多視角特征融合下的變電站設備故障診斷研究

摘 要：本文旨在通過多視角特征融合技術(shù)提高變電站設備故障診斷的準確性和效率。研究采用包括傳感器數(shù)據(jù)、歷史運行記錄和維護日志在內(nèi)的多種數(shù)據(jù)源。首先，對這些數(shù)據(jù)進行預處理和特征提取。其次，利用MPCA和STM進行特征融合與模式識別。試驗結(jié)果表明，與傳統(tǒng)的基于單一數(shù)據(jù)的故障診斷相比，采用多視角特征融合理念設計的系統(tǒng)在準確率上提升了約15%～20%，并且在響應時間和誤報率方面也具有明顯優(yōu)勢，特別是當面對復雜或未知類型的設備異常時，該系統(tǒng)能夠更快速且精確地定位問題根源。

關(guān)鍵詞：多視角特征；變電站設備；異常狀態(tài)識別；故障診斷

中圖分類號： TH 165 文獻標志碼：A

傳統(tǒng)的故障診斷方法往往依賴單一的監(jiān)測數(shù)據(jù)或特征，這在復雜多變的實際環(huán)境中可能無法提供足夠的準確性和魯棒性，研究者基于此探討如何有效地融合多視角特征，以提高故障診斷的準確性。王進花等[1]研究了一種基于注意力機制的多級特征融合卷積神經(jīng)網(wǎng)絡（A2ML2F-CNN）故障診斷方法，該方法通過多級特征融合顯著提高了風力發(fā)電機軸承的故障診斷準確率。包從望等[2]提出了一種多傳感器信息融合的軸承故障遷移診斷方法，有效解決了單一傳感器在復雜環(huán)境下故障識別率低的問題。陳秋菊等[3]開發(fā)了一種特征融合的電力機械設備過熱故障紅外檢測方法，通過圖像處理技術(shù)提高了過熱故障檢測的魯棒性和效率。程志平等[4]討論了多傳感器融合的機械故障診斷課題。馬衛(wèi)東等[5]分析特征融合在故障診斷中的應用。王展等[6]探討了多尺度加權(quán)融合特征學習模式下的故障診斷問題?；诖?，本文旨在探討基于多視角特征融合的變電站設備故障診斷方法。

1 算法設計

1.1 設計思路

在電力系統(tǒng)持續(xù)發(fā)展的背景下，變電站設備的穩(wěn)定運行對整個電網(wǎng)的安全至關(guān)重要。設備故障診斷在電網(wǎng)等復雜系統(tǒng)中是一個關(guān)鍵且具有挑戰(zhàn)性的任務。為了提高診斷的精準度和效率，本文提出了一種基于多視角特征融合的故障診斷方法。該方法利用擴展的主成分分析（MPCA）算法處理來自不同監(jiān)測通道的數(shù)據(jù)張量，旨在從多個角度提取信息并有效降低數(shù)據(jù)維度。經(jīng)過數(shù)據(jù)預處理和降維后，采用支持張量機（Support Tensor Machine，STM）進行特征分析和分類。STM通過尋找一系列超平面將張量數(shù)據(jù)樣本劃分為2個預定義類別，特別適用于處理高維度的多模態(tài)或跨視圖數(shù)據(jù)集，因為它能夠有效捕捉不同視角下的復雜模式和結(jié)構(gòu)信息。該方法預期能夠綜合考慮多種信號源的信息，以提升故障識別的準確性和精度。

將不同監(jiān)測通道的數(shù)據(jù)表示為張量形式，這有助于保留數(shù)據(jù)中的多維關(guān)系。然后，利用MPCA算法對這些數(shù)據(jù)張量進行處理，以便從各個視角提取關(guān)鍵特征。MPCA的擴展版本有助于更好地處理多維數(shù)據(jù)，提高數(shù)據(jù)表征的有效性，通過STM進行特征分析和分類，利用其能力來處理高維度數(shù)據(jù)并捕捉復雜的結(jié)構(gòu)信息。這種方法的特點是它能夠綜合考慮來自不同視角的信息，從而增強故障診斷的能力。

1.2 多視角特征融合

由于環(huán)境因素的復雜性和電氣設備監(jiān)測指標的多樣性，變電站設備的故障識別與診斷面臨顯著挑戰(zhàn)。這些挑戰(zhàn)不僅源于設備本身的異質(zhì)性，還源于預測活動對時間跨度的敏感性，即不同設備設施之間存在顯著差異。因此，為了提高故障預測的準確性和及時性，必須采用一種能夠綜合利用多源數(shù)據(jù)的方法來進行綜合研判，本文提出了一種基于主成分分析（Principal Component Analysis，PCA）的擴展方法（MPCA），該方法可以融合多視角特征策略來解決這個問題。

假設傳感器所獲得的樣本數(shù)據(jù)如公式（1）所示。

xi∈Ra×b " n=1，2，…，N （1）

式中：x為樣本；xi為任意指定樣本；R為樣本矩陣；a為傳感器數(shù)量；b為傳感器記錄時間跨度的樣本數(shù)量，也即總記錄時長與采樣間隔之比；n為指定樣本序號；N為樣本總量。

基于這一定義，可以設置空間投影關(guān)系，如公式（2）所示。

A1=Ra1×b2 "A2=Ra2×b1 （2）

式中：A1、A2為投影矩陣；a1、a2為視角數(shù)量，應小于a；b1、b2為時間特征采樣點，應小于b。

由此，原有樣本數(shù)據(jù)得以降維投影于低維平面，如公式（3）所示。

yi∈Ra'×b' " n=1，2，…，N （3）

其仍需要經(jīng)過中心化處理，且需要最大化樣本散度，實現(xiàn)特征的提取與融合，這一過程又涉及基于張量數(shù)據(jù)散度水平的迭代優(yōu)化，以實現(xiàn)特征提取的優(yōu)化與故障診斷的識別。

1.3 張量數(shù)據(jù)故障診斷

本文使用STM方法進行分類，其平面結(jié)構(gòu)下的決策優(yōu)化函數(shù)如公式（4）所示。

sgn（（w*·x）+d*） （4）

式中：w*為理想直線的法方向；d*為理想直線的y軸截距。

其引入拉格朗日函數(shù)，如公式（5）所示。

（5）

式中：l為阿格朗日算子。

可以得到公式（6）。

a=（a1，...，a1）∈R+l （6）

其仍需要考慮張量數(shù)據(jù)的權(quán)值矢量，且其約束條件需要考慮張量外積，如公式（7）所示。

（7）

式中：m為模的數(shù)量；ω為權(quán)值矢量；c為懲罰因子；ξ為松弛變量，為正值；n為指定樣本序號。

STM的目標是找到一組權(quán)值矢量ω和偏差項d*，能夠通過以下優(yōu)化問題定義的超平面正確分類這些樣本，以識別異常狀態(tài)，并由此具體定位故障。

2 性能測試

2.1 數(shù)據(jù)獲取

本文通過收集和整理來自實際變電站的數(shù)據(jù)以及運維材料，構(gòu)建了一組用于訓練和預測的樣本集。當處理變電站設備故障數(shù)據(jù)時，需要收集多方面信息，時間序列數(shù)據(jù)涵蓋了故障前后的采樣單位數(shù)據(jù)，包括各種監(jiān)測通道，例如電流、電壓、溫度等。傳感器監(jiān)測中實時采集的信息可以幫助監(jiān)測設備狀態(tài)。

將其整理為xi∈Ra×b " n=1，2，…，N，相應處理過程包括清洗、歸一化等數(shù)據(jù)預處理操作，將來自不同傳感器通道的高維時間序列信息轉(zhuǎn)換為低維空間表示，即yi∈Ra'×b' " n=1，2，…，N，利用STM算法對預處理后的特征進行分類，以發(fā)現(xiàn)并定位異常狀態(tài)。

基于此，相應地進行材料的人工標記，區(qū)分標記不同類型的設備故障，以進行分類學習，使樣本集包括故障樣本與正常運行樣本2個部分，旨在評估系統(tǒng)在不同狀態(tài)下的表現(xiàn)。在處理過程中還需要考慮特征工程參數(shù)和預處理步驟，確保輸入符合STM算法要求，能提取有用特征進行模型訓練，而在降維過程中使用MPCA技術(shù)，則需要設置相應參數(shù)，將高維時間序列轉(zhuǎn)換為低維表示。當應用STM分類器時，需要選擇超參數(shù)和核函數(shù)等設置，確保對特征進行有效分類，以識別異常狀態(tài)并進行預警或采取其他措施。

故障樣本的選擇特別關(guān)注捕捉異常情況下的數(shù)據(jù)特征。具體來說，每個故障樣本包括故障發(fā)生時間點前后各500個采樣單位的時間序列數(shù)據(jù)，共計1000個采樣單位的數(shù)據(jù)長度，采樣單位間隔為6s/輪，使模型能夠從接近故障發(fā)生的時刻開始學習到導致異常的模式變化及其前兆信號。其中，70%作為訓練樣本，30%作為測試樣本，模型訓練完成后需要評估其在檢測異常狀態(tài)方面的有效性，并根據(jù)需要調(diào)整參數(shù)或嘗試其他技術(shù)手段進一步優(yōu)化結(jié)果，通過分析與處理這些關(guān)鍵時刻數(shù)據(jù)，可以更準確地識別潛在的風險因素并及時采取措施，以防止或減輕可能的事故影響。

2.2 異常狀態(tài)識別分析

系統(tǒng)監(jiān)控中，異常狀態(tài)通常是指與正常運行模式顯著不同的行為或性能指標變化。這些變化可能是由設備故障、外部干擾或其他未知因素引起的。因此，能夠快速、準確地識別這些異常是保障系統(tǒng)安全和效率的關(guān)鍵環(huán)節(jié)之一。本文基于此考慮了不同測試條件下的預測準確率，分別對比了不同數(shù)據(jù)長度和數(shù)據(jù)開始位點的影響。

針對不同數(shù)據(jù)長度，其測試結(jié)果如圖1所示。

由圖1可知，性能測試考察了較短數(shù)據(jù)長度的樣本（例如100輪～200輪）在異常狀態(tài)識別中的表現(xiàn)，這些短數(shù)據(jù)的平均準確率約為98.5%。這一高水平的準確性表明，即使在有限的數(shù)據(jù)量下，現(xiàn)有的算法和技術(shù)已經(jīng)能夠較好地捕捉系統(tǒng)的正常與非正常行為模式差異。然而，這種高精度可能部分歸因于短數(shù)據(jù)的特性，即其通常包括較少的信息量和變化點數(shù)目少于更長的序列，從而使模型更容易學習穩(wěn)定的特征表示并做出判斷決策，同時由于其相對簡單的結(jié)構(gòu)特點也降低了過擬合的風險，提高了泛化能力。更長樣本數(shù)據(jù)則使異常狀態(tài)識別準確率提升，例如900輪長度數(shù)據(jù)條件下異常狀態(tài)識別準確性可達到99.5%，相應誤差偏移較低，隨著時間增長而積累起來的信息豐富度和多樣性為提升模型的判別力提供了有利條件，此類較長序列時所得到的測試結(jié)果顯示出了更高的準確率，說明增加觀測窗口大小有助于改善預測性能，長時間跨度內(nèi)的事件關(guān)聯(lián)性和因果鏈條得以充分展現(xiàn)，有利于模型挖掘深層次的模式規(guī)律。但在最大數(shù)據(jù)長度1000輪條件下，異常狀態(tài)識別準確性下降且誤差偏移上升，提示可能的末端噪聲干擾。

針對不同數(shù)據(jù)起始位置，其測試結(jié)果如圖2所示。

由圖2可知，隨著數(shù)據(jù)起始位置逐漸接近故障發(fā)生時刻（500輪處），異常狀態(tài)的識別準確性呈現(xiàn)先上升后下降再回升的非線性變化模式。具體來說，當提前500個采樣單位開始監(jiān)測時（即距離實際事件還有較長時間），模型的預判能力相對較低，正確率不足40%，這可能是由于此時系統(tǒng)仍處于正常運行階段，潛在的問題尚未顯現(xiàn)或者信號微弱不足以被有效捕捉。然而一旦縮短觀測窗口至僅比事件早100輪時，檢測精度躍升至70%以上。這種快速提升表明，臨近問題爆發(fā)，系統(tǒng)內(nèi)部已經(jīng)積累了一些可被察覺的變化跡象，例如參數(shù)波動、性能退化等特征，使算法能夠更敏銳地偵測即將來臨的風險預警信息。進一步來說，恰好在事故發(fā)生的瞬間進行評估，即零延遲情形下，模型展現(xiàn)了極高的辨識力，達到了85%以上的成功率，說明在最直接相關(guān)的時刻提取的數(shù)據(jù)包括最豐富且最具指示意義的信息，有助于做出最精確、及時的判斷決策，支持操作人員采取應對措施，避免損失擴大化。

隨著數(shù)據(jù)起始點錯過故障爆發(fā)時刻，部分關(guān)鍵的前期預警信號和動態(tài)變化信息未能被捕捉到。這些早期跡象對構(gòu)建準確的預測模型至關(guān)重要，它們的缺失可能導致模型對后續(xù)數(shù)據(jù)的解讀能力下降。異常狀態(tài)識別的準確率有所下降，仍保持接近或者超過70%水平。與此同時，一旦故障發(fā)生并得到處理后（例如自動保護機制啟動、人工干預等），系統(tǒng)可能會迅速回歸到一個新的穩(wěn)定狀態(tài)或者開始自我修復過程；此時，原本與問題緊密相關(guān)的變量可能不再表現(xiàn)出顯著的異常特征，從而使基于歷史模式訓練出來的算法難以繼續(xù)有效地檢測潛在風險點。當故障發(fā)生后400輪～500輪時，識別準確率再度上升，其可能來自各種應急措施實施及設備重啟等原因造成的瞬態(tài)波動得到識別。

2.3 故障信息定位分析

故障定位的準確性是確保生產(chǎn)連續(xù)性和設備維護效率的關(guān)鍵因素，具體討論對異常的識別結(jié)果，則其定位能力的預測情況依賴數(shù)據(jù)長度和數(shù)據(jù)開始位置的差異性。其中，基于數(shù)據(jù)長度的故障定位測試結(jié)果如圖3所示。圖3中展示了不同數(shù)據(jù)長度條件下的故障定位誤差情況。結(jié)果顯示，在不同數(shù)據(jù)長度條件下，故障定位誤差并沒有顯著差異；同時，無論數(shù)據(jù)長度如何變化，對應的故障定位準確率均維持在94%左右。這表明即使增加或減少數(shù)據(jù)采集量，改變時間窗口對提高或降低錯誤判斷的概率作用有限，該準確率明顯低于其他相關(guān)技術(shù)，例如異常狀態(tài)檢測所能達到的水平。

依托數(shù)據(jù)開始位置的影響分析如圖4所示。由圖4可知，隨著數(shù)據(jù)收集時間節(jié)點提前，即增加歷史深度，預測精度顯著提高。這表明更多的歷史信息有助于模型捕捉更復雜的系統(tǒng)行為模式和潛在風險因子。然而，預測準確性與數(shù)據(jù)起始位置的直接關(guān)聯(lián)不受故障發(fā)生時刻的影響，無論是在問題爆發(fā)前還是后進行分析都未顯示出明顯差異。相比之下，異常狀態(tài)識別越靠近事件發(fā)生時間窗口內(nèi)獲取的信息價值越大。從理論角度考慮，異常狀態(tài)識別通常依賴對即時數(shù)據(jù)的快速響應，因此故障點前后的數(shù)據(jù)包括最直接的異常信號。然而，對故障定位來說，模型可能需要更多的歷史數(shù)據(jù)來建立設備或系統(tǒng)的正常行為基線。隨著時間推移和數(shù)據(jù)積累，即使是從較晚的時間點開始，模型也能夠更好地理解系統(tǒng)動態(tài)并預測潛在的故障模式。這種信息累積效應導致即使在最晚的數(shù)據(jù)起始位置也能達到較高的預測準確率。

3 結(jié)語

本文針對變電站設備故障診斷的挑戰(zhàn)提出了一種基于多視角特征融合的方法。通過采用擴展的主成分分析（MPCA）算法處理來自不同監(jiān)測通道的數(shù)據(jù)張量，并結(jié)合支持張量機（STM）進行特征分析和分類，該方法有效地提升了故障識別的準確性和效率。試驗結(jié)果表明，即使在有限的數(shù)據(jù)長度下，該系統(tǒng)也能達到約98.5%的異常狀態(tài)識別準確率。隨著數(shù)據(jù)長度增加和觀測窗口擴大以及歷史信息深入利用，系統(tǒng)的預測性能得到顯著提升，特別是在接近故障發(fā)生時刻獲取的信息，對提高異常狀態(tài)識別精度具有重要意義。然而，在最大數(shù)據(jù)長度1000s的條件下，異常狀態(tài)識別準確性有所下降且誤差偏移上升，提示可能存在末端噪聲干擾問題，需要進一步優(yōu)化處理策略，以減少其影響。此外，盡管增加或減少采集的數(shù)據(jù)量對提高或降低錯誤判斷的概率作用有限，準確率維持在94%左右，但更多的歷史信息有助于模型捕捉更復雜的系統(tǒng)行為模式和潛在風險因子，從而實現(xiàn)更準確的故障定位預測能力，不受時間節(jié)點提前與否的影響，具有較強的魯棒性和泛化能力。

參考文獻

[1]王進花，韓金玉，曹潔，等.基于AM和CNN的多級特征融合的風力發(fā)電機軸承故障診斷方法[J].太陽能學報，2024，45（5）：51-61.

[2]包從望，江偉，張彩紅，等.多傳感器信息融合的軸承故障遷移診斷方法[J].機電工程，2024，41（5）：878-885.

[3]陳秋菊，彭天昊，康萬杰，等.特征融合的電力機械設備過熱故障紅外檢測[J].機械設計與制造，2024（4）：337-341.

[4]程志平，王潞紅，歐斌，等.基于CMMFDE與多傳感器信息融合的旋轉(zhuǎn)機械故障診斷研究[J].機電工程，2024，41（5）：807-816.

[5]馬衛(wèi)東，劉子全，姚楠，等.AOA-CEEMDAN和融合特征在齒輪箱故障診斷中的應用[J].機電工程，2024，41（5）：817-826.

[6]王展，魯晨琪，星施宇，等.基于多尺度加權(quán)融合特征學習的轉(zhuǎn)子故障診斷[J].組合機床與自動化加工技術(shù)，2023（11）：154-158.