2. 基于历史故障记录的过流发生时段与负载关联分析

把“跳机时刻”还原成“工况时刻”

过流故障记录本身只给出时间戳、故障代码和动作值，单看这些数据无法判断诱因。分析的关键是把每条过流记录与同一时间窗内的负载数据对齐，看跳机前数秒到数十秒内电流、频率、转矩、给定信号的变化形态，再按形态归类到启动冲击、负载突变、堵转、加减速过流等工况。下面以一台矿用变频器（示例：额定 315 kW，驱动带式输送机电机）连续 30 天的记录为对象，说明提取、对齐、归类、排序的完整做法。

一、记录提取与字段约定

从变频器事件记录中导出过流类事件（示例代码 OC-1 加速过流、OC-2 恒速过流、OC-3 减速过流、OC-S 短路型过流），同时导出同一时段的运行数据。为保证后续可对齐，两类数据必须使用同一时钟源，时间戳统一到秒，并明确电流参照：本文所有电流均为变频器输出侧三相有效值，以电机额定电流 Ie 为基准的标幺值表示（I/Ie），过流动作阈值示例取 180% Ie。

二、时间窗对齐与形态判据

对每条过流记录取跳机前 T-30 s 至跳机时刻 T 的窗口，计算三个特征量：电流上升斜率（跳机前 5 s 内 dI/dt）、频率变化方向（升频/恒频/降频）、电流峰值与持续时间。据此建立判据表，把记录归入四类工况。判据中的数值为示例阈值，实际使用时应按本机电机参数与工艺节拍标定。

三、统计归类与诱因排序

把 30 天内全部过流记录逐条按上表归类，统计各类次数、占比与平均动作电流，再结合工况台账核对时间吻合度。示例统计结果如下（教学示例数据，非实测）：

排序依据不是单纯次数，而是“次数 × 时间吻合度 × 可干预性”。负载突变次数最多且与给煤节拍高度吻合，属于可通过调整给煤量、加装落煤缓冲或优化转矩限幅来干预的诱因，因此列为第一优先；启动冲击可通过延长启动加速时间、启用启动转矩提升曲线缓解；堵转需结合机械检查；加减速过流则先核对加减速时间参数。

四、分析脚本（可运行示例）

下面用 Python 对导出的两份 CSV 做窗口对齐与归类，输出统计表。字段名与上文表格一致，时间戳为 YYYY-MM-DD HH:MM:SS。脚本只依赖标准库，可直接运行。

import csv
from datetime import datetime, timedelta

def load(path):
    rows = []
    with open(path, newline='', encoding='utf-8') as f:
        for r in csv.DictReader(f):
            r['ts'] = datetime.strptime(r['ts'], '%Y-%m-%d %H:%M:%S')
            for k in ('I_pu', 'freq', 'torque_ref'):
                if k in r and r[k] != '':
                    r[k] = float(r[k])
            rows.append(r)
    return rows

faults = load('oc_events.csv')      # ts, code, I_pu, freq
trend  = load('run_trend.csv')      # ts, I_pu, freq, torque_ref, run

def window(ts, sec=30):
    lo = ts - timedelta(seconds=sec)
    return [r for r in trend if lo <= r['ts'] <= ts]

def classify(ev):
    w = window(ev['ts'])
    if len(w) < 5:
        return '数据不足'
    i0, i1 = w[0]['I_pu'], w[-1]['I_pu']
    f0, f1 = w[0]['freq'], w[-1]['freq']
    slope = (i1 - i0) / max(len(w) - 1, 1)
    if f0 < 5 and f1 > f0:                 # 启动加速段
        return '启动冲击'
    if abs(f1 - f0) < 2 and slope > 8:     # 恒频电流阶跃
        return '负载突变'
    if i1 >= 1.5 and abs(f1 - f0) < 2 and slope < 2:
        return '堵转'
    if abs(f1 - f0) >= 2:
        return '加减速过流'
    return '待人工复核'

stat = {}
for ev in faults:
    c = classify(ev)
    s = stat.setdefault(c, {'n': 0, 'sumI': 0.0})
    s['n'] += 1
    s['sumI'] += ev['I_pu']

total = sum(v['n'] for v in stat.values())
for c, v in sorted(stat.items(), key=lambda x: -x[1]['n']):
    print(f"{c}: {v['n']} 次, 占比 {v['n']/total:.1%}, 平均动作电流 {v['sumI']/v['n']:.2f} pu")

运行后输出各类次数与平均动作电流，与上文统计表对照即可。若某类“待人工复核”占比偏高，说明窗口内数据缺失或采样周期不一致，应先检查录波是否连续，而不是直接下结论。