CN113689307A - 一种基于关联图网络的供电系统级故障关联增强认知与诊断 - Google Patents
一种基于关联图网络的供电系统级故障关联增强认知与诊断 Download PDFInfo
- Publication number
- CN113689307A CN113689307A CN202110884231.3A CN202110884231A CN113689307A CN 113689307 A CN113689307 A CN 113689307A CN 202110884231 A CN202110884231 A CN 202110884231A CN 113689307 A CN113689307 A CN 113689307A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply system
- fault
- component
- association
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 230000019771 cognition Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000008054 signal transmission Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000004804 winding Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000016507 interphase Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于关联图网络的供电系统级故障关联增强认知与诊断,所述方法包括,传感器收集供电系统运行参数;参数数据预处理;构建供电系统关联图模型;阈值判定算法进行部件监测与告警;Warshall算法故障溯源;深度残差收缩网络算法进行供电系统故障诊断。本发明中构建了供电系统的关联图模型,对供电系统各部件关联关系以及信息传递关系进行结构化表示,实现对故障的增强认知;依据故障阈值判别算法实现对各部件的故障检测,基于关联图模型实现供电系统级多故障点告警情况下的故障点溯源,最后依据深度残差收缩网络针对含噪声数据实现对故障模式的识别,本方法具有抗噪能力强、故障定位准确、诊断效率高等优点。
Description
技术领域
本发明涉及飞机供电系统故障诊断技术领域,特别涉及一种基于关联图网络的供电系统级故障关联增强认知与诊断方法。
背景技术
飞机供电系统作用是向飞机上的所有用电设备提供满足规定技术性能的电能,保证用电设备的正常工作。由于多电飞机供电系统结构耦合性强,多参数、多部件等特征,往往单一故障源的故障发生会导致多个相邻部件发生参数漂移以及故障告警,而这往往会带来故障难以定位,故障源难以识别,以至于无法完成故障诊断的问题,故此,针对供电系统部件的复杂性与关联性,提出一种基于关联图网络的供电系统级故障关联增强认知与诊断方法,一方面针对供电系统对象,构建关联图网络实现供电系统部件故障关联认知的增强,另一方面实现故障快速定位以及高效故障诊断。
发明内容
本发明的目的在于提供一种基于关联图网络的供电系统级故障关联增强认知与诊断方法,实现飞机供电系统级故障关联增强认知与诊断。
本发明所采用的技术方案是,基于一种基于关联图网络的供电系统级故障关联增强认知与诊断方法,具体包括:
利用传感器收集到供电系统各项运行监测参数;
对整理后的各传感器参数数据进行数据预处理;
结合供电系统,构建供电系统关联图网络模型;
依据阈值判定算法对供电系统监测参数进行供电系统部件监测与告警;
结合故障告警信息利用Warshall算法进行故障溯源;
构建深度残差收缩网络模型进行供电系统故障诊断;
优选的,所述信号预处理方法是基于最大最小值的电路信号归一化方法,由于各电信号的参数物理含义不同,数值范围也不尽相同,直接用于模型构建将会受到参数量纲的影响,因此要采用归一化方法去掉参数的量纲。归一化公式如下:
X代表参数值,Xmin、Xmax分别表示参数序列中的最小值和最大值,而Xnom代表归一化后的参数结果。
优选的,所述供电系统层级关联图网络模型构建方法如下:所述图构建方法为有向有权图,有向无权图指的是图模型中的边是有向的和无权的。有向指的是存在一条从顶点i到顶点j的边(i,j),并不一定存在一条从顶点j指向顶点i的边(j,i)。对于有向边(i,j),顶点i称为始点,顶点j称为终点。边是无权的是指网络中的两个节点(i,j)之间存在关联关系则认为其边为1,否则为0,具体到供电系统中,则认为各部件为图模型的节点,从供电系统接收到发动机动力开始到传递至用电负载中,其电流的传播方向认为是各部件之间的边的方向,部件之间的连接关系用来考量部件之间是否存在关系,则构建出的图网络模型可以用邻接矩阵表示:
A=(aij)n×n
其中,n为部件个数,矩阵中aij=1认为部件i到部件j的方向上存在信号传递的关联关系,aij=0认为部件i到部件j的方向上不存在信号传递的关联关系,结合供电系统专家知识与结构信息,可以构建出供电系统关联图网络模型。
优选的,所述部件监测与告警方法是基于阈值判定的部件监测与告警方法,由于供电系统部件之间的强关联性,某一故障源往往会引发多个部件的同时告警,为了进行故障诊断,需要先分析告警部件以便故障溯源。设某部件监测参数为X={x1,x2,…,xn},则由专家级经验以及对象信息得该部件正常状态阈值为:[xmin,xmax],即基于阈值判定的部件监测与告警方法为:当x>xmax或x<xmin时,部件告警,当x∈[xmin,xmax]时,部件正常,待监测部件集合为P={N1,N2,…,Nn},则通过监测参数得到部件的告警集合为P'={M1,M2,…,Mk},其中Mi为监测参数报警部件。
优选的,所述故障溯源方法是Warshall算法,通过上述步骤得到告警部件集合以及关联图网络模型后,通过Warshall算法计算部件可达矩阵,指的是用矩阵形式来描述有向图的各节点之间经过一定长度的通路后可达到的程度,可以用来推理某两个节点之间是否存在通路,进而通过已有的告警部件集合,推理出故障传播路径,进而找到故障源头。可达矩阵形式为:
P=(Pij)n×n
其中pij=1当且仅当顶点vi可达顶点vj;否则pij=0,i=1,2,…,n,j=1,2,…,n
优选的,所述深度残差收缩网络包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层,构造过程如下:
首先构造深度残差收缩网络基本模块,模块中嵌入了一个子网络,用于自动地设置软阈值化所需要的阈值,采用通道间共享阈值的残差收缩模块,首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作;然后对所有特征求绝对值,取其平均值记为特征;在另一条路径中,将特征的绝对值通过全局均值池化之后,输入到一个两层的全连接网络,然后使用Sigmoid函数将输出归一化到0和1之间,获得一个尺度参数,最终的阈值表示为;最后使用Tensorfow中的identify将原始输入特征图与阈值进行相加并返回;构造输入层,接收神经网络模型的外部输入,并将其传递给卷积层,这里的外部输入是前述步骤中监测到的部件参数
构造卷积层,卷积层接收输入层的输出,然后重复卷积操作,获得特征图,然后将特征图传递给深度残差收缩网络基本模块;堆叠深度残差收缩网络基本模块,卷积层输出的特征图经过这些深度残差收缩网络模块处理后传递给批标准化层;构造批标准化层,激活函数ReLu和全局均值化层;构造全连接输出层,接收来自全局均值化层的输出;全连接输出层对应样本数据包含的所有类别,输出值是样本属于每个类别的概率值,取最大输出值对应的类别作为模型预测的样本类别;2)模型训练将计算后的特征数据集分成N份,轮流将其中M个作为训练数据,N-M个作为测试数据,进行模型训练和测试,得出相应的准确率,最后取这所有的准确率的平均值作为对算法精度的估计,最后保存训练好的模型。
最后将实时监测数据输入模型中进行故障诊断,模型输出该监测数据对应的标签值,标签值所对应的故障模式即为实时监测数据对应的故障模式。
深度残差降噪收缩网络的优势在于能够克服高频信号中的噪声数据以及冗余特征的干扰,从而直接提取原始信号中的特征,省去了特征提取与降噪的步骤,具有快速高效的优势。
通过基于关联图网络的供电系统级故障关联增强认知与诊断方法,将供电系统部件结构、信息传递关系通过关联图模型进行结构化表示,通过关联图模型实现对供电系统的故障关联的增强认知;基于阈值判定算法对供电系统监测参数进行供电系统部件监测与告警,并利用关联图模型进行供电系统复杂故障表示的故障溯源,实现故障定位,最后结合深度残差收缩网络算法进行故障源的故障模式识别,从而实现对故障的快速定位与诊断。
本发明的有益效果在于,构建了供电系统的关联图模型,对供电系统各部件关联关系以及信息传递关系进行结构化表示,实现对故障的增强认知;进一步的依据故障阈值判别算法实现对各部件的故障检测,基于关联图模型能够实现供电系统级多故障点告警情况的复杂故障表征情况下的故障点溯源,最后依据深度残差收缩网络针对含噪声数据实现对故障模式的识别,从而实现对供电系统级的快速定位与故障诊断,本方法能够基于供电系统结构知识进行故障快速准确定位,同时依据深度残差收缩网络能够针对原始信号直接诊断,减少了特征提取与降噪工作,并能够实现较高的准确率,因此实现了供电系统级的快速高效的故障诊断。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明实施例中一种基于关联图网络的供电系统级故障关联增强认知与诊断方法的流程图;
图2是本发明实施例中1号发电机设备各参数原始数据;
图3是本发明实施例中对1号发电机设备各参数原始数据进行参数预处理后的结果;
图4是本发明实施例中构建的供电系统关联图模型;
图5是通过阈值判定算法对供电系统监测参数进行供电系统部件监测与告警结果
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不限定于本发明
图1为本发明实施例中一种基于关联图网络的供电系统级故障关联增强认知与诊断方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101:利用传感器收集到供电系统各项运行监测参数;
步骤S102:对整理后的各传感器参数数据进行数据预处理;
所述信号预处理方法是基于最大最小值的电路信号归一化方法,由于各电信号的参数物理含义不同,数值范围也不尽相同,直接用于模型构建将会受到参数量纲的影响,因此要采用归一化方法去掉参数的量纲。归一化公式如下:
X代表参数值,Xmin、Xmax分别表示参数序列中的最小值和最大值,而Xnom代表归一化后的参数结果。
步骤S103:结合供电系统,构建供电系统层级关联图网络模型,实现对供电系统部件关联的增强认知;
所述供电系统层级关联图网络模型构建方法如下:所述图构建方法为有向有权图,有向无权图指的是图模型中的边是有向的和无权的。有向指的是存在一条从顶点i到顶点j的边(i,j),并不一定存在一条从顶点j指向顶点i的边(j,i)。对于有向边(i,j),顶点i称为始点,顶点j称为终点。边是无权的是指网络中的两个节点(i,j)之间存在关联关系则认为其边为1,否则为0,具体到供电系统中,则认为各部件为图模型的节点,从供电系统接收到发动机动力开始到传递至用电负载中,其电流的传播方向认为是各部件之间的边的方向,部件之间的连接关系用来考量部件之间是否存在关系,则构建出的图网络模型可以用邻接矩阵表示:
A=(aij)n×n
其中,n为部件个数,矩阵中aij=1认为部件i到部件j的方向上存在信号传递的关联关系,aij=0认为部件i到部件j的方向上不存在信号传递的关联关系,结合供电系统专家知识与结构信息,可以构建出供电系统关联图网络模型。
步骤S104:依据阈值判定算法对供电系统监测参数进行供电系统部件监测与告警;
所述部件监测与告警方法是基于阈值判定的部件监测与告警方法,由于供电系统部件之间的强关联性,某一故障源往往会引发多个部件的同时告警,为了进行故障诊断,需要先分析告警部件以便故障溯源。设某部件监测参数为X={x1,x2,…,xn},则由专家级经验以及对象信息得该部件正常状态阈值为:[xmin,xmax],即基于阈值判定的部件监测与告警方法为:当x>xmax或x<xmin时,部件告警,当x∈[xmin,xmax]时,部件正常,待监测部件集合为P={N1,N2,…,Nn},则通过监测参数得到部件的告警集合为P'={M1,M2,…,Mk},其中Mi为监测参数报警部件。
步骤S105:利用Warshall算法结合故障告警信息进行故障溯源;
所述故障溯源方法是Warshall算法,通过上述步骤得到告警部件集合以及关联图网络模型后,通过Warshall算法计算部件可达矩阵,指的是用矩阵形式来描述有向图的各节点之间经过一定长度的通路后可达到的程度,可以用来推理某两个节点之间是否存在通路,进而通过已有的告警部件集合,推理出故障传播路径,进而找到故障源头。可达矩阵形式为:
P=(Pij)n×n
其中pij=1当且仅当顶点vi可达顶点vj;否则pij=0,i=1,2,…,n,j=1,2,…,n
步骤S106:构建深度残差收缩网络模型进行供电系统故障诊断;
首先构造深度残差收缩网络基本模块,模块中嵌入了一个子网络,用于自动地设置软阈值化所需要的阈值,采用通道间共享阈值的残差收缩模块,首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作;然后对所有特征求绝对值,取其平均值记为特征;在另一条路径中,将特征的绝对值通过全局均值池化之后,输入到一个两层的全连接网络,然后使用Sigmoid函数将输出归一化到0和1之间,获得一个尺度参数,最终的阈值表示为;最后使用Tensorfow中的identify将原始输入特征图与阈值进行相加并返回;构造输入层,接收神经网络模型的外部输入,并将其传递给卷积层,这里的外部输入是前述步骤中监测到的部件参数
构造卷积层,卷积层接收输入层的输出,然后重复卷积操作,获得特征图,然后将特征图传递给深度残差收缩网络基本模块;堆叠深度残差收缩网络基本模块,卷积层输出的特征图经过这些深度残差收缩网络模块处理后传递给批标准化层;构造批标准化层,激活函数ReLu和全局均值化层;构造全连接输出层,接收来自全局均值化层的输出;全连接输出层对应样本数据包含的所有类别,输出值是样本属于每个类别的概率值,取最大输出值对应的类别作为模型预测的样本类别;2)模型训练将计算后的特征数据集分成N份,轮流将其中M个作为训练数据,N-M个作为测试数据,进行模型训练和测试,得出相应的准确率,最后取这所有的准确率的平均值作为对算法精度的估计,最后保存训练好的模型。
最后将实时监测数据输入模型中进行故障诊断,模型输出该监测数据对应的标签值,标签值所对应的故障模式即为实时监测数据对应的故障模式。
通过基于关联图网络的供电系统级故障关联增强认知与诊断方法,将供电系统部件结构、信息传递关系通过关联图模型进行结构化表示,通过关联图模型实现对供电系统的故障关联的增强认知;基于阈值判定算法对供电系统监测参数进行供电系统部件监测与告警,并利用关联图模型进行供电系统复杂故障表示的故障溯源,实现故障定位,最后结合深度残差收缩网络算法进行故障源的故障模式识别,从而实现对故障的快速定位与诊断。
下面利用具体的案例对本专利进行阐述:
本发明的另一个实施例为采用某型飞机供电系统仿真模型数据。该数据由Simulink仿真获得。模型中飞机供电系统利用四台三相交流发电机供电,四路电机分别连接一路交流负载(以三相电阻替代),四路交流不并联。每一路分别连接270V变压器与28V变压器各一台,同时,1、2路通道直流电源汇流,3、4路通道直流电源汇流,直流电源分别接入两个液压泵负载(高压负载、并联工作),两个电阻(低压负载,并联工作)。仿真模型采样频率为20000,采样时间为3s。
本研究利用该数据集中不同故障模式下的仿真数据,包括正常、主发电机电枢绕组相间短路、主发电机电枢绕组单相开路、励磁机励磁绕组单相开路、励磁机电枢绕组单相开路、励磁机电枢绕组相间短路、旋转整流器单个二极管开路、28V变压整流器阻抗退化、270V变压整流器滤波器电感开路等9种状态。在该数据集中,为了模拟真实使用环境,加入信噪比为5的噪声,生成50组样本。本发明使用前30个样本进行模型的训练,认为是历史监测数据,用后20个样本进行模型的验证以及模型精度的评估,认为是监测数据。
步骤一:利用传感器收集到供电系统各项运行监测参数;
该仿真数据可认为是飞机供电系统传感器收集到的各项运行监测参数,该数据集中,发动机的监测参数有144种,其中1通道发电机各项参数原始数据图如图二所示。
步骤二:对整理后的各传感器参数数据进行数据预处理;
所述信号预处理方法是基于最大最小值的电路信号归一化方法,由于各电信号的参数物理含义不同,数值范围也不尽相同,直接用于模型构建将会受到参数量纲的影响,因此要采用归一化方法去掉参数的量纲。归一化公式如下:
X代表参数值,Xmin、Xmax分别表示参数序列中的最小值和最大值,而Xnom代表归一化后的参数结果。其中1通道发电机各项参数归一化后结果如图三所示。
步骤三:结合供电系统,构建供电系统层级关联图网络模型,实现对供电系统部件关联的增强认知;
所述供电系统层级关联图网络模型构建方法如下:所述图构建方法为有向有权图,有向无权图指的是图模型中的边是有向的和无权的。有向指的是存在一条从顶点i到顶点j的边(i,j),并不一定存在一条从顶点j指向顶点i的边(j,i)。对于有向边(i,j),顶点i称为始点,顶点j称为终点。边是无权的是指网络中的两个节点(i,j)之间存在关联关系则认为其边为1,否则为0,具体到供电系统中,则认为各部件为图模型的节点,从供电系统接收到发动机动力开始到传递至用电负载中,其电流的传播方向认为是各部件之间的边的方向,部件之间的连接关系用来考量部件之间是否存在关系,则构建出的图网络模型可以用邻接矩阵表示:
A=(aij)n×n
其中,n为部件个数,矩阵中aij=1认为部件i到部件j的方向上存在信号传递的关联关系,aij=0认为部件i到部件j的方向上不存在信号传递的关联关系,结合供电系统专家知识与结构信息,可以构建出供电系统关联图网络模型。
构建出的关联图网络模型如图四所示。
步骤四:基于阈值判定算法对供电系统监测参数进行供电系统部件监测与告警;
所述部件监测与告警方法是基于阈值判定的部件监测与告警方法,设某部件监测参数为X={x1,x2,…,xn},则由专家级经验以及对象信息得该部件正常状态阈值为:[xmin,xmax],即基于阈值判定的部件监测与告警方法为:当x>xmax或x<xmin时,部件告警,当x∈[xmin,xmax]时,部件正常,待监测部件集合为P={N1,N2,…,Nn},则通过监测参数得到部件的告警集合为P'={M1,M2,…,Mk},其中Mi为监测参数报警部件。
通过阈值判定算法对供电系统监测参数进行供电系统部件监测与告警结果如图五所示,图中展示了正常、主发电机电枢绕组相间短路、励磁机励磁绕组单相开路三种状态下的告警结果,深色节点为发生故障。
步骤五:结合故障告警信息进行故障溯源;
所述故障溯源方法是Warshall算法,通过上述步骤得到告警部件集合以及关联图网络模型后,通过Warshall算法计算部件可达矩阵,指的是用矩阵形式来描述有向图的各节点之间经过一定长度的通路后可达到的程度,可以用来推理某两个节点之间是否存在通路,进而通过已有的告警部件集合,推理出故障传播路径,进而找到故障源头。即
P=(Pij)n×n
其中pij=1当且仅当顶点vi可达顶点vj;否则pij=0,i=1,2,…,n,j=1,2,…,n,故障溯源结果如表所示:
表一:故障溯源结果
步骤六:构建深度残差收缩网络模型进行供电系统故障诊断
所述深度残差收缩网络包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层,构造过程如下:
首先构造深度残差收缩网络基本模块,模块中嵌入了一个子网络,用于自动地设置软阈值化所需要的阈值,采用通道间共享阈值的残差收缩模块,首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作;然后对所有特征求绝对值,取其平均值记为特征;在另一条路径中,将特征的绝对值通过全局均值池化之后,输入到一个两层的全连接网络,然后使用Sigmoid函数将输出归一化到0和1之间,获得一个尺度参数,最终的阈值表示为;最后使用Tensorfow中的identify将原始输入特征图与阈值进行相加并返回;构造输入层,接收神经网络模型的外部输入,并将其传递给卷积层,这里的外部输入是前述步骤中监测到的部件参数
构造卷积层,卷积层接收输入层的输出,然后重复卷积操作,获得特征图,然后将特征图传递给深度残差收缩网络基本模块;堆叠深度残差收缩网络基本模块,卷积层输出的特征图经过这些深度残差收缩网络模块处理后传递给批标准化层;构造批标准化层,激活函数ReLu和全局均值化层;构造全连接输出层,接收来自全局均值化层的输出;全连接输出层对应样本数据包含的所有类别,输出值是样本属于每个类别的概率值,取最大输出值对应的类别作为模型预测的样本类别;2)模型训练将计算后的特征数据集分成30份,轮流将其中20份作为训练数据,10份作为测试数据,进行模型训练和测试,得出相应的准确率,最后取这30次结果的准确率的平均值作为对算法精度的估计,最后保存训练好的模型。
最后将实时监测数据的20组样本输入模型中进行故障诊断,模型输出该监测数据对应的标签值,标签值所对应的故障模式即为实时监测数据对应的故障模式。准确率计算方法为:设样本总数为N,样本诊断正确的个数为M,则准确率为:
经验证,该模型的诊断准确率为98.89%,具有较高的准确率。
综上所述,本发明提出了一种关联图网络的供电系统级故障关联增强认知与诊断方法,基于供电系统结构以及数据分析,构建了供电系统的关联图模型,对供电系统各部件关联关系以及信息传递关系进行结构化表示,实现对故障的增强认知;进一步的依据故障阈值判别算法实现对各部件的故障检测,基于关联图模型能够实现供电系统级多故障点告警情况的复杂故障表征情况下的故障点溯源,最后依据深度残差收缩网络针对含噪声数据实现对故障模式的识别,从而实现对供电系统级的快速定位与故障诊断。本方法能够基于供电系统结构知识进行故障快速准确定位,同时依据深度残差收缩网络能够针对原始信号直接诊断,减少了特征提取与降噪工作,并能够实现较高的准确率,实现了供电系统级的快速高效的故障诊断。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (6)
1.一种基于关联图网络的供电系统级故障关联增强认知与诊断,其特征在于:
利用传感器收集到供电系统各项运行监测参数;对整理后的各传感器参数数据进行数据预处理;结合供电系统,构建供电系统关联图网络模型;依据阈值判定算法对供电系统监测参数进行供电系统部件监测与告警;结合故障告警信息利用Warshall算法进行故障溯源;依据深度残差收缩网络算法进行供电系统故障诊断。
3.根据权利要求1所述的方法,结合供电系统,构建供电系统关联图网络模型,其特征在于:
所述供电系统层级关联图网络模型构建方法如下:所述图构建方法为有向有权图,有向无权图指的是图模型中的边是有向的和无权的。有向指的是存在一条从顶点i到顶点j的边(i,j),并不一定存在一条从顶点j指向顶点i的边(j,i)。对于有向边(i,j),顶点i称为始点,顶点j称为终点。边是无权的是指网络中的两个节点(i,j)之间存在关联关系则认为其边为1,否则为0,具体到供电系统中,则认为各部件为图模型的节点,从供电系统接收到发动机动力开始到传递至用电负载中,其电流的传播方向认为是各部件之间的边的方向,部件之间的连接关系用来考量部件之间是否存在关系,则构建出的图网络模型可以用邻接矩阵表示:
A=(aij)n×n
其中,n为部件个数,矩阵中aij=1认为部件i到部件j的方向上存在信号传递的关联关系,aij=0认为部件i到部件j的方向上不存在信号传递的关联关系,结合供电系统专家知识与结构信息,可以构建出供电系统关联图网络模型。
4.根据权利要求1所述的方法,依据阈值判定算法对供电系统监测参数进行供电系统部件监测与告警,其特征在于,
所述部件监测与告警方法是基于阈值判定的部件监测与告警方法,由于供电系统部件之间的强关联性,某一故障源往往会引发多个部件的同时告警,为了进行故障诊断,需要先分析告警部件以便故障溯源。设某部件监测参数为X={x1,x2,…,xn},则由专家级经验以及对象信息得该部件正常状态阈值为:[xmin,xmax],即基于阈值判定的部件监测与告警方法为:当x>xmax或x<xmin时,部件告警,当x∈[xmin,xmax]时,部件正常,待监测部件集合为P={N1,N2,…,Nn},则通过监测参数得到部件的告警集合为P'={M1,M2,…,Mk},其中Mi为监测参数报警部件。
5.根据权利要求1中的方法,结合故障告警信息利用Warshall算法进行故障溯源;其特征在于,
所述故障溯源方法是Warshall算法,通过上述步骤得到告警部件集合以及关联图网络模型后,通过Warshall算法计算部件可达矩阵,指的是用矩阵形式来描述有向图的各节点之间经过一定长度的通路后可达到的程度,可以用来推理某两个节点之间是否存在通路,进而通过已有的告警部件集合,推理出故障传播路径,进而找到故障源头。可达矩阵形式为:
P=(Pij)n×n
其中pij=1当且仅当顶点vi可达顶点vj;否则pij=0,i=1,2,…,n,j=1,2,…,n 。
6.根据权利要求1中的方法,构建深度残差收缩网络模型进行供电系统故障诊断;其特征在于,
首先构造深度残差收缩网络基本模块,模块中嵌入了一个子网络,用于自动地设置软阈值化所需要的阈值,采用通道间共享阈值的残差收缩模块,首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作;然后对所有特征求绝对值,取其平均值记为特征;在另一条路径中,将特征的绝对值通过全局均值池化之后,输入到一个两层的全连接网络,然后使用Sigmoid函数将输出归一化到0和1之间,获得一个尺度参数,最终的阈值表示为;最后使用Tensorfow中的identify将原始输入特征图与阈值进行相加并返回;构造输入层,接收神经网络模型的外部输入,并将其传递给卷积层,这里的外部输入是前述步骤中监测到的部件参数
构造卷积层,卷积层接收输入层的输出,然后重复卷积操作,获得特征图,然后将特征图传递给深度残差收缩网络基本模块;堆叠深度残差收缩网络基本模块,卷积层输出的特征图经过这些深度残差收缩网络模块处理后传递给批标准化层;构造批标准化层,激活函数ReLu和全局均值化层;构造全连接输出层,接收来自全局均值化层的输出;全连接输出层对应样本数据包含的所有类别,输出值是样本属于每个类别的概率值,取最大输出值对应的类别作为模型预测的样本类别;2)模型训练将计算后的特征数据集分成N份,轮流将其中M个作为训练数据,N-M个作为测试数据,进行模型训练和测试,得出相应的准确率,最后取这所有的准确率的平均值作为对算法精度的估计,最后保存训练好的模型。
本方法能够基于供电系统结构知识进行故障快速准确定位,同时依据深度残差收缩网络能够针对原始信号直接诊断,减少了特征提取与降噪工作,并能够实现较高的准确率,实现了供电系统级的快速高效的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110884231.3A CN113689307A (zh) | 2021-08-03 | 2021-08-03 | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110884231.3A CN113689307A (zh) | 2021-08-03 | 2021-08-03 | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689307A true CN113689307A (zh) | 2021-11-23 |
Family
ID=78578581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110884231.3A Pending CN113689307A (zh) | 2021-08-03 | 2021-08-03 | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689307A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706371A (zh) * | 2022-04-13 | 2022-07-05 | 中国第一汽车股份有限公司 | 整车网络不休眠诊断方法、装置、电子设备及存储介质 |
CN116300837A (zh) * | 2023-05-25 | 2023-06-23 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444035A (zh) * | 2020-03-26 | 2020-07-24 | 西京学院 | 基于故障传播网络的复杂电子系统故障诊断方法 |
CN112132052A (zh) * | 2020-09-24 | 2020-12-25 | 三峡大学 | 基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法 |
CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
-
2021
- 2021-08-03 CN CN202110884231.3A patent/CN113689307A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444035A (zh) * | 2020-03-26 | 2020-07-24 | 西京学院 | 基于故障传播网络的复杂电子系统故障诊断方法 |
CN112132052A (zh) * | 2020-09-24 | 2020-12-25 | 三峡大学 | 基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法 |
CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
MINGHAN ZHANG: "Deep Residual Shrinkage Neteorks for Fault Diagnosis", 《TRANSACTIONS INDUSTRIAL INFORMATICS》, vol. 16, no. 7, pages 2 - 4 * |
宋东;周建民;王彦文;: "基于模型的飞机燃油系统故障诊断系统的设计与实现", 测控技术, vol. 30, no. 04, pages 43 - 46 * |
宗镇彦: "变频空调电控板故障自动诊断系统设计", 中国优秀硕士论文全文库, no. 6, pages 27 - 53 * |
马存宝;周方旺;周建民;黄爱军;: "基于有向序图模型的飞机燃油系统故障诊断的系统设计与实现", 测控技术, vol. 30, no. 11, pages 110 - 113 * |
马杰;张龙飞;彭俏;胡鹏飞;: "基于分层符号有向图的二回路系统故障诊断", 兵器装备工程学报, vol. 41, no. 08, pages 176 - 181 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706371A (zh) * | 2022-04-13 | 2022-07-05 | 中国第一汽车股份有限公司 | 整车网络不休眠诊断方法、装置、电子设备及存储介质 |
CN116300837A (zh) * | 2023-05-25 | 2023-06-23 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
CN116300837B (zh) * | 2023-05-25 | 2023-08-18 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689307A (zh) | 一种基于关联图网络的供电系统级故障关联增强认知与诊断 | |
CN103838229B (zh) | 电动汽车诊断方法和诊断装置 | |
CN112051481A (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN115825635B (zh) | 一种船舶机舱机电设备状态监测及故障诊断方法 | |
Charfi et al. | Fault diagnostic in power system using wavelet transforms and neural networks | |
CN110672976B (zh) | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 | |
CN108732464A (zh) | 海底观测网海缆故障在线诊断和定位方法 | |
CN113139335A (zh) | 一种基于bp神经网络的轨道电路故障智能诊断方法 | |
Lucas et al. | A Novel Approach Applied to Transient Short-Circuit Diagnosis in TIMs by Piezoelectric Sensors, PCA, and Wavelet Transform. | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN113109666A (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 | |
CN111461058A (zh) | 一种电力电子变换器故障的诊断方法和诊断系统 | |
CN112149731A (zh) | 基于id3算法的电力系统故障分类方法及系统 | |
Morsalin et al. | Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm | |
Abed et al. | Fault diagnosis of brushless DC motor for an aircraft actuator using a neural wavelet network | |
Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
CN101710161A (zh) | 基于自适应频率方波电压的转子接地在线监测装置及方法 | |
CN115906350A (zh) | 一种微电网故障定位和诊断方法 | |
CN114089181B (zh) | 基于XG-Boost的MMC开关管开路故障检测方法 | |
CN110031735A (zh) | 基于高频脉冲电压的带电电缆绝缘状态诊断方法、系统及介质 | |
CN114841553A (zh) | 发电机旋转整流器故障诊断方法、系统、设备及存储介质 | |
CN114760194A (zh) | 一种物联网设备的故障研判方法 | |
CN114462568A (zh) | 一种融合多类型传感器的环网柜故障诊断方法 | |
CN110135021B (zh) | 基于多源信号和rbf神经网络的atru系统故障分级诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |