一种基于多模态数据分析的智慧开关柜故障诊断方法与流程
本发明涉及故障诊断,具体为一种基于多模态数据分析的智慧开关柜故障诊断方法。
背景技术:
1、随着智能电网与数字化运维技术的发展,智慧开关柜已广泛采用多模态数据采集与在线分析技术,通过对电气参数、环境参数、状态参数等多维度数据的综合处理,实现设备运行状态监测与故障诊断。现有的多模态故障诊断方法,通常将各模态数据进行独立判别或简单融合处理,根据参数越限、特征关联或趋势变化等方式识别异常并定位故障。
2、在实际运行过程中,开关柜多模态监测数据易受到电磁干扰、短时负荷波动、数据采集漂移等因素影响,产生大量离散伪异常信息。现有诊断方法未对多模态异常信息进行有效性筛选,无法从冗余异常数据中确定具备充分解释能力的最小数据组合,同时缺少对异常组合内部逻辑自洽性的校验机制,导致诊断结果易受非故障性异常干扰,故障真伪甄别能力不足,故障源追溯精度偏低,难以满足智慧开关柜高可靠性、高准确性的智能运维需求。
技术实现思路
1、本发明的目的在于提供一种基于多模态数据分析的智慧开关柜故障诊断方法,以解决上述背景技术中提出的问题。
2、为了解决上述技术问题,本发明提供如下技术方案:
3、一种基于多模态数据分析的智慧开关柜故障诊断方法,包括以下步骤:
4、s1.采集智慧开关柜多模态运行数据,对多模态运行数据进行分析,识别稳态数据段并确定稳态基准值;计算当前数据相对稳态基准值的相对偏离程度,将相对偏离程度超出预设限值的数据标记为异常模态,形成全量异常模态集合;
5、s2.对全量异常模态集合进行归一化处理,计算异常模态之间的趋势一致性系数,根据趋势一致性系数划分冗余模态组;基于各组内模态的信号波动稳定程度筛选并保留稳定度最高的模态,剔除其余冗余模态,形成无冗余异常模态子集;
6、s3.提取无冗余异常模态子集的时序特征,构建模态间潜在关联关系并剔除虚假关联,得到关联传导路径;所述时序特征包括异常起始时刻和异常持续时长;当无冗余异常模态子集仅含单一模态时判定为干扰信号,否则结合各模态稳定程度与预设权重计算联合解释度,联合解释度达到预设量化阈值且仅存在一条关联传导路径时,将对应无冗余异常模态子集确定为有效故障特征集;
7、s4.沿有效故障特征集的唯一关联传导路径反向溯源,计算各节点故障贡献度,选取故障贡献度最小的节点作为故障源特征节点,结合故障传导关系定位故障源,输出包含故障源信息的诊断结果。
8、进一步的,s1包括以下内容:
9、按照预设周期采集智慧开关柜的多模态运行数据,形成连续时序采样数据集;所述多模态运行数据是指能够反映智慧开关柜运行状态的不同类型的监测数据;
10、采用滑动窗口方式对时序采样数据集进行稳态识别,窗口内数据极差小于预设稳态极差阈值,并且相邻采样点数值变化量均小于预设单步变化阈值时,对应窗口数据确定为稳态数据段;所述稳态极差阈值依据各类模态数据在正常工况下的历史波动幅值统计确定,单步变化阈值依据相邻采样点最大允许波动量的工程经验取值;
11、根据稳态数据段确定多模态运行数据的稳态基准值,稳态基准值通过对稳态数据段内全部有效采样点实测值求取平均值得到;计算当前时刻多模态运行数据相对稳态基准值的相对偏离程度,相对偏离程度通过当前实测值与稳态基准值差值的绝对值除以稳态基准值并换算为百分比形式得到;预设偏离限值依据各模态数据正常工况下偏离程度的统计分布或行业标准确定,相对偏离程度超出预设偏离限值的模态数据类别标记为异常类别,汇总全部异常类别形成全量异常模态集合。
12、进一步的,s2中划分冗余模态组并筛选异常模态,具体包括:
13、将趋势一致性系数大于趋势一致性判定阈值的两类及以上异常模态划分为同一冗余模态组;
14、计算各冗余模态组内各类异常模态的离差系数,离差系数用于衡量模态信号稳定性与故障表征灵敏度,通过各类异常模态归一化偏离特征的标准差除以均值得到;
15、在每个冗余模态组内保留离差系数最小的一类模态,剔除其余冗余模态;
16、将趋势一致性系数小于或等于趋势一致性判定阈值的异常模态判定为彼此独立,直接予以保留;完成全部异常模态筛选后,所有保留的异常模态共同构成无冗余异常模态子集。
17、进一步的,s2中对全量异常模态集合进行归一化处理及趋势一致性系数计算,具体包括:
18、对全量异常模态集合中各类异常模态对应的时序偏离序列进行归一化处理,将各类时序偏离序列统一映射至无量纲区间,消除不同模态之间的量纲差异;
19、归一化处理通过各类异常模态时序偏离序列中的实测值减去序列最小值,再除以序列最大值与最小值的差值得到;
20、基于归一化后的偏离特征计算任意两类异常模态之间的趋势一致性系数,数值大小反映两类异常模态偏离趋势的同步程度;趋势一致性判定阈值根据开关柜历史运行数据中多模态相关系数的统计分布确定,取正常工况下趋势一致性系数分布的对应分位数作为阈值取值依据。
21、进一步的,s3包括:
22、提取异常模态对应的时序特征参数,时序特征参数包括异常起始时刻与异常持续时长;根据时序特征参数构建模态关联匹配矩阵,识别模态间关联关系;基于异常起始时刻差值与异常持续时长重叠率判断潜在关联关系,结合故障传导时间确定关联关系对应的传导方向;
23、预设时间阈值依据开关柜故障传导时间参数确定,异常持续时长重叠率根据两类异常模态持续时长的极值比值确定。
24、进一步的,s3包括:
25、以异常模态作为节点,以潜在关联关系作为边,结合模态对应物理量属性实施关联边筛选;剔除与物理传导机理不符的关联边,保留与故障传导规律相符的关联边,形成模态间关联传导关系;
26、根据物理量之间是否存在直接因果传导关系实施关联边判定与剔除操作;确定起始时刻最早且无其他模态指向的异常模态为初始节点,由初始节点沿保留的关联边形成关联传导路径,遍历全部节点与边得到全部关联传导路径;单一异常模态不形成关联传导路径并判定为干扰信号。
27、进一步的,s3包括:
28、根据异常模态稳定程度与权重系数计算联合解释度,权重系数根据模态对故障源的表征敏感度确定并实施归一化处理,全部模态权重系数总和保持一致;
29、基于历史故障数据中有效特征集合的统计分布确定联合解释度阈值;对关联传导路径数量与联合解释度实施双重判定,满足联合解释度达到对应阈值且关联传导路径数量唯一的条件时,将对应子集确定为有效故障特征集,不满足条件的子集判定为干扰信号并剔除。
30、进一步的,s4包括:
31、沿有效故障特征集中唯一关联传导路径执行反向追溯操作,从关联传导路径的末端异常模态节点出发,向初始异常模态节点方向依次遍历路径包含的全部节点;追溯过程中依次记录异常模态对应的物理量类型以及异常传导顺序,形成与正向传导路径方向相反的逆向追溯序列;
32、计算逆向追溯序列中异常模态对应的故障贡献度,故障贡献度根据异常模态的信号稳定程度以及异常模态节点在关联传导路径中的层级序号确定;对逆向追溯序列中异常模态的故障贡献度进行排序,确定故障贡献度取值最小的异常模态节点,将此异常模态节点确定为故障源对应的特征节点。
33、进一步的,s4包括:
34、预先建立异常模态类型与物理量类型的一一对应关系,用于将故障源特征节点匹配至对应的物理量类型;预先建立物理量类型与开关柜监测点位的对应关系,用于将物理量类型匹配至对应的监测点位;
35、将监测点位对应的设备部位确定为智慧开关柜的故障源位置,依据故障源位置以及对应异常模态类型生成故障诊断结论,故障诊断结论包含故障源位置、异常模态类型以及故障传导过程;汇总故障源位置信息与故障诊断结论形成完整诊断结果。
36、与现有技术相比,本发明的有益效果是:本发明通过多模态运行数据协同分析实现异常识别,采用滑动窗口结合双阈值判定稳态数据段,提升稳态基准值计算准确性,避免工况波动导致的误判;通过时序偏离序列归一化与趋势一致性系数分析,精准划分同源冗余模态,结合离差系数筛选稳定表征信号,剔除干扰信息,提高异常模态有效性;基于异常起始时刻与持续时长构建关联关系并结合物理传导机理剔除虚假关联,形成真实故障传导路径,避免无物理意义的关联匹配,提升路径可靠性;通过联合解释度与路径唯一性双重判定筛选有效故障特征集,区分有效特征与干扰信号,增强故障判断稳定性;采用反向溯源结合故障贡献度排序定位故障源,匹配物理量类型与监测点位实现精准定位,无需人工干预即可完成全流程诊断;整体方案兼顾数据可靠性、逻辑严谨性与定位准确性,能够适应开关柜复杂运行场景,减少漏判误判,提升故障诊断效率与精度,为设备安全稳定运行提供可靠技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com