摘要
在电力电子系统中进行故障诊断时，如果不同故障类型在测量空间中存在几何重叠，就会降低类别的可分性，从而导致分类的不确定性。本研究提出了一种以边缘为导向的混合故障空间重构方法，该方法利用基于UMAP的嵌入技术以及层次聚类算法，将重叠的故障条件整合为更稳定的混合表示形式。之后，通过监督机器学习模型在这些优化后的空间中进行最终分类。研究使用了通过实时硬件在环仿真生成的大规模合成数据集进行验证，这些数据涵盖了从三维均方根值到60维瞬时波形的各种电气测量数据。通过决策树和随机森林算法进行测试，与未经空间重构的传统分类方法相比，这种重构策略在处理几何不确定性问题时显著提升了系统的稳定性。具体而言，对于低维度测量数据，决策树和随机森林算法的F1分数分别提升了约72%和46%；而对于高维度测量数据，其提升幅度也分别为36%和52%。这些结果表明，这种结合了重构与分类的流程在各种不同维度的测量数据中都具有很高的有效性，它提供了一种基于聚类的可靠诊断策略，能够在一定程度上提升分类的稳定性，但也会在一定程度上影响单个故障的隔离精度。最后，在Raspberry Pi 4平台上进行的硬件部署实验证明了，在计算资源受限的环境下，依然可以运行经过训练的分类器以实现实时推理。实验结果显示，使用轻量级的决策树分类器时，推理延迟可控制在毫秒级以内（最低为0.32毫秒），内存占用低于0.14MB，每秒的处理速度可超过2600次。综上所述，这项研究结果表明，所提出的策略能够提升各种测量配置下的故障检测能力，而且一旦分类器被训练完成，即可在资源有限的设备上实现高效的实时推理。
