一种避雷器故障智能检测方法及系统与流程

本发明涉及工业故障检测，尤其涉及一种避雷器故障智能检测方法及系统。

背景技术：

1、实时监控设备的运行状况非常重要。但传统的避雷器故障检测方法存在一些问题，无法准确判断设备的健康状态：

2、1.人工设计特征：传统的避雷器故障检测方法通常需要人工设计特征，这是一个非常耗时耗力的任务。而且，由于人的经验和知识有限，很难设计出能够有效捕捉故障信号特征的特征。

3、2.模型泛化能力差：传统的故障诊断技术通常采用简单的模型，如统计模型和机器学习模型。这些模型的泛化能力较差，在实际应用中很容易出现过拟合或欠拟合的问题。这意味着模型可能无法很好地适应新的数据或情况，导致故障检测的准确性和可靠性降低。

4、3.处理多路传感器信号困难：随着传感器物联网技术的发展，处理多路传感器信号成为了传统故障诊断技术的一个挑战。传统的技术可能无法有效地处理大量的传感器数据，或者无法从这些数据中提取出有用的信息。

5、这些问题限制了传统方法的准确性和可靠性，无法满足现代工业生产中对设备健康状态准确把握的需求。

技术实现思路

1、有鉴于此，本发明提出一种避雷器故障智能检测方法及系统，以解决现有技术中存在的设备健康状态难以准确把握的问题。

2、本发明具体的技术方案如下：

3、一种避雷器故障智能检测方法，包括以下步骤：

4、步骤1，在目标避雷器设备周围布置传感器网络，以全面监测设备的工作环境、运行参数；

5、步骤2，利用传感器网络收集到的数据，进行一系列预处理工作，包括数据清洗和数据匹配，以去除无效或错误数据，确保数据的准确性和一致性；

6、步骤3，采用改进的omlsa的一维信号降噪处理算法对多传感器数据进行降噪，以去除信号中的噪声，保留有用的信息；

7、步骤4，将经过降噪处理的数据送入基于通道卷积的残差网络中进行模型训练，通过训练使模型能够学习到避雷器运行状态与环境参数之间的关系，采用遗传算法对模型的最优参数进行搜索；

8、步骤5，结合在线学习和离线学习算法，实现模型的实时更新优化；

9、步骤6，通过粒子群退火融合算法优化模型后进行误差判定，当误差在可接受范围内时，利用所述模型进行在线预测，以实时监测避雷器的运行状态并发现潜在的故障风险；

10、步骤7，当输入出现较大变化或满足其他设定条件时，结束整个过程。

11、具体地，步骤3中的omlsa算法包括以下执行步骤：首先采集目标信号，包括语音信号或一维时间信号；接着使用基于最大似然估计的imcra算法对噪声进行估计，有效地处理非平稳噪声；然后根据最小均方误差准则对信号进行降噪处理；此后采用贝叶斯估计方法优化降噪信号的质量；再通过在优化目标函数中加入时频掩码对不同时刻和频率成分进行加权处理，增强降噪后信号的识别度；同时在目标函数中加入信号的先验概率模型，正则化优化结果以提高降噪信号的稳定性；进而在不同频率分辨率下建模，处理不同规模的信号成分，并结合多尺度结果进一步提高降噪性能；最后通过引入回馈结构实现多阶段降噪优化。

12、具体地，增强降噪后信号的识别度是通过一种基于自适应增益的一维时间信号增强算法实现的，包括以下步骤：首先初始化增益参数，选择合适的增益类型及其参数值；然后使用固定的滤波器对输入的一维时间信号进行滤波处理，以减少噪声和其他干扰；接着根据滤波后的信号计算增益参数；再将计算得到的增益参数更新到新的值；最后重复执行滤波、计算和更新步骤，直到增益收敛或达到预设的迭代次数。

13、具体地，增强降噪后信号的识别度是通过一种增益计算方法来实现的：在线性增益情况下，使用公式g＝s_n/s_m来计算增益，其中g表示增益，s_n表示滤波后的信号，s_m表示信号的均值；在非线性增益情况下，则使用公式g＝f(s_n)来计算增益，其中f表示增益的非线性函数，s_n表示滤波后的信号。

14、具体地，增强降噪后信号的识别度是通过一种自适应滤波的一维时间信号增强算法来实现，该算法的执行步骤包括：初始化滤波器，选择合适的滤波器类型并分配初始参数；将初始化后的滤波器应用于输入的一维时间信号进行滤波处理；根据滤波后的信号计算滤波器的参数；根据计算得到的滤波器参数更新滤波器的值；重复执行滤波、计算和更新步骤，直到滤波器收敛，从而根据信号特点动态调整滤波器参数，获得更好的一维时间信号增强效果。

15、具体地，滤波器参数的计算是通过一种基于避雷器一维数据的滤波器参数计算方法来实现：对于线性滤波器，采用公式h_k＝s_k/s_m来计算滤波器系数，其中h_k表示滤波器系数，s_k表示滤波后的信号，s_m表示信号的均值；对于非线性滤波器，则采用公式h_k＝f(s_k)来计算滤波器参数，其中f表示滤波器的非线性函数，s_k表示滤波后的信号。

16、具体地，步骤4中，将经过降噪处理的数据送入基于通道卷积的残差网络中进行模型训练，包括模型输入、模型输出和模型计算过程，其中模型输入包括输入联合特征x、卷积核w、门控注意力权重k_g和自注意力权重k_s；模型输出为模型输出概率矩阵y；模型计算过程中，通过门控注意力机制和自注意力机制的计算，得到新的上下文向量和输出；门控注意力机制包括门控机制和注意力机制，自注意力机制包括查询矩阵、键矩阵、值矩阵的计算和注意力分数的计算，以及多头计算和后处理。

17、具体地，步骤4中采用遗传算法进行优化，具体实现步骤如下：初始化一组表示神经网络权值和结构的粒子群，并初始化粒子的速度和位置；计算每个粒子的适应度，以衡量粒子的优劣；在每次迭代中，更新粒子的速度和位置，直到粒子群中的所有粒子收敛到全局最优解；在粒子群算法收敛后，使用模拟退火算法进一步优化神经网络，生成新的解并接受或拒绝，随着迭代次数的增加逐渐降低退火温度；重复执行粒子群算法和模拟退火算法，直到达到预设的迭代次数或满足其他终止条件。

18、具体地，步骤5中采用模型在线学习策略进行持续优化和更新，具体实现步骤如下：初始化模型参数；从数据流中获取新的输入样本；使用当前模型参数进行预测或推理；计算模型输出与真实标签之间的误差损失；通过损失函数的梯度下降更新模型参数；间隔一定时间对模型在评估集上的表现进行评测；根据评估指标保存当前最佳模型；循环获取新样本并更新模型以实现持续优化。

19、本技术还提出了一种避雷器故障智能检测系统，包括：传感器网络布置模块，用于在目标避雷器设备周围布置传感器网络；数据预处理模块，用于对收集到的数据进行预处理和清洗；降噪处理模块，采用改进的omlsa的一维信号降噪处理算法对多传感器数据进行降噪；模型训练模块，将降噪后的数据送入基于通道卷积的残差网络进行模型训练，并采用遗传算法搜索模型的最优参数；模型更新模块，结合在线学习和离线学习算法实现模型的实时更新优化；误差判定模块，通过粒子群退火融合算法优化模型后进行误差判定；在线预测模块，在误差可接受范围内进行在线预测，以实时监测避雷器的运行状态并发现潜在的故障风险；以及过程控制模块，当输入出现较大变化或满足其他设定条件时，结束整个过程。

20、本发明的有益效果在于：

21、1.提高效率：传统阈值判定方法需要收集大量数据并进行分析，才能确定故障类型，而本技术只需收集少量数据，通过神经网络学习故障特征，从而大大提高了故障诊断的效率；

22、2.提高准确性：本技术可以通过粒子群优化算法寻找神经网络的最优参数，从而提高故障诊断的准确性；

23、3.准确把握健康状态：本技术可以通过神经网络学习到故障特征，从而对设备的健康状态进行准确把握；

24、4.增强适应性：本方法当在避雷器故障推理过程中发现避雷器数据分布发生较大变化时，避雷器推理端侧会实时采集数据，送入模型进行训练，然后重新实现模型对新数据的学习和推理，这样可以确保模型始终适应数据的变化，提供更准确的故障诊断结果。