一种便携式计量自动化终端故障诊断装置及其诊断方法与流程
本发明涉及计量自动化终端异常诊断技术，具体涉及一种便携式计量自动化终端故障诊断装置及其诊断方法。
背景技术：
目前在我国电网公司中计量自动化系统得以大规模建设，同时大量配套的计量自动化终端设备也开始在计量节点进行安装。随着计量自动化系统规模的不断扩大，现场运行中的计量自动化终端不断增加，而现场终端故障处理工作也不断增加，这就导致电网公司需要面临较大的维护成本压力，所以如何能够快速、精确的实现对终端故障的分析和诊断是当前电力企业急需解决的重要问题。便携式移动检测终端在计量自动化系统中应用，实现终端黑屏、不在线、无法采集数据等常见故障的智能自动化诊断，实现对终端故障的快速处理，提高终端在线率、采集完整率，提升运维效率，为计量自动化终端现场运行维护和故障处理提供保障。
计量自动化终端异常诊断技术包括实现计量自动化终端现场接线及接口故障异常诊断、终端通讯通道异常和通信规约合规性的现场诊断等。而现有的计量自动化终端诊断技术在面对复杂的终端系统和呈多样性的故障现象，往往很难对发生故障的根本原因和故障点进行准确和迅速的判断和定位。
技术实现要素：
为了解决上述问题，本发明提供了一种便携式计量自动化终端故障诊断装置及其诊断方法，首先基于神经网络分类器预处理的实时电压、电流、功率、电能、历时日、历时月、负荷曲线等数据信息，再利用支持向量机对新的分类样本集合进行学习，作为最后的分类器，进行更加准确的判断，从而提高对计量自动化终端设备故障的诊断效率。具体技术方案如下：
一种便携式计量自动化终端故障诊断装置包括检测子模块、电源管理模块和人机交互模块；检测子模块与人机交互模块连接；电源管理模块分别与检测子模块和人机交互模块连接；所述人机交互模块用于输入相关指令进行配置信息，所述检测子模块用于检测终端故障；所述电源管理模块为检测子模块和人机交互模块提供电源；所述检测子模块包括主控模块、本地通信模块、远程通信模块、开入开出模块、交流采样模块和抄表模块；所述主控模块分别与本地通信模块、远程通信模块、开入开出模块、交流采样模块、抄表模块和人机交互模块连接；
所述主控模块用于控制终端故障检测、诊断以及通信；
所述本地通信模块包括载波通信模块、微功率无线通信模块；
所述远程通信模块用于上传采集的电能量数据；
所述开入开出模块具有若干路开关输入、若干路开关输出，用于测试计量自动化终端开关量输入输出是否正常；
所述交流采样模块用于采集三相电压数据、三相电流数据；
所述抄表模块用于模拟电表，用于提供计量自动化终端抄读电表的数据。
一种便携式计量自动化终端故障诊断装置的诊断方法包括以下步骤：
(1)采集数据：检测子模块采集计量自动化终端设备的各类数据，具体包括控制数据、遥信数据、冻结数据、对时数据、电压合格率数据；
(2)信息归一化处理：检测子模块对采集到的计量自动化终端设备的各类数据进行标准归一化处理，将各类数据的数据样本转化为[0,1]范围内的数值，以作为各类adaboost弱分类器的输入变量；
(3)各类adaboost分类器权重的训练：对各类数据的n个数据样本初始化训练数据权重，每一个训练样本开始被赋予相同的权值：1/n，通过输入模糊化的采集到的异常数据和输出的不同故障类型，通过多次迭代计算，权重更新过的数据样本集用于训练下一个数据样本集，并将训练得到的各个adaboost弱分类器组合成adaboost强分类器，并加大分类误差小的adaboost弱分类器的权重，降低分类误差率大的adaboost弱分类器的权重；
(4)在所述的adaboost强分类器基础上采用神经网络进行训练：将计量自动化终端的各种故障原因和故障可能性作为输入量，通过加权adaboost强分类器得到的采集的各类数据作为输出；训练时，将各类故障原因作为输入变量，各类故障的历史数据作为输出变量，利用神经网络进行特征提取和训练；
(5)利用训练好的ababoost强分类器和神经网络，对计量自动化终端采集的各类数据进行分类，并对于接收的信号进行提取特征，利用支持向量机为所提取的特征找到最优的分类面，即最准确的故障类型分类。
进一步，所述步骤(2)中对采集到的计量自动化终端设备的各类数据进行标准归一化处理，将各类数据的数据样本转化为[0,1]范围内的数值，具体包括以下步骤：
设有k个评价数据指标和m次的采集数据，xij为第i项数据指标的第j次数据采集的值，对其进行标准归一化处理得归一化后的第i项数据指标的第j次数据采集的值rij：
进一步，所述步骤(3)中的异常数据包括电压数据、电流数据、本地通信模块读写数据流、远程通信模块数据流、开关量输入输出状态数据。
进一步，所述步骤(3)中的故障类型包括电压电流接线错误、本地通信模块异常、远程通信模块异常、开关量输入输出模块异常等。
进一步，所述步骤(3)中各类adaboost分类器权重的训练具体包括以下步骤：
1)对各类数据的n个数据样本初始化训练数据权重，每一个训练样本开始被赋予相同的权值：1/n；d1为训练样本的权值矩阵：
2)进行多次迭代，用m代表迭代次数，在整个迭代过程中，针对采集到的不同异常数据导致的不同故障类型，采用具有权值分布的数据样本集学习，得到基本分类器gm(x)：
3)计算gm(x)在学习数据样本集上的分类误差率em，即被gm(x)误分类样本的权重之和
其中wmi为第m次迭代各个训练样本的权重。
4)计算gm(x)的系数，其中αm表示gm(x)在分析最终故障原因的adaboost分类器的重要程度：
5)更新训练值权重的分布，用于下一轮的权重更新，其中zm是权重规范化因子：
dm+1＝(wm+1,1,wm+1,2...wm+1,i...,wm+1,n)；
6)迭代完成后，组合各个弱分类器从而得到最终的强分类器：
进一步，所述步骤(4)中利用神经网络进行特征提取的具体步骤为：
1)给定一个无标签的计量自动化终端故障样本集x＝{xi|1≤i≤l}，xi表示故障样本集中的第i个样本，样本长度为m；通过自动编码器对输入的故障向量进行映射，输出向量集合为y＝{yi|1≤i≤l}，hi表示第i个故障样本对应的特征向量，则h＝f(w,b)(x)＝sf(wx+b)，w为神经网络输入层与隐含层的权值矩阵，b为输入层与隐含层之间的偏置矩阵，sf为编码器部分的激活函数；
2)对编码器得到的隐含层输出变量重构成原始输入变量：输出向量集合为
3)通过不断地最小化输出向量与输入向量之间的重构误差
其中，o为神经网络的学习率；
4)对于上述公式计算所得的输出向量与输入向量之间的重构误差，用误差反向传播算法不断地调整权值和偏置{w1,b1,w1',b1'}，使得构误差最小，完成神经第一级的训练；然后，保留本级的编码器部分，特征层输出向量作为下一级神经网络输入层的输入向量；
5)按照同样步骤1)至步骤4)训练第二级神经网络，重复步骤1)至步骤4)的训练过程，到完成最后一级神经网络的训练，当完成前面所有训练时，最后一层的隐含层输出即为最终的特征向量。
本发明的有益效果为：本发明通过对神经网络和支持向量机技术相结合，首先利用训练好的ababoost分类器和神经网络对计量自动化终端的各类数据进行分类并提取特征，再利用支持向量机为所提取的数据特征找到最优的分类面，对终端的故障原因和故障所在点进行精确定位，提高了计量自动化终端设备的诊断效率。
附图说明
图1为本发明中一种便携式计量自动化终端故障诊断装置的结构示意图；
图2为adaboost分类器的训练步骤示意图；
图3为本发明的含自动编码器的神经网络结构图。
具体实施方式
为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：
如图1所示，一种便携式计量自动化终端故障诊断装置包括检测子模块、电源管理模块和人机交互模块；检测子模块与人机交互模块连接；电源管理模块分别与检测子模块和人机交互模块连接；人机交互模块用于输入相关指令进行配置信息，检测子模块用于检测终端故障；所述电源管理模块为检测子模块和人机交互模块提供电源；检测子模块包括主控模块、本地通信模块、远程通信模块、开入开出模块、交流采样模块和抄表模块；主控模块分别与本地通信模块、远程通信模块、开入开出模块、交流采样模块、抄表模块和人机交互模块连接。
主控模块用于控制终端故障检测、诊断以及通信，具体为三相电压、三相电流数据采集，开入开出量管理：如4路开关量输入输出管理；通信管理：如电能表、集中器通信(rs232、rs485和红外)；usb管理、无线通信管理等以及本地/远程通信模块测试等功能实现。
本地通信模块包括载波通信模块、微功率无线通信模块。
远程通信模块用于上传采集的电能量数据，包括远程gprs/4g通信模块。
开入开出模块具有4路开关输入、4路开关输出，用于测试计量自动化终端开关量输入输出是否正常。
交流采样模块用于采集三相电压数据、三相电流数据，其中三相电流采样可兼容三相三线制和三相四线制系统。
抄表模块用于模拟电表，用于提供计量自动化终端抄读电表的数据，进而判断计量自动化终端抄表是否正常。
一种便携式计量自动化终端故障诊断装置的诊断方法包括以下步骤：
1、采集数据：检测子模块采集计量自动化终端设备的各类数据，具体包括控制数据、遥信数据、冻结数据、对时数据、电压合格率数据。
2、信息归一化处理：检测子模块对采集到的计量自动化终端设备的各类数据进行标准归一化处理，将各类数据的数据样本转化为[0,1]范围内的数值，以作为各类adaboost弱分类器的输入变量；其中对采集到的计量自动化终端设备的各类数据进行标准归一化处理，将各类数据的数据样本转化为[0,1]范围内的数值，具体包括以下步骤：
设有k个评价数据指标和m次的采集数据，xij为第i项数据指标的第j次数据采集的值，对其进行标准归一化处理得归一化后的第i项数据指标的第j次数据采集的值rij：
其中
3、各类adaboost分类器权重的训练：对各类数据的n个数据样本初始化训练数据权重，每一个训练样本开始被赋予相同的权值：1/n，通过输入模糊化的采集到的异常数据和输出的不同故障类型，通过多次迭代计算，权重更新过的数据样本集用于训练下一个数据样本集，并将训练得到的各个adaboost弱分类器组合成adaboost强分类器，并加大分类误差小的adaboost弱分类器的权重，降低分类误差率大的adaboost弱分类器的权重。
其中，异常数据包括电压数据、电流数据、本地通信模块读写数据流、远程通信模块数据流、开关量输入输出状态数据。故障类型包括电压电流接线错误、本地通信模块异常、远程通信模块异常、开关量输出输出模块异常。
如图2所示，各类adaboost分类器权重的训练具体包括以下步骤：
1)对各类数据的n个数据样本初始化训练数据权重，每一个训练样本开始被赋予相同的权值：1/n；d1为训练样本的权值矩阵：
2)进行多次迭代，用m代表迭代次数，在整个迭代过程中，针对采集到的不同异常数据导致的不同故障类型，采用具有权值分布的数据样本集学习，得到基本分类器gm(x)：
3)计算gm(x)在学习数据样本集上的分类误差率em，即被gm(x)误分类样本的权重之和
其中wmi为第m次迭代各个训练样本的权重。
4)计算gm(x)的系数，其中αm表示gm(x)在分析最终故障原因的adaboost分类器的重要程度：
5)更新训练值权重的分布，用于下一轮的权重更新，其中zm是权重规范化因子：
dm+1＝(wm+1,1,wm+1,2...wm+1,i...,wm+1,n)
6)迭代完成后，组合各个弱分类器从而得到最终的强分类器：
4、在所述的adaboost强分类器基础上对神经网络进行训练：将计量自动化终端的各种故障原因和故障可能性作为输入量，通过加权adaboost强分类器得到的采集的各类数据作为输出；训练时，将各类故障原因作为输入变量，各类故障的历史数据作为输出变量，利用神经网络进行特征提取和训练。
图3为含自动编码器的神经网络结构示意图，其中利用神经网络进行特征提取的具体步骤为：
1)给定一个无标签的计量自动化终端故障样本集x＝{xi|1≤i≤l}，xi表示故障样本集中的第i个样本，样本长度为m；通过自动编码器对输入的故障向量进行映射，输出向量集合为y＝{yi|1≤i≤l}，hi表示第i个故障样本对应的特征向量，则h＝f(w,b)(x)＝sf(wx+b)，w为神经网络输入层与隐含层的权值矩阵，b为输入层与隐含层之间的偏置矩阵，sf为编码器部分的激活函数。
2)对编码器得到的隐含层输出变量重构成原始输入变量：输出向量集合为
3)通过不断的最小化输出向量与输入向量之间的重构误差
其中，o为神经网络的学习率。
4)对于上述公式计算所得的输出向量与输入向量之间的重构误差，用误差反向传播算法不断的调整权值和偏置{w1,b1,w1',b1'}，使得构误差最小，完成神经第一级的训练；然后，保留本级的编码器部分，特征层输出向量作为下一级神经网络输入层的输入向量。
5)按照同样步骤1)至步骤4)训练第二级神经网络，重复步骤1)至步骤4)的训练过程，到完成最后一级神经网络的训练，当完成前面所有训练时，最后一层的隐含层输出即为最终的特征向量。
5、利用训练好的ababoost分类器和神经网络对计量自动化终端采集的各类数据进行分类，并对于接收的信号进行提取特征，利用支持向量机为所提取的特征找到最优的分类面，即最准确的故障类型分类。在针对计量自动化终端故障的n种故障类型,例如常见的类型：远程通信模块故障、抄表模块故障、交流采样模块故障、输入输出模块故障等，对于利用神经网络提取特征后的训练样本(xi,yi),i＝1,2,…,n，yi为类别标号，yi∈(1,-1)。
6、利用二分类的支持向量机分类器，可以通过下列步骤构造一个n类分类器：
1)构造n个二分类的支持向量机svm分类器规则：构造训练样本的分类函数fj(x),j＝1,2...n,将第j类样本和其他类别的训练样本分开(若训练样本xi属于第j类,则sgn[fj(xi)]＝1，否则sgn[fj(xi)]＝-1)。
2)通过选取函数fj(x),j＝1,2...n中n种类别中最大值所对应的类别f(xi)＝argmax{f1(xi).,..fn(xi)}，构造出一个n类分类器，该分类器可实现将每一类和其余n-1类故障样本分开，由此实现计量自动化终端故障诊断分类的目的。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！