磨齿机机械手电力变压器运行状态检测研究

张文娅，张 鹏，高祥斌

（1.北京信息科技大学自动化学院，北京100083；2.山东交通学院，山东 济南 250357；3.临沂大学，山东 临沂 273400）

1 引言

对磨齿机自动化装料机械手电力变压器异常状态快速做出报警，并为进一步对设备故障模式评估及诊断修复，在工业机械化生产中，具有重要作用。当前阶段，针对这一问题，以系统设备的在线运行状态信息为基础，检测其异常状态并对异常状态发出相应的响应（报警）信号，从而进一步通过机器学习方法，判定磨齿机自动化装料机械手电力变压器的在线运行状态[1]。

由于磨齿机自动化装料机械手电力变压器工作状态下的各项运行参数类型繁多、数据量大等特点，将大数据分类技术引入磨齿机自动化装料机械手电力变压器运行状态的在线检测中，可充分捕获设备运行状态检测的异常信息，有效弥补传统检测方法难以快速提取到候选异常状态参量的问题，同时也能够解决传统人工检测方式主观性强，漏检率高等问题。在线监测数据流的异常检测方面具有很大的应用前景，具体如下：

（1）设备正常运行时，故障数据相对对较少，此时计算数据关联关系，能够为检测设备故障数据提供保障。

（2）提升设备状态数据的利用率，实现大数据表征。磨齿机自动化装料机械手电力变压器在线状态数据具有取样周期短、检测点分布广等特点，大数据挖掘能够有效利用历史数据，反映出设备状态的变化。

（3）现阶段磨齿机自动化装料机械手电力变压器在线故障检测方面的研究多是试探性的，还没有形成一个合理的，完善的评价模型。但是，以大数据分类为基础的检测方法多面临一个问题，磨齿机机械手电力变压器设备故障状态众多，需要有监督约束分类条件，但约束条件过多导致关联性无法确定[2]。

为了解决磨齿机自动化装料机械手电力变压器在线状态检测的问题，提出基于滑动窗口和聚类算法的磨齿机自动化装料机械手电力变压器运行状态在线检测方法。

2 基于滑动时间窗口的异常状态数据集

2.1 筛选异常状态数据

由磨齿机自动化装料机械手电力变压器记录时间和记录值构造而成的元素属性集X=｛（t0，x0），（t1，t1），…（ti，xi），…｝。假定在实际运行过程中，磨齿机机械手电力变压器运行状态数据点X只和Z 有关联，这种情况在现实环境下真实存在，机械手电力变压器在运行时的状态量会随着时间量动态变化。通常情况下，当时间Z 的取值接近时，X 的改变较小，且它们都平均的分散在当前时间窗口内，全部X 的平均值avg（X）周围，如果某个数据点Q的X 值与目前avg（X）发生显著偏离时，表明Q 点是异常状态数据点的概率较大[3]。所以，通过设定固定距离的滑动窗口，获取机械手电力变压器在线运行状态数据，以阈值的判定方式来对异常模式进行甄别。

设定Sw［t-w：t］代表运行状态数据流的滑动窗口，t 和w 的单位一致，同t>w 时。设目标滑动窗口内一组运行状态数据流表示为，设定等候识别的运行状态数据点Q 是t 时刻的xt，具体甄别设备运行状态的过程如下：

（1）选择某阶段的时间序列，从初始时刻t 起，设置距离是w的滑动窗口

（2）推算滑动窗口到设备运行状态数据点的平均距离，如式（1）所示。

式中：d（xt）—t 时刻设备运行状态数据点xt到数据点空间中心的距离。

（3）计算zt=|d（xt）-d（xt-1）|，如下所示：

通过上述过程得出估测的处在均值周围的xt值为：

（5）重复上述过程中，过滤所有的设备运行状态时间序列，得到候选异常状态参量集合D。

2.2 甄别阈值的确定

通过上述过程可知，基于滑动窗口过滤候选设备运行状态异常参量的计算，受到时间窗口尺度w 和τ 阈值两个参数的约束。为保证甄别结果的准确性，阈值的选取由磨齿机自动化装料机械手电力变压器运行检测经验获取最佳值，对于472 组的磨齿机自动化装料机械手电力变压器，进行在线检测大数据中异常运行状态数据点1.2 倍数量的结果值，以此进行选定候选运行状态数据甄别的阈值[4]，结合全部运行状况数据，选取τ=0.12。利用设备异常运行状态参量检测准确率α，进行评判滑动窗口尺度w 相对后续运行状态参量检测结果，可描述为：

式中：Noutlier—最后检测到的设备运行状态数据量；NT—待检测设备运行状态数据中，出现的异常点总量。

3 设备运行状态参量关联性分析算法设计

磨齿机自动化装料机械手电力变压器运行状态参量繁多复杂，目前缺少对机械手电力变压器运行状态参量的关联性挖掘分析[5]。根据设备运行状态参量之间的关联性规则分析，实现参量与参量之间的有效组合、特征提取与集成。相对关联规则，通常采用X⇒T 的方式来描述，将X 代表机械手电力变压器在线运行状态参量，Y 代表后项设备状态参量，通常情况下视为单个状态参量。

假设，关联规则事务集为D，共含有n 个事务，将关联规则事务集表示为D=｛T1，…，Tj，…，Tn｝，对于各个事务，T=｛I1，…，Im｝。对于频繁项集X，其相应的支持度S 可表示为：

对于形式为X⇒Y 的关联规则，其相应的支持度为：

式中：S—支持度；N（X∪Y）—集合数目。上式表示的支持度体现了X、Y 项集一起出现的几率该值与频繁项集的支持度相同[6]。

同样，相对形式是X⇒Y 的关联规则，所相应的信识度C 为：

上式所示的可信度情况为，假设频繁项集内含有X，同时含有Y 的几率相对采用关联规则的用户，可依据设定最小的支持度与信识度的阈值，进行获取支持度S 与信识度C，相同比较高的关联规则。

为了对磨齿机自动化装料机械手电力变压器运行状态进行检测，需要考虑机械手电力变压器的运行状态参量与不同状态模式之间的关联关系，代表某种状态参量出现异常状态下，所发生的故障几率[7]。同时求取各种状态参量和机械手电力变压器故障形式之间的关联系数，即可获得机械手电力变压器故障模式判定矩阵R，即：

其中，Rrt表示第r 种的故障形式Br在第t 个状态参量Vt的关联系数；满足r∈［1，p］，共包含p 种故障模式，满足r∈［1，q］时，各种故障形式与设备状态参量均有多种，且Br和Vt均表示向量。

获取关联系数Rrt时，利用皮尔逊相关的系数计算。关联系数通过积差法计算，该系数的取值区间在［-1，1］内，应用于磨齿机自动化装料机械手电力变压器在线运行状态检测中的Br和Vt关联系数利用下式给出：

其中，Co（vBr，V）t用于描述Br和Vt的协方差表示Br的方差，Var（Vt）表示Vt的方差。

通过上述过程获得识别矩阵R 后可利用下式对待识别故障数据进行识别：

式中：U—待识别故障数据向量，含有磨齿机自动化装料机械手电力变压器不同状态参量的量化水平；F—设备在线运行状态识别向量，向量中不同元素的值可描述为该设备在不同状态下的隶属程度[8]。最后确定有可能的故障形式时，可选取最大程度的故障形式，将其视为最后的识别结果。

综上所述，得出磨齿机机械手电力变压器运行状态检测流程图，如图1 所示。

图1 磨齿机机械手电力变压器运行状态检测流程Fig.1 Detection Process of Power Transformer Operating State of Gear Grinding Machine Manipulator

收集磨齿机机械手电力变压器运行状态数据并对异常状态数据进行筛选，如图1 所示。引入滑动窗口对设备运行状态异常参量计算，得到正常状态数据项集；计算支持度，通过该值判断不同数据项集之间的关联规则，同时判断运行故障发生几率，获得机械手电力变压器故障模式判定矩阵，根据皮尔逊相关的系数计算得出关联系数，识别故障数据，完成磨齿机机械手电力变压器运行状态检测。

4 实验结果与分析

磨齿机自动化装料机械手电力变压器种类繁多，以图2 给出的设备为研究对象，验证提出的基于滑动窗口和聚类算法的磨齿机自动化装料机械手电力变压器运行状态在线检测方法的性能。

图2 SPIH220DP-060KA 自动化与机械手电力变压器Fig.2 SPIH220DP-060KA Automation and Manipulator Power Transformer

采用Matlab 软件编制了相应的机械手电力变压器在线运行状态检测程序，对图2 给出的设备的状态数据进行分析诊断，并将其与三比值法进行检测对比，验证机械手电力变压器在线检测模型正确性和有效性。

4.1 滑动窗口宽度对检测准确率的影响

利用机械手电力变压器在线运行数据检测准确率α，来判断滑动窗口的宽度w 对设备在线运行数据检测结果的影响，可描述为：

式中：Nout—最终检测出来的设备状。检测结果，如图3 所示。

图3 滑动窗口对检测精准度的影响Fig.3 The Effect of Sliding Window on Detection Accuracy

分析图3 可知，随着滑动窗口宽度w 的不断增加，设备在线运行状态检测准确率越来越高，其原因是当滑动窗口宽度较小时，邻近的数据点较少，无法挖掘历史数据，难以检测运行状态。随着滑动窗口宽度w 的增加，设备运行状态数据中含有较多的信息，致使检测算法的检测准确度逐渐趋于稳定。

4.2 设备状态分类及检测结果分析

表1 电力变压器在线运行状态分类Tab.1 Classification of Online Operating Status of Power Transformers

对磨齿机机械手电力变压器状态类型划分，如表1 所示。

利用电力变压器为实验对象，采用油色谱进行在线检测，收集变压器中气体浓度数据，并加入一些环境数据，对这些数据进行规整化处理后，去除掉一些冗余噪声，获取可用的1972 条数据。在这些数据中，有1520 条数据是变压器在正常工作时运行数据。剩下的452 条数据是变压器在故障模式下的异常运行数据。以得到的这些数据为基础进行实验，具体数据，如表2 所示。

表2 具体实验数据Tab.2 Specific Experimental Data

为了保证实验的准确性，检测过程中，将获得的数据进行5：1 分类，随机的分成两个部分，将其中5/6 的数据用于实验训练使用，1/6 数据用于测试使用。其中，测试分类正确率最高96.91%、最低74%、平均80.74%，如表3 所示。

表3 实验测试数据结果Tab.3 Experimental Test Data Results

表4 中为5 条待测油浸式变压器在线运行状态数据使用三比值法与这里方法检测后的结果。采用三比值法得不到检测结果或是会出现误判等，而采用这里方法进行检测，其检测结果和实际情况完全符合，这说明方法具有非常高的检测准确性以及有效性。

表4 实例数据检测结果比较Tab.4 Example Data Test Result Comparison

5 结论

主要对磨齿机自动化装料机械手电力变压器在线运行状态检测进行了研究，采用时间序列与滑动窗口对磨齿机自动化装料机械手电力变压器在线运行状态监测数据进行过滤，简化进行故障模式检测计算量。实验结果表明，在磨齿机自动化装料机械手电力变压器运行状态检测过程中，随着滑动窗口宽度的不断增加，电力变压器运行状态检测准确率逐渐趋于稳定；测试电力变压器设备状态分类，分类正确率最高为96.91%、平均为80.74%，检测结果也与实际情况符合。综上所述，这里方法进行磨齿机自动化装料机械手电力变压器故障检测具有较好的准确性和更为广泛的实用性。