基于深度学习的电力计量检定流水线故障预警技术

张淑云

摘要：近些年，我国的科学技术水平不断进步。现阶段，传统故障诊断系统通过传感网络、采集网络、日志报文等技术收集检定系统的运行数据，但采集数据量较少，专家判断法、决策树法、SDG模型等传统的数据挖掘方式效率较低、诊断效果差。针对现状，文中将深度学习技术引入自动化流水线的检定系统，实现故障预警、诊断一体化，基于深度学习神经网络构建针对自动化流水线的故障分类模型，并用实际系统运行数据对模型预警效果进行测试验证。算法验证最终以概率形式给出故障预警结果，充分考虑流水线及设备相互间影响的因素，结果表明，该方法具有理想的故障预警效果，为自动化流水线的故障排查与预防提供更精确的信息。

关键词：电力智能化;计量自动化流水线;故障预警模型;深度学习;神经网络

引言

随着我国电力信息化建设的不断深入，同时由于智能电网和人工智能技术的发展，智能化的计量设备需求日益增大，迫使计量检定的自动化、标准化、流程化向智能化方向发展。同时计量管理领域的一体化、智能化的研究，也成为计量检定行业广泛研究的热点课题之一。随着自动化检定系统的建设，检定设备的集成度、复杂度越来越高，传统依靠维修人员的经验进行维修、维护的方法变得越发困难。人们对检定流水线的依赖越来越大，一旦检定流水线发生故障，将造成的严重损失。因此，如何做好故障预警和快速定位故障是计量检定人工智能发展的质量基本要求。目前，国内检定流水线采用的检定算法主要是采用传统数据挖掘方法，总体存在采集的数据不全面、数据量相对偏少、诊断效果不佳且效率低的缺陷。同时，现有的设备故障诊断是通过单个硬件报错，并没有从整个流水线和流水线相互之间的影响去考虑及分析，整体诊断效果不佳。针对现有检定技术的不足，本文提供了一种基于K-Means聚类分析的计量自动化流水线故障诊断方法。方法全面收集检定自动化流水线的运行数据，根据采集到的数据通过数据训练和聚类分析，从而构建针对自动检定系统故障的算法模型。并根据采集到数据中的异常值，来对流水线运行故障进行定位诊断。方法模型从自动化系统本身出发进行全面的故障诊断，充分考虑流水线及设备相互之间的影响关系，从而提高诊断全面性与准确性。

1传统流水线托盘简介

自动化流水线的运行过程中，需要对被检器具分别进行移栽、定位、固定、耐压试验、功耗测试、外观和标志检查、准确度检定和多功能试验、下料、封装、缓存等一系列流程动作。在整个检定过程中，被检器具借助计量托盘的引领，迅速、平稳的从一个特定工位流向下一个特定工位，使其自动完成预设的检定任务。自动化流水线的建设造价高昂，传统流水线托盘只能针对单一被检器具进行检定（见图1），效率低下，且浪费资源。但是，由于被检器具的尺寸大小各有差异，要实现兼容式的流水线的生产，不仅仅是在检定软件上实现相关的检定功能，最重要的是怎样让不同尺寸的被检器具能在流水线上完成一系列的流转动作。文中旨在设计出一种自动化流水线兼容式计量托盘，最大化利用流水线，提高生产效率。

图中：1为托盘基板，2为双表托盘浮动块，3为弹簧，4为衬套，5为底托长边，6为底托短边，7为托盘衬板，8为RFID安装法兰，9为RFID载码体，10为无油轴套，11为镁锌铁片1，12为镁锌铁片2，13为圆柱头内六角螺钉，14为平垫圈，15为弹簧垫圈。

2基于深度学习的故障预警方法

2.1样本数据集选取

为提高该模型识别故障的准确性，本文收集了海南电网基地采集到的现场流水线数据。对该模型进行测试，开展模型训练和验证工作。为保证样本数据集的全面性，同时保证足够数量的样本，随机选取了特定数量作为无标签预训练样本。提供的数据相同时，则以带标签的样本数据为准，并进行数据的微调。

2.2模型测试

为验证本文所提出模型的准确性，利用海南电网提供的流水线数据，对故障预警进行实地检测，验证故障预警的灵敏度。本文旨在找出模型性能与AE层数、预训练集样本数量间的关系。因此对AE层数为1～5层的模型分开进行性能测试，分别选取了3000个正常运行和故障运行的时间点进行测试。在该样本中，随机选择500个、1000个、1500个数据进行3组识别检测，并通过检测的结果进行对比。在检测的结果中，随机选取300个已知故障/正常测试样本集对模型性能进行验证，测试其故障预警的精准度。由实际数据进行试验测试，得到结果如图2所示。结果表明，随着模型规模和预训练样本数量的增加，模型故障预测的精准度也随着提高。且在对于实际系统运行数据具有较好的故障预警性能，精准度可达90%以上，可适用于检定中心的整体故障预警系统。

测试模型中，选取算法的不同m数值，判断分组识别效果与阅读器反应。同时比较吞吐率，如表1所示。

2.3实验结果分析

在较多实际工作场景下，故障情况的种类繁多、不易收集。所以，在少样本的数据集和中无监督学习的优势明显大于其他需要先验知识或精确标签的算法。利用K-Means的学习方法可以做到在较少有人工标记的情况下还能准确分离出故障样本和正常样本，其理解样本数据的能力在这种数据集中要高于其他算法。同时也就说明了，其泛化性能更好。当出现数据集中的孤立样本时，能有更好的判断结果。另外，K-Means算法需要的人工标记少于其他算法，甚至有时可以实现无监督学习。在减少了人工干预的基础上，能保证其预测精度不下降，能节省在数据收集和数据标注上的开销。流水线工业数据因为其故障率本身较低，所以样本量不高和故障数据不齐全是导致大部分算法失效的主要原因。K-Means算法因为其无监督、自动聚类的特性，在这种数据集上表现优良，基本可以满足工厂对于故障报警的需求。虽然基础K-Means算法还有许多不足，但在后续中加入更多对数据的操作，可以得到更加优化的性能。所以，K-Means算法更适用于更多的工业数据场景。

结语

文中提出一种基于堆叠自动编码器深度学习算法的电力计量自动化流水线故障预警方法，通过全面搜集检定流水线历史运行数据和第三方厂家提供的特征数据，形成深度学习数据样本。并结合SAE算法设计故障预警模型，通过BP方法实现算法模型的训练和优化微调。最终，采用明确测试数据样本对模型进行性能测试。结果证明，在保证模型规模和训练样本数量的基础上，设计的故障预警模型能够确保精准性与稳定性，可用于检定系统的日常故障预警。验证实例表明，深度学习技术在故障预警识别方面具有较强优势。与其他技术相结合，可在实际应用中发挥更大的作用。但目前深度学习技术有待提高，且神经网络方面的技术仍处于探索阶段，对于实际自动化流水线的故障预警识别尚且需要完善。

參考文献：

[1]  张小丽，陈雪峰，李兵，等.机械重大装备寿命预测综述[J].机械工程学报，2011，47（11）：100-116.

[2]  朱彦.基于深度学习的无线传感器网络数据融合算法[J].自动化与仪器仪表，2017（9）：34-35，40.

[3]  辛耀中，石俊杰，周京阳，等.智能电网调度控制系统现状与技术展望[J].电力系统自动化，2015（1）：2-8.

[4]  苏斌.智能电网时代电力信息通信技术的应用和研究[D].保定：华北电力大学，2015.

（作者单位：国网新疆电力有限公司营销服务中心（资金集约中心、计量中心））