張建平，阮 瑩

(河南師范大學(xué)新聯(lián)學(xué)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(diào)速系統(tǒng)，在工作過程中，一旦出現(xiàn)故障，如果沒有及時(shí)的解決，會很有可能造成嚴(yán)重的事故，導(dǎo)致經(jīng)濟(jì)發(fā)生巨大損失[1]。因此，如何采集并記錄電氣傳動系統(tǒng)中的大量過程數(shù)據(jù)是設(shè)備調(diào)試、系統(tǒng)優(yōu)化、故障排查、可靠運(yùn)行的重要保障[2]。同時(shí)，如何對電氣傳動中多重故障數(shù)據(jù)集進(jìn)行自動生成，成為現(xiàn)階段重點(diǎn)研究的課題之一。

目前，對電氣傳動中多重故障數(shù)據(jù)集自動生成方法有很多，主要有數(shù)據(jù)特征選擇的故障數(shù)據(jù)生成方法、數(shù)據(jù)匹配技術(shù)的故障數(shù)據(jù)生成方法和人工神經(jīng)網(wǎng)絡(luò)的故障數(shù)據(jù)生成方法。其中，經(jīng)常使用的是人工神經(jīng)網(wǎng)絡(luò)的故障數(shù)據(jù)生成方法。該方法對故障數(shù)據(jù)的生成能夠有效的提高故障數(shù)據(jù)集的檢測效率和準(zhǔn)確率，在一定程度上滿足實(shí)際的生產(chǎn)需求，所以受到很多專家學(xué)者們的高度關(guān)注[3]。文獻(xiàn)[4]提出基于數(shù)據(jù)特征選擇的關(guān)聯(lián)規(guī)則挖掘方法，通過卡方分裂算法將連續(xù)型特征量轉(zhuǎn)換為布爾型特征量，同時(shí)采用MSApriori算法解決故障信息中的稀有項(xiàng)問題，然后在此基礎(chǔ)上應(yīng)用kulc準(zhǔn)則消除冗余規(guī)則以形成約簡的代表規(guī)則家族。但是該方法在進(jìn)行多重故障數(shù)據(jù)集生成時(shí)生成時(shí)間開銷較大、能量消耗較多。文獻(xiàn)[5]提出基于數(shù)據(jù)匹配技術(shù)的故障類型判據(jù)、負(fù)荷電流判據(jù)與合閘角判據(jù)，通過這三重判據(jù)的聯(lián)動提高數(shù)據(jù)匹配的可靠性。結(jié)合貝葉斯分類算法與突變量電流檢測算法各自的優(yōu)缺點(diǎn)，設(shè)計(jì)一種突變點(diǎn)檢測組合算法，能準(zhǔn)確求取相關(guān)判據(jù)參數(shù)，實(shí)現(xiàn)故障起點(diǎn)檢測。但是該方法在進(jìn)行多重故障數(shù)據(jù)集生成時(shí)查全率較低。因?yàn)殡姎鈧鲃庸收厦媾R著復(fù)雜性和多樣性的特點(diǎn)，所以，如何有效的提出具有較好的故障數(shù)據(jù)集生成效果的方法成為當(dāng)今社會亟待解決的問題。

針對上述問題，提出基于獨(dú)立變量分析的多重故障數(shù)據(jù)集自動生成方法。實(shí)驗(yàn)結(jié)果表明，所提方法的多重故障數(shù)據(jù)集生成時(shí)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(shù)據(jù)集自動生成方法

2.1 多重故障數(shù)據(jù)集模型

電氣傳動中多重故障數(shù)據(jù)集特征信息一般情況下為一組不穩(wěn)定的寬帶信號，利用對信號檢測的方法來實(shí)現(xiàn)電氣傳動中多重故障數(shù)據(jù)集自動生成[6]。為此，本文先構(gòu)建電氣傳動中多重故障數(shù)據(jù)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(wù)代碼分配到多個(gè)數(shù)據(jù)點(diǎn)上，來實(shí)現(xiàn)分布式執(zhí)行，在整個(gè)過程完成后，將結(jié)果一起返回到客戶端[7-9]。

假設(shè)，電氣傳動中多重故障數(shù)據(jù)集用X={x1，x2，…，xn}來表示，n代表電氣傳動中多重故障數(shù)據(jù)集X的數(shù)量，X中的多重故障數(shù)據(jù)集分布特征向量是一個(gè)p維矢量，并且在X中存在c個(gè)故障類別，第i個(gè)故障數(shù)據(jù)類的分類中心用ci={c1，c2，…，ci}來表示，當(dāng)電氣傳動中多重故障數(shù)據(jù)集不平穩(wěn)寬帶信號的時(shí)間采樣{x(t1)，…x(tn)}的聯(lián)合分布函數(shù)和{x(t1+τ)，…x(tn+τ)}的聯(lián)合分布函數(shù)之間存在一定的關(guān)聯(lián)性，利用式(1)給出，故障特征函數(shù)f(x)的表達(dá)式為

f(x)=(θ(k)-c(k))Xci

(1)

式中，θ(k)代表故障點(diǎn)；c(k)代表多重故障數(shù)據(jù)集采樣時(shí)刻；利用模糊度函數(shù)來確定多重故障數(shù)據(jù)集的頻譜特征，獲取故障數(shù)據(jù)響應(yīng)變量V值和多重故障數(shù)據(jù)集之間的函數(shù)關(guān)系，利用Ri和Rj代表兩個(gè)多重故障數(shù)據(jù)集特征向量集合閉環(huán)，因?yàn)楣收蠑?shù)據(jù)特征聯(lián)合概率分布函數(shù)映射為fR：Ri→Rj，所以對于隨機(jī)的mi∈R1都必須要滿足下述多重故障數(shù)據(jù)集信息提取方程

(2)

式中，x代表電力傳動中多重故障數(shù)據(jù)集中故障數(shù)據(jù)的起始頻率均值，ψ代表多重故障數(shù)據(jù)集訓(xùn)練集；φ代表電力傳動中多重故障數(shù)據(jù)集復(fù)信號的瞬時(shí)幅度；γ代表電力傳動中多重故障數(shù)據(jù)集的故障數(shù)據(jù)頻域諧振幅度。

根據(jù)上述描述構(gòu)建的電力傳動中多重故障數(shù)據(jù)集模型中，該數(shù)據(jù)集的訪問數(shù)據(jù)分成顯態(tài)故障數(shù)據(jù)和偽態(tài)故障數(shù)據(jù)，對不同的狀態(tài)故障數(shù)據(jù)提取不同的故障特征[10-11]。

假設(shè)，R代表電力傳動中多重故障數(shù)據(jù)集特征包含的4元組(Ei，Ej，d，t)的信任關(guān)系，多重故障數(shù)據(jù)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(shù)據(jù)集特征信息Pi(t)的狀態(tài)方程式為

(3)

計(jì)算電力傳動中多重故障數(shù)據(jù)集信息的時(shí)頻特征，建立多重故障信號模型，利用式(10)得到多重故障數(shù)據(jù)集特征信號模型x(t)的表達(dá)式為

(4)

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

(5)

多重故障數(shù)據(jù)集是由α個(gè)故障數(shù)據(jù)樣本所構(gòu)成的故障數(shù)據(jù)樣本集，并且各個(gè)樣本集中都有m個(gè)指標(biāo)，則第j個(gè)樣本的指標(biāo)特征向量用xj={x1，x2，…，xj}來表示，利用下式給出，多重故障數(shù)據(jù)集的后驗(yàn)概率估計(jì)pj(k)，即

(6)

為了實(shí)現(xiàn)電力傳動中多重故障數(shù)據(jù)集的自動生成，利用時(shí)頻分析法進(jìn)行多重故障數(shù)據(jù)集特征提取，得到多重故障數(shù)據(jù)集特征信息狀態(tài)函數(shù)為

xi=fi(xi，ui)pj(k)D(xi，Vj)

(7)

式中，xi∈Rn代表故障數(shù)據(jù)集特征狀態(tài)矢量；ui∈Rm代表電力傳動中多重故障數(shù)據(jù)集的故障特征提取。

2.2 基于獨(dú)立變量分析的多重故障數(shù)據(jù)集自動生成方法

在2.1節(jié)故障特征提取的基礎(chǔ)上，利用獨(dú)立變量分析方法對多重故障數(shù)據(jù)集故障特征提取結(jié)果進(jìn)行觀測變量分析，獲取觀測數(shù)據(jù)偏離標(biāo)準(zhǔn)的程度，從而實(shí)現(xiàn)電力傳動中多重故障數(shù)據(jù)集的自動生成，具體過程如下：

假設(shè)，yp代表一個(gè)多變量系統(tǒng)，則它的觀測矩陣Y∈Rp×T可表示為

(8)

時(shí)刻k的觀測數(shù)據(jù)y(k)的表達(dá)式為

y(k)=(Y+p)T

(9)

式中，p代表電力傳動中多重故障數(shù)據(jù)集的狀態(tài)變量總數(shù);T代表多重故障數(shù)據(jù)集中單個(gè)變量的采樣數(shù)。利用相關(guān)理論利用下述方法對式(15)進(jìn)行標(biāo)準(zhǔn)化處理

(10)

式中，E(yi)代表均值，它的表達(dá)式

(11)

式中，yi(e)代表多重故障數(shù)據(jù)集方差，它的表達(dá)式

(12)

利用式(10)和式(12)分別得到多重故障數(shù)據(jù)集標(biāo)準(zhǔn)化處理后的協(xié)方差δ的表達(dá)式為

(13)

根據(jù)獨(dú)立變量分析方法，利用下面變換方法對多重故障數(shù)據(jù)集b個(gè)相關(guān)觀測變量轉(zhuǎn)換成互相之間獨(dú)立相關(guān)的矩陣

(14)

以上述為基礎(chǔ)，多重故障數(shù)據(jù)集統(tǒng)計(jì)量在主元空間中的表達(dá)式為

(15)

vi=BihBy

(16)

式中，vi代表多重故障數(shù)據(jù)集多元觀測投影；Bi代表隨機(jī)變量h的協(xié)方差矩陣的歸一化特征向量。已知多重故障數(shù)據(jù)集統(tǒng)計(jì)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(shù)據(jù)集自動生成函數(shù)

(18)

通過上述的方法，可以得到電力傳動中多重故障數(shù)據(jù)集的觀測數(shù)據(jù)偏離主元模型的程度，從而實(shí)現(xiàn)對電力傳動中多重故障數(shù)據(jù)集的自動生成。

3 實(shí)驗(yàn)與仿真證明

為了驗(yàn)證所提基于獨(dú)立變量分析的多重故障數(shù)據(jù)集自動生成方法的有效性，需要進(jìn)行一次仿真，仿真的硬件環(huán)境為CPU為Intel Core i3-370；主頻2.54GHz；操作系統(tǒng)為Windows7，實(shí)驗(yàn)中選取100個(gè)電力傳動中多重?cái)?shù)據(jù)集樣本數(shù)量，將所提方法與基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法和基于小波分析的多重故障數(shù)據(jù)集生成方法進(jìn)行對比實(shí)驗(yàn)。

將所提方法、基于小波分析的多重故障數(shù)據(jù)集生成方法和基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法的故障數(shù)據(jù)生成所需時(shí)間開銷(s)進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖1所示，圖1中，A代表基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)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(shù)據(jù)集生成方法。

圖1 不同方法的時(shí)間開銷對比結(jié)果

分析圖1可知，隨著故障數(shù)據(jù)數(shù)量的不斷增加，3種方法的時(shí)間開銷都發(fā)生了一定程度上的變化。基于小波分析的多重故障數(shù)據(jù)集生成方法的時(shí)間開銷曲線一直呈現(xiàn)大幅度上升趨勢。基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法的時(shí)間開銷曲線前期處于平緩上升趨勢，到中后期呈現(xiàn)大幅度上升趨勢。所提方法一直呈現(xiàn)平穩(wěn)趨勢。通過對比可知，所提方法的時(shí)間開銷明顯低于基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法和基于小波分析的多重故障數(shù)據(jù)集生成方法的時(shí)間開銷，說明本文方法具有較好的多重?cái)?shù)據(jù)集故障生成效率。

將所提方法與基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法和基于小波分析的多重故障數(shù)據(jù)集生成方法的故障數(shù)據(jù)集生成查全率(%)進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示，方法1代表所提方法；方法2代表基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法；方法3代表基于小波分析的多重故障數(shù)據(jù)集生成方法。

分析表1可知，隨著故障數(shù)據(jù)集數(shù)量的不斷增加，3種方法的故障數(shù)據(jù)集生成查全率都逐漸降低。所提方法隨著故障數(shù)據(jù)數(shù)量從20個(gè)增加到100個(gè)時(shí)，故障數(shù)據(jù)集生成查全率一直處于99%以上；基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法隨著故障數(shù)據(jù)數(shù)量從20個(gè)增加到100個(gè)時(shí)，故障數(shù)據(jù)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(shù)據(jù)集生成方法隨著故障數(shù)據(jù)數(shù)量從20個(gè)增加到100個(gè)時(shí)，故障數(shù)據(jù)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(shù)據(jù)集生成查全率明顯高于基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法和基于小波分析的多重故障數(shù)據(jù)集生成方法的故障數(shù)據(jù)集生成查全率。

表1 不同方法的故障數(shù)據(jù)集生成查全率對比

將所提方法與基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法和基于小波分析的多重故障數(shù)據(jù)集生成方法的故障數(shù)據(jù)集生成能量消耗(J)進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)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(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法；方法3代表基于小波分析的多重故障數(shù)據(jù)集生成方法。

表2 不同方法故障數(shù)據(jù)集生成能量消耗對比實(shí)驗(yàn)

分析表2可知，在故障數(shù)據(jù)集數(shù)量越多的情況下，故障數(shù)據(jù)集生成的能量消耗也就越多。當(dāng)故障數(shù)據(jù)數(shù)量為20個(gè)時(shí)，所提方法故障數(shù)據(jù)集生成能量消耗與基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法故障數(shù)據(jù)集生成能量消耗和基于小波分析的多重故障數(shù)據(jù)集生成方法故障數(shù)據(jù)集生成能量消耗之間分別相差204W和750W。當(dāng)故障數(shù)據(jù)數(shù)量增加為100個(gè)時(shí)，所提方法故障數(shù)據(jù)集生成能量消耗與基于經(jīng)驗(yàn)?zāi)B(tài)分解的多重故障數(shù)據(jù)集生成方法故障數(shù)據(jù)集生成能量消耗和基于小波分析的多重故障數(shù)據(jù)集生成方法故障數(shù)據(jù)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(shù)據(jù)集生成所用的能量消耗最少，可廣泛應(yīng)用于各個(gè)領(lǐng)域。

4 結(jié)束語

對電力傳動中多重故障數(shù)據(jù)集進(jìn)行準(zhǔn)確快速的生成。提出基于獨(dú)立變量分析的多重故障數(shù)據(jù)集自動生成方法。該方法建立多重故障數(shù)據(jù)集模型，提取多重故障數(shù)據(jù)集特征，利用獨(dú)立變量分析進(jìn)行多重故障數(shù)據(jù)集自動生成。該方法具有較高實(shí)用性，可廣泛應(yīng)用于各個(gè)領(lǐng)域。