CN115184768A - 一种输配电智能终端故障诊断与可靠性评估方法 - Google Patents

一种输配电智能终端故障诊断与可靠性评估方法 Download PDF

Info

Publication number
CN115184768A
CN115184768A CN202210703523.7A CN202210703523A CN115184768A CN 115184768 A CN115184768 A CN 115184768A CN 202210703523 A CN202210703523 A CN 202210703523A CN 115184768 A CN115184768 A CN 115184768A
Authority
CN
China
Prior art keywords
fault
data
signal
circuit
intelligent terminal
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
Application number
CN202210703523.7A
Other languages
English (en)
Inventor
陈钦柱
赵小勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Hainan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Hainan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Hainan Power Grid Co Ltd filed Critical Electric Power Research Institute of Hainan Power Grid Co Ltd
Priority to CN202210703523.7A priority Critical patent/CN115184768A/zh
Publication of CN115184768A publication Critical patent/CN115184768A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • 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)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提供一种输配电智能终端故障诊断与可靠性评估方法，采集智能终端的供电数据、通信数据、终端数据以及环境数据进行实时监测，对采集的数据进行转换，并构成智能终端监测数据包；将智能终端监测数据包中的检测信息与智能终端标准参数信息进行关联匹配，并获得关联匹配结果；根据关联匹配结果获得故障信息测量数据集，对故障信息测量数据集进行数据信号测量，并通过小波变换方法得到故障特征匹配值；根据故障特征匹配值建立故障诊断模型，根据故障诊断模型获得故障特征量；训练故障分类神经网络；利用训练完成的故障分类神经网络对故障特征量进行诊断以及分类识别；相比于传统的模式识别方法，检测精度以及故障诊断效率较高。

Description

一种输配电智能终端故障诊断与可靠性评估方法
技术领域
本发明涉及故障诊断技术领域，特别涉及一种输配电智能终端故障诊断与可靠性评估方法。
背景技术
在基于输配电智能终端故障诊断的技术应用中，智能终端的工作状态受到温度、局放等多种因素的影响，同时智能终端的分布位置比较分散，导致智能终端的状态信息无法及时获取。
目前，智能终端在故障诊断技术中，常用的电路故障诊断方法有信号检测方法、模式识别方法、专家系统方法、神经网络方法等，采用模式识别方法判断智能终端电路的工况状态时，通过检测信号的统计特征值，分析智能终端电路的工作状态，判断智能终端运行状态和成因，但通用的电路故障诊断方法存在检测精度不高，电路元件之间相互耦合，导致电路故障具有多层性，不利于智能终端故障的诊断准确性。
发明内容
鉴于此，本发明提出一种输配电智能终端故障诊断与可靠性评估方法，提高智能终端电路故障检测的准确度。
本发明的技术方案是这样实现的：
一种输配电智能终端故障诊断与可靠性评估方法，包括以下步骤：
步骤S1、采集智能终端的供电数据、通信数据、终端数据以及环境数据进行实时监测，对采集的数据进行转换，并构成智能终端监测数据包；
步骤S2、将智能终端监测数据包中的检测信息与智能终端标准参数信息进行关联匹配，并获得关联匹配结果；
步骤S3、根据关联匹配结果获得故障信息测量数据集，对故障信息测量数据集进行数据信号测量，并通过小波变换方法得到故障特征匹配值；
步骤S4、根据故障特征匹配值建立故障诊断模型，根据故障诊断模型获得故障特征量；
步骤S5、训练故障分类神经网络；
步骤S6、利用训练完成的故障分类神经网络对故障特征量进行诊断以及分类识别。
优选的，所述步骤S1对采集的数据通过AD转换的方式转换成数字信号。
优选的，所述步骤S3的具体步骤：
步骤S31、假设模拟电路的冲激响应特征向量为hi(t)，采用光电式转速传感器采集智能终端数据信号得到输出电路的测谱信息为npi(t)，且电路的主控振荡输出信号表示为：
ppi(t)＝p(t)*hi(t)+npi(t)
式中，p(t)为故障信息测量数据集，hi(t)表示p(t)在时频域内时间冲击响应函数；
步骤S32、模拟电路故障信号具有非稳态性，电路控制输入到主门电路的基准信号表示为：
Sri(t)＝S(t)*h′i(t)+nsi(t)
式中，nsi(t)为输出电路的测谱数据，S(t)为t时刻电路控制输入到主门电路的信号，h′i(t)为S(t)在分频电路主振荡器中产生的分频信号，由此可得：
r′i＝Sri(t)*pri(-t)＝S(t)*p(-t)*h′i(t)*hi(-t)+n1i
n1i(t)＝S(t)*h′i(t)*npi(-t)+nsi(t)*p(-t)*hi(-t)+nsi(t)*npi(-t)
式中，r′i表示变化后的电压测量信号，pri(-t)表示为时频域结束时的主控振荡输出信号，npi(t)为敏感元件输出的高频振荡信号，n1i(t)表示一个时基信号周期总的高频振荡信号；
且故障的基信号来自于主控电路，在一个时基信号周期结束时，信号输出矩形脉冲为：
Figure BDA0003705284170000031
M表示故障信号的终止值；
将模拟电路故障信号的时域和频域结合，直流放大器输入端记录的电路输出振荡信息检测结果为：
Figure BDA0003705284170000032
式中，
Figure BDA0003705284170000035
与p(t)*p(-t)近似于δ(t)；
步骤S33、采用小波变换分析方法，以脉冲周期和时间延迟为特征量，获取s0，τ0最大似然估计值
Figure BDA0003705284170000033
的检测结果为：
Figure BDA0003705284170000034
式中，a＝1/s,b＝τ，λ1为检测门限，r(t)为电压平衡测量信号，f表示为特征尺度参数、s代表采样的电路输出信号、τ表示采样时间、Wf表示对应特征尺度参数f的故障信号、r(a,b)表示为故障特征的输出项、H1表示最高限值、H0表示最低限值；
构造反应电路故障特征的检测统计量，采用小波变换分析方法，输出电信号的尺度与平移得到故障特征匹配值为：
Figure BDA0003705284170000041
式中，λ2为第二判决门限。
优选的，所述步骤S4的具体步骤为：
步骤S41、根据故障特征匹配值，构建双曲调频母小波函数：
Figure BDA0003705284170000042
式中，T为故障发生的选定时间片段，
Figure BDA0003705284170000043
fi为第i个故障信号的基准频率，B为小波频宽；
将单个复杂的模拟电路故障信号分解成高频小波信号，模拟电路故障信号x(t)的小波特征分解过程为：
Figure BDA0003705284170000044
式中，τ为时间窗函数，f为特征尺度参数，t为故障发生时间；
步骤S42、输出的高频小波信号经过整形电路整形后输出电信号，通过记录器记录该信号，故障的差值信号描述为：
SPEC(t,f)＝|STFT(t,f)|2
对故障输出信号进行局部放大，在接收机中对电路控制输入端的极值点特征尺度进行基信号配准，标准方波信号Xθ(t)的宽带模型为：
Figure BDA0003705284170000051
电路被测信号的基准频率为f0，a0为信号处理基准速率；
通过双曲调频小波分解，得到电路输出故障信号的时间尺度二维特征值为：
Figure BDA0003705284170000052
φH(t)φa H表位为变化后的小波函数
Figure BDA0003705284170000054
中最高时间尺度；
步骤S43、根据故障信号IMF分量的g(t)回波信息与f(t)相似性得知，通过选定时间片断T，对接收的电压平衡测量信号r(t)和小波函数
Figure BDA0003705284170000055
进行离散脉冲采样，输出为：
r＝[r(0),r(1),...,r(N-1)]T
由特征提取结果得到电路故障诊断模型：
Figure BDA0003705284170000056
式中，λ为最大似然估计门限，maxa,τ|Wfr(a,r)|为特征输出项。
优选的，所述步骤S5的具体步骤为：
步骤S51、取三层BP神经网络作为学习网络，结构为2×3×1结构，分别为输入层、隐含层和输出层，其中输入层输入电路的小波时间尺度二维特征，隐含层包含三个神经元，分别为比例元、积分元和微分元，进行故障特征的训练，输出层输出故障类别，在任意时刻t，对BP神经网络输入层第j个神经元，其输入电路故障特征信息netj等于隐含层的连接权重输出量x1,x2,...,xn，分别乘上权重值w1j,w2j,...,wnj后的总和，即电路故障诊断的神经网络分类器输入层信息参量为：
Figure BDA0003705284170000061
神经元状态uj输入新的训练向量，用输入向量x(t)和netj进行卷积和量化加权，进行电路的故障判别和自适应训练，即：
uj(k+1)＝g(netj-θj,uj(k))
式中，θj为最小距离的节点神经元对电路故障的判别阈值，且计算中均设阈值为0；
步骤S52、调整邻域内的码矢，使得神经网络分类器输出xj，满足电路故障判断的统计特性，即：
xj(k)＝f(uj(t))
采用Sigmoid函数作为训练函数，具体为：
f(x)＝1/(1+e-x)
在无监督学习模式下，隐含层对小波故障特征长时间训练学习后，在任意采样时刻k，训练输出：
neti(k)＝ri(k),i＝1,2
电路故障特征分类器输入层神经元的状态为：
ui(k)＝neti(k),i＝1,2
输入层神经元的输出为：
Figure BDA0003705284170000062
故障诊断的平均误差函数能够达到极小值，将其作为约束代价函数，输出故障诊断的分类：
Figure BDA0003705284170000071
式中，wij为故障诊断分类器输入层至隐含层的连接权重值，“′”为神经网络结构隐含层变量标记。
优选的，所述步骤S6的具体步骤为：
步骤S61、选择一个输入向量模式，确定故障特征，初始化神经网络分类器，若故障特征数据集为m，令Aj(L)作为分类器的训练向量，其中j＝1,2,...,k，并计算训练向量模式，确定故障类别的个数范围；
步骤S62、在电路故障类别库中选择K个实例，初始化故障信号F(xi,Aj(L)),i＝1,2,...,m,j＝1,2,...,k，设计最大似然估计器进行统计特征判别。
步骤S63、使用小波变换进行特征提取，如满足：
D(xiAj(L))＝min{D(xi,Aj(L))}
且xi∈ωk，引入故障判别函数，得到统计平均值：
Figure BDA0003705284170000072
Figure BDA0003705284170000074
表示第i个故障信号在j类训练向量的数据集；
步骤S64、执行选择算子，进行神经网络分类和检测统计量分析，若||C(l)-C(l-1)||＜ξ，ξ表示随机变量，则中止程序，否则返回步骤S63，令l＝l+1，确定新的故障类别函数为：
Figure BDA0003705284170000073
执行自适应加权，在神经网络分类器中实现故障识别。
优选的，所述方法应用在故障诊断系统中，所述故障诊断系统包括智能终端数据监测单元、数据转换模块、数据储存单元以及故障分析单元，所述智能终端数据监测单元、数据转换模块、数据储存单元以及故障分析单元依次数据连接，所述故障分析单元包括依次数据连接的故障匹配模块、故障诊断模型建立模块、故障分类模块以及故障识别评估模块，所述数据储存单元与故障匹配模块数据连接。
优选的，所述智能终端数据监测单元包括供电数据监测模块、通信数据监测模块、终端数据监测模块以及环境数据监测模块，所述数据转换模块分别与供电数据监测模块、通信数据监测模块、终端数据监测模块以及环境数据监测模块数据连接。
优选的，所述数据储存单元包括标准参数匹配模块以及数据云存储模块，所述数据转换模块与标准参数匹配模块数据连接，所述标准参数匹配模块、数据云储存模块以及故障匹配模块依次数据连接。
与现有技术相比，本发明的有益效果是：
本发明提供了一种输配电智能终端故障诊断与可靠性评估方法，通过采集智能终端的多种数据，并进行监测，将监测的数据构成监测数据包后，进行关联匹配，然后对关联匹配结果进行处理，并通过小波变换方法得到故障特征匹配值，建立故障诊断模型，最后通过训练完成的神经网络进行故障诊断以及分类识别，可以提高检测的精度，提高故障诊断效率以及准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种输配电智能终端故障诊断与可靠性评估方法的流程图；
图2为本发明的一种输配电智能终端故障诊断与可靠性评估方法所应用的故障诊断系统的原理图。
具体实施方式
为了更好理解本发明技术内容，下面提供一具体实施例，并结合附图对本发明做进一步的说明。
参见图1至图2，本发明提供的一种输配电智能终端故障诊断与可靠性评估方法，包括以下步骤：
步骤S1、采集智能终端的供电数据、通信数据、终端数据以及环境数据进行实时监测，对采集的数据进行转换，并构成智能终端监测数据包；
优选的，所述步骤S1对采集的数据通过AD转换的方式转换成数字信号，若采集的数据本身就是数字信号时则直接获取，无需进行AD转换。
步骤S2、将智能终端监测数据包中的检测信息与智能终端标准参数信息进行关联匹配，并获得关联匹配结果，关联匹配结果Q＝[q1、q2、...、qn]。
步骤S3、根据关联匹配结果获得故障信息测量数据集，对故障信息测量数据集进行数据信号测量，并通过小波变换方法得到故障特征匹配值；
具体步骤：
步骤S31、假设模拟电路的冲激响应特征向量为hi(t)，采用光电式转速传感器采集智能终端数据信号得到输出电路的测谱信息为npi(t)，且电路的主控振荡输出信号表示为：
ppi(t)＝p(t)*hi(t)+npi(t)
式中，p(t)为故障信息测量数据集，hi(t)表示p(t)在时频域内时间冲击响应函数；
步骤S32、模拟电路故障信号具有非稳态性，电路控制输入到主门电路的基准信号表示为：
Sri(t)＝S(t)*h′i(t)+nsi(t)
式中，nsi(t)为输出电路的测谱数据，S(t)为t时刻电路控制输入到主门电路的信号，h′i(t)为S(t)在分频电路主振荡器中产生的分频信号，由此可得：
r′i＝Sri(t)*pri(-t)＝S(t)*p(-t)*h′i(t)*hi(-t)+n1i
n1i(t)＝S(t)*h′i(t)*npi(-t)+nsi(t)*p(-t)*hi(-t)+nsi(t)*npi(-t)
式中，r′i表示变化后的电压测量信号，pri(-t)表示为时频域结束时的主控振荡输出信号，npi(t)为敏感元件输出的高频振荡信号，n1i(t)表示一个时基信号周期总的高频振荡信号；
且故障的基信号来自于主控电路，在一个时基信号周期结束时，信号输出矩形脉冲为：
Figure BDA0003705284170000101
M表示故障信号的终止值；
将模拟电路故障信号的时域和频域结合，直流放大器输入端记录的电路输出振荡信息检测结果为：
Figure BDA0003705284170000111
式中，
Figure BDA0003705284170000112
与p(t)*p(-t)近似于δ(t)；
步骤S33、在计数测量的同时，电路受到复零脉冲信号的影响，通过高频振荡特征分解，挖掘更多的特征，进行电路输出信号的时间间隔采样中，s0,τ0为未知状态，采用小波变换分析方法，以脉冲周期和时间延迟为特征量，获取s0，τ0最大似然估计值
Figure BDA0003705284170000113
的检测结果为：
Figure BDA0003705284170000114
式中，a＝1/s,b＝τ，λ1为检测门限，r(t)为电压平衡测量信号，f表示为特征尺度参数、s代表采样的电路输出信号、τ表示采样时间、Wf表示对应特征尺度参数f的故障信号、r(a,b)表示为故障特征的输出项、H1表示最高限值、H0表示最低限值；
构造反应电路故障特征的检测统计量，采用小波变换分析方法，输出电信号的尺度与平移得到故障特征匹配值为：
Figure BDA0003705284170000115
式中，λ2为第二判决门限。
对输出的电路鉴频脉冲信号进行EMD分解，使提取的电路故障特征反应故障信号幅值在整个频率段上的变化。
步骤S4、根据故障特征匹配值建立故障诊断模型，根据故障诊断模型获得故障特征量；
具体步骤为：
步骤S41、根据故障特征匹配值，构建双曲调频母小波函数：
Figure BDA0003705284170000121
式中，T为故障发生的选定时间片段，
Figure BDA0003705284170000122
fi为第i个故障信号的基准频率，B为小波频宽；
将单个复杂的模拟电路故障信号分解成高频小波信号，模拟电路故障信号x(t)的小波特征分解过程为：
Figure BDA0003705284170000123
式中，τ为时间窗函数，f为特征尺度参数，t为故障发生时间；
步骤S42、输出的高频小波信号经过整形电路整形后输出电信号，通过记录器记录该信号，故障的差值信号描述为：
SPEC(t,f)＝|STFT(t,f)|2
对故障输出信号进行局部放大，在接收机中对电路控制输入端的极值点特征尺度进行基信号配准，标准方波信号Xθ(t)的宽带模型为：
Figure BDA0003705284170000124
电路被测信号的基准频率为f0，a0为信号处理基准速率；
通过双曲调频小波分解，得到电路输出故障信号的时间尺度二维特征值为：
Figure BDA0003705284170000125
φH(t)φa H表位为变化后的小波函数
Figure BDA0003705284170000126
中最高时间尺度；
步骤S43、根据故障信号IMF分量的g(t)回波信息与f(t)相似性得知，通过选定时间片断T，对接收的电压平衡测量信号r(t)和小波函数
Figure BDA0003705284170000133
进行离散脉冲采样，输出为：
r＝[r(0),r(1),...,r(N-1)]T
由特征提取结果得到电路故障诊断模型：
Figure BDA0003705284170000131
式中，λ为最大似然估计门限，maxa,τ|Wfr(a,r)|为特征输出项。
步骤S5、训练故障分类神经网络；
具体步骤为：
步骤S51、取三层BP神经网络作为学习网络，结构为2×3×1结构，分别为输入层、隐含层和输出层，其中输入层输入电路的小波时间尺度二维特征，隐含层包含三个神经元，分别为比例元、积分元和微分元，进行故障特征的训练，输出层输出故障类别，在任意时刻t，对BP神经网络输入层第j个神经元，其输入电路故障特征信息netj等于隐含层的连接权重输出量x1,x2,...,xn，分别乘上权重值w1j,w2j,...,wnj后的总和，即电路故障诊断的神经网络分类器输入层信息参量为：
Figure BDA0003705284170000132
神经元状态uj输入新的训练向量，用输入向量x(t)和netj进行卷积和量化加权，进行电路的故障判别和自适应训练，即：
uj(k+1)＝g(netj-θj,uj(k))
式中，θj为最小距离的节点神经元对电路故障的判别阈值，且计算中均设阈值为0；
步骤S52、调整邻域内的码矢，使得神经网络分类器输出xj，满足电路故障判断的统计特性，即：
xj(k)＝f(uj(t))
采用Sigmoid函数作为训练函数，具体为：
f(x)＝1/(1+e-x)
在无监督学习模式下，隐含层对小波故障特征长时间训练学习后，在任意采样时刻k，训练输出：
neti(k)＝ri(k),i＝1,2
电路故障特征分类器输入层神经元的状态为：
ui(k)＝neti(k),i＝1,2
输入层神经元的输出为：
Figure BDA0003705284170000141
故障诊断的平均误差函数能够达到极小值，将其作为约束代价函数，输出故障诊断的分类：
Figure BDA0003705284170000142
式中，wij为故障诊断分类器输入层至隐含层的连接权重值，“′”为神经网络结构隐含层变量标记。
步骤S6、利用训练完成的故障分类神经网络对故障特征量进行诊断以及分类识别。
具体步骤为：
步骤S61、选择一个输入向量模式，确定故障特征，初始化神经网络分类器，若故障特征数据集为m，令Aj(L)作为分类器的训练向量，其中j＝1,2,...,k，并计算训练向量模式，确定故障类别的个数范围；
步骤S62、在电路故障类别库中选择K个实例，初始化故障信号F(xi,Aj(L)),i＝1,2,...,m,j＝1,2,...,k，设计最大似然估计器进行统计特征判别。
步骤S63、使用小波变换进行特征提取，如满足：
D(xiAj(L))＝min{D(xi,Aj(L))}
且xi∈ωk，引入故障判别函数，得到统计平均值：
Figure BDA0003705284170000151
Figure BDA0003705284170000153
表示第i个故障信号在j类训练向量的数据集；
步骤S64、执行选择算子，进行神经网络分类和检测统计量分析，若||C(l)-C(l-1)||＜ξ，ξ表示随机变量，则中止程序，否则返回步骤S63，令l＝l+1，确定新的故障类别函数为：
Figure BDA0003705284170000152
执行自适应加权，在神经网络分类器中实现故障识别。
优选的，所述方法应用在故障诊断系统中，所述故障诊断系统包括智能终端数据监测单元、数据转换模块、数据储存单元以及故障分析单元，所述智能终端数据监测单元、数据转换模块、数据储存单元以及故障分析单元依次数据连接，所述故障分析单元包括依次数据连接的故障匹配模块、故障诊断模型建立模块、故障分类模块以及故障识别评估模块，所述数据储存单元与故障匹配模块数据连接。
智能终端数据监测单元用于采集智能终端的多项数据，采集的数据通过数据转换模块进行AD转换，AD转换后的数据会储存在数据储存单元中，故障分析单元可以读取数据储存单元中的数据进行故障诊断，在进行故障诊断时，由故障匹配模块先根据关联匹配结果计算得到故障信息测量数据集，然后进行数据信号测量，并通过小波变换方法得到故障特征匹配值，然后由故障诊断模型建立模块建立故障诊断模型，并获得故障特征量，故障分类模块用于构建并训练故障分类神经网络，神经网络训练完成后，由故障识别评估模块依据神经网络进行故障诊断以及分类识别。
优选的，所述智能终端数据监测单元包括供电数据监测模块、通信数据监测模块、终端数据监测模块以及环境数据监测模块，所述数据转换模块分别与供电数据监测模块、通信数据监测模块、终端数据监测模块以及环境数据监测模块数据连接。
供电数据监测模块用于监测智能终端的供电数据及充电数据，具体包括智能终端的蓄电池充/放电信息、蓄电池剩余电量及使用信息。
通信数据监测模块用于监测智能终端在线工时信息a1、信号强弱信息a2、SIM卡流量信息a3、最后一次上线信息a4。
终端数据监测模块用于监测智能终端内部元件的温湿度信息b1、元件功率信息b2、电流电压信息b3。
环境数据监测模块用于监测智能终端外界环境信息，且包括智能终端外壳静电数据信息c1、外界温湿度数据信息c2及风力数据信息c3。
优选的，所述数据储存单元包括标准参数匹配模块以及数据云存储模块，所述数据转换模块与标准参数匹配模块数据连接，所述标准参数匹配模块、数据云储存模块以及故障匹配模块依次数据连接。
标准参数匹配模块用于将录入的智能终端标准参数信息与智能终端监测数据包中监测信息进行关联匹配。
数据云储存模块用于将智能终端标准参数信息、智能终端监测数据包中监测信息、标准参数匹配模块的数据集与智能终端监测数据包的数据集的匹配信息进行储存，并且生成数据日志报告。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，包括以下步骤：
步骤S1、采集智能终端的供电数据、通信数据、终端数据以及环境数据进行实时监测，对采集的数据进行转换，并构成智能终端监测数据包；
步骤S2、将智能终端监测数据包中的检测信息与智能终端标准参数信息进行关联匹配，并获得关联匹配结果；
步骤S3、根据关联匹配结果获得故障信息测量数据集，对故障信息测量数据集进行数据信号测量，并通过小波变换方法得到故障特征匹配值；
步骤S4、根据故障特征匹配值建立故障诊断模型，根据故障诊断模型获得故障特征量；
步骤S5、训练故障分类神经网络；
步骤S6、利用训练完成的故障分类神经网络对故障特征量进行诊断以及分类识别。
2.根据权利要求1所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述步骤S1对采集的数据通过AD转换的方式转换成数字信号。
3.根据权利要求1所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述步骤S3的具体步骤：
步骤S31、假设模拟电路的冲激响应特征向量为hi(t)，采用光电式转速传感器采集智能终端数据信号得到输出电路的测谱信息为npi(t)，且电路的主控振荡输出信号表示为：
ppi(t)＝p(t)*hi(t)+npi(t)
式中，p(t)为故障信息测量数据集，hi(t)表示p(t)在时频域内时间冲击响应函数；
步骤S32、模拟电路故障信号具有非稳态性，电路控制输入到主门电路的基准信号表示为：
Sri(t)＝S(t)*hi′(t)+nsi(t)
式中，nsi(t)为输出电路的测谱数据，S(t)为t时刻电路控制输入到主门电路的信号，h′i(t)为S(t)在分频电路主振荡器中产生的分频信号，由此可得：
ri′＝Sri(t)*pri(-t)＝S(t)*p(-t)*h′i(t)*hi(-t)+n1i
n1i(t)＝S(t)*h′i(t)*npi(-t)+nsi(t)*p(-t)*hi(-t)+nsi(t)*npi(-t)
式中，ri′表示变化后的电压测量信号，pri(-t)表示为时频域结束时的主控振荡输出信号，npi(t)为敏感元件输出的高频振荡信号，n1i(t)表示一个时基信号周期总的高频振荡信号；
且故障的基信号来自于主控电路，在一个时基信号周期结束时，信号输出矩形脉冲为：
Figure FDA0003705284160000021
M表示故障信号的终止值；
将模拟电路故障信号的时域和频域结合，直流放大器输入端记录的电路输出振荡信息检测结果为：
Figure FDA0003705284160000022
式中，
Figure FDA0003705284160000023
近似于δ(t)；
步骤S33、采用小波变换分析方法，以脉冲周期和时间延迟为特征量，获取s0，τ0最大似然估计值
Figure FDA0003705284160000024
的检测结果为：
Figure FDA0003705284160000031
式中，a＝1/s,b＝τ，λ1为检测门限，r(t)为电压平衡测量信号，f表示为特征尺度参数、s代表采样的电路输出信号、τ表示采样时间、Wf表示对应特征尺度参数f的故障信号、r(a,b)表示为故障特征的输出项、H1表示最高限值、H0表示最低限值；
构造反应电路故障特征的检测统计量，采用小波变换分析方法，输出电信号的尺度与平移得到故障特征匹配值为：
Figure FDA0003705284160000032
式中，λ2为第二判决门限。
4.根据权利要求1所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述步骤S4的具体步骤为：
步骤S41、根据故障特征匹配值，构建双曲调频母小波函数：
Figure FDA0003705284160000033
式中，T为故障发生的选定时间片段，
Figure FDA0003705284160000034
fi为第i个故障信号的基准频率，B为小波频宽；
将单个复杂的模拟电路故障信号分解成高频小波信号，模拟电路故障信号x(t)的小波特征分解过程为：
Figure FDA0003705284160000035
式中，τ为时间窗函数，f为特征尺度参数，t为故障发生时间；
步骤S42、输出的高频小波信号经过整形电路整形后输出电信号，通过记录器记录该信号，故障的差值信号描述为：
SPEC(t,f)＝|STFT(t,f)|2
对故障输出信号进行局部放大，在接收机中对电路控制输入端的极值点特征尺度进行基信号配准，标准方波信号Xθ(t)的宽带模型为：
Figure FDA0003705284160000041
电路被测信号的基准频率为f0，a0为信号处理基准速率；
通过双曲调频小波分解，得到电路输出故障信号的时间尺度二维特征值为：
Figure FDA0003705284160000042
φH(t)φa H表位为变化后的小波函数
Figure FDA0003705284160000043
中最高时间尺度；
步骤S43、根据故障信号IMF分量的g(t)回波信息与f(t)相似性得知，通过选定时间片断T，对接收的电压平衡测量信号r(t)和小波函数
Figure FDA0003705284160000044
进行离散脉冲采样，输出为：
r＝[r(0),r(1),...,r(N-1)]T
由特征提取结果得到电路故障诊断模型：
Figure FDA0003705284160000045
式中，λ为最大似然估计门限，maxa,τ|Wfr(a,r)|为特征输出项。
5.根据权利要求1所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述步骤S5的具体步骤为：
步骤S51、取三层BP神经网络作为学习网络，结构为2×3×1结构，分别为输入层、隐含层和输出层，其中输入层输入电路的小波时间尺度二维特征，隐含层包含三个神经元，分别为比例元、积分元和微分元，进行故障特征的训练，输出层输出故障类别，在任意时刻t，对BP神经网络输入层第j个神经元，其输入电路故障特征信息netj等于隐含层的连接权重输出量x1,x2,...,xn，分别乘上权重值w1j,w2j,...,wnj后的总和，即电路故障诊断的神经网络分类器输入层信息参量为：
Figure FDA0003705284160000051
神经元状态uj输入新的训练向量，用输入向量x(t)和netj进行卷积和量化加权，进行电路的故障判别和自适应训练，即：
uj(k+1)＝g(netj-θj,uj(k))
式中，θj为最小距离的节点神经元对电路故障的判别阈值，且计算中均设阈值为0；
步骤S52、调整邻域内的码矢，使得神经网络分类器输出xj，满足电路故障判断的统计特性，即：
xj(k)＝f(uj(t))
采用Sigmoid函数作为训练函数，具体为：
f(x)＝1/(1+e-x)
在无监督学习模式下，隐含层对小波故障特征长时间训练学习后，在任意采样时刻k，训练输出：
neti(k)＝ri(k),i＝1,2
电路故障特征分类器输入层神经元的状态为：
ui(k)＝neti(k),i＝1,2
输入层神经元的输出为：
Figure FDA0003705284160000061
故障诊断的平均误差函数能够达到极小值，将其作为约束代价函数，输出故障诊断的分类：
Figure FDA0003705284160000062
式中，wij为故障诊断分类器输入层至隐含层的连接权重值，“′”为神经网络结构隐含层变量标记。
6.根据权利要求1所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述步骤S6的具体步骤为：
步骤S61、选择一个输入向量模式，确定故障特征，初始化神经网络分类器，若故障特征数据集为m，令Aj(L)作为分类器的训练向量，其中j＝1,2,...,k，并计算训练向量模式，确定故障类别的个数范围；
步骤S62、在电路故障类别库中选择K个实例，初始化故障信号F(xi,Aj(L)),i＝1,2,...,m,j＝1,2,...,k，设计最大似然估计器进行统计特征判别。
步骤S63、使用小波变换进行特征提取，如满足：
D(xiAj(L))＝min{D(xi,Aj(L))}
且xi∈ωk，引入故障判别函数，得到统计平均值：
Figure FDA0003705284160000063
Figure FDA0003705284160000071
表示第i个故障信号在j类训练向量的数据集；
步骤S64、执行选择算子，进行神经网络分类和检测统计量分析，若||C(l)-C(l-1)||＜ξ，ξ表示随机变量，则中止程序，否则返回步骤S63，令l＝l+1，确定新的故障类别函数为：
Figure FDA0003705284160000072
执行自适应加权，在神经网络分类器中实现故障识别。
7.根据权利要求1所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述方法应用在故障诊断系统中，所述故障诊断系统包括智能终端数据监测单元、数据转换模块、数据储存单元以及故障分析单元，所述智能终端数据监测单元、数据转换模块、数据储存单元以及故障分析单元依次数据连接，所述故障分析单元包括依次数据连接的故障匹配模块、故障诊断模型建立模块、故障分类模块以及故障识别评估模块，所述数据储存单元与故障匹配模块数据连接。
8.根据权利要求7所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述智能终端数据监测单元包括供电数据监测模块、通信数据监测模块、终端数据监测模块以及环境数据监测模块，所述数据转换模块分别与供电数据监测模块、通信数据监测模块、终端数据监测模块以及环境数据监测模块数据连接。
9.根据权利要求7所述的一种输配电智能终端故障诊断与可靠性评估方法，其特征在于，所述数据储存单元包括标准参数匹配模块以及数据云存储模块，所述数据转换模块与标准参数匹配模块数据连接，所述标准参数匹配模块、数据云储存模块以及故障匹配模块依次数据连接。
CN202210703523.7A 2022-06-21 2022-06-21 一种输配电智能终端故障诊断与可靠性评估方法 Pending CN115184768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210703523.7A CN115184768A (zh) 2022-06-21 2022-06-21 一种输配电智能终端故障诊断与可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210703523.7A CN115184768A (zh) 2022-06-21 2022-06-21 一种输配电智能终端故障诊断与可靠性评估方法

Publications (1)

Publication Number Publication Date
CN115184768A true CN115184768A (zh) 2022-10-14

Family

ID=83516031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210703523.7A Pending CN115184768A (zh) 2022-06-21 2022-06-21 一种输配电智能终端故障诊断与可靠性评估方法

Country Status (1)

Country Link
CN (1) CN115184768A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865617A (zh) * 2022-11-17 2023-03-28 广州鲁邦通智能科技有限公司 一种vpn远程诊断及维护系统
CN117169639A (zh) * 2023-11-02 2023-12-05 启东市航新实用技术研究所 一种电源适配器生产用产品检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865617A (zh) * 2022-11-17 2023-03-28 广州鲁邦通智能科技有限公司 一种vpn远程诊断及维护系统
CN115865617B (zh) * 2022-11-17 2023-10-03 广州鲁邦通智能科技有限公司 一种vpn远程诊断及维护系统
CN117169639A (zh) * 2023-11-02 2023-12-05 启东市航新实用技术研究所 一种电源适配器生产用产品检测方法及系统
CN117169639B (zh) * 2023-11-02 2023-12-29 启东市航新实用技术研究所 一种电源适配器生产用产品检测方法及系统

Similar Documents

Publication Publication Date Title
CN115184768A (zh) 一种输配电智能终端故障诊断与可靠性评估方法
CN108629380B (zh) 一种基于迁移学习的跨场景无线信号感知方法
CN108924736B (zh) 一种基于PCA-Kalman的无源室内人员状态检测方法
CN110502806B (zh) 一种基于lstm网络的无线频谱占用度预测方法
CN110632572A (zh) 基于无意调相特性的雷达辐射源个体识别方法及装置
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN112435142B (zh) 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN112787736B (zh) 一种基于协方差矩阵的长短期记忆协作频谱感知方法
CN111860446A (zh) 一种卫星遥测时序数据未知模式的检测系统与方法
CN111551888A (zh) 一种改进型AdaBoost算法的电能表计量数据故障分析方法
CN109871805B (zh) 一种电磁信号开集识别方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN111307452A (zh) 一种时变转速下旋转机械智能故障诊断方法
CN111461187A (zh) 一种建筑物沉降智能检测系统
CN116609440B (zh) 基于云边协同的建筑工程质量智能验收管理方法及系统
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN115438708A (zh) 一种基于卷积神经网络和多模态融合的分类识别方法
CN111598167A (zh) 基于图学习的小样本图像识别方法及系统
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN111859241B (zh) 一种基于声传递函数学习的非监督声源定向方法
Chang et al. Similarity metric-based metalearning network combining prior metatraining strategy for intelligent fault detection under small samples prerequisite
CN110908365A (zh) 一种无人机传感器故障诊断方法、系统及可读存储介质
CN115456013A (zh) 基于运行数据的风电机组变流器功率模块故障诊断方法
CN115062764A (zh) 光照度智能调节与环境参数物联网大数据系统

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