電力采集設備智能診斷與故障預警技術研究

國網三門峽供電公司 師啟源

1 電力采集設備故障智能診斷與預警的關鍵技術及應用

1.1 BP神經網絡算法

BP神經網絡實際所具備的非線性影射能力始終保持在較強水平，在當前得到了廣泛性應用。標準的三層BP神經網絡拓撲結構包含輸入層、輸出層、隱含層。

圖1 神經網絡拓撲結構圖

在BP神經網絡拓撲結構中，輸入層所輸入的參數設定為（X1,X2,...,XM），個數為M個；在權值Wij的支持下，所有輸入能夠連接隱含層，在隱含層內包含著的神經元數量設定為L個；在權值Wij的支持下，隱含層能夠與輸出層相連接，設定輸出層所輸出的參數為（Y1,Y2,...,YN），個數為N個。將BP神經網絡的激勵函數設定為sigmoid，則有：。

輸入層神經元輸入設定為X，有X=（X1,X2,...,XN）；隱含層神經元輸入設定為S，有S=（S1,S2,...,SL）；隱含層神經元輸出設定為B，有B=（B1,B2,...,BL）；輸出層神經元輸入設定為T，有T=（T1,T2,...,TL）；輸出層神經元輸出設定為Y，有Y=（Y1,Y2,...,YN）。其中，隱含層輸入神經元使用下式完成計算，即有：；隱含層輸出神經元使用下式完成計算，即有：Bj=f（Sj）；輸出層輸入神經元使用下式完成計算，即有：；輸出層輸出神經元使用下式完成計算，即有：Yk=f（Tk）。

1.2 BP神經網絡在電力采集設備故障智能診斷與預警中的應用

BP神經網絡初始化以及數據處理。將電力采集設備的征兆變量設定為BP神經網絡的輸入量，選取振動信號中不同頻段的振幅比值作為電力采集設備的故障征兆。基于此，常見的多種故障振動信號特征值為BP神經網絡的輸入量，故障的隸屬度為輸出值，取值范圍限定為[0,1]，其中，輸出值為0時表示不存在故障；在隸屬度（輸出值）越大的情況下，意味著存在故障的可能性更大；輸出值為1時表示存在嚴重故障問題。

電力采集設備故障診斷模型結構的選定。結合輸入振動信號特征值的個數確定出輸入節點的個數，以此分別表示電力采集設備不同的振動信號特征值；結合常見故障的個數確定出輸出節點的個數，以此分別對應各個電力采集設備的常見故障。在此基礎上，確定出隱含層節點的個數。診斷模型參數的設定。設定連接權值，保證權值與閾值的選定更為合適；設定學習速率，出于對診斷與預警結果穩定性的考量，可以設定0.75為學習速率，0.85為動量因子，組織展開5000次的訓練；確定網絡收斂的誤差性能指標，為訓練是否完成的準確判斷提供支持。

2 電力采集設備故障智能診斷與預警系統的總體架構設計

電力采集設備故障智能診斷與預警系統是采集電力設備關鍵點的溫度、振動、圖像、聲音及驅動設備的電力綜合信息，利用物聯網技術、智能算法，對獲取的數據進行分析，實現電力采集設備的健康狀態診斷及預測，及時發現故障，準確分析故障原因，降低維修成本，精準購置備件，減少庫存占用資金，由計劃維修轉變為狀態維修，實現電力采集設備及關鍵配件的全生命周期管控[1]。

本研究中所設計的電力采集設備故障智能診斷與預警系統包含系統管理功能模塊、設備信息管理功能模塊、設備故障診斷功能模塊、設備故障預警功能模塊這四部分。通過對電力采集設備的有效管理、故障識別與預測，大幅減少故障停機時間，有助于用戶合理使用能源、降低生產能耗。通過對電力采集設備的實時監測、數據存儲、智能分析及控制，有效提高電力采集設備綜合運維及管理水平。

其中，系統管理功能模塊主要承擔著提供用戶登錄與退出系統、完善與修改用戶個人信息等服務的任務；設備信息管理功能模塊主要承擔著監測設備運行參數信息、管理設備歷史故障數據等任務；設備故障診斷功能模塊主要承擔著分析試驗數據并自動形成故障診斷結果，為設備檢修提供決策方面的支持的任務；設備故障預警功能模塊主要承擔著結合診斷功能模塊所得到的結論，給出預警措施的任務。

該系統的功能結構與運行邏輯如下：現實歡迎界面，判斷是否為第一次登錄，如果判斷結果為“用戶非第一次登錄系統”，則跳轉至登錄界面；如果判斷結果為“用戶第一次登錄系統”，則跳轉至菜單界面，提供“運行狀態”“預警信息”“設備信息”“歷史信息”這幾項功能按鍵；在用戶選定“歷史信息”后，跳轉至登錄界面；在用戶選定“預警信息”后，轉入預警信息界面，提供“預警信息管理”“故障設備信息”“故障解決方案”“維修記錄”這幾項服務。該系統基于B/S架構設計，以軟件為核心實現了方案的定制化和模塊化，內置工業設備機理模板，涵蓋了設備資產管理、設備實時監測及故障診斷等模塊，實現了機器學習模型的數據下發和統一部署，提供及時報警、生成報表及數據管理等功能，全面實現工業4.0中強調的數據化和可視化。

3 電力采集設備故障智能診斷與預警系統的具體功能模塊及數據庫設計

3.1 系統管理功能模塊

該功能模塊主要提供權限管理與用戶管理這兩方面的服務，即針對系統用戶實施統一性管理，并面向不同用戶分配不同的權限。在系統管理功能模塊的支持下，用戶可以在登錄界面內依托用戶名、密碼的輸入與驗證完成系統登錄，結合其身份角色（檢修人員角色、系統管理員角色等）的不同，以及級別之間的差異性，系統為其提供不同的可訪問界面與系統功能，以此約束用戶結合自己的身份獲取到對應的訪問權限以及服務[2]。

3.2 設備信息管理功能模塊

在設備信息管理功能模塊中，主要對三類信息進行管理：站點與設備的基礎信息。包括設備類型、設備編號、設備管理部門等，且該模塊支持對相應信息的新增、編輯修改與刪除；設備故障數據信息。包括設備故障類型、位置、發生事件等，該模塊支持用戶查詢、添加、編輯修改、刪除相應信息，以此持續完善在線故障診斷知識庫；設備監測信息。包括設備運行狀態信息、設備運行監測時間信息等。在實際的系統運行期間，設備信息管理功能模塊能夠為用戶提供各個站點、各個設備的所有參數信息查詢的便利條件，也為設備故障智能診斷的實現提供更多有價值的信息數據支持。

另外，在設備信息管理功能模塊內建立一個電子版的動態“健康檔案”，包含設備主要信息、保養記錄、注油時間、大、中修、報廢記錄等。統一規劃設備的定期保養、故障維修、預防性維護、部件潤滑。

3.3 設備故障診斷功能模塊

在本系統的實際運行期間，設備故障診斷功能模塊主要從聲振、電流、視覺、色譜等多角度入手，利用多通道傳感融合的手段，采集設備運行狀態中的多種相關數據參數，診斷電力采集設備的局放、振動及異響問題，并利用設備運行機理知識及平臺算法為用戶提供綜合性的解決方案。該功能模塊與設備信息管理功能模塊之間存在著搭配運行的關系，故障智能診斷中，重點針對電力采集設備的運行狀態實施無間斷實時在線監測，收集運行狀態數據并上傳至數據匯聚層進行邊緣計算，利用高性能設備及自有算法實現數據特征樣本的提取，最后在云端應用層中進行特征樣本的數據匯總并執行最終的診斷決策。形成多維度，多層級的遞進式數據信息增益，并通過智能分析影響決策樹，對設備形成統一的管理和預警，通過數字孿生的手段對設備現場形成有效的實時監控。

本系統利用設備狀態實時監測數據和電力采集設備信息管理模塊數據，可滿足現場設備管理與運行維護人員的設備監測和故障分析需求，實現對設備故障從發現到處理完成的全過程管理。通過設備在線檢測對設備運行信息分析，實現自動預警與及時采取響應措施。該系統支持聲振在線監測和局放在線監測，同時采用了高性能嵌入式處理器硬件以及緊湊式外形設計，支持多路模擬量數據采集及協議類數據通訊支持全模塊化軟件定制，能夠接駁不同類型的傳感器，實現傳感融合式的大數據及人工智能診斷。在此基礎上，還提供不同應用的軟件套件，用戶可更加快速地進入監測模式，套件內部集合機理與AI模型庫，內置多種聲振信號處理算法，對于不同情況可以自定義不同模板對應不同監測手段。

3.4 設備故障預警功能模塊

該模塊的主要功能為：利用系統選定監控項目的歷史數據、設備運行參數，設備在線監測參數的顯示、設定參數閾值、生成故障預警信息等。其中，系統能夠為用戶顯示所檢測設備的參數信息，設備編碼、設備類型為輸入項，對應設備的參數信息為輸出項，以此實現對設備故障的監測。系統能夠為用戶顯示所檢測設備的歷史數據信息，設備編碼、設備類型、查詢時間為輸入項，對應設備的歷史數據為輸出項，以此實現歷史數據查詢功能。在系統運行期間，可結合對該模塊的使用，針對某設備運行參數的閾值上限以及下限進行設定，即設定參數閾值。另外，結合對BP神經網絡的應用，完成故障范圍與類型的確定，判斷故障嚴重程度并及時發出預警提示、提供更具參考性的預警信息。

結合對系統設備故障診斷功能模塊中電子版的動態“健康檔案”的利用，實現設備相關業務的超期預警提示，通過設備點檢、潤滑、維護保養預設的預警時間，當超過預警時間未處理時，進行預警提醒，可以采用手機App通知或短信通知的方式進行。另外，建立備件與設備的關聯關系，可以快速查詢備件。統計備件數據，實現備件數量入庫出庫的統計。建立備件庫存預警機制，低于預警庫存時，支持消息推送提醒相關責任人。在檢修設備時，可以添加需要更換或維修的零部件。

3.5 數據庫設計

在本系統內引入了一種基于開放源代碼的關系數據庫管理系統，即MySQL關系數據庫，并結合對結構化查詢語言的使用，落實對該數據庫的管理。在該關系數據庫內，利用二維表保存數據信息，各個二維表所代表的數據信息不盡相同。在設備信息表內，保存著的數據信息主要包括設備編號、設備故障信息、設備歷史數據、設備運行在線監測數據。出于對提升數據庫安全性與完整性水平的考量，切實參考數據庫的實際作用，針對其中包含著的任意一個表及其各個屬性，均落實了對數據類型與唯一性的設定，并在外鍵的支持下實現對各個表的聯系。

圖2 數據庫表關系圖

綜上所述，電力采集設備故障智能診斷與預警系統依托對設備關鍵點的溫度、振動、圖像、聲音及驅動設備等電力綜合信息的采集，利用物聯網技術、BP神經網絡算法，對獲取的數據進行分析，實現電力采集設備的健康狀態診斷及預測，促使對電力采集設備及關鍵配件的全生命周期的管控成為現實。