[发明专利]一种基于频域特征的电力通信网设备故障预测方法

说明书

本发明涉及电力通信网设备故障预测领域，更具体地，涉及一种基于频域特征的电力通信网设备故障预测方法。只需要基于设备的时间序列数据并通过傅立叶变换将设备时间序列数据转换为频域数据，再使用频域数据用于训练BP神经网络模型，最后对设备状态等级进行预测，能够在设备处于潜在故障状态时及时进行维护。本方法只需要获取设备的时间序列数据，减少数据量，缩短神经网络的训练时长。

技术领域

本发明涉及电力通信网设备故障预测领域，更具体地，涉及一种基于频域特征的电力通信网设备故障预测方法。

背景技术

设备运行过程中，通常包含三个状态，正常运行状态，潜在故障状态，非正常运行状态。如下图1所示。在正常运行状态中，很难人工发现设备的异常特征。当设备处于潜在故障状态时，设备的部分特征会出现急剧变化，某个元件的损坏能够引起一系列连锁反应，虽然能够对外正常提供服务，但设备内部状态已经出现异常。当设备状态达到某个损坏阈值时，设备已经不能对外正常提供服务，甚至停止工作。

公开号为CN201711010115.9的《一种基于改进的LSTM的电力通信网设备故障预测方法》，基于海量设备告警日志和机房动环数据，提出了基于改进的LSTM的电力通信网设备故障预测模型，但该方法依赖大量的数据，包括设备运维数据、业务数据、机房温度数据、湿度数据等等，数据类型繁多，导致模型训练时间较长。

发明内容

本发明为克服上述现有技术中预测模需依赖大量数据的问题，提供一种基于频域特征的电力通信网设备故障预测方法，只需要采集的设备时域特征进行傅立叶变换转换为频域特征，以此为训练数据训练神经网络模型，便能进行设备故障预测

为解决上述技术问题，本发明采用的技术方案是：提供一种基于频域特征的电力通信网设备故障预测方法，包括以下的步骤：

步骤一：获取设备一个历史时间段的时间序列数据；对设备时间序列数据预处理，包括缺失值、异常值处理，数据规范化。

步骤二：对该历史时间段的设备状态进行等级设定；

步骤三：通过傅立叶变换将时间序列数据转化为频域数据；

步骤四：将频域数据输入人工神经网络，对人工神经网络进行训练；

步骤五：将时间序列数据输入训练好的神经网络，输出设备状态的等级。

优选的，在所述步骤一中，时间序列数据为若干条设备的时序状态特征数据，每条为设备一天的数据量，一天的数据量共进行N次采集，一天的时间段为t～t+N，t时刻所对应的特征为v_t，一天的数据量的特征元组为E_t，N＝v_t，v_t+1，...，v_t+N。

优选的，在所述步骤二中，对t～t+N时刻设备设定状态进行等级设定，共分为四个等级1-4，其中设定等级1-2为正常运行状态，等级3为存在潜在故障状态，等级4为设备故障状态。基于神经网络预测算法通过输入设备一个时间段的状态频域特征，输出该时间段的设备等级，从而得知设备运行状态，在潜在故障状态时对设备进行维护，避免设备过渡到故障状态。

优选的，在所述步骤三中，傅里叶变换的计算公式为：

其中，X(k)表示频率为k的信号所对应的振幅；x(i)表示i时刻的设备状态；j代表虚数部分。傅里叶变换能够提取一段时域信号中不同频率信号的振幅，从而将时域信号转化为频域信号。

优选的，得到频域信号后，进行归一化处理，得到频域数据

其中，式中a_i＝X(i)，即频率为i的信号对应的振幅；F为时间段t～t+N的频域数据。