監(jiān)測與判斷。

2.3 電氣設(shè)備運(yùn)行狀態(tài)評(píng)估指標(biāo)的構(gòu)建

ARMA時(shí)間序列模型是一種重要的工具，用于分析時(shí)間序列數(shù)據(jù)中的趨勢、季節(jié)性和周期性成分。此外，等價(jià)圓環(huán)半徑判斷指標(biāo)在電氣設(shè)備振動(dòng)分析中具有重要作用。該方法基于頻譜分析，通過計(jì)算等價(jià)圓環(huán)的半徑來評(píng)估設(shè)備的運(yùn)行狀態(tài)。它需要計(jì)算數(shù)據(jù)采集、頻譜分析和等價(jià)圓環(huán)半徑。大等價(jià)圓環(huán)半徑通常表示設(shè)備振動(dòng)正常，而較小的值可能表示存在異?；蚬收?，使維護(hù)人員可以更容易地檢測設(shè)備問題[5]。等價(jià)譜半徑計(jì)算公式為振動(dòng)信號(hào)頻譜特性分析提供了一個(gè)有用的指標(biāo)，具體如公式（13）所示。

（13）

式中：r代表隨機(jī)矩陣等價(jià)譜半徑；λi代表矩陣特征值。

本文考慮了頻率和振幅之間的關(guān)系，有助于識(shí)別振動(dòng)信號(hào)中的異常頻率成分或特征，從而更好地理解設(shè)備的振動(dòng)狀況。

在電氣設(shè)備故障判斷過程中，負(fù)荷電流數(shù)據(jù)是判斷電氣運(yùn)行狀態(tài)的首要指標(biāo)。本次研究中，本征矩陣與負(fù)荷矩陣與電流數(shù)據(jù)的關(guān)聯(lián)程度存在差異。因此，本文為上述兩項(xiàng)指標(biāo)賦予不同的權(quán)重系數(shù)，其中電氣設(shè)備正常狀態(tài)歷史等價(jià)圓環(huán)半徑與實(shí)時(shí)等價(jià)圓半徑的計(jì)算分別如公式（14）、公式（15）所示。

r歷史=k1r1'+k2r2' （14）

r實(shí)時(shí)=k1r1+k2r2 （15）

式中：k1與k2均為常數(shù)。

根據(jù)上述公式可以得到r實(shí)時(shí)的具體數(shù)值。當(dāng)該數(shù)值小于安全閾值時(shí)，表示該設(shè)備處于異常狀態(tài)，由此可對(duì)電氣設(shè)備故障進(jìn)行預(yù)測與診斷。

3 結(jié)語

在電氣設(shè)備領(lǐng)域，基于機(jī)器學(xué)習(xí)算法的故障預(yù)測與診斷已經(jīng)成為一項(xiàng)不可或缺的技術(shù)。該項(xiàng)研究工作涉及的知識(shí)廣泛，包括ARMA時(shí)間序列模型、等價(jià)圓環(huán)半徑判斷指標(biāo)、等價(jià)譜半徑計(jì)算公式等關(guān)鍵概念。通過這些方法，能夠更全面地了解電氣設(shè)備的運(yùn)行狀態(tài)，提前預(yù)測可能出現(xiàn)的故障，并及時(shí)采取措施，從而提高設(shè)備的可靠性并降低維護(hù)成本。

參考文獻(xiàn)

[1]叢曉，陳勇，張光軼.基于序列平均變化率的灰色模型故障預(yù)測方法[J].中國電子科學(xué)研究院學(xué)報(bào)，2021，16（10）：1034-1037.

[2]呂克洪，程先哲，李華康，等.電子設(shè)備故障預(yù)測與健康管理技術(shù)發(fā)展新動(dòng)態(tài)[J].航空學(xué)報(bào)，2019，40（11）：18-29.

[3]熊小伏.電氣設(shè)備主動(dòng)保護(hù)與控制概念及功能架構(gòu)[J].電力系統(tǒng)自動(dòng)化，2018，42（2）：1-10，49.

[4]韓欣.基于機(jī)器學(xué)習(xí)的艦船電氣設(shè)備壽命自動(dòng)檢測[J].艦船科學(xué)技術(shù)，2021，43（8）：193-195.

[5]王碩禾，鞏方超，古曉東，等.基于特征融合的變電設(shè)備類型及故障識(shí)別算法研究[J].鐵道學(xué)報(bào)，2021，43（4）：95-100.

作者簡介：陳晨（1980-），女，本科，講師，研究方向?yàn)殡姎夤こ滔盗小?/p>

電子郵箱：iguai@163.com。