基于机器学习算法的电气设备故障预测与诊断

李 赟

（青岛特殊钢铁有限公司）

0 引言

钢铁厂中电气设备的应用，关乎着工作人员的工作效率，更关乎工作人员的生命安全。所以，电气设备故障预测与诊断工作的开展是必要的。如何判别电气设备是否存在异常，防止故障问题的影响加剧，成为我们着重探讨的内容。在此可以基于常见的几种电气设备损坏情况进行分析，了解绝缘损坏、断线以及短路问题所带来的影响，确认电气信号特征，以生成故障的诊断模型，从而运用故障诊断及分类的方式，确认是否存在故障，及时将其解决。

1 基于机器学习算法的电气设备故障类型

1.1 测试设备时的故障

在电气设备发生故障时，若测试环节未发生过大的问题，可能是测试设备所引发的故障。例如：在测试阶段，员工出现误操作的情况，造成设备发生故障的可能性增加。或者，在钢铁厂员工在观察电效应时，存在物理现象。此时，需要借助示波器执行测定工作。若操作环节未增加对电气设备方面的思考，则无法保证设备正常运行，导致低阻回路的情况发生，或是电线及电缆被老鼠咬断，也会引发设备发生故障，从而造成设备发生异常。

1.2 元器件损坏引发故障

基于电子产品的应用层面进行分析。因为电路内所含有的线路数量及元器件相对加多，所以，元器件多数相对精细。如若在电路的组成区域内发生问题，则会引发电子电路故障，使电容、电阻和晶体管等发生异常，容易烧坏元器件，导致电路中的电力输入及输出情况发生异常。

1.3 电路接触环节故障

若电路在运行过程中出现不稳定的情况，总是间歇性地进行通电，则会增加电路故障的概率。此问题多半由于电路接触环节的故障所导致。

1.4 人为因素造成故障

受到人为因素影响，导致操作人员未了解电源的连接状态，造成元器件在安装的过程中出现差错，甚至忘记安装元器件等情况。这样，也会增加电气设备的故障可能。

2 基于机器学习算法的电气设备故障预测与诊断措施

2.1 加强电动机单向管理，实现故障预测与诊断

为防止人为等干扰因素对电气设备造成影响，可以通过加强对，加强对电动机的单相管理操作方式，确认钢铁厂内是否存在非故障性以及故障性的熔断。首先可加强现场内的监督及检查工作，保证电动机是正确进行安装的，让低压线路及电器在安装过程中不会出现问题，以保证电动机单向管理的合理性。同时，可以利用数据信息的自动检索方式，保证故障预测与诊断工作的顺利开展。

其次，可以确认熔体的具体容量，通过公式计算的方式，确认电动机的额定电流。其中额定电流=K*电动机的额定电流。而耐热用量K的取值范围通常在1.5-2.56之间，最小容量在4-6以内。对此，可以结合K值的变化情况，确认电动机中所产生的负荷，有效规避回来方面发生故障问题。也可检查接触器触头区域，热继电器等区域的安装、选择情况，把控电器元件质量的同时，运用预防措施，完成故障预测与诊断。这样，则可完成对电气设备的故障预测以及故障诊断。

2.2 做好配电设备管理工作，模拟设备并确认故障

基于机器学习算法而言，其作为 多领域的交叉学科，不仅涉及到统计学、概率论、凸分析、逼近论等内容，更会通过模拟的方式，实现学习行为。所以，为完成电气设备故障预测与诊断工作，可以运用小波包分析，了解电气设备的基本表征。利用正交滤波器并协调其在应用过程中的关系。结合电力网可能发生的损害，对完成气设备的振动信号进行确认，也可采用小波包分解的方式，确认在不同频段内的序列，以推算出在某一级的平均能量，各子频能量等。

2.3 基于卷积神经网络分析，了解设备故障情况

通过卷积神经网络的搭建，确认卷积层，让其与池化层是如何进行连接的，剖析其中的内容，以形成网络基本结构。这样，了解设备故障情况即便卷积神经网络是有对个干卷积层组合而成的，也可采用数据数据→数据旋转→缩放的方法，对图像进行识别，使电压，电流的变化情况能够更加清晰地展现，以保证网络结构得到优化。防止原始的数据内容发生操作不正确，分类不严谨的情况。

同时，可以结合电气设备所受的紫外线强度、温度及湿度等多方面的影响，实现对高压断路器、变压器的诊断，在工作过程中与SVM算法进行配合，以保证数据中的基本概率能够得到合理分配，确保复合故障的诊断工作有效实施。这样一来，卷积神经网络可以应用于基本概率的分配过程中，采用复合诊断的方式，使电力系统能够顺利进行测量，也可采用参数调节的方式，达成网络的构建目标，使系统可了解电气设备的振动信号特征（x1j），让其以映射的方式，确认激活函数的状态（f），得到电气设备在振动过程中的信号特征数（M），卷积核（k1i）j；卷积符（*）；偏置（b1j）等内容（如图1所示）。

图1 卷积神经网络搭建流程图

同时，也可运用公式计算的方式，确认各层之间的关系，具体如下：

并且，将输出的结构进行整合，依靠softmаx分类器完成处理工作，以保证在电气设备运行过程中存在的故障可以被合理分类，有效地预防电气设备故障问题的发生。也可运用卷积神经网络，确认其中的振动信号，通过Tеаgеr 能量算子的支持，让振动信号能够被放大。

也可依靠反向传播算法，实现对电气设备运行状态的监督与管理，让分类器可以不断进行优化，以掌握各个参数的变化值。如此，利用故障分类的方式，保证模型的诊断工作能够合理实施。并且，在训练的过程中，依靠卷积神经网络，简化故障诊断与分类的流程（如图2所示）。

图2 卷积神经网络故障分类与诊断流程图

2.4 实行性能测试试验，精准预测故障与诊断

首先确认试验数据，确认设备是否存在三相不平衡的情况，在强化电气设备的振动信号的同时，若电气设备存在三相不平衡问题，可采用放大试验的方式，使振动信号不会出现过多的损失。

例如：若电机相电流存在不平衡的情况，可能是由于线组断路、匝间断路的情况引起的，此时，可运用同步放大的方式，防止电机被烧毁，确保微弱振动信号也能够被提取。这样，则可通过红外热成像技术的辅助，在特征提取工作实施完毕后，确认电机三相是否平衡，若平衡，则相电流保持一致，这样方可进行测试与训练，得到精准的结果［1］。

其次可运用50次左右的操作，检查是否为电源问题，完成对故障的分析，运用实验演练的方式，确认电机是否存在故障，保证正确率可以提高到90%，使得网络训练的正确率也有所提升。若完成200次左右的训练，则可保证正确率与100%贴近。据此，则可保证试验数据是精准无误的。使工作人员可以通过简便操作就可以判断电气设备有无故障可能［2］。

例如：通过电气设备的分类，确认在规定检测时间内，设备有无故障问题出现以及其故障的类型，凭借专家系统了解现场内电气元件的管脚区域是否有热胀冷缩的情况，运用模糊逻辑以及神经网络，掌握电器设备接触是否存在电阻增大的可能。由此，创建出智能化模型，以得出准确地结果。分析电气设备是否存在接触不良的问题，有无螺丝未拧紧的可能。此时，工作人员选择精准地判断方式，则可了解准确的数据内容，从而及时对电气设备进行维修养护［3］。

最后，在性能测试试验工作开展过程中，可以进行故障建模。运用先验信息以的方式，确认各项数据内容的输入以及输出关系。通过数据模型的创建，增加在故障诊断以及检测工作中的基础依据。这样，则可采用不可测以及可测估计变量的方式，确认系统是否存在故障。及时了解故障的发生原因，准确地找出故障源所在位置。通过对故障原因的判断，实现对故障程度的计算。得出故障结果、故障大小以及故障发生时间等内容。另外，可以综合测试以及故障诊断的方式，保证设备在后续维修以及养护环节不会发生问题。

3 结束语

综上所述，为实现对电气故障的分类与诊断，应做好信号采集、分类、处理以及诊断工作，增加各项操作之间的关联，保证处理结果是准确无误的。只有如此，才能确保电气设备不会发生故障，若存在故障也可在第一时间确认其位置。以夯实钢铁厂内电气设备的运行基础，保证工作人员采用电动机单相运行管理等方式，完成电气设备的检测工作，从而确保设备的合理运行，让工作人员精准判断出故障类型及原因，以实现对其的处理。