CN116610990A - 一种基于特征空间差异化的断路器隐患识别方法及装置 - Google Patents
一种基于特征空间差异化的断路器隐患识别方法及装置 Download PDFInfo
- Publication number
- CN116610990A CN116610990A CN202310383890.8A CN202310383890A CN116610990A CN 116610990 A CN116610990 A CN 116610990A CN 202310383890 A CN202310383890 A CN 202310383890A CN 116610990 A CN116610990 A CN 116610990A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- time sequence
- feature
- characteristic
- hidden danger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004069 differentiation Effects 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明公开了一种基于特征空间差异化的断路器隐患识别方法及装置，所述方法包括：采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。本发明基于多维度时序信号数据对断路器状态进行综合分析，充分利用断路器不同状态时在不同维度时序信号上的表现同步性和差异性，提高断路器隐患识别的准确性。
Description
技术领域
本发明涉及电网设备安全技术领域，具体涉及一种基于特征空间差异化的断路器隐患识别方法及装置。
背景技术
输变电设备状态监测的传统方法是经常性的人工巡视与定期预防性检修、试验。设备在运行中由值班人员经常巡视，凭外观现象、指示仪表等进行判断，发现可能的异常，避免事故发生。近年来大量投运的各类输变电设备，通过状态检测发现很多潜伏性问题，但通过单一的状态监测手段及数据很难把控缺陷发展的全过程，综合性分析及监控潜伏性缺陷的能力仍显不足。
发明内容
针对上述现有技术存在的问题，本发明提供了一种基于特征空间差异化的断路器隐患识别方法及装置，实现了不同时频尺度下特征空间差异化的断路器隐患识别。该技术方案如下：
第一方面，提供了一种基于特征空间差异化的断路器隐患识别方法，包括：
采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；
针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；
基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。
在一些实施方式中，所述隐患识别模型的训练过程，包括：
获取断路器正常状态和各类异常状态下的多维度时序信号数据，并进行信号预处理；
针对断路器的多维度时序信号数据基于预设特征提取方法获取多维度时序信号数据对应的状态特征参量组；
基于状态特征参量组，训练深度神经网络，获取训练完成的深度神经网络作为隐患识别模型。
在一些实施方式中，所述所述断路器包括不同操动机构的断路器，不同操动机构的断路器的不同位置布置加速度传感器；所述断路器异常包括多种机械缺陷、故障。
在一些实施方式中，所述特征参量组包括针对每个维度时序信号数据在时域和频域下的统计学特征和信息度量特征；
所述基于预设特征提取方法获取断路器状态特征参量组，包括：
针对每个维度时序信号数据，基于信号分解获取多个时序分量信号；
基于多个时序分量信号分别获取A1特征参量、A2特征参量；
针对信号分解后的每个时序分量信号，进行频域转换，得到不同频谱信号；
基于频谱信号分别获取B1特征参量、B2特征参量、B3特征参量。
在一些实施方式中，所述A1特征参量为：多个时序分量信号的标准差；
所述A2特征参量为：当前维度时序信号数据的多个时序分量信号的标准差与正常状态下所述维度时序信号数据的多个时序分量信号的标准差的中心的距离；
所述B1特征参量为：第一频率占比值，所述第一频率占比值为：在当前频谱信号中，在累计n个频率中存在k个第一频率的情况下，第一频率能量在所有频率能量中的占比：所述第一频率包括在预设频率范围的多个频值，第一频率表征正常状态时的频率；Ai是第i个第一频率的幅值，Bj是当前频谱信号中第j个频率的幅值；
所述B2特征参量为：非第一频率占比值，所述非第一频率占比值为：在当前频谱信号中，非第一频率的频率含量相比于第一频率的频率含量的比值，
所述B3特征参量为：其中Hj是当前频谱信号中第j个频率的能量占比，/>
在一些实施方式中，所述基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果，包括：
基于每个维度时序信号数据输入隐患识别模型的时序特征提取模块，获取每个维度时序信号的时序特征，所述时序特征提取模块，基于循环神经网络实现；
基于每个维度时序信号的时序特征和状态特征参量组，输入隐患识别模型的特征融合分析模块，获取断路器多维度时序信号数据的融合特征；
基于断路器多维度时序信号数据的融合特征，输入隐患识别模型的隐患分类模块，获取断路器多维度时序信号数据所表征的断路器隐患状态。
在一些实施方式中，所述特征融合分析模块，包括特征权重赋值模块和特征融合模块，所述特征融合模块基于卷积神经网络实现，所述特征权重赋值模块用于根据不同维度特征的重要性进行筛选过滤，所述特征权重赋值模块的权重获取方法包括：
基于每个维度时序信号的时序特征和状态特征参量组组成M维特征向量，针对第p类的断路器异常采样Lp个样本，p＝1，2，...，P，P为断路器异常类型总数，第p类断路器异常的Lp个样本的M维特征向量组成Lp*M特征矩阵，P类断路器异常形成P个Lp*M特征矩阵；
基于P个Lp*M特征矩阵分别获取M维特征向量中第m维特征的第一相关性系数R1和第二区别系数R2，基于(R2-R1)/(R2+R1)确定为M维特征向量中的第m维特征的权重，所述第一相关性系数R1表示第m维度特征在同一类断路器异常样本中的差异性，所述第二区别系数R2表示第m维度特征在不同类型断路器异常样本中的差异性，m＝1，2，...，M。
在一些实施方式中，所述第一相关性系数R1的获取方法包括：
单个特征矩阵的第m列元素分布间距平均值：d1，d1为单个特征矩阵的第m列中任意两个元素的距离的平均值；
P个特征矩阵的第m列元素分布间距平均值：d1’；
单个特征矩阵的第m列元素的中心：d2，d2为单个特征矩阵的第m列中所有元素的平均值；
单个特征矩阵的第m列元素到其中心d2的距离的平均值d2’；
P个特征矩阵的第m列元素到其中心d2的距离的平均值d2’的平均值d2″；
基于d1’和d2″确定P类断路器异常所有样本的第m维度特征的第一相关性系数R1；
所述第二区别系数R2的获取方法包括：
对于第p类的断路器异常采集的Lp个样本组成的Lp*M特征矩阵，转换成1*M特征矩阵，转换方法为以Lp*M特征矩阵第m列向量所有元素对应的d2表示1*M特征矩阵第m列的元素；
P个转换后特征矩阵的第m列元素分布间距平均值：D1，D1为任意两个1*M特征矩阵中第m列元素d2的距离的平均值；
P个转换后特征矩阵的第m列元素的中心：D2，D2为P个1*M特征矩阵第m列元素d2的平均值；
P个转换后特征矩阵的第m列元素到其中心D2的平均值D2’；
基于D1和D2’确定P类断路器异常所有样本的第m维度特征的第二区别系数R2。
第二方面，提供了一种基于特征空间差异化的断路器隐患识别装置，包括：
监测信号采集单元，用于采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；
信号特征提取单元，用于针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；
断路器隐患识别单元，用于基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现上述基于特征空间差异化的断路器隐患识别方法的步骤。
本发明的一种基于特征空间差异化的断路器隐患识别方法及装置，具备如下有益效果：本发明基于多维度时序信号数据对断路器状态进行综合分析，充分利用断路器不同状态时在不同维度时序信号上的表现同步性和差异性，交叉利用不同维度时序信号在表达断路器正常和各类异常状态时的突出优势，实现对断路器正常和各类异常状态的分析判断准确性。
附图说明
图1是本申请实施例提供的一种基于特征空间差异化的断路器隐患识别方法流程图；
图2是本申请实施例断路器状态特征参量组的获取方法示意图；
图3是本申请实施例隐患识别模型对输入数据的数据处理流程示意图；
图4是本申请实施例提供的一种基于特征空间差异化的断路器隐患识别装置结构示意图。
具体实施方式
下面结合附图对本发明具体实施方式进行说明。
参见图1，本申请实施例提供的一种基于特征空间差异化的断路器隐患识别方法，包括：
步骤1，采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；
步骤2，针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；
步骤3，基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。
本申请实施例中，基于多维度时序信号数据对断路器状态进行综合分析，充分利用断路器不同状态时在不同维度时序信号上的表现同步性和差异性，交叉利用不同维度时序信号在表达断路器正常和各类异常状态时的突出优势，实现对断路器正常和各类异常状态的分析判断准确性。
在一种实施方式中，上述步骤3中，隐患识别模型的训练过程，包括：
步骤41，获取断路器正常状态和各类异常状态下的多维度时序信号数据，并进行信号预处理；
步骤42，针对断路器的多维度时序信号数据基于预设特征提取方法获取多维度时序信号数据对应的状态特征参量组；
步骤43，基于状态特征参量组，训练深度神经网络，获取训练完成的深度神经网络作为隐患识别模型。
本申请实施例中，对于隐患识别模型的训练，首先获取历史数据，包括断路器正常状态和各类异常状态下的多维度时序信号数据，基于历史时序数据，获取对应的断路器正常和各类异常标注，基于历史时序数据分别提取特征，并进行特征融合分析，最后通过隐患识别模型的分类层识别隐患类型。
在一种实施方式中，所述断路器包括不同操动机构的断路器，不同操动机构的断路器的不同位置布置加速度传感器；所述断路器异常包括多种机械缺陷、故障。
在一种实施方式中，上述步骤2中，特征参量组包括针对每个维度时序信号数据在时域和频域下的统计学特征和信息度量特征；
上述步骤2中，基于预设特征提取方法获取断路器状态特征参量组，包括：
步骤21，针对每个维度时序信号数据，基于信号分解获取多个时序分量信号；
步骤22，基于多个时序分量信号分别获取A1特征参量、A2特征参量；
步骤23，针对信号分解后的每个时序分量信号，进行频域转换，得到不同频谱信号；
步骤24，基于频谱信号分别获取B1特征参量、B2特征参量、B3特征参量。
本申请实施例中，信号分解可以基于经验模态分解、变分模态分解等多种时域信号分解算法实现，频域转换可以基于已有的时域-频域转算法，例如傅里叶变换等。本申请实施例对此不做限定。
本申请实施例中，对于断路器采集的多种类型的时序信号，基于多种方法包括时域分析、频域分析、统计学分析、信息度量分析等提取其多种类型的特征参量，实现断路器采集信号的特征空间差异化，进而为提高后续断路器隐患识别准确性提供基础。
在一种实施方式中，上述步骤22和步骤24中的特征参量为：
所述A1特征参量为：多个时序分量信号的标准差；
所述A2特征参量为：当前维度时序信号数据的多个时序分量信号的标准差与正常状态下所述维度时序信号数据的多个时序分量信号的标准差的中心的距离；
所述B1特征参量为：第一频率占比值，所述第一频率占比值为：在当前频谱信号中，在累计n个频率中存在k个第一频率的情况下，第一频率能量在所有频率能量中的占比：所述第一频率包括在预设频率范围的多个频值，第一频率表征正常状态时的频率；Ai是第i个第一频率的幅值，Bj是当前频谱信号中第j个频率的幅值；
所述B2特征参量为：非第一频率占比值，所述非第一频率占比值为：在当前频谱信号中，非第一频率的频率含量相比于第一频率的频率含量的比值，
所述B3特征参量为：其中Hj是当前频谱信号中第j个频率的能量占比，/>
在一种实施方式中，上述步骤3中，基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果，包括：
步骤31，基于每个维度时序信号数据输入隐患识别模型的时序特征提取模块，获取每个维度时序信号的时序特征，所述时序特征提取模块，基于循环神经网络实现；
步骤32，基于每个维度时序信号的时序特征和状态特征参量组，输入隐患识别模型的特征融合分析模块，获取断路器多维度时序信号数据的融合特征；
步骤33，基于断路器多维度时序信号数据的融合特征，输入隐患识别模型的隐患分类模块，获取断路器多维度时序信号数据所表征的断路器隐患状态。
本申请实施例中，时序特征提取模块可以分为3路，分别对断路器线圈电流信号、声波信号、振动信号3个信号进行时序特征提取，该时序特征提取模块基于循环神经网络实现，在一种实施方式中，可以基于LSTM网络的变体网络GRU实现，时序特征提取模块模型参数少，有效提高隐患识别模型的训练速度。另外，本申请实施例中，隐患识别模型结合了人工设计的特征参数A1、A2、B1、B2、B3和神经网络提取的特征(时序特征提取模块实现)，实现特征提取的有效性。
在一种实施方式中，上述步骤32中，特征融合分析模块，包括特征权重赋值模块和特征融合模块，所述特征融合模块基于卷积神经网络实现，所述特征权重赋值模块用于根据不同维度特征的重要性进行筛选过滤，所述特征权重赋值模块的权重获取方法包括：
步骤321，基于每个维度时序信号的时序特征和状态特征参量组组成M维特征向量，针对第p类的断路器异常采样Lp个样本，p＝1，2，...，P，P为断路器异常类型总数，第p类断路器异常的Lp个样本的M维特征向量组成Lp*M特征矩阵，P类断路器异常形成P个Lp*M特征矩阵；
步骤322，基于P个Lp*M特征矩阵分别获取M维特征向量中第m维特征的第一相关性系数R1和第二区别系数R2，基于(R2-R1)/(R2+R1)确定为M维特征向量中的第m维特征的权重，所述第一相关性系数R1表示第m维度特征在同一类断路器异常样本中的差异性，所述第二区别系数R2表示第m维度特征在不同类型断路器异常样本中的差异性，m＝1，2，...，M。
本申请实施例中，隐患识别模型的时序特征提取模块基于循环神经网络实现，特征融合模块基于卷积神经网络实现，结合循环神经网络对数据进行时序特征挖掘，结合卷积神经网络对空间特征进行挖掘，实现对多维特征的深层特征提取，有效提高了提取特征的丰富度，同时本申请中对于前期人工设计的多种特征A1、A2、B1、B2、B3特征参量通过在隐患识别模型中增加特征权重赋值模块，根据不同维度特征的重要性进行筛选过滤，有效减少冗余特征，避免无关特征的干扰，避免人工设计特征的无效性和干扰性，提高了隐患识别模型的隐患识别精度。
同时，本申请实施例中，特征权重赋值模块基于所有采集样本分析每一个维度特征的重要性，通过第一相关性系数R1和第二区别系数R2，结合第m维度特征在同一类断路器异常样本中的差异性和第m维度特征在不同类型断路器异常样本中的差异性进行分析，提高特征权重赋值模块对于不同维度特征重要性分析的准确性。
进而，对于本申请实施例的隐患识别模型的训练过程，包括：
步骤51，先基于采集的针对断路器正常状态和各类异常状态下的多维度时序信号数据，进行预处理并按照上文获取A1、A2、B1、B2、B3特征参量；
步骤52，特征权重赋值模块基于断路器正常状态和各类异常状态下的多维度时序信号数据的所有样本数据，利用上述步骤321-322对A1、A2、B1、B2、B3特征参量进行权重赋值，获取对不同特征参量的特征权重分配结果；
步骤53，步骤1中采集的多维度时序信号数据输入时序特征提取模块获得每个维度时序信号的时序特征；
步骤54，将步骤52中得到的经过权重调整的状态特征参量组和步骤53中得到的时序特征输入特征融合模块进行卷积处理；
步骤55，将步骤54的卷积输出结果输入隐患识别模型的隐患分类模块获得隐患识别结果；
步骤56，基于步骤55的隐患识别结果和预设采集样本数据对应的隐患类型标注数据，经过损失函数计算并修正隐患识别模型中时序特征提取模块、特征融合模块、隐患分类模块的模型参数；
步骤57，基于步骤51-步骤56的预设次数迭代，获得训练完成的隐患识别模型。
在一种实施方式中，上述步骤322中的第一相关性系数R1的获取方法包括：
单个特征矩阵的第m列元素分布间距平均值：d1，d1为单个特征矩阵的第m列中任意两个元素的距离的平均值；
P个特征矩阵的第m列元素分布间距平均值：d1’；
单个特征矩阵的第m列元素的中心：d2，d2为单个特征矩阵的第m列中所有元素的平均值；
单个特征矩阵的第m列元素到其中心d2的距离的平均值d2’；
P个特征矩阵的第m列元素到其中心d2的距离的平均值d2’的平均值d2″；
基于d1’和d2″确定P类断路器异常所有样本的第m维度特征的第一相关性系数R1；
在一种实施方式中，上述步骤322中的第二区别系数R2的获取方法包括：
对于第p类的断路器异常采集的Lp个样本组成的Lp*M特征矩阵，转换成1*M特征矩阵，转换方法为以Lp*M特征矩阵第m列向量所有元素对应的d2表示1*M特征矩阵第m列的元素；
P个转换后特征矩阵的第m列元素分布间距平均值：D1，D1为任意两个1*M特征矩阵中第m列元素d2的距离的平均值；
P个转换后特征矩阵的第m列元素的中心：D2，D2为P个1*M特征矩阵第m列元素d2的平均值；
P个转换后特征矩阵的第m列元素到其中心D2的平均值D2’；
基于D1和D2’确定P类断路器异常所有样本的第m维度特征的第二区别系数R2。
可以理解，针对M维特征向量中的第m维特征需要衡量该维度特征在P类断路器异常样本中的相似性和差异性，若该维度特征在同一类断路器异常样本样本中的差异性较小同时在不同类断路器异常中的差异性较大，则说明该维度特征对于识别不同断路器异常具有重要贡献，若该维度特征在同一类断路器异常样本样本中的差异性较大，则考虑对该维度特征赋值较小权重，甚至若该维度特征在同一类断路器异常样本样本中的差异性过大，大于该维度特征在不同类断路器异常中的差异性，则考虑对该维度特征赋值0，即删除该维度特征。
对于M维特征向量中的第m维特征(m＝1，2，...，M)在同一类断路器异常样本中的差异性，本申请中称为“第一相关性系数R1”，该第一相关性系数R1的获取方法包括：
单个特征矩阵的第m列元素分布间距平均值：d1，d1为单个特征矩阵的第m列中任意两个元素的距离的平均值，即单个特征矩阵的第m列中两两元素之间距离的平均值；
P个特征矩阵的第m列元素分布间距平均值：d1’，
单个特征矩阵的第m列元素的中心：d2，d2为单个特征矩阵的第m列中所有元素的平均值；
单个特征矩阵的第m列中每个元素到其中心d2的距离的平均值d2’；
P个特征矩阵的第m列元素对应的d2’的平均值d2″；
基于d1’和d2″确定P类断路器异常所有样本的第m维度特征的第一相关性系数R1；
可以理解，d1表示同一类断路器异常在不同样本中第m维度特征的表现差异，是一种类内差异性表示，d1’是P个d1的平均值，表示一种类内差异性的平均值；
d2’表示同一类断路器异常第m维度特征在不同样本中的表现与其均值的差异，是另一种类内差异性表示，d2″是P个d2’的平均值，表示另一种类内差异性的平均值；
第一相关性系数R1结合两种不同的类内差异性，用于表示第m维度特征在同一类断路器异常样本中的差异性，可以理解，第一相关性系数R1越小，对识别不同断路器异常贡献越大。
对于M维特征向量中的第m维特征(m＝1，2，...，M)在不同类断路器异常样本中的差异性，本申请中称为“第二区别系数R2”，该第二区别系数R2的获取方法包括：
对于第p类的断路器异常采集的Lp个样本组成的Lp*M特征矩阵，转换成1*M特征矩阵，转换方法为以Lp*M特征矩阵第m列向量所有元素对应的d2表示1*M特征矩阵第m列的元素，P类断路器异常采集的所有样本形成P个1*M特征矩阵；
P个转换后特征矩阵(即P个1*M特征矩阵)的第m列元素分布间距平均值：D1，D1为任意两个1*M特征矩阵中第m列元素d2的距离的平均值，即P个1*M特征矩阵中两两1*M特征矩阵的第m列元素之间距离的平均值；
P个转换后特征矩阵的第m列元素的中心：D2，D2为P个1*M特征矩阵第m列元素d2的平均值；
P个转换后特征矩阵的第m列的每个元素到其中心D2的平均值D2’；
基于D1和D2’确定P类断路器异常所有样本的第m维度特征的第二区别系数R2；
可以理解，每个1*M特征矩阵表征1个类型的断路器异常对应的M维特征，D1表示不同类型的断路器异常的特征中第m维度特征的表现差异，是一种类间差异性表示；
D2’表示不同类型的断路器异常的特征中第m维度特征的表现与其均值的差异，是另一种类间差异性表示。
第二区别系数R2结合两种不同的类间差异性，用于表示第m维度特征在不同类型断路器异常样本中的差异性，可以理解，第二区别系数R2越大，对识别不同断路器异常的贡献越大。
在一种实施方式中，上述的第一相关性系数R1和第二区别系数R2的获取方法，包括：
R1＝λ1(d1’和d2″)；R2＝λ2(D1和D2’)，λ1和λ2是权重系数；
对一个特征矩阵的第m列元素数据以d2为中心d1为半径的圆表示，以|d2p1-d2p2|-d1p1-d1p2表示圆p1和p2的相离距离，获取P个特征矩阵中的任意两个特征矩阵的第m列对应的两个圆的相离距离总和D3，即P个特征矩阵中两两特征矩阵的第m列对应的两个圆的相离距离的总和，在所述相离距离总和大于0时，根据所述相离距离总和的大小为λ2赋值一个比λ1大的数字，在一种优选实施方式中，λ1＝1，λ2＝eD3。
本申请实施例提供的一种基于特征空间差异化的断路器隐患识别装置，包括：
监测信号采集单元，用于采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；
信号特征提取单元，用于针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；
断路器隐患识别单元，用于基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。
在一些实施例中，本发明实施例提供的基于特征空间差异化的断路器隐患识别装置可以采用软硬件结合的方式实现，作为示例，本发明实施例所提供的基于特征空间差异化的断路器隐患识别装置可以直接体现为由处理器执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器，处理器读取存储器中软件模块包括的可执行指令，结合必要的硬件完成本发明实施例提供的基于特征空间差异化的断路器隐患识别方法。关于该断路器隐患识别装置装置的具体限定可以参见上文中对于断路器隐患识别方法的限定，在此不再赘述。
本申请实施例提供的一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现上述基于特征空间差异化的断路器隐患识别方法的步骤。该计算机可读存储介质可以是相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)等。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (10)
1.一种基于特征空间差异化的断路器隐患识别方法，其特征在于，包括：
采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；
针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；
基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。
2.根据权利要求1所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，所述隐患识别模型的训练过程，包括：
获取断路器正常状态和各类异常状态下的多维度时序信号数据，并进行信号预处理；
针对断路器的多维度时序信号数据基于预设特征提取方法获取多维度时序信号数据对应的状态特征参量组；
基于状态特征参量组，训练深度神经网络，获取训练完成的深度神经网络作为隐患识别模型。
3.根据权利要求2所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，所述断路器包括不同操动机构的断路器，不同操动机构的断路器的不同位置布置加速度传感器；所述断路器异常包括多种机械缺陷、故障。
4.根据权利要求2所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，所述特征参量组包括针对每个维度时序信号数据在时域和频域下的统计学特征和信息度量特征；
所述基于预设特征提取方法获取断路器状态特征参量组，包括：
针对每个维度时序信号数据，基于信号分解获取多个时序分量信号；
基于多个时序分量信号分别获取A1特征参量、A2特征参量；
针对信号分解后的每个时序分量信号，进行频域转换，得到不同频谱信号；
基于频谱信号分别获取B1特征参量、B2特征参量、B3特征参量。
5.根据权利要求4所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，
所述A1特征参量为：多个时序分量信号的标准差；
所述A2特征参量为：当前维度时序信号数据的多个时序分量信号的标准差与正常状态下所述维度时序信号数据的多个时序分量信号的标准差的中心的距离；
所述B1特征参量为：第一频率占比值，所述第一频率占比值为：在当前频谱信号中，在累计n个频率中存在k个第一频率的情况下，第一频率能量在所有频率能量中的占比：所述第一频率包括在预设频率范围的多个频值，第一频率表征正常状态时的频率；Ai是第i个第一频率的幅值，Bj是当前频谱信号中第j个频率的幅值；
所述B2特征参量为：非第一频率占比值，所述非第一频率占比值为：在当前频谱信号中，非第一频率的频率含量相比于第一频率的频率含量的比值，
所述B3特征参量为：其中Hj是当前频谱信号中第j个频率的能量占比，/>
6.根据权利要求1所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，所述基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果，包括：
基于每个维度时序信号数据输入隐患识别模型的时序特征提取模块，获取每个维度时序信号的时序特征，所述时序特征提取模块，基于循环神经网络实现；
基于每个维度时序信号的时序特征和状态特征参量组，输入隐患识别模型的特征融合分析模块，获取断路器多维度时序信号数据的融合特征；
基于断路器多维度时序信号数据的融合特征，输入隐患识别模型的隐患分类模块，获取断路器多维度时序信号数据所表征的断路器隐患状态。
7.根据权利要求6所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，所述特征融合分析模块，包括特征权重赋值模块和特征融合模块，所述特征融合模块基于卷积神经网络实现，所述特征权重赋值模块用于根据不同维度特征的重要性进行筛选过滤，所述特征权重赋值模块的权重获取方法包括：
基于每个维度时序信号的时序特征和状态特征参量组组成M维特征向量，针对第p类的断路器异常采样Lp个样本，p＝1，2，...，P，P为断路器异常类型总数，第p类断路器异常的Lp个样本的M维特征向量组成Lp*M特征矩阵，P类断路器异常形成P个Lp*M特征矩阵；
基于P个Lp*M特征矩阵分别获取M维特征向量中第m维特征的第一相关性系数R1和第二区别系数R2，基于(R2-R1)/(R2+R1)确定为M维特征向量中的第m维特征的权重，所述第一相关性系数R1表示第m维度特征在同一类断路器异常样本中的差异性，所述第二区别系数R2表示第m维度特征在不同类型断路器异常样本中的差异性，m＝1，2，...，M。
8.根据权利要求7所述的一种基于特征空间差异化的断路器隐患识别方法，其特征在于，所述第一相关性系数R1的获取方法包括：
单个特征矩阵的第m列元素分布间距平均值：d1，d1为单个特征矩阵的第m列中任意两个元素的距离的平均值；
P个特征矩阵的第m列元素分布间距平均值：d1’；
单个特征矩阵的第m列元素的中心：d2，d2为单个特征矩阵的第m列中所有元素的平均值；
单个特征矩阵的第m列元素到其中心d2的距离的平均值d2’；
P个特征矩阵的第m列元素到其中心d2的距离的平均值d2’的平均值d2″；
基于d1’和d2″确定P类断路器异常所有样本的第m维度特征的第一相关性系数R1；
所述第二区别系数R2的获取方法包括：
对于第p类的断路器异常采集的Lp个样本组成的Lp*M特征矩阵，转换成1*M特征矩阵，转换方法为以Lp*M特征矩阵第m列向量所有元素对应的d2表示1*M特征矩阵第m列的元素；
P个转换后特征矩阵的第m列元素分布间距平均值：D1，D1为任意两个1*M特征矩阵中第m列元素d2的距离的平均值；
P个转换后特征矩阵的第m列元素的中心：D2，D2为P个1*M特征矩阵第m列元素d2的平均值；
P个转换后特征矩阵的第m列元素到其中心D2的平均值D2’；
基于D1和D2’确定P类断路器异常所有样本的第m维度特征的第二区别系数R2。
9.一种基于特征空间差异化的断路器隐患识别装置，其特征在于，包括：
监测信号采集单元，用于采集断路器的当前时刻前第一时间段的多维度时序信号数据并进行信号预处理，所述多维度时序信号数据包括断路器线圈电流信号、声波信号、振动信号；
信号特征提取单元，用于针对断路器的多维度时序信号数据基于预设特征提取方法获取断路器状态特征参量组；
断路器隐患识别单元，用于基于断路器的状态特征参量组，输入隐患识别模型，获取断路器隐患识别结果。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383890.8A CN116610990A (zh) | 2023-04-06 | 2023-04-06 | 一种基于特征空间差异化的断路器隐患识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383890.8A CN116610990A (zh) | 2023-04-06 | 2023-04-06 | 一种基于特征空间差异化的断路器隐患识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116610990A true CN116610990A (zh) | 2023-08-18 |
Family
ID=87684345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310383890.8A Pending CN116610990A (zh) | 2023-04-06 | 2023-04-06 | 一种基于特征空间差异化的断路器隐患识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610990A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
-
2023
- 2023-04-06 CN CN202310383890.8A patent/CN116610990A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
| CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
| CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN111738309B (zh) | 多尺度分析和集成学习的气敏传感器故障模式识别方法 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| CN105373700A (zh) | 一种基于信息熵和证据理论的机械故障诊断方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
| CN114091539A (zh) | 一种多模态深度学习的滚动轴承故障诊断方法 | |
| CN115659143A (zh) | 一种基于试验设计的故障实时诊断方法 | |
| CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN112560674B (zh) | 一种声音信号质量的检测方法及系统 | |
| Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
| CN117233547A (zh) | 一种油纸绝缘局部放电的融合识别方法及系统 | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
| CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
| CN103400021A (zh) | 基于重尾分布的kdsne水电机组噪声源检测方法 | |
| CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 |
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 |