基于大数据分析的电气设备故障快速诊断方法技术

本发明专利技术涉及数据处理技术领域，具体涉及基于大数据分析的电气设备故障快速诊断方法，包括：采集电气设备运行时的温度时序数据序列，获取温度时序数据序列中的初始问题特征，再将温度时序数据序列划分为若干个数据序列段，结合数据序列段的波动差异性

【技术实现步骤摘要】
基于大数据分析的电气设备故障快速诊断方法


[0001]本专利技术涉及数据处理
，具体涉及基于大数据分析的电气设备故障快速诊断方法
。

技术介绍

[0002]基于大数据分析的电气设备故障快速诊断方法是通过采集电气设备工作时会产生各种传感器数据，如电流
、
电压
、
温度
、
振动等
。
其中电气设备运行时的温度时序数据可以较为直观的反应出电气设备的运行状态
。
因此再将采集的电气设备运行时的温度时序数据输入到相应的故障诊断模型中，判断当前状态下是否存在设备故障，并将故障诊断结果发送给工程师和维护人员，方便及时处理故障
。
[0003]现有的问题：长时间实时采集的电气设备运行时的温度数据量庞大，需要较大的存储空间，并且导致数据传输效率较慢，会降低电气设备故障诊断的及时性
。
其通常使用旋转门算法进行数据压缩处理，该算法中较大的压缩精度参数，能提高压缩效率，但数据损失较大，从而导致解压后的数据可信度较低，会减小电气设备故障诊断的准确性
。

技术实现思路

[0004]本专利技术提供基于大数据分析的电气设备故障快速诊断方法，以解决现有的问题
。
[0005]本专利技术的基于大数据分析的电气设备故障快速诊断方法采用如下技术方案：本专利技术一个实施例提供了基于大数据分析的电气设备故障快速诊断方法，该方法包括以下步骤：实时采集任意一个电气设备运行时的温度数据，得到温度时序数据序列，并将温度时序数据序列划分为若干个聚类簇；根据聚类簇之间的数据差异
、
数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇；根据连续相邻的疑似问题聚类簇，构成新聚类簇；根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度；根据所有聚类簇的异常值
、
所有疑似问题聚类簇的中数据数量
、
疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征；根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段；根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性；将任意一个数据序列段，记为目标序列段，并得到目标序列段中的局部极值点；根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列；根据目标序列段的波动差异性
、
局部极值点数量
、
差值序列
、
温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值；根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数；根据目标序列段的压缩精度参数，使用旋转门算法，得到目标序列段的压缩数据；根据所有数据
序列段的压缩数据，得到所述电气设备的故障诊断结果
。
[0006]进一步地，所述根据聚类簇之间的数据差异
、
数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇，包括的具体步骤如下：在温度时序数据序列中，依次计算每个聚类簇中的数据均值，得到均值序列；将均值序列中任意一个数据，记为参考数据；将参考数据对应的聚类簇，记为参考聚类簇；在均值序列中，分别计算参考数据与其相邻的所有数据的差值的绝对值，将所述绝对值的均值，记为参考聚类簇的异常值；统计温度时序数据序列中每个聚类簇中的数据数量，将所述数据数量小于预设的数量阈值的聚类簇，记为疑似问题聚类簇；将所述数据数量大于等于预设的数量阈值的聚类簇，记为疑似正常聚类簇
。
[0007]进一步地，所述根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度，包括的具体步骤如下：统计每个新聚类簇中疑似问题聚类簇的数量，将所有新聚类簇中疑似问题聚类簇的数量中的最大值，记为温度时序数据序列中的疑似问题聚类簇的集中程度
。
[0008]进一步地，所述根据所有聚类簇的异常值
、
所有疑似问题聚类簇的中数据数量
、
疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征，包括的具体步骤如下：使用最大最小规范法，对所有聚类簇的异常值进行归一化处理，得到每个聚类簇的异常值的归一化值；统计每个疑似问题聚类簇的中数据数量，将所有疑似问题聚类簇的中数据数量之和，记为温度时序数据序列中的问题数据数量；根据所有聚类簇的异常值的归一化值
、
温度时序数据序列中的问题数据数量
、
温度时序数据序列中的疑似问题聚类簇的集中程度
、
得到温度时序数据序列中的初始问题特征对应的具体计算公式为：其中
A
为温度时序数据序列中的初始问题特征，为所有聚类簇的异常值的归一化值的均值，为温度时序数据序列中的疑似问题聚类簇的集中程度，
D
为温度时序数据序列中的问题数据数量，为以自然常数为底的指数函数
。
[0009]进一步地，所述根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段，包括的具体步骤如下：在温度时序数据序列中，依次将每个新聚类簇与其相邻的后一个疑似正常聚类簇合并，得到温度时序数据序列划分的若干个数据序列段
。
[0010]进一步地，所述根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性，包括的具体步骤如下：在温度时序数据序列中，依次计算每个数据序列段中的数据方差，得到方差序列；将方差序列中任意一个数据，记为目标数据；将目标数据对应的数据序列段，记为
目标数据序列段；在方差序列中，计算目标数据分别减去其相邻的所有数据的差值，将所述差值的均值，记为目标数据序列段的波动差异性
。
[0011]进一步地，所述根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列，包括的具体步骤如下：依次统计目标序列段中每个局部极值点对应的时间点，得到时间序列；在时间序列中的所有相邻数据中，依次计算后一个数据减去前一个数据的差值，得到目标序列段对应的差值序列
。
[0012]进一步地，所述根据目标序列段的波动差异性
、
局部极值点数量
、
差值序列
、
温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值对应的具体计算公式为：其中
F
为目标序列段的压缩调整值，
A
为温度时序数据序列中的初始问题特征，
H
为目标序列段的波动差异性的归一化值，
G
为目标序列段中的数据数量，为目标序列段中的局部极值点数量，
V
为目标序列段对应的差值序列中的数据方差，为线性归一化函数
。
[0013]进一步地，所述根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数对应的具体计算公式为：其中
P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于大数据分析的电气设备故障快速诊断方法，其特征在于，该方法包括以下步骤：实时采集任意一个电气设备运行时的温度数据，得到温度时序数据序列，并将温度时序数据序列划分为若干个聚类簇；根据聚类簇之间的数据差异
、
数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇；根据连续相邻的疑似问题聚类簇，构成新聚类簇；根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度；根据所有聚类簇的异常值
、
所有疑似问题聚类簇的中数据数量
、
疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征；根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段；根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性；将任意一个数据序列段，记为目标序列段，并得到目标序列段中的局部极值点；根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列；根据目标序列段的波动差异性
、
局部极值点数量
、
差值序列
、
温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值；根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数；根据目标序列段的压缩精度参数，使用旋转门算法，得到目标序列段的压缩数据；根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果
。2.
根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据聚类簇之间的数据差异
、
数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇，包括的具体步骤如下：在温度时序数据序列中，依次计算每个聚类簇中的数据均值，得到均值序列；将均值序列中任意一个数据，记为参考数据；将参考数据对应的聚类簇，记为参考聚类簇；在均值序列中，分别计算参考数据与其相邻的所有数据的差值的绝对值，将所述绝对值的均值，记为参考聚类簇的异常值；统计温度时序数据序列中每个聚类簇中的数据数量，将所述数据数量小于预设的数量阈值的聚类簇，记为疑似问题聚类簇；将所述数据数量大于等于预设的数量阈值的聚类簇，记为疑似正常聚类簇
。3.
根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度，包括的具体步骤如下：统计每个新聚类簇中疑似问题聚类簇的数量，将所有新聚类簇中疑似问题聚类簇的数量中的最大值，记为温度时序数据序列中的疑似问题聚类簇的集中程度
。4.
根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据所有聚类簇的异常值
、
所有疑似问题聚类簇的中数据数量
、
疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征，包括的具体步骤如下：使用最大最小规范法，对所有聚类簇的异常值进行归一化处理，得到每个聚类簇的异常值的归一化值；
统计每个疑似问题聚类簇的中数据数量，将所有疑似问题聚类簇的中数据数量之和，记为温度时序数据序列中的问题数据数量；根据所有聚类簇的异常值的归一化值
、
温度时序数据序列中的问题数据数量
、
温度时序数据序列中的疑似问题聚类簇的集中程度
、<...

【专利技术属性】
技术研发人员：李潇，田高铬，潘熙元，
申请(专利权)人：山东贺铭电气有限公司，
类型：发明
国别省市：