电能表自动化检定流水线表位故障的定位方法
技术领域
本发明涉及电能表故障定位技术领域,是一种电能表自动化检定流水线表位故障的定位方法。
背景技术
随着集中检定模式的持续推广,计量中心每年的检定任务量不断提升,自动化检定设施的建设规模不断扩大,大规模、长时间的连续检定对自动化检定设施的质量管控提出了更大的考验。目前表位故障是电能表自动化检定流水线最频繁发生的故障,表位故障主要分为由插针磨损、表位移位等原因引起的表位间歇性故障和由插针被撞弯、表位底板击穿等原因引起的表位永久性损毁故障。表位故障的频发不但影响检定效率,也使得电能表检定结果缺乏可靠性。
为了提高自动化检定流水线运维效率,缩短自动化检定流水线故障时间,监控设备工况,提高检定质量,需要完善检定质量异常监控机制,因而探索自动化检定流水线接线故障定位技术十分必要。
发明内容
本发明提供了一种电能表自动化检定流水线表位故障的定位方法,克服了上述现有技术之不足,其能有效解决现有的自动化检定方法查找表位故障耽误时间长,严重影响检定效率的问题。
本发明的技术方案之一是通过以下措施来实现的:一种电能表自动化检定流水线表位故障的定位方法,包括以下步骤:
S1,数据准备:分别获取某一检定流水线上的电能表检定数据、电能表接线数据和检定装置故障处理数据;
S2,采用时间序列滑窗算法构建表位异常时序特征集:根据时间序列滑窗算法分别构建观察窗口内的电能表检定合格率和电能表接线成功率的特征集;
S3,构建电能表自动化检定流水线表位异常诊断模型:采用基于时间序列滑窗算法的支持向量机模型,简称SVM模型,构造分类器以区分表位是否有异常;
S4,构建电能表自动化检定流水线表位故障原因诊断模型:判断故障类型;
S5,电能表检定质量追踪:获取检定质量不确定的电能表清单。
下面是对上述发明技术方案的进一步优化或/和改进:
上述S2中,采用时间序列滑窗算法构建表位异常时序特征:根据时间序列滑窗算法分别构建观察窗口内的电能表检定合格率和电能表接线成功率特征集,包括以下过程:
采用时间序列滑窗算法构建表位异常时序特征:根据时间序列滑窗算法分别构建观察窗口内的电能表检定合格率和电能表接线成功率特征集,包括以下过程:
S21,依据电能表表位关联电能表检定数据、电能表接线数据和检定装置故障处理数据;
S22,利用时间序列滑窗算法将电能表检定数据、电能表接线数据进行整合后按照检定时间升序排列;
S23,按照固定数据窗口大小M对排序后的电能表检定数据和电能表接线数据进行分片处理,每次窗口分片将数据下标向后移动一个数据单位,获得N个窗口,形成分片后的数据集D;
S24,利用电能表检定数据和电能表接线数据,计算数据集D中的每个窗口中检定记录的检定合格率xk1和接线成功率xk2;
S25,根据检定装置故障处理数据,构建每个窗口期的检定表位状态yk3,形成数据集Di,公式为:
根据公式(1)分别得到训练集D1、测试集D2、实时数据集D3;
其中k=1,2,3,...,n;n代表数据集行数。
上述S3中,采用基于滑窗算法的支持向量机模型,构造分类器以区分表位是否有异常,包括以下过程:
S31,对每个窗口期的检定表位状态yk3构建SVM模型,利用训练集D1,其中包括检定合格率xk1、接线成功率xk2、检定表位状态yk3,训练该模型;训练基于时间序列滑窗算法的支持向量机模型的过程如下:
令分类超平面为wx+b=0,支持向量(x
s,y
s)距分类超平面的距离为:
令支持向量与分类超平面的函数距离为1,则最大化支持向量据分类超平面的距离可转换为:
对(2)式构建拉格朗日函数:
根据KKT条件和对偶问题的求解方法求解(3)式,将(2)式转换为:
在上述变换后的公式(4)中求解出:
根据式(5)计算分类超平wx+b=0,利用测试集D2验证模型的有效性;
S32,利用训练好的SVM模型,对实时数据集D3对应的检定表位状态yk3进行分类,即将D3的检定合格率xk1、接线成功率xk2带入训练后的决策函数f(x)=sign(w·x+b)获取检定表位状态,并记录异常信息。
S33,若检定表位状态被划分为发生故障,则对该检定表位发出表位异常报警。
上述S4中,构建电能表自动化检定流水线表位故障原因诊断模型,判断故障类型括以下过程:
S41,根据检定表位的异常故障报警信息,构建贝叶斯模型:
令连续异常报警次数为J,连续J次异常报警时间T,连续J次异常报警为事件B,令Ai为接线故障事件,其中设A1为表位间歇性故障事件,A2为表位永久性损毁事件,贝叶斯似然估计公式如下:
P(Ai|B)∝P(B|Ai)·P(Ai) (6)
S42,根据公式(6)分别计算A1事件和A2事件的概率;
S44,根据A1事件和A2事件的概率计算结果,判断故障类型,即当P(A1|B)>P(A2|B)时,则报A1类的接线故障事件,当P(A1|B)≤P(A2|B)时,则报A2类的接线故障事件。
上述S5中,电能表检定质量追踪,获取检定质量不确定的电能表清单,包括以下过程:
S51,对于确切的Ai事件,标记由SVM模型确定的第Ni(i=1,2…N)个时间窗下存在检定风险的电能表清单L1;
S52,对于确切的Ai事件,标记由SVM模型确定的第Ni(i=1,2…N)个时间窗向后至第一次异常报警的时间长度t、贝叶斯模型判断J次异常报警的时间T,记录在t+T时间长度内存在检定风险的电能表清单L2;
S53,获取检定质量不确定的电能表清单为:L1+L2。
上述还包括S6,模型修正:对新增带标签的故障样本重新建模,根据已构建的SVM模型和贝叶斯模型对诊断结果与实际现场不符的情况,修正SVM模型参数,再增大SVM模型样本量,以提高模型输出准确性。
本发明通过应用大数据技术分析自动化检定流水线检定结论,快速定位故障设备,准确反馈表位故障原因,及时修复设备异常从而达到提高检定效率、提升检定质量的目的。
附图说明
附图1为本发明实施例一方法流程图。
附图2为本发明的另一个实施例的构建表位异常时序特征集的方法流程图。
附图3为本发明的另一个实施例的构建电能表自动化检定流水线表位异常诊断模型的方法流程图。
附图4为本发明的另一个实施例的构建电能表自动化检定流水线表位故障原因诊断模型,方法流程图。
附图5为本发明的另一个实施例的电能表检定质量追踪的方法流程图。
附图6为本发明的另一个实施例的包含模型修正的方法流程图。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述:
实施例一:如附图1所示,一种电能表自动化检定流水线表位故障的定位方法,包括以下步骤:
S1,数据准备:分别获取某一检定流水线上的电能表检定数据、电能表接线数据和检定装置故障处理数据;
S2,采用时间序列滑窗算法构建表位异常时序特征集:根据时间序列滑窗算法分别构建观察窗口内的电能表检定合格率和电能表接线成功率的特征集;
S3,构建电能表自动化检定流水线表位异常诊断模型:采用基于时间序列滑窗算法的支持向量机模型,简称SVM模型,构造分类器以区分表位是否有异常;
S4,构建电能表自动化检定流水线表位故障原因诊断模型:判断故障类型;
S5,电能表检定质量追踪:获取检定质量不确定的电能表清单。
上述的电能表检定数据和电能表接线数据:主要包括检定表位编号、检定时间、电能表检定结论(合格、不合格)和电能表接线状态(成功、不成功);
上述的检定装置故障处理数据:主要包括检定表位编号、接线故障发生时间和接线故障类型(如表位间歇性故障或表位永久性损毁)。
可根据实际需要,对上述电能表自动化检定流水线表位故障的定位方法作进一步优化或/和改进:
作为本发明的另一个实施例:如附图2所示,在S2中,采用时间序列滑窗算法构建表位异常时序特征集:根据时间序列滑窗算法分别构建观察窗口内的电能表检定合格率和电能表接线成功率特征集,包括以下过程:
采用时间序列滑窗算法构建表位异常时序特征:根据时间序列滑窗算法分别构建观察窗口内的电能表检定合格率和电能表接线成功率特征集,包括以下过程:
S21,依据电能表表位关联电能表检定数据、电能表接线数据和检定装置故障处理数据;
S22,利用时间序列滑窗算法将电能表检定数据、电能表接线数据进行整合后按照检定时间升序排列;
S23,按照固定数据窗口大小M对排序后的电能表检定数据和电能表接线数据进行分片处理,每次窗口分片将数据下标向后移动一个数据单位,获得N个窗口,形成分片后的数据集D;
S24,利用电能表检定数据和电能表接线数据,计算数据集D中的每个窗口中检定记录的检定合格率xk1和接线成功率xk2;
S25,根据检定装置故障处理数据,构建每个窗口期的检定表位状态yk3,形成数据集Di,公式为:
根据公式(1)分别得到训练集D1、测试集D2、实时数据集D3;
其中k=1,2,3,...,n;n代表数据集行数。
在S23中的电能表检定数据主要指电能表检定结论(0:不合格,1:合格)和电能表接线数据主要指电能表接线状态(0:成功,1:不成功)。
作为本发明的另一个实施例:如附图3所示,在S3中,构建电能表自动化检定流水线表位异常诊断模型:采用基于滑窗算法的支持向量机模型(以下简称SVM模型)构造分类器以区分表位是否有异常,包括以下过程:
S31,对每个窗口期的检定表位状态yk3构建SVM模型,利用训练集D1,其中包括检定合格率xk1、接线成功率xk2、检定表位状态yk3,训练该模型;训练基于时间序列滑窗算法的支持向量机模型的过程如下:
令分类超平面为wx+b=0,支持向量(x
s,y
s)距分类超平面的距离为:
令支持向量与分类超平面的函数距离为1,则最大化支持向量据分类超平面的距离可转换为:
对(2)式构建拉格朗日函数:
根据KKT条件和对偶问题的求解方法求解(3)式,将(2)式转换为:
在上述变换后的公式(4)中求解出:
根据式(5)计算分类超平wx+b=0,利用测试集D2验证模型的有效性;
S32,利用训练好的SVM模型,对实时数据集D3对应的检定表位状态yk3进行分类,即将D3的检定合格率xk1、接线成功率xk2带入训练后的决策函数f(x)=sign(w·x+b)获取检定表位状态,并记录异常信息。
S33,若检定表位状态被划分为发生故障,则对该检定表位发出表位异常报警。
作为本发明的另一个实施例:如附图4所示,在S4中,构建电能表自动化检定流水线表位故障原因诊断模型,包括以下过程:
S41,根据检定表位的异常故障报警信息,构建贝叶斯模型:
令连续异常报警次数为J,连续J次异常报警时间T,连续J次异常报警为事件B,令Ai为接线故障事件,其中设A1为表位间歇性故障事件,A2为表位永久性损毁事件,贝叶斯似然估计公式如下:
P(Ai|B)∝P(B|Ai)·P(Ai) (6)
S42,根据公式(6)分别计算A1事件和A2事件的概率;
S43,根据A1事件和A2事件的概率计算结果,判断故障类型,即当P(A1|B)>P(A2|B)时,则报A1类的接线故障事件,当P(A1|B)≤P(A2|B)时,报A2类的接线故障事件。
作为本发明的另一个实施例:如附图5所示,在S5中,电能表检定质量追踪:
S51,对于确切的Ai事件,标记由SVM模型确定的第Ni(i=1,2…N)个时间窗下存在检定风险的电能表清单L1;
S52,对于确切的Ai事件,标记由SVM模型确定的第Ni(i=1,2…N)个时间窗向后至第一次异常报警的时间长度t、贝叶斯模型判断J次异常报警的时间T,记录在t+T时间长度内存在检定风险的电能表清单L2;
S53,获取检定质量不确定的电能表清单为:L1+L2。
作为本发明的另一个实施例:如附图6所示,在上述实施例的基础上还包括S6,模型修正:对新增带标签的故障样本重新建模,根据已构建的SVM模型和贝叶斯模型对诊断结果与实际现场不符的情况,修正SVM模型参数,再增大SVM模型样本量,以提高模型输出准确性。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。