CN115684792A - 一种基于人工智能的电气自动化设备检测系统 - Google Patents
一种基于人工智能的电气自动化设备检测系统 Download PDFInfo
- Publication number
- CN115684792A CN115684792A CN202211338182.4A CN202211338182A CN115684792A CN 115684792 A CN115684792 A CN 115684792A CN 202211338182 A CN202211338182 A CN 202211338182A CN 115684792 A CN115684792 A CN 115684792A
- Authority
- CN
- China
- Prior art keywords
- module
- fault
- automation equipment
- electric automation
- equipment
- 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.)
- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 32
- 108090000623 proteins and genes Proteins 0.000 claims description 30
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 3
- 101150067055 minC gene Proteins 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 1
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000007711 solidification Methods 0.000 claims 1
- 230000008023 solidification Effects 0.000 claims 1
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 230000008439 repair process Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009401 outcrossing Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电气自动化设备技术领域,公开了一种基于人工智能的电气自动化设备检测系统,其特征在于,包括:启动模块、参数配置模块、电流检测模块、电压检测模块、中央控制模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块、报警模块,云分析模块;本发明实现了快速构建配电自动化模型的效果,减少电气设备故障诊断的误差;提前发现可能出现的故障问题,便于及时修理,延长了电气自动化设备的使用寿命;发出警报信号使操作人员能在第一时间排除故障,从而避免发生更为严重的电路故障;且报警器不需人为操作,一旦发生故障自动报警,设备更加安全可靠,最大限度排除了安全隐患。
Description
技术领域
本发明属于电气自动化设备技术领域,尤其涉及一种基于人工智能的电气自动化设备检测系统
背景技术
目前,电气自动化已经成为高新技术产业的重要组成部分,广泛应用于工业、农业、国防等领域,在国民经济中发挥着越来越重要的作用。其触角伸向各行各业,小到一个开关的设计,大到宇航飞机的研究,都有它的身影。自动化是专门从事智能自动控制、数字化、网络化控制器及传感器的研发、生产、销售的高科技公司,其众多的功能模块、完善的嵌入式解决方案可以最大程度地满足众多用户的个性化需求。公司的产品拥有多种系列的产品来满足客户的需求。自动化设备由振动盘搭配组成。然而,现有电气自动化设备在配电时需要配置的三遥点表的工作量大,从而导致配电自动化建模的速度很慢;同时,对电气设备故障诊断误差大,影响设备故障诊断效率。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有电气自动化设备在配电时需要配置的三遥点表的工作量大,从而导致配电自动化建模的速度很慢;
(2)现有电气自动化设备对电气设备故障诊断误差大,影响设备故障诊断效率。
发明内容
针对现有技术存在的问题,本发明提供了一种基于人工智能的电气自动化设备检测系统。
本发明是这样实现的,一种基于人工智能的电气自动化设备检测系统,包括:启动模块、参数配置模块、电流检测模块、电压检测模块、中央控制模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块、报警模块,云分析模块;
启动模块,与中央控制模块连接,用于通过开关键启动电气自动化设备操作;
参数配置模块,与中央控制模块连接,用于通过配置程序配置电气自动化设备自动化操作参数;
电流检测模块,与中央控制模块连接,用于通过电流表检测电气自动化设备工作电流数据;
电压检测模块,与中央控制模块连接,用于通过电压表检测电气自动化设备工作电压数据;
中央控制模块,与启动模块、参数配置模块、电流检测模块、电压检测模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块连接,用于通过PLC固化运行模块控制各个模块正常工作;
自检程序加载模块,与中央控制模块连接,用于通过加载程序加载电气自动化设备自动检测程序;
修正模块,与中央控制模块连接,用于通过修正程序修正电气自动化设备操作动作;
配电建模模块,与中央控制模块连接,用于通过数据处理程序构建电气自动化配电模型;
故障诊断模块,与中央控制模块、报警模块连接,用于通过诊断电路诊断电气自动化设备故障信号;
显示模块,与中央控制模块连接,用于通过显示器显示电气自动化设备配置参数、电流、电压、故障信号数据;
存储模块,与中央控制模块连接,用于对各模块的实时状态或故障信息进行存储;
报警模块,与故障诊断模块连接,用于发出警报信号;
云分析模块,与故障诊断模块连接,用于分析设备运行历史数据与现有数据差别。
进一步,所述配电建模模块建模方法:
1)利用数据处理程序构建电气自动化配电模型;从设备对象库中提取设备对象,记录所述设备对象对应的第一节点;
2)确定所述设备对象的模型对象,确定所述设备对象的模型对象包括:提取所述设备对象的属性资料;从预设模型类型表中读出与所述属性数据对应的模型类型;取得对应于所述模型类型的所述模型对象;
所述配电建模模块还包含配电模型关键指标优选方法;
所述配电模型关键指标优选方法:
通过数学建模程序构建电气供电模型;根据电气供电模型,确定供电可靠性与供电能力的关系曲线;
针对所述关系曲线上的任一点,根据对应的供电可靠性和供电能力的数值,预估电气供电模型关键指标的范围;
基于遗传算法,对配电气供电模型关键指标进行编码;
初始化种群,随机产生个体,计算电气供电模型的投资总费用;
利用精英保留策略,对种群进行选择、分段交叉和分段变异操作,计算适应度函数,选择满足条件的个体进入下一代种群;
循环上述投资总费用和适应度函数的计算,至计算结果满足迭代收敛条件,输出对应关键指标的选取方案;
所述方法还包括构建配电气供电模型关键指标的优选模型,具体为:
基于所述供电可靠性与供电能力的考虑,以配电网的经济性为目标,结合系统约束条件,建立配电气供电模型关键指标的目标函数;
所述目标函数为当前关键指标对应的投资总费用的最小值;
所述目标函数为:
minC=αscs1+βscs2 (1)
式(1)中,αs表示容量为s的变电站站内供电单元的组数;βs表示容量为s的变电站站间供电单元的组数;cs1和cs2分别表示对于容量为s的变电站一组站内供电单元和一组站间供电单元需要投资的费用;C为当前供电能力下配电网的总投资费用;
所述约束条件包括供电能力约束、负荷约束、负载率约束、主变联络容量约束、变电站出现条数约束和可靠性约束;
所述基于遗传算法,对配电气供电模型关键指标进行编码的具体过程为:
每条染色体代表配电气供电模型关键指标的一个选择方案,所述关键指标分别表示染色体上的基因,用二进制数进行编码;
利用随机方式,对染色体进行初始化,按照染色体编码中基因的顺序随机生成每一个基因,并在生成过程中,逐个调整基因间内在的关系;
所述适应度函数为所述目标函数的倒数;
所述利用精英保留策略,对种群进行选择、分段交叉和分段变异操作,计算适应度函数,选择满足条件的个体进入下一代种群的具体过程为:
采用轮盘赌,保留高适应度的个体,淘汰低适应度的个体;
采用随机节点的方式进行交叉和变异操作,每次交叉和变异针对染色体的一个基因进行;
在所述分段交叉和分段变异操作后,还包括验证、调整染色体中基因合理性的步骤,具体过程为:
生成所有已进行交叉或变异操作的个体集合,从中取出一个个体;
记录该个体发生变化的基因位置k,并读取关系库中与其相关的关系;
从取出个体的第一个基因开始,至最后一个基因结束,分别验证其与第k个基因间是否满足所述相关的关系,若不满足则对其修正;
将所有个体验证完毕,则完成调整过程。
进一步,所述故障诊断模块诊断方法如下:
(1)利用诊断电路诊断电气自动化设备故障信号;构建相关性函数,计算检测电气设备运行的所有传感器之间的相互支持程度;
(2)构建隶属度函数,提取传感器回传的故障特征值,计算各传感器所提供数据的可信度;根据传感器的支持度及可信度转换成基本概率赋值;对获取的基本概率赋值进行合成,获得综合概率分配值;综合概率分配值超过设定阈值则进行报警操作;
所述故障诊断模块还包含故障定位;
所述故障定位方法:
通过统计程序统计故障信息,并通过数据库程序根据已学习的故障信息建立故障信息数据库,所述故障信息数据库包括已学习的故障信息,所述故障信息包括故障现象、在出现所述故障现象时网络电气自动化设备的电气自动化设备关键参数、以及故障原因;
建立电气自动化设备状态数据库,所述电气自动化设备状态数据库包括时间点、该时间点下的电气自动化设备状态信息;
其中,本电气自动化设备定时或依据外部指令采集本电气自动化设备的所述电气自动化设备状态信息,将所述电气自动化设备状态信息和对应的时间点存储在所述电气自动化设备状态数据库中;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数,将当前获取该电气自动化设备关键参数的时间点确定为该电气自动化设备关键参数的时间点并记录;
检查所述故障信息数据库中是否存在与该获取的电气自动化设备关键参数匹配的故障信息,若是,则在所述电气自动化设备状态数据库中查找与该获取的电气自动化设备关键参数的时间点在预设时间差范围内的电气自动化设备状态信息,根据查找到的所述与该获取的电气自动化设备关键参数的时间点在预设时间差范围内的电气自动化设备状态信息、以及所述故障信息数据库中与该获取的电气自动化设备关键参数匹配的故障信息中的故障现象、故障原因定位故障;
所述根据已学习的故障信息建立故障信息数据库包括:
获取已记录的出现故障时的故障信息;
获取用户预测出的在指定类型的故障出现时的故障信息;
根据已记录的出现故障时的故障信息和用户预测出的在指定类型的故障出现时的故障信息建立故障信息数据库;
所述根据已学习的故障信息建立故障信息数据库包括:
获取已记录的出现故障时的故障信息,根据已记录的出现故障时的故障信息建立故障信息数据库;或者,
获取用户预测出的在指定类型的故障出现时的故障信息,根据用户预测出的在指定类型的故障出现时的故障信息建立故障信息数据库;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数包括:
接收外部配置指令;
在所述外部配置指令携带指定特性时,收集本电气自动化设备在当前运行时的电气自动化设备关键参数;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数包括:
定时收集本电气自动化设备在当前运行时的电气自动化设备关键参数。
进一步,所述启动模块利用开关键启动电气自动化设备操作;通过参数配置模块利用配置程序配置电气自动化设备自动化操作参数;通过电流检测模块利用电流表检测电气自动化设备工作电流数据;通过电压检测模块利用电压表检测电气自动化设备工作电压数据。
进一步,所述中央控制模块通过自检程序加载模块利用加载程序加载电气自动化设备自动检测程序;通过修正模块利用修正程序修正电气自动化设备操作动作;通过配电建模模块利用数据处理程序构建电气自动化配电模型。
进一步,所述PLC固化运行模块内固化有相对应的所有电气自动化设备运行单元的运行程序。
进一步,通过故障诊断模块利用诊断电路诊断电气自动化设备故障信号。
进一步,通过存储模块对各模块的实时状态或故障信息进行存储;诊断设备出现故障,通过报警模块发出警报信号。
进一步,所述故障诊断模块通过隶属度和mass函数提取故障特征值,基于故障特征值利用D-S理论合成规则进行特征信息融合,优化故障诊断差值。
进一步,所述云分析模块将设备运行数据上传至云端,当设备运行与历史发生较大差别时发出警报。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
解决了现有电气自动化设备在配电时需要配置的三遥点表的工作量大,从而导致配电自动化建模的速度很慢的问题;解决了现有电气自动化设备对电气设备故障诊断误差大,影响设备故障诊断效率的问题。
本发明公开了一种基于人工智能的电气自动化设备检测系统,实现了快速构建配电自动化模型的效果;同时,通过故障诊断模块使用模糊理论中的隶属度方法和mass函数提取故障特征及赋值,然后通过D-S理论合成规则进行特征信息融合,减少电气设备故障诊断的误差;提前发现可能出现的故障问题,便于及时修理,延长了电气自动化设备的使用寿命;发出警报信号使操作人员能在第一时间排除故障,从而避免发生更为严重的电路故障;且报警器不需人为操作,一旦发生故障自动报警,设备更加安全可靠,最大限度排除了安全隐患。
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:本发明有效地解决了目前的电气自动化设备故障诊断误差大,从而降低了设备的故障诊断效率的问题。
附图说明
图1是本发明实施例提供的基于人工智能的电气自动化设备检测系统结构框图。
图2是本发明实施例提供的配电建模模块建模方法流程图。
图3是本发明实施例提供的故障诊断模块诊断方法流程图。
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仅用以解释本发明,并不用于限定本发明。
为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本实施例中提供一种基于人工智能的电气自动化设备检测系统,包括:启动模块、参数配置模块、电流检测模块、电压检测模块、中央控制模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块、报警模块、云分析模块;
启动模块,与中央控制模块连接,用于通过开关键启动电气自动化设备操作;
参数配置模块,与中央控制模块连接,用于通过配置程序配置电气自动化设备自动化操作参数;
电流检测模块,与中央控制模块连接,用于通过电流表检测电气自动化设备工作电流数据;
电压检测模块,与中央控制模块连接,用于通过电压表检测电气自动化设备工作电压数据;
中央控制模块,与启动模块、参数配置模块、电流检测模块、电压检测模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块连接,用于通过PLC控制器控制各个模块正常工作;
自检程序加载模块,与中央控制模块连接,用于通过加载程序加载电气自动化设备自动检测程序;
修正模块,与中央控制模块连接,用于通过修正程序修正电气自动化设备操作动作;
配电建模模块,与中央控制模块连接,用于通过数据处理程序构建电气自动化配电模型;
故障诊断模块,与中央控制模块、报警模块连接,用于通过诊断电路诊断电气自动化设备故障信号;
显示模块,与中央控制模块连接,用于通过显示器显示电气自动化设备配置参数、电流、电压、故障信号数据;
存储模块,与中央控制模块连接,用于对各模块的实时状态或故障信息进行存储;
报警模块,与故障诊断模块连接,用于发出警报信号。
云分析模块,与故障诊断模块连接,用于分析设备运行历史数据与现有数据差别。
如图2所示,本发明提供的配电建模模块建模方法:
S101,利用数据处理程序构建电气自动化配电模型;从设备对象库中提取设备对象,记录所述设备对象对应的第一节点;
S102,确定所述设备对象的模型对象,确定所述设备对象的模型对象包括:提取所述设备对象的属性资料;从预设模型类型表中读出与所述属性数据对应的模型类型;取得对应于所述模型类型的所述模型对象;
所述配电建模模块还包含配电模型关键指标优选方法;
所述配电模型关键指标优选方法:
通过数学建模程序构建电气供电模型;根据电气供电模型,确定供电可靠性与供电能力的关系曲线;
针对所述关系曲线上的任一点,根据对应的供电可靠性和供电能力的数值,预估电气供电模型关键指标的范围;
基于遗传算法,对配电气供电模型关键指标进行编码;
初始化种群,随机产生个体,计算电气供电模型的投资总费用;
利用精英保留策略,对种群进行选择、分段交叉和分段变异操作,计算适应度函数,选择满足条件的个体进入下一代种群;
循环上述投资总费用和适应度函数的计算,至计算结果满足迭代收敛条件,输出对应关键指标的选取方案;
所述方法还包括构建配电气供电模型关键指标的优选模型,具体为:
基于所述供电可靠性与供电能力的考虑,以配电网的经济性为目标,结合系统约束条件,建立配电气供电模型关键指标的目标函数;
所述目标函数为当前关键指标对应的投资总费用的最小值;
所述目标函数为:
minC=αscs1+βscs2 (1)
式(1)中,αs表示容量为s的变电站站内供电单元的组数;βs表示容量为s的变电站站间供电单元的组数;cs1和cs2分别表示对于容量为s的变电站一组站内供电单元和一组站间供电单元需要投资的费用;C为当前供电能力下配电网的总投资费用;
所述约束条件包括供电能力约束、负荷约束、负载率约束、主变联络容量约束、变电站出现条数约束和可靠性约束;
所述基于遗传算法,对配电气供电模型关键指标进行编码的具体过程为:
每条染色体代表配电气供电模型关键指标的一个选择方案,所述关键指标分别表示染色体上的基因,用二进制数进行编码;
利用随机方式,对染色体进行初始化,按照染色体编码中基因的顺序随机生成每一个基因,并在生成过程中,逐个调整基因间内在的关系;
所述适应度函数为所述目标函数的倒数;
所述利用精英保留策略,对种群进行选择、分段交叉和分段变异操作,计算适应度函数,选择满足条件的个体进入下一代种群的具体过程为:
采用轮盘赌,保留高适应度的个体,淘汰低适应度的个体;
采用随机节点的方式进行交叉和变异操作,每次交叉和变异针对染色体的一个基因进行;
在所述分段交叉和分段变异操作后,还包括验证、调整染色体中基因合理性的步骤,具体过程为:
生成所有已进行交叉或变异操作的个体集合,从中取出一个个体;
记录该个体发生变化的基因位置k,并读取关系库中与其相关的关系;
从取出个体的第一个基因开始,至最后一个基因结束,分别验证其与第k个基因间是否满足所述相关的关系,若不满足则对其修正;
将所有个体验证完毕,则完成调整过程。
如图3所示,本发明提供的故障诊断模块诊断方法如下:
S201,利用诊断电路诊断电气自动化设备故障信号;构建相关性函数,计算检测电气设备运行的所有传感器之间的相互支持程度;
S202,构建隶属度函数,提取传感器回传的故障特征值,计算各传感器所提供数据的可信度;根据传感器的支持度及可信度转换成基本概率赋值;对获取的基本概率赋值进行合成,获得综合概率分配值;综合概率分配值超过设定阈值则进行报警操作;
所述故障诊断模块还包含故障定位;
所述故障定位方法:
通过统计程序统计故障信息,并通过数据库程序根据已学习的故障信息建立故障信息数据库,所述故障信息数据库包括已学习的故障信息,所述故障信息包括故障现象、在出现所述故障现象时网络电气自动化设备的电气自动化设备关键参数、以及故障原因;
建立电气自动化设备状态数据库,所述电气自动化设备状态数据库包括时间点、该时间点下的电气自动化设备状态信息;
其中,本电气自动化设备定时或依据外部指令采集本电气自动化设备的所述电气自动化设备状态信息,将所述电气自动化设备状态信息和对应的时间点存储在所述电气自动化设备状态数据库中;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数,将当前获取该电气自动化设备关键参数的时间点确定为该电气自动化设备关键参数的时间点并记录;
检查所述故障信息数据库中是否存在与该获取的电气自动化设备关键参数匹配的故障信息,若是,则在所述电气自动化设备状态数据库中查找与该获取的电气自动化设备关键参数的时间点在预设时间差范围内的电气自动化设备状态信息,根据查找到的所述与该获取的电气自动化设备关键参数的时间点在预设时间差范围内的电气自动化设备状态信息、以及所述故障信息数据库中与该获取的电气自动化设备关键参数匹配的故障信息中的故障现象、故障原因定位故障;
所述根据已学习的故障信息建立故障信息数据库包括:
获取已记录的出现故障时的故障信息;
获取用户预测出的在指定类型的故障出现时的故障信息;
根据已记录的出现故障时的故障信息和用户预测出的在指定类型的故障出现时的故障信息建立故障信息数据库;
所述根据已学习的故障信息建立故障信息数据库包括:
获取已记录的出现故障时的故障信息,根据已记录的出现故障时的故障信息建立故障信息数据库;或者,
获取用户预测出的在指定类型的故障出现时的故障信息,根据用户预测出的在指定类型的故障出现时的故障信息建立故障信息数据库;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数包括:
接收外部配置指令;
在所述外部配置指令携带指定特性时,收集本电气自动化设备在当前运行时的电气自动化设备关键参数;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数包括:
定时收集本电气自动化设备在当前运行时的电气自动化设备关键参数。
本发明提供的启动模块利用开关键启动电气自动化设备操作;通过参数配置模块利用配置程序配置电气自动化设备自动化操作参数;通过电流检测模块利用电流表检测电气自动化设备工作电流数据;通过电压检测模块利用电压表检测电气自动化设备工作电压数据。
本发明提供的中央控制模块通过自检程序加载模块利用加载程序加载电气自动化设备自动检测程序;通过修正模块利用修正程序修正电气自动化设备操作动作;通过配电建模模块利用数据处理程序构建电气自动化配电模型。
本发明提供的PLC固化运行模块内固化有相对应的所有电气自动化设备运行单元的运行程序。
本发明提供的故障诊断模块利用诊断电路诊断电气自动化设备故障信号。
本发明提供的存储模块对各模块的实时状态或故障信息进行存储;诊断设备出现故障,通过报警模块发出警报信号。
本发明提供的故障诊断模块通过隶属度和mass函数提取故障特征值,基于故障特征值利用D-S理论合成规则进行特征信息融合,优化故障诊断差值。
本发明提供的云分析模块将设备运行数据上传至云端,当设备运行与历史发生较大差别时发出警报。
为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明工作时,首先,通过启动模块利用开关键启动电气自动化设备操作;通过参数配置模块利用配置程序配置电气自动化设备自动化操作参数;通过电流检测模块利用电流表检测电气自动化设备工作电流数据;通过电压检测模块利用电压表检测电气自动化设备工作电压数据;其次,中央控制模块通过自检程序加载模块,与中央控制模块连接,用于通过加载程序加载电气自动化设备自动检测程序;通过修正模块利用修正程序修正电气自动化设备操作动作;通过配电建模模块利用数据处理程序构建电气自动化配电模型;通过故障诊断模块利用诊断电路诊断电气自动化设备故障信号;通过显示模块利用显示器显示电气自动化设备配置参数、电流、电压、故障信号数据;然后,通过存储模块对各模块的实时状态或故障信息进行存储;通过报警模块发出警报信号;最后,通过云分析模块分析设备运行历史数据与现有数据差别。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。本发明通过故障诊断模块使用模糊理论中的隶属度方法和mass函数提取故障特征及赋值,然后通过D-S理论合成规则进行特征信息融合,减少电气设备故障诊断的误差;提前发现可能出现的故障问题,便于及时修理,延长了电气自动化设备的使用寿命;发出警报信号使操作人员能在第一时间排除故障,从而避免发生更为严重的电路故障;且报警器不需人为操作,一旦发生故障自动报警,设备更加安全可靠,最大限度排除了安全隐患。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的电气自动化设备检测系统,其特征在于,包括:启动模块、参数配置模块、电流检测模块、电压检测模块、中央控制模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块、报警模块,云分析模块;
启动模块,与中央控制模块连接,用于通过开关键启动电气自动化设备操作;
参数配置模块,与中央控制模块连接,用于通过配置程序配置电气自动化设备自动化操作参数;
电流检测模块,与中央控制模块连接,用于通过电流表检测电气自动化设备工作电流数据;
电压检测模块,与中央控制模块连接,用于通过电压表检测电气自动化设备工作电压数据;
中央控制模块,与启动模块、参数配置模块、电流检测模块、电压检测模块、自检程序加载模块、修正模块、配电建模模块、故障诊断模块、显示模块、存储模块连接,用于通过PLC固化运行模块控制各个模块正常工作;
自检程序加载模块,与中央控制模块连接,用于通过加载程序加载电气自动化设备自动检测程序;
修正模块,与中央控制模块连接,用于通过修正程序修正电气自动化设备操作动作;
配电建模模块,与中央控制模块连接,用于通过数据处理程序构建电气自动化配电模型;
故障诊断模块,与中央控制模块、报警模块连接,用于通过诊断电路诊断电气自动化设备故障信号;
显示模块,与中央控制模块连接,用于通过显示器显示电气自动化设备配置参数、电流、电压、故障信号数据;
存储模块,与中央控制模块连接,用于对各模块的实时状态或故障信息进行存储;
报警模块,与故障诊断模块连接,用于发出警报信号;
云分析模块,与故障诊断模块连接,用于分析设备运行历史数据与现有数据差别。
2.如权利要求1所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述配电建模模块建模方法:
1)利用数据处理程序构建电气自动化配电模型;从设备对象库中提取设备对象,记录所述设备对象对应的第一节点;
2)确定所述设备对象的模型对象,确定所述设备对象的模型对象包括:提取所述设备对象的属性资料;从预设模型类型表中读出与所述属性数据对应的模型类型;取得对应于所述模型类型的所述模型对象;
所述配电建模模块还包含配电模型关键指标优选方法;
所述配电模型关键指标优选方法:
通过数学建模程序构建电气供电模型;根据电气供电模型,确定供电可靠性与供电能力的关系曲线;
针对所述关系曲线上的任一点,根据对应的供电可靠性和供电能力的数值,预估电气供电模型关键指标的范围;
基于遗传算法,对配电气供电模型关键指标进行编码;
初始化种群,随机产生个体,计算电气供电模型的投资总费用;
利用精英保留策略,对种群进行选择、分段交叉和分段变异操作,计算适应度函数,选择满足条件的个体进入下一代种群;
循环上述投资总费用和适应度函数的计算,至计算结果满足迭代收敛条件,输出对应关键指标的选取方案;
所述方法还包括构建配电气供电模型关键指标的优选模型,具体为:
基于所述供电可靠性与供电能力的考虑,以配电网的经济性为目标,结合系统约束条件,建立配电气供电模型关键指标的目标函数;
所述目标函数为当前关键指标对应的投资总费用的最小值;
所述目标函数为:
minC=αscs1+βscs2 (1)
式(1)中,αs表示容量为s的变电站站内供电单元的组数;βs表示容量为s的变电站站间供电单元的组数;cs1和cs2分别表示对于容量为s的变电站一组站内供电单元和一组站间供电单元需要投资的费用;C为当前供电能力下配电网的总投资费用;
所述约束条件包括供电能力约束、负荷约束、负载率约束、主变联络容量约束、变电站出现条数约束和可靠性约束;
所述基于遗传算法,对配电气供电模型关键指标进行编码的具体过程为:
每条染色体代表配电气供电模型关键指标的一个选择方案,所述关键指标分别表示染色体上的基因,用二进制数进行编码;
利用随机方式,对染色体进行初始化,按照染色体编码中基因的顺序随机生成每一个基因,并在生成过程中,逐个调整基因间内在的关系;
所述适应度函数为所述目标函数的倒数;
所述利用精英保留策略,对种群进行选择、分段交叉和分段变异操作,计算适应度函数,选择满足条件的个体进入下一代种群的具体过程为:
采用轮盘赌,保留高适应度的个体,淘汰低适应度的个体;
采用随机节点的方式进行交叉和变异操作,每次交叉和变异针对染色体的一个基因进行;
在所述分段交叉和分段变异操作后,还包括验证、调整染色体中基因合理性的步骤,具体过程为:
生成所有已进行交叉或变异操作的个体集合,从中取出一个个体;
记录该个体发生变化的基因位置k,并读取关系库中与其相关的关系;
从取出个体的第一个基因开始,至最后一个基因结束,分别验证其与第k个基因间是否满足所述相关的关系,若不满足则对其修正;
将所有个体验证完毕,则完成调整过程。
3.如权利要求2所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述故障诊断模块诊断方法如下:
(1)利用诊断电路诊断电气自动化设备故障信号;构建相关性函数,计算检测电气设备运行的所有传感器之间的相互支持程度;
(2)构建隶属度函数,提取传感器回传的故障特征值,计算各传感器所提供数据的可信度;根据传感器的支持度及可信度转换成基本概率赋值;对获取的基本概率赋值进行合成,获得综合概率分配值;综合概率分配值超过设定阈值则进行报警操作;
所述故障诊断模块还包含故障定位;
所述故障定位方法:
通过统计程序统计故障信息,并通过数据库程序根据已学习的故障信息建立故障信息数据库,所述故障信息数据库包括已学习的故障信息,所述故障信息包括故障现象、在出现所述故障现象时网络电气自动化设备的电气自动化设备关键参数、以及故障原因;
建立电气自动化设备状态数据库,所述电气自动化设备状态数据库包括时间点、该时间点下的电气自动化设备状态信息;
其中,本电气自动化设备定时或依据外部指令采集本电气自动化设备的所述电气自动化设备状态信息,将所述电气自动化设备状态信息和对应的时间点存储在所述电气自动化设备状态数据库中;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数,将当前获取该电气自动化设备关键参数的时间点确定为该电气自动化设备关键参数的时间点并记录;
检查所述故障信息数据库中是否存在与该获取的电气自动化设备关键参数匹配的故障信息,若是,则在所述电气自动化设备状态数据库中查找与该获取的电气自动化设备关键参数的时间点在预设时间差范围内的电气自动化设备状态信息,根据查找到的所述与该获取的电气自动化设备关键参数的时间点在预设时间差范围内的电气自动化设备状态信息、以及所述故障信息数据库中与该获取的电气自动化设备关键参数匹配的故障信息中的故障现象、故障原因定位故障;
所述根据已学习的故障信息建立故障信息数据库包括:
获取已记录的出现故障时的故障信息;
获取用户预测出的在指定类型的故障出现时的故障信息;
根据已记录的出现故障时的故障信息和用户预测出的在指定类型的故障出现时的故障信息建立故障信息数据库;
所述根据已学习的故障信息建立故障信息数据库包括:
获取已记录的出现故障时的故障信息,根据已记录的出现故障时的故障信息建立故障信息数据库;或者,
获取用户预测出的在指定类型的故障出现时的故障信息,根据用户预测出的在指定类型的故障出现时的故障信息建立故障信息数据库;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数包括:
接收外部配置指令;
在所述外部配置指令携带指定特性时,收集本电气自动化设备在当前运行时的电气自动化设备关键参数;
获取本电气自动化设备在当前运行时的电气自动化设备关键参数包括:
定时收集本电气自动化设备在当前运行时的电气自动化设备关键参数。
4.如权利要求3所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述启动模块利用开关键启动电气自动化设备操作;通过参数配置模块利用配置程序配置电气自动化设备自动化操作参数;通过电流检测模块利用电流表检测电气自动化设备工作电流数据;通过电压检测模块利用电压表检测电气自动化设备工作电压数据。
5.如权利要求4所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述中央控制模块通过自检程序加载模块利用加载程序加载电气自动化设备自动检测程序;通过修正模块利用修正程序修正电气自动化设备操作动作;通过配电建模模块利用数据处理程序构建电气自动化配电模型。
6.如权利要求4所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述PLC固化运行模块内固化有相对应的所有电气自动化设备运行单元的运行程序。
7.如权利要求5所述的基于人工智能的电气自动化设备检测系统,其特征在于,通过故障诊断模块利用诊断电路诊断电气自动化设备故障信号。
8.如权利要求7所述的基于人工智能的电气自动化设备检测系统,其特征在于,通过存储模块对各模块的实时状态或故障信息进行存储;诊断设备出现故障,通过报警模块发出警报信号。
9.如权利要求8所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述故障诊断模块通过隶属度和mass函数提取故障特征值,基于故障特征值利用D-S理论合成规则进行特征信息融合,优化故障诊断差值。
10.如权利要求1所述的基于人工智能的电气自动化设备检测系统,其特征在于,所述云分析模块将设备运行数据上传至云端,当设备运行与历史发生较大差别时发出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211338182.4A CN115684792A (zh) | 2022-10-28 | 2022-10-28 | 一种基于人工智能的电气自动化设备检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211338182.4A CN115684792A (zh) | 2022-10-28 | 2022-10-28 | 一种基于人工智能的电气自动化设备检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115684792A true CN115684792A (zh) | 2023-02-03 |
Family
ID=85046084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211338182.4A Withdrawn CN115684792A (zh) | 2022-10-28 | 2022-10-28 | 一种基于人工智能的电气自动化设备检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115684792A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117092980A (zh) * | 2023-08-05 | 2023-11-21 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
CN117517792A (zh) * | 2023-10-31 | 2024-02-06 | 盐城工学院 | 一种用于新能源电容器的容量自动检测装置及检测方法 |
-
2022
- 2022-10-28 CN CN202211338182.4A patent/CN115684792A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117092980A (zh) * | 2023-08-05 | 2023-11-21 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
CN117092980B (zh) * | 2023-08-05 | 2024-02-06 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
CN117517792A (zh) * | 2023-10-31 | 2024-02-06 | 盐城工学院 | 一种用于新能源电容器的容量自动检测装置及检测方法 |
CN117517792B (zh) * | 2023-10-31 | 2024-06-07 | 盐城工学院 | 一种用于新能源电容器的容量自动检测装置及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115684792A (zh) | 一种基于人工智能的电气自动化设备检测系统 | |
CN105825298B (zh) | 一种基于负荷特性预估的电网计量预警系统及方法 | |
CN108376982B (zh) | 负载相序的识别方法及装置 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
CN108154244A (zh) | 地产电力设备的运维方法、装置和系统 | |
CN113887846A (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
CN116011158A (zh) | 一种低压台区的拓扑识别方法、系统及装置 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及系统 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和系统 | |
CN115563786A (zh) | 一种电化学储能电站故障场景重构方法 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 | |
CN118336878B (zh) | 储能bms被动均衡处理方法、装置、设备及存储介质 | |
CN112434929B (zh) | 一种配电变压器抗风险能力评估方法 | |
CN118330332A (zh) | 用于低压配电三相不平衡的智能监测预警方法及系统 | |
CN118505036A (zh) | 一种面向台区拓扑更动识别的数据质量评估方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230203 |
|
WW01 | Invention patent application withdrawn after publication |