基于機器學習算法的電氣設備故障預測與診斷

李 赟

（青島特殊鋼鐵有限公司）

0 引言

鋼鐵廠中電氣設備的應用，關乎著工作人員的工作效率，更關乎工作人員的生命安全。所以，電氣設備故障預測與診斷工作的開展是必要的。如何判別電氣設備是否存在異常，防止故障問題的影響加劇，成為我們著重探討的內容。在此可以基于常見的幾種電氣設備損壞情況進行分析，了解絕緣損壞、斷線以及短路問題所帶來的影響，確認電氣信號特征，以生成故障的診斷模型，從而運用故障診斷及分類的方式，確認是否存在故障，及時將其解決。

1 基于機器學習算法的電氣設備故障類型

1.1 測試設備時的故障

在電氣設備發生故障時，若測試環節未發生過大的問題，可能是測試設備所引發的故障。例如：在測試階段，員工出現誤操作的情況，造成設備發生故障的可能性增加。或者，在鋼鐵廠員工在觀察電效應時，存在物理現象。此時，需要借助示波器執行測定工作。若操作環節未增加對電氣設備方面的思考，則無法保證設備正常運行，導致低阻回路的情況發生，或是電線及電纜被老鼠咬斷，也會引發設備發生故障，從而造成設備發生異常。

1.2 元器件損壞引發故障

基于電子產品的應用層面進行分析。因為電路內所含有的線路數量及元器件相對加多，所以，元器件多數相對精細。如若在電路的組成區域內發生問題，則會引發電子電路故障，使電容、電阻和晶體管等發生異常，容易燒壞元器件，導致電路中的電力輸入及輸出情況發生異常。

1.3 電路接觸環節故障

若電路在運行過程中出現不穩定的情況，總是間歇性地進行通電，則會增加電路故障的概率。此問題多半由于電路接觸環節的故障所導致。

1.4 人為因素造成故障

受到人為因素影響，導致操作人員未了解電源的連接狀態，造成元器件在安裝的過程中出現差錯，甚至忘記安裝元器件等情況。這樣，也會增加電氣設備的故障可能。

2 基于機器學習算法的電氣設備故障預測與診斷措施

2.1 加強電動機單向管理，實現故障預測與診斷

為防止人為等干擾因素對電氣設備造成影響，可以通過加強對，加強對電動機的單相管理操作方式，確認鋼鐵廠內是否存在非故障性以及故障性的熔斷。首先可加強現場內的監督及檢查工作，保證電動機是正確進行安裝的，讓低壓線路及電器在安裝過程中不會出現問題，以保證電動機單向管理的合理性。同時，可以利用數據信息的自動檢索方式，保證故障預測與診斷工作的順利開展。

其次，可以確認熔體的具體容量，通過公式計算的方式，確認電動機的額定電流。其中額定電流=K*電動機的額定電流。而耐熱用量K的取值范圍通常在1.5-2.56之間，最小容量在4-6以內。對此，可以結合K值的變化情況，確認電動機中所產生的負荷，有效規避回來方面發生故障問題。也可檢查接觸器觸頭區域，熱繼電器等區域的安裝、選擇情況，把控電器元件質量的同時，運用預防措施，完成故障預測與診斷。這樣，則可完成對電氣設備的故障預測以及故障診斷。

2.2 做好配電設備管理工作，模擬設備并確認故障

基于機器學習算法而言，其作為 多領域的交叉學科，不僅涉及到統計學、概率論、凸分析、逼近論等內容，更會通過模擬的方式，實現學習行為。所以，為完成電氣設備故障預測與診斷工作，可以運用小波包分析，了解電氣設備的基本表征。利用正交濾波器并協調其在應用過程中的關系。結合電力網可能發生的損害，對完成氣設備的振動信號進行確認，也可采用小波包分解的方式，確認在不同頻段內的序列，以推算出在某一級的平均能量，各子頻能量等。

2.3 基于卷積神經網絡分析，了解設備故障情況

通過卷積神經網絡的搭建，確認卷積層，讓其與池化層是如何進行連接的，剖析其中的內容，以形成網絡基本結構。這樣，了解設備故障情況即便卷積神經網絡是有對個干卷積層組合而成的，也可采用數據數據→數據旋轉→縮放的方法，對圖像進行識別，使電壓，電流的變化情況能夠更加清晰地展現，以保證網絡結構得到優化。防止原始的數據內容發生操作不正確，分類不嚴謹的情況。

同時，可以結合電氣設備所受的紫外線強度、溫度及濕度等多方面的影響，實現對高壓斷路器、變壓器的診斷，在工作過程中與SVM算法進行配合，以保證數據中的基本概率能夠得到合理分配，確保復合故障的診斷工作有效實施。這樣一來，卷積神經網絡可以應用于基本概率的分配過程中，采用復合診斷的方式，使電力系統能夠順利進行測量，也可采用參數調節的方式，達成網絡的構建目標，使系統可了解電氣設備的振動信號特征（x1j），讓其以映射的方式，確認激活函數的狀態（f），得到電氣設備在振動過程中的信號特征數（M），卷積核（k1i）j；卷積符（*）；偏置（b1j）等內容（如圖1所示）。

圖1 卷積神經網絡搭建流程圖

同時，也可運用公式計算的方式，確認各層之間的關系，具體如下：

并且，將輸出的結構進行整合，依靠softmаx分類器完成處理工作，以保證在電氣設備運行過程中存在的故障可以被合理分類，有效地預防電氣設備故障問題的發生。也可運用卷積神經網絡，確認其中的振動信號，通過Tеаgеr 能量算子的支持，讓振動信號能夠被放大。

也可依靠反向傳播算法，實現對電氣設備運行狀態的監督與管理，讓分類器可以不斷進行優化，以掌握各個參數的變化值。如此，利用故障分類的方式，保證模型的診斷工作能夠合理實施。并且，在訓練的過程中，依靠卷積神經網絡，簡化故障診斷與分類的流程（如圖2所示）。

圖2 卷積神經網絡故障分類與診斷流程圖

2.4 實行性能測試試驗，精準預測故障與診斷

首先確認試驗數據，確認設備是否存在三相不平衡的情況，在強化電氣設備的振動信號的同時，若電氣設備存在三相不平衡問題，可采用放大試驗的方式，使振動信號不會出現過多的損失。

例如：若電機相電流存在不平衡的情況，可能是由于線組斷路、匝間斷路的情況引起的，此時，可運用同步放大的方式，防止電機被燒毀，確保微弱振動信號也能夠被提取。這樣，則可通過紅外熱成像技術的輔助，在特征提取工作實施完畢后，確認電機三相是否平衡，若平衡，則相電流保持一致，這樣方可進行測試與訓練，得到精準的結果［1］。

其次可運用50次左右的操作，檢查是否為電源問題，完成對故障的分析，運用實驗演練的方式，確認電機是否存在故障，保證正確率可以提高到90%，使得網絡訓練的正確率也有所提升。若完成200次左右的訓練，則可保證正確率與100%貼近。據此，則可保證試驗數據是精準無誤的。使工作人員可以通過簡便操作就可以判斷電氣設備有無故障可能［2］。

例如：通過電氣設備的分類，確認在規定檢測時間內，設備有無故障問題出現以及其故障的類型，憑借專家系統了解現場內電氣元件的管腳區域是否有熱脹冷縮的情況，運用模糊邏輯以及神經網絡，掌握電器設備接觸是否存在電阻增大的可能。由此，創建出智能化模型，以得出準確地結果。分析電氣設備是否存在接觸不良的問題，有無螺絲未擰緊的可能。此時，工作人員選擇精準地判斷方式，則可了解準確的數據內容，從而及時對電氣設備進行維修養護［3］。

最后，在性能測試試驗工作開展過程中，可以進行故障建模。運用先驗信息以的方式，確認各項數據內容的輸入以及輸出關系。通過數據模型的創建，增加在故障診斷以及檢測工作中的基礎依據。這樣，則可采用不可測以及可測估計變量的方式，確認系統是否存在故障。及時了解故障的發生原因，準確地找出故障源所在位置。通過對故障原因的判斷，實現對故障程度的計算。得出故障結果、故障大小以及故障發生時間等內容。另外，可以綜合測試以及故障診斷的方式，保證設備在后續維修以及養護環節不會發生問題。

3 結束語

綜上所述，為實現對電氣故障的分類與診斷，應做好信號采集、分類、處理以及診斷工作，增加各項操作之間的關聯，保證處理結果是準確無誤的。只有如此，才能確保電氣設備不會發生故障，若存在故障也可在第一時間確認其位置。以夯實鋼鐵廠內電氣設備的運行基礎，保證工作人員采用電動機單相運行管理等方式，完成電氣設備的檢測工作，從而確保設備的合理運行，讓工作人員精準判斷出故障類型及原因，以實現對其的處理。