基于GK模糊聚類的重癥監護設備局部放電故障識別方法

劉燃

(廣東省深圳市龍華區人民醫院，廣東，深圳 518100)

0 引言

在現代醫療體系與技術飛速發展的背景下，重癥監護設備得到了優化升級，能夠及時、準確地預測各類危重病患者的體征指標[1]。但一些設備受人為或者外部條件的影響，會出現局部放電故障。因此醫院配備了系統中最專業的醫護人員以及世界上先進的治療儀器，保證了每個重癥監護病房都在硬件上得到最高的配置。

我國重癥監護病房的體系正在不斷地發展進步，我們開始關注重癥監護傳統病房中存在的一些弊端。在傳統方法中，文獻[2]利用卷積神經網絡和遷移學習構建識別模型；文獻[3]利用小波包分解和支持向量機提出局部放電識別方法。但傳統方法仍存在一定的缺陷，因此在兩種傳統方法的基礎上，融合GK(Gustafson-kessel)模糊聚類算法，提出全新的重癥監護設備局部放電故障識別方法。GK模糊聚類算法研究線性或平面數據，通過度量聚類協方差矩陣，驗證數據的分散程度，從而實現數據分類。通過檢測重癥監護設備局部放電故障，為設備的使用安全和患者安全提供更加合理的技術支持。

1 重癥監護設備局部放電故障識別方法

1.1 提取局部放電超高頻電磁波特征

根據重癥監護設備的結構特點，提取電磁波不同的傳輸特征。在單一的絕緣介質中，電磁波能量沿著電磁波傳輸方向流動，此時的流動速度就是電磁波傳輸波速[4]。假設存在一個平行平面xy，則沿z軸的傳輸速度為

(1)

ρ=γHEy2=σv2

(2)

式中,H與E表示麥克斯韋基本方程中的固定參數,y表示電磁波傳輸。在絕緣介質中的能流密度矢量，可利用下列公式描述：

G=HE=vρ

(3)

式中,G表示坡印廷矢量,ρ表示絕緣介質中的電磁波，傳輸后依然具有相等振幅，因此證明電磁波傳播無衰減[5]。根據原有研究結果可知，電磁波在導體中傳播存在衰減現象，因此將電磁波在均勻導電介質中的傳輸特性描述為

G2E-jρsγE+ρ2σγE=0

(4)

(5)

(6)

根據式(5)和式(6)可以看出，對于良導體而言，電磁波衰減系數α和相位系數β相等且值比較大時，傳播波阻抗隨著頻率的增加而增大；而對于弱導體來說，電磁波傳播速度有小幅度衰減，極度接近單一介質下的傳播速度[6]。將衰減程度與衰減系數和傳播相位系數之間的關系描述為

(7)

計算結果h表示透入深度，反映參數α和β之間的關系，實現對局部放電超高頻電磁波傳輸、衰減特征的提取。

1.2 GK模糊聚類分布不規則的放電數據樣本

(8)

(9)

式中,Dε表示對稱矩陣，其計算公式為

(10)

(11)

式中,φ=1表示平方內積范數。將式(10)的計算結果代入式(9)中，將該范數值代入式(11)，更新模糊劃分矩陣S，至此，實現GK模糊聚類算法對分布不規則放電數據特征樣本的聚類分析[8-9]。

1.3 設置重癥監護設備局部放電模糊識別邏輯

已知重癥監護設備在其應用過程中存在不確定性，因此根據模糊模式進行故障信號識別。擇近原則的基本內容是計算2個模糊子集之間的貼近度。當貼近度越大時，證明模糊子集的相近程度越大；貼近度越小，則說明模糊子集之間的相近程度偏低[10]。因此設Mi是論域U上的m個模糊子集，待識別對象N為論域U上的一個模糊子集。當Mi與U滿足下列條件時，則證明U與Mi最為貼近，此時可以將U與Mi看做同一個模糊集。該條件為

f(Mi,N)={(M1,N),(M2,N),…,(Mm,N)}

(12)

式中,M1、M2、Mm表示最大最小值貼近度計算方法。根據電磁波經過導體后產生的衰減，衰減速度、傳播速度、計算論域U為離散論域和連續論域時的貼近識別精度為

(13)

式中，f1(M,N)表示論域為離散論域時的貼近度，i=1表示論域在閉區間上為連續論域時的貼近度[11]，ui表示多尺度排列熵可以度量信號的復雜度。在不同尺度下，利用GK模糊聚類算法的故障診斷模式，建立重癥監護設備局部放電故障的模糊識別邏輯，對存在的局部放電故障進行識別，找出其中存在問題的傳輸信號[12]。

1.4 構建變量預測模型識別故障信號

假設一組局部放電信號特征向量用T(T1,T2,…,Tp)表示，這些數據之間可能存在對應的線性關系或者是非線性關系，因此有：

T1=f1(M,N)(T2)

(14)

同時也可能存在一對多的線性關系，或者是非線性關系，此時存在：

T1=f(T2,T3,…)

(15)

建立不同的數學模型，區分不同的相互關系，以加強識別效果[13]。假設一個預測參數為Ti，建立如下列公式所示的變量預測模型：

Ti=f(Tj,r0,rj,rjj,rjk)+e

(16)

式中，r0、rj、rjj、rjk表示通過訓練樣本數據，得到的預測模型參數，Ti表示被預測變量，Tj表示預測變量，e表示預測誤差[14]。將設置的局部放電模糊識別邏輯與構建的變量預測模型進行關聯匹配，對重癥監護設備進行局部放電故障識別。利用預測模型進行數據訓練和測試兩個過程獲得故障數據中心，至此完成基于GK模糊聚類算法，對重癥監護設備局部放電故障實現可靠識別[15]。實現重癥監護設備局部放電故障識別方法，其流程如圖1所示。

圖1 重癥監護設備局部放電故障識別流程圖

2 仿真實驗

2.1 準備過程

搭建仿真測試平臺，選擇4臺規格型號完全不同的重癥監護設備作為此次實驗測試對象，降低測試結果的局限性。根據重癥監護設備內部結構特征，此次實驗共仿真4種放電故障類型，如圖2所示。

(a)懸浮放電

圖2(a)金屬顆粒的直徑為0.3 mm。圖2(b)中的針直徑為0.2 mm。圖2(c)中的放電是沿面放電場強較低導致的。圖2(d)模擬三層氣隙，分別由直徑為60 mm、厚度為1 mm的紙板組成。圖3為第一組條件的原始數據分布狀態圖。

圖3 原始數據圖

測試條件準備完畢后開始實驗。本文方法(實驗組)，文獻[3]方法(對照A組)，文獻[4]方法(對照B組)。

2.2 聚類效果分析

將準備的原始數據圖作為實驗測試目標，分別利用3個不同的測試組，對重癥監護設備進行局部放電故障識別預測，圖4為3個測試組對預測信號的聚類效果。

(a)實驗組信號聚類

分析圖4可知，對照A組的聚類效果近似圓形分布；對照B組的聚類效果近似橢圓形分布；實驗組的聚類效果為不規則分布。圖中的圓形代表識別聚類中心。根據圓形在數據中的位置可知，實驗組的圓形更加貼近中心位置。為了進一步檢驗3組識別方法的聚類效果，分別計算3個測試組的分類系數s和平均模糊熵值h，結果如表1所示。

表1 三組識別方法的聚類效果對比

根據計算結果可知，實驗組的分類系數s更接近1，平均模糊熵最接近0。可知此次研究選擇的GK模糊聚類算法最優。

2.3 局部放電識別分析

根據實驗設置的4種局部放電模式，在建立的實驗測試環境中采集局部放電信號，得到4種局部放電模式的歷史數據。統計4組放電數據，計算出相應表征二維譜的統計算子。將實驗組的分類器設為D1，對照A組與對照B組的分類器分別為D2和D3，以第一組局部放電測試條件為參考，分析其他3個測試組在不同訓練時間內的識別精度，測試結果如表2所示。

表2 三組識別方法的識別精度對比測試

根據表2中的數據可知，在測試條件相同的前提下，實驗組的訓練時間和測試時間更短，其識別精度相對更高。綜合4種局部放電模式下，3組識別方法的總體識別效果，如表3所示。

表3 三組識別方法的識別精度綜合測試

根據表3中的結果可知，實驗組的總體識別率比對照A組高了5.77%，比對照B組高了7.67%。可見此次提出的基于GK的模糊聚類的識別方法對重癥監護設備局部放電故障有更好的識別效果。

3 總結

根據實驗測試結果可知，本文基于GK模糊聚類的重癥監護設備局部放電故障提出的識別方法是在傳統方法的基礎上對識別率的進一步提升。但通過仿真測試結果可以看出，此次提出方法的識別率在93%左右，還有較大的提升空間。因此在今后的研究與創新工作中，可以對GK模糊聚類方法進行優化，通過優化算法性能，加強局部放電故障識別效果，為重癥監護設備提供更可靠的技術支持。