多模态故障诊断与预警方法与流程

本发明涉及变电站故障预测，更具体地说，本发明涉及多模态故障诊断与预警方法。

背景技术：

1、现有的多模态故障诊断与预警方法通常包括以下技术流程：首先，系统从多个传感器或数据源中采集不同模态的数据，如电流、电压、温度、振动、声波等信号。然后，通过数据预处理步骤，如去噪、归一化和降维，确保数据的质量与一致性。接着，使用特征提取方法（例如时频分析、小波变换或深度学习）从每个模态中提取相关特征，并通过特征融合或决策融合等方法，将多模态信息进行综合处理，捕捉潜在的故障特征。最后，基于融合后的特征输入到预测模型或分类器中，进行实时的故障诊断与预警，输出设备的健康状态和潜在故障类型。

2、例如公告号为：cn109901090b的发明专利公告的变电站的测控设备，测控屏遥控端子，用于对升级后的监控设备以及远动设备的进行传统验证，其中，升级后的监控设备以及远动设备为与变电站配合使用的设备，测控屏遥控端子包括：可断端子排以及试验插孔；指示灯，与测控屏遥控端子连接，在测控屏遥控端子内侧的遥控接点导通的情况下，发出预定信号，其中，预定信号用于指示监测状态。本发明解决了相关技术中对变电站系统的遥控出口进行监测的方式存在安全性较低的技术问题。

3、例如公告号为：cn108333449b的发明专利公告的变电站设备在线监测方法及装置，通过振动报警器获取设置在不同变电站设备处的传感器采集的变电站设备信息；震动报警器根据预存的标准变电站设备信息判断变电站设备信息是否正常；若振动报警器判定变电站设备信息不正常，则发送震动信号至信息处理平台；信息处理平台接收震动信号，并根据震动信号确定变电站设备故障。采用上述方案后，能通过多种不同的传感器来监测变电站设备的状态，能及时发现变电站设备因长时间高负荷运行而出现的各种故障隐患，并及时处理，保障了变电站设备的安全稳定运行。

4、上述公开的技术方案中，至少存在如下技术问题：不同的采样频率对多模态数据的故障预测具有显著影响；较高的采样频率能够捕捉到更多的细节和动态变化，使得模型更容易识别潜在的异常模式；然而，过高的采样频率可能导致数据冗余，增加计算负担，并可能引入噪声，降低预测精度；另一方面，较低的采样频率虽然可以减小数据量和处理复杂性，但可能会遗漏关键的故障信号，导致预测不准确；然而，由于缺乏动态调整采样频率的机制，现有技术的采样频率的选取不佳。针对上述问题，本发明提出一种解决方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供多模态故障诊断与预警方法，通过采样频率筛选，以解决由于缺乏动态调整采样频率的机制，现有技术的采样频率的选取不佳的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、多模态故障诊断与预警方法包括如下步骤：对历史的变电主设备用于故障预测的若干模态信号分别进行频谱分析，得到第一频率集合，并将第一频率集合的g倍频率作为各个模态信号的初始采样频率，得到初始采样频率集；对初始采样频率集进行若干次随机扰动，获得若干组不同的采样频率集；根据采样频率集对变电主设备对应的模态信号进行采样，得到多模态数据，并基于st-gcn进行故障预测；获取每组采样频率集对应的采样重叠数据和对应故障预测数据，并构建采样频率评估模型；将采样频率评估模型的输出与对应的采样频率集构建若干个采样频率－评估效果曲线，并对若干个采样频率－评估效果曲线进行数据分析，得到改进的采样频率集，根据改进的采样频率集进行故障预测。

4、在一个优选的实施方式中，所述若干模态信号包括电流信号、电压信号、温度信号、振动信号以及声学信号；所述第一频率集合为所有模态信号进行频谱分析得到的频率的集合；所述初始采样频率集由第一频率集合的g倍与对应模态信号类别组成的向量构成；所述采样重叠数据包括模态信息重叠系数，故障预测数据包括故障预测偏差系数和模型效率评估系数。

5、在一个优选的实施方式中，所述若干组不同的采样频率集的获取方法如下：将初始采样频率集作为基础，每个模态信号对应一个固定的初始采样频率；基于随机数生成器，对每个模态信号的采样频率引入随机扰动；获取预设的采样频率的上下限范围，并在采样频率的上下限范围内生成随机偏移量，使每个模态的采样频率在一定范围内波动，获得若干组不同的采样频率集。

6、在一个优选的实施方式中，所述基于st-gcn进行故障预测的具体方法如下：根据不同的采样频率集，对变电主设备的各模态信号进行同步采集，得到包含时空信息的多模态数据，将所述多模态数据以时间序列的形式存储；将多模态数据中各个模态数据的节点作为变电主设备隐患图结构中的节点，将不同模态信号之间的时空关联性作为节点之间的边；将模态信号的采样值作为信号特征，并用特征矩阵表示节点特征，基于st-gcn将每个节点的特征与其相邻节点的特征进行聚合，得到聚合后的变电主设备隐患图结构；所述将每个节点的特征与其相邻节点的特征进行聚合，具体为：将每个节点的特征矩阵与其邻居节点的特征矩阵加权求和，并对加权求和后的结果基于预设的隐患聚合公式进行线性变换，得到聚合后的变电主设备隐患图结构；对变电主设备隐患图结构进行多次聚合操作，得到最终的变电主设备隐患图结构，并基于预设的分类回归公式，对变电主设备隐患图结构进行处理，输出设备的故障预测结果。

7、在一个优选的实施方式中，所述模态信息重叠系数的具体获取方法如下：从变电主设备的多模态信号中提取特征数据；对模态信号进行去噪、归一化等处理，并计算模态信号的均值和方差；对每一对模态信号将其均值和方差进行分别两两比较；获取模态信号的概率分布函数，并计算模态信号的自熵，基于各个模态信号的自熵计算每一对模态信号间的交叉熵；取这两个模态在均值和方差上比较结果的最小值，并将这些最小值相加结合模态信号间的交叉熵，计算得到模态信息重叠系数。

8、在一个优选的实施方式中，所述故障预测偏差系数的具体获取方法如下：获取特定取样频率在时间l内间隔p时间段对应的预测结果；根据预测结果构建预测结果波形，并进行傅里叶变换，将预测结果波形转换到频域，并与实际的故障结果对比；在频域中，计算预测结果波形与实际的故障结果对比差异的峰值和谷值，分别表示预测结果波形在频谱中的峰值和谷值位置；通过峰值与谷值之间的欧氏距离的平方计算故障预测偏差系数。

9、在一个优选的实施方式中，所述模型效率评估系数的具体获取方法如下：获取模型的时间复杂度；记录每次接到命令后模型的响应时间，并计算平均响应时间；根据时间复杂度与平均响应时间的比值，作为模型处理效率；根据已知的模型空间复杂度和模型迭代次数，通过平方根计算获得模型空间效率；根据模型空间效率和模型处理效率计算模型效率评估系数。

10、在一个优选的实施方式中，所述将采样频率评估模型的输出与对应的采样频率集构建若干个采样频率－评估效果曲线，具体为：从不同采样频率集下采样频率评估模型中获取不同设置下采样频率集的输出的采样频率评估系数；建立直角坐标系，将横轴表示为采样频率集，纵轴表示为采样频率评估系数；在直角坐标系上标出每个采样频率集对应的采样频率评估系数，形成数据点；连接数据点，形成采样频率－评估效果曲线图；分别选定多模态中的一个模态信号，作为横轴的方向，构建与模态信号数相同个数的采样频率－评估效果曲线图。

11、在一个优选的实施方式中，所述并对若干个采样频率－评估效果曲线进行数据分析，得到改进的采样频率集，具体为：将每个采样频率－评估效果曲线图的峰值进行二次求导，将二次求导结果最大的那个采样频率－评估效果曲线图的峰值点对应的采样频率集作为改进的采样频率集，根据改进的采样频率集进行故障预测。

12、本发明多模态故障诊断与预警方法的技术效果和优点：

13、1.本发明通过对历史变电主设备的多模态信号进行频谱分析，实现了初始采样频率集的生成，并通过随机扰动方法获得了多组采样频率集。这一过程确保了对电流、voltage、温度、振动及声学信号等重要模态数据的全面采集，反映了设备的运行状态及潜在故障风险。采用基于时空图卷积网络（st-gcn）的方法进行故障预测，通过聚合每个节点的特征与邻居节点的信息，有效提取了设备的隐患特征，进而生成隐患图结构。该技术的优点在于通过动态的采样频率配置和多模态数据融合，能够提升故障预测的准确性和可靠性，及时识别设备运行中的异常状态，为设备的安全运行提供了强有力的技术支持。通过多次聚合操作，能够进一步深化对设备健康状态的理解，从而为后续的维护决策提供数据依据。

14、2.本发明通过建立采样频率评估模型，优化故障预测过程。首先，该方法通过获取每组采样频率集的模态信息重叠系数、故障预测偏差系数和模型效率评估系数，实现了对多模态信号的全面分析。这一过程不仅识别了模态信号之间的信息冗余，还揭示了各模态对故障预测的独特贡献，确保模型在不同频率下的最优表现。其次，模态信息重叠系数的分析有助于减少数据冗余，提高数据处理效率，进而提升预测准确性。同时，故障预测偏差系数的评估提供了对模型性能的直观反馈，帮助研究人员优化采样策略，确保预测结果与实际情况的一致性。此外，模型效率评估系数综合考虑了模型的响应时间和资源消耗，使得故障检测过程更加高效。