基于参数分析的红外成像电气设备的状态监测方法

技术领域

本发明涉及电气监测技术领域，具体涉及基于参数分析的红外成像电气设备的状态监测方法。

背景技术

红外成像是一种利用红外波段频谱的电磁辐射进行成像的技术，其基本原理是利用物体发射或反射出的红外辐射信号转换成热像信号，之后通过计算机处理形成图像。而红外成像电气设备是一种利用红外辐射获取目标信息并将其转化成可见图像的设备，能够实现对目标的监测、识别和定位，通过对红外成像电气设备的状态进行监测，能够及时发现潜在故障迹象，保障设备长时间稳定运行，提高设备提供的数据可靠性。

现有技术在实现红外成像电气设备的状态监测时，需要对红外成像电气设备的相关参数数据进行较长的周期性采集与分析，难以及时发现设备问题；其次，红外探测器作为红外成像电气设备中的重要组成结构，其相关参数数据量较大且较为复杂，容易受到噪声干扰，导致获取的参数数据不准确，存在红外成像电气设备状态监测困难以及状态评估不准确的弊端。

发明内容

为了解决上述技术问题，本发明提供基于参数分析的红外成像电气设备的状态监测方法，以解决现有的问题。

本发明的基于参数分析的红外成像电气设备的状态监测方法采用如下技术方案：

本发明一个实施例提供了基于参数分析的红外成像电气设备的状态监测方法，该方法包括以下步骤：

采集红外探测器运行时的输出电压数据、输出电流数据、暗电流数据；

设置时间窗口；结合各时间窗口的暗电流数据利用聚类算法获取各时间窗口内暗电流数据的各数据簇；将时间窗口内暗电流数据值大于上一时刻暗电流数据值的时刻作为暗电流趋强时刻；对应的暗电流数据作为暗电流趋强数据；根据时间窗口内暗电流趋强时刻及暗电流趋强数据的分布得到各时间窗口内各数据簇的暗电流特征趋强度；

根据各时间窗口内各数据簇的暗电流特征趋强度得到各时间窗口内各数据簇的暗电流趋强稳态因子；根据时间窗口内各数据簇的暗电流趋强稳态因子的分布得到各时间窗口的数据置信系数；获取输出电压数据的各个电压数据簇；获取各时间窗口内输出电压数据的数据突变点；设置测试区间；结合各时间窗口的数据置信系数及数据突变点的分布得到各测试区间内各时间窗口中各电压数据簇的突变显著因子；

根据各电压数据簇的突变显著因子得到各测试区间的突变稳态系数；根据各测试区间的突变稳态系数得到各测试区间的电压稳态指数；结合输出电流数据、各测试区间的电压稳态指数及SVM模型完成红外成像电气设备的状态监测。

优选的，所述根据时间窗口内暗电流趋强时刻及暗电流趋强数据的分布得到各时间窗口内各数据簇的暗电流特征趋强度，表达式为：

式中，

优选的，所述根据各时间窗口内各数据簇的暗电流特征趋强度得到各时间窗口内各数据簇的暗电流趋强稳态因子，包括：

针对各时间窗口内的各数据簇，计算与剩余所有其他数据簇间的杰卡德距离，计算所有杰卡德距离的和值，计算暗电流特征趋强度与时间窗口内暗电流特征趋强度最大值的差值绝对值，将所述差值绝对值的相反数作为以自然常数为底数的指数函数的指数，将所述指数函数的计算结果与所述和值的倒数的乘积作为各时间窗口内各数据簇的暗电流趋强稳态因子。

优选的，所述根据时间窗口内各数据簇的暗电流趋强稳态因子的分布得到各时间窗口的数据置信系数，包括：

针对各时间窗口内的各数据簇，计算暗电流趋强稳态因子与时间窗口内所有暗电流趋强稳态因子的均值的差值绝对值，计算时间窗口内所有所述差值绝对值的和值，将所述和值的相反数作为以自然常数为底数的指数函数的指数，计算时间窗口内所有暗电流趋强稳态因子的信息熵，将所述指数函数的计算结果与所述信息熵的比值作为各时间窗口的数据置信系数。

优选的，所述获取输出电压数据的各个电压数据簇，包括：

将采集的所有电压数据作为Canopy聚类算法的输入，Canopy聚类算法的输出为所有电压数据的各个聚类中心点，将各个聚类中心点作为K-means聚类算法的初始聚类中心，将采集的所有电压数据作为K-means聚类算法的输入，K-means聚类算法的输出为各个电压数据簇，Canopy聚类算法与K-means聚类算法的度量距离均为两电压数据的差值绝对值。

优选的，所述获取各时间窗口内输出电压数据的数据突变点，包括：

将各时间窗口内的输出电压数据作为Pettitt算法的输入，Pettitt算法的输出为各时间窗口内输出电压数据的数据突变点。

优选的，所述突变显著因子，包括：

将时间窗口内各电压数据簇内所有电压数据的均值、方差、信息熵作为电压数据簇的特征三元组，各测试区间内各时间窗口中各电压数据簇的突变显著因子表达式为：

式中，

优选的，所述根据各电压数据簇的突变显著因子得到各测试区间的突变稳态系数，表达式为：

式中，

优选的，所述根据各测试区间的突变稳态系数得到各测试区间的电压稳态指数，包括：

将时间窗口内的所有电压数据簇的突变显著因子按照采样时间顺序进行排序作为突变显著序列，针对各测试区间内的各突变显著序列，计算与剩余所有其他突变显著序列的DTW距离，计算测试区间内所有所述DTW距离的和值，计算各测试区间的突变稳态系数与所述和值的比值，计算测试区间内所有突变显著因子的信息熵，将所述信息熵作为以自然常数为底数的指数函数的指数，将所述指数函数的计算结果与所述比值的乘积作为各测试区间的电压稳态指数。

优选的，所述红外成像电气设备的状态监测，包括：

将采集的所有输出电流数据按照和输出电压数据相同的计算方式得到各测试区间的电流稳态指数，将电压稳态指数与电流稳态指数的均值作为红外探测器在对应测试区间的参数稳态指数，将红外探测器在各测试区间的参数稳态指数作为SVM模型的输入，SVM模型的输出为各测试区间的红外探测器的运行状态。

本发明至少具有如下有益效果：

本发明的有益效果在于：本发明根据时间窗口内的暗电流数据特征获得数据置信系数，然后根据时间窗口内的数据置信系数以及红外探测器的参数数据特征获得参数稳态指数，结合SVM模型对参数稳态指数进行状态标记，根据标记好的参数稳态指数训练SVM模型，然后根据实时获得的参数稳态指数获取红外成像电气设备的运行状态，在红外探测器自身受噪声干扰程度较小的基础上，综合考虑了相关参数数据的突变、稳定因素，能够更为准确的获得红外成像电气设备的状态估计，避免了红外成像电气设备相关参数数据量大、复杂，难以实时准确的对红外成像电气设备的状态进行分析的弊端，实现了一种基于参数分析的红外成像电气设备的状态监测方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于参数分析的红外成像电气设备的状态监测方法的步骤流程图；

图2为红外成像电气设备状态监测指标获取流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于参数分析的红外成像电气设备的状态监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于参数分析的红外成像电气设备的状态监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于参数分析的红外成像电气设备的状态监测方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集红外探测器运行时的输出电压数据、输出电流数据、暗电流数据，并对采集的数据进行预处理。

首先，通过数据采集卡获取红外探测器运行时的输出电压数据、输出电流数据，通过SMU源测量单元获取红外探测器运行时的暗电流数据，将输出电压数据、输出电流数据、暗电流数据作为红外探测器的参数数据，数据采集时间间隔设置为0.01s，实施者可根据实际情况自行设定，本实施例对此不做限制，为防止在数据传输过程中因网络波动造成数据值丢失，同时为了避免不同数据之间量纲不同影响后续分析处理，需对采集的红外探测器的输出电压数据、输出电流数据、暗电流数据进行缺失值填充处理，之后对填充后的数据进行标准归一化。本实施例中使用的缺失值填充算法为线性插值填充法，使用的标准归一化处理为Z-score，由于线性插值法与Z-score标准化均为现有公知技术，本实施例在此不做详细赘述，实施者可根据实际情况选择其它数据填充算法及归一化算法进行数据预处理，本实施例对此不做限制。

至此，可获得基于时间序列的红外探测器输出电压序列、输出电流序列、暗电流数据序列，分别记为a、b、c。

步骤S002，根据时间窗口内的暗电流数据特征获得数据置信系数，根据时间窗口内的数据置信系数以及红外探测器的参数数据特征获得基于测试区间的参数稳态指数，用于后续分析红外成像电气设备的状态。

具体的，本实施例将根据暗电流数据分布得到时间窗口内各数据簇的暗电流特征趋强度，获取各数据簇的暗电流趋强稳态因子，进而得到各时间窗口的数据置信系数，结合输出电压数据及数据置信系数得到各电压数据簇的突变显著因子，根据突变显著因子得到各测试区间的电压稳态指数，根据输出电流数据得到电流稳态指数，结合电压稳态指数及电流稳态指数得到参数稳态指数，结合SVM（Support Vector Machine，支持向量机）模型完成红外成像电气设备的状态监测，红外成像电气设备状态监测指标获取流程图如图2所示。红外探测器在各测试区间的参数稳态指数的构建过程具体为：

红外探测器的暗电流是指在没有受到热辐射作用时，探测器本身产生的电流，这种电流是探测器内部因子引起的噪声，当某时间段内的暗电流越大时，表示该时间段内红外探测器产生的噪声电流越大，红外成像电气设备在该时间段内获取的数据可信度越低；当红外探测器的输出电压、电流数据越不稳定，受到噪声干扰情况越严重时，红外成像电气设备的性能与状态越不理想。

首先，针对采集的所有数据，将每隔

由于DTC网络模型为现有公知技术，本实施例在此不做详细赘述,为了获得时间窗口内红外探测器暗电流数据的置信权重，本发明实施例基于上述分析构建时间窗口内各数据簇的暗电流特征趋强度及暗电流趋强稳态因子，具体表达式为：

式中，

为第i个时间窗口中第j个数据簇的暗电流趋强稳态因子；/>

当第i个时间窗口内第j个数据簇中所有暗电流趋强数据的均值越大时，即

当第i个时间窗口内第j个数据簇与时间窗口内除自身外其余所有数据簇之间的杰卡德距离越小时，即

由此可获得每个时间窗口内各个数据簇的暗电流趋强稳态因子，根据各个数据簇的暗电流趋强稳态因子计算基于时间窗口的数据置信系数

为第i个时间窗口的数据置信系数；/>

当第i个时间窗口内第j个数据簇对应的暗电流趋强稳态因子与时间窗口内的所有暗电流趋强稳态因子均值之间的差值绝对值之和越小时，即

至此，可获得红外探测器运行时的数据采集过程中每个时间窗口的数据置信系数

对于红外探测器的输出电压序列a，通过密度Canopy聚类算法对输出电压序列进行聚类，算法输入为序列a中的各时间窗口的电压数据，将两个电压数据的差值绝对值作为聚类过程中两个数据元素之间的度量距离，算法输出为序列a中各时间窗口内电压数据的聚类中心点。然后将上述获得的聚类中心点作为K-means（K-均值）聚类算法中的初始聚类中心，使用K-means聚类算法对序列a中各时间窗口内的电压数据进行聚类，K-means聚类算法的输入为序列a中各时间窗口内的电压数据，将两个数据元素的差值绝对值作为聚类过程中两个数据元素之间的度量距离，输出为各时间窗口中的所有电压数据簇。使用上述聚类算法的有益效果为：通过Canopy算法能够获得电压数据值之间差异较大的聚类中心，避免后续先验设置的K-means算法中聚类中心不准确的弊端；K-means算法则能够保证每个电压数据簇中的各个数据元素之间的差异较小，方便后续对时间窗口内的电压数据进一步分析，由于Canopy、K-means聚类算法均为现有公知技术，本实施例在此不做详细赘述。

对于输出电压序列a，利用Pettitt（突变点检测）算法，其中Pettitt算法的输入为各时间窗口内的电压数据，输出为各时间窗口内电压数据的数据突变点，Pettitt算法为现有公知技术，本实施例在此不做详细赘述，将每

式中，

为第y个测试区间的突变稳态系数，X为第y个测试区间内的时间窗口总个数；/>

为第y个测试区间的电压稳态指数；/>

当第y个测试区间内第i个时间窗口的数据置信系数越大，即

当第y个测试区间内所有时间窗口中每个电压数据簇的突变显著因子与时间窗口内的突变显著因子均值之间的差值绝对值之和越小时，即

当第y个测试区间的突变稳态系数越大，即

至此，针对输出电压序列a，可获得基于测试区间的电压稳态指数，以此类推，针对输出电流序列b，同理可得基于测试区间的电流稳态指数，记为Ts，将同一个测试区间的电压稳态指数与电流稳态指数求均值获得作为红外探测器在对应测试区间的参数稳态指数，用于后续分析红外探测器的状态。

步骤S003，将获得的基于测试区间的参数稳态指数作为分类模型的输入，根据分类模型获取每个测试区间红外探测器的运行状态，实现一种基于参数分析的红外成像电气设备的状态监测方法。

根据红外探测器在测试区间内的状态对获得的参数稳态指数进行标记，本实施例状态标记内容包括：正常运行状态、微异常运行状态、偏异常运行状态、完全异常运行状态，之后利用标记好的参数稳态指数训练SVM（support vector machines）支持向量机模型，将训练好的SVM模型作为红外成像电气设备的状态监测模型，由于支持向量机及支持向量机的训练过程均为现有公知技术，本实施例在此不做详细赘述。需要说明的是对于红外成像电气设备的状态标记，本实施例不做特殊限制，实施者可自行设定。

然后将实时获取的红外探测器的参数稳态指数输入至状态监测模型，状态监测模型的输出为每个测试区间的红外探测器的运行状态，相关技术人员可通过获得的红外探测器的运行状态作为辅助数据完成对红外成像电气设备的状态监测，实现一种基于参数分析的红外成像电气设备的状态监测方法。

综上所述，本发明实施例解决了由于参数数据量较大且较为复杂，容易受到噪声干扰，导致获取的参数数据不准确，存在红外成像电气设备状态监测困难以及状态评估不准确的问题，结合SVM模型，提高了红外成像电气设备状态监测的准确率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。