KYN设备局放特征自适应数据处理与自诊断方法及系统与流程

本发明涉及kyn电缆附件局部放电诊断，尤其涉及kyn设备局放特征自适应数据处理与自诊断方法及系统。

背景技术：

1、在当前的kyn电缆附件局部放电(pd)诊断领域，传统方法存在着诸多限制。首先，单一传感器数据采集难以全面反映pd现象的复杂性和多样性，无法充分挖掘不同传感器之间的相关性信息。其次，现有的特征提取算法往往局限于简单的统计特征或频域特征，无法充分挖掘数据中的深层次信息。此外，传统方法对于大规模数据的处理效率较低，且在pd模式识别方面的准确性和鲁棒性有待提高。因此，针对现有技术的局限性，需要一种更加先进和高效的数据处理与诊断方法，以提高pd诊断的准确性、效率和可靠性。

2、传统pd诊断方法仅依赖于单一传感器采集的局部放电数据，无法全面反映电缆附件中复杂的pd现象。传统方法受限于简单的统计特征和频域特征，难以充分挖掘数据中的深层次信息，导致诊断准确性不高。传统方法在处理大规模数据时效率较低，无法满足工程实践中对数据处理效率的要求。现有算法对于pd特征图谱的识别算法复杂度较高，导致计算成本较高，不利于实际应用。传统方法无法实现对pd特征图谱的实时诊断，限制了其在实际应用中的使用范围。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了kyn设备局放特征自适应数据处理与自诊断方法，能够通过对kyn设备局放信号进行采集、预处理和特征提取，然后构建局放特征图谱，使得设备的局放特征得以全面、系统地表征。

3、为解决上述技术问题，本发明提供如下技术方案，kyn设备局放特征自适应数据处理与自诊断方法，包括：利用模块化kyn设备内置的tev传感器和数据采集装置实时采集设备运行过程中产生的各项数据；针对采集到的原始数据，采用自适应的数据处理方法，进行数据清洗、去噪、降维；利用自适应的卷积神经网络从预处理后的数据中提取关键特征，并构建特征图谱；基于构建的特征图谱，利用自适应的卷积神经网络结合注意力机制对设备的运行状态进行自动诊断和分析。

4、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断方法的一种优选方案，其中：所述数据采集包括，在设备关键部位布置tev传感器，采集各种物理量的数据，tev传感器的布置在kyn设备内部各个重要部位；

5、采用了arm+fpga双核心系统来完成对放电数据的采样和简单处理，fpga作为主控，负责控制ad芯片的采样速度，并将ad采样数据缓存到内部ram存储器中；arm则负责读取fpga内部ram中的数据，并将其上传至pc进行进一步处理；在硬件选型上，选择cyclone iv系列的fpga，将fpga内的ram作为外挂存储器，通过fsmc分别对两个ram中存储的值进行读取和指令的传输，通过uart将从ram中读取的数据上传至pc；

6、暂态地电压频率上限fh＝60mhz，下截止fl＝3mhz，特征频率f0＝32mhz，通带纹波δ＝0.05db，阻带衰减40db，匹配阻抗50ω。

7、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断方法的一种优选方案，其中：所述自适应的数据处理方法包括，数据预处理，特征提取与选择以及特征表示与编码；

8、首先进行数据清洗，去除异常值、噪声干扰干扰因素，选用切比雪夫i型的滤波器设计带通滤波电路：

9、

10、其中，c(x)表示清洁后的信号，μk、σk表示第k个高斯分布的均值和标准差，k表示高斯分布的数量，tn(x)是n阶切比雪夫多项式，ε是通带波动的最大值，x0表示归一化角频率；

11、应用小波变换方法进行时频分析，将信号分解成不同尺度和频率的小波系数，采用短时傅里叶变换和wigner-ville分布，深入挖掘信号的时频特性，引入自适应滤波算法，进行自适应均值滤波和自适应中值滤波，利用小波分析和小波包分析，对信号进行时频分析和特征提取，获取具有代表性的时频特征：

12、

13、其中，t(x)表示短时傅里叶变换的结果，v(x)表示wigner-ville分布的结果，a(x)表示自适应滤波后的信号，o(x)表示最终输出信号，cj,k表示第j层第k个节点的小波包系数，e表示信号能量。

14、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断方法的一种优选方案，其中：所述特征提取与选择包括，从预处理后的数据中提取出能够反映设备状态和故障特征的有效特征，提取放电数据的特征作为缺陷分类识别的判断条件；

15、表征不同缺陷类型放电强度的平均水平：

16、

17、其中，xi为数据中的幅值，n为个数；

18、表征不同缺陷放电的分布离散度：

19、

20、排除冗余信息后的平均信息量：

21、

22、其中，h(x)为信息熵，x为事件的集合，n为事件集合的个数，p(xi)为个数在整个集合中的概率，计算方法为：

23、

24、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断方法的一种优选方案，其中：所述特征表示与编码包括，将原始数据转换为数值向量形式，通过向量化处理实现，采用主成分分析和线性判别分析，提取最具代表性的特征，减少数据复杂度，进行特征组合，通过加减乘除、多项式扩展方式生成新特征；在特征表示完成后，使用独热编码方法对离散型特征进行编码，以便机器学习模型学习和预测。

25、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断方法的一种优选方案，其中：所述特征图谱与构建包括，基于提取得到的特征，进一步的筛选和选择，确定最具有代表性和区分度的特征子集用于特征图谱的构建；

26、应用相关性分析、方差分析、主成分分析进行特征选择，对于高维特征空间，用特征降维的方法将特征空间映射到低维空间，应用主成分分析、线性判别分析、t分布邻域嵌入保留数据的主要结构和特征，同时减少特征的维度；

27、在特征图谱构建的过程中，根据特征之间的相似性和相关性将特征进行聚类和分组，形成具有代表性的特征族群，通过python对检测终端采集到的bin格式的局部放电数据进行处理，采集的数据以2s为周期实时循环读取数据，对数据处理时以2s为周期进行处理，50hz工频下每次循环采集64个周期的放电数据，将第一个周期内的放电峰值设为90相位，每64个周期对相位进行一次校正。

28、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断方法的一种优选方案，其中：所述自动诊断包括，使用pytorch的`imagefolder`加载图像数据集，数据集被组织成文件夹结构，每个文件夹代表一个类别，其中包含这个类别的图像，通过预定义的转换`transform`，对图像进行预处理操作，将图像调整大小为224x224像素、转换为张量，并对图像进行归一化处理，将像素值从[0,255]范围缩放到[-1,1]范围；

29、构建一个基于vgg神经网络的图像分类模型`fourclassnet`，模型包括三个卷积层、池化层和两个全连接层，使用relu激活函数进行非线性变换，输出经过log_softmax的概率分布，使用交叉熵损失函数来衡量模型输出与真实标签之间的差异，并使用随机梯度下降作为优化器来更新模型参数，设置学习率为0.001和动量为0.9，训练模型通过多个epoch迭代，每个epoch内对训练数据集进行多次mini-batch训练，计算损失和准确率；

30、在训练过程中，使用训练数据集来调整模型参数，最小化损失函数，在测试集上评估模型的性能，通过计算测试集的准确率和混淆矩阵来衡量模型的分类效果，混淆矩阵展示模型在每个类别上的分类情况，包括真正例、假正例、真反例和假反例，直观地评估模型在不同类别上的分类准确性和错误率；

31、基于模型在测试集上的预测结果，进行自动诊断，识别设备可能存在的异常状态、故障特征或预警信号，将模型在测试集上的评估结果保存为excel文件，并绘制混淆矩阵的可视化图，并根据评估结果进行进一步分析和改进。

32、本发明的另一个目的是提供kyn设备局放特征自适应数据处理与自诊断系统，其能利用深度学习算法和频域分析方法，能够从局放特征图谱数据中提取丰富、高效的特征，充分挖掘数据中的潜在信息，提高了诊断模型的性能和鲁棒性。通过对模型进行训练和优化，能够提高模型对不同缺陷类型的识别准确性和稳定性，确保了诊断系统在实际应用中的可靠性和有效性。

33、作为本发明所述的kyn设备局放特征自适应数据处理与自诊断系统的一种优选方案，其中：包括数据采集模块、数据预处理模块、特征提取模块、特征图谱构建模块、自动诊断模块、实时监测与预警模块、用户界面和报告生成模块；

34、所述数据采集模块，采集kyn设备的局放信号，信号包含声发射信号、超声波信号、暂态地电压信号；

35、所述数据预处理模块，对采集到的信号进行去噪、滤波、归一化预处理操作，提高数据质量；

36、所述特征提取模块，从预处理后的信号中提取关键特征，包括时域特征、频域特征、时频特征；

37、所述特征图谱构建模块，将提取的特征以图谱的形式展现出来，便于可视化分析和后续处理；

38、所述自动诊断模块，基于特征图谱，使用深度学习算法对设备状态进行识别和故障诊断；

39、所述实时监测与预警模块，实时监测设备状态，发现异常时及时发出预警，保障设备安全运行；

40、所述用户界面和报告生成模块，提供用户操作界面，展示诊断结果和预警信息，生成报告供维护和管理人员参考。

41、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现kyn设备局放特征自适应数据处理与自诊断方法的步骤。

42、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现kyn设备局放特征自适应数据处理与自诊断方法的步骤。

43、本发明的有益效果：本方法通过模块化的数据处理流程，能够自动适应不同类型和规模的局放特征图谱数据，实现了对数据的灵活处理和高效利用。建立了基于先进模型的局放特征图谱诊断系统，能够准确、快速地对kyn设备的缺陷进行诊断和评估，提高了故障检测和排除的效率。将诊断结果以图表、报告等形式展示给用户，使用户能够直观了解电缆附件的健康状况，及时采取必要的维护和修复措施，提高了设备的可靠性和安全性。