基于机器学习的吊装设备运行风险预警方法及系统与流程

本发明涉及吊装设备故障诊断的。更具体地，本发明涉及基于机器学习的吊装设备运行风险预警方法及系统。

背景技术：

1、在变电站改建等强工频电磁环境下，吊装设备运行监测通常依赖加速度传感器拾取振动信号进行故障预警。然而，加速度信号线缆极易通过电磁耦合引入50hz及其工频谐波干扰，且干扰强度随负载变动及设备位移呈非稳态阶跃变化。常规信号处理手段多采用固定陷波器或定步长自适应滤波器进行噪声抵消，其参数无法依据电磁干扰的剧烈程度动态调节，导致滤波环节在快变干扰下收敛滞后、暂态失真严重，或在稳态时引入过大失调，从而削弱乃至抹除表征机械早期故障的宽频瞬态冲击；同时，现有基于时域和频域的统计特征提取方式，未系统考量各候选特征与电磁环境强度的依赖关系，使得对电磁扰动敏感的特征维度直接进入下游风险模型，成为诱发误判的潜在根源。

2、在风险决策层面，现有方法多直接以风险模型的瞬时输出作为报警判据，缺少对电磁瞬态尖峰或持续漂移所导致的风险评分失真的鲁棒处理。开关操作、雷击感应等突发强电磁事件可在短时窗内造成风险值畸升，频繁触发虚假警报；而长时间处于非平稳电磁干扰下，则可能使真实故障风险被环境噪声所遮盖，形成漏报。上述因素综合导致监测系统难以在保持故障检测灵敏度的同时，有效降低由电磁环境诱发的虚假警报率。因此，亟需一种能够自适应跟踪电磁变化进行信号解耦、依据电磁关联度筛选抗扰特征，并对风险评分实施动态置信修正的吊装设备运行风险预警方法。

技术实现思路

1、现有技术中，亟需一种能够自适应跟踪电磁变化进行信号解耦、依据电磁关联度筛选抗扰特征，并对风险评分实施动态置信修正的吊装设备运行风险预警方法。针对上述问题，本发明在如下的多个方面中提供方案。

2、第一方面，本发明提供基于机器学习的吊装设备运行风险预警方法，采用如下的技术方案：基于机器学习的吊装设备运行风险预警方法包括：采集加速度信号和电场参考信号，提取电场参考信号的平滑包络，并将包络斜率限幅映射为时变步长因子；以该时变步长因子驱动自适应滤波器对加速度信号进行噪声抵消，得到解耦信号；对解耦信号分帧提取候选时频特征，利用电场参考信号计算各特征与电磁强度间的归一化互信息，依据预设拒绝阈值剪除电磁依附特征，生成抗扰特征子集；基于抗扰特征子集由风险模型得到窗口最大风险值，基于电场包络平稳性指标对窗口最大风险值进行修正并平滑融合，且连续低平稳时旁路保护。

3、进一步地，采集加速度信号和电场参考信号，包括：同步采集三轴加速度信号和电场参考信号；计算各轴向加速度信号与电场参考信号的相关系数，选取相关系数最大的轴向加速度信号作为待解耦信号，并将待解耦信号作为加速度信号进行后续处理。

4、进一步地，提取电场参考信号的平滑包络，包括：对电场参考信号进行希尔伯特变换得到解析信号，对解析信号取模得到原始包络序列；将原始包络序列输入截止频率为十赫兹的二阶巴特沃斯低通滤波器，得到平滑包络。

5、进一步地，将包络斜率限幅映射为时变步长因子，包括：计算平滑包络在相邻采样时刻的瞬时变化斜率，并对瞬时变化斜率的绝对值进行限幅，若超过预设的包络斜率幅值上限则截取为包络斜率幅值上限，得到限幅斜率绝对值；将限幅斜率绝对值通过线性映射转换为时变步长因子，其中时变步长因子为基础步长因子与斜率灵敏度系数和限幅斜率绝对值的乘积之和，基础步长因子为电磁环境平稳时的基准学习速率，斜率灵敏度系数为反映步长因子随斜率增大而增大的预设常数。

6、进一步地，以时变步长因子驱动自适应滤波器对加速度信号进行噪声抵消，得到解耦信号，包括：构建抽头数目为预设值的横向滤波器，横向滤波器的当前时刻的全部抽头系数构成系数向量，并将电场参考信号的当前及之前预设数量的延迟信号排列为延迟线向量；将系数向量与延迟线向量的内积作为当前时刻的电磁噪声估计值；将加速度信号减去电磁噪声估计值，得到误差信号作为解耦信号；利用时变步长因子、解耦信号以及延迟线向量，对系数向量中的每个抽头系数进行自适应更新。

7、进一步地，对解耦信号分帧提取候选时频特征，包括：对解耦信号进行加窗分帧处理，窗长度取预设点数且相邻帧之间保留预设比例的重叠区域；对每一信号帧，计算预设的时域特征和频域特征作为候选时频特征，其中时域特征包括均方根值、峰峰值和波形因子，频域特征包括谱重心、一百赫兹至五百赫兹频带能量比和峭度谱系数。

8、进一步地，利用电场参考信号计算各特征与电磁强度间的归一化互信息，包括：对于每一信号帧，计算该帧对应时段内平滑包络的幅值的算术平均值，作为该帧的帧内电磁强度标量；利用历史无故障数据，获取每个候选特征的取值序列和对应的帧内电磁强度标量序列；将每个候选特征的取值序列和帧内电磁强度标量序列的数值范围分别等分为预设数量的区间，统计各区间组合内的帧数构建联合直方图，并由联合直方图得到两序列各自的边缘直方图；基于联合直方图和边缘直方图，计算该候选特征与电磁强度之间的互信息，以及该候选特征的边际熵和电磁强度的边际熵；将互信息除以候选特征的边际熵与电磁强度的边际熵中较小者，得到该候选特征与电磁强度的归一化互信息程度。

9、进一步地，依据预设拒绝阈值剪除电磁依附特征，生成抗扰特征子集，包括：设定电磁敏感拒绝阈值；将归一化互信息程度大于电磁敏感拒绝阈值的候选特征标记为电磁依附特征并移除，保留的特征构成抗扰特征子集。

10、进一步地，若保留的特征数量小于预设的最小特征保有量，则将电磁敏感拒绝阈值上调预设增量后重新执行标记和移除操作，直至满足最小特征保有量。

11、第二方面，本申请公开一种基于机器学习的吊装设备运行风险预警系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求上述的基于机器学习的吊装设备运行风险预警方法。

12、本发明实施例至少具有如下有益效果：

13、1.本申请利用电场平滑包络的瞬时斜率动态调节自适应滤波器步长因子，电磁突变时步长自动增大使滤波器在数个工频周期内快速收敛，避免抹除吊索急停等宽频瞬态冲击特征；平稳时步长回归基准值，维持低稳态失调。该解耦机制从源头分离电磁噪声与机械振动，为特征提取提供高保真振动数据。

14、2.本申请计算各候选特征与帧内电磁强度的归一化互信息，量化特征对电磁扰动依赖性；依据拒绝阈值和最小特征保有量约束动态剪除电磁依附特征，生成抗扰特征子集。由此下游模型摆脱电磁环境波动对特征空间的污染，主要依据机械状态变化判别，降低变工况虚警概率，且有助于剪除后子集保有故障判别能力。

15、3.本申请基于电场包络变异系数构建电磁平稳性指标，按指标高低分档对窗口风险值进行维持、线性压缩或压制加权修正，通过指数加权移动平均融合为综合风险程度，并设置旁路保护在连续强干扰下解除压制以防漏报。该决策机制在平稳期保持风险灵敏度，在瞬变期压缩虚警尖峰，实现预警可靠性与抗扰性的平衡。

1.一种基于机器学习的吊装设备运行风险预警方法，其特征在于，包括以下步骤：采集加速度信号和电场参考信号，提取所述电场参考信号的平滑包络，并将包络斜率限幅映射为时变步长因子；根据平滑包络的幅值得到电磁强度；

2.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述采集加速度信号和电场参考信号，包括：同步采集三轴加速度信号和所述电场参考信号；

3.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述提取所述电场参考信号的平滑包络，包括：对所述电场参考信号进行希尔伯特变换得到解析信号，对所述解析信号取模得到原始包络序列；

4.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述将包络斜率限幅映射为时变步长因子，包括：计算所述平滑包络在相邻采样时刻的瞬时变化斜率，并对所述瞬时变化斜率的绝对值进行限幅，若超过预设的包络斜率幅值上限则截取为所述包络斜率幅值上限，得到限幅斜率绝对值；

5.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述以所述时变步长因子驱动自适应滤波器对所述加速度信号进行噪声抵消，得到解耦信号，包括：构建抽头数目为预设值的横向滤波器，所述横向滤波器的当前时刻的全部抽头系数构成系数向量，并将所述电场参考信号的当前及之前预设数量的延迟信号排列为延迟线向量；

6.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述对所述解耦信号分帧提取候选时频特征，包括：对所述解耦信号进行加窗分帧处理，窗长度取预设点数且相邻帧之间保留预设比例的重叠区域；

7.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述利用所述电场参考信号计算各特征与电磁强度间的归一化互信息各候选时频特征与平滑包络的幅值间的归一化互信息，包括：对于每一信号帧，计算该帧对应时段内所述平滑包络的幅值的算术平均值，作为该帧的帧内电磁强度标量；

8.根据权利要求7所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，所述依据预设拒绝阈值剪除电磁依附特征，生成抗扰特征子集，包括：设定电磁敏感拒绝阈值；

9.根据权利要求1所述的基于机器学习的吊装设备运行风险预警方法，其特征在于，若保留的特征数量小于预设的最小特征保有量，则将所述电磁敏感拒绝阈值上调预设增量后重新执行所述标记和移除操作，直至满足所述最小特征保有量。

10.根据权利要求1所述的基于机器学习的吊装设备运行风险预警系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-9任一项所述的基于机器学习的吊装设备运行风险预警方法。