接触器故障诊断模型构建方法、装置、介质及电子设备

1.本公开涉及高压接触器故障诊断技术领域，特别涉及一种高压接触器故障诊断模型构建方法、装置、介质及电子设备。


背景技术：

2.真空接触器是电气行业中重要的基础元件，是电力系统中应用广泛的开关电器之一，主要用于远距离频繁地接通或断开交直流主电路和大容量控制电路，其故障将会引起系统中其它电力设备的损坏和系统停电，造成巨大的经济损失和产生极大的社会影响，所以真空接触器运行的可靠性直接影响电力系统运行的安全性和可靠性。
3.由于其频繁开关的工作特点，动静触头的弹跳、衔铁和静铁芯之间的碰撞引起的磨损，以及电弧对触头的烧蚀等原因，都极大程度地降低了接触器的性能和寿命。然而接触器一般是大规模的使用，目前接触器维护主要依赖维护人员的经验，维护设备和技术手段落后，难以高效、准确的判断故障原因以及确定维修方案；接触器运行设备数量巨大、参数类型复杂，其中蕴含了大量的故障数据。目前，为确定高压接触器的状态，仅靠人工分析，这种方式效率低、成本高，无法及时掌握高压接触器是否发生故障以及故障的类型，当分析人员经验不足时，还容易导致分析错误。


技术实现要素：

4.在高压接触器故障诊断技术领域，为了解决上述技术问题，本公开的目的在于提供一种高压接触器故障诊断模型构建方法、装置、介质及电子设备。
5.根据本公开的一方面，提供了一种高压接触器故障诊断模型构建方法，所述方法包括：
6.构建包括多个样本的训练样本集，所述样本包括与高压接触器相关的若干特征值和高压接触器的故障状态，每一所述特征值与一个特征相对应；
7.利用所述训练样本集构建随机森林分类器；
8.利用所述训练样本集构建长短期记忆神经网络分类器；
9.建立证据融合综合诊断层；
10.将所述随机森林分类器和所述长短期记忆神经网络分类器分别与所述证据融合综合诊断层对接，得到高压接触器故障诊断模型，其中，所述证据融合综合诊断层用于对所述随机森林分类器和所述长短期记忆神经网络分类器的故障分类概率输出结果进行证据体融合，以得到最终故障分类结果。
11.根据本公开的另一方面，提供了一种高压接触器故障诊断模型构建装置，所述装置包括：
12.样本集构建模块，被配置为构建包括多个样本的训练样本集，所述样本包括与高压接触器相关的若干特征值和高压接触器的故障状态，每一所述特征值与一个特征相对应；
13.第一分类器构建模块，被配置为利用所述训练样本集构建随机森林分类器；
14.第二分类器构建模块，被配置为利用所述训练样本集构建长短期记忆神经网络分类器；
15.建立模块，被配置为建立证据融合综合诊断层；
16.对接模块，被配置为将所述随机森林分类器和所述长短期记忆神经网络分类器分别与所述证据融合综合诊断层对接，得到高压接触器故障诊断模型，其中，所述证据融合综合诊断层用于对所述随机森林分类器和所述长短期记忆神经网络分类器的故障分类概率输出结果进行证据体融合，以得到最终故障分类结果。
17.根据本公开的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。
18.根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：
19.处理器；
20.存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。
21.本公开的实施例提供的技术方案可以包括以下有益效果：
22.对于本公开所提供的高压接触器故障诊断模型构建方法、装置、介质及电子设备，该方法包括如下步骤：构建包括多个样本的训练样本集，所述样本包括与高压接触器相关的若干特征值和高压接触器的故障状态，每一所述特征值与一个特征相对应；利用所述训练样本集构建随机森林分类器；利用所述训练样本集构建长短期记忆神经网络分类器；建立证据融合综合诊断层；将所述随机森林分类器和所述长短期记忆神经网络分类器分别与所述证据融合综合诊断层对接，得到高压接触器故障诊断模型，其中，所述证据融合综合诊断层用于对所述随机森林分类器和所述长短期记忆神经网络分类器的故障分类概率输出结果进行证据体融合，以得到最终故障分类结果。
23.此方法下，结合高压真空接触器故障类别的特点，首次提出了将随机森林分类器与lstm神经网络分类器有机结合的方式，建立了多分类器证据融合的诊断机制；通过对多个分类器的输出进行证据体融合来得到最终故障分类结果，有效的提高了系统的鲁棒性，避免了单分类器随机性强，模型精度不高的缺点；通过设置长短期记忆神经网络分类器，由于长短期记忆神经网络分类器具有对序列时序数据处理的预测能力，因而提高了故障诊断模型对于渐发性故障的诊断的精确度，并且利用了随机森林分类器对多元公线性不敏感，结果对缺失数据和非平衡数据比较稳健的优势，使得最终构建而成的高压接触器故障诊断模型能够准确地对高压真空接触器的突发性故障与渐发性故障进行诊断，使维护人员及时掌握高压接触器的故障信息，提高了诊断高压接触器故障的效率，降低了成本。
24.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
25.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
26.图1是根据一示例性实施例示出的一种高压接触器故障诊断模型构建方法的流程
图；
27.图2是根据一示例性实施例示出的随机森林分类器的原理示意图；
28.图3是根据一示例性实施例示出的长短期记忆神经网络分类器的原理示意图；
29.图4是根据一示例性实施例示出的高压接触器故障诊断模型运行的流程示意图；
30.图5是根据一示例性实施例示出的一种高压接触器故障诊断模型构建装置的框图；
31.图6是根据一示例性实施例示出的一种实现上述高压接触器故障诊断模型构建方法的电子设备示例框图；
32.图7是根据一示例性实施例示出的一种实现上述高压接触器故障诊断模型构建方法的程序产品。
具体实施方式
33.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
34.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
35.本公开首先提供了一种高压接触器故障诊断模型构建方法。高压接触器，也可以称为真空接触器或者高压真空接触器，是电力系统中重要的开关电器之一。如前所述，现有的高压接触器的故障诊断还需要依靠人工，效率低、成本高并且无法及时诊断出故障。而本技术提供的高压接触器故障诊断模型构建方法能够构建一个能准确高效地识别出高压接触器的故障类型的高压接触器故障诊断模型。
36.本公开的实施终端可以是任何具有运算、处理以及通信功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、pda(personal digital assistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施或者服务器集群。
37.可选地，本公开的实施终端可以为服务器或者云计算的物理基础设施。
38.图1是根据一示例性实施例示出的一种高压接触器故障诊断模型构建方法的流程图。本技术实施例提供的高压接触器故障诊断模型构建方法可以由服务器执行，如图1所示，包括以下步骤：
39.步骤110，构建包括多个样本的训练样本集。所述样本包括与高压接触器相关的若干特征值和高压接触器的故障状态，每一所述特征值与一个特征相对应。
40.可以通过试验的方式构建高压接触器的不同故障状态，并对应采集特征值，采集到的特征值可以分为电流特征值和时间特征值，最终得到样本。
41.在一个实施例中，所述样本中至少一个特征值通过如下的过程获得：
42.采集高压接触器的合闸线圈电流；
43.提取所述合闸线圈电流中的有效信号段；
44.对所述有效信号段进行降噪处理，得到当前样本的特征值。
45.上述实施例中揭示了电流特征值的提取步骤，也就是说，本技术实施例构建的模型的检测对象为每一次合闸时合闸线圈的电流。具体来说，可以通过如下的过程获得电流特征值：
46.利用eemd(ensemble empirical mode decomposition，集合经验模态分解)算法对含有噪声的电流信号进行eemd分解，得到n个imf分量；
47.利用如下公式计算imf分量的能量密度和平均周期之积：
48.pi＝ei×
ti，
49.其中，ei是第i个imf分量的能量密度，ti是第i个imf分量的平均周期；
50.根据所述积计算系数rpi(i》2)：
[0051][0052]
当rpi≥1时，将前i-1个imf分量作为噪声去除，并对剩余imf分量进行重构，即可对原噪声进行降噪，得到电流特征值。
[0053]
由于在变磁场的环境中的霍尔电流传感器会产生高频噪声，因此通过进行降噪处理，提高了特征值的有效性。
[0054]
通过对高压接触器的合闸线圈电流进行特征值的提取，使采集到的每一样本包括6个特征对应的特征值，这6个特征可以分别为t＝{t1,t2,t3,i1,i2,i3}，并可以将训练样本集中所有样本对应的故障状态分为7类，这些故障状态可以分别为{a0,a1,a2,a3,a4,,a5,a6}，其中，a0代表接触器处于健康状态，a1为电源电压异常；a2为铁芯间隙异常；a3为衔铁卡涩故障；a4为分合闸线圈匝间短路故障；a5为分合闸线圈烧毁故障；a6为机械保持下辅助触点烧毁故障。
[0055]
可以为每一类设置相同的样本数量，以提高建模的准确性。
[0056]
特征、特征值以及特征描述的对应关系可以如表1所示。可以看到，提取的特征值不仅包括电流特征值，还包括时长特征值。
[0057][0058]
表1
[0059]
通过根据表1和如前所述的各类故障状态提取各样本的特征值，可以得到多个样本，从而构建成训练样本集。
[0060]
步骤120，利用所述训练样本集构建随机森林分类器。
[0061]
可以将训练样本集中的所有样本分为若干等份，利用每一等份的样本生成一棵决策树；也可以对训练样本集进行采样，得到若干采样训练样本集，然后利用采样训练样本集生成一棵决策树。
[0062]
可以利用100个采样训练样本集构建包括100棵决策树的随机森林分类器。
[0063]
对训练样本集进行采样可以利用bootstrap方法进行随机采样。
[0064]
在一个实施例中，所述利用所述训练样本集构建随机森林分类器，包括：
[0065]
对所述训练样本集进行采样，得到多个采样训练样本集；
[0066]
利用各采样训练样本集分别构建对应的决策树；
[0067]
获取包括多个样本的测试样本集；
[0068]
利用所述测试样本集对各决策树进行测试，得到各决策树的正确率；
[0069]
根据所述正确率确定对应的决策树的权重；
[0070]
基于各决策树的权重构建随机森林分类器，其中，所述随机森林分类器基于各决策树的权重进行输出。
[0071]
一个决策树的权重与该决策树的正确率正相关，还可以直接将正确率作为决策树的权重。
[0072]
决策树的正确率具体可以通过以下公式计算：
[0073][0074]
其中，wn为第n棵决策树分类结果的准确率；xn为第n棵决策树正确分类的样本个数，xn为第n棵决策树分类的总样本个数。
[0075]
在本实施例中，由于随机森林分类器中各决策树都有对应的权重，各决策树的权重与各决策树的正确率对应，使得随机森林分类器中正确率高的决策树的输出结果能够在随机森林分类器的整体输出结果中体现出更大的作用，从而提高了随机森林分类器的准确率。
[0076]
具体来说，随机森林分类器可以通过如下的过程构建而成：
[0077]
利用bootstrap方法对训练样本集进行随机采样，随机产生n个采样训练样本集；
[0078]
利用n个采样训练样本集分别进行训练，构建得到n个决策树，在构建每棵决策树的过程中，在所有特征中随机选取n(n≤6)个特征，并从n个特征中选取最优的特征进行子节点的分裂；
[0079]
每个决策树完整成长，不进行剪枝；
[0080]
利用测试样本集对各决策树进行测试，利用前述的公式得到各决策树的正确率，并将正确率作为决策树的权重；
[0081]
当利用随机森林分类器对测试样本集中的样本进行分类时，利用下列公式将各决策树的分类结果乘以对应的权重，然后投票取最多的类别作为最后的故障分类结果：
[0082]fn
(x)＝i(i＝1,2,3
…
c)，
[0083][0084]
其中，fn为每个决策树的分类结果；wn为每个决策树的权重；i表示输出变量，为c类变量中的一类；f
rf
表示测试样本x的最终分类结果。
[0085]
图2是根据一示例性实施例示出的随机森林分类器的原理示意图。下面，结合图2对本技术实施例中随机森林分类器的构建和使用过程进行进一步说明：
[0086]
获得包含n个样本的训练数据集；利用bagging算法所采用的抽样方式(bootstrap方法)抽样，得到n
tree
个训练集；利用每个训练集生成对应的决策树，得到n
tree
个决策树，并为每个决策树设置对应的权重，从而生成随机森林。
[0087]
当利用随机森林进行决策时，将测试数据集输入至随机森林即可。对于测试数据集中的每项样本，随机森林中每个决策树会输出对应的结果，然后将各决策树的输出结果乘以相对应的权重wn，各决策树基于输出结果与权重wn的乘积进行投票，最终得到分类结果。
[0088]
易于理解，虽然图2实施例中随机森林分类器直接输出了分类结果，但易于理解，为了使后续构建得到高压接触器故障诊断模型能够正常使用，可以使随机森林分类器仅输出故障分类概率，此时，故障分类概率也是基于各决策树的输出结果与权重wn的乘积而得到。
[0089]
步骤130，利用所述训练样本集构建长短期记忆神经网络分类器。
[0090]
长短期记忆神经网络分类器，即(lstm，long short-term memory)神经网络分类器。
[0091]
在进行训练之前，先建立初始化的lstm神经网络分类器，设置初始化的网络参数。比如，可以选用2层lstm神经网络模块，设置输入层为6个节点，设置输出层为7个节点，隐藏层为利用lstm和dropout搭建而成的双循环神经网络。
[0092]
在一个实施例中，所述利用所述训练样本集构建长短期记忆神经网络分类器，包括：
[0093]
将所述训练样本集中的各样本按照各样本的采集时间先后顺序输入至长短期记忆神经网络模型中，以构建长短期记忆神经网络分类器。
[0094]
lstm神经网络分类器的训练过程可以是这样的：将训练样本集中的样本按照各样本的采集时间先后顺序输入至初始化的lstm神经网络分类器中，对lstm神经网络分类器进行训练；根据预定损失函数更新lstm神经网络分类器的参数；然后迭代执行上述步骤，直至lstm神经网络分类器收敛，最终得到训练好的lstm神经网络分类器。
[0095]
图3是根据一示例性实施例示出的长短期记忆神经网络分类器的原理示意图。请参见图3，其示出了长短期记忆神经网络分类器中重复单元的结构。当样本被输入至长短期记忆神经网络分类器之后，通过如下过程进行计算：
[0096]
首先利用lstm网络门控机制进行训练，公式如下：
[0097]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)，
[0098]
其中，f
t
表示输入0到1的概率，σ表示sigmoid函数，h
t-1
表示上一次输出结果，x
t
表示当前输入信息，wf为遗忘门权重矩阵，bf为偏置量；
[0099]
然后，利用如下公式计算输入门的状态和当前输入的单元状态：
[0100]it
＝σ(wi·
[h
t-1
,x
t
]+bi)，
[0101][0102]
其中，wi为输入门权重矩阵，bi为偏置量，i
t
表示输入门的状态，表示当前输入的
单元状态，wc和bc分别为权重矩阵和偏置量；
[0103]
然后，在输出结果之前，会确定更新的状态，决定丢弃的哪些信息，即：
[0104][0105]
最后，由输出层决定该网络输出的结果，其数学模型为：
[0106]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)，
[0107]ht
＝o
t
*tanh(c
t
)，
[0108]
其中，wo为输出门权重矩阵，bo为偏置量，o
t
为输出门的输出，tanh为激活函数。
[0109]
通过将样本按采样时序输入至图3所示的lstm神经网络分类器中，随着网络训练步数的增加，能够提高神经网络预测准确率。
[0110]
将长短期记忆神经网络分类器的最后一层设置为softmax激活函数层，使得长短期记忆神经网络分类器能够输出故障分类概率。
[0111]
步骤140，建立证据融合综合诊断层。
[0112]
步骤150，将所述随机森林分类器和所述长短期记忆神经网络分类器分别与所述证据融合综合诊断层对接，得到高压接触器故障诊断模型。
[0113]
其中，所述证据融合综合诊断层用于对所述随机森林分类器和所述长短期记忆神经网络分类器的故障分类概率输出结果进行证据体融合，以得到最终故障分类结果。
[0114]
具体来说，在利用证据融合综合诊断层对各分类器的故障分类概率输出结果进行证据体融合后，根据预设规则对融合结果进行判定，得到最终故障分类结果。
[0115]
在建立了高压接触器故障诊断模型之后，可以再次利用测试样本集对高压接触器故障诊断模型进行测试，以评估高压接触器故障诊断模型的性能。
[0116]
在一个实施例中，在将所述随机森林分类器和所述长短期记忆神经网络分类器分别与所述证据融合综合诊断层对接，得到高压接触器故障诊断模型之后，所述方法还包括：
[0117]
获取待诊断的高压接触器特征数据；
[0118]
将所述高压接触器特征数据分别输入至所述随机森林分类器和所述长短期记忆神经网络分类器，得到由所述随机森林分类器输出的第一组故障分类概率输出结果以及由所述长短期记忆神经网络分类器输出的第二组故障分类概率输出结果；
[0119]
将所述第一组故障分类概率输出结果和所述第二组故障分类概率输出结果输入至所述证据融合综合诊断层，由所述证据融合综合诊断层对所述第一组故障分类概率输出结果和所述第二组故障分类概率输出结果进行证据体融合，得到最终故障分类结果。
[0120]
第一组故障分类概率输出结果和第二组故障分类概率输出结果包括若干概率，同一组故障分类概率输出结果中各概率之和为1。
[0121]
在本实施例中，利用高压接触器故障诊断模型实现了对待诊断的高压接触器特征数据的故障诊断，证据融合综合诊断层对长短期记忆神经网络分类器及随机森林分类器的故障分类概率输出结果进行了证据体融合，使得输出的最终故障分类结果更加准确。
[0122]
在一个实施例中，所述将所述第一组故障分类概率输出结果和所述第二组故障分类概率输出结果输入至所述证据融合综合诊断层，由所述证据融合综合诊断层对所述第一组故障分类概率输出结果和所述第二组故障分类概率输出结果进行证据体融合，得到最终故障分类结果，包括：
[0123]
将所述第一组故障分类概率输出结果和所述第二组故障分类概率输出结果输入
至所述证据融合综合诊断层，以判断所述第一组故障分类概率输出结果对应的第一证据体和所述第二组故障分类概率输出结果对应的第二证据体是否冲突；
[0124]
如果是，则对所述第一证据体和所述第二证据体中的其中一个证据体进行修正，并利用修正后的证据体进行证据体融合，得到最终故障分类结果；
[0125]
否则，对所述第一证据体和所述第二证据体进行证据体融合，得到最终故障分类结果。
[0126]
具体来说，可以计算第一证据体和第二证据体的冲突因子，当冲突因子达到预定阈值时，确定第一证据体和第二证据体冲突，并进行证据体修正。
[0127]
在本实施例中，在证据体冲突的情况下，对冲突的证据体进行了修正，避免了融合规则失效，通过证据体的修正和融合，提高了系统的精度和鲁棒性，确保了输出的最终故障分类结果的准确性。
[0128]
在一个实施例中，所述对所述第一证据体和所述第二证据体中的其中一个证据体进行修正，包括：
[0129]
确定所述第一证据体和所述第二证据体的距离；
[0130]
根据所述距离计算所述第一证据体和所述第二证据体中的其中一个证据体的可靠度；
[0131]
基于可靠度对所述其中一个证据体进行修正。
[0132]
本实施例提供了对证据体进行修正的方式。
[0133]
下面对上述的证据融合综合诊断层的构建过程进行详述。
[0134]
1、建立d-s证据融合模型。
[0135]
(1)设定非空集合作为识别框架θ，包含了m个相互排斥、穷举的命题，如下式所示：
[0136]
θ＝{e1，e2，
…em
}，
[0137]
其中，em代表识别框架的第m个故障状态。
[0138]
(2)引入基本概率分配(bpa，basic probability assignment)函数，定义幂集函数为m:2
θ
→
[0,1]，函数m即mass函数，且函数m满足下列表达式：
[0139][0140]
其中，φ为空集，m为识别框架θ上的基本概率分配函数，使得m(e)》0，e称为基本概率分配函数上的焦元。
[0141]
(3)设定信任函数和似然函数的数学模型，设m为识别框架θ上的基本概率分配函数，则由：
[0142][0143]
其中，bel：2
θ
→
[0,1]为θ上的信任函数，pl：2
θ
→
[0,1]为θ上的似然函数，对[bel(e),pl(e)]称为e的信任空间。
[0144]
(4)设置d-s合成规则。假设有2个证据体m1和m2，若它们的焦元分别是a1、a2，
…ai
，b1、b2、
…bj
，那么d-s合成规则为：
[0145][0146][0147]
其中，k为反映2个证据体冲突程度的冲突因子。k值越大，证据体越冲突，当k＝1时，则代表证据体完全冲突，此时合成规则失效。
[0148]
为避免合成规则失效，提高模型的鲁棒性和可靠性，本技术实施例还在证据体的冲突程度足够大时进行了证据体修正，比如，在k大于或等于预定阈值时，再进行证据体修正。下面将介绍有关证据体修正的具体方式。
[0149]
2、引入证据体修正，设置判定规则，建立证据融合综合诊断层。
[0150]
(1)证据体之间的冲突程度由证据体间的距离d与冲突因子k决定，引入兰氏距离函数作为距离测量方法。计算证据体mi和mj的距离d
ij
(l)为：
[0151][0152]
其中，m
it
＝mi(e
t
)，m
jt
＝mj(e
t
)。
[0153]
(2)利用如下公式基于距离d
ij
(l)计算证据体的可靠度r
rel
(mi)。
[0154][0155][0156]
其中，di为证据体mi与其他证据体的总距离。
[0157]
利用r
rel
(mi)修正冲突的证据，修正后的证据体m1(ej)为：
[0158][0159]
将修正后的证据体m1(ej)代入前面所说的d-s合成规则中的公式，替代m1(ai)，并重新计算m(e)和k。
[0160]
(3)融合各证据体，得到各类证据体融合后的基本概率分配函数值mi和不确定度m(θ)，其中，m为概率的计算函数，θ为不确定性，m(θ)＝pl(e)-bel(e)。
[0161]
(4)确定故障类型。利用如下规则确定最终故障分类结果：
[0162]
①
[0163]
②
[0164]
③
m(θ)《γ；γ∈r,γ》0，
[0165]
其中，ε、和γ的值可根据实际情况而设定，bel为证据体融合后各类故障状态的
可信度。
[0166]
规则
①
表明最终故障分类结果是具有最大可信度的命题，且其可信度必须大于某个正实数ε；规则
②
表明最终故障分类结果的可信度必须大于任何一个命题的可信度，并且最终故障分类结果的可信度与不确定度m(θ)的差值要大于某个正实数规则
③
表明证据的不确定度m(θ)必须小于某个正实数γ。
[0167]
下面，通过一个更具体的例子来说明利用本技术实施例提供的高压接触器故障诊断模型对待诊断的高压接触器特征数据进行诊断的过程。
[0168]
首先，将待诊断的高压接触器特征数据t＝{t1,t2,t3,i1,i2,i3}输入至高压接触器故障诊断模型，随机森林分类器和长短期记忆神经网络分类器输出的故障分类概率输出结果如表2所示，其中，lstm输出的故障分类概率输出结果可以利用softmax激活函数实现，使各分类概率之和为1，而随机森林分类器输出某一类故障状态的概率可以等于输出结果为该类故障状态的决策树的数量与随机森林分类器中所有决策树的数量的比值。
[0169]
故障状态abcdefg随机森林0.180.120.320.220.090.030.04lstm0.060.140.280.160.110.180.07
[0170]
表2
[0171]
接着，将上述故障分类概率输出结果的概率值转换为基本概率分配函数值。假如，m1为随机森林分类器的mass函数，而m2为长短期记忆神经网络分类器的mass函数，那么，
[0172]
m1(a)＝0.18,m2(a)＝0.06，
[0173]
然后，根据前述的d-s合成规则中的公式，计算冲突因子k，并计算基本概率分配函数值mi；当根据k判断证据体冲突时，比如k＝1时，此时利用前面的公式依次计算距离d
ij
(l)，可靠度r
rel
(mi)，得到修正后的证据体m1(ej)，并利用修正后的证据体计算计算基本概率分配函数值mi。
[0174]
比如，故障状态a对应的基本概率分配函数值可以通过如下公式进行计算：
[0175][0176]
接下来，根据基本概率分配函数值的计算结果可以通过如下方式计算得到各类故障状态对应的信任函数值和似然函数值：
[0177]
bel(a)＝m(a)，
[0178]
pl(a)＝m(a)+m(ab)+m(abc)+m(abcd)+m(abcde)+m(abcdef)+m(abcdefg)，
[0179]
其中，信任函数值也可以称为可信度。
[0180]
最后，利用前面的计算结果和用于确定最终故障分类结果的规则确定出最终故障分类结果。
[0181]
图4是根据一示例性实施例示出的高压接触器故障诊断模型运行的流程示意图。本技术实施例中高压接触器故障诊断模型，其包括初步诊断层和证据融合综合诊断层，其诊断过程是这样的：首先，提取真空接触器线圈电流原始信号，并输入至证据融合综合诊断层；然后，利用eemd算法截取有效信号，时序极值求特征信号；接下来，将特征信号分别输入至随机森林分类器和lstm分类器，分别得到初步诊断结果1和初步诊断结果2，并对应计算出基本信任度分配1和基本信任度分配2，此处的基本信任度分配即为前面所说的基本概率
分配函数值；然后，基本信任度分配1和基本信任度分配2被输入至证据融合综合诊断层，判断初步诊断结果是否相互支持，相互支持代表证据体不冲突，如果相互支持成立，则重新计算基本信任分配，并根据诊断规则决策，得到最终诊断结果；如果相互支持不成立，则先进行证据体修正，再重新计算基本信任分配，并根据诊断规则决策，得到最终诊断结果。
[0182]
值得一提的是，图4仅为本技术的实施例，虽然图4中基本信任分配在初步诊断层进行计算，但易于理解，基本信任分配也可以在证据融合综合诊断层中计算。虽然图4实施例中特征信号是在初步诊断层中获得的，但实际上，特征信号也可以在初步诊断层之外获得，即特征信号可以由本技术实施例提供的高压接触器故障诊断模型之外的模块获得。
[0183]
对于本技术的方案，发明人一共做了700组分合闸实验，得到各类故障数据及正常数据各100组，根据模拟实验数据得到的数据样本，随机选取525组数据对高压接触器故障诊断模型进行训练，并用剩余175组数据对高压接触器故障诊断模型进行测试验证。通过实验表明，该基于多分类器的修正融合诊断机制建立而成的高压接触器故障诊断模型可以克服随机性强的缺陷，避免初步诊断层中随机森林分类器的过拟合现象，有效提高故障分类的准确率。
[0184]
综上所述，根据图1实施例提供的高压接触器故障诊断模型构建方法，结合高压真空接触器故障类别的特点，首次提出了将随机森林分类器与lstm神经网络分类器有机结合的方式，建立了多分类器证据融合的诊断机制；通过对多个分类器的输出进行证据体融合来得到最终故障分类结果，有效的提高了系统的鲁棒性，避免了单分类器随机性强，模型精度不高的缺点；通过设置长短期记忆神经网络分类器，由于长短期记忆神经网络分类器具有对序列时序数据处理的预测能力，因而提高了故障诊断模型对于渐发性故障的诊断的精确度，并且利用了随机森林分类器对多元公线性不敏感，结果对缺失数据和非平衡数据比较稳健的优势，使得最终构建而成的高压接触器故障诊断模型能够准确地对高压真空接触器的突发性故障与渐发性故障进行诊断，使维护人员及时掌握高压接触器的故障信息，提高了诊断高压接触器故障的效率，降低了成本。
[0185]
本公开还提供了一种高压接触器故障诊断模型构建装置，以下是本公开的装置实施例。
[0186]
图5是根据一示例性实施例示出的一种高压接触器故障诊断模型构建装置的框图。如图5所示，装置500包括：
[0187]
样本集构建模块510，被配置为构建包括多个样本的训练样本集，所述样本包括与高压接触器相关的若干特征值和高压接触器的故障状态，每一所述特征值与一个特征相对应；
[0188]
第一分类器构建模块520，被配置为利用所述训练样本集构建随机森林分类器；
[0189]
第二分类器构建模块530，被配置为利用所述训练样本集构建长短期记忆神经网络分类器；
[0190]
建立模块540，被配置为建立证据融合综合诊断层；
[0191]
对接模块550，被配置为将所述随机森林分类器和所述长短期记忆神经网络分类器分别与所述证据融合综合诊断层对接，得到高压接触器故障诊断模型，其中，所述证据融合综合诊断层用于对所述随机森林分类器和所述长短期记忆神经网络分类器的故障分类概率输出结果进行证据体融合，以得到最终故障分类结果。
[0192]
根据本公开的第三方面，还提供了一种能够实现上述方法的电子设备。
[0193]
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0194]
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0195]
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
[0196]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
[0197]
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(rom)623。
[0198]
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0199]
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0200]
电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行，比如与显示单元640通信。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0201]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0202]
根据本公开的第四方面，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程
序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
[0203]
参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0204]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0205]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0206]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0207]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0208]
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0209]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。