基于大数据的电子设备运行状态监测预警方法

2022-11-11冯建云

电子技术与软件工程 2022年15期

冯建云

（山西工程科技职业大学山西省晋中市 030619）

电子设备的实际运行状态与其运行效果有重要关联，一旦其运行失稳[1-2]，会导致严重的控制问题，造成不可估量的损失，因此，为了提高电子设备运行可靠性，需要进行电子设备运行状态监测与预警[3]。常规的电子设备运行状态监测方法主要使用相关的传感器进行监测，完成预警反馈，但受传感器自身敏感性的影响，其经常出现数据状态信息采集异常问题，导致运行状态监测延时过高，还未监测到数据[4]，电子设备就发生了严重的故障，不满足目前电子设备运行状态监测需求，因此需要设计一种新的电子设备运行状态监测方法。

随着信息化发展，我国智能变电站的数量越来越多，内部的电子设备组成越来越复杂[5]，一旦变电站开始运行，其内部会产生非常多的电子设备运行数据，仅靠单一的传感器进行监测难度较高，无法有效地识别处理电子设备的运行状态信息[6]。大数据技术可以有效地进行海量数据分析，针对数据的特征进行处理、分类，完成数据的管理和分析，能有效地提高电子设备运行状态信息的识别速度，提高运行状态监测预警的实时性，因此，本文基于大数据技术，设计了一种新的电子设备运行状态监测预警方法，降低监测预警延时。

1 电子设备运行状态大数据监测预警方法设计

1.1 基于大数据识别电子设备运行状态信息

要想准确地判断电子设备的运行状态，完成监测和预警，必须有效地进行运行状态信息识别，处理电子设备的运行状态信息。在运行状态监测的过程中，往往会生成大量的运行状态图像，为了提高图像信息的识别效果，必须进行样本训练，在样本信息中添加少量的噪声数据，提高运行状态信息的鲁棒性。

本文使用大数据技术，对采集到的数据图像信息进行统一增强处理，再进行数据挖掘，完成数据的加工，实现电子设备运行信息的高效识别。首先，将采集到的电子设备运行图片进行翻转、平移处理，提高模型的泛化效果，再进行数据集扩充，获取增强的batch数据，并将扩充后的数据样本重新输入到数据库中。

经过上述步骤识别的电子设备运行状态信息内部存在少部分模糊边缘，为了进一步提高运行状态监测的监测精度，本文结合电子设备的运行特征，对其进行了有效的定位。全部运行状态信息图像中都能分解出多个灰度阈值，此时可以进行单阈值分割。假设输入的识别状态信息图像中仅存在一个识别目标，且该识别目标与全部阈值点比较结果相同，此时可以对该图像进行灰度化处理，将采集到的状态信息图像转换为灰度图像，如下（1）～（3）所示。

图像进行灰度化处理后，各个像素的像素阈值都发生了不同程度的改变，此时可以进行阈值对比，确定电子设备运行状态信息图像通道全局阈值变化范围，手动设置一个标准的阈值，分析此时的状态信息分割效果。

经过多次识别发现，上述电子设备运行状态信息融合后会受随机性影响，无法判断某些特定状态下的电子设备运行状态信息，针对该问题，本文使用大数据OTSU技术，选取一个阈值重点，设计像素点之间的关系式m，如下（4）所示。

公式（4）中，m0代表运行状态图像信息的像素平均值，n0代表全部状态信息像素点，m1代表处理后的像素平均值，n1代表处理后的状态信息像素点，n代表全部图像状态信息像素点，p0代表像素占比，p1代表图像像素个数比例。

根据上述设计的关系式可以成功提取电子设备运行状态监测阈值，计算阈值的最佳值，进行有效的OTSU大数据分割，得到合理的电子设备运行状态监测双峰图像。如果一个图像中存在多个电子设备运行状态监测目标，仅使用上述的单阈值分割技术会造成状态信息图像处理粘连，降低运行状态监测背景的区分度，因此，面对这种情况，需要使用多阈值分割法进行定位处理。首先，需要判断不同状态目标处于同一灰度范围的概率，判断此时存在的阈值背景，其次需要比较区域内阈值的大小关系，确定像素点的分类状态，逐一进行状态信息监测调整，得出状态图像像素的平均值，避免出现图像粘连现象。

针对某些特殊的电子设备运行区域，可以使用区域定位法识别运行状态监测信息，即寻找恰当的监测区域，进行像素整合，确定合理的像素成长状态，此时的运行状态识别流程如图1所示。

图1：运行状态识别流程

由图1可知，该识别流程使用了分水岭算法，可以实时进行梯度图像转换，并将图像看成一座高低不同的山峰来查找图像分割的局部极值点，完成电子设备运行状态信息识别，采集到有效的电子设备运行状态监测预警信息。

1.2 选取电子设备运行状态监测预警装置

常规的电子设备运行状态检测预警方法缺乏相关的监测预警装置支持，无法保证运行状态监测预警的可靠性，因此本文设计的电子设备运行状态监测预警方法选取了EMI虚拟检测仪作为运行状态监测预警装置，进行有效的电子设备运行状态监测与预警。

EMI虚拟检测仪属于一种综合化智能化检测仪，其主要依据虚拟监测标准进行设计。为了提高该设备的监测敏感性，其内部添加了信号实时处理中心和数据采集中心，其可以利用数据储存芯片及数据采集装置对采集到的运行状态监测数据进行实时处理，再结合IO等数据运算函数完成曲线拟合分析。在使用过程中用户可以不断地对EMI虚拟检测仪进行优化，结合Visual C++、 Visual Basic.LabWindows/CVI等进行二次开发，生成符合电子设备运行监测需求的监测代码及监测面板，生成的状态监测波动图像如图2所示。

由图2可知，在状态监测波动图像中，存在多个波动峰值，每一个波动峰值均可能代表电子设备发生相应的改变，EMI虚拟检测仪可以使用数据分析程序统一进行一体化处理，保证监测的快速收敛性，有助于进行集成控制。

图2：状态监测波动图像

针对可能实时发生的环境噪声，EMI虚拟检测仪内部额外设置了双通道噪声排除中心，该中心可以同时调度内部的全部分析变换程序，计算设备运行极值，一旦检测到的指标高于设备运行极值，会立即进行报警，及时对运行中的电子设备进行维修处理。

在电子设备运行状态监测的过程中，会生成、采集大量的运行状态信息，仅靠LabVIEW无法进行存取调用，因此需要对EMI虚拟检测仪进行优化，设置合理的监测接口和驱动函数，使其满足电子设备运行状态监测预警驱动需求。为了实现监测预警装置的数据交换需求，需要利用VC++对EMI虚拟检测仪内部的程序进行多次开发，并在Advanced功能板中重新进行优化配置，从而设置合理的仪器监测参数，规定仪器预警触发的范围。

在复杂的监测过程中，EMI虚拟检测仪主要利用核心数据分析程序进行数据协同运算，内部设置了大量的运算矩阵降低监测工作量，提高电子设备运行状态监测的监测效率，但在实际监测过程中，还需要剔除相应的误差节点，保证EMI虚拟检测仪的预警可靠性，最大程度上降低电子设备运行状态监测的监测延时。

1.3 设计电子设备运行状态监测预警算法

在实际进行电子设备运行状态监测的过程中，可能受监测需求及电子设备的实际运行状态影响，出现难以控制的监测误差，降低监测预警的有效性，因此本文设计了有效的电子设备运行状态监测预警算法，有效地减少运行状态监测误差。首先，本文根据模糊数学原理，设计了运行状态监测的映射子集CA，如下（5）所示。

公式（5）中，U代表监测阈值，该映射子集中每个元素都对应着电子设备的运行状态，存在运行特征，此时设计电子设备运行状态特征函数C(U)，如下（6）所示。

公式（6）中，D代表特征权重，F代表映射范围，R代表每个监测数据源。根据上述特征函数，可以确定各个运行状态与标准运行状态的偏离程度。

电子设备的运行状态衡量指标较多，某些衡量指标也并非可以定量识别，因此本文使用模糊语言来进行隶属度描述，设计隶属度函数Akf(x)，如下（7）所示。

公式（7）中，x代表监测系数，由于多次监测的结果处于同一模糊集合里，因此为了避免监测变量对监测结果造成的影响，需要计算运行状态监测幅值P，如下（8）所示。

公式（8）中，A(U)代表样本集隶属度，B(U)代表模糊判断参数。可以根据监测幅值计算结果估计电子设备的运行状态参数，构建一个退化模型。该退化模型内需要含有不同状态下的退化信息，需要结合监测需求进行训练优化，获取状态监测全局最优解。

在监测的过程中，假设运行状态预估参数最高，此时存在一个适应度函数f(x)，如下（9）所示。

公式（9）中，k代表监测序列，P(O)代表适应度参数，λ代表状态监测对数，不断使用上述适应度函数进行多次迭代，选取最优迭代进化代数，评估电子设备的运行状态，实时进行状态监测预警。

为了真实反映电子设备的运行状态，可以设计一个回溯状态序列q，如下（10）所示。

不同类型的电子设备运行状态阈值存在较大差异，因此在进行监测阈值规划时，要结合各个状态的运行标准，进行针对化监测，设置区段化监测指标，还可以将监测部分划分成多个微小的监测单元进行监测。一旦某个监测单元内的监测参数高于设置阈值，需要立即引发报警装置，完成预警处理，有效地降低电子设备运行状态监测预警延时，提高监测预警的有效性。