摘 要：隨著智能制造和工業(yè)自動化的不斷推進，電氣設(shè)備的穩(wěn)定運行變得日益重要。然而，故障的不可預測性給設(shè)備維護帶來了巨大挑戰(zhàn)。因此，本文提出了一種基于主成分分析的電氣設(shè)備故障智能檢測技術(shù)，以提高故障診斷的準確性和效率。首先，分析了電氣設(shè)備故障的常見類型和特征，以及影響故障檢測準確性的關(guān)鍵因素。其次，提出一種基于主成分分析的電氣設(shè)備故障智能檢測技術(shù)，通過在線學習機制，使模型能夠適應(yīng)新的故障特征，實現(xiàn)持續(xù)優(yōu)化和迭代更新。最后，為了驗證所提出方法的有效性，研究構(gòu)建了一個基于實際電氣設(shè)備數(shù)據(jù)的測試平臺。結(jié)果表明，所提出的故障智能檢測方法能夠有效識別復雜故障模式，并實現(xiàn)了對早期故障跡象的準確預警。

關(guān)鍵詞：機器學習算法 電氣設(shè)備 故障智能檢測技術(shù) 主成分分析

0 引言

在現(xiàn)代工業(yè)生產(chǎn)中，電氣設(shè)備的可靠性和穩(wěn)定性對于保證生產(chǎn)的安全和有效性起著至關(guān)重要的作用[1]。然而，由于設(shè)備的老化、操作不當或者外部環(huán)境的影響，故障的發(fā)生時常不可避免。這種情況不僅會導致生產(chǎn)效率的下降，還可能引發(fā)嚴重的安全事故。因此，及時準確地檢測電氣設(shè)備的故障成為現(xiàn)代工業(yè)生產(chǎn)中亟待解決的問題。傳統(tǒng)的故障檢測方法往往依賴于人工視覺檢查和簡單的電氣參數(shù)分析，這種方法不僅效率低下，而且無法實現(xiàn)對故障的早期預警[2]。隨著機器學習技術(shù)的逐步發(fā)展，利用機器學習算法進行電氣設(shè)備故障的智能檢測已經(jīng)顯示出了廣闊的應(yīng)用前景。通過對機器學習算法在電氣設(shè)備故障智能檢測中的應(yīng)用進行深入探討，開發(fā)出一種有效的故障檢測系統(tǒng)，通過高精度的數(shù)據(jù)分析，實現(xiàn)對設(shè)備故障的早期預警和準確診斷[3]。

1 電氣設(shè)備故障的特征與影響因素分析

1.1 電氣設(shè)備故障的分類

電氣設(shè)備故障的常見類型包括但不限于電氣元件故障、電路短路、電路斷路、絕緣老化等[4]。主要有壓縮機損壞、制冷劑泄漏、風機損壞、四通閥串氣或損壞、氣囊破壞、汽化加熱器損壞和毛細管堵塞。

（1）壓縮機損壞：當壓縮機處于高速運行狀態(tài)時，將氣態(tài)制冷劑絕熱壓縮成高壓高溫狀態(tài)，其次，通過冷凝器冷卻，最終形成液態(tài)。（2）制冷劑泄漏：制冷劑泄漏故障是由于設(shè)備老化或安裝不當?shù)仍蛟斐?，尤其是橡膠軟管與管接頭的卡箍處更容易出現(xiàn)泄漏現(xiàn)象。（3）風機損壞：風機長期工作在低溫的環(huán)境下，很容易受到低溫疲勞，內(nèi)部的電子器件也容易受到損壞。隨著溫度的降低，風機中的潤滑油的黏稠度也會變大，使得風機軸承無法得到充分潤滑，導致軸承摩擦力變大，從而引起風機的運行效率下降。（4）四通閥串氣或損壞：四通閥是冷卻系統(tǒng)的核心零件，負責d16106d004e9146f68f30cc862d357e3調(diào)節(jié)制冷劑的流動方向，承擔汽化和液化理化過程中，調(diào)整制冷劑流向蒸發(fā)器、冷凝器的作用。（5）氣囊破壞：相變氣囊需要長期工作在平流層中，受到太陽輻射和低氣溫的影響，導致氣囊材料容易老化變脆，其次，氣囊通過不斷地收縮和膨脹來改變浮空器的高度，在氣囊連接端口處的不銹鋼接頭容易和氣囊不斷的摩擦，長期反復的重復該過程，容易導致連接處出現(xiàn)細微破損，使氣囊破損。（6）汽化加熱器損壞：汽化加熱器主要起到輔助氣囊中工質(zhì)的汽化過程的作用，由于平流層環(huán)境惡劣，長期處在低溫的條件下，可能會損壞汽化加熱器內(nèi)部控制芯片、使控制電路出現(xiàn)短路或斷路現(xiàn)象，導致汽化加熱器無法加熱。（7）毛細管堵塞：電氣設(shè)備注入制冷劑時，可能會混入少量的化學雜質(zhì)，這些雜質(zhì)會發(fā)生化學反應(yīng)，形成各種污染物，若不及時處理，就會出現(xiàn)毛細管臟堵現(xiàn)象。詳細闡述故障的產(chǎn)生原因和相關(guān)的測點參數(shù)發(fā)生的變化，建立故障原因與故障征兆關(guān)系如表1所示：

1.2 智能故障監(jiān)測技術(shù)研究

隨著現(xiàn)代自動化技術(shù)的飛速進步，故障診斷與容錯控制技術(shù)也在快速發(fā)展，反映出實際應(yīng)用中對于保證系統(tǒng)的穩(wěn)定性與安全性的迫切要求，將多學科理論進行融合，隨著可靠性理論、現(xiàn)代控制理論、信號處理、數(shù)理統(tǒng)計、信號處理、模式識別、模糊理論、最優(yōu)化方法、人工智能等學科的飛速進步，使故障診斷具有不同的分類方法，為其提供了堅實的理論基礎(chǔ)[5]。目前，智能故障診斷技術(shù)大致可分為以下幾類：

（1）基于系統(tǒng)數(shù)學模型的故障診斷。利用系統(tǒng)的數(shù)學模型，采用空間等價方程、觀測器搭建研究對象的解析模型，計算出預測結(jié)果與實際結(jié)果的殘差，其次，利用計算出來的殘差對比設(shè)定的閾值，從而實現(xiàn)故障診斷。（2）基于外部信號處理的故障診斷。在研究對象無法搭建精確的數(shù)學模型情況下，通過處理系統(tǒng)的輸入輸出信號、進行特征分析來實現(xiàn)故障診斷，如小波變換，將干擾信號和復雜不確定因素作為黑箱，提取輸出信號特征信息，進行小波變換，解析數(shù)學模型的奇異值，從而實現(xiàn)故障診斷。（3）基于多元統(tǒng)計分析的故障診斷。主成分分析為常見的多元統(tǒng)計分析方法。將原始數(shù)據(jù)投影在低維子空間中進行信息提取，殘差子空間則可以反映出數(shù)據(jù)中的噪聲。對比每個故障變量和所要確定的故障類別的統(tǒng)計量，通過判斷超過控制限的貢獻大小，貢獻大的變量即為該故障類別，然而，此種方法對于原始數(shù)據(jù)中含有非線性信息的故障類別判斷準確性較差，導致故障錯報頻率較高。（4）基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷。神經(jīng)網(wǎng)絡(luò)利用物理上可實現(xiàn)的系統(tǒng)、計算機和器件來模擬人腦的結(jié)構(gòu)和功能的系統(tǒng)，利用已知的故障樣本數(shù)據(jù)，在人工神經(jīng)網(wǎng)絡(luò)中進行訓練，訓練出模型，可以采用測試數(shù)據(jù)進行模型驗證，以達到故障診斷效果。（5）此外，除上述基于定量分析的智能故障診斷技術(shù)，還有基于定性分析的智能故障診斷技術(shù)包含：圖論方法、專家系統(tǒng)、定性仿真等[6]。

2 基于主成分分析的電氣故障智能檢測方法分析

2.1 主成分分析

主成分分析為一種無監(jiān)督多變量統(tǒng)計的數(shù)據(jù)降維方法，通過特征空間的變化將原始數(shù)據(jù)變量線性組合成新的變量，把維度高的數(shù)據(jù)映射到低維的子空間，提取出數(shù)據(jù)的主要特征信息，減少了原始數(shù)據(jù)維度，提高了模型準確度，將電氣設(shè)備的原始實驗數(shù)據(jù)進行主成分分析特征提取降維，去除原始實驗數(shù)據(jù)中的冗余信息。如圖1所示，主成分分析基本思想是建立一個最優(yōu)的特征空間，以二維數(shù)據(jù)為例，將原始數(shù)據(jù)投影到新的坐標軸上，減少原始數(shù)據(jù)的維度，并且為確保保留的特征信息最多，需要投影分布在第一主成分的方差最大。

假設(shè)有個樣本，每個樣本維，首先對原始數(shù)據(jù)進行中心化處理，計算樣本數(shù)據(jù)均值：

根據(jù)上述二維數(shù)據(jù)的闡述，為使投影后低維度空間數(shù)據(jù)變量中攜帶的信息最多，需要保證隨機變量主成分方差最大，因此，可以將主成分分析的目標函數(shù)設(shè)定為：

其中，表示投影以后所需要的線性矩陣，表示已經(jīng)均值后的協(xié)方差矩陣，表達式為：

求解主成分分析的目標函數(shù)，求取廣義特征值方程，具體表達式為：

其中，為特征值，表示對應(yīng)的特征向量，將特征值按照從大到小降序排列，其中將最大的特征值的主成分分量在特征空間投影，所得為第一主成分。其方差最大，信息量也最多，通過采取上述方法，依次獲取全部主成分信息。

2.2 基于主成分分析的電氣故障檢測流程設(shè)計

按照累計貢獻率確定實驗樣本數(shù)據(jù)的核主成分個數(shù)，對原始實驗數(shù)據(jù)進行降維，采用電氣設(shè)備特征提取后正常工作的數(shù)據(jù)求取模型控制限以及，判斷以及統(tǒng)計量是否在同一時刻超過控制限，來識別出故障數(shù)據(jù)，對比故障檢測模型檢測效果。受到原始實驗數(shù)據(jù)中數(shù)據(jù)范圍大小和數(shù)據(jù)單位不一致的情況，首先將2400組10維的原始實驗數(shù)據(jù)標準化，原始實驗數(shù)據(jù)采用公式（5）進行均值標準化計算，統(tǒng)一量綱，消除因數(shù)據(jù)特征不一致而影響后續(xù)實驗效果。

其中，數(shù)據(jù)標準差由表示；數(shù)據(jù)均值由表示?；谥鞒煞址治龅墓收蠙z測包含訓練故障檢測模型和測試故障檢測模型兩部分：

（1）訓練故障檢測模型：利用（1）計算特征值和特征向量，求出特征值的特征向量上投影獲取全部主成分，設(shè)定利用（2）求取主成分個數(shù)，保留有效信息的同時，實現(xiàn)對原始實驗數(shù)據(jù)降維。采用電氣設(shè)備特征提取后的正常數(shù)據(jù)，并利用公式來計算兩種統(tǒng)計量的控制限與。

（2）測試故障檢測模型：計算實驗樣本數(shù)據(jù)中的統(tǒng)計量信息。利用公式分別計算兩個統(tǒng)計量信息與，故障檢測過程是通過實時計算兩個統(tǒng)計量信息是否同時超過控制限的方法來判斷，一旦統(tǒng)計量信息超過設(shè)定的兩個控制限，證明檢測到故障數(shù)據(jù)?；谥鞒煞址治龉收蠙z測流程如圖2所示。

3 故障檢測實驗分析

以電氣設(shè)備為研究對象，建立實驗樣本數(shù)據(jù)，使用主成分分析對七種故障狀態(tài)進行檢測，將2400組原始實驗數(shù)據(jù)分別進行主成分分析數(shù)據(jù)特征提取降維，得到實驗樣本數(shù)據(jù)，在實驗樣本數(shù)據(jù)中1000組正常數(shù)據(jù)中隨機選取200組求取與控制限。將實驗樣本數(shù)據(jù)中，每 200 組故障數(shù)據(jù)（總計1400組）和剩余的800組正常工作數(shù)據(jù)選出350組，組成測試數(shù)據(jù)（總計1750組），200組故障數(shù)據(jù)在第 50 組正常數(shù)據(jù)之后加入，每組故障類測試數(shù)據(jù) 250 組，七種故障類組成1750組故障檢測的測試樣本數(shù)據(jù)。采用主成分分析對原始實驗數(shù)據(jù)特征提取，兩種方法得到主成分的累計貢獻率如圖3所示。

通過主成分貢獻圖中的柱狀圖可以看出，第一主成分包含的信息量明顯高于其他算法，通過累計貢獻率折線圖可以看出，在前五維累計貢獻率已經(jīng)高于90%，驗證主成分分析的第一主成分貢獻率對比其他算法少了19.2%，并且主成分分析在前五維的累計貢獻率為72.5%，累計貢獻率達到了91.7%。這也間接說明原始實驗數(shù)據(jù)含有非線性信息，綜上所述，在對電氣設(shè)備的原始實驗數(shù)據(jù)非線性特征提取具有一定優(yōu)勢。

4 結(jié)論

本文成功地開發(fā)出了一種高效、準確的基于主成分分析方法的電氣設(shè)備故障智能檢測技術(shù)，這種技術(shù)不僅提高了故障檢測的準確性和效率，也為電氣設(shè)備的健康管理和維護提供了新的技術(shù)手段。未來，隨著機器學習技術(shù)的不斷進步和大規(guī)模電氣數(shù)據(jù)的可用性提高，我們希望通過本研究的成果在更廣泛的工業(yè)領(lǐng)域中推動智能制造和設(shè)備健康管理的發(fā)展，為工業(yè)生產(chǎn)的安全和高效做出貢獻。

基金項目：2023年度省高校優(yōu)秀科技創(chuàng)新團隊：“基于物聯(lián)網(wǎng)的智慧電驅(qū)系統(tǒng)研發(fā)與產(chǎn)業(yè)化”科創(chuàng)團隊。

參考文獻：

[1]賀明強，靳君，關(guān)新宇，等.基于計算機視覺的電力設(shè)備狀態(tài)監(jiān)測與故障診斷策略分析[J].集成電路應(yīng)用，2024，41（02）：224-225.

[2]牛娜娜.基于人工智能的電力設(shè)備故障診斷與預測算法研究[J].今日制造與升級，2023（11）：151-153+164.

[3]王林.電力設(shè)備紅外圖像智能診斷方法及系統(tǒng)研究[D].南昌：華東交通大學，2023.

[4]李敏，卜喬生，鄧劍鋒.大數(shù)據(jù)背景下智能汽車電子設(shè)備故障診斷和檢測[J].中國設(shè)備工程，2022（17）：160-162.

[5]石紹松.面向智能變電站的設(shè)備故障監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[D].濟南：山東大學，2023.

[6]劉軍強.人工智能在電氣設(shè)備故障診斷中的應(yīng)用[J].自動化應(yīng)用，2023，64（07）：1-3+6.