CN110555008B - 一种发电机综合诊断与状态评估云平台 - Google Patents
一种发电机综合诊断与状态评估云平台 Download PDFInfo
- Publication number
- CN110555008B CN110555008B CN201910721244.1A CN201910721244A CN110555008B CN 110555008 B CN110555008 B CN 110555008B CN 201910721244 A CN201910721244 A CN 201910721244A CN 110555008 B CN110555008 B CN 110555008B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- state evaluation
- state
- data
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 151
- 238000011156 evaluation Methods 0.000 title claims abstract description 143
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 230000003993 interaction Effects 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000007621 cluster analysis Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 24
- 238000013500 data storage Methods 0.000 claims description 16
- 238000009413 insulation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000011158 quantitative evaluation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明适用于云平台技术领域,公开了一种发电机综合诊断与状态评估云平台,包括采集模块、预处理模块、分析模块和用户交互模块;分析模块包括Hadoop分布式文件系统和Spark集群分析单元;预处理模块对采集模块采集的状态数据文件预处理;用户交互模块获取用户提交的综合诊断与状态评估任务;Hadoop分布式文件系统保存预处理后的状态数据文件;Spark集群分析单元利用Spark技术,根据综合诊断与状态评估任务从Hadoop分布式文件系统中获取该任务对应的数据,并根据该任务对应的数据对发电机进行诊断与评估,得到诊断与评估结果。本发明可以对海量数据进行分析,提高发电机综合诊断与状态评估结果的准确性。
Description
技术领域
本发明属于云平台技术领域,尤其涉及一种发电机综合诊断与状态评估云平台。
背景技术
发电机在电力系统中被普遍应用,发电机的安全性与可靠性对整个电力系统的正常运行至关重要。发电机,尤其是大型发电机,结构复杂,一旦出现故障,需要的检修时间较长,带来较大的经济损失。因此,对发电机进行综合诊断与状态评估是十分必要的。
目前,发电机综合诊断与状态评估系统只能对少量数据进行分析处理,无法对海量数据进行分析处理,导致诊断与评估结果不准确。
发明内容
有鉴于此,本发明实施例提供了一种发电机综合诊断与状态评估云平台,以解决现有技术中无法对海量数据进行分析处理,导致综合诊断与状态评估结果不准确的问题。
本发明实施例提供了一种发电机综合诊断与状态评估云平台,包括采集模块、预处理模块、分析模块和用户交互模块;分析模块包括Hadoop分布式文件系统和Spark集群分析单元;
采集模块用于通过传感器采集发电机的状态数据,并生成状态数据文件;预处理模块用于利用Hadoop技术对状态数据文件进行预处理得到预处理后的状态数据文件;用户交互模块用于获取用户提交的综合诊断与状态评估任务,以及接收并显示综合诊断与状态评估结果;Hadoop分布式文件系统用于接收并保存预处理模块上传的预处理后的状态数据文件;Spark集群分析单元用于接收用户交互模块发送的综合诊断与状态评估任务,并利用Spark技术,根据综合诊断与状态评估任务从Hadoop分布式文件系统中获取该任务对应的数据,并根据该任务对应的数据对发电机进行综合诊断与状态评估,得到综合诊断与状态评估结果。。
可选地,预处理模块包括文件服务器和Hadoop客户端;
文件服务器用于接收并保存采集模块上传的状态数据文件;
Hadoop客户端用于对文件服务器中的状态数据文件进行预处理得到预处理后的状态数据文件,并把预处理后的状态数据文件上传至分析模块。
可选地,预处理包括创建文件目录、文件合并、文件拆分和文件分类中的一种或多种。
可选地,Spark集群分析单元还用于利用Spark集群技术,将综合诊断与状态评估任务划分为多个子任务,并根据多个子任务从Hadoop分布式文件系统中获取各个子任务对应的数据,根据各个子任务对应的数据分别执行各个子任务,得到各个子任务的执行结果,以及根据各个子任务的执行结果,得到综合诊断与状态评估结果。
可选地,综合诊断与状态评估任务包括定子诊断与状态评估任务和转子诊断与状态评估任务,综合诊断与状态评估结果包括定子诊断与状态评估结果和转子诊断与状态评估结果;
Spark集群分析单元包括定子状态分析子单元和转子状态分析子单元;
定子状态分析子单元用于接收用户交互模块发送的定子诊断与状态评估任务,并利用Spark技术,根据定子诊断与状态评估任务从Hadoop分布式文件系统中获取该任务对应的数据,并根据该任务对应的数据对定子进行诊断与状态评估,得到定子诊断与状态评估结果;
转子状态分析子单元用于接收用户交互模块发送的转子诊断与状态评估任务,并利用Spark技术,根据转子诊断与状态评估任务从Hadoop分布式文件系统中获取该任务对应的数据,并根据该任务对应的数据对转子进行诊断与状态评估,得到转子诊断与状态评估结果。
可选地,用户交互模块包括数据存储单元和用户交互单元;
数据存储单元用于接收并存储分析模块发送的综合诊断与状态评估结果;
用户交互单元用于获取用户提交的综合诊断与状态评估任务,并把综合诊断与状态评估任务发送至分析模块,以及从数据存储单元获取综合诊断与状态评估结果,并显示综合诊断与状态评估结果。
可选地,数据存储单元包括第一数据库和第二数据库;
第一数据库用于接收并存储分析模块发送的综合诊断与状态评估结果,并定时将存储的所有数据迁移到第二数据库,以及在所有数据迁移成功后,删除存储的所有数据;
第二数据库用于接收并存储第一数据库迁移的所有数据。
可选地,第一数据库为键值对型数据库,第二数据库为关系型数据库。
可选地,第一数据库为Redis数据库。
可选地,用户交互单元为浏览器/服务器系统。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例提供的发电机综合诊断与状态评估云平台包括采集模块、预处理模块、分析模块和用户交互模块;分析模块包括Hadoop分布式文件系统和Spark集群分析单元;采集模块用于通过传感器采集发电机的状态数据,并生成状态数据文件;预处理模块用于利用Hadoop技术对状态数据文件进行预处理得到预处理后的状态数据文件;用户交互模块用于获取用户提交的综合诊断与状态评估任务,以及接收并显示综合诊断与状态评估结果;Hadoop分布式文件系统用于接收并保存预处理模块上传的预处理后的状态数据文件;Spark集群分析单元用于接收用户交互模块发送的综合诊断与状态评估任务,并利用Spark技术,根据综合诊断与状态评估任务从Hadoop分布式文件系统中获取该任务对应的数据,并根据该任务对应的数据对发电机进行综合诊断与状态评估,得到综合诊断与状态评估结果。本发明实施例能够对海量数据进行分析处理,通过对海量数据进行分析处理,能够提高发电机综合诊断与状态评估结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的发电机综合诊断与状态评估云平台的结构示意图;
图2是本发明又一实施例提供的发电机综合诊断与状态评估云平台的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是本发明一实施例提供的发电机综合诊断与状态评估云平台10的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分。其中,发电机可以是大型发电机。
如图1所示,发电机综合诊断与状态评估云平台10可以包括采集模块11、预处理模块12、分析模块13和用户交互模块14;分析模块13包括Hadoop分布式文件系统131和Spark集群分析单元132;
采集模块11用于通过传感器实时采集发电机的状态数据,并生成状态数据文件;预处理模块12用于利用Hadoop技术对状态数据文件进行预处理得到预处理后的状态数据文件;用户交互模块14用于获取用户提交的综合诊断与状态评估任务,以及接收并显示综合诊断与状态评估结果;Hadoop分布式文件系统131用于接收并保存预处理模块12上传的预处理后的状态数据文件;Spark集群分析单元132用于接收用户交互模块14发送的综合诊断与状态评估任务,并利用Spark技术,根据综合诊断与状态评估任务从Hadoop分布式文件系统131中获取该任务对应的数据,并根据该任务对应的数据对发电机进行综合诊断与状态评估,得到综合诊断与状态评估结果。
在本发明实施例中,采集模块11和预处理模块12连接,分析模块13分别与预处理模块12和用户交互模块14连接,对应的,Hadoop分布式文件系统131分别与预处理模块12和Spark集群分析单元132连接,Spark集群分析单元132与用户交互模块14连接。
采集模块11用于通过传感器采集发电机的状态数据,并根据采集的发电机的状态数据生成状态数据文件,以及将生成的状态数据文件以FTP(File Transfer Protocol,文件传输协议)方式上传至预处理模块12。
预处理模块12用于接收采集模块11上传的上述状态数据文件,并利用Hadoop技术对状态数据文件进行预处理得到预处理后的状态数据文件,以及将预处理后的状态数据文件上传至分析模块13。
用户交互模块14用于获取用户提交的综合诊断与状态评估任务,并把综合诊断与状态评估任务提交给分析模块13,以及接收并显示分析模块13发送的该综合诊断与状态评估任务对应的综合诊断与状态评估结果。
Hadoop分布式文件系统131可以用于接收并保存预处理模块12上传的预处理后的状态数据文件。
Spark集群分析单元132可以用于接收用户交互模块14发送的综合诊断与状态评估任务,并利用Spark技术,根据该综合诊断与状态评估任务从Hadoop分布式文件系统131中获取该综合诊断与状态评估任务对应的数据,并根据该综合诊断与状态评估任务对应的数据对发电机进行综合诊断与状态评估,得到该综合诊断与状态评估任务对应的综合诊断与状态评估结果,以及将该综合诊断与状态评估结果回写至用户交互模块14。
示例性地,若该综合诊断与状态评估任务为对当前的定子进行诊断与评估,那么Spark集群分析单元132从Hadoop分布式文件系统131中获取当前定子的状态数据,并根据当前定子的状态数据对定子进行综合诊断与状态评估,得到当前定子的综合诊断与状态评估结果。
当Spark集群分析单元132接收到综合诊断与状态评估任务后,操作系统将Spark程序作为一个Client并在集群节点上为其启动一个资源管理器,对Spark程序分配内存、CPU(Central Processing Unit,中央处理器)和信道等资源;Spark部署完毕之后,可以通过携带的执行命令(综合诊断与状态评估任务)对Hadoop分布式文件系统131中指定位置的HDFS数据资源进行存取、统计、分析或者删除操作;任务完成后,把任务执行结果回写到用户交互模块14的数据库中;回写完成后,Spark在资源管理器中注销任务,释放资源。
可选地,分析模块13还用于将预处理后的状态数据文件发送至用户交互模块14;用户交互模块14还用于接收并存储分析模块13发送的预处理后的状态数据文件中的状态数据。
在本发明实施例中,Hadoop是一个能够对大量数据进行分布式处理的开源系统架构,它提供了两个部分的内容:第一是为海量数据提供了存储HDFS(Hadoop DistributedFile System,Hadoop分布式文件系统);第二是为海量数据提供计算的MapReduce(映射规约)。HDFS是一种能够在通用硬件上运行的高容错性分布式文件系统,可以提供超高吞吐量的访问数据,可以用来处理大型发电机的状态数据。集群间通过HDFS的Hadoop RPC(RemoteProcedure Call,远程过程调用)协议通信,能够运用备份存储技术增加系统的容错性。Spark能够兼容Hadoop的API(Application Programming Interface,应用程序接口),可以任意读写HDFS中的资源,相比于Hadoop自身携带的MapReduce大规模数据集计算模型,Spark采用内存并行计算技术与流式处理技术,其处理速度会比MapReduce快上很多,云平台涉及到实时处理,所以选用Spark。
由上述描述可知,本发明实施例通过Hadoop技术和Spark技术可以实现对海量数据的分析处理,通过对海量数据进行分析处理,能够提高发电机综合诊断与状态评估结果的准确性;通过对发电机进行状态诊断和评估,能够及时发现发电机的故障,减小发电机故障带来的影响。
如图2所示,在本发明的一个实施例中,预处理模块12包括文件服务器121和Hadoop客户端122;
文件服务器121用于接收并保存采集模块11上传的状态数据文件;
Hadoop客户端122用于对文件服务器121中的状态数据文件进行预处理得到预处理后的状态数据文件,并把预处理后的状态数据文件上传至分析模块13。
在本发明的一个实施例中,预处理包括创建文件目录、文件合并、文件拆分和文件分类中的一种或多种。
其中,文件服务器121分别与采集模块11和Hadoop客户端122连接,Hadoop客户端122与分析模块13连接。
文件服务器121可以用于接收并保存采集模块11上传的状态数据文件,并将该状态数据文件发送至Hadoop客户端122。文件服务器121可以是FTP文件服务器。
Hadoop客户端122可以用于接收文件服务器121发送的状态数据文件,并对该状态数据文件进行预处理得到预处理后的状态数据文件,以及将预处理后的状态数据文件上传至分析模块13。
示例性地,Hadoop客户端122可以将状态数据文件分类为定子状态数据文件和转子状态数据文件。若一个状态数据文件中既包含定子状态数据,又包含转子状态数据,则可以将该装填数据文件拆分为两个文件,分别为定子状态数据文件(存储该定子状态数据)和转子状态数据文件(存储该转子状态数据)。若多个状态数据文件中均包含相同时间或相同时间段的定子状态数据(转子状态数据),则可以将该多个状态数据文件合并为一个状态数据文件。Hadoop客户端122还可以用于创建目录,例如创建某个时间或时间段的发电机的状态数据目录。Hadoop客户端122还可以删除重复数据,填充空缺数据等等。
在本发明的一个实施例中,Spark集群分析单元132还用于利用Spark集群技术,将综合诊断与状态评估任务划分为多个子任务,并根据多个子任务从Hadoop分布式文件系统131中获取各个子任务对应的数据,根据各个子任务对应的数据分别执行各个子任务,得到各个子任务的执行结果,以及根据各个子任务的执行结果,得到综合诊断与状态评估结果。
本发明实施例采用Spark分布式并行计算框架对大数据进行并行化处理、计算。Spark是基于内存计算的大数据处理框架,相较于MapReduce,其对高迭代算法的执行效率更高,降低了综合诊断与状态评估算法分析的时间,可以满足海量电网监测的状态数据计算时对时间和效率的需求。Spark计算框架接收到任务后,首先完成任务的划分工作,Spark框架将将任务分解成众多子任务,然后再将子任务交由集群资源管理程序进行调度。
Spark框架在实现算法的并行化处理时,首先进行RDD(Resilient DistributedDatasets,弹性分布式数据集)操作,将算法并行化处理的工作执行相关动作,从而生成RDD对象,将任务传给调度程序,调度程度根据RDD的不同操作将RDD拆分成不同的阶段,然后将各个阶段中的每个步骤拆分成子任务,子任务即是任务的最小单位,按照逻辑关系将子任务集提交给任务调度程序,由任务调度程序负责子任务集的处理,任务调度程序将子任务集中的各个子任务构建成执行程序,根据先后顺序和依赖关系,向集群管理器申请资源,为执行程序分配资源并进行计算,最终达到算法的并行计算。
当一个RDD操作触发计算时,会向调度程序提交任务,调度程序会从RDD依赖链的末端出发遍历RDD链,然后划分阶段,并决定每个阶段间的依赖关系,建立好依赖关系后,根据依赖关系进行调度阶段的提交工作。调度阶段的提交最终会被转换成一个子任务集的提交,提交给任务调度程序后,任务调度程序会建立任务集调度管理器和任务调度管理器,这两个管理器负责管理子任务集和子任务的生命周期,任务调度程序会向底层资源调度工具申请资源,然后在执行器中进行计算。对于状态监控来说,任务调度程序会在任务执行的生命周期中调用一些回调函数,这些回调函数的返回值即是子任务的开始、结束等信息,将这些结果返回给调度程序。对于结果反馈,一个具体的子任务在执行程序执行完成后,将其结果以某种形式返回给调度程序,对于不同的子任务类型,子任务结果的返回方式也不同。
在本发明的一个实施例中,综合诊断与状态评估任务包括定子诊断与状态评估任务和转子诊断与状态评估任务,综合诊断与状态评估结果包括定子诊断与状态评估结果和转子诊断与状态评估结果;
Spark集群分析单元132包括定子状态分析子单元和转子状态分析子单元;
定子状态分析子单元用于接收用户交互模块14发送的定子诊断与状态评估任务,并利用Spark技术,根据定子诊断与状态评估任务从Hadoop分布式文件系统131中获取该任务对应的数据,并根据该任务对应的数据对定子进行诊断与状态评估,得到定子诊断与状态评估结果;
转子状态分析子单元用于接收用户交互模块14发送的转子诊断与状态评估任务,并利用Spark技术,根据转子诊断与状态评估任务从Hadoop分布式文件系统131中获取该任务对应的数据,并根据该任务对应的数据对转子进行诊断与状态评估,得到转子诊断与状态评估结果。
在本发明实施例中,定子状态分析子单元和转子状态分析子单元均分别与Hadoop分布式文件系统131和用户交互模块14连接。
其中,综合诊断与状态评估任务包括定子诊断与状态评估任务和转子诊断与状态评估任务。定子诊断与状态评估任务是对发电机的定子进行综合诊断与状态评估的任务,对应于定子诊断与状态评估结果;转子诊断与状态评估任务是对发电机的转子进行综合诊断与状态评估的任务,对应于转子诊断与状态评估结果。
具体地,可以根据基于深度学习算法的定子、转子匝间故障诊断方法分别对定子和转子进行综合诊断与状态评估。该方法利用由Contvolution(卷积)层、Pooling(池化)层、Flatten层以及MLP(Multi-Layer Perceptron,多层感知器)层构成的深度网络结构,对转子检测故障信息进行学习获得对应的转子诊断与评估模型,对定子检测故障信息进行学习获得对应的定子诊断与评估模型。然后引入大型发电机实际运行数据,该方法的分类精度和准确性均优于传统决策树算法和神经网络算法。
当执行定子诊断与状态评估任务时,将定子状态数据输入该定子诊断与评估模型,得到定子诊断与状态评估结果。当执行转子诊断与状态评估任务时,将转子状态数据输入该转子诊断与评估模型,得到转子诊断与状态评估结果。
在该方法中,输入数据输入卷积层,对于卷积层其输入为:对于一个二维矩阵I,该卷积层对应的一个m行n列的核K计算产生对应的公式为:
上式中,s的每一个元素均通过该公式计算获得,一个卷积层可以对应多个核,每个核Kernel对应一个输出s。Pooling层连接Convolution层,Pooling层指定一个filter(过滤器)的大小通过该filter将输入矩阵划分为多个子部分,而每个子部分经过计算获得一个输出值。该层在默认情况下使用Max求子部分的最大值,当然也可选用Mean、Stdv等方式进行计算。Flatten层将Pooling层的输出转换为1维矢量并连接MLP层;MLP层为一个3层神经网络连接Flatten层,包含一个隐层、一个输出层。对于该深度网络结构,其训练算法如下:
输入:训练样本集合Train Set,最大训练次数NUM
输出:深度网络结构DeepModel
Begin
根据该训练算法可以基于训练的效果动态地添加核,直到精度满足要求。在该算法基础上模型的获取及综合诊断与状态评估过程如下:1)对于每一个样本数据,截取该样本所在时间点之前的s秒所有大型发电机/定子/转子采样得到的状态数据,构成一个数据矩阵M,该矩阵的横向为不同的采样点,纵向为对应采样点不同的属性,转换所有样本构成训练样本集合TrainSet;2)利用该训练算法获得深度网络结构DeepModel;3)对应大型发电机当前的时间点,截取该样本所在时间点之前的s秒所有大型发电机/定子/转子采样得到的状态数据,构成待分析数据矩阵N,将N输入给DeepModel获得诊断结果。
可选地,分析模块13可以根据线圈类设备匝间绝缘劣化程度定量评估方法分别对定子和转子匝间绝缘劣化程度进行诊断与评估。
其中,线圈类设备匝间绝缘劣化程度定量评估方法可以包括以下步骤:
在通过脉冲发生器将检测脉冲分别注入待检测线圈的两端后,通过脉冲接收装置在待检测线圈的两端处分别接收与检测脉冲对应的反射脉冲;
计算接收到的两条反射脉冲的差值波形,并计算差值波形对应的故障系数;
在预设的程度等级表中查找与故障系数对应的绝缘劣化程度等级。
可选地,计算差值波形对应的故障系数,包括:
计算差值波形对应的波形函数;
利用波形函数计算差值波形对应的故障系数。
可选地,计算差值波形对应的波形函数,包括:
获取N组波形数据,并利用N组波形数据建立数据集合,其中,第i组波形数据为(ti,yi),ti为差值波形中的第i个时刻,yi为差值波形中第i个时刻对应的波值,Tall为差值波形对应的时间,Δt为差值波形对应的采样频率;
利用线性回归算法对数据集合进行回归计算,得到差值波形的拟合函数;
计算拟合函数与差值波形之间的相关率;
若相关率大于或等于第一预设值,则将拟合函数作为差值波形对应的波形函数;
若相关率小于第一预设值,则重新利用线性回归算法对数据集合进行回归计算,直到拟合函数与差值波形之间的相关率大于或等于第一预设值。
可选地,计算拟合函数与差值波形之间的相关率,包括:
通过分别计算差值波形中每一时刻对应的相关系数,得到N个相关系数,其中,xi为第i个时刻对应的拟合函数的函数值,yi为第i个时刻对应的差值波形的波值,ri(xi,yi)为第i个时刻对应的相关系数,cov()为协方差函数,var[]为方差函数;
将计算得到的N个相关系数中数值大于第二预设值的相关系数对应的时刻记为相关时刻,并统计所有N个时刻中相关时刻的个数;
可选地,利用波形函数计算差值波形对应的故障系数,包括:
其中,C为故障系数,t1为差值波形的起始时刻,t2为差值波形的截止时刻,f(t)为波形函数。
如图2所示,在本发明的一个实施例中,用户交互模块14包括数据存储单元141和用户交互单元142;
数据存储单元141用于接收并存储分析模块13发送的综合诊断与状态评估结果;
用户交互单元142用于获取用户提交的综合诊断与状态评估任务,并把综合诊断与状态评估任务发送至分析模块13,以及从数据存储单元141获取综合诊断与状态评估结果,并显示综合诊断与状态评估结果。
其中,数据存储单元141分别与Spark集群分析单元132和用户交互单元142连接,用户交互单元142与Spark集群分析单元132连接。
在本发明的一个实施例中,数据存储单元141包括第一数据库和第二数据库;
第一数据库用于接收并存储分析模块13发送的综合诊断与状态评估结果,并定时将存储的所有数据迁移到第二数据库,以及在所有数据迁移成功后,删除存储的所有数据;
第二数据库用于接收并存储第一数据库迁移的所有数据。
其中,第一数据库分别与Spark集群分析单元132和第二数据库连接,第二数据库与用户交互单元142连接。
第一数据库还用于接收并存储分析模块13发送的预处理后的状态数据文件中的数据。
在本发明的一个实施例中,第一数据库为键值对(key-value)型数据库,第二数据库为关系型数据库。
在本发明的一个实施例中,第一数据库为Redis数据库。
Redis是一个高性能的key-value存储系统,能对关系型数据库起到很好的补充作用。本发明实施例采用Redis和关系型数据库相结合的数据存储方式。数据库存储架构分为缓存层和持久化层,Redis作为数据缓存层具有高效数据写入性能,用Redis的集合数据类型存储索引信息、在线监测的状态数据和综合诊断与状态评估结果,定时将Redis中的数据迁移到关系型数据库中,并将Redis内存中的数据清除,准备接收新的数据。
关系型数据库支持数据持久化存储,将数据保存在硬盘中,降低数据存储成本。Redis基于内存的数据写入性能较高,关系型数据库有较高的数据访问响应能力,采用Redis和关系型数据库相结合的存储架构,首先提高了实时接收海量数据的数据存储效率问题和数据的持久性存储问题,其次提高了读写操作的效率,解决了用户量增大带来的访问操作频繁问题。
Redis数据库底层通过TCP(Transmission Control Protocol,传输控制协议)进行通信,而TCP协议需要在建立连接时采用“三次握手”协议,而在连接终止时采用“四次握手”协议进行通信,具有很大时间消耗,当用户量增多时,连接的建立和终止占用的时间比例较大。为了尽可能提高Redis性能,本发明实施例采用Redis数据库连接池来管理客户端与数据库之间的连接。在初始化阶段创建一定数量的连接放入连接池中,当客户端需要建立连接时,直接从连接池取出一条连接使用,从而降低建立连接的时间,而当用户访问结束需要终止连接时,并不将该连接释放,而是放入连接池中继续等待下次连接使用。
在本发明的一个实施例中,用户交互单元142为浏览器/服务器(B/S)系统。
B/S结构包括客户机、Web服务器和数据服务器三层结构。B/S客户端无需安装任何软件,用户只需通过www等相关的浏览器便可进行便捷的操作,同时系统的扩展性强,只要能上网,就能兼容扩展手机端。在B/S结构下,主要事务逻辑基本都在服务器端实现,浏览器端只需处理极少部分的事务逻辑。其具体工作流程如下:客户机与Web服务器作为前端客户端和后台数据库服务器的桥梁接受客户端发送的请求,对请求进行集中处理,再与数据库服务器建立连接并提出数据处理申请,数据服务器接受申请并进行相应的数据逻辑操作,将处理的结果通过Web服务器传送回客户机,客户机将得到的结果通过浏览器显示给用户,进而完成用户的请求。
B/S系统的功能分为管理员功能和用户功能,其中管理员分为系统管理员和企业管理员两类。系统管理员统筹全局,只有一个,能够进行企业管理、企业搜索、部门管理等功能;企业管理员对应着一个企业,可以有多个,能够进行用户管理、数据管理和全局管理等功能;对于企业的员工,可以进行登录注销、文件上传、文件下载、分类浏览、文件共享、文件搜索等功能。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块/单元,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能模块和单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种发电机综合诊断与状态评估云平台,其特征在于,包括采集模块、预处理模块、分析模块和用户交互模块;所述分析模块包括Hadoop分布式文件系统和Spark集群分析单元;
所述采集模块用于通过传感器采集发电机的状态数据,并生成状态数据文件;所述预处理模块用于利用Hadoop技术对所述状态数据文件进行预处理得到预处理后的状态数据文件;所述用户交互模块用于获取用户提交的综合诊断与状态评估任务,以及接收并显示综合诊断与状态评估结果;所述Hadoop分布式文件系统用于接收并保存所述预处理模块上传的所述预处理后的状态数据文件;所述Spark集群分析单元用于接收所述用户交互模块发送的所述综合诊断与状态评估任务,并利用Spark技术,根据所述综合诊断与状态评估任务从所述Hadoop分布式文件系统中获取该任务对应的数据,并根据所述该任务对应的数据对发电机进行综合诊断与状态评估,得到所述综合诊断与状态评估结果;
所述用户交互模块包括数据存储单元;所述数据存储单元包括第一数据库和第二数据库;所述第一数据库用于接收并存储所述分析模块发送的所述综合诊断与状态评估结果,并定时将存储的所有数据迁移到所述第二数据库,以及在所述所有数据迁移成功后,删除存储的所述所有数据;所述第二数据库用于接收并存储所述第一数据库迁移的所述所有数据;所述第一数据库为Redis数据库,采用Redis数据库连接池来管理通信连接;所述第二数据库为关系型数据库;
所述分析模块还用于根据线圈类设备匝间绝缘劣化程度定量评估方法分别对所述发电机的定子和转子匝间绝缘劣化程度进行诊断与评估;所述线圈类设备匝间绝缘劣化程度定量评估方法包括:在通过脉冲发生器将检测脉冲分别注入待检测线圈的两端后,通过脉冲接收装置在所述待检测线圈的两端处分别接收与所述检测脉冲对应的反射脉冲;计算接收到的两条反射脉冲的差值波形,并计算所述差值波形对应的故障系数;在预设的程度等级表中查找与所述故障系数对应的绝缘劣化程度等级。
2.根据权利要求1所述的发电机综合诊断与状态评估云平台,其特征在于,所述预处理模块包括文件服务器和Hadoop客户端;
所述文件服务器用于接收并保存所述采集模块上传的所述状态数据文件;
所述Hadoop客户端用于对所述文件服务器中的所述状态数据文件进行预处理得到所述预处理后的状态数据文件,并把所述预处理后的状态数据文件上传至所述分析模块。
3.根据权利要求1所述的发电机综合诊断与状态评估云平台,其特征在于,所述预处理包括创建文件目录、文件合并、文件拆分和文件分类中的一种或多种。
4.根据权利要求1所述的发电机综合诊断与状态评估云平台,其特征在于,所述Spark集群分析单元还用于利用Spark集群技术,将所述综合诊断与状态评估任务划分为多个子任务,并根据所述多个子任务从所述Hadoop分布式文件系统中获取各个子任务对应的数据,根据所述各个子任务对应的数据分别执行各个子任务,得到各个子任务的执行结果,以及根据所述各个子任务的执行结果,得到所述综合诊断与状态评估结果。
5.根据权利要求1所述的发电机综合诊断与状态评估云平台,其特征在于,所述综合诊断与状态评估任务包括定子诊断与状态评估任务和转子诊断与状态评估任务,所述综合诊断与状态评估结果包括定子诊断与状态评估结果和转子诊断与状态评估结果;
所述Spark集群分析单元包括定子状态分析子单元和转子状态分析子单元;
所述定子状态分析子单元用于接收所述用户交互模块发送的所述定子诊断与状态评估任务,并利用Spark技术,根据所述定子诊断与状态评估任务从所述Hadoop分布式文件系统中获取该任务对应的数据,并根据所述该任务对应的数据对定子进行诊断与状态评估,得到定子诊断与状态评估结果;
所述转子状态分析子单元用于接收所述用户交互模块发送的所述转子诊断与状态评估任务,并利用Spark技术,根据所述转子诊断与状态评估任务从所述Hadoop分布式文件系统中获取该任务对应的数据,并根据所述该任务对应的数据对转子进行诊断与状态评估,得到转子诊断与状态评估结果。
6.根据权利要求1至5任一项所述的发电机综合诊断与状态评估云平台,其特征在于,所述用户交互模块还包括用户交互单元;
所述数据存储单元用于接收并存储所述分析模块发送的所述综合诊断与状态评估结果;
所述用户交互单元用于获取用户提交的综合诊断与状态评估任务,并把所述综合诊断与状态评估任务发送至所述分析模块,以及从所述数据存储单元获取所述综合诊断与状态评估结果,并显示所述综合诊断与状态评估结果。
7.根据权利要求1所述的发电机综合诊断与状态评估云平台,其特征在于,所述第一数据库为键值对型数据库。
8.根据权利要求6所述的发电机综合诊断与状态评估云平台,其特征在于,所述用户交互单元为浏览器/服务器系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721244.1A CN110555008B (zh) | 2019-08-06 | 2019-08-06 | 一种发电机综合诊断与状态评估云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721244.1A CN110555008B (zh) | 2019-08-06 | 2019-08-06 | 一种发电机综合诊断与状态评估云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555008A CN110555008A (zh) | 2019-12-10 |
CN110555008B true CN110555008B (zh) | 2022-05-24 |
Family
ID=68736897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910721244.1A Active CN110555008B (zh) | 2019-08-06 | 2019-08-06 | 一种发电机综合诊断与状态评估云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555008B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110994647A (zh) * | 2019-12-13 | 2020-04-10 | 国网北京市电力公司 | 电网的控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN107025274A (zh) * | 2017-03-21 | 2017-08-08 | 华中科技大学 | 基于Hadoop的设备健康状态智能感知系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190095992A1 (en) * | 2017-09-24 | 2019-03-28 | Annie Mafotsing Soh | Method and system to facilitate decentralized money services software as a service |
-
2019
- 2019-08-06 CN CN201910721244.1A patent/CN110555008B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN107025274A (zh) * | 2017-03-21 | 2017-08-08 | 华中科技大学 | 基于Hadoop的设备健康状态智能感知系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于大数据分析的风电机组运行状态监测方法研究;石睿;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20180815(第8期);I138-383 * |
Also Published As
Publication number | Publication date |
---|---|
CN110555008A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200380017A1 (en) | Automatic feature learning from a relational database for predictive modelling | |
AU2020385264B2 (en) | Fusing multimodal data using recurrent neural networks | |
CN104731595A (zh) | 面向大数据分析的混合计算系统 | |
US11237806B2 (en) | Multi objective optimization of applications | |
CN103713935B (zh) | 一种在线管理Hadoop集群资源的方法和装置 | |
US10956214B2 (en) | Time frame bounded execution of computational algorithms | |
Ogden et al. | {MODI}: Mobile deep inference made efficient by edge computing | |
JP2023508076A (ja) | アプリケーション・ベースのプロファイリングを用いた機械学習ワークロードの弾力的な実行 | |
US20210174189A1 (en) | Optimization Framework for Real-Time Rendering of Media Using Machine Learning Techniques | |
CN114564374A (zh) | 算子性能评估方法、装置、电子设备及存储介质 | |
Falah et al. | Comparison of cloud computing providers for development of big data and internet of things application | |
US20210216860A1 (en) | Neural-network-based methods and systems that generate forecasts from time-series data | |
CN110555008B (zh) | 一种发电机综合诊断与状态评估云平台 | |
Honest et al. | A survey of big data analytics | |
Li et al. | Bigprovision: a provisioning framework for big data analytics | |
CN117675838A (zh) | 一种智能量测主站数据自动同步及共享方法及系统 | |
US20190220532A1 (en) | Data processing with nullable schema information | |
Chaves et al. | An IoT cloud and big data architecture for the maintenance of home appliances | |
Pfandzelter et al. | Towards a Benchmark for Fog Data Processing | |
Belcastro et al. | Programming visual and script-based big data analytics workflows on clouds | |
Aspri et al. | On Realizing Distributed Deep Neural Networks: An Astrophysics Case Study | |
US20230136564A1 (en) | Agent assisted model development | |
US20230018965A1 (en) | Smart Change Evaluator for Robotics Automation | |
Lu | Big data scalability for high throughput processing and analysis of vehicle engineering data | |
Buzato et al. | Optimizing Microservices Performance and Resource Utilization through Containerized Grouping: An Experimental Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |