電氣傳動中多重故障數據集自動生成方法仿真

張建平，阮 瑩

(河南師范大學新聯學院，河南 鄭州 450046)

1 引言

大型電氣傳動多采用 SIE-MENS SIMADYN D 交交變頻矢量控制調速系統，在工作過程中，一旦出現故障，如果沒有及時的解決，會很有可能造成嚴重的事故，導致經濟發生巨大損失[1]。因此，如何采集并記錄電氣傳動系統中的大量過程數據是設備調試、系統優化、故障排查、可靠運行的重要保障[2]。同時，如何對電氣傳動中多重故障數據集進行自動生成，成為現階段重點研究的課題之一。

目前，對電氣傳動中多重故障數據集自動生成方法有很多，主要有數據特征選擇的故障數據生成方法、數據匹配技術的故障數據生成方法和人工神經網絡的故障數據生成方法。其中，經常使用的是人工神經網絡的故障數據生成方法。該方法對故障數據的生成能夠有效的提高故障數據集的檢測效率和準確率，在一定程度上滿足實際的生產需求，所以受到很多專家學者們的高度關注[3]。文獻[4]提出基于數據特征選擇的關聯規則挖掘方法，通過卡方分裂算法將連續型特征量轉換為布爾型特征量，同時采用MSApriori算法解決故障信息中的稀有項問題，然后在此基礎上應用kulc準則消除冗余規則以形成約簡的代表規則家族。但是該方法在進行多重故障數據集生成時生成時間開銷較大、能量消耗較多。文獻[5]提出基于數據匹配技術的故障類型判據、負荷電流判據與合閘角判據，通過這三重判據的聯動提高數據匹配的可靠性。結合貝葉斯分類算法與突變量電流檢測算法各自的優缺點，設計一種突變點檢測組合算法，能準確求取相關判據參數，實現故障起點檢測。但是該方法在進行多重故障數據集生成時查全率較低。因為電氣傳動故障面臨著復雜性和多樣性的特點，所以，如何有效的提出具有較好的故障數據集生成效果的方法成為當今社會亟待解決的問題。

針對上述問題，提出基于獨立變量分析的多重故障數據集自動生成方法。實驗結果表明，所提方法的多重故障數據集生成時間開銷較小、能量消耗較少、查全率較高。

2 電氣傳動中多重故障數據集自動生成方法

2.1 多重故障數據集模型

電氣傳動中多重故障數據集特征信息一般情況下為一組不穩定的寬帶信號，利用對信號檢測的方法來實現電氣傳動中多重故障數據集自動生成[6]。為此，本文先構建電氣傳動中多重故障數據集模型。在該模型中，利用分布式代碼的手段，將電氣傳動任務代碼分配到多個數據點上，來實現分布式執行，在整個過程完成后，將結果一起返回到客戶端[7-9]。

假設，電氣傳動中多重故障數據集用X={x1，x2，…，xn}來表示，n代表電氣傳動中多重故障數據集X的數量，X中的多重故障數據集分布特征向量是一個p維矢量，并且在X中存在c個故障類別，第i個故障數據類的分類中心用ci={c1，c2，…，ci}來表示，當電氣傳動中多重故障數據集不平穩寬帶信號的時間采樣{x(t1)，…x(tn)}的聯合分布函數和{x(t1+τ)，…x(tn+τ)}的聯合分布函數之間存在一定的關聯性，利用式(1)給出，故障特征函數f(x)的表達式為

f(x)=(θ(k)-c(k))Xci

(1)

式中，θ(k)代表故障點；c(k)代表多重故障數據集采樣時刻；利用模糊度函數來確定多重故障數據集的頻譜特征，獲取故障數據響應變量V值和多重故障數據集之間的函數關系，利用Ri和Rj代表兩個多重故障數據集特征向量集合閉環，因為故障數據特征聯合概率分布函數映射為fR：Ri→Rj，所以對于隨機的mi∈R1都必須要滿足下述多重故障數據集信息提取方程

(2)

式中，x代表電力傳動中多重故障數據集中故障數據的起始頻率均值，ψ代表多重故障數據集訓練集；φ代表電力傳動中多重故障數據集復信號的瞬時幅度；γ代表電力傳動中多重故障數據集的故障數據頻域諧振幅度。

根據上述描述構建的電力傳動中多重故障數據集模型中，該數據集的訪問數據分成顯態故障數據和偽態故障數據，對不同的狀態故障數據提取不同的故障特征[10-11]。

假設，R代表電力傳動中多重故障數據集特征包含的4元組(Ei，Ej，d，t)的信任關系，多重故障數據集分類屬性為A={A1，A2，…，Am}，利用下式給出，電力傳動中多重故障數據集特征信息Pi(t)的狀態方程式為

(3)

計算電力傳動中多重故障數據集信息的時頻特征，建立多重故障信號模型，利用式(10)得到多重故障數據集特征信號模型x(t)的表達式為

(4)

對故障數據集特征進行序列采樣，并對時間進行更新，得到故障數據集不穩定寬帶信號x(t)的頻譜，在采用時頻分析對多重故障數據集特征瞬時頻率進行估計，利用下式給出，電力傳動中多重故障數據集特征概率密度函數為

(5)

多重故障數據集是由α個故障數據樣本所構成的故障數據樣本集，并且各個樣本集中都有m個指標，則第j個樣本的指標特征向量用xj={x1，x2，…，xj}來表示，利用下式給出，多重故障數據集的后驗概率估計pj(k)，即

(6)

為了實現電力傳動中多重故障數據集的自動生成，利用時頻分析法進行多重故障數據集特征提取，得到多重故障數據集特征信息狀態函數為

xi=fi(xi，ui)pj(k)D(xi，Vj)

(7)

式中，xi∈Rn代表故障數據集特征狀態矢量；ui∈Rm代表電力傳動中多重故障數據集的故障特征提取。

2.2 基于獨立變量分析的多重故障數據集自動生成方法

在2.1節故障特征提取的基礎上，利用獨立變量分析方法對多重故障數據集故障特征提取結果進行觀測變量分析，獲取觀測數據偏離標準的程度，從而實現電力傳動中多重故障數據集的自動生成，具體過程如下：

假設，yp代表一個多變量系統，則它的觀測矩陣Y∈Rp×T可表示為

(8)

時刻k的觀測數據y(k)的表達式為

y(k)=(Y+p)T

(9)

式中，p代表電力傳動中多重故障數據集的狀態變量總數;T代表多重故障數據集中單個變量的采樣數。利用相關理論利用下述方法對式(15)進行標準化處理

(10)

式中，E(yi)代表均值，它的表達式

(11)

式中，yi(e)代表多重故障數據集方差，它的表達式

(12)

利用式(10)和式(12)分別得到多重故障數據集標準化處理后的協方差δ的表達式為

(13)

根據獨立變量分析方法，利用下面變換方法對多重故障數據集b個相關觀測變量轉換成互相之間獨立相關的矩陣

(14)

以上述為基礎，多重故障數據集統計量在主元空間中的表達式為

(15)

vi=BihBy

(16)

式中，vi代表多重故障數據集多元觀測投影；Bi代表隨機變量h的協方差矩陣的歸一化特征向量。已知多重故障數據集統計量在殘差子空間中，則

S(k)=T(k)(I-BiBy)y(k)

(17)

為此，在SPE的控制下，利用式(17)得到數據集自動生成函數

(18)

通過上述的方法，可以得到電力傳動中多重故障數據集的觀測數據偏離主元模型的程度，從而實現對電力傳動中多重故障數據集的自動生成。

3 實驗與仿真證明

為了驗證所提基于獨立變量分析的多重故障數據集自動生成方法的有效性，需要進行一次仿真，仿真的硬件環境為CPU為Intel Core i3-370；主頻2.54GHz；操作系統為Windows7，實驗中選取100個電力傳動中多重數據集樣本數量，將所提方法與基于經驗模態分解的多重故障數據集生成方法和基于小波分析的多重故障數據集生成方法進行對比實驗。

將所提方法、基于小波分析的多重故障數據集生成方法和基于經驗模態分解的多重故障數據集生成方法的故障數據生成所需時間開銷(s)進行對比實驗。實驗結果如圖1所示，圖1中，A代表基于經驗模態分解的多重故障數據集生成方法；B代表所提方法；C代表基于小波分析的多重故障數據集生成方法。

圖1 不同方法的時間開銷對比結果

分析圖1可知，隨著故障數據數量的不斷增加，3種方法的時間開銷都發生了一定程度上的變化。基于小波分析的多重故障數據集生成方法的時間開銷曲線一直呈現大幅度上升趨勢。基于經驗模態分解的多重故障數據集生成方法的時間開銷曲線前期處于平緩上升趨勢，到中后期呈現大幅度上升趨勢。所提方法一直呈現平穩趨勢。通過對比可知，所提方法的時間開銷明顯低于基于經驗模態分解的多重故障數據集生成方法和基于小波分析的多重故障數據集生成方法的時間開銷，說明本文方法具有較好的多重數據集故障生成效率。

將所提方法與基于經驗模態分解的多重故障數據集生成方法和基于小波分析的多重故障數據集生成方法的故障數據集生成查全率(%)進行對比實驗，實驗結果如表1所示，方法1代表所提方法；方法2代表基于經驗模態分解的多重故障數據集生成方法；方法3代表基于小波分析的多重故障數據集生成方法。

分析表1可知，隨著故障數據集數量的不斷增加，3種方法的故障數據集生成查全率都逐漸降低。所提方法隨著故障數據數量從20個增加到100個時，故障數據集生成查全率一直處于99%以上；基于經驗模態分解的多重故障數據集生成方法隨著故障數據數量從20個增加到100個時，故障數據集生成查全率一直處于98%以上；基于小波分析的多重故障數據集生成方法隨著故障數據數量從20個增加到100個時，故障數據集生成查全率一直處于97%以上。通過對比可知，所提方法故障數據集生成查全率明顯高于基于經驗模態分解的多重故障數據集生成方法和基于小波分析的多重故障數據集生成方法的故障數據集生成查全率。

表1 不同方法的故障數據集生成查全率對比

將所提方法與基于經驗模態分解的多重故障數據集生成方法和基于小波分析的多重故障數據集生成方法的故障數據集生成能量消耗(J)進行對比實驗，實驗結果如表2所示。表2中，方法1代表所提方法；方法2代表基于經驗模態分解的多重故障數據集生成方法；方法3代表基于小波分析的多重故障數據集生成方法。

表2 不同方法故障數據集生成能量消耗對比實驗

分析表2可知，在故障數據集數量越多的情況下，故障數據集生成的能量消耗也就越多。當故障數據數量為20個時，所提方法故障數據集生成能量消耗與基于經驗模態分解的多重故障數據集生成方法故障數據集生成能量消耗和基于小波分析的多重故障數據集生成方法故障數據集生成能量消耗之間分別相差204W和750W。當故障數據數量增加為100個時，所提方法故障數據集生成能量消耗與基于經驗模態分解的多重故障數據集生成方法故障數據集生成能量消耗和基于小波分析的多重故障數據集生成方法故障數據集生成能量消耗之間分別相差559W和1410W。通過對比可知，所提方法故障數據集生成所用的能量消耗最少，可廣泛應用于各個領域。

4 結束語

對電力傳動中多重故障數據集進行準確快速的生成。提出基于獨立變量分析的多重故障數據集自動生成方法。該方法建立多重故障數據集模型，提取多重故障數據集特征，利用獨立變量分析進行多重故障數據集自動生成。該方法具有較高實用性，可廣泛應用于各個領域。