CN114113918A - 一种故障检测方法及系统 - Google Patents
一种故障检测方法及系统 Download PDFInfo
- Publication number
- CN114113918A CN114113918A CN202111592315.6A CN202111592315A CN114113918A CN 114113918 A CN114113918 A CN 114113918A CN 202111592315 A CN202111592315 A CN 202111592315A CN 114113918 A CN114113918 A CN 114113918A
- Authority
- CN
- China
- Prior art keywords
- fault
- current sensor
- decision function
- processor
- fault diagnosis
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000003745 diagnosis Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims description 72
- 238000012549 training Methods 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 description 9
- 230000007935 neutral effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明提供一种故障检测方法及系统,故障检测系统包括第一电流传感器、第二电流传感器和处理器;第一电流传感器安装于整流器的Y/D桥处,第二电流传感器安装于整流器的直流端侧,第一电流传感器与第二电流传感器分别与处理器连接,获取第一电流传感器和第二电流传感器采集的检测数据;处理器将检测数据作为预先构建的故障诊断模型的输入,基于预先构建的故障诊断模型对检测数据进行处理,输出故障诊断结果;在本方案通过预先构建的故障诊断模型对检测数据进行处理,输出故障诊断结果,从而确定整流器是否发生故障,若发生故障,确定故障是第一类或第二类阀故障,以及确定故障发生位置。通过上述方式能够准确进行故障检测。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种故障检测方法及系统。
背景技术
高压直流输电HVDC是远距离大规模输电及其他特殊应用的有效途径。目前在我国的西电东送以及全国联网方面得到广泛的应用。整流器作为HVDC中进行换流的关键设备,整流器的故障会对电力系统的稳定产生巨大的影响。
在整流器故障中,第一类或第二类阀故障是最普遍也是最严重的故障。目前常通过人工的方式按照规定时间对整流器进行电路检测,一种是测取Y/D桥的交流测电流和直流侧电流,若交流测电流大于直流侧电流则对整流器继进行保护。另一种是测取Y/D桥中交流电流的最大值与直流侧电流的最大值。若交流测电流大于直流侧电流则对整流器继进行保护。通过上述方式进行故障检测,会导致存在检测不准确的问题。
发明内容
有鉴于此,本发明实施例提供一种故障检测方法及系统,以解决现有技术中存在的检测不准确的问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面示出了一种故障检测方法,应用于故障检测系统,所述故障检测系统包括第一电流传感器、第二电流传感器和处理器;所述第一电流传感器安装于整流器的Y/D桥处,所述第二电流传感器安装于整流器的直流端侧,所述第一电流传感器与所述第二电流传感器分别与所述处理器无线连接,所述方法包括:
获取所述第一电流传感器和所述第二电流传感器采集的检测数据,并将所述检测数据传输至所述处理器;
所述处理器将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型由历史时间段内的原始数据集预先构建得到。
可选的,所述故障诊断模型的预先构建过程包括:
获取历史时间段内的原始数据集和对应的历史故障标签;
对原始数据进行预处理,得到规范化的数据集;
将所述数据集划分成训练集和测试集;
对所述训练集进行处理,确定对应的目标目标函数,所述训练集是指规范化的数据集;
利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数,所述初始决策函数是基于优化后的所述目标函数确立的;
基于所述目标决策函数构建故障诊断模型。
可选的,所述利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数,包括:
利用所述测试集对初始决策函数训练测试,得到所述测试集中测试数据对应的故障类别;
统计每一种所述故障类别的数量;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,基于所述测试集重复对初始决策函数训练测试;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,确定当前训练得到的初始决策函数为目标决策函数。
可选的,所述基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,包括:
所述处理器将所述检测数据代入所述预先构建的故障诊断模型中的目标决策函数进行计算,若确定所述决策函数计算得到的值大于零,确定所述整流器存在故障,并输出与所述检测数据对应的故障类别;
所述处理器利用所述预先构建的故障诊断模型基于与所述故障类别对应的标签,确定故障发生位置。
本发明实施例第二方面示出了一种故障检测系统,所述故障检测系统包括第一电流传感器、第二电流传感器和处理器;所述第一电流传感器安装于整流器的Y/D桥处,所述第二电流传感器安装于整流器的直流端侧,所述第一电流传感器与所述第二电流传感器分别与所述处理器无线连接;
所述第一电流传感器和所述第二电流传感器,用于采集的检测数据,并将所述检测数据传输至所述处理器;
所述处理器,用于将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型基于历史时间段内的原始数据集预先构建得到。
可选的,所述基于历史时间段内的原始数据集预先构建得到故障诊断结果的所述处理器,具体用于:获取历史时间段内的原始数据集和对应的历史故障标签;
对原始数据进行预处理,得到规范化的数据集;
将所述数据集划分成训练集和测试集;
对所述训练集进行处理,确定对应的目标函数,所述训练集是指规范化的数据集;
利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数,所述初始决策函数是基于优化后的所述目标函数确立的;
基于所述目标决策函数构建故障诊断模型。
可选的,所述所述利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数的所述处理器,具体用于:
利用所述测试集对初始决策函数训练测试,得到所述测试集中测试数据对应的故障类别;
统计每一种所述故障类别的数量;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,基于所述测试集重复对初始决策函数训练测试;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,确定当前训练得到的初始决策函数为目标决策函数。
可选的,所述基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果的所述处理器,具体用于:
将所述检测数据代入所述预先构建的故障诊断模型中的目标决策函数进行计算,若确定所述决策函数计算得到的值大于零,确定所述整流器存在故障,并输出与所述检测数据对应的故障类别;
利用所述预先构建的故障诊断模型基于与所述故障类别对应的标签,确定故障发生位置。
可选的,还包括:检测仪;
所述检测仪的一端分别与所述第一电流传感器和所述第二电流传感器连接,所述检测仪的另一端与所述处理器连接;
所述检测仪用于检测所述第一电流传感器和所述第二电流传感器是否采集到检测数据;并获取获取所述第一电流传感器和所述第二电流传感器采集的检测数据,并将所述检测数据传输至所述处理器。
基于上述本发明实施例提供的一种故障检测方法及系统,所述故障检测系统包括第一电流传感器、第二电流传感器和处理器;所述第一电流传感器安装于整流器的Y/D桥处,所述第二电流传感器安装于整流器的直流端侧,所述第一电流传感器与所述第二电流传感器与所述处理器无线连接,该方法包括:获取所述第一电流传感器和所述第二电流传感器采集的检测数据,并将所述检测数据传输至所述处理器;所述处理器将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型由历史时间段内的原始数据集预先构建得到;基于与所述检测数据对应的故障标签,确定故障发生位置。在本发明实施例中,通过预先构建的故障诊断模型对检测数据进行处理,输出故障诊断结果,从而确定整流器是否发生故障,若发生故障,故障是第一类或第二类阀故障,以及确定故障发生位置。通过上述方式能够准确进行故障检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例示出的一种故障检测系统的架构示意图;
图2为本发明实施例示出的另一种故障检测系统的架构示意图;
图3为本发明实施例示出的一种故障检测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,目前常通过人工的方式按照规定时间对整流器进行电路检测,一种是测取Y/D桥的交流测电流和直流侧电流,若交流测电流大于直流侧电流则对整流器继进行保护。另一种是测取Y/D桥中交流电流的最大值与直流侧电流的最大值。若交流测电流大于直流侧电流则对整流器继进行保护。通过上述方式进行故障检测,会导致存在检测不准确的问题。
在本发明实施例中,通过预先构建的故障诊断模型对检测数据进行处理,输出故障诊断结果,从而确定整流器是否发生故障,若发生故障,故障是第一类或第二类阀故障,以及确定故障发生位置。通过上述方式能够准确进行故障检测。
参见图1,为本发明实施例示出的一种故障检测系统的架构示意图,该故障检测系统包括:第一电流传感器10、第二电流传感器20和处理器30;所述第一电流传感器10安装于整流器40的Y/D桥处,所述第二电流传感器20安装于整流器40的直流端侧,所述第一电流传感器10与所述第二电流传感器20分别与所述处理器30无线连接。
在具体实现中,所述第一电流传感器10与所述第二电流传感器20分别通过无线传输装置与所述处理器30无线连接。第一电流传感器10安装于整流器40的Y桥处,和/或整流器40的D桥处。
其中,处理器30是指监测中心服务器。
所述第一电流传感器10和所述第二电流传感器20,用于采集的检测数据,并将所述检测数据传输至所述处理器30。
需要说明的是,检测数据为Y/D桥三相交流电流、高压侧和中性线侧直流电流。
在具体实现中,第一电流传感器10采集的Y/D桥三相交流电流;第二电流传感器20采集的高压侧和中性线侧直流电流,第一电流传感器10将自身采集的Y/D桥三相交流电流通过无线传输装置输送给处理器30;第二电流传感器20将自身采集的高压侧和中性线侧直流电流通过无线传输装置输送给处理器30。
所述处理器30,用于将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果。
其中,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型基于历史时间段内的原始数据集预先构建得到。
在具体实现中,处理器30将所述检测数据代入所述预先构建的故障诊断模型中的目标决策函数中进行计算,若确定所述决策函数计算得到的值f(x)大于零,确定所述整流器40存在故障,并输出与所述检测数据对应的故障类别;所述处理器30利用所述预先构建的故障诊断模型基于与所述故障类别对应的标签,确定故障发生位置。
需要说明的是,基于历史时间段内的原始数据集预先构建得到故障诊断模型的过程,具体为:获取历史时间段内的原始数据集和对应的历史故障标签;对原始数据进行预处理,得到规范化的数据集;将所述数据集划分成训练集和测试集;对所述训练集进行处理,确定对应的目标函数;基于所述目标决策函数构建故障诊断模型。
需要说明的是,故障条件包括换流器区内接地故障和换流器区间内非接地故障;接地故障包括单相接地、直流侧高压端接地、直流侧中点接地和直流侧中性端接地;非接地故障包括阀短路故障、变压器阀两相短路和直流侧出口短路故障;利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数。
历史时间段是技术人员根据经验或是多次实验进行设置的,比如可设置为过去1年。
预设比例是根据经验进行设置的,比如可设置为3:2。
故障类别一般为两类,具体为第一类阀故障或第二类阀故障。
可选的,故障类别具体可通过交直流电流产生偏差而引起的第1类阀短路保护或第2类阀短路保护动作情况进行分类,比如Y/D桥三相交流电流产生偏差而引起的故障可为第一类阀故障,高压侧和中性线侧直流电流产生偏差而引起的故障可为第二类阀故障。
在具体实现中,获取历史时间段内原始数据集,以及其对应的历史故障标签;对原始数据进行规范化缩放至[-1,1]可以去掉量纲,使得指标之间具有可比性,得到规范化的数据集;按照预设比例将数据集分为训练集和测试集;支持向量机不仅要让所有训练样本尽可能被正确分类,还要让分类间隔最大化,因此调整标量b的尺度,根据解析几何中点到超平面的距离公式,从而构造出了初始目标函数;将训练集代入初始目标函数的约束条件,通过具体的约束条件对所述初始目标函数进行优化,确定优化后的目标函数。将每一训练样本的w,对应的b,ξ求偏导带入目标函数进行计算,通过不断迭代求解二次优化问题求解α*,α*可为进而得到当目标函数小于预先设定的阈值时,训练停止,并整理求得训练集的拉格朗日乘子向量α*最优解。用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数。利用所述决策函数构建故障诊断模型。
可选的,该故障检测系统还包括:检测仪50,结合图1,如图2所示。
所述检测仪50的一端分别与所述第一电流传感器10和所述第二电流传感器20连接,所述检测仪50的另一端与所述处理器30连接。
在具体实现中,所述检测仪50的一端分别通过无线连接装置与所述第一电流传感器10和所述第二电流传感器20连接,所述检测仪50的另一端通过无线连接装置与所述处理器30连接。
所述检测仪50用于检测所述第一电流传感器10和所述第二电流传感器20是否采集到检测数据;并获取获取所述第一电流传感器10和所述第二电流传感器20采集的检测数据,并将所述检测数据传输至所述处理器30,以便所述处理器30进行处理。
在具体实现中,第一电流传感器10采集的Y/D桥三相交流电流;第二电流传感器20采集的高压侧和中性线侧直流电流,第一电流传感器10将自身采集的Y/D桥三相交流电流通过无线传输装置输送给处理器30;第二电流传感器20将自身采集的高压侧和中性线侧直流电流通过无线传输装置输送给检测仪50;检测仪50再通过无线传输装置将数据发送至远端的处理器30,以便于处理器30进行处理。
在本发明实施例中,获取第一电流传感器和第二电流传感器采集的检测数据,并将检测数据传输至处理器;处理器将检测数据作为预先构建的故障诊断模型的输入,基于预先构建的故障诊断模型对检测数据进行处理,输出故障诊断结果,故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,故障诊断模型由历史时间段内的原始数据集预先构建得到;基于与检测数据对应的故障标签,确定故障发生位置。从而确定整流器是否发生故障,若发生故障,故障是第一类或第二类阀故障,以及确定故障发生位置。通过上述方式能够准确进行故障检测。
基于上述本发明实施例示出故障检测系统,本发明实施例还对应公开了一种故障检测方法的流程示意图,如图3所示,为本发明实施例示出的一种故障检测方法的流程示意图,该方法包括:
步骤S301:获取所述第一电流传感器和所述第二电流传感器采集的检测数据,并将所述检测数据传输至所述处理器。
需要说明的是,检测数据为Y/D桥三相交流电流、高压侧和中性线侧直流电流。
在具体实现步骤S301的过程中,获取第一电流传感器采集的Y/D桥三相交流电流;以及获取第二电流传感器采集的高压侧和中性线侧直流电流。
步骤S302:所述处理器将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果。
在步骤S302中,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型基于历史时间段内的原始数据集预先构建得到。
需要说明的是,基于历史时间段内的原始数据集预先构建得到故障诊断模型的过程,包括以下步骤:
步骤S11:获取历史时间段内的原始数据集和对应的历史故障标签。
在步骤S11中,原始数据集是指不同故障条件下的Y/D桥三相交流电流、高压侧和中性线侧直流电流,对应的不同的故障类别,以及每一数据集所表示的标注取值,即正样本或负样本,其中,正样本用于指示该原始数据集存在故障,负样本用于指示该原始数据集不存在故障。
在具体实现步骤S11的过程中,获取历史时间段内原始数据集,以及其对应的历史故障标签。
需要说明的是,故障条件包括换流器区内接地故障和换流器区间内非接地故障。接地故障包括单相接地、直流侧高压端接地、直流侧中点接地和直流侧中性端接地。非接地故障包括阀短路故障、变压器阀两相短路和直流侧出口短路故障。
历史时间段是技术人员根据经验或是多次实验进行设置的,比如可设置为过去1年。
步骤S12:对原始数据进行预处理,得到规范化的数据集。
在具体实现步骤S12的过程中,对原始数据进行规范化缩放至[-1,1]可以去掉量纲,使得指标之间具有可比性,得到规范化的数据集。
可选的,处理器同时当数据限制到一定区间,运算更为便捷。
步骤S13:将所述数据集划分成训练集和测试集。
在具体实现步骤S13的过程中,按照预设比例将数据集分为训练集和测试集。
需要说明的是,预设比例是根据经验进行设置的,比如可设置为3:2。
步骤S14:对所述训练集进行处理,确定对应的目标函数。
在具体实现步骤S14的过程中,首先,支持向量机不仅要让所有训练样本尽可能被正确分类,还要让分类间隔最大化,因此调整标量b的尺度,根据解析几何中点到超平面的距离公式,从而构造出了初始目标函数,如公式(1)所示。
公式(1):
s.t.1-ξi-yi(WXi+b)≤0
其中,训练集X={X1,X2,…,Xn},其中xi为第i个训练样本,其取值为1,...,n;训练集中每个训练样本xi均满足yi(WX+b)≥1-ξi,其中,yi是第i个训练样本对应的标注取值,+1代表正样本,即有故障,-1代表负样本,即没有故障。W={w1,w2,…,wm}是第一权重向量,b为第一标量,ξ为松弛变量用于处理边缘数据。ξi≥0,C是惩罚系数。
需要说明的是,C的调整可以防止智能诊断模型出现过拟合和欠拟合情况。
然后,将训练集代入初始目标函数的约束条件,即公式(1)中,通过具体的约束条件对所述初始目标函数进行优化,确定优化后的目标函数,即公式(2)所示。
其中,α为拉格朗日乘子向量。
最后,将每一训练样本的w,对应的b,ξ求偏导带入公式(2)进行计算,通过不断迭代求解二次优化问题求解α*,α*可为进而得到当目标函数小于预先设定的阈值时,训练停止,并整理求得训练集的拉格朗日乘子向量α*最优解。
步骤S15:利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数。
在步骤S15中,所述初始决策函数是基于优化后的所述目标函数确立的。
需要说明的是,具体实现步骤S15的过程,包括以下步骤:
步骤S21:利用所述测试集对初始决策函数训练测试,得到所述测试集中测试数据对应的故障类别。
在具体实现步骤S21的过程中,首先,利用公式(3)的决策函数进行测试训练,将该决策函数应用在待测样本,通过决策函数结果的正负分确定是否存在故障,以及对应的故障类别,若决策函数所得到的结果大于0,则判定该测试样本存在故障,且输出对应的故障类别;若决策函数所得到的结果小于0,该测试样本不存在故障;进而确定测试集的每一测试样本的决策函数所得到的结果。
公式(3):
f(x)=sign(w*x+b*)
其中,xi为第i个测试集中的待测样本,其取值为1,...,n;测试集中每个训练样本xi均也满足yi(WX+b)≥1-ξi,其中,yi是第i个训练样本对应的标注取值,+1代表正样本,即有故障,-1代表负样本,即没有故障;α*为训练集训练得到的拉格朗日乘子向量;w*是指计算得到的第二权重向量;b*是指第二标量。
需要说明的是,故障类别一般为两类,具体为第一类阀故障或第二类阀故障。
可选的,故障类别具体可通过交直流电流产生偏差而引起的第1类阀短路保护或第2类阀短路保护动作情况进行分类。
步骤S22:统计每一种所述故障类别的数量。
在具体实现步骤S22的过程中,将测试集的每一测试样本的决策函数所得到的结果中的故障类别的数量进行统计。
步骤S23:判断每一种所述故障类别的数量与所述历史故障标签的数量是否一致,若不一致,则执行步骤S24;若一致,则执行步骤S25。
步骤S24:基于所述测试集重复对初始决策函数训练测试。
在具体实现步骤S24的过程中,若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,重复执行步骤S11至步骤S23,以基于所述测试集重复对初始决策函数训练测试。
步骤S25:若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,确定当前训练得到的初始决策函数为目标决策函数。
在具体实现步骤S25的过程中,若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,确定当前训练得到的第二权重向量w*,第二标量b*构建的决策函数为目标决策函数。
步骤S16:基于所述目标决策函数构建故障诊断模型。
在具体实现步骤S16的过程中,利用所述决策函数构建故障诊断模型。
可选的,建立历史故障标签以及原始数据集对应的历史故障发生位置之间的关联关系;并基于该关联关系优化所述故障诊断模型。
步骤S302的具体内容:将所述检测数据代入所述预先构建的故障诊断模型中的目标决策函数中的f(x)=sign(w*x+b*)进行计算,若确定所述决策函数计算得到的值f(x)大于零,确定所述整流器存在故障,并输出与所述检测数据对应的故障类别;所述处理器利用所述预先构建的故障诊断模型基于与所述故障类别对应的标签,确定故障发生位置。
在本发明实施例中,获取第一电流传感器和第二电流传感器采集的检测数据,并将检测数据传输至处理器;处理器将检测数据作为预先构建的故障诊断模型的输入,基于预先构建的故障诊断模型对检测数据进行处理,输出故障诊断结果,故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,故障诊断模型由历史时间段内的原始数据集预先构建得到;基于与检测数据对应的故障标签,确定故障发生位置。从而确定整流器是否发生故障,若发生故障,故障是第一类或第二类阀故障,以及确定故障发生位置。通过上述方式能够准确进行故障检测。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种故障检测方法,其特征在于,应用于故障检测系统,所述故障检测系统包括第一电流传感器、第二电流传感器和处理器;所述第一电流传感器安装于整流器的Y/D桥处,所述第二电流传感器安装于整流器的直流端侧,所述第一电流传感器与所述第二电流传感器分别与所述处理器无线连接,所述方法包括:
获取所述第一电流传感器和所述第二电流传感器采集的检测数据,并将所述检测数据传输至所述处理器;
所述处理器将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型由历史时间段内的原始数据集预先构建得到。
2.根据权利要求1所述的方法,其特征在于,所述故障诊断模型的预先构建过程包括:
获取历史时间段内的原始数据集和对应的历史故障标签;
对原始数据进行预处理,得到规范化的数据集;
将所述规范化的数据集划分成训练集和测试集;
对所述训练集进行处理,确定对应的目标目标函数;
利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数,所述初始决策函数是基于优化后的所述目标函数确立的;
基于所述目标决策函数构建故障诊断模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数,包括:
利用所述测试集对初始决策函数训练测试,得到所述测试集中测试数据对应的故障类别;
统计每一种所述故障类别的数量;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,基于所述测试集重复对初始决策函数训练测试;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,确定当前训练得到的初始决策函数为目标决策函数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,包括:
所述处理器将所述检测数据代入所述预先构建的故障诊断模型中的目标决策函数进行计算,若确定所述决策函数计算得到的值大于零,确定所述整流器存在故障,并输出与所述检测数据对应的故障类别;
所述处理器利用所述预先构建的故障诊断模型基于与所述故障类别对应的标签,确定故障发生位置。
5.一种故障检测系统,其特征在于,所述故障检测系统包括第一电流传感器、第二电流传感器和处理器;所述第一电流传感器安装于整流器的Y/D桥处,所述第二电流传感器安装于整流器的直流端侧,所述第一电流传感器与所述第二电流传感器分别与所述处理器无线连接;
所述第一电流传感器和所述第二电流传感器,用于采集的检测数据,并将所述检测数据传输至所述处理器;
所述处理器,用于将所述检测数据作为预先构建的故障诊断模型的输入,基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果,所述故障诊断结果包括指示是否发生故障,以及故障类别和故障发送位置,所述故障诊断模型基于历史时间段内的原始数据集预先构建得到。
6.根据权利要求5所述的系统,其特征在于,所述基于历史时间段内的原始数据集预先构建得到故障诊断结果的所述处理器,具体用于:获取历史时间段内的原始数据集和对应的历史故障标签;
对原始数据进行预处理,得到规范化的数据集;
将所述规范化的数据集划分成训练集和测试集;
对所述训练集进行处理,确定对应的目标函数;
利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数,所述初始决策函数是基于优化后的所述目标函数确立的;
基于所述目标决策函数构建故障诊断模型。
7.根据权利要求6所述的系统,其特征在于,所述所述利用所述测试集对初始决策函数训练测试,直至得到的故障类别与所述历史故障标签的数量一致,确定当前训练得到的初始决策函数为目标决策函数的所述处理器,具体用于:
利用所述测试集对初始决策函数训练测试,得到所述测试集中测试数据对应的故障类别;
统计每一种所述故障类别的数量;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,基于所述测试集重复对初始决策函数训练测试;
若确定所述每一种所述故障类别的数量与所述历史故障标签的数量不一致时,确定当前训练得到的初始决策函数为目标决策函数。
8.根据权利要求5所述的系统,其特征在于,所述基于所述预先构建的故障诊断模型对所述检测数据进行处理,输出故障诊断结果的所述处理器,具体用于:
将所述检测数据代入所述预先构建的故障诊断模型中的目标决策函数进行计算,若确定所述决策函数计算得到的值大于零,确定所述整流器存在故障,并输出与所述检测数据对应的故障类别;
利用所述预先构建的故障诊断模型基于与所述故障类别对应的标签,确定故障发生位置。
9.根据权利要求5所述的系统,其特征在于,还包括:检测仪;
所述检测仪的一端分别与所述第一电流传感器和所述第二电流传感器连接,所述检测仪的另一端与所述处理器连接;
所述检测仪用于检测所述第一电流传感器和所述第二电流传感器是否采集到检测数据;并获取获取所述第一电流传感器和所述第二电流传感器采集的检测数据,并将所述检测数据传输至所述处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592315.6A CN114113918A (zh) | 2021-12-23 | 2021-12-23 | 一种故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592315.6A CN114113918A (zh) | 2021-12-23 | 2021-12-23 | 一种故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114113918A true CN114113918A (zh) | 2022-03-01 |
Family
ID=80362565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592315.6A Pending CN114113918A (zh) | 2021-12-23 | 2021-12-23 | 一种故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114113918A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635081A (zh) * | 2015-01-29 | 2015-05-20 | 西北工业大学 | 一种飞机发电机整流器的自适应故障诊断方法 |
CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
CN106817039A (zh) * | 2015-12-01 | 2017-06-09 | 何志杰 | 一种pwm整流器恒频直接功率控制方法 |
CN108931702A (zh) * | 2018-06-05 | 2018-12-04 | 中国大唐集团科学技术研究院有限公司华中分公司 | 一种励磁系统小电流试验异常判别方法 |
CN110458240A (zh) * | 2019-08-16 | 2019-11-15 | 集美大学 | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 |
CN112213570A (zh) * | 2019-07-10 | 2021-01-12 | 株洲中车时代电气股份有限公司 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
CN112366654A (zh) * | 2020-11-02 | 2021-02-12 | 中国船舶重工集团公司第七0四研究所 | 一种面向12相整流发电机的交直流差动保护方法 |
CN112444759A (zh) * | 2020-11-10 | 2021-03-05 | 武汉大学 | 三相三电平整流器功率开关器件开路故障诊断方法及系统 |
CN113054678A (zh) * | 2019-12-26 | 2021-06-29 | 南京南瑞继保电气有限公司 | 特高压直流高端换流器阀区接地故障控制方法及控制装置 |
-
2021
- 2021-12-23 CN CN202111592315.6A patent/CN114113918A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635081A (zh) * | 2015-01-29 | 2015-05-20 | 西北工业大学 | 一种飞机发电机整流器的自适应故障诊断方法 |
CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
CN106817039A (zh) * | 2015-12-01 | 2017-06-09 | 何志杰 | 一种pwm整流器恒频直接功率控制方法 |
CN108931702A (zh) * | 2018-06-05 | 2018-12-04 | 中国大唐集团科学技术研究院有限公司华中分公司 | 一种励磁系统小电流试验异常判别方法 |
CN112213570A (zh) * | 2019-07-10 | 2021-01-12 | 株洲中车时代电气股份有限公司 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
CN110458240A (zh) * | 2019-08-16 | 2019-11-15 | 集美大学 | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 |
CN113054678A (zh) * | 2019-12-26 | 2021-06-29 | 南京南瑞继保电气有限公司 | 特高压直流高端换流器阀区接地故障控制方法及控制装置 |
CN112366654A (zh) * | 2020-11-02 | 2021-02-12 | 中国船舶重工集团公司第七0四研究所 | 一种面向12相整流发电机的交直流差动保护方法 |
CN112444759A (zh) * | 2020-11-10 | 2021-03-05 | 武汉大学 | 三相三电平整流器功率开关器件开路故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bíscaro et al. | Integrated fault location and power-quality analysis in electric power distribution systems | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN107153150A (zh) | 一种配电网过电压故障类型识别方法及装置 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
JP4802129B2 (ja) | 電力品質評価システム | |
CN102798803B (zh) | 配电网线路故障检测方法 | |
CN115115282B (zh) | 一种高电压台区电力系统数据分析方法 | |
CN106841949A (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
EP3029478B1 (en) | Assessment method for a multi-phase power system | |
CN103886518A (zh) | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 | |
CN115936428A (zh) | 增量配电网防外破定值优化系统 | |
CN107064630A (zh) | 一种电力系统频率测量方法及装置 | |
CN105068035B (zh) | 一种电压互感器误差水平动态检测方法及系统 | |
CN110967585B (zh) | 恶性负载的识别方法及装置 | |
EP2278676A1 (en) | Fault direction indicator device and related methods | |
JP6888346B2 (ja) | 部分放電検出装置及び部分放電検出方法 | |
CN105891625A (zh) | 基于能量流的电力系统次同步振荡扰动源辨别方法 | |
CN105699806A (zh) | 一种多源谐波责任划分方法 | |
CN205353339U (zh) | 一种cvt状态在线测试系统 | |
CN114113918A (zh) | 一种故障检测方法及系统 | |
CN113740775A (zh) | 一种电缆护层在线检测方法、装置、设备及储存介质 | |
Abidullah et al. | Real-time power quality disturbances detection and classification system | |
Arias-Guzman et al. | Segmentation and characterization of voltage sags in the analysis of industrial circuits | |
CN111898656B (zh) | 一种量测平衡检测的异常数据辨识方法 | |
CN111257629B (zh) | 一种新能源场站功率特性检测方法、装置和系统 |
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 |