贝叶斯分类器与粗糙集相结合的变压器综合故障诊断

合集下载

应用贝叶斯网络模型的电力系统故障诊断

应用贝叶斯网络模型的电力系统故障诊断①徐建政1,李　强2,李建超3(1.山东大学电气工程学院,济南250061;2.青岛供电公司,青岛266002;3.聊城供电公司,聊城252053)摘要:遗传算法应用于电力系统故障诊断的一个难题是如何建立合理的数学模型。

针对这一难题,建立了基于元件的贝叶斯网络故障诊断模型,并通过一定的推理规则,根据贝叶斯网络形成遗传算法的目标函数,用遗传算法进行优化求解。

在应用遗传算法时,对传统算法进行了一系列的改进,改善了算法的收敛性能,提出了在迭代过程中推测不完备信息的方法,增强了算法对于大量不完备保护信息的处理能力。

大量算例表明了所述方法的合理性和实用性。

关键词:电力系统;故障诊断;遗传算法;贝叶斯网络中图分类号:TM711 文献标志码:A 文章编号:100328930(2010)0120091205Pow er System F ault Diagnosis Using B ayesian N et work ModelXU Jian2zheng1,L I Qiang2,L I Jian2chao3(1.School of Elect rical Engineering,Shandong University,Jinan250061,China;2.Qingdao Power Supply Company,Qingdao266002,China;3.Liaocheng Power Supply Company,Liaocheng252053,China)Abstract:A problem of Genetic algorithms applied to power system fault diagnosis is how to establish a rea2 sonable mathematical model.In response to this problem,bayesian network model is established for fault diag2 nosis,which is based on components.And then,objective f unction of the genetic algorithm is formed accord2 ing to the Bayesian network by certain reasoning rules.Finally,genetic algorithm is used to solve the fault di2 agnosis problem.In the application of genetic algorithms,a series of improvements are carried out on simple genetic algorithm to improve its convergence performance.A method is proposed to infer the most possible state of missing information in the iterative process,which can enhance the algorithm’s processing capabilities for large numbers of inadequate protection information.Some cases show that the poposed approach is reasona2 ble and practical.K ey w ords:power system;fault diagnosis;genetic algorithm;Bayesian network 目前用于电力系统故障诊断的方法主要有基于人工智能技术的人工神经网络、专家系统、遗传算法[1]、模糊理论[2]、Pet ri网络理论[3,4]、粗糙集理论[5]等。

模糊粗糙集理论在变压器故障诊断中的应用_熊浩

第28卷第7期中国电机工程学报 V ol.28 No.7 Mar.5, 20082008年3月5日 Proceedings of the CSEE ©2008 Chin.Soc.for Elec.Eng. 141 文章编号：0258-8013 (2008) 07-0141-07 中图分类号：TM 411 文献标识码：A 学科分类号：470⋅40模糊粗糙集理论在变压器故障诊断中的应用熊浩1，李卫国2，畅广辉3，郭惠敏3(1．武汉大学电气工程学院，湖北省武汉市 430072；2．电力系统保护与动态安全监控教育部重点实验室(华北电力大学)，北京市昌平区 102206；3．河南省电力公司，河南省郑州市 450052)Application of Fuzzy Rough Set Theory to Power Transformer Faults DiagnosisXIONG Hao1, LI Wei-guo2, CHANG Guang-hui3, GUO Hui-min3(1. School of Electrical Engineering, Wuhan University, Wuhan 430072, Hubei Province, China; 2. Key Laboratory of Power SystemProtection and Dynamic Security Monitoring and Control(North China Electrical Power University), Ministry of Education, Changping District, Beijing 102206, China; 3. Henan Province Power Company, Zhengzhou 450052, Henan Province, China)ABSTRACT: This paper is meant to present a new diagnosis measure with gas ratios method for transformer incipient fault. Based on fuzzy rough set (FRS) theory, an information decision system is built, in which some problems in the process of system building are coped with by data mining technology. Firstly,since strict thresholds setting is said to be undergoing the diagnosis effectiveness, continuous attributes are transformed and described based on fuzzy set theory, where the knowledge discovery in database (KDD) technology is used to extract the implied information on fuzzy clustering so as to determine the fuzzy values of attributes and thus the parameters of membership function. Secondly, according to inclusion degree defined in FRS, the formed fuzzy rules are reduced and pruned, where a data-mining algorithm is developed to extract fuzzy rough rules and thus determine the topology of multi-table decision base according to attributes set.Finally, results of testing the proposed diagnosis system on actual dissolved gas records are addressed, which confirms that extracted rules allow diagnosis results to be satisfied with a satisfactory accuracy for diagnosis ratio.KEY WORDS: knowledge discovery in database; dissolved gas-in-oil analysis; fuzzy rough sets; data mining摘要：提出一种改进的三比值变压器故障诊断方法。

基于粗糙集的故障诊断特征提取

基于粗糙集的故障诊断特征提取【导言】故障诊断在各个领域中扮演着重要的角色。

精确而及时的故障诊断可以帮助我们解决问题并提高设备和系统的可靠性。

然而，随着技术的不断发展和系统规模的增大，故障诊断的复杂性也在增加。

针对这一问题，基于粗糙集的故障诊断特征提取方法应运而生，为故障诊断研究带来了新的突破。

【正文】1. 粗糙集理论简介粗糙集理论由波兰学者Zdzisław Pawlak于1982年提出，被广泛应用于模糊、不确定和决策论问题。

该理论基于粗糙集、决策规则和等价类的概念，提供了一种处理不完全和不确切信息的方法。

在故障诊断中，粗糙集理论能够帮助我们从数据中提取有用的特征，以用于定位和分析故障。

2. 故障诊断特征提取的挑战在故障诊断中，我们往往需要从大量的数据中提取出包含故障信息的有用特征。

然而，由于数据的复杂性和多样性，特征提取变得非常具有挑战性。

基于粗糙集的故障诊断特征提取方法通过采用近似与精确度的概念，能够从数据中挖掘出具有较高可区分度的特征。

3. 基于粗糙集的故障诊断特征提取方法基于粗糙集的故障诊断特征提取方法主要包括数据预处理、特征选择和模型构建三个步骤。

3.1 数据预处理数据预处理是故障诊断特征提取的第一步。

在这个步骤中，我们需要对原始数据进行质量控制、噪声去除和数据格式转换等操作，以提高数据的可靠性和可用性。

3.2 特征选择特征选择是故障诊断特征提取的核心步骤。

在这个步骤中，我们需要根据数据的性质和目标需求，选择并提取出最具有代表性和判别性的特征。

基于粗糙集的特征选择方法基于精确度和纯度的概念，通过计算每个特征的重要性指标，从而实现特征的筛选和排序。

3.3 模型构建模型构建是故障诊断特征提取的最后一步。

在这个步骤中，我们需要基于已选择的特征构建故障诊断模型。

常用的模型包括决策树、神经网络和支持向量机等。

通过将特征与相应的故障类别进行关联，我们可以实现故障的诊断和定位。

4. 基于粗糙集的故障诊断特征提取方法的优势基于粗糙集的故障诊断特征提取方法具有以下几个优势：4.1 应对不完备和不确定的数据粗糙集理论能够处理不完备和不确定的数据，使得故障诊断在现实环境中更具鲁棒性和适应性。

基于粗糙集和贝叶斯分类器的变电站故障诊断

ｉｅｔｅｏｇａｅｉｌｓｉｅ￣Ｅｖｎｕｌ，ｂｉｇｕｅｕｔｉｇｏｉｘｅｙｔｍｓｏｂｔｔｎｔｅａｐｉａｉｎｒｓｌｓｉｎｉｄｔｕｈｂｙｓａｃａｓｆｒｄｉｆｈｎｉｅｔａｌｙｅｓｄｉｆｌｄａｎｎａｎｓｓｅｐａｓｓｅｆｓｓａｉ，ｈｐｌｔｅｕｔｕｏｃｏｓ
Ａｂｓｒｃ：Ｏｎｔｅｂｓｓｏｔｈａｄｒｌｙｐｏｅｔｇｉｆｒａｉｎｏｂｔｔｏ，ａｐｒａｈｔｕｓａｉｎｆｕｔｉｇｏｉｉｒｐｓｄｔａｔｈａｉｆｗｉｎｅａｒｔｃｉｏｍｔｏｆｕｓｉｎｎａｐｏｃｓｂｔｔａｌｄａｎｓｓｓｐｏｏｅｓｃｎｎｓａｏｏ
ｆｕｔｉｇｏｉｏｂｔｔｎａｌｄａｎｓｓｆｓｓｉ．ｕａｏ
Ｋｅｒｓｓｂｔｔｎｒｕｈｓｔｂｙｓａｌｓｉｅ；ｆｕｔｉｇｏｉ；ｐｅｉｔｏｙｗｏｄ：ｕｓｉ；ｏｇｅ；ａｅｉｎｃａｓｒａｌｄａａｏｉｆｎｓｓｒｄｃｉｎ
ｂｓｄｏｏｇｅｓｈｏｙａｄｂｙｓａｌｓｉｅ￣Ｎａｌ，ｏｇｅｐｌｄｔｎｕｔｉｇｏｉｋｏｅｇｆｕｓａｉｎａｄｉａｅｎｒｕｈｓｔｅｒａｅｉｃａｓｆｒｔｎｎｉｍｅｙｒｕｈｓｔｓｐｉｍｉｅｆｌｄａｓｓ，ｗｌｄｅｏｂｔｔｉａｅｏａｎｎｓｏｎｍ．

基于贝叶斯网络的电力系统故障诊断

条件概率或者先验概率！
02
贝叶斯网MAP,MLE,MPE问题
MAP和MPE问题分别叫做最大后验概率问题和最大可能解释问题，对于MAP问题，我们已知了某些证据E，并且对贝叶斯网络中的部分节点的假设感兴趣，这些节点变量称之为H（假设变量），我们关心的是，找到这些假设变量为何值时，条件概率最大。而MPE则不止我们所关心的节点，他将去寻找一个包含所有节点（除了证据节点以外）的组合。他的H为除了E以外的其他所有节点。

e(1 2 )t m!
[(1

2 )t]m
N(t)是一个独立增量的过程，N1(t)，N2(t)也是一个独立增量的
过程，两个独立的泊松过程的叠加仍然是泊松过程（证明略）
故障概率为 P(Y ) 体现了泊松过程的叠加性。

总故障次数：1933+86+51+148+19+52=2289 线路故障（百公里）概率：每百公里故障次数/总故障次数
基于贝叶斯网路的电力系统故障诊断
《基于贝叶斯网的电力系统故障诊断方法研究》西南交通大学博士学位论文
02
基于贝叶斯网络的电力系统故障诊断
一、课题的研究背景
1.1986年Pearl首次提出贝叶斯网络引入专家系统以解决不确定性问题（如某个断路器的误动或拒动,发生故障但某些相关信息丢失），而在1988年发表第一本关于贝叶斯网络专著，将联合概率分布进行分解，解决了之前频率派认为的使用联合概率计算的复杂度高的问题。他推动了概率推理在人工智能领域的发展。
最大似然估计
贝叶斯估计
02
构建电力系统贝叶斯网络
四、将贝叶斯网络模型运用到电力系统故障诊断中
贝叶斯网络模型运用到电力系统故障诊断中，节点的含义可以变为保护动作或不动作，元件故障或不故障。

基于贝叶斯分类的信息化设备故障诊断方法研究

基于贝叶斯分类的信息化设备故障诊断方法研究摘要：信息化设备的故障问题一直是企业关注的焦点，如何快速准确地定位故障点，对设备维护和故障排除具有非常重要的意义。

本文基于贝叶斯分类算法，对信息化设备故障进行分析。

从故障分类、特征提取、贝叶斯分类模型构建和实验结果分析等方面进行探讨，提高设备维护效率，减少维护成本，为企业提高运行效率、降低运营成本提供了有力支撑。

关键词：贝叶斯分类；信息化设备；故障分析；特征提取1引言随着信息化技术的不断发展，越来越多的企业开始依赖信息化设备，以提高工作效率。

以笔者所在烟草行业地市级公司为例，仅市级公司就有各类信息化设备1000余台，随着这些设备在日常工作中的广泛应用，信息化设备的故障问题也日益受到关注。

设备故障可能会导致设备无法正常工作，影响工作效率和设备运维成本的增加。

因此，快速准确地定位故障点，以便及时修复设备故障并恢复生产，对于保持设备的稳定运行具有非常重要的意义。

如何有效地发现和解决这些故障问题成为了一个重要的课题。

目前，市面上的大部分信息化设备都会有自身的故障诊断机制，但是对于一些比较复杂的故障来说，往往需要专业维护人员进行故障诊断、排查和处理。

然而，设备的维护人员往往需要有很高的技术水平，以便顺利地完成故障排查和处理的任务。

因此，如何利用机器学习的方法，自动化地完成设备故障诊断对于企业来说显得尤为重要。

机器学习的许多算法，例如决策树、SVM、K均值和贝叶斯分类等，都被广泛地应用于各种领域的问题的解决中，同时也被大量地用于信息化设备故障的诊断和处理中。

作为一种被广泛应用的分类方法，贝叶斯分类的核心思想是基于概率论计算给定条件下的事物类别。

本文以基于贝叶斯分类的信息化设备故障分析为题，通过实验和数据分析的方式，探讨如何利用贝叶斯分类方法解决信息化设备故障问题，并实现高效准确的设备故障分类。

2相关工作2.1设备故障分类设备故障分类的意义在于，通过将具有相似故障原因的故障进行分类，一方面可以便于相关人员根据相应的故障原因和解决方案进行故障处理，另一方面还可以对未来的相似故障进行有效的预测。

基于贝叶斯网络的架空输电线路状态评估及故障诊断

二○○六年十月至十二月程序编译：针对已建立的基于架空输电线路状态评估的数学模型，编译架空输电线路状态评估和故障诊断的程序软件，运用前期的实例计算结果对程序进行调试和验证。二○○七年一月论文总结：针对数学模型和程序软件得出的状态指标和计算结果，进行分析、论证，对整个论文进行总结概括。二○○七年二月至五月后续工作：对论文内容进行初审、修改、定稿并进行论文的正式印制。
学习相关贝叶斯网络理论、状态评估和故障诊断的知识，分析架空输电线路各个部分状态评估的标准和它们相互之间的关系建立基于贝叶斯网络的架空输电线路状态评估和故障诊断的数学模型对实际线路进行状态评估和故障诊断编译架空输电线路状态评估和故障诊断的应用程序

准备工作和主要工作措施

3.
4.
5.
6.
7.
8. 9.
10.
11.
12.
13.
14.
15. 16. 17.
G.J.Cliteur，J.M.Wetzer，Condition Assessment of Power Transmission and Distribution Components，CIRED2001，18-21 June 2001，Conference Publication，No.482 E.Gulski，J.J.Smit，F.J.Wester，etc，Condition Assessment of High Voltage Power Cables， 2004 International Conference on Power System Technology-POWERCON 2004 Singapore， 21-24 November 2004 J.Q.Feng，J.S.Smith，Q.H.Wu，Condition Assessment of Power System Apparatuses Using Ontology Systems，2005IEEE/PES Transmission and Distribution Conference & Exhibition: Asia and Pacific Dalian，China pworth，P.N.Jarman，I.R.Funnell，Condition Assessment Techniques For Large Power Transformers，‘The Reliability of Transmission and Distribution Equipment’，29-31 March 1995，Conference Publication No.406 Pengjun Kang，D.Birwhistle，Condition Assessment of Power Transformer On-Load TapChangers Using Wavelet Analysis，IEEE Transaction On Power Delivery，Vol.16，No.3， July 2001 David C.Yu，Thanh C.Nguyen，Peter Haddawy，Bayesian Network Model for Reliability Assessment of Power Systems，IEEE Transactions on Power Systems，Vol.14，No.2，May 1999 E.chiodo，G.Mazzanti，Bayesian Reliability Estimation Based on a Weibull Stress-Strength Model for Aged Power System Components Subjected to Voltage Surges，IEEE Transactions on Dielectrics and Electrical Insulation Vol.13，No.1，February 2006 G.Theil，Outage Data Analysis – The Base for High Voltage Network Reliability Assessment， 2003 IEEE Bologna PowerTech Conference，June 23-26，Bologna，Italy E.M.Gulachenski，P.M.Besuner，Transformer Failure Prediction Using Bayesian Analysis， IEEE Transactions on Power Systems，Vol.5，No.4，November 1990 Yujia Zhou，Prediction of Weather-Related Failures of Overhead Distribution Feeders，8th International Conference on Probabilistic Methods Applied to Power Systems，Iowa State University，Ames，Iowa，September 12-16，2004

一种基于贝叶斯网络的变压器故障诊断方法[发明专利]

(10)申请公布号 (43)申请公布日 2013.08.14C N 103245861 A (21)申请号 201310160784.X(22)申请日 2013.05.03G01R 31/00(2006.01)(71)申请人云南电力试验研究院(集团)有限公司电力研究院地址650217 云南省昆明市经济技术开发区云大西路中段云电科技园申请人云南电网公司技术分公司(72)发明人张文斌王达达张少泉陈晓云孙树栋蔡志强徐先新(74)专利代理机构昆明大百科专利事务所53106代理人何健(54)发明名称一种基于贝叶斯网络的变压器故障诊断方法(57)摘要一种基于贝叶斯网络的变压器故障诊断方法，本发明采用三比值法对变压器油中溶解气体分析，气体的数据在真实运行环境中获得，利用TAN 算法完成贝叶斯网络结构和参数的学习，建立故障诊断模型并利用专家系统对其进行修正，用于对变压器的实时运行状态进行诊断。

本发明的有益效果为，解决了在不确定和缺少已知信息情况下变压器故障诊断问题，同时引入了基于贝叶斯网络的重要度分析方法，对故障机理的分析起到一定的辅助作用。

该发明能快速准确的对变压器故障进行诊断，为变压器维修决策的制定提供支持，有效的提高维修效率、降低电力系统运营成本。

(51)Int.Cl.权利要求书1页说明书7页附图5页(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页说明书7页附图5页(10)申请公布号CN 103245861 A*CN103245861A*1/1页1.一种基于贝叶斯网络的变压器故障诊断方法，其特征在于，采用三比值法对变压器油中溶解气体分析，气体的数据在真实运行环境中获得，利用TAN 算法完成贝叶斯网络结构和参数的学习，建立故障诊断模型并利用专家系统对其进行修正，用于对变压器的实时运行状态进行诊断；首先，针对电网常见故障的事实确定要识别的故障模式，以及可能与故障模式相关的影响因素；其次，收集故障模式和影响因素的数据集，并对数据集进行标准化处理；最后，综合数据挖掘和专家系统建立变压器故障诊断模型，将变压器故障诊断数据影响因素的值输入建立的贝叶斯模型中，利用推理得到的变压器状态与实际状态进行对比产生的混淆矩阵派分析模型的静态指标：可靠性、精度，利用ROC 曲线和Lift 曲线分析其动态指标，对影响变压器状态的各因素进行重要度分析，并且利用变压器的实时运行数据，来检验模型预测的实用性。

基于正态云模型与改进贝叶斯分类器的变压器故障诊断_张重远

基于正态云模型与改进贝叶斯分类器的变压器故障诊断_张重远基于正态云模型与改进贝叶斯分类器的变压器故障诊断张重远1，林志锋2，刘栋2，黄景立3（1．华北电力大学高电压研究所，河北保定071003；2．华北电力大学电气与电子学院，河北保定071003；3．国网山西省电力公司计量中心，太原030032）摘要：在基于油色谱数据的变压器故障诊断中，一般数据挖掘方法存在数值区域划分过硬，且未考虑边界元素隶属的随机性和模糊性的问题。

针对该问题，文章应用正态云模型对油色谱数据集进行预处理，同时云模型对数据集的精简也提高了关联规则挖掘的效率。

为了解决朴素贝叶斯分类器中对各属性独立的假设不符合实际情况这一问题，文章引入关联规则森林表示法和属性联合概率算法，改进了朴素贝叶斯分类器，建立了基于正态云模型与改进贝叶斯分类器的变压器故障诊断模型，通过与其他模型的对比及实例验证，证明了该方法的有效性。

关键词：数据挖掘；变压器；故障诊断；云模型；贝叶斯分类器中图分类号：TM933文献标识码：B文章编号：1001-1390（2017）04-0050-07Transformer fault diagnosis based on normal cloudmodel and improved Bayesian classifierZhang Zhongyuan1，Lin Zhifeng2，Liu Dong2，Huang Jingli3（1．Ｒesearch Institute of High Voltage，North China Electric Power University，Baoding071003，Hebei，China．2．School of Electrical＆Electronic Engineering，North China Electric Power University，Baoding071003，Hebei，China．3．Metrological Center of Shanxi Electric Power Corporation，Taiyuan030032，China）Abstract：In order to solve the problem of data mining in diagnosing transformer fault based on oil chromatographic data，that data of dissolved gas-in-oil is divided without considering the randomness and fuzziness，so the normal cloud model is applied．The efficiency of mining association rules is also improved through normal cloud model．For the assumption in Naive Bayes classifier is not conformed to the actual situation，an association rule forest and a meth-od of the joint probability calculated are applied to improve Naive Bayes classifier，and the transformer fault diagnosis model based on normal cloud model and improved Bayesian classifier is built as a result．The new Bayes classifier is proved to be practical in the diagnosis of transformer by comparing with other classifier and testing examples．Keywords：data mining，transformer，fault diagnosis，cloud model，Bayes classifier0引言电力变压器是电力系统的枢纽设备，其运行状态对电网的安全稳定运行有重要影响。

基于粗糙集属性约简和贝叶斯分类器的故障诊断

基于粗糙集属性约简和贝叶斯分类器的故障诊断姚成玉1 李男1 冯中魁1 陈东宁2,31.燕山大学河北省工业计算机控制工程重点实验室,秦皇岛,0660042.燕山大学河北省重型机械流体动力传输与控制重点实验室,秦皇岛,0660043.燕山大学先进锻压成形技术与科学教育部重点实验室,秦皇岛,066004摘要:利用改进的小波包对收集的信号进行特征提取,解决了小波包分解的频率混叠问题;针对故障信息中的冗余属性问题,提出了基于类差别矩阵改进属性重要度的属性约简算法,根据各条件属性在类差别矩阵中出现1的频次定义新的属性重要度,提高属性约简的效率;通过考虑条件属性与类属性间的关联性,提出了基于熵权法的属性加权朴素贝叶斯分类器算法,提高故障分类精度㊂通过对滚动轴承故障数据的对比分析,验证了所提组合方法在提高故障诊断正确率㊁快速性方面所具有的优势㊂关键词:故障诊断;改进小波包;粗糙集;属性约简;属性加权朴素贝叶斯分类器中图分类号:T H 165.3;T H 133.33 D O I :10.3969/j .i s s n .1004132X.2015.14.022F a u l tD i a g n o s i sB a s e do nR o u g hS e tA t t r i b u t eR e d u c t i o na n dB a ye s i a nC l a s s if i e r Y a oC h e ng y u 1 L iN a n 1 F e n g Zh o n g k ui 1 C h e nD o n g n i n g2,31.K e y L a b o r a t o r y o f I n d u s t r i a l C o m p u t e rC o n t r o l E n g i n e e r i n g ofH e b e i P r o v i n c e ,Y a n s h a nU n i v e r s i t y ,Q i n h u a n gd a o ,He b e i ,0660042.H e b e i P r o v i n c i a lK e y L a b o r a t o r y o fH e a v y M a c h i n e r y Fl u i dP o w e rT r a n s m i s s i o na n dC o n t r o l ,Y a n s h a nU n i v e r s i t y ,Q i n h u a n gd a o ,He b e i ,0660043.K e y L a b o r a t o r y o fA d v a n c e dF o r g i n g &S t a m p i n g T e c h n o l o g y a n dS c i e n c e ,M i n i s t r y of E d u c a t i o n ,Y a n s h a nU n i v e r s i t y ,Q i n h u a n gd a o ,He b e i ,066004A b s t r a c t :A ni m p r o v e d w a v e l e t p a c k a g e w a su s e dt oe x t r a c tf e a t u r eo fc o l l e c t e ds i gn a l sa n dt o s o l v e t h e w a v e l e t p a c k e ta l i a s i n gp r o b l e m.C o n s i d e r i n g re d u n d a n ta t t r i b u t e si nf a u l ti n f o r m a t i o n s ,r o ug hs e ta t t r i b u t er e d u c t i o na l g o r i th m w a s p r o p o s e db a s e do nc l a s sdi s c e r n i b i l i t y m a t r i xa n di m -p r o v e da t t r i b u t e s i g n i f i c a n c e ,n e wa t t r i b u t e s i g n i f i c a n c ew a s d e f i n e d a c c o r d i n g t o t h e f r e q u e n c y of e a c h c o n d i t i o na t t r i b u t e e q u a l t o 1i n t h e c l a s s d i s c e r n i b i l i t y m a t r i x ,w h i c h i m p r o v e d t h e e f f i c i e n c y o f a t t r i b -u t e r e d u c t i o n .C o n s i d e r i n g t h e r e l a t i v i t y a m o n g di f f e r e n t c o n d i t i o na t t r i b u t e s a n dc l a s s a t t r i b u t e s ,t h e e n t r o p y w e i g h tm e t h o d ‐b a s e da t t r i b u t e w e i g h t e dn a i v eB a y e s i a nc l a s s i f i e ra l g o r i t h m w a s p r o po s e d ,w h i c h i m p r o v e d t h e f a u l t c l a s s i f i c a t i o na c c u r a c y .B y c o m p a r a t i v e a n a l y s i s o f r o l l i n g b e a r i n g f a i l u r e d a -t a ,i t s h o w s t h a t t h e p r o p o s e dh y b r i dm e t h o dh e r e i nh a s c e r t a i n a d v a n t a g e s i n f a u l t d i a g n o s i s a c c u r a c y a n d r a p i d i t y.K e y wo r d s :f a u l td i a g n o s i s ;i m p r o v e d w a v e l e t p a c k a g e ;r o u g hs e t ;a t t r i b u t er e d u c t i o n ;a t t r i b u t e w e i g h t e dn a i v eB a y e s i a n c l a s s i f i e r 收稿日期:20140828基金项目:国家自然科学基金资助项目(51405426);河北省教育厅科研项目(Z H 2012062)0 引言故障诊断技术对于保障设备安全运行具有重要的意义[1]㊂小波包算法[2‐3]同时兼顾信号的时域和频域分析,适用于分析平稳信号和非平稳信号,因而被应用到故障特征提取[2‐3]㊁信号压缩与去噪[4]㊁状态监测[5]等方面㊂然而,小波包算法虽然可以实现对信号进行频带分离,较好地去除噪声,但在实际应用中,它存在不同频带信号的频率混叠问题,难以真实反映出信号的全部特征,而改进小波包算法[6]只对那些包含重要信息的频带进行分解,能够克服小波包算法的不足㊂为提高故障诊断的精度和效率,有必要对提取的冗余特征信息进行属性约简[7]㊂目前的基于差别矩阵的属性约简算法[8]由于差别矩阵存在非空元素,故约简效率不高㊂与差别矩阵相比,类差别矩阵[9]利用单个属性的不可辨识性和出现频率最多的属性来生成较小的差别矩阵,有效地减少了非空元素的个数,提高了约简效率㊂同时,属性重要度是将属性并入约简集㊁求得最小约简结果的依据[10],目前属性重要度都是基于差别矩阵计算求得的,采用迭代的思想,计算过程复杂[11]㊂然而,在类差别矩阵中的元素为各属性比较后的结果,只存在0和1两种情况,现有的属性重要度算法已不适用㊂贝叶斯分类器通过将先验知识与样本信息相结合㊁依赖关系与概率表示相结合来表示数据分布的不确定性[12]㊂朴素贝叶斯分类器具有结构㊃9691㊃基于粗糙集属性约简和贝叶斯分类器的故障诊断姚成玉李男冯中魁等Copyright ©博看网. All Rights Reserved.简单㊁运算速度快㊁分类准确率较高等优点,得到了广泛的应用,但在实际应用中,朴素贝叶斯分类器条件独立性假设存在不足[13‐14]㊂针对这一问题,Z h a n g 等[15]考虑到根据属性的重要性给不同属性赋不同权值,提出了加权朴素贝叶斯模型,该模型克服了朴素贝叶斯分类器条件独立性假设的不足㊂然而,该权值计算方法没有考虑不同的条件属性与类属性之间相互关联程度的不同㊂针对上述问题,本文提出了基于改进的小波包㊁类差别矩阵改进属性重要度算法和贝叶斯分类器的故障诊断方法,并结合滚动轴承实验数据,将各种方法进行交叉组合对比分析,验证本文方法的有效性㊂1 基于改进小波包算法的特征提取1.1 小波包算法定义子空间Ωnj 和Ω2n j 的基函数分别为u n (t )和u 2n (t ),且令u n (t )满足以下双尺度方程[2]:u 2n (t )=∑k ∈Zh k u n (2t -k )u 2n +1(t )=∑k ∈Zg k u n(2t -k })(1)gk =(-1)kh 1-k 式中,j 为分解层数(尺度因子),j =0,1, ;t 为离散时间序列,t =1,2, ;k 为平移因子,k =0,1, ;n 为小波包子空间的个数,n =0,1, ;h k ㊁g k 分别为低通滤波器系数和高通滤波器系数,两系数之间具有正交关系㊂小波包分解公式[2]如下:由{^d j +1,n k }求{^d j ,2n k}与{^d j ,2n +1k},即^d j ,2n l=∑kh k -2l ^d j +1,n k ^d j ,2n +1l=∑kgk -2l ^dj+1,n }k (2)式中,^dj ,2n l㊁^dj ,2n +1l分别为进行j 层小波包分解时的小波包系数;l =1,2, ;h k -2l ㊁g k -2l 分别为基于小波包分解算法的低通滤波器系数和高通滤波器系数㊂经过小波包分解之后,对其中任何一个频段内的信号进行分析,令其他各频段小波包系数为零,再对该频段小波包系数进行重构㊂其重构方式为由{^d j ,2n k }与{^d j ,2n +1k }求{^d j +1,n k},即^dj +1,n l=∑k(h l -2k ^d j ,2n k +g 1-2k ^d j ,2n +1k )(3)式中,h 1-2k ㊁g l -2k 分别为基于小波包系数重构算法的低通滤波器系数和高通滤波器系数㊂1.2 改进小波包算法为了克服小波包算法对整个频带的信号进行分解和重构的局限性,只选择信号中包含重要信息的频带并对其进行分解,则信号从j +1尺度到j 尺度的改进分解公式[6]为^d j ,2n l =a j ,2n ∑k(h 2k -2l +1^d j +1,n 2k +h 2k -2l ^d j +1,n 2k +1)^dj ,2n +1l=b j ,2n +1∑k(g 2k -2l +1^dj+1,n 2k+g2k -2l ^dj+1,n 2k +1})(4)其中,h 2k -2l +1㊁g 2k -2l +1分别为基于改进小波包分解算法的低通滤波器系数和高通滤波器系数;a j ,2n ㊁b j ,2n +1为选择因子,其计算公式为a j ,2n =1 Ω2nj子空间需要关注0{其他(5)b j ,2n +1=1 Ω2n +1j子空间需要关注0{其他(6)基于改进小波包特征提取方法的步骤如下:(1)首先利用小波包算法对故障信号进行j 层分解,分别提取第j 层从低频到高频的所有频率成分的信号特征,以3层小波包分解为例,其分解树结构如图1所示㊂图1 3层小波包分解树结构图1中,S j ,i 表示第j (j =0,1,2,3)层的第i (i =0,1, ,7)个节点,每个节点代表一段频带的信号特征㊂(2)求各频带信号的总能量㊂设节点S 3,i 对应的能量为E 3,i ,则有E 3,i =∑ml =1|^d 3,il|2(7)式中,^d 3,i l为节点S 3,i 的小波包系数,l =1,2, ,m ㊂(3)选择能量值较大的节点并对它们进行小波包重构,由式(4)~式(6)对重构信号进行小波包分解㊂(4)由式(7)求各频带信号的总能量并构造特征向量,对其进行归一化处理:E =(∑7i =0|E 3,i |2)1/2(8)T =(E 3,0/E ,E 3,1/E , ,E 3,7/E )(9)式中,T 为归一化的特征向量㊂2 基于类差别矩阵改进属性重要度的属性约简算法所谓属性约简,就是在保持信息系统分类能力不变的前提下,删除不相关的冗余属性㊂由于采用差别矩阵存在非空元素个数过多的问题,而属性重要度是将属性并入约简集㊁求得最小约简结果的依据,为此,提出基于类差别矩阵和改进属㊃0791㊃中国机械工程第26卷第14期2015年7月下半月Copyright ©博看网. All Rights Reserved.性重要度的属性约简算法,通过分析各属性间的相互关系得到类差别矩阵,并选择属性重要度最大的属性并入约简集,从而对故障信息进行压缩并去除冗余属性,提高故障诊断的效率㊂2.1 故障样本决策表的建立一个样本决策表S '=(U ,C ,D ,V ,f ),其中,U ={x 1,x 2, ,x n '}为论域,表示诊断对象;C ={c 1,c 2, ,c m '}为条件属性集,表示诊断对象的特征;D ={d 1,d 2, ,d k '}为类属性集,表示诊断结果,C ∩D =⌀;f :U ×(C ∪D )→V 是一个信息函数,它为每个对象赋予一个信息值㊂轴承故障样本集可以看作一个决策表,其一般形式见表1㊂表1 样本决策表的一般形式序号U Cc 1c 2c m 'D 1x 1V c1,1V c 2,1 V c m ',1V d12x 2V c 1,2V c 2,2V c m ',2V d2︙︙︙︙︙︙︙n 'x n 'V c 1,n 'V c 2,n 'V c m ',n'V dk '由于粗糙集理论只适合对离散数据进行处理,而轴承振动数据通常为连续量,故首先进行离散化处理㊂由于类属性刻画轴承的4种故障类型,故对类属性值进行离散化时,人为设定4种整数值;对条件属性值的离散化处理方法如下:设某个对象x i '的m '个条件属性值V i '={V c 1,i ',V c 2,i', ,V c m ',i'},若将其离散化为{0,1, ,k 1},即分配到k 1+1个区间内,则每个区间的长度l '为l '=m a x (V i ')/(k 1+1)(10)则{0,1, ,k 1}对应的离散集的集合为{(0,l '],(l ',2l '], ,(k 1l ',(k 1+1)l ']}(11)2.2 类差别矩阵的定义定义1[9]设c ∈C ,第i 1类对象和第j1类对象关于属性c 的类间差别矩阵定义为M (c)i 1j 1={m ″i 1j 1},其任一元素m ″i 1j 1为m ″i 1j 1=1 f (x i 1,c )≠f (x j 1,c )0f (x i 1,c )=f (x j 1,c {)(12)其中,x i 1∈S 'i 1,x j 1∈S 'j 1,f (x i 1,c )表示对象x i 1(其中i 1=1,2, ,n ')中条件属性c 的值㊂定义2[9] 类间差别矩阵M (C )i 1j 1的每个元素定义为r i 1j 1=δ1δ2 δs '㊂其中,δl 1=1 f (x i 1,c l 1)≠f (x j 1,c l 1)0f (x i 1,c l 1)=f (x j 1,c l 1{)(13)式中,f (x i 1,c l 1)为对象x i 1中条件属性c l 1的值㊂定义3[9] 类差别矩阵M (C )为M (C )=∪m ″i 1=1∪m ″+1j 1=i 1+1M (C)i 1j 1(14)2.3 改进属性重要度算法的提出属性重要度是将属性并入约简集㊁求得最小约简结果的依据㊂在粗糙集中,属性重要度的计算只需要知识表达系统本身提供的数据而不需要附加任何其他辅助信息㊂定义4[11] 对于决策表S ',设a z ∈C ,属性a z 的重要度S G F (a z )定义如下:S G F (a z )=C a r d (a z )∧P (a z )(15)其中,C a r d (a z )=m i n {|A i '1|,|A j '1|, ,|A k '1|},A i '1,A j '1, ,A k '1是差别集A S '中包含属性a z 的所有元素,|A i '1|表示A i '1所含属性的个数,1≤C a r d (a z )≤|C |,|C |为条件属性集C 中的属性个数;∧为合取运算符;P (a z )表示属性a z 在差别集A S '中出现的次数㊂然而,在类差别矩阵中的元素为各属性比较后的结果,只存在0和1两种情况,式(15)并不适用㊂对于单个属性c i 2,M (C )中出现1越多,说明c i 2所能够辨识的对象数越多,该属性也就越重要㊂为此,将类差别矩阵中出现1的次数作为属性重要性的判断依据,提出新的属性重要度的定义及计算方法,在类差别矩阵M (C )中,属性c i 2(i 2=1,2, ,n ')的属性重要度I Ai 2为I Ai 2=∑m ″j 2=1ki 2j 2(16)式中,k i 2j 2为属性c i 2在类差别矩阵M (C )中为1的元素,j2=1,2, ,m ″㊂基于类差别矩阵改进属性重要度的属性约简算法流程如图2所示㊂具体步骤如下:图2 属性约简算法流程(1)首先对样本决策表进行离散化处理,逐一离散化样本决策表中的属性值,对于条件属性值和类属性值均相同的规则,只保留其中一项,得㊃1791㊃基于粗糙集属性约简和贝叶斯分类器的故障诊断姚成玉李男冯中魁等Copyright ©博看网. All Rights Reserved.到简化样本决策表㊂(2)由式(12)~式(14),以及简化样本决策表,构建类差别矩阵M(C)㊂(3)根据类差别矩阵,由式(16)分别计算各条件属性的属性重要度,选择属性重要度最大的条件属性c i'2并入约简集C r e d;若属性重要度相同,则任选其一㊂(4)删除类差别矩阵中属性c i'2的元素,得到新的类差别矩阵M(C-C i'2),直到M(C-C i'2)为空,则算法终止,输出属性约简集C r e d;否则转步骤(3)㊂3 属性加权朴素贝叶斯分类器算法由于朴素贝叶斯分类器在实际应用中难以满足其条件独立性假设的情况,故本文提出基于熵权法的属性加权朴素贝叶斯分类器算法,考虑每个条件属性对类属性的重要程度,通过对条件属性与类属性间关联性的进一步利用来提高朴素贝叶斯分类器的分类精度㊂3.1 朴素贝叶斯分类器算法的不足朴素贝叶斯分类器是贝叶斯分类模型中结构最简单且在实际应用中非常成功的分类器㊂其模型如图3所示㊂图3 朴素贝叶斯分类器模型其分类过程如下[14]㊂设D表示类属性,有k'个不同取值V d1,V d2, ,V d k';条件属性C={c1, c2, ,c m'}的具体取值V C={V c1,V c2, ,V c m'}㊂假设某个类属性d q的先验概率为P(V d q)(q=1, 2, ,k'),由于属性之间是相互独立的,则条件概率P(V C|V d q)为P(V C|V d q)=P(V c1,V c2, ,V cm'|V dq)=∏m'l1=1P(V c l1|V d q)(17)由贝叶斯定理可得,类属性的后验概率为P(V d q|V C)=P(V C|V d q)P(V d q)P(V C)(18)其中,P(V C)对于所有的类为常数;P(V d q)为类属性d q的先验概率;概率P(V c1|V d q), P(V c2|V d q), ,P(V c m'|V d q)可由训练样本估计得到㊂3.2 属性加权朴素贝叶斯分类器算法的提出设故障类属性D={d1,d2, ,d k'},条件属性C={c1,c2, ,c m'},故障中共有n'个对象x= {x1,x2, ,x n'},则属性c j'2(j'2=1,2, ,m')关于类属性d q的信息熵为H j'2=∑n i=1V c j'2,i3l n V c j'2,i3(19)式中,V c j'2,i3为对象x i3(i3=1,2, ,n')中条件属性c j'2的值㊂输出熵E j'2为E j'2=H j'2/l n m'(20)条件属性c j'2的权值为w j'2=(1-E j'2)/∑m j'2=1(1-E j'2)(21)设加权后的条件属性C'={c'1,c'2, ,c m'},取值V C'={V c'1,V c'2, ,V c'm'},则加权后,对象x i3的条件属性值V c'j'2,i3为V c'j'2,i3=w j'2V cj'2,i3(22)由式(18)可得属性加权后类属性取值为V d q 的后验概率:P(V d q|V c'1,V c'2, ,V c'm')=P(V d q)P(V c'j'2|V dq)P(V c'1,V c'2, ,V c'm')(23)其中,设α=1/P(V c'1,V c'2, ,V c'm'),P(V d q)为类属性取值为V d q的先验概率,P(V c'j'2|V d q)为类属性取值为V d q时属性c j'2加权后的条件概率㊂类属性取值为V d q的先验概率P(V d q)为P(V d q)=~r d q/~r(24)式中,~r d q为训练样本中类属性为d q取值为V d q的个数;~r 为训练样本的总个数㊂条件概率P(V c'j'2|V d q)的计算公式为P(V c'j'2|V d q)=∑~r d q i=1~I(~V c'j'2=V c'j'2,i3)/~r d q(25)其中,V~c'j'2为属性c'j'2在测试样本中的取值;V c'j'2,i3为属性c'j'2在第i3个训练样本中的取值;~r d q为训练样本中类属性取值为V d q的个数;函数~I(~x,~y)在~x=~y的条件下等于1,否则等于0㊂本文提出的算法流程如图4所示㊂图4 属性加权朴素贝叶斯分类器算法流程㊃2791㊃中国机械工程第26卷第14期2015年7月下半月Copyright©博看网. All Rights Reserved.算法具体步骤如下:①根据训练样本建立约简后的样本决策表㊂②由式(19)~式(21)计算条件属性c j '2的权重w j '2,建立加权后的样本决策表㊂③由加权后的样本决策表构造属性加权朴素贝叶斯分类器模型㊂④由式(24)计算类属性的先验概率,由式(25)求得条件属性在各类属性下的条件概率㊂⑤由式(23)选择后验概率估计值最大的类作为故障类㊂4 滚动轴承故障诊断实例分析C a s eW e s t e r nR e s e r v e 大学的滚动轴承故障数据[16]是目前公认的比较具有研究价值的一组故障诊断分析数据[3,17‐19]㊂实验平台示意图见图5,该实验平台包括1台1.5k W 电机㊁1个扭矩转速仪和1台测功机㊂待测试滚动轴承为电动机转轴的支撑轴承,包括驱动端轴承和风扇端轴承㊂图5 滚动轴承故障模拟实验平台为验证本文方法的有效性,采用驱动端轴承故障数据,轴承型号为S K F 6205‐2R S ,滚动体个数为9,采样频率为12k H z ,包含4种转速(1730r /m i n ㊁1750r /m i n ㊁1772r /m i n㊁1797r /m i n ),包含4种故障类型(正常工作d 0㊁内圈故障d 1㊁外圈故障d 2㊁滚动体故障d 3),3种故障程度(故障直径分别为0.1778mm ㊁0.3556mm ㊁0.5334mm )的振动信号数据,即滚动轴承在不同转速工况㊁不同故障类型以及不同故障程度下的共800组混合振动信号数据(训练样本400组㊁测试样本400组),每组数据长度为6000㊂故障诊断流程如图6所示㊂图6 滚动轴承故障诊断流程4.1 特征提取为了验证改进小波包算法对故障特征提取的有效性,以驱动端轴承实验数据在轴承转速为1772r /m i n ㊁故障点直径为0.3556mm 和深度为0.2794mm 的内圈故障数据I R 014_1为例进行分析㊂滚动轴承内圈故障的时域波形如图7所示㊂可以看出,当内圈发生故障时,产生一系列幅值波动相对较大的振动信号,而且这些振动信号中存在比较明显的等间隔冲击曲线㊂但是,无法直接根据时域波形图对滚动轴承发生故障的原因进行判断㊂图7 内圈故障的时域波形由式(7)~式(9),对轴承内圈故障信号进行分解㊁重构㊁能量计算以及能量归一化处理后,得到轴承内圈故障的各频段能量分布情况,如图8所示㊂可以看出,当轴承内圈出现故障时,振动加速度信号的能量主要分布在高频段节点处,这是因为轴承的振动信号具有明显的调制特点㊂图8 内圈故障的各频段能量图对故障信号的低频段和能量较小的(3,0)㊁(3,1)节点进行基于小波包算法㊁改进小波包算法的包络谱分析,两节点的包络谱图分别如图9~图12所示㊂从图9~图12可以看出,基于改进小波包算法比基于小波包算法的包络谱幅度相对较小,而且基于改进小波包算法在故障频率处谱线更加明显,因此改善了不同频带信号的频率混叠现象,更容易判断轴承发生故障的部位㊂同时可得到两节点分别在小波包算法㊁改进小波包算法下的运算时间,见表2㊂㊃3791㊃基于粗糙集属性约简和贝叶斯分类器的故障诊断姚成玉李男冯中魁等Copyright ©博看网. All Rights Reserved.图9 基于小波包算法的(3,0)节点包络谱图10 基于小波包算法的(3,1)节点包络谱图11 基于改进小波包算法的(3,0)节点包络谱图12 基于改进小波包算法的(3,1)节点包络谱表2 两节点的运算时间节点小波包算法(s)改进小波包算法(s)(3,0)0.27670.1211(3,1)0.27840.1198由表2可知,基于改进小波包算法进行特征提取的运算时间比小波包算法缩短了46.91%~46.97%㊂因此,基于改进小波包的特征提取方法改善了不同频带信号的频率混叠现象,同时也克服了小波包算法计算量大的缺点,提高了特征提取的效率㊂由式(7)~式(9),利用改进小波包算法对混合振动信号数据进行3层分解,小波函数选择d b 10,求得特征向量T =(E 3,0/E ,E 3,1/E , ,E 3,7/E ),将每个样本的节点(3,0),(3,1), ,(3,7)分别作为该样本的条件属性c 1,c 2, ,c 8;特征向量中的每个值分别对应该样本的条件属性值㊂将样本的4种故障类型d 1㊁d 2㊁d 3㊁d 4分别作为样本的4种类属性,相应的类属性值V d 1㊁V d 2㊁V d 3㊁V d 4分别为1㊁2㊁3㊁4㊂则构成的样本决策表见表3㊂表3 样本决策表序号C 'c 1c 2c 3c 4c 5c 6c 7c 8D10.3210.4500.0420.1350.0030.0150.0170.018120.3060.4620.0410.1380.0030.0150.0160.018130.3030.4610.0410.1400.0040.0160.0170.018140.3190.4500.0400.1380.0040.0160.0150.0181︙︙︙︙︙︙︙︙︙︙3970.1020.1900.1960.1050.0240.0480.2930.04343980.1030.1860.2090.1020.0230.0450.2900.04243990.1020.1880.1990.1050.0240.0440.2980.04044000.1050.1910.2020.1040.0230.0450.2890.0414由式(19)~式(22)可求得各类属性下条件属性c 1,c 2, ,c 8的权重以及加权后的样本决策表,分别见表4㊁表5㊂表4 条件属性的权重权重c 1c 2c 3c 4c 5c 6c 7c 8w 10.1880.1820.0990.1370.0630.1110.1070.114w 20.0980.1110.1870.1240.0770.0910.1870.126w 30.1110.1050.1750.1160.0940.0890.1900.120w 40.1300.1150.1750.1230.0790.0890.1890.099表5 加权后的样本决策表序号C 'c '1c '2c '3c '4c '5c '6c '7c '8D10.0510.0620.0060.0130.0010.0100.0070.006120.0490.0630.0060.0130.0010.0110.0070.006130.0480.0630.0060.0130.0010.0110.0070.006140.0510.0620.0060.0130.0010.0100.0070.0061︙︙︙︙︙︙︙︙︙︙3970.0140.0160.0320.0150.0030.0050.0520.00843980.0140.0160.0350.0150.0030.0050.0510.00743990.0130.0160.0320.0150.0030.0050.0520.00844000.0140.0160.0340.0150.0030.0050.0510.00744.2 属性约简定义很小㊁较小㊁小㊁中㊁大㊁较大㊁很大㊁非常大”8个语言变量对属性的数值型变量进行描述,分别用0㊁1㊁2㊁3㊁4㊁5㊁6㊁7表示㊂则离散化后的样本决策表见表6㊂㊃4791㊃中国机械工程第26卷第14期2015年7月下半月Copyright ©博看网. All Rights Reserved.表6 离散化后的样本决策表序号C'c'1c'2c'3c'4c'5c'6c'7c'8D1670101001 2670101001 3670101001 4670101001︙︙︙︙︙︙︙︙︙︙397215100714 398215100714 399214100704 400215100704 扫描离散化后的样本决策表,对于条件属性值和类属性值均相同元素的对象,只保留其中一项,对样本决策表进行简化,得到简化的样本决策表,见表7㊂表7 简化的样本决策表序号C'c'1c'2c'3c'4c'5c'6c'7c'8D1670101001 2570101001 3760201011 4750100011︙︙︙︙︙︙︙︙︙︙69326200714 70325100714 71215100714 72214100704 由表7可以看出,通过简化处理后,训练样本数由原来的400组减少为72组,大大提高了属性约简的效率㊂根据式(12)㊁式(13),扫描简化后的样本决策表,构造类间差别矩阵㊂当类属性值为1时,与类属性值为2的类间差别矩阵[M(C')12]1×30为M(C')12=[11100011111000111110001111110110111101101111011011110111 11110111111101111111001011110010 11110010111100111111001111110011 11110110111101101111011011110011 11110011111100111111011011110110 11110110111000111110001111100011 111101101111011011110110]以此类推,可分别求得当类属性值为2㊁3时的类间差别矩阵,最后由式(14)可求得类差别矩阵M(C')㊂扫描类差别矩阵M(C'),计算每个条件属性在其中出现1的次数,可得各属性在M(C')中出现1的次数分别为1636㊁1334㊁1646㊁1210㊁0㊁698㊁900㊁1202,选择次数最大的属性c'3并入属性约简集,并删除该属性在差别矩阵中为1的对应项,可得M(C'-c'3);然后扫描类差别矩阵M(C'-c'3),计算属性c'1㊁c'2㊁c'4㊁c'5㊁c'6㊁c'7㊁c'8在M(C'-c'3)中出现1的次数分别为196㊁128㊁130㊁0㊁66㊁32㊁149,选择属性c'1并删除该属性在类差别矩阵中为1的对应项,可得M(C'-c'3-c'1);以此类推,最后M(C'-c'3-c'1-c'8-c'4)为空矩阵,因此,可得属性约简集为C'r e d={c'1,c'3,c'4, c'8}㊂4.3 分类器分类将训练样本多个条件属性当作多个故障特征,并利用约简后的训练样本构造属性加权朴素贝叶斯分类器进行故障分类,其网络结构如图13所示㊂图13 属性加权朴素贝叶斯分类器以轴承内圈故障的某个测试样本X= {0.0054,0.0063,0.0500,0.0140,0.0038,0.0068, 0.0473,0.0155}为例说明故障诊断过程㊂根据图13,选择该测试样本的属性c'1㊁c'3㊁c'4㊁c'8并进行离散化后,可得X'={1,7,2,2}㊂由式(24)可求得4种故障类型的先验概率分别为P(V d1)=0.1389,P(V d2)=0.3570,P(V d3)= 0.2222,P(V d4)=0.2639㊂由式(25)可求得测试样本各条件属性的取值在类属性取值V d下的条件概率,见表8㊂表8 各属性的条件概率条件概率c'1c'3c'4c'8P(V c'i|V d1)000.60000P(V c'i|V d2)0.22220.77780.44440.4815 P(V c'i|V d3)0.56250.06250.06250.1875 P(V c'i|V d4)0.21050.15790.05260 利用式(23),求得该测试样本的各故障类型在条件属性取值下的后验概率:P(V d1|V c'1,V c'3,V c'4,V c'8)=0P(V d2|V c'1,V c'3,V c'4,V c'8)=0.0139αP(V d3|V c'1,V c'3,V c'4,V c'8)=0.0001αP(V d4|V c'1,V c'3,V c'4,V c'8)=0由于∑4j=1P(V d j'2|V c'1,V c'3,V c'4,V c'8)=1,故可求得α=71.43㊂则可得故障类d2㊁d3的后验概率分别为P(V d2|V c'1,V c'3,V c'4,V c'8)=0.9929P(V d3|V c'1,V c'3,V c'4,V c'8)=0.0071选择后验概率估计值最大的类作为故障类,因此可以确定该测试样本的故障为d2类,即内圈㊃5791㊃基于粗糙集属性约简和贝叶斯分类器的故障诊断姚成玉李男冯中魁等Copyright©博看网. All Rights Reserved.故障,故障诊断的结果与测试样本给出的结果相同㊂根据上述诊断过程,为验证本文组合方法的有效性,分别利用小波包算法㊁改进小波包算法对故障样本进行特征提取,分别利用文献[9]约简算法㊁本文提出的类差别矩阵改进属性重要度的约简算法对提取的故障特征信息进行属性约简,分别利用朴素贝叶斯分类器㊁本文提出的属性加权朴素贝叶斯分类器对约简后的样本进行分类,最后将各种方法相互交叉组合,得到的故障诊断结果对比见表9㊂表9 故障诊断结果对比序号各种算法结合平均诊断正确率(%)诊断时间(s)训练时间(s)1小波包算法文献[9]约简算法朴素贝叶斯分类器89.170.024412.70622改进小波包算法文献[9]约简算法朴素贝叶斯分类器91.040.017210.93263小波包算法类差别矩阵和属性重要度朴素贝叶斯分类器89.170.023612.41654改进小波包算法类差别矩阵和属性重要度朴素贝叶斯分类器91.040.016610.62895小波包算法文献[9]约简算法属性加权朴素贝叶斯分类器93.540.024412.77936改进小波包算法文献[9]约简算法属性加权朴素贝叶斯分类器98.960.017210.95187小波包算法类差别矩阵和属性重要度属性加权朴素贝叶斯分类器93.540.023612.43328改进小波包算法类差别矩阵和属性重要度属性加权朴素贝叶斯分类器98.960.016610.68369改进小波包算法属性加权朴素贝叶斯分类器98.750.02789.5017 由故障诊断结果对比可知:①分别将组合2㊁4㊁6㊁8与组合1㊁3㊁5㊁7进行对比可以看出,利用改进小波包算法比利用小波包算法缩短了13.96%~14.40%的训练时间,缩短了29.51%~29.66%的诊断时间,而且平均诊断正确率提高了2.10%~5.79%;②分别将组合3㊁4㊁7㊁8与组合1㊁2㊁5㊁6进行对比可以看出,利用类差别矩阵和属性重要度算法比利用文献[9]约简算法的诊断时间缩短了3.28%~3.49%,平均诊断正确率均相同,同时训练时间缩短了2.28%~ 2.78%;③分别将组合5㊁6㊁7㊁8与组合1㊁2㊁3㊁4进行对比可以看出,利用属性加权朴素贝叶斯分类器比利用朴素贝叶斯分类器的训练时间延长了0.13%~0.58%,诊断时间均相同,但平均诊断正确率提高了4.90%~8.70%;④对比组合9和8可以看出,若不进行属性约简,虽然训练时间缩短了11.06%,但诊断时间却延长了67.47%,同时平均诊断正确率下降了0.21%㊂综上,将各种方法进行组合对比分析可知,利用本文所提出的特征提取㊁属性约简㊁故障分类的组合方法,不仅提高了滚动轴承故障诊断正确率,而且缩短了故障诊断时间,为更加快速㊁有效地进行滚动轴承故障诊断研究打下了基础㊂5 结论(1)本文从对故障诊断的特征提取㊁属性约简㊁故障分类三个方面进行了研究㊂利用混合滚动轴承实验数据,通过将各种算法交叉组合进行对比分析,验证了本文方法的有效性和快速性㊂(2)利用本文方法可以进行多信息融合故障诊断,进一步,可以进行性能退化状态评估,以改进小波包分解的节点能量构成特征向量,结合支持向量数据描述方法,根据正常状态下的数据样本建立知识库,实现对待测样本退化程度(轴承不同点蚀大小)的定量评估;区别于故障模式识别,性能退化状态评估侧重于设备整体性能的研究,而淡化故障模式的区分,是从理念和方法上对现有的故障诊断技术的全新拓展㊂参考文献:[1] 王国彪,何正嘉,陈雪峰,等.机械故障诊断基础研究何去何从”[J].机械工程学报,2013,49(1):63‐72.W a n g G u o b i a o,H eZ h e n g j i a,C h e n X u e f e n g,e ta l.B a s i cR e s e a r c ho n M a c h i n e r y F a u l tD i a g n o s i s‐W h a tI s t h eP r e s c r i p t i o n[J].J o u r n a l o f M e c h a n i c a lE n g i-n e e r i n g,2013,49(1):63‐72.[2] X i a nG u a n g m i n g,Z e n g B i q i n g.A nI n t e l l i g e n tF a u l tD i a g n o s i sM e t h o dB a s e do n W a v e l e tP a c k e rA n a l y-s i s a n dH y b r i dS u p p o r tV e c t o rM a c h i n e s[J].E x p e r tS y s t e m sw i t h A p p l i c a t i o n s,2009,36(10):12131‐12136.[3] 王冬云,张文志.基于小波包变换的滚动轴承故障诊断[J].中国机械工程,2012,23(3):295‐298.W a n g D o n g y u n,Z h a n g W e n z h i.F a u l t D i a g n o s i sS t u d y o f B a l l B e a r i n g B a s e d o n W a v e l e t P a c k e tT r a n s f o r m[J].C h i n aM e c h a n i c a l E n g i n e e r i n g,2012,23(3):295‐298.[4] 钱苏翔,杨世锡,焦卫东,等.基于独立分量分析与㊃6791㊃中国机械工程第26卷第14期2015年7月下半月Copyright©博看网. All Rights Reserved.小波包分解的混叠声源信号波形恢复[J].中国机械工程,2010,21(24):2956‐2961.Q i a n S u x i a n g,Y a n g S h i x i,J i a o W e i d o n g,e t a l.W a v e f o r m R e s t o r a lo f M u l t i p l e M i x e d A c o u s t i c a l S o u r c eS i g n a l sB a s e d o n I n d e p e n d e n t C o m p o n e n tA-n a l y s i s a n dW a v e l e t P a c k e t D e c o m p o s i t i o n[J].C h i n aM e c h a n i c a l E n g i n e e r i n g,2010,21(24):2956‐2961.[5] 高英杰,孔祥东,Z h a n g Q i n.基于小波包分析的液压泵状态监测方法[J].机械工程学报,2009,45(8): 80‐88.G a oY i n g j i e,K o n g X i a n g d o n g,Z h a n g Q i n.W a v e l e tP a c k e t sA n a l y s i sB a s e dM e t h o d f o rH y d r a u l i cP u m pC o n d i t i o n M o n i t o r i n g[J].J o u r n a l o fM e c h a n i c a l E n-g i n e e r i n g,2009,45(8):80‐88.[6] M o r s iW G,E l‐H a w a r y M E.A N e w R e a c t i v e,D i s-t o r t i o na n dN o n‐A c t i v eP o w e rM e a s u r e m e n tM e t h-o df o r N o n s t a t i o n a r y W a v e f o r m s U s i n g W a v e l e tP a c k e tT r a n s f o r m[J].E l e c t r i cP o w e rS y s t e m sR e-s e a r c h,2009,79(10):1408‐1415.[7] 张邦基,于德介,杨胜.基于小波变换与粗集理论的滚动轴承故障诊断[J].中国机械工程,2008,19(15):1793‐1831.Z h a n g B a n g j i,Y uD e j i e,Y a n g S h e n g.R o l l e rB e a r i n gF a u l tD i a g n o s i sA p p r o a c hB a s e do n W a v e l e tT r a n s-f o r ma n d R o ug hS e tTh e o r y[J].C hi n a M e c h a n i c a lE n g i n e e r i n g,2008,19(15):1793‐1831.[8] Q i a n J,M i a oDQ,Z h a n g ZH,e t a l.H y b r i dA p p r o a-c h e s t oA t t r i b u t eR ed u c t i o nB a se do n I n d i s c e r n i b i l i-t y a n d D i s c e r n i b i l i t y R e l a t i o n[J].I n t e r n a t i o n a lJ o u r n a lo f A p p r o x i m a t e R e a s o n i n g,2011,52(2): 212‐230.[9] 吕萍,钱进,王波,等.一种快速差别矩阵属性约简算法[J].计算机工程与应用,2010,46(20):164‐167.LüP i n g,Q i a n J i n,W a n g B o,e t a l.AF a s tA l g o r i t h mf o r A t t r i b u t e R e d u c t i o n o n D i s c e r n i b i l i t y M a t r i x[J].C o m p u t e rE n g i n e e r i n g a n d A p p l i c a t i o n s,2010, 46(20):164‐167.[10] D a i J i a n h u a,W a n g W e n t a o,T i a nH a o w e i,e t a l.A t-t r i b u t eS e l e c t i o nB a s e do naN e w C o n d i t i o n a lE n-t r o p y f o r I n c o m p l e t eD e c i s i o nS y s t e m s[J].K n o w l-e d g e‐B a s e dS y s t e m s,2013,39:207‐213.[11] 蒋瑜,王鹏,王燮,等.基于差别矩阵的属性约简完备算法[J].计算机工程与应用,2007,43(19):185‐187.J i a n g Y u,W a n g P e n g,W a n g X i e,e ta l.C o m p l e t eA l g o r i t h mf o rA t t r i b u t eR e d u c t i o nB a s e do n D i s-c e r n i b i l i t y M a t r i x[J].C o m p u t e rE n g i n e e r i n g a n dA p p l i c a t i o n s,2007,43(19):185‐187.[12] 吴定海,张培林,任国全,等.基于B a y e s的超球分类器及在柴油机异常检测中的应用[J].机械工程学报,2011,47(6):22‐26.W u D i n g h a i,Z h a n g P e i l i n,R e n G u o q u a n,e ta l.B a y e s‐b a s e d H y p e r‐s p h e r eC l a s s i f i c a t i o na n dI t sA p p l i c a t i o n i nD i e s e lE n g i n eA b n o r m i t y D e t e c t i o n[J].J o u r n a lo f M e c h a n i c a lE n g i n e e r i n g,2011,47(6):22‐26.[13] Y o u nE,J e o n g M K.C l a s sD e p e n d e n t F e a t u r e S c a l-i n g M e t h o dU s i n g N a i v eB a y e sC l a s s i f i e r f o rT e x tD a t a m i n i n g[J].P a t t e r nR e c o g n i t i o nL e t t e r s,2009,30(5):477‐485.[14] M u k h e r j e eS,S h a r m aN.I n t r u s i o nD e t e c t i o nU s i n gN a i v eB a y e sC l a s s i f i e rw i t hF e a t u r eR e d u c t i o n[J].P r o c e d i aT e c h n o l o g y,2012,4:119‐128. [15] Z h a n g H,S h e n g S.L e a r n i n g W e i g h t e dN a i v eB a y e sw i t h A c c u r a t e R a n k i n g[C]//P r o c e e d i n g so ft h eF o u r t h I E E E I n t e r n a t i o n a l C o n f e r e n c e o n D a t aM i n i n g.B r i g h t o n,2004:567‐570.[16] C a s e W e s t e r n R e s e r v e U n i v e r s i t y B e a r i n g D a t aC e n t e r.D o w n l o a da D a t a F i l e[E B/O L].h t t p://c s e g r o u p s.c a s e.ed u/be a r i n g d a t a c e n t e r/p a g e s/d o w n-l o a d‐d a t a‐f i l e.[17] 吴强,孔凡让,何清波,等.基于小波变换和I C A的滚动轴承早期故障诊断[J].中国机械工程,2012,23(7):835‐840.W uQ i a n g,K o n g F a n r a n g,H eQ i n g b o,e t a l.E a r l yF a u l tD i a g n o s i s o fR o l l i n g E l e m e n tB e a r i n g sB a s e do n W a v e l e t T r a n s f o r m a n dI n d e p e n d e n t C o m p o-n e n tA n a l y s i s[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2012,23(7):835‐840.[18] 程军圣,马兴伟,李学军,等.基于O C‐V P M C D和I T D的滚动轴承故障诊断方法[J].中国机械工程,2014,25(11):1492‐1497.C h e n g J u n s h e n g,M a X i n g w e i,L i X u e j u n,e ta l.R o l l i n g B e a r i n g F a u l tD i a g n o s i s M e t h o dB a s e do nO C‐V P M C Da n dI T D[J].C h i n a M e c h a n i c a lE n g i-n e e r i n g,2014,25(11):1492‐1497. [19] 欧璐,于德介.基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断[J].中国机械工程,2014,25(10):1352‐1357.O uL u,Y u D e j i e.R o l l i n g B e a r i n g F a u l tD i a g n o s i sB a s e do nL a p l a c i a nS c o r e a n dF u z z y C‐M e a n sC l u s-t e r i n g[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2014,25(10):1352‐1357.(编辑陈勇)作者简介:姚成玉,男,1975年生㊂燕山大学电气工程学院教授㊁博士㊂主要研究方向为故障诊断及可靠性㊂出版专著4部,发表论文60余篇㊂李男,男,1989年生㊂燕山大学电气工程学院硕士研究生㊂冯中魁,男,1985年生㊂燕山大学电气工程学院硕士研究生㊂陈东宁,女,1978年生㊂燕山大学机械工程学院副教授㊁博士㊂㊃7791㊃基于粗糙集属性约简和贝叶斯分类器的故障诊断姚成玉李男冯中魁等Copyright©博看网. All Rights Reserved.。

基于粗糙集的智能变电站保护设备仿生故障诊断方法

基于粗糙集的智能变电站保护设备仿生故障诊断方法摘要：智能变电站是电力系统的重要组成部分。

长期以来，变电站保护设备的报警信息一直存在不够准确，报警内容不确定的漏洞，这严重妨碍了故障诊断结果的正确性和准确率。

为解决这一长期存在的问题，需要不断改进故障诊断方法。

结合粗糙集约简算法提出的智能变电站保护设备仿生故障诊断方法是一套能有效提高变电站故障诊断计算速度的高效率计算方法，经实验验证，是一套行之有效的诊断方法。

关键词：粗糙集；智能变电站；故障诊断一、智能变电站保护设备现状分析随着电力信息化的不断建设，变电站不仅可以满足日常的电网信息的检测和测量，智能变电站的结构更加复杂，其自动化程度越来越高，大大提高了国家电网的经营效率。

然而，变电站的智能化提升也要求其故障诊断方法的革新，传统的故障诊断技术日渐难以迎合智能变电站的需要。

在这种情况下，一种基于粗糙集的智能变电站保护设备仿生故障诊断方法应运而生，能够对智能变电站的故障进行快速定位，精准诊断，有效维护电力系统的正常运行。

二、智能变电站保护设备故障特点（一）遥信系统故障特点建立在软件信息技术和通讯数据基础之上，智能变电站的综合自动化是集测量和保护为一体，能够适应多种现代化能源管理的发展以及生产的要求。

该系统主要用于保护单元和控制单元的测量。

行程开关的连接点转换不充分、辅助开关的安装位置发生偏移是遥信常见的故障。

（二）控制系统故障特点智能变电站包含大量数据的运算分析，这些运算分析都是调控人员依靠控制系统完成的，因此控制系统对于智能变电站以及电力系统的正常运转有着重要作用。

变电站的供电能力的预期估算、供电系统的持续稳定性以及电压和线路损耗值，这些数据的准确与否是控制系统常出现故障的表现。

（三）测量系统故障特点智能变电站中的测量系统的基础设计是一种可以保护设备正常运行的微处理器。

当测量系统运行时，电流磁场会对其他设备的磁场产生影响，容易导致设备烧毁；在调整测量设备时，需要把调整的误差严格控制在一定范围，这样才能把伤害降到最低。

基于贝叶斯分类器的电力变压器设备故障诊断研究

基于贝叶斯分类器的电力变压器设备故障诊断研究田炳伟;高钏【摘要】Tansfomer is the key factor of power grid whose fault level is significant to the security and reliability of power system, the research on tansfomer fault diagnosis has both practical value and research significance.The traditional method called "Three-Ratio" proposed by IEC,with defects of low accuracy and missing code in some cases.Account of this ,the paper focus on a method based on statistical law called Naive Bayes Network, whose child nodes are twelve groups of characteristic gases of transfomer and six fault types make up the father node.There are two examples show the effect of the new model ,one is single random test,shows the bayes method is 10 percentage points higher than the traditional method;the other is multiple random test, shows the mean accuracy of the bayes method is more than 95 percent.In a word ,the model we presented make a better performance than the traditional method.In the meantime,the model can be used for actual production as an effective method for transforme fault diagnosis.%变压器是电网的核心设备,其健康状态关系到电力系统的安全运行,开展变压器故障诊断既有实用价值,又有研究意义.变压器故障诊断的传统方法为国际电工委员会发布的IEC三比值法,该方法存在诊断准确率低、对编码以外的部分样本无法诊断等弊端.鉴于此,本文提出了一种基于统计规律的故障诊断方法,利用变压器油中溶解气体作为特征量,以故障类型为分类结果,采用朴素贝叶斯算法,建立了基于贝叶斯分类器的变压器故障诊断模型.为验证本文模型的效果,采取了两次实例测试:单次随机试验表明,本文模型将诊断准确率较IEC传统方法提高了10个百分点;多次随机试验表明,本文模型的平均诊断准确率在95%以上.因此,本文模型具有分类准确率高、泛化能力强等特点,能满足实际工程需要,可作为电力设备故障诊断的有效方法.【期刊名称】《电子设计工程》【年(卷),期】2017(025)015【总页数】5页(P54-57,61)【关键词】贝叶斯;电力;变压器;故障诊断【作者】田炳伟;高钏【作者单位】西安工程大学陕西西安 710048;国网西安供电公司陕西西安710032【正文语种】中文【中图分类】TN-9现代电力系统中，变压器是电网中最为昂贵和关键的设备[1]，因此，有必要对变压器进行故障监测，及时掌握其设备状态，进而采取合理的检修策略。

基于贝叶斯网络和粗糙集的电网故障诊断方法

0引言随着电力系统日趋大型化,电网故障日趋复杂化,所以在电力中故障是系统不可避免的。

一旦发生故障,如何快速诊断故障类型,防止事故扩大非常重要。

如果故障不能及时有效地控制和处理,将可能造成系统稳定破坏、电网瓦解、重大设备损坏和大面积停电,直接影响到用户的切实利益,甚至影响社会大生产的顺利进行。

为了保证电力生产的安全性,保证电能供应的可靠性和连续性,在输配电网发生故障时,需要可靠的电网故障诊断系统为工作人员迅速进行诊断和处理提供决策参考。

目前国内外用于电网故障诊断的技术包括:遗传算法,专家系统,Petri 网络等。

遗传算法从优化的角度出发基本上可以解决故障诊断问题,尤其是在复杂故障或存在保护、断路器拒动、误动的情况下,能够给出全局最优或局部最优的多个可能的诊断结果。

但遗传算法存在的主要“瓶颈”是如何建立合理的电网故障诊断数学模型。

专家系统的典型缺点为学习能力差、容错性差及诊断速度偏慢。

Petri 网络用于建模的时间较长,随着设备的增加和网络的扩大,存在着较大的问题,同时针对现场普遍存在的保护、断路器误动拒动及由于通信线路故障引起的故障信息畸变,Petri 网络需要提高其容错能力和处理电网拓扑的改变。

本文主要采用贝叶斯网络进行诊断。

贝叶斯网络是一种不确定性的因果关系关联模型、具有强大的不确定性问题处理能力,同时它能有效的进行多源的信息表达与融合,是一种基于网络结构的有向图解描述。

贝叶斯网络的以上的特性与故障诊断问题的要求内在一致,故贝叶斯网络也可以应用于不同领域的故障诊断。

在电网故障诊断中,贝叶斯网络具有很多独有的特性和优点,基于贝叶斯网络的故障诊断方法,是对贝叶斯公式本身的改进,在处理不完备信息时,提出了采用证据的不确定性推理和比较异常事件数两种方法,减少了计算量,提高了算法的实用性。

1贝叶斯网络方法概述贝叶斯网络是一种对概率关系的有向图解描述,它提供了一种将知识直觉地图解可视化的方法。

一个贝叶斯网络是一个有向无循环图(DAG),它的节点用随机变量标识,弧代表影响概率,用条件概率标识。

基于贝叶斯网络的变压器故障综合诊断

基于贝叶斯网络的变压器故障综合诊断
聂岩，刘建新，吴立增，李中
（华北电力大学，河北保定 071000）摘要：根据变压器故障机理复杂，故障类型与故障征兆
1 贝叶斯网络
1.1 贝叶斯网络简介贝叶斯网络，又称因果网络，信度网络，是一种带有概率注释的有向无环图（DAG）。它以有向图的形式表示随机变量间的因果关系，并通过条件概率将此关系量化。假设 X X 1 , X 2 , , X n 是一有限随机变量集合，一个贝叶斯网络可以用一个二元组
表 3 DGA 试验数据
H2 217.5 CH4 40 C2H4 51.8 C2H6 4.9
(mL/L)
C2H2 67.5 CO 464.7 CO2 1264
C2 C3 C4
表 4 绝缘油特性试验数据
酸值 (mg KOH/g) 217.5 电阻率 (Ω.m) 40 含水量 (μ 表面张力击穿电压 L/L) 51.8 （N/m2） 20×10
X 1 0 、 X 2 2 、 X 3 0 ；由表 4 及相关试验规范可知 X 8 0 、 X 12 0 ；由表 5 及相关试验规范可知 X 5 1 、 X 6 1 、 X 7 1 。将以上征
兆作为证据输入贝叶斯网络诊断模型，得出该样本各种故障发生的概率，详细结果见表 6。
由表 6 可知，故障类 C9 存在的概率大于无此类故障概率，其中无此类故障概率为 0.16116，存在此类故障的概率为 0.83884，因此，诊断结果为
C9 ，即绕组变形并匝间短路，实际吊芯检查结果
为绕组故障[3]。 4.2 故障实例二：某 31.5MVA、 110kV 主变（SFSZ8-31500/110）投运后油色谱分析气体组分见表 7。油中气体分析可知故障性质为涉及固体绝缘的热性故障， X 1 2 、 X 2 1 、 X 3 2 ；铁心对地电阻为 1500MΩ，绕组直流电阻也未发现问题，因此 X 4 1 、 X 5 1 、 X 6 1 。将以上征兆编码输入模型诊断得出各类故障发生与否概率结果，其中 C2 存在的概率为 0.52025，不存在的

基于数据挖掘的变压器故障诊断和预测研究

基于数据挖掘的变压器故障诊断和预测研究基于数据挖掘的变压器故障诊断和预测研究摘要：作为电力系统日常工作的重要保障根底变压器在整个系统当中发挥着十分重要的作用。

一旦变压器出现故障不仅仅会影响电力系统的正常化运行，同时也将带来了严重的经济损失，这将会直接导致负面社会效益的出现。

为了防止上述情况出现就需要对变压器故障诊断工作进行落实，针对故障点构建出预见性防护方案。

本文对基于数据挖掘的变压器故障诊断进行了分析，提出了一系列观点，供以参考。

关键词：故障诊断；变压器；数据开掘引言变压器是电网平安运营的根本保证，尽管目前在变压器运行过程中已经提出了一系列保护措施如避雷针配置、接地保护、差动保护等，但从实际情况来看这些保护措施显然不能满足变压器的实际工作需求，由于变压器内部结构十分复杂，在长期负荷下必然会出现各种问题如老化、材质裂化等，这必然会带来一定程度的故障。

而为了让这些故障得到有效的控制就需要对诊断工作以及预测工作进行深入完善，以此来维持其稳定状态。

数据挖掘技术为变压器故障诊断以及故障预测提供了有力的技术根底，这对于变压器乃至整个电力系统的稳定运行均有着十分重要的意义。

1.数据开掘概述数据开掘事实上是一个综合性的过程中，在这个过程中需要从大量数据当中进行“隐性数据〞提取，这些数据无论是用于信息管理、查询优化还是过程控制等都有着十分重要的作用。

当然数据开掘涉及范围十分广泛，它不单单涵盖了数据库内容，同时还承载了数理统计、计算等，对相关人员具有较高的专业性要求。

近年来随着电力系统规模的不断扩大使得电力系统的数据承载量得到了极大的提升，这也使得电力行业对数据挖掘技术也越来越重视。

例如在变压器测试过程中由于一些客观或主观因素影响会造成一系列的错误数据，再加上变压器复杂程度较高，使得它的故障呈现了不确定性，而基于数据开掘那么能够将这些潜在因素解剖出来，这也使其在电力系统当中有了巨大的应用空间2.基于数据挖掘的变压器故障诊断系统分析对于数据开掘而言它是一个完整的规程，在此规程当中需要对大型数据库的有效实用信息进行开掘，使其成为决策信息。

模糊贝叶斯网的变压器故障诊断

模糊贝叶斯网的变压器故障诊断宋功益;郭清滔;涂福荣;周立龙【摘要】目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一.变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法.该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型.实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据.%Dissolved gas analysis (DGA) is the most effective and convenient method in transformer fault diagnosis. Due to the randomness and uncertainty of power transformer fault diagnosis data, a novel specific transformer fault diagnosis method based on Fuzzy Bayesian network is proposed in this paper. It uses in the method that the Bayesian network satisfactory capacity of knowledge representation and strong solving ability to deal with uncertain facts, the Fuzzy set can represent fuzzy knowledge and fuzzy event. First, the segmentation spaces of three ratio methods are processed fuzzily using a membership function, then, the fault type is diagnosed by theory of fuzzy Bayesian networks. Finally, the correctness and effectiveness of this method are validated by the result of practical fault diagnosis examples, and a novel method is provided for the diagnosis of the fault transformer.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2012(024)002【总页数】5页(P102-106)【关键词】变压器;油中溶解气体分析;故障诊断;模糊贝叶斯网【作者】宋功益;郭清滔;涂福荣;周立龙【作者单位】西南交通大学电气工程学院,成都610031;福建省电力科学研究院,福州350007;西南交通大学电气工程学院,成都610031;西南交通大学电气工程学院,成都610031【正文语种】中文【中图分类】TM411变压器是电力系统中的重要设备，它的故障将引起大的停电事故，危害电网的安全经济运行。

基于PCA和粗糙集构建决策树的变电站故障诊断

基于PCA和粗糙集构建决策树的变电站故障诊断张延松;赵英凯【摘要】提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.【期刊名称】《电力系统保护与控制》【年(卷),期】2010(038)014【总页数】6页(P104-109)【关键词】主元分析;粗糙集;决策树;变电站;故障诊断【作者】张延松;赵英凯【作者单位】南京工业大学自动化与电气工程学院,江苏,南京,210009;南京工业大学自动化与电气工程学院,江苏,南京,210009【正文语种】中文【中图分类】TM7110 引言变电站是电力输配电系统中非常重要的一环，涉及到许多安全运行、可靠供电方面的问题。

变电站故障诊断就是从变电站的某些检测量中得到故障征兆信息，再通过对这些故障征兆信息的分析与处理，判断出故障源的位置。

其中检测量由厂站监控系统和故障录波器提供，故障征兆包括保护开关动作、断路器跳闸等，而需判断的故障源通常有母线、变压器、无功补偿设备等[1]。

多元统计理论中的主元分析法可以提取样本集的主元，降低样本的维数，甚至可以实现样本的最优压缩[2]。

粗糙集理论[3]是由 z．Pawlak于 1982年提出的一种处理不精确和不确定知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，将决策系统简化，提高系统潜在知识的清晰度。

决策树算法是分类发现算法中最常见的一种方法[4]，在故障诊断的决策信息规则提取中有着广泛的应用。

主元分析能将高维的故障样本空间投影到相对独立的低维空间，以降低分析难度，但不适合解决非线性[5-6]、时变动态[7]、故障隔离[8]等问题，单独使用时需要对其进行改进。