基于Apriori算法的高压电气试验设备故障诊断研究

摘 要：高压电气试验设备在电力系统中具有至关重要的作用，但是其结构和工作原理复杂，故障诊断一直是一个具有挑战性的问题。为了提高设备故障诊断的准确性和效率，本文基于Apriori算法，研究了设备故障的潜在规律和关联性，基于挖掘结果建立故障诊断模型，并进行试验验证。结果表明，基于Apriori算法的故障诊断方法在提高诊断准确性和效率方面具有显著优势，可为高压电气设备的健康管理和维护提供新的思路和方法。

关键词：Apriori算法；高压电气设备；故障诊断；数据挖掘

中图分类号：TM 83" " " 文献标志码：A

高压电气设备在现代工业生产中具有重要作用，其稳定运行对生产安全和效率至关重要[1]。但是高压电气设备较复杂性且工作环境恶劣，时常会发生故障。因此，如何有效地进行设备故障诊断和预防成为工程技术领域的热点问题[2]。作为一种经典的关联规则挖掘算法，Apriori算法在市场分析、生物信息学等领域具有广泛应用[3]。本文旨在将Apriori算法引入高压电气设备故障诊断领域，探索其在该领域的应用潜力。

1 高压电气试验设备故障诊断算法

1.1 高压电气设备振动信号处理

高压电气设备振动信号能够通过傅里叶变换进行处理。傅里叶变换是一种将时域信号转换为频域信号的方法，能够将振动信号从时域转换为频域，以便更好地分析和处理[4]。首先，将振动信号进行采样，并确定采样频率。其次，利用傅里叶变换将时域信号转换为频域信号，得到信号在不同频率上的成分和能量分布。分析频域信号，了解振动信号的频率成分、主要频率和谐波等信息，从而确定设备的运行状态和存在的问题。基于傅里叶变换设计如公式（1）所示的高压电气设备振动信号的分析式。

F（ω）=∫[f（t）·e（-jωt）]dt （1）

式中：F（ω）表示傅里叶变换参数，用于联系振动信号的时域和频域特征；f（t）表示高压电气设备的振动信号；ω表示振动信号的频率。

为了保证傅里叶变换的稳定性和准确性，需要添加变换基来限定频率范围和时间范围。同时，需要在时间轴上移动振动信号，以解决传统振动信号分析方法中的不准确问题。

1.2 高压电气试验设备故障特性分析

为了对高压电气试验设备的故障进行特性分析，采用Apriori算法构建一个包括电气设备故障特性的故障集合，并计算设备出现故障的概率。具体步骤如下所示。1）收集数据。需要收集高压电气试验设备的故障数据，包括设备类型、设备参数和故障类型等信息。这些数据来自设备维护记录、故障报告等。2）数据预处理。对收集的数据进行预处理，包括数据清洗、去重和转换等操作，确保数据的准确性和一致性。

将事务库中的矩阵引入对应的标识中，提示符合的为Y，不符合的为T，以此分别标识不断重复的参数分支。这个过程有助于识别在事务库中重复出现的参数分支，并进行标记。为了优化矩阵读取设备中向量的计算，本文引入一个变量IO，用来记录监测过程中故障重复的次数。通过记录重复的次数来判断哪些参数分支需要进行进一步的分析和优化。然后利用生成的矩阵挖掘其中的复杂项集，并分析矩阵中的数据，确定其中的模式和关联规则。这些复杂项集有助于深入理解系统中的运行情况，并为后续进行优化和改进提供依据。再对所在的数据库进行压缩。压缩数据库可减少存储空间，提高数据的读取和处理效率。可以采用各种方法压缩数据库，例如使用压缩算法或者进行数据的归档和整理。

通过扫描事务库，生成一个只包括Y和T的矩阵。这个矩阵中的每行代表一个事务Ri，每列表示一个项集Fj。假设有一个运行设备的事务集合R={R1，R2，...，Rn}，其中包括设备不同运行情况的数据。同时，有一个项集的集合F={F1，F2，...，Fn}，其中包括所有运行设备动态数据的集合。通过扫描事务库中的数据，将每个事务Ri与每个项集Fj进行比较。如果事务Ri中的数据与项集Fj中的数据完全匹配，则在对应的矩阵位置上标记为Y，表示该项集在该事务中重复出现。如果不完全匹配，则标记为T，表示该项集在该事务中不出现或出现的次数较少。矩阵中的定义公式如公式（2）所示。

（2）

对事务集中的运行设备监测数据进行降阶，以优化数据处理和存储的效率。降阶是指将事务集中的数据进行简化和归纳，以减少数据的冗余和复杂性。在实施降阶的过程中，利用矩阵N中的IP列来识别重复的故障项集。统计IP列中的数值，确定哪些故障项集在事务集中有重复出现的情况。对于没有重复出现的故障项集，将其对应的IP值设定为Y。通过降阶，减少事务集中的重复的故障项集，从而减少数据存储空间和计算量。同时，降阶还可以简化数据分析和处理过程，提高系统的性能和效率，如公式（3）所示。

（3）

假设有一个矩阵N，其中每行表示一个项集，每列表示一个事务。每个元素表示该项集在该事务中的出现次数，如果项集在事务中没有出现，则对应元素为零。计算一个项集的支持度时，先找到该项集在每个事务中的出现次数。通过对矩阵N的每行进行遍历，计算出每个事务中该项集的出现次数。然后将每个事务中该项集的出现次数相加，得到该项集在整个事务集中的总出现次数。这个总出现次数就是该项集的支持度。计算每行的非零元素之差，得出项集的支持度。非零元素之差表示该项集在不同事务中的出现次数差异。通过求解每行的非零元素之差，并对其进行累加，得到项集的总支持度，如公式（4）所示。

（4）

式中：m为监测中的事务集数。

所有故障项集的支持度通过IO和Tij计算，所得结果如公式（5）所示。

（5）

当读取到向量坐标为第3列时，需要标记其中的向量元素值，并删除最后3列数据，计算出项集的频度为3，表明只需要关注每个项集中第3列的向量元素，并忽略其他列数据。

根据最大支持度的取值，遍历运行设备的信号监测数据，找出所有的复杂项集T={a：2，b：5，c：6，e：7，f：3}。这些复杂项集由不同的元素组成且它们的支持度均为3。这些项集在数据集中出现的频率较高。通过复杂项集T的自身连接方式，生成所有可能的数据项集D={bc，bv，bn，cs，cd，ax，ad，er，fy}。这些项集是通过将T中的元素进行连接得到的，代表了不同组合的信号监测数据。进而对目标数据进行遍历和监测，计算出故障项目集的频度。通过自动连接方式，生成候选集D2={bc：3，cs：3，ax：4，er：5，fy：2}。这些候选集表示具有特定频度的故障项目集。最后，根据扫描计算出的候选集频度，得到复杂故障数据集T2={bce：2}。该数据集表示具有特定频度的复杂故障项集。通过上述步骤，可对运行设备中的信号监测数据进行挖掘，并找到频度为3的复杂故障数据集T2。这些数据集可以识别并解决设备中存在的故障，并确定正确的参数配置。

在高压电气设备中，经过故障特性分析，可确定高压断路器是故障频次最高的设备，该结论即为后续维护和故障排除的重点。同时，通过分析关联规则，还能够了解其他故障特性与高压断路器的关联性，为设备维护提供更多的参考依据。

高压电气设备电路图如图1所示。在等效电路图中，电感由一个电阻和一个电感元件串联而成。由于电感元件的阻值是由实际电路中的电阻决定的，因此电感的取值与实际电路中的电阻大小有关。当电路中的电阻值增大或变小时，电感的取值也会有相应变化。通过绘制诊断电路的波形图，能够观察到不同故障特性对应的波形变化。例如，当电路中存在短路故障时，波形图会显示出明显的电压降低或电流异常增大的特征。而当电路中存在开路故障时，波形图会显示出电压或电流断裂或消失的特征。通过比较实际电路中的故障特性和等效电路图中的波形图，能够进行故障特性的判断和诊断。如果等效电路图中的波形图与实际观测到的波形图相符合，就能增强故障特性判断的有效性，提高故障诊断的准确性。

1.3 高压电气试验设备故障诊断

对高压电气设备进行故障诊断时，使用小波分析来处理信号。小波分析能够提供信号的时间分辨率，其基本思想是利用平方可积函数来构造小波函数，并将这些小波函数组成一个函数族。小波分析如公式（2）所示。

（2）

式中：x（t）为原始信号；a和b分别为小波的尺度和平移参数；ψ（t）为小波函数。

小波函数ψ（t）通常具有一定的特性，例如紧致性、正交性等。常见的小波函数包括Daubechies小波、Morlet小波和Haar小波等。小波分析的结果是一组小波系数W（a，b），表示原始信号在不同尺度和平移下的分解。通过分析小波系数的变化，能够得到信号的频率、能量分布等信息，进而进行故障诊断。

利用计算机的连续分析功能，将小波变换进行离散化处理。这样做的目的是为了验证初次离散化后的变换效果和诊断状态，以确保诊断的有效性。通过离散化处理，可以更好地理解信号在不同尺度上的特征，并进行更精确的故障诊断。进行故障诊断前，需要进行电气隔离，以降低整个故障检测电路的检测负载，满足高精度故障诊断的要求，同时确保诊断过程的准确性和可靠性。

2 基于Apriori算法的高压电气试验设备故障诊断设计应用

2.1 应用准备

所需硬件环境见表1。

5 数据采集板

RACK机箱用于安装和组织各种硬件设备。NUPR590主板用于控制和管理整个高压电气试验设备系统的核心部分。PIVCPU用于执行计算和控制任务。512内存设备用于存储和处理数据。数据采集板用于采集试验设备产生的数据。这些设备通过相互连接和配合工作，可实现高压电气设备故障诊断功能。采集4个节点的初始直流电阻数据，见表2。

在故障诊断试验中，初始直流电阻数据是否符合要求十分重要。这些数据将提供关于设备状态和性能的重要信息。通过分析这些数据可评估设备的健康状况，并检测潜在的故障或问题。当前获取的初始直流电阻数据符合后续进行试验检测的要求，能够继续进行后续故障诊断试验。

2.2 应用结果

为了进一步研究故障诊断，本文将对上述直流电阻数据进行一些处理。通过适当调整，能够模拟出不同的电气设备故障状态，进而使用本文设计的高压电气试验设备故障诊断方法和传统的电气试验设备故障诊断方法进行故障诊断。本文设计的高压电气试验设备故障诊断方法利用先进的算法和技术，可对模拟出的故障状态进行准确诊断。该方法结合了Apriori算法、数据分析和故障模式识别等技术，可提高诊断的准确性和效率。并同时使用传统的电气试验设备故障诊断方法进行比较。传统方法利用经验和人工分析，通过观察和比较数据来判断设备的故障状态。进行故障诊断时，本文将统计诊断耗时，这将提升评估和比较不同方法的效率和准确性。通过比较诊断耗时，能够了解本文方法与传统方法间的差异，并确定哪种方法更适合执行实际应用中的故障诊断任务。比较结果见表3。

在每种故障类型下，本文方法的诊断耗时明显低于传统方法，本文方法在故障诊断过程中能够更快地完成诊断任务，诊断效率更高。对于故障类型1，本文方法的诊断耗时为0.364s，而传统方法的诊断耗时为1.494s。对于故障类型2，本文方法的诊断耗时为0.164s，而传统方法的诊断耗时为1.439s。以此类推，其他故障类型也均如此。本文设计的高压电气试验设备故障诊断方法比传统方法诊断速度更快，诊断耗时更短。这对提高故障诊断效率和减少诊断过程中的等待时间具有重要意义，表明本文方法在故障类型诊断效率上具有优势。对于故障类型5、6、7，本文方法的诊断耗时也比传统方法低。虽然差距不如前4个故障类型明显，但仍然表明本文方法在这些故障类型诊断上有一定优势。

3 结语

本文基于Apriori算法，对高压电气设备的故障诊断进行了深入研究。通过对大量试验数据进行挖掘和分析，发现了一些潜在的故障规律和关联性，为设备故障诊断提供了新的视角和方法。同时，还建立了基于Apriori算法的故障诊断模型，并进行了试验验证。试验结果表明，本文方法在提高诊断准确性和效率方面具有显著优势。在今后的工作中，还将进一步研究和完善基于Apriori算法的高压电气设备故障诊断方法，以期为设备的健康管理和维护提供更全面、有效的支持。

参考文献

[1]殷丽凤，李明状.基于Apriori算法的关联规则分析应用[J].电子设计工程，2023，31（15）：11-14.

[2]杜军，郭慧敏，曾昭宇，等.基于R的Apriori算法在超长住院患者信息挖掘中的应用[J].中国病案，2022，23（6）：68-71.

[3]赵明明，司红星，刘潮.基于数据挖掘与关联分析的工控设备异常运行状态自动化检测方法分析[J].信息安全与通信保密，2022（4）：2-10.

[4]吕梅洁，李明亮，宗佳泰，等.基于Apriori算法的滑坡监测数据关联规则挖掘研究[J].计算机科学与应用，2023，13（11）：2109-2115.