摘 要：高壓電氣試驗(yàn)設(shè)備在電力系統(tǒng)中具有至關(guān)重要的作用，但是其結(jié)構(gòu)和工作原理復(fù)雜，故障診斷一直是一個(gè)具有挑戰(zhàn)性的問題。為了提高設(shè)備故障診斷的準(zhǔn)確性和效率，本文基于Apriori算法，研究了設(shè)備故障的潛在規(guī)律和關(guān)聯(lián)性，基于挖掘結(jié)果建立故障診斷模型，并進(jìn)行試驗(yàn)驗(yàn)證。結(jié)果表明，基于Apriori算法的故障診斷方法在提高診斷準(zhǔn)確性和效率方面具有顯著優(yōu)勢(shì)，可為高壓電氣設(shè)備的健康管理和維護(hù)提供新的思路和方法。

關(guān)鍵詞：Apriori算法；高壓電氣設(shè)備；故障診斷；數(shù)據(jù)挖掘

中圖分類號(hào)：TM 83" " " 文獻(xiàn)標(biāo)志碼：A

高壓電氣設(shè)備在現(xiàn)代工業(yè)生產(chǎn)中具有重要作用，其穩(wěn)定運(yùn)行對(duì)生產(chǎn)安全和效率至關(guān)重要[1]。但是高壓電氣設(shè)備較復(fù)雜性且工作環(huán)境惡劣，時(shí)常會(huì)發(fā)生故障。因此，如何有效地進(jìn)行設(shè)備故障診斷和預(yù)防成為工程技術(shù)領(lǐng)域的熱點(diǎn)問題[2]。作為一種經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法，Apriori算法在市場(chǎng)分析、生物信息學(xué)等領(lǐng)域具有廣泛應(yīng)用[3]。本文旨在將Apriori算法引入高壓電氣設(shè)備故障診斷領(lǐng)域，探索其在該領(lǐng)域的應(yīng)用潛力。

1 高壓電氣試驗(yàn)設(shè)備故障診斷算法

1.1 高壓電氣設(shè)備振動(dòng)信號(hào)處理

高壓電氣設(shè)備振動(dòng)信號(hào)能夠通過傅里葉變換進(jìn)行處理。傅里葉變換是一種將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)的方法，能夠?qū)⒄駝?dòng)信號(hào)從時(shí)域轉(zhuǎn)換為頻域，以便更好地分析和處理[4]。首先，將振動(dòng)信號(hào)進(jìn)行采樣，并確定采樣頻率。其次，利用傅里葉變換將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，得到信號(hào)在不同頻率上的成分和能量分布。分析頻域信號(hào)，了解振動(dòng)信號(hào)的頻率成分、主要頻率和諧波等信息，從而確定設(shè)備的運(yùn)行狀態(tài)和存在的問題?；诟道锶~變換設(shè)計(jì)如公式（1）所示的高壓電氣設(shè)備振動(dòng)信號(hào)的分析式。

F（ω）=∫[f（t）·e（-jωt）]dt （1）

式中：F（ω）表示傅里葉變換參數(shù)，用于聯(lián)系振動(dòng)信號(hào)的時(shí)域和頻域特征；f（t）表示高壓電氣設(shè)備的振動(dòng)信號(hào)；ω表示振動(dòng)信號(hào)的頻率。

為了保證傅里葉變換的穩(wěn)定性和準(zhǔn)確性，需要添加變換基來限定頻率范圍和時(shí)間范圍。同時(shí)，需要在時(shí)間軸上移動(dòng)振動(dòng)信號(hào)，以解決傳統(tǒng)振動(dòng)信號(hào)分析方法中的不準(zhǔn)確問題。

1.2 高壓電氣試驗(yàn)設(shè)備故障特性分析

為了對(duì)高壓電氣試驗(yàn)設(shè)備的故障進(jìn)行特性分析，采用Apriori算法構(gòu)建一個(gè)包括電氣設(shè)備故障特性的故障集合，并計(jì)算設(shè)備出現(xiàn)故障的概率。具體步驟如下所示。1）收集數(shù)據(jù)。需要收集高壓電氣試驗(yàn)設(shè)備的故障數(shù)據(jù)，包括設(shè)備類型、設(shè)備參數(shù)和故障類型等信息。這些數(shù)據(jù)來自設(shè)備維護(hù)記錄、故障報(bào)告等。2）數(shù)據(jù)預(yù)處理。對(duì)收集的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去重和轉(zhuǎn)換等操作，確保數(shù)據(jù)的準(zhǔn)確性和一致性。

將事務(wù)庫(kù)中的矩陣引入對(duì)應(yīng)的標(biāo)識(shí)中，提示符合的為Y，不符合的為T，以此分別標(biāo)識(shí)不斷重復(fù)的參數(shù)分支。這個(gè)過程有助于識(shí)別在事務(wù)庫(kù)中重復(fù)出現(xiàn)的參數(shù)分支，并進(jìn)行標(biāo)記。為了優(yōu)化矩陣讀取設(shè)備中向量的計(jì)算，本文引入一個(gè)變量IO，用來記錄監(jiān)測(cè)過程中故障重復(fù)的次數(shù)。通過記錄重復(fù)的次數(shù)來判斷哪些參數(shù)分支需要進(jìn)行進(jìn)一步的分析和優(yōu)化。然后利用生成的矩陣挖掘其中的復(fù)雜項(xiàng)集，并分析矩陣中的數(shù)據(jù)，確定其中的模式和關(guān)聯(lián)規(guī)則。這些復(fù)雜項(xiàng)集有助于深入理解系統(tǒng)中的運(yùn)行情況，并為后續(xù)進(jìn)行優(yōu)化和改進(jìn)提供依據(jù)。再對(duì)所在的數(shù)據(jù)庫(kù)進(jìn)行壓縮。壓縮數(shù)據(jù)庫(kù)可減少存儲(chǔ)空間，提高數(shù)據(jù)的讀取和處理效率。可以采用各種方法壓縮數(shù)據(jù)庫(kù)，例如使用壓縮算法或者進(jìn)行數(shù)據(jù)的歸檔和整理。

通過掃描事務(wù)庫(kù)，生成一個(gè)只包括Y和T的矩陣。這個(gè)矩陣中的每行代表一個(gè)事務(wù)Ri，每列表示一個(gè)項(xiàng)集Fj。假設(shè)有一個(gè)運(yùn)行設(shè)備的事務(wù)集合R={R1，R2，...，Rn}，其中包括設(shè)備不同運(yùn)行情況的數(shù)據(jù)。同時(shí)，有一個(gè)項(xiàng)集的集合F={F1，F(xiàn)2，...，F(xiàn)n}，其中包括所有運(yùn)行設(shè)備動(dòng)態(tài)數(shù)據(jù)的集合。通過掃描事務(wù)庫(kù)中的數(shù)據(jù)，將每個(gè)事務(wù)Ri與每個(gè)項(xiàng)集Fj進(jìn)行比較。如果事務(wù)Ri中的數(shù)據(jù)與項(xiàng)集Fj中的數(shù)據(jù)完全匹配，則在對(duì)應(yīng)的矩陣位置上標(biāo)記為Y，表示該項(xiàng)集在該事務(wù)中重復(fù)出現(xiàn)。如果不完全匹配，則標(biāo)記為T，表示該項(xiàng)集在該事務(wù)中不出現(xiàn)或出現(xiàn)的次數(shù)較少。矩陣中的定義公式如公式（2）所示。

（2）

對(duì)事務(wù)集中的運(yùn)行設(shè)備監(jiān)測(cè)數(shù)據(jù)進(jìn)行降階，以優(yōu)化數(shù)據(jù)處理和存儲(chǔ)的效率。降階是指將事務(wù)集中的數(shù)據(jù)進(jìn)行簡(jiǎn)化和歸納，以減少數(shù)據(jù)的冗余和復(fù)雜性。在實(shí)施降階的過程中，利用矩陣N中的IP列來識(shí)別重復(fù)的故障項(xiàng)集。統(tǒng)計(jì)IP列中的數(shù)值，確定哪些故障項(xiàng)集在事務(wù)集中有重復(fù)出現(xiàn)的情況。對(duì)于沒有重復(fù)出現(xiàn)的故障項(xiàng)集，將其對(duì)應(yīng)的IP值設(shè)定為Y。通過降階，減少事務(wù)集中的重復(fù)的故障項(xiàng)集，從而減少數(shù)據(jù)存儲(chǔ)空間和計(jì)算量。同時(shí)，降階還可以簡(jiǎn)化數(shù)據(jù)分析和處理過程，提高系統(tǒng)的性能和效率，如公式（3）所示。

（3）

假設(shè)有一個(gè)矩陣N，其中每行表示一個(gè)項(xiàng)集，每列表示一個(gè)事務(wù)。每個(gè)元素表示該項(xiàng)集在該事務(wù)中的出現(xiàn)次數(shù)，如果項(xiàng)集在事務(wù)中沒有出現(xiàn)，則對(duì)應(yīng)元素為零。計(jì)算一個(gè)項(xiàng)集的支持度時(shí)，先找到該項(xiàng)集在每個(gè)事務(wù)中的出現(xiàn)次數(shù)。通過對(duì)矩陣N的每行進(jìn)行遍歷，計(jì)算出每個(gè)事務(wù)中該項(xiàng)集的出現(xiàn)次數(shù)。然后將每個(gè)事務(wù)中該項(xiàng)集的出現(xiàn)次數(shù)相加，得到該項(xiàng)集在整個(gè)事務(wù)集中的總出現(xiàn)次數(shù)。這個(gè)總出現(xiàn)次數(shù)就是該項(xiàng)集的支持度。計(jì)算每行的非零元素之差，得出項(xiàng)集的支持度。非零元素之差表示該項(xiàng)集在不同事務(wù)中的出現(xiàn)次數(shù)差異。通過求解每行的非零元素之差，并對(duì)其進(jìn)行累加，得到項(xiàng)集的總支持度，如公式（4）所示。

（4）

式中：m為監(jiān)測(cè)中的事務(wù)集數(shù)。

所有故障項(xiàng)集的支持度通過IO和Tij計(jì)算，所得結(jié)果如公式（5）所示。

（5）

當(dāng)讀取到向量坐標(biāo)為第3列時(shí)，需要標(biāo)記其中的向量元素值，并刪除最后3列數(shù)據(jù)，計(jì)算出項(xiàng)集的頻度為3，表明只需要關(guān)注每個(gè)項(xiàng)集中第3列的向量元素，并忽略其他列數(shù)據(jù)。

根據(jù)最大支持度的取值，遍歷運(yùn)行設(shè)備的信號(hào)監(jiān)測(cè)數(shù)據(jù)，找出所有的復(fù)雜項(xiàng)集T={a：2，b：5，c：6，e：7，f：3}。這些復(fù)雜項(xiàng)集由不同的元素組成且它們的支持度均為3。這些項(xiàng)集在數(shù)據(jù)集中出現(xiàn)的頻率較高。通過復(fù)雜項(xiàng)集T的自身連接方式，生成所有可能的數(shù)據(jù)項(xiàng)集D={bc，bv，bn，cs，cd，ax，ad，er，fy}。這些項(xiàng)集是通過將T中的元素進(jìn)行連接得到的，代表了不同組合的信號(hào)監(jiān)測(cè)數(shù)據(jù)。進(jìn)而對(duì)目標(biāo)數(shù)據(jù)進(jìn)行遍歷和監(jiān)測(cè)，計(jì)算出故障項(xiàng)目集的頻度。通過自動(dòng)連接方式，生成候選集D2={bc：3，cs：3，ax：4，er：5，fy：2}。這些候選集表示具有特定頻度的故障項(xiàng)目集。最后，根據(jù)掃描計(jì)算出的候選集頻度，得到復(fù)雜故障數(shù)據(jù)集T2={bce：2}。該數(shù)據(jù)集表示具有特定頻度的復(fù)雜故障項(xiàng)集。通過上述步驟，可對(duì)運(yùn)行設(shè)備中的信號(hào)監(jiān)測(cè)數(shù)據(jù)進(jìn)行挖掘，并找到頻度為3的復(fù)雜故障數(shù)據(jù)集T2。這些數(shù)據(jù)集可以識(shí)別并解決設(shè)備中存在的故障，并確定正確的參數(shù)配置。

在高壓電氣設(shè)備中，經(jīng)過故障特性分析，可確定高壓斷路器是故障頻次最高的設(shè)備，該結(jié)論即為后續(xù)維護(hù)和故障排除的重點(diǎn)。同時(shí)，通過分析關(guān)聯(lián)規(guī)則，還能夠了解其他故障特性與高壓斷路器的關(guān)聯(lián)性，為設(shè)備維護(hù)提供更多的參考依據(jù)。

高壓電氣設(shè)備電路圖如圖1所示。在等效電路圖中，電感由一個(gè)電阻和一個(gè)電感元件串聯(lián)而成。由于電感元件的阻值是由實(shí)際電路中的電阻決定的，因此電感的取值與實(shí)際電路中的電阻大小有關(guān)。當(dāng)電路中的電阻值增大或變小時(shí)，電感的取值也會(huì)有相應(yīng)變化。通過繪制診斷電路的波形圖，能夠觀察到不同故障特性對(duì)應(yīng)的波形變化。例如，當(dāng)電路中存在短路故障時(shí)，波形圖會(huì)顯示出明顯的電壓降低或電流異常增大的特征。而當(dāng)電路中存在開路故障時(shí)，波形圖會(huì)顯示出電壓或電流斷裂或消失的特征。通過比較實(shí)際電路中的故障特性和等效電路圖中的波形圖，能夠進(jìn)行故障特性的判斷和診斷。如果等效電路圖中的波形圖與實(shí)際觀測(cè)到的波形圖相符合，就能增強(qiáng)故障特性判斷的有效性，提高故障診斷的準(zhǔn)確性。

1.3 高壓電氣試驗(yàn)設(shè)備故障診斷

對(duì)高壓電氣設(shè)備進(jìn)行故障診斷時(shí)，使用小波分析來處理信號(hào)。小波分析能夠提供信號(hào)的時(shí)間分辨率，其基本思想是利用平方可積函數(shù)來構(gòu)造小波函數(shù)，并將這些小波函數(shù)組成一個(gè)函數(shù)族。小波分析如公式（2）所示。

（2）

式中：x（t）為原始信號(hào)；a和b分別為小波的尺度和平移參數(shù)；ψ（t）為小波函數(shù)。

小波函數(shù)ψ（t）通常具有一定的特性，例如緊致性、正交性等。常見的小波函數(shù)包括Daubechies小波、Morlet小波和Haar小波等。小波分析的結(jié)果是一組小波系數(shù)W（a，b），表示原始信號(hào)在不同尺度和平移下的分解。通過分析小波系數(shù)的變化，能夠得到信號(hào)的頻率、能量分布等信息，進(jìn)而進(jìn)行故障診斷。

利用計(jì)算機(jī)的連續(xù)分析功能，將小波變換進(jìn)行離散化處理。這樣做的目的是為了驗(yàn)證初次離散化后的變換效果和診斷狀態(tài)，以確保診斷的有效性。通過離散化處理，可以更好地理解信號(hào)在不同尺度上的特征，并進(jìn)行更精確的故障診斷。進(jìn)行故障診斷前，需要進(jìn)行電氣隔離，以降低整個(gè)故障檢測(cè)電路的檢測(cè)負(fù)載，滿足高精度故障診斷的要求，同時(shí)確保診斷過程的準(zhǔn)確性和可靠性。

2 基于Apriori算法的高壓電氣試驗(yàn)設(shè)備故障診斷設(shè)計(jì)應(yīng)用

2.1 應(yīng)用準(zhǔn)備

所需硬件環(huán)境見表1。

5 數(shù)據(jù)采集板

RACK機(jī)箱用于安裝和組織各種硬件設(shè)備。NUPR590主板用于控制和管理整個(gè)高壓電氣試驗(yàn)設(shè)備系統(tǒng)的核心部分。PIVCPU用于執(zhí)行計(jì)算和控制任務(wù)。512內(nèi)存設(shè)備用于存儲(chǔ)和處理數(shù)據(jù)。數(shù)據(jù)采集板用于采集試驗(yàn)設(shè)備產(chǎn)生的數(shù)據(jù)。這些設(shè)備通過相互連接和配合工作，可實(shí)現(xiàn)高壓電氣設(shè)備故障診斷功能。采集4個(gè)節(jié)點(diǎn)的初始直流電阻數(shù)據(jù)，見表2。

在故障診斷試驗(yàn)中，初始直流電阻數(shù)據(jù)是否符合要求十分重要。這些數(shù)據(jù)將提供關(guān)于設(shè)備狀態(tài)和性能的重要信息。通過分析這些數(shù)據(jù)可評(píng)估設(shè)備的健康狀況，并檢測(cè)潛在的故障或問題。當(dāng)前獲取的初始直流電阻數(shù)據(jù)符合后續(xù)進(jìn)行試驗(yàn)檢測(cè)的要求，能夠繼續(xù)進(jìn)行后續(xù)故障診斷試驗(yàn)。

2.2 應(yīng)用結(jié)果

為了進(jìn)一步研究故障診斷，本文將對(duì)上述直流電阻數(shù)據(jù)進(jìn)行一些處理。通過適當(dāng)調(diào)整，能夠模擬出不同的電氣設(shè)備故障狀態(tài)，進(jìn)而使用本文設(shè)計(jì)的高壓電氣試驗(yàn)設(shè)備故障診斷方法和傳統(tǒng)的電氣試驗(yàn)設(shè)備故障診斷方法進(jìn)行故障診斷。本文設(shè)計(jì)的高壓電氣試驗(yàn)設(shè)備故障診斷方法利用先進(jìn)的算法和技術(shù)，可對(duì)模擬出的故障狀態(tài)進(jìn)行準(zhǔn)確診斷。該方法結(jié)合了Apriori算法、數(shù)據(jù)分析和故障模式識(shí)別等技術(shù)，可提高診斷的準(zhǔn)確性和效率。并同時(shí)使用傳統(tǒng)的電氣試驗(yàn)設(shè)備故障診斷方法進(jìn)行比較。傳統(tǒng)方法利用經(jīng)驗(yàn)和人工分析，通過觀察和比較數(shù)據(jù)來判斷設(shè)備的故障狀態(tài)。進(jìn)行故障診斷時(shí)，本文將統(tǒng)計(jì)診斷耗時(shí)，這將提升評(píng)估和比較不同方法的效率和準(zhǔn)確性。通過比較診斷耗時(shí)，能夠了解本文方法與傳統(tǒng)方法間的差異，并確定哪種方法更適合執(zhí)行實(shí)際應(yīng)用中的故障診斷任務(wù)。比較結(jié)果見表3。

在每種故障類型下，本文方法的診斷耗時(shí)明顯低于傳統(tǒng)方法，本文方法在故障診斷過程中能夠更快地完成診斷任務(wù)，診斷效率更高。對(duì)于故障類型1，本文方法的診斷耗時(shí)為0.364s，而傳統(tǒng)方法的診斷耗時(shí)為1.494s。對(duì)于故障類型2，本文方法的診斷耗時(shí)為0.164s，而傳統(tǒng)方法的診斷耗時(shí)為1.439s。以此類推，其他故障類型也均如此。本文設(shè)計(jì)的高壓電氣試驗(yàn)設(shè)備故障診斷方法比傳統(tǒng)方法診斷速度更快，診斷耗時(shí)更短。這對(duì)提高故障診斷效率和減少診斷過程中的等待時(shí)間具有重要意義，表明本文方法在故障類型診斷效率上具有優(yōu)勢(shì)。對(duì)于故障類型5、6、7，本文方法的診斷耗時(shí)也比傳統(tǒng)方法低。雖然差距不如前4個(gè)故障類型明顯，但仍然表明本文方法在這些故障類型診斷上有一定優(yōu)勢(shì)。

3 結(jié)語

本文基于Apriori算法，對(duì)高壓電氣設(shè)備的故障診斷進(jìn)行了深入研究。通過對(duì)大量試驗(yàn)數(shù)據(jù)進(jìn)行挖掘和分析，發(fā)現(xiàn)了一些潛在的故障規(guī)律和關(guān)聯(lián)性，為設(shè)備故障診斷提供了新的視角和方法。同時(shí)，還建立了基于Apriori算法的故障診斷模型，并進(jìn)行了試驗(yàn)驗(yàn)證。試驗(yàn)結(jié)果表明，本文方法在提高診斷準(zhǔn)確性和效率方面具有顯著優(yōu)勢(shì)。在今后的工作中，還將進(jìn)一步研究和完善基于Apriori算法的高壓電氣設(shè)備故障診斷方法，以期為設(shè)備的健康管理和維護(hù)提供更全面、有效的支持。

參考文獻(xiàn)

[1]殷麗鳳，李明狀.基于Apriori算法的關(guān)聯(lián)規(guī)則分析應(yīng)用[J].電子設(shè)計(jì)工程，2023，31（15）：11-14.

[2]杜軍，郭慧敏，曾昭宇，等.基于R的Apriori算法在超長(zhǎng)住院患者信息挖掘中的應(yīng)用[J].中國(guó)病案，2022，23（6）：68-71.

[3]趙明明，司紅星，劉潮.基于數(shù)據(jù)挖掘與關(guān)聯(lián)分析的工控設(shè)備異常運(yùn)行狀態(tài)自動(dòng)化檢測(cè)方法分析[J].信息安全與通信保密，2022（4）：2-10.

[4]呂梅潔，李明亮，宗佳泰，等.基于Apriori算法的滑坡監(jiān)測(cè)數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘研究[J].計(jì)算機(jī)科學(xué)與應(yīng)用，2023，13（11）：2109-2115.