基于多模态数据的封闭母线R-CNN温度故障监测方法

摘要

本发明属于封闭母线温度控制技术领域，尤其涉及基于多模态数据的封闭母线R‑CNN温度故障监测方法，步骤包括：采集封闭母线槽体的多模态数据；对采集到的数据进行预处理，包括数据清洗和归一化处理；将归一化处理后的数据经过分配权重、加权平均、模态建模后，融合到一个综合的多模态数据集中，并获得关于数据指标的模拟图像；建立卷积神经网络模型R‑CNN，产生数据指标的候选区域，对该候选区域进行封闭母线障碍信息的判断提取，获得温度异常候选特征样本；对候选特征样本进行相似性度量数据分析，实现封闭母线温度故障信息的监测。本发明提高了对温度异常的敏感性，使得对于封闭母线的温度监测更加灵活和有效。

权利要求

1.基于多模态数据的封闭母线R‑CNN温度故障监测方法，其特征在于包括以下步骤：S1、采集封闭母线槽体的多模态数据，包括母线导体的电流负荷、封闭母线槽的环境温度、风机冷却系统的冷却效率；

S2、对采集到的数据进行预处理，包括数据清洗和归一化处理；

S3、将归一化处理后的数据经过分配权重、加权平均、模态建模后，融合到一个综合的多模态数据集中，并获得关于数据指标的模拟图像；

S4、建立卷积神经网络模型R‑CNN，并通过选择性搜索算法Selective search算法产生数据指标的候选区域，对该候选区域进行压缩、非线性变换、SVM分类和消除冗余操作实现所需封闭母线障碍信息的判断提取，获得温度异常候选特征样本；

S5、对候选特征样本进行相似性度量数据分析，实现封闭母线温度故障信息的监测；

所述的S1中，收集封闭母线槽体的多模态数据的过程为：S11、通过安装在封闭母线导体内部的电流传感器，获取母线导体的电流负荷，获取的电流负荷集为 ，i为样本数量；

S12、通过安装在封闭母线槽中的温度传感器，获取的环境温度集为；

S13、通过安装在风机进出口处的两个温度传感器，获取风机进、出口处的空气温度 、，冷却效率的计算公式为：（1）；

通过式（1）获取的冷却效率集为 ；

S14、设置时间集 ，用于表示数据集C、T、E中各个样本的对应时刻；

所述的S2中，数据清洗的方法为：

S211、对于数据集C、T、E进行删除缺失值处理：（2）；

式中，dropna()是Pandas库中的函数，作用为删除数据中的缺失值； 、 、 分别为删除缺失值后的新数据集；

S212、对删除区域进行数据填充，使得数据仍然保持i个样本：（3）；

式中，fillna()是Pandas库中的函数，作用为填充数据中的缺失值； 、 、 分别为进行填充之后的新数据集；

所述的S2中，归一化处理的方法为：

（4）；

式中，min()、max()分别为数据集的最小和最大数据样本， 、 、 分别为归一化后的数据集；

所述的S3中，建立融合的多模态数据集，并获得关于数据指标的模拟图像的步骤为：S31、通过三个元素A、B、D分别代表 、 、 中的任意一个样本，权重分配公式为：（5）；

式中， 分别是元素A、B、D的权重，且 ；

S32、构建三个元素的比较矩阵 ：

（6）；

现对于该比较矩阵进行特征值分解，获取权重向量：（7）；

式中，为 的特征值，为每个特征值 所对应的特征向量；

S33、将得到的特征向量 进行标准化处理，得到最终的权重向量：（8）；

式中， 为最终输出结果， 、 、 分别为元素A、B、D所对应的最终权重向量；

S34、进行加权平均处理，对于元素A、B、D进行加权平均：（9）；

式中， 为加权平均后的结果；

S35、进行模态建模：在分配权重、加权平均后，电流负荷、环境温度和冷却效率的集合记为： 、 、 ，构成新的多模态数据集，其中的电流负荷、环境温度和冷却效率即为数据指标；

S36、将多模态数据集进行融合，将数据构建成一个矩阵，其中每一行表示一个样本集，每一列表示一个权重向量，将矩阵中的数值映射到像素值，生成图像。

2.根据权利要求1所述的基于多模态数据的封闭母线R‑CNN温度故障监测方法，其特征在于：所述的S1中，采用的电流传感器为具有霍尔效应的电流传感器，采用的温度传感器为热敏电阻传感器。

3.根据权利要求1所述的基于多模态数据的封闭母线R‑CNN温度故障监测方法，其特征在于：所述的S36中，通过图像处理库Matplotlib创建图像，将矩阵中的数值以颜色的形式表示。

4.根据权利要求1所述的基于多模态数据的封闭母线R‑CNN温度故障监测方法，其特征在于：所述的S4中，进行封闭母线障碍信息的判断提取的步骤为：S41、将获取的图像引入R‑CNN模型中，通过选择性搜索算法获得每张图像的候选区域：S411、初始化候选区域集合，将整张图像看作一个初始的候选区域，计算相似性，相似性的计算通过图像的颜色相似性度量和区域大小相似性度量进行；

S412、选择相似性度量最低的区域进行分割，产生一个候选区域，重复该步骤，直到满足目标候选区域为y个时停止，该候选区域集记为： ；

S413、进行颜色相似性度量计算：

（10）；

式中， 为任意一个候选区域m内的不同区域， 分别为 与第m个候选区域的面积比较率；

S414、进行区域大小相似性度量计算：（11）；

式中， 分别为邻域 的面积；

S415、通过S413和S414的计算产生n个相似度最小的候选区域，对这n个候选区域集进行压缩和非线性变换，对非线性变换后的结果进行支持向量机SVM分类，并通过非极大值抑制算法消除SVM分类后的冗余特征，最终获得训练后的温度异常候选特征样本。

5.根据权利要求4所述的基于多模态数据的封闭母线R‑CNN温度故障监测方法，其特征在于：所述的S415中，压缩采用固定比例压缩，非线性变换采用变换矩阵进行。

6.根据权利要求4所述的基于多模态数据的封闭母线R‑CNN温度故障监测方法，其特征在于：所述的S5中，通过MATLAB对温度异常候选特征样本进行相似叠加处理，并对处理后的数据进行相似性分析，判断出封闭母线的故障信息，从而实现封闭母线温度故障信息的监测。

说明书

基于多模态数据的封闭母线R‑CNN温度故障监测方法

技术领域

[0001] 本发明属于封闭母线温度控制技术领域，尤其涉及基于多模态数据的封闭母线R‑CNN温度故障监测方法。

背景技术

[0002] 封闭母线是电力系统中一种用于输送电能的重要组件，通常由封闭的金属外壳包裹绝缘材料和电导体，以防止电能泄露，提高安全性和可靠性。封闭母线广泛应用于发电厂、变电站和工业用电等领域，其设计和运行直接关系到电能的稳定传输和系统的正常运行。封闭母线在运行过程中会受到各种因素的影响，其中最显著的之一就是温度。过高的温度会导致封闭母线内部绝缘材料老化、电导体损伤，甚至引发火灾等严重后果。因此，对封闭母线的温度进行实时监测变得尤为重要。随着电力系统的发展，封闭母线温度监测技术逐渐从传统的手动测量方法向自动化、智能化方向发展。在过去，人们主要依靠周期性的检查和手动测量来了解封闭母线的运行状态，这种方法效率低、周期长、不能实时监测。为了解决这一问题，研究人员逐渐引入各种先进的监测技术，以提高封闭母线的温度故障检测效率和准确性。

[0003] 目前关于封闭母线温度故障监测的常用方法有以下几种：

[0004] 红外热像技术：红外热像技术通过测量物体表面的红外辐射来获取温度信息，因此可以实现对封闭母线的远程无损检测。然而，红外热像技术在实际应用中受到环境条件和测量距离的限制，而且对于封闭母线内部温度分布的准确度有一定的局限性。

[0005] 光纤光栅传感技术：光纤光栅传感技术通过将光纤布设在封闭母线内，通过光栅效应实现对温度的实时监测。这种技术具有较高的精度和灵敏度，但在实施时需要大量的光纤和相应的设备，造成成本较高。

[0006] 电阻温度计监测技术：在封闭母线中布设电阻温度计，通过测量电阻值的变化来反映温度的变化。这是一种传统的监测方法，成本相对较低，但在精度和实时性上相对较差。

[0007] 综上，尽管上述技术在封闭母线温度故障监测领域取得了一些进展，但仍然存在一些缺陷和不足。封闭母线温度故障监测技术仍然需要不断创新和完善，以解决上述问题，提高监测的准确性、实时性和可操作性，从而更好地保障电力系统的安全稳定运行。

发明内容

[0008] 根据以上现有技术中的不足，本发明提供了一种实现了多模态数据的融合利用，提高了对温度异常的敏感性，使得对于封闭母线的温度监测更加灵活和有效的基于多模态数据的封闭母线R‑CNN温度故障监测方法。

[0009] 为达到以上目的，本发明所述的基于多模态数据的封闭母线R‑CNN温度故障监测方法，包括以下步骤：

[0010] S1、采集封闭母线槽体的多模态数据，包括母线导体的电流负荷、封闭母线槽的环境温度、风机冷却系统的冷却效率；

[0011] S2、对采集到的数据进行预处理，包括数据清洗和归一化处理；该操作有助于确保数据的质量和一致性，方便后期数据的应用。

[0012] S3、将归一化处理后的数据经过分配权重、加权平均、模态建模后，融合到一个综合的多模态数据集中，并获得关于数据指标的模拟图像；转换为图像，以便神经网络模型能够同时考虑多种因素。

[0013] S4、建立卷积神经网络模型R‑CNN，并通过选择性搜索算法Selective search算法（简称SS算法）产生数据指标的候选区域，对该候选区域进行压缩、非线性变换、SVM分类和消除冗余操作实现所需封闭母线障碍信息的判断提取，获得温度异常候选特征样本；

[0014] S5、对候选特征样本进行相似性度量数据分析，实现封闭母线温度故障信息的监测。

[0015] 所述的S1中，收集封闭母线槽体的多模态数据的过程为：

[0016] S11、通过安装在封闭母线导体内部的电流传感器，获取母线导体的电流负荷，获取的电流负荷集为 ，i为样本数量；

[0017] S12、通过安装在封闭母线槽中的温度传感器，获取的环境温度集为；

[0018] S13、通过安装在风机进出口处的两个温度传感器，获取风机进、出口处的空气温度 、 ，冷却效率的计算公式为：

[0019] （1）；

[0020] 通过式（1）获取的冷却效率集为 ；η即为计算得到的不同时刻的冷却效率CE。

[0021] 可见，当 与 接近时，效率较低，两者差异越大时，效率越高。

[0022] S14、设置时间集 ，用于表示数据集C、T、E中各个样本的对应时刻。

[0023] 所述的S1中，采用的电流传感器为具有霍尔效应的电流传感器，采用的温度传感器为热敏电阻传感器。

[0024] 选择具有霍尔效应的电流传感器不仅可以实现与内部电流导体的非接触式测量，降低电流负荷测量对母线本身的影响，还可以极大的提高测量的安全性能。电流传感器在安装时，选择与母线外部铝板能够进行良好接触的位置，以最大程度减小测量误差。热敏电阻传感器（RTD传感器）不仅具有良好的稳定性，同时可以避免在母线槽内部由于大电流产生磁场效应所带来的磁场干扰，更能适用于远程输电设备电力系统环境的温度测量，为温度数据来源提供了可靠保证。

[0025] 所述的S2中，数据清洗的方法为：

[0026] S211、对于数据集C、T、E进行删除缺失值处理：

[0027] （2）；

[0028] 式中，dropna()是Pandas库中的函数，作用为删除数据中的缺失值； 、 、分别为删除缺失值后的新数据集；对于粗糙数据进行缺失值删除，防止聚类发生。

[0029] S212、对删除区域进行数据填充，使得数据仍然保持i个样本：

[0030] （3）；

[0031] 式中，fillna()是Pandas库中的函数，作用为填充数据中的缺失值； 、 、分别为进行填充之后的新数据集。

[0032] 所述的S2中，归一化处理的方法为：

[0033] （4）；

[0034] 式中，min()、max()分别为数据集的最小和最大数据样本， 、 、 分别为归一化后的数据集。通过该过程实现了数据的归一化处理，将数据压缩到一个[0,1]的固定范围之中。

[0035] 所述的S3中，建立融合的多模态数据集，并获得关于数据指标的模拟图像的步骤为：

[0036] S31、通过三个元素A、B、D分别代表 、 、 中的任意一个样本，权重分配公式为：

[0037] （5）；

[0038] 式中， 分别是元素A、B、D的权重，且 ；和为1的目的在于确保权重的标准化。

[0039] S32、构建三个元素的比较矩阵 ：

[0040] （6）；

[0041] 现对于该比较矩阵进行特征值分解，获取权重向量：

[0042] （7）；

[0043] 式中，为 的特征值，为每个特征值 所对应的特征向量；

[0044] S33、将得到的特征向量 进行标准化处理，得到最终的权重向量：

[0045] （8）；

[0046] 式中， 为最终输出结果， 、 、 分别为元素A、B、D所对应的最终权重向量；

[0047] 其中标准化的过程是将特征向量的每个分量除以其所有分量的和，以确保权重向量的总和为1。

[0048] 上述过程即为通过层次分析法AHP来分配权重，将封闭母线预处理后的数据实现层次化，并通过构建比较矩阵来确定各因素的相对权重，该方法不仅可以给出合理的相对权重，还可以反映各个因素在决策分析中的实际影响力。这样，可以更客观地综合考虑封闭母线多个因素，使得温度监测分析更为准确和全面。

[0049] S34、进行加权平均处理，对于元素A、B、D进行加权平均：

[0050] （9）；

[0051] 式中， 为加权平均后的结果；

[0052] S35、进行模态建模：在分配权重、加权平均后，电流负荷、环境温度和冷却效率的集合记为： 、 、，构成新的多模态数据集，其中的电流负荷、环境温度和冷却
效率即为数据指标；

[0053] S36、将多模态数据集进行融合，将数据构建成一个矩阵，其中每一行表示一个样本集，每一列表示一个权重向量，将矩阵中的数值映射到像素值，生成图像（即为关于数据指标的模拟图像）。

[0054] 所述的S36中，通过图像处理库Matplotlib创建图像，将矩阵中的数值以颜色的形式表示。

[0055] 所述的S4中，进行封闭母线障碍信息的判断提取的步骤为：

[0056] S41、将获取的图像引入R‑CNN模型中，通过选择性搜索算法获得每张图像的候选区域：

[0057] S411、初始化候选区域集合，将整张图像看作一个初始的候选区域，计算相似性，相似性的计算通过图像的颜色相似性度量和区域大小相似性度量进行；初始化时的相似性计算采用公知技术即可。

[0058] S412、选择相似性度量最低的区域进行分割，产生一个候选区域，重复该步骤，直到满足目标候选区域为y个时停止，该候选区域集记为： ；

[0059] S413、进行颜色相似性度量计算：

[0060] （10）；

[0061] 式中， 为任意一个候选区域m内的不同区域， 分别为与第m个候选区域的面积比较率；

[0062] S414、进行区域大小相似性度量计算：

[0063] （11）；

[0064] 式中， 分别为邻域 的面积；

[0065] S415、通过S413和S414的计算产生n个相似度最小的候选区域，对这n个候选区域集进行压缩和非线性变换，对非线性变换后的结果进行支持向量机SVM分类，并通过非极大值抑制算法消除SVM分类后的冗余特征，最终获得训练后的温度异常候选特征样本。

[0066] 所述的S415中，压缩采用固定比例压缩，非线性变换采用变换矩阵进行。

[0067] 压缩和非线性变换有助于去除冗余信息和噪声，从而提高对于封闭母线温度故障信息的泛化能力。这有助于更好地适应不同候选区域，增强监测的鲁棒性。

[0068] 所述的S5中，通过MATLAB对温度异常候选特征样本进行相似叠加处理，并对处理后的数据进行相似性分析，判断出封闭母线的故障信息，从而实现封闭母线温度故障信息的监测。

[0069] 本发明涉及的算法可以通过电子设备执行，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，通过处理器执行程序实现上述的算法。

[0070] 本发明所具有的有益效果是：

[0071] 本发明收集了多种与母线运行状态相关的数据，并进行了数据预处理，通过分配权重、加权平分和模态建模等操作，将不同来源的数据指标融合为一个综合的多模态数据集，将这些数据指标转化为模拟图像，从而能够利用卷积神经网络进行特征提取，这种模态融合的方式使得本发明能够同时考虑多种因素，提高了对温度异常的感知和判断能力。

[0072] 本发明采用了卷积神经网络模型R‑CNN，并结合Selective Search算法，对数据指标候选区域进行一系列操作，包括压缩、提取、训练、分类以及消除冗余。深度学习模型的运用使得本发明能够更加准确地判断封闭母线的温度异常情况。

[0073] 本发明通过训练好的神经网络模型获得温度异常候选特征样本，并对这些候选特征样本进行相似性度量数据分析。这一步骤的关键在于利用异步特征进行提取，即通过检测温度是否偏离正常范围，实现对温度异常的监测。这种方法对于封闭母线系统来说是一种全新的思路，有效地提高了系统对温度异常的敏感性，使得监测更加灵活和有效。

[0074] 综上所述，本发明的优点不仅在于其对多模态数据的融合利用，还在于深度学习模型（R‑CNN）的精准运用和对异步特征的巧妙提取。通过这些创新性的手段，本发明在封闭母线温度故障监测和电力系统安全方面提供了一种更为可靠和高效的监测运行方法。

附图说明

[0075] 图1为本发明规划方法的流程示意图；

[0076] 图2为本发明实施例中数据归一化前的母线采集数据；

[0077] 图3为本发明实施例中数据归一化后的母线采集数据；

[0078] 图4为本发明实施例中多模态数据集建立与融合输出模型图；

[0079] 图5为本发明实施例中多模态融合图像的训练示意图；

[0080] 图6为本发明实施例中样本相似性度量比较图；

[0081] 图7为本发明实施例中相似性度量叠加处理数据图。

具体实施方式

[0082] 下面结合附图对本发明的实施例做进一步描述：

[0083] 如图1所示，基于多模态数据的封闭母线R‑CNN温度故障监测方法，包括以下步骤：

[0084] S1、采集封闭母线槽体的多模态数据，包括母线导体的电流负荷、封闭母线槽的环境温度、风机冷却系统的冷却效率；

[0085] S2、对采集到的数据进行预处理，包括数据清洗和归一化处理；

[0086] S3、将归一化处理后的数据经过分配权重、加权平均、模态建模后，融合到一个综合的多模态数据集中，并获得关于数据指标的模拟图像；

[0087] S4、建立卷积神经网络模型R‑CNN，并通过选择性搜索算法Selective search算法产生数据指标的候选区域，对该候选区域进行压缩、非线性变换、SVM分类和消除冗余操作实现所需封闭母线障碍信息的判断提取，获得温度异常候选特征样本；

[0088] S5、对候选特征样本进行相似性度量数据分析，实现封闭母线温度故障信息的监测。

[0089] S1中，收集封闭母线槽体的多模态数据的过程为：

[0090] S11、通过安装在封闭母线导体内部的具有霍尔效应的电流传感器，获取母线导体的电流负荷，获取的电流负荷集为 ，即为不同时刻的50个样本数据，下同；

[0091] S12、通过安装在封闭母线槽中的热敏电阻传感器，获取的环境温度集为；

[0092] S13、通过安装在风机进出口处的两个温度传感器，获取风机进、出口处的空气温度 、 ，冷却效率的计算公式为：

[0093] （1）；

[0094] 通过式（1）获取的冷却效率集为 ；

[0095] S14、设置时间集 ，用于表示数据集C、T、E中各个样本的对应时刻。

[0096] S2中，数据清洗的方法为：

[0097] S211、对于数据集C、T、E进行删除缺失值处理：

[0098] （2）；

[0099] 式中，dropna()是Pandas库中的函数，作用为删除数据中的缺失值； 、 、分别为删除缺失值后的新数据集；

[0100] S212、对删除区域进行数据填充，使得数据仍然保持i个样本：

[0101] （3）；

[0102] 式中，fillna()是Pandas库中的函数，作用为填充数据中的缺失值； 、 、分别为进行填充之后的新数据集。

[0103] S2中，归一化处理的方法为：

[0104] （4）；

[0105] 式中，min()、max()分别为数据集的最小和最大数据样本， 、 、 分别为归一化后的数据集。通过该过程实现了数据的归一化处理，将数据压缩到一个[0,1]的固定范围之中，归一化处理前后的数据变化情况如图2所示。

[0106] S3中，建立融合的多模态数据集，并获得关于数据指标的模拟图像的步骤为：

[0107] S31、通过三个元素A、B、D分别代表 、 、 中的任意一个样本，权重分配公式为：

[0108] （5）；

[0109] 式中， 分别是元素A、B、D的权重，且 ；

[0110] S32、构建三个元素的比较矩阵 ：

[0111] （6）；

[0112] 现对于该比较矩阵进行特征值分解，获取权重向量：

[0113] （7）；

[0114] 式中，为 的特征值，为每个特征值 所对应的特征向量；

[0115] S33、将得到的特征向量 进行标准化处理，得到最终的权重向量：

[0116] （8）；

[0117] 式中， 为最终输出结果， 、 、 分别为元素A、B、D所对应的最终权重向量；

[0118] S34、进行加权平均处理，对于元素A、B、D进行加权平均：

[0119] （9）；

[0120] 式中， 为加权平均后的结果；

[0121] S35、进行模态建模：在分配权重、加权平均后，电流负荷、环境温度和冷却效率的集合记为： 、 、，构成新的多模态数据集，其中的电流负荷、环境温度和冷
却效率即为数据指标；

[0122] S36、将多模态数据集进行融合，将数据构建成一个矩阵，其中每一行表示一个样本集，每一列表示一个权重向量（也可称之为特征），将矩阵中的数值映射到像素值，通过图像处理库Matplotlib创建图像，将矩阵中的数值以颜色的形式表示，输出100×100像素的特征图片，多模态数据集建立与融合输出过程如图4所示。

[0123] S4中，进行封闭母线障碍信息的判断提取的步骤为：

[0124] S41、将获取的图像引入R‑CNN模型中，通过选择性搜索算法获得每张图像的候选区域：

[0125] R‑CNN即用CNN代替传统特征HOG提取方法。此时的特征图片是10个样本的特征输出，该样本如表1所示。Selective search算法可以获得每张特征图片的候选区域，本实施例中，每张特征图片的目标候选区域为500。

[0126] 表1 10个样本的特征输出

[0127]

[0128] S411、初始化候选区域集合，将整张图像看作一个初始的候选区域，计算相似性，相似性的计算通过图像的颜色相似性度量和区域大小相似性度量进行；

[0129] S412、选择相似性度量最低的区域进行分割，产生一个候选区域，重复该步骤，直到满足目标候选区域为500个时停止，该候选区域集记为： ；

[0130] S413、进行颜色相似性度量计算：

[0131] （10）；

[0132] 式中， 为任意一个候选区域m内的不同区域， 分别为与第m个候选区域的面积比较率；

[0133] S414、进行区域大小相似性度量计算：

[0134] （11）；

[0135] 式中， 分别为邻域 的面积；

[0136] S415、通过S413和S414的计算产生3个相似度最小的候选区域，对这3个候选区域集进行压缩和非线性变换，对非线性变换后的结果进行支持向量机SVM分类，并通过非极大值抑制算法消除SVM分类后的冗余特征，最终获得训练后的温度异常候选特征样本。其中，压缩采用固定比例压缩，非线性变换采用变换矩阵进行。

[0137] 本实施例中，非线性变换采用变换矩阵来实现，每类指标分别是50个样本，故使用50个分类器，500维特征，3078个训练层。

[0138] ；

[0139] 其中， 表示500维特征。 表示3078个训练层。中共50个分类器，其中 表示第2个训练层上的第1个分类器，以此类
推。

[0140] 这样，通过变换矩阵，就可以实现所有样本的非线性变换。

[0141] 多模态融合图像的训练示意图如图5所示。训练过程即为压缩、非线性变换、SVM分类和借助（Non‑maximum suppression）非极大值抑制算法消除冗余操作（图5中，k即为消除冗余后的最后一个特征分类的编号）。

[0142] 以上过程中，Selective search算法产生的候选区域是3个数据指标相似度最小的区域，即最有可能发生温度异常变化的候选区域。这些候选区域经过压缩、非线性变换、SVM分类和消除冗余特征，最终获取训练后的温度异常候选特征样本。该样本即为10个样本综合考虑后的相似性度量（表2、表3和图6、图7中简称为相似度值），具体信息如表2所示，样本相似度值比较情况如图6所示。

[0143] 表2 10个样本综合考虑后的相似度值信息

[0144]

[0145] 最后通过MATLAB对10个样本的相似度值进行相似叠加处理，处理后的图像如图7所示。并对处理后的数据进行相似度值分析，如表3所示。通过以上操作，判断出封闭母线的故障信息位于[t7，t8]区间（相似值最大）。可以利用该方法分析多模态数据集合中其它数据（即为其余40个样本）的异常，实现封闭母线的温度故障监测任务。

[0146] 表3中相关计算举例：

[0147] 相似叠加的计算：如0.24=（0.51‑0.24）+（0.51‑0.39）+（0.24‑0.39）的绝对值。

[0148] 接近比较的计算：如0.42=（0.51‑0.24）+（0.24‑0.24）+（0.39‑0.24）的绝对值。

[0149] 相似值分析1（与相似值分析2一起即为相似性分析）中的0.01为接近比较中的0.42‑0.43的绝对值，代表[t1，t2]区间的相似值，相似值分析2中的0.04为接近比较中的
0.43‑0.39的绝对值，代表[t2，t3]区间相似值。

[0150] 表3 相似叠加处理后的相似度值分析

[0151]