CN115327270A - 基于数据-模型驱动的变压器小样本故障诊断系统 - Google Patents
基于数据-模型驱动的变压器小样本故障诊断系统 Download PDFInfo
- Publication number
- CN115327270A CN115327270A CN202210959792.XA CN202210959792A CN115327270A CN 115327270 A CN115327270 A CN 115327270A CN 202210959792 A CN202210959792 A CN 202210959792A CN 115327270 A CN115327270 A CN 115327270A
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- model
- module
- simulation
- 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 106
- 238000013499 data model Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 92
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000005094 computer simulation Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 29
- 238000004804 winding Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000001931 thermography Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000012774 diagnostic algorithm Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009776 industrial production Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Abstract
本发明公开了一种基于数据‑模型驱动的变压器小样本故障诊断系统，包括：数据采集模块，用于采集、存储变压器的状态监测数据；数字仿真模块，用于构建变压器的数字仿真模型，仿真获取、存储变压器状态数据；数据驱动模块，用于实现数据驱动的故障智能诊断与分析决策；模型驱动模块，用于实现基于数字仿真的高级应用；数据‑模型驱动模块，用于实现数据‑模型驱动的处理和运算；修正处理模块，用于处理外部因素对数据‑模型驱动的诊断结果所造成的影响；用户界面模块，用于将诊断结果和相关信息通过UI界面显示。本发明在提高故障诊断准确率的同时，降低对实际样本数量需求以及仿真建模精度要求，有助于全面改善故障诊断性能，便于工业生产实践。
Description
技术领域
本发明涉及电气设备故障诊断领域，尤其涉及一种基于数据-模型驱动的变压器小样本故障诊断系统。
背景技术
数据驱动的智能故障诊断技术可自动、快速地提取故障深层次特征。然而，变压器故障诊断中普遍存在数据量匮乏、数据利用率低、数据不平衡等问题，难以支撑故障类型辨识和故障定位的复杂诊断需求。样本不足等问题极大的限制了故障诊断能力。此外，数据驱动方法高度依赖数据规模质量，忽略了设备原理、模型与机理，属于黑箱问题，缺乏具体设备的理论支持，可解释性弱，难以优化，更是增大了其工程应用难度。
值得注意的是，在以往的研究中，变压器的机理分析、仿真建模研究一般与诊断研究平行发展，且已经取得了较高的精确度。若能通过两者的优势互补，同时挖掘数据样本、模型理论信息，实现数据与规则的有机融合，将有助于改善故障诊断技术。
因此，如何通过引入仿真模型弥补样本特征不足的问题，针对电力变压器故障诊断中常见的小样本场景，提出数据-模型驱动的故障诊断方法，是目前亟待解决的技术难题。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于数据-模型驱动的变压器小样本故障诊断系统。
本发明解决其技术问题所采用的技术方案是：
为实现上述目的，本发明提供了基于数据-模型驱动的变压器小样本故障诊断系统，包括：
数据采集模块，用于采集、存储变压器状态监测数据；
数字仿真模块，用于构建变压器的数字仿真模型，仿真获取、存储变压器状态数据；
数据驱动模块，用于实现数据驱动的故障智能诊断与分析决策；
模型驱动模块，用于实现基于数字仿真的高级应用，包括诊断网络训练、仿真/实测结果对比分析等；
数据-模型驱动模块，用于实现数据-模型驱动的相关处理和运算，实现比较、融合、迁移等计算，具体包括并行模式(并联模式)、串行模式(串联模式)、嵌入模式(引导模式)、反馈模式等4种结构；
修正处理模块，用于处理外部因素对数据-模型驱动的诊断结果所造成的影响，降低噪声、温度变化、运行时长等干扰，提高不同外部条件下的诊断准确率；
用户界面模块，用于将诊断结果与相关信息通过UI界面显示，提供进一步的人机交互与决策功能。
在一些可选的实施方案中，所述数据采集模块包括：变压器油中温度监测模块、变压器红外/紫外/可见光监测模块、变压器绕组变形监测模块、变压器振动信号监测模块，以及变压器局部放电测量模块；
其中，所述变压器油中温度监测模块，用于获取变压器油中热点温度或其他区域的温度分布情况；所述变压器红外/紫外/可见光监测模块用于获取变压器的红外/紫外热像图或视频监控信号；所述变压器绕组变形监测模块用于监测变压器绕组变形情况，通常采用频率响应测试方式获取信号；所述变压器振动信号监测模块用于监测变压器振动噪声或振动加速度信号；所述变压器局部放电测量模块用于监测变压器局部放电量信息。
在一些可选的实施方案中，所述数字仿真模块利用计算机仿真建模软件、半实物仿真平台等构建变压器的数字仿真模型，进而获取仿真模拟数据。
其中，所述数字仿真模块包括以下组件：变压器油中热点温度反演计算模块、变压器热网络分布三维仿真模块、变压器绕组变形仿真模块、变压器振动仿真模块，以及变压器局部放电机理与传播路径仿真模块；
其中，变压器油中热点温度反演计算模块通过回归分析，构建数据采集模块S1的可监测数据与变压器绕组热流分布间的关联关系；变压器热网络分布三维仿真模块通过构建变压器的三维多物理场有限元模型，仿真获取变压器内部温度场的分布特性；变压器绕组变形仿真模块通过建立相应的变压器绕组电路模型、数学模型与三维有限元模型，实现绕组故障/健康状态的多模态仿真；变压器振动仿真模块根据数据采集模块S1的监测数据与振动机理，构建变压器铁芯振动的电-磁-力多物理场耦合模型，计算变压器的应力分布与位移变化规律；变压器局部放电机理与传播路径仿真模块研究不同放电环境下的局放特征，以及局放传播过程中信号随变压器结构变化的衰减机理，从而获取对应于数据采集模块S1监测信息的局放信号数字仿真结果。
在一些可选的实施方案中，所述数据驱动模块具体用于执行以下操作：
(a)根据数据采集模块中所获取数据的来源，查找相应的历史数据；
(b)对已知数据根据诊断需要设置标签；
(c)针对(b)中的已知数据及其相应标签，利用人工智能数据驱动方法进行迭代训练，学习对应数据特征，在此过程中不断更新人工智能算法的参数，最终拟合已知数据与诊断模型，实现智能诊断算法的训练；
(d)利用(c)中已训练的智能诊断算法，对新采集的未知数据进行故障诊断。
在一些可选的实施方案中，所述模型驱动模块具体用于执行以下操作：
(a)根据获取数据的监测模块来源，查找相应的仿真模型；
(b)根据诊断需要设置标签，并通过仿真模拟获取对应于各个标签的数据；
(c)根据具体目标选择操作，诊断网络训练执行(d)、仿真/实测结果的对比分析执行(e)；
(d)利用(b)中获取的已知数据进行智能诊断算法训练。具体方法为：利用人工智能数据驱动方法进行迭代训练，学习对应数据特征，在此过程中不断更新人工智能算法的参数，最终拟合已知数据与诊断模型；
(e)比较(b)中各标签数据与数据采集模块的新采集未知数据之间的差异，从而实现模型驱动的故障诊断。
在一些可选的实施方案中，所述数据-模型驱动模块包括四种工作模式，包括并行模式(并联模式)、串行模式(串联模式)、嵌入模式(引导模式)、反馈模式。
并行模式(并联模式)以数据驱动与模型驱动的诊断结果为基础，采用比较、融合等综合处理后输出最终结果；
串行模式(串联模式)将模型驱动作为数据驱动模型的输入，实现从模型到数据的迁移，从而提高数据驱动方法的整体性能；
嵌入模式(引导模式)利用模型驱动的机理、数据，辅助构建更加合理的数据驱动模型，从而提高数据驱动方法的整体性能；
反馈模式以诊断输出与设备实际状态间的残差值为模型驱动方法的输入，通过模型修正或替代数据驱动方法的部分参数，进而优化数据驱动方法的性能。
在一些可选的实施方案中，所述数据-模型驱动模块具体用于执行以下操作：
(a)选择数据-模型驱动模块的一种模式，进行智能诊断算法的训练与优化；
(b)针对数据采集模块S1采集得到的未知监测数据，利用(a)实现数据-模型驱动的诊断。
在一些可选的实施方案中，所述修正处理模块用于拟合处理外部因素对数据-模型驱动的诊断结果所造成的影响，降低噪声、温度变化、运行时长等扰动变量的干扰，提高不同外部条件下的诊断性能。
在一些可选的实施方案中，所述用户界面模块用于将诊断结果及其相关信息通过UI界面显示，并提供进一步的人机交互功能与决策选项。
其中，用户界面模块能够提供信息查询、标注、修改以及模型调整功能。对于已经成熟的仿真应用，可以直接构建对应场景的仿真app，工作人员只需在用户界面模块中通过app与人机交互接口对特定设备设置部分关键参数，即可完成特定设备的建模，从而提高模型构建与计算的效率。在此基础上，可进一步完成仿真模拟数据的获取。
本发明产生的有益效果是：本发明针对变压器等电气设备故障诊断中常见的小样本问题，提出了数据-模型驱动的智能故障诊断方法，结合变压器实际监测数据与仿真模拟样本两者的优势，在实现高准确率的故障诊断同时，显著降低了故障诊断对实测样本数量的需求以及对仿真模型的精度要求，便于构建结构化的诊断流程，具有较好的工程应用前景。该研究成果能够迁移至其他多种设备的故障诊断领域，帮助构建能源装备的数字/智能化运维体系，具有较为广阔的工程应用前景。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例提供的基于数据-模型驱动的变压器小样本故障诊断方法与系统的结构框图；
图2是本发明实施例提供的数据-模型驱动模块并行式结构示意图；
图3是本发明实施例提供的数据-模型驱动模块串行式结构示意图；
图4是本发明实施例提供的数据-模型驱动模块嵌入式结构示意图；
图5是本发明实施例提供的数据-模型驱动模块反馈式结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本发明不仅适用于变压器的故障诊断、定位，还可以推广至类似设备的健康管理领域。
本发明提供的基于数据-模型驱动的变压器小样本故障诊断系统，用于综合运用变压器实际监测数据与仿真模拟样本的优势，在实现高准确率的故障诊断同时，显著降低故障诊断对实测样本数量的需求以及对仿真模型的精度要求，具有较好的工程应用前景，便于构建结构化的智能诊断系统。
如图1所示是本发明实施例提供的基于数据-模型驱动的变压器小样本故障诊断系统的结构框图，用于降低在实现变压器等设备的智能化、高准确率健康管理时的数据量需求与模型精度要求。该系统包括以下部分：
数据采集模块S1，用于采集、存储变压器状态监测数据；
数字仿真模块S2，用于构建变压器的数字仿真模型，仿真变压器状态数据；
数据驱动模块S3，用于实现数据驱动的故障智能诊断与分析决策；
模型驱动模块S4，用于实现基于数字仿真的高级应用，包括诊断网络训练、仿真/实测结果对比分析等；
数据-模型驱动模块S5，用于实现数据-模型驱动的相关处理和运算，实现比较、融合、迁移等计算，具体包括并行模式(并联模式)、串行模式(串联模式)、嵌入模式(引导模式)、反馈模式等4种结构；
修正处理模块S6，用于处理外部因素对数据-模型驱动的诊断结果所造成的影响，降低噪声、温度变化、运行时长等干扰，提高不同外部条件下的诊断准确率；
用户界面模块S7，用于将诊断结果与相关信息通过UI界面显示，提供进一步的人机交互与决策功能。
上述各个模块之间彼此配合，各模块之间具体的配合方式与系统处理架构根据数据-模型驱动模块所采用的工作模式确定，如图2～图5所示。
进一步地，数据采集模块S1包括：变压器油中温度监测模块、变压器红外/紫外/可见光监测模块、变压器绕组变形监测模块、变压器振动信号监测模块，以及变压器局部放电测量模块；
其中，所述变压器油中温度监测模块，用于获取变压器油中热点温度或其他区域的温度分布情况；所述变压器红外/紫外/可见光监测模块用于获取变压器的红外/紫外热像图或视频监控信号；所述变压器绕组变形监测模块用于监测变压器绕组变形情况，通常采用频率响应测试方式获取信号；所述变压器振动信号监测模块用于监测变压器振动噪声或振动加速度信号；所述变压器局部放电测量模块用于监测变压器局部放电量信息。
进一步地，数字仿真模块S2利用计算机仿真建模软件、半实物仿真平台等构建变压器的数字仿真模型，进而获取仿真模拟数据。
其中，所述数字仿真模块包括以下组件：变压器油中热点温度反演计算模块、变压器热网络分布三维仿真模块、变压器绕组变形仿真模块、变压器振动仿真模块，以及变压器局部放电机理与传播路径仿真模块；
进一步地，数据驱动模块S3具体用于执行以下操作：
(a)根据数据采集模块中所获取数据的来源，查找相应的历史数据；
(b)对已知数据根据诊断需要设置标签；
((c)针对(b)中的已知数据及其相应标签，利用人工智能数据驱动方法进行迭代训练，学习对应数据特征，在此过程中不断更新人工智能算法的参数，最终拟合已知数据与诊断模型，实现智能诊断算法的训练；
(d)利用(c)中已训练的智能诊断算法，对新采集的未知数据进行故障诊断。
进一步地，模型驱动模块S4具体用于执行以下操作：
(a)根据获取数据的监测模块来源，查找相应的仿真模型；
(b)根据诊断需要设置标签，并通过仿真模拟获取对应于各个标签的数据；
(c)根据具体目标选择操作，诊断网络训练执行(d)、仿真/实测结果的对比分析执行(e)；
(d)利用(b)中获取的已知数据进行智能诊断算法训练。具体方法为：利用人工智能数据驱动方法进行迭代训练，学习对应数据特征，在此过程中不断更新人工智能算法的参数，最终拟合已知数据与诊断模型；
(e)比较(b)中各标签数据与数据采集模块的新采集未知数据之间的差异，从而实现模型驱动的故障诊断。
进一步地，数据-模型驱动模块S5包括4种工作模式，如图2～图5所示，包括并行模式(并联模式)、串行模式(串联模式)、嵌入模式(引导模式)、反馈模式。
并行模式(并联模式)以数据驱动与模型驱动的诊断结果为基础，采用比较、融合等综合处理后输出最终结果，如图2所示；
串行模式(串联模式)将模型驱动作为数据驱动模型的输入，实现从模型到数据的迁移，从而提高数据驱动方法的整体性能，如图3所示；
嵌入模式(引导模式)利用模型驱动的机理、数据，辅助构建更加合理的数据驱动模型，从而提高数据驱动方法的整体性能，如图4所示；
反馈模式以诊断输出与设备实际状态间的残差值为模型驱动方法的输入，通过模型修正或替代数据驱动方法的部分参数，进而优化数据驱动方法的性能，如图5所示。
数据-模型驱动模块S5具体用于执行以下操作：
(a)选择数据-模型驱动模块的一种模式，进行智能诊断算法的训练与优化；
(b)针对数据采集模块S1采集得到的未知监测数据，利用(a)实现数据-模型驱动的诊断。
进一步地，修正处理模块S6用于拟合处理外部因素对数据-模型驱动的诊断结果所造成的影响，降低噪声、温度变化、运行时长等扰动变量的干扰，提高不同外部条件下的诊断性能。
进一步地，用户界面模块S7用于将诊断结果及其相关信息通过UI界面显示，并提供进一步的人机交互功能与决策选项。
用户界面模块能够提供信息查询、标注、修改以及模型调整功能。对于已经成熟的仿真应用，可以直接构建对应场景的仿真app，工作人员只需在用户界面模块中通过app与人机交互接口对特定设备设置部分关键参数，即可完成特定设备的建模，从而提高模型构建与计算的效率。在此基础上，可进一步完成仿真模拟数据的获取。
本发明的一个优选实施例中，基于如图2所示的数据-模型驱动并行式结构，实现变压器红外热像监测的故障智能定位。具体的实施步骤如下：
首先采集待诊断变压器或同型号变压器在不同故障情形下的红外热成像监控视频或照片(历史数据)，并进行初步筛选，提取故障状态下的关键帧图像。对于监控视频，通过对比正常运行情况下的红外热像图，区分设备是否处于故障状态，将差异最大的图像作为关键帧提取出来；对于红外热像图，按照同样的方式提取故障状态样本。最终的到变压器红外热像监测图像数据集，即数据驱动样本集。然后对所有样本根据故障定位需求划分位置标签。此时的诊断目标只需判断故障位置。然后对待定位的变压器进行红外热像拍摄，获取待诊断变压器的红外热像图。
进一步根据待诊断变压器的结构参数与材料特性，建立变压器温度-流体-电磁耦合场的3维/2维有限元仿真模型，通过仿真获取待诊断变压器的温度分布图像。按照与实测数据一致的标签划分方式，通过修改相应位置的仿真模型结构条件或设备参数，仿真模拟获取大量模型驱动的故障温度分布样本。
然后一方面，将数据驱动样本集用于训练诊断网络，掌握变压器红外热成像故障位置分布特征。在此基础上，用已训练网络对待诊断变压器的红外热像图进行故障诊断，实现数据驱动的变压器绕组故障智能定位。
另一方面，将待诊断变压器的红外热像图与模型驱动的故障温度分布样本进行比较分析，根据待诊断数据与模型驱动样本之间的差异，判断变压器红外热成像的故障位置分布特点，从而实现模型驱动的变压器绕组故障智能定位。
最后，以数据驱动与模型驱动的诊断结果为基础，通过融合运算综合处理上述两种智能定位结果，从而输出最终的故障定位结果，即可实现数据-模型驱动并行式结构的变压器红外热像监测故障智能定位。
本发明的第二个优选实施例，基于如图3所示的数据-模型驱动串行式结构，实现变压器绕组故障智能辨识与定位。具体的实施步骤如下：
首先收集变压器绕组不同故障情形下的扫频响应测试数据，包括历史监测数据、相似设备数据、其他变压器的故障数据以及同型号设备的故障测试实验数据等，并根据诊断需求划分标签。如果诊断目标只需判断是否存在故障，则将标签设置为“故障”和“健康”两种；如果需要进行故障类型判断、故障位置定位等，则需要设置多个标签。然后对待诊断变压器进行扫频响应测试，获取待诊断变压器的频率响应曲线。
进一步根据待诊断变压器的结构参数与材料特性，建立3维/2维有限元仿真模型，通过仿真获取待诊断变压器正常状态下的等效电路参数。接下来根据待诊断变压器建立等效电路数学模型，代入计算的参数，按照与实测数据一致的标签划分方式，通过修改相应位置的参数，仿真模拟获取大量模型驱动的样本。
然后将仿真模拟样本的80％用于诊断网络训练，20％用于结果测试验证；实测样本的80％用于训练，其余20％用于测试验证。测试集和训练集的具体比例可根据实际需求设置。具体训练过程如下：根据数据-模型驱动的串行式结构，首先通过公共数据集预训练诊断网络，掌握底层特征；然后利用迁移学习方法，对上述仿真模拟样本的训练集进行初步网络训练，剩余部分用于测试，从而提取、学习待诊断变压器绕组故障的特定特征；在此基础上，利用实测数据集进一步执行精细化训练，提取待诊断变压器绕组故障的精细特征。
最后，用已训练网络对待诊断变压器进行故障诊断，即可实现数据-模型驱动串行式结构的变压器绕组故障智能辨识与定位。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件/方法拆分为更多步骤/部件/方法，也可将两个或多个步骤/部件或者步骤/部件/方法的部分操作组合成新的步骤/部件/方法，以实现本发明的目的。此外，图3、图4的数据-模型驱动方法以数据驱动为主，图5的数据-模型驱动方法以模型驱动为主，可以根据实际情形，将两部分对调，例如将图3中的S1、S2与S3、S4对调，同样可以实现本发明目的。
本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，该系统包括以下模块：
数据采集模块S1，用于采集、存储变压器状态监测数据；
数字仿真模块S2，用于构建变压器的数字仿真模型，仿真获取、存储变压器状态数据；
数据驱动模块S3，用于实现数据驱动的故障智能诊断与分析决策；
模型驱动模块S4，用于实现基于数字仿真的高级应用，包括诊断网络训练、仿真/实测结果对比分析；
数据-模型驱动模块S5，用于实现数据-模型驱动的相关处理和运算，实现比较、融合、迁移计算，具体包括并行模式、串行模式、嵌入模式、反馈模式4种结构；
修正处理模块S6，用于处理外部因素对数据-模型驱动的诊断结果所造成的影响，降低噪声、温度变化、运行时长干扰，提高不同外部条件下的诊断准确率；
用户界面模块S7，用于将诊断结果和相关信息通过UI界面显示，提供进一步的人机交互与决策功能。
2.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述数据采集模块S1包括：变压器油中温度监测模块、变压器红外/紫外/可见光监测模块、变压器绕组变形监测模块、变压器振动信号监测模块，以及变压器局部放电测量模块；
其中，所述变压器油中温度监测模块，用于获取变压器油中热点温度或其他区域的温度分布情况；所述变压器红外/紫外/可见光监测模块用于获取变压器的红外/紫外热像图或视频监控信号；所述变压器绕组变形监测模块用于监测变压器绕组变形情况，采用频率响应测试方式获取信号；所述变压器振动信号监测模块用于监测变压器振动噪声或振动加速度信号；所述变压器局部放电测量模块用于监测变压器局部放电量信息。
3.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述数字仿真模块S2利用计算机仿真建模软件、半实物仿真平台构建变压器的数字仿真模型，进而获取仿真模拟数据。
4.根据权利要求3所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述数字仿真模块S2包括以下组件：变压器油中热点温度反演计算模块、变压器热网络分布三维仿真模块、变压器绕组变形仿真模块、变压器振动仿真模块，以及变压器局部放电机理与传播路径仿真模块；
其中，变压器油中热点温度反演计算模块通过回归分析，构建数据采集模块S1的可监测数据与变压器绕组热流分布间的关联关系；变压器热网络分布三维仿真模块通过构建变压器的三维多物理场有限元模型，仿真获取变压器内部温度场的分布特性；变压器绕组变形仿真模块通过建立相应的变压器绕组电路模型、数学模型与三维有限元模型，实现绕组故障/健康状态的多模态仿真；变压器振动仿真模块根据数据采集模块S1的监测数据与振动机理，构建变压器铁芯振动的电-磁-力多物理场耦合模型，计算变压器的应力分布与位移变化规律；变压器局部放电机理与传播路径仿真模块研究不同放电环境下的局放特征，以及局放传播过程中信号随变压器结构变化的衰减机理，从而获取对应于数据采集模块S1监测信息的局放信号数字仿真结果。
5.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述数据驱动模块S3具体用于执行以下操作：
(a)根据数据采集模块S1中所获取数据的监测模块来源，查找相应的历史数据；
(b)对已知的历史数据根据诊断需要设置标签；
(c)针对(b)中的已知数据及其相应标签，利用人工智能数据驱动方法进行迭代训练，学习对应数据特征，在此过程中不断更新人工智能算法的参数，最终拟合已知数据与诊断模型，实现智能诊断算法的训练；
(d)利用(c)中已训练的智能诊断算法，对新采集的未知数据进行故障诊断。
6.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述模型驱动模块S4具体用于执行以下操作：
(a)根据获取数据的数据采集模块S1的来源，查找相应的仿真模型；
(b)根据诊断需要设置标签，并通过仿真模拟获取对应于各个标签的数据；
(c)根据具体目标选择操作，诊断网络训练执行(d)、仿真/实测结果的对比分析执行(e)；
(d)利用(b)中获取的已知数据进行智能诊断算法训练；具体方法为：利用人工智能数据驱动方法进行迭代训练，学习对应数据特征，在此过程中不断更新人工智能算法的参数，最终拟合已知数据与诊断模型；
(e)比较(b)中各标签数据与数据采集模块S1新采集的未知数据之间的差异，从而实现模型驱动的故障诊断。
7.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述数据-模型驱动模块S5包括四种模式，包括并行模式、串行模式、嵌入模式、反馈模式；
其中，所述并行模式以数据驱动与模型驱动的诊断结果为基础，采用比较、多源融合的综合处理后输出最终结果；串行模式将模型驱动作为数据驱动模型的输入，实现从模型到数据的迁移；嵌入模式利用模型驱动的机理、数据，辅助构建更加合理的数据驱动模型，从而提高数据驱动方法的整体性能；反馈模式以诊断输出与设备实际状态的残差值为模型驱动方法的输入，通过模型修正或替代数据驱动方法的部分参数，进而优化数据驱动性能。
8.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述数据-模型驱动模块S5具体用于执行以下操作：
(a)选择数据-模型驱动模块的一种模式，进行智能诊断算法的训练与优化；
(b)针对数据采集模块S1采集得到的未知监测数据，利用(a)实现数据-模型驱动的诊断。
9.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述修正处理模块S6，用于拟合处理外部因素对数据-模型驱动的诊断结果所造成的影响；具体地，针对变压器设备实际运行环境存在强电磁干扰，仿真模型忽略了此类噪声影响，从而造成一定诊断误差的问题，通过对比实测数据有/无噪声干扰状态的差异，引入噪声信号修正量，在仿真模拟数据上叠加此类噪声信号，从而降低噪声对数据-模型驱动模块的干扰；针对变压器仿真条件与实测环境温度不一致或实际温度发生变化的情形，为了减小模型的计算量引入温度修正函数，直接换算不同温度下的数据；此外引入运行时长变量，拟合由于长时间运行导致的性能下降；从而提高不同外部条件下的诊断性能。
10.根据权利要求1所述的基于数据-模型驱动的变压器小样本故障诊断系统，其特征在于，所述用户界面模块S7，提供信息查询、标注、修改以及模型调整功能；对于已经成熟的仿真应用，直接构建对应场景的仿真app，工作人员在用户界面模块中通过app与人机交互接口对特定设备设置部分关键参数，即可完成特定设备的建模，在此基础上，进一步完成仿真模拟数据的获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210959792.XA CN115327270A (zh) | 2022-08-11 | 2022-08-11 | 基于数据-模型驱动的变压器小样本故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210959792.XA CN115327270A (zh) | 2022-08-11 | 2022-08-11 | 基于数据-模型驱动的变压器小样本故障诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115327270A true CN115327270A (zh) | 2022-11-11 |
Family
ID=83921298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210959792.XA Pending CN115327270A (zh) | 2022-08-11 | 2022-08-11 | 基于数据-模型驱动的变压器小样本故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115327270A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115656747A (zh) * | 2022-12-26 | 2023-01-31 | 南方电网数字电网研究院有限公司 | 基于异构数据的变压器缺陷诊断方法、装置和计算机设备 |
| CN115857360A (zh) * | 2023-02-14 | 2023-03-28 | 青岛海大新星软件咨询有限公司 | 一种工业系统机理建模仿真平台 |
| CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
-
2022
- 2022-08-11 CN CN202210959792.XA patent/CN115327270A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115656747A (zh) * | 2022-12-26 | 2023-01-31 | 南方电网数字电网研究院有限公司 | 基于异构数据的变压器缺陷诊断方法、装置和计算机设备 |
| CN115857360A (zh) * | 2023-02-14 | 2023-03-28 | 青岛海大新星软件咨询有限公司 | 一种工业系统机理建模仿真平台 |
| CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115327270A (zh) | 基于数据-模型驱动的变压器小样本故障诊断系统 | |
| US10789120B2 (en) | Preprocessor and abnormality predictor diagnosis system | |
| CN111639467B (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
| CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
| CN113602526B (zh) | 飞机机电故障预测与健康管理系统的验证测试方法及系统 | |
| CN112327780A (zh) | 一种电子装备测试生产线的数字孪生系统构建方法及架构 | |
| CN101676699B (zh) | 一种多点温度采集方法 | |
| CN101726414A (zh) | 一种航空发动机试车参数测量方法及其系统 | |
| CN111915746B (zh) | 一种基于弱标注的三维点云目标检测方法及标注工具 | |
| CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
| CN102608519B (zh) | 基于节点信息的电路故障诊断方法 | |
| CN115563683A (zh) | 一种基于数字孪生的水利工程自动化安全监测管理系统 | |
| CN115617628A (zh) | 一种数字孪生系统、研发方法、设备和存储介质 | |
| CN114821852B (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统 | |
| CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
| CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
| CN105980839A (zh) | 基于聚合的移动车辆通信参数的道路基础设施监控 | |
| CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
| CN109448615A (zh) | 一种电子纸驱动波形自动调试方法 | |
| CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
| CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
| CN113311715B (zh) | 一种复杂机电设备的故障辨识与溯源方法 | |
| CN114838932A (zh) | 一种rv减速器缓慢时变微弱故障诊断方法 | |
| WO2021111936A1 (ja) | 予測システム、情報処理装置および情報処理プログラム |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Duan Jiajun Inventor after: Wu Xiaoxin Inventor before: He Yigang Inventor before: Duan Jiajun Inventor before: Wu Xiaoxin |
|
| CB03 | Change of inventor or designer information |