CN110907732A - 基于pca-rbf神经网络的调相机故障诊断方法 - Google Patents

基于pca-rbf神经网络的调相机故障诊断方法 Download PDF

Info

Publication number
CN110907732A
CN110907732A CN201911223806.6A CN201911223806A CN110907732A CN 110907732 A CN110907732 A CN 110907732A CN 201911223806 A CN201911223806 A CN 201911223806A CN 110907732 A CN110907732 A CN 110907732A
Authority
CN
China
Prior art keywords
fault
neural network
data
rbf neural
pca
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.)
Pending
Application number
CN201911223806.6A
Other languages
English (en)
Inventor
刘亚南
李辰龙
徐钢
梅睿
杨春
夏潮
李志强
马晓光
李贺文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Jiangsu Fangtian Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI, Jiangsu Fangtian Power Technology Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN201911223806.6A priority Critical patent/CN110907732A/zh
Publication of CN110907732A publication Critical patent/CN110907732A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于PCA‑RBF神经网络的调相机故障诊断方法和系统，通过主成分分析方法对样本数据进行降维简化，采用并应用径向基函数神经网络作为故障诊断的工具，采用训练样本对RBF神经网络进行训练并得到网络输出分类结果，与RBF神经网络算法相比，基于PCA‑RBF神经网络的计算准确率高，具有强大的工程应用价值；将经过PCA预处理后的数据送入RBF神经网络中进行诊断，简化了神经网络的结构，提高了网络的处理速度。

Description

基于PCA-RBF神经网络的调相机故障诊断方法
技术领域
本发明涉及调相机故障诊断技术领域，具体而言涉及一种基于PCA-RBF神经网络的调相机故障诊断方法和系统。
背景技术
同步调相机以其优异的短时过载能力、瞬时无功支撑能力以及动作可靠性，在维护交直流混合大电网的安全稳定运行方面具有重要作用，可望提高新能源消纳和抑制换相失败。旋转机械是同步调相机的核心设备，常年高速连续工作在高温等恶劣环境中，导致旋转部件是同步调相机故障集中的部分。因此，选择合适的故障诊断算法，实现调相机在线检测与故障诊断，降低调相机运行风险及损失，具有重要实践意义。
人工智能算法以其自学习能力强、联想存储、高速寻找最优解等特点，适用于处理“黑盒”问题，被广泛应用于故障诊断领域。多层感知器(Multi-Layer perceptron,MLP)、支持向量机(Support Vector Machine,SVM)以及径向基函数(Radial Basis Function)是适应于解决各类复杂分类问题的神经网络算法，被广泛应用于故障诊断领域。MLP网络是一种局部搜索的优化方法，适用于解决非线性问题，容错能力强，但在求解复杂问题时容易陷入局部极值。SVM网络通过在特征空间上寻找最大边距超平面，适用于求解非线性分类问题，但其算法依赖接触二次规划，占用内存大，运算时间长，导致它难以应用于大规模训练样本。RBF网络以任意精度接近任意函数，具有强大的非线性映射以及自学习能力。因此，目前RBF方法被广泛应用于故障诊断过程中，但其神经网络在训练过程中容易陷入局部最优解，导致RBF方法在故障诊断过程中的准确度不够高。RBF算法目前通常采用K-means算法生成历史样本的聚类中心作为径向基中心，但这种计算方法对初始值比较敏感，容易陷入局部最小解。
发明内容
本发明目的在于提供一种基于PCA-RBF神经网络的调相机故障诊断方法和系统，通过主成分分析方法(Principal Component Analysis，PCA)对样本数据进行降维简化，并应用径向基函数(Radial Basis Function)神经网络作为故障诊断的工具，采用训练样本对RBF神经网络进行训练并得到网络输出分类结果，与RBF神经网络算法相比，基于PCA-RBF神经网络的计算准确率高，具有强大的工程应用价值。
为达成上述目的，结合图1，本发明提出一种基于PCA-RBF神经网络的调相机故障诊断方法，所述诊断方法包括：
S1：选取若干次调相机的故障监测数据，处理后生成若干个样本数据，生成样本集，所述样本数据至少包括故障发生时调相机的运行数据和转轴振动变化特征数据；
S2：采用主成分分析方法对样本数据进行降维简化；
S3：基于径向基函数神经网络创建故障特征分析模块，将降维简化处理后的样本数据导入故障特征分析模块，对故障特征分析模块进行优化；
S4：实时获取调相机的运行数据，采用主成分分析方法对运行数据进行降维简化处理后，导入优化后的故障特征分析模块，判断调相机是否发生故障，如发生故障，计算得到故障发生的部位和故障原因。
进一步实施例中，步骤S1中，所述样本数据包括以下四种工作状态下的调相机的运行数据和转轴振动变化特征数据：正常运行、气隙偏心、转子绕组匝间短路和定子绕组匝间短路。
进一步实施例中，步骤S1中，选取若干次调相机的故障监测数据，处理后生成若干个样本数据的过程是指，
根据调相机组的振动故障的频率特征，对调相机组监测系统的实测振动数据进行小波分析，得到各特征频段的频谱特征向量，并经过归一化处理后作为PCA的条件属性，对应的故障类别作为决策属性形成诊断决策表。
进一步实施例中，所述对调相机组监测系统的实测振动数据进行小波分析，得到各特征频段的频谱特征向量的过程包括以下步骤：
S11：采用小波包交换对原始信号数据进行N层分解，得到多个频带的信号；
S12：根据第N层的分解系数，重构不同频率的信号，原始信号S由各个重构信号叠加而成：
Figure BDA0002301585210000021
其中，SNi为第N层第i个频带对应的分解系数重构而得的信号；
S13：根据下述公式计算各频带的能量：
Figure BDA0002301585210000022
式中，ENi为第i个频带的能量，XNi为重构信号的系数，t为作用时间；
根据下述公式计算各频带能量占比Epi：
Figure BDA0002301585210000023
最终，将各特征频段的频谱特征向量表示为：
Figure BDA0002301585210000024
进一步实施例中，步骤S2中，所述采用主成分分析方法对样本数据进行降维简化的过程包括以下步骤：
采用主成分分析方法对各特征频段的频谱特征向量进行降维，以减少数据的冗余度和各特征间的相关性。
进一步实施例中，所述故障特征分析模块的创建和优化过程包括以下步骤：
S31：在调相机组故障诊断中，将任意一次故障监测作为对象，对监测得到的机组信息数据经过相关处理后，将获得的机组故障状态的特征向量及定性征兆作为条件属性，对应的故障类别作为决策属性形成故障初始样本决策表；
S32：针对故障初始样本决策表中的特征向量，采用主成分分析方法对其进行降维处理，减少各特征之间的相关性和数据的冗余度。
S33：将降维处理后的样本数据作为输入，故障分类作为输出，构造相应的RBF神经网络，采用样本集中的训练样本对其进行学习和训练，根据实验确定出RBF神经网络的结构参数；
S34：将样本集中的测试样本输入前述RBF神经网络进行检验，判断其识别率和准确率是否达到预设要求，如任意一项达不到对应的预设要求，判定该RBF神经网络检验不通过，返回步骤S32，直至检验通过，结束流程。
进一步实施例中，步骤S33中，采用自组织选取法以确定RBF神经网络的的参数，所述RBF神经网络的的参数包括基函数的中心点cj、扩展常数σj以及连接权值wj。
进一步实施例中，所述诊断方法还包括以下步骤：
基于径向基函数神经网络创建故障处置建议模块，用于以故障特征分析模块的输出结果作为输入，结合调相机故障部位进行分析，输出对应的决策建议。
基于前述调相机故障诊断方法，本发明还提及一种基于PCA-RBF神经网络的调相机故障诊断系统，所述诊断系统包括以下几个模块：
(1)调相机组监测系统，用于实时采集调相机的运行数据；
(2)故障特征分析模块，用于采用主成分分析方法对实时采集的运行数据进行降维简化处理后，根据运行数据和转轴振动变化特征判断调相机是否发生故障，如发生故障，计算得到故障发生的部位和故障原因；
(3)故障处置建议模块，用于以故障特征分析模块的输出结果作为输入，结合调相机故障部位进行分析，输出对应的决策建议；
(4)人机交互模块，用于接收外部输入的控制指令和参数设置信息，以及显示故障分析结果和对应的决策建议。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
(1)通过主成分分析方法(Principal Component Analysis，PCA)对样本数据进行降维简化，并应用径向基函数(Radial Basis Function)神经网络作为故障诊断的工具，采用训练样本对RBF神经网络进行训练并得到网络输出分类结果，与RBF神经网络算法相比，基于PCA-RBF神经网络的计算准确率高，具有强大的工程应用价值。
(2)将运行数据和转轴振动变化特征作为输入，通过数学计算和变换形成故障特征，并对比专家系统数据进行评判，做定性和定量分析，调相机故障特征分析主要分为两个部分：第一部分是调相机是否发生故障，第二部分是若已确认出现故障，则继续判断故障发生的部位及原因，提高了故障判断效率。
(3)将PCA作为前置系统，在故障诊断前对故障样本进行预处理，减小数据的冗余度和各特征之间的相关性；再将经过PCA预处理后的数据送入RBF神经网络中进行诊断，从而简化了神经网络的结构，提高了网络的处理速度。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的基于PCA-RBF神经网络的调相机故障诊断方法的流程图。
图2是本发明的K-means聚类算法计算步骤流程图。
图3是本发明的径向基神经网络结构示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
结合图1，本发明提出一种采用PCA和RBF神经网络相结合的调相机组故障诊断方法，所述诊断方法包括：
S1：选取若干次调相机的故障监测数据，处理后生成若干个样本数据，生成样本集，所述样本数据至少包括故障发生时调相机的运行数据和转轴振动变化特征数据。
S2：采用主成分分析方法对样本数据进行降维简化。
S3：基于径向基函数神经网络创建故障特征分析模块，将降维简化处理后的样本数据导入故障特征分析模块，对故障特征分析模块进行优化。
S4：实时获取调相机的运行数据，采用主成分分析方法对运行数据进行降维简化处理后，导入优化后的故障特征分析模块，判断调相机是否发生故障，如发生故障，计算得到故障发生的部位和故障原因。
本发明通过将PCA作为前置系统，在故障诊断前对故障样本进行预处理，减小数据的冗余度和各特征之间的相关性；再将经过PCA预处理后的数据送入RBF神经网络中进行诊断，从而简化了神经网络的结构，提高了网络的处理速度。
其中与故障诊断相关的模块有以下两个：(1)故障特征分析模块，(2)故障处置建议模块。
(一)故障特征分析模块
该模块是对基于PCA-RBF神经网络的调相机故障诊断系统的基础。调相机故障特征分析主要分为二部分：第一部分是调相机是否发生故障，第二部分是若已确认出现故障，则继续判断故障发生的部位及原因。本模块将根据运行数据和转轴振动变化特征作为输入，通过数学计算和变换形成故障特征，并对比专家系统数据进行评判，做定性和定量分析。
(二)故障处置建议模块
基于故障诊断结果，结合调相机故障部位进行分析，提出具有针对性的故障处置建议。
故障特征分析模块的创建和优化流程包括以下几个步骤：
(1)故障初始样本决策表的形成：在调相机组故障诊断中，可以将某次故障监测作为对象，对监测得到的机组信息数据经过相关处理后，将获得的机组故障状态的特征向量及一些定性征兆作为信息表的条件属性，对应的故障类别作为信息表的决策属性形成故障初始样本决策表。
(2)PCA处理：对于故障初始样本决策表中的特征向量，采用PCA进行特征向量的降维，减少各特征之间的相关性和数据的冗余度。
(3)RBF神经网络模型训练：采用PCA化简后的数据作为输入；采用故障分类作为输出；构造相应的RBF神经网络，并对其进行学习和训练，根据实验确定出RBF神经网络的结构参数。
(4)检验诊断结果：将测试样本输入神经网络进行检验，如达不到要求，重复步骤(2)、(3)，直到输出诊断结果满意为止。
关于故障初始样本决策表的形成：
调相机组的故障复杂，但大多以振动的形式表现出来，根据调相机组的振动故障的频率特征，对某调相机组监测系统的实测振动数据进行小波分析，得到各特征频段的频谱特征向量，并经过归一化处理后作为PCA的条件属性，对应的故障类别作为决策属性形成诊断决策表，并运用PCA与RBF神经网络相结合的诊断方法进行了诊断。
其中小波包分析法提取故障信号特征步骤如下：
(1)采用小波包交换对原始信号数据进行N层分解，得到多个频带的信号。
(2)根据第N层的分解系数，重构不同频率的信号，原始信号由各个重构信号叠加而成，如下述公式所示：
Figure BDA0002301585210000051
其中，SNi为第N层第i个频带对应的分解系数重构而得的信号。
(3)计算各频带的能量：
Figure BDA0002301585210000052
其中，ENi为第i个频带的能量，XNi为重构信号的系数，t为作用时间。
各频带能量占比为：
Figure BDA0002301585210000053
特征向量最终可以表示为：
Figure BDA0002301585210000061
假设，在调相机组故障诊断过程中，采用不同故障类型对应的特征频率划分频带，对振动信号进行4层小波包分析，各频率宽带选为31.5Hz。此时振动小信号频谱中有16个能量特征量，分别用Ep1～Ep16表示，构成相应的16类条件属性。通过文献查阅以及现场运行数据调取获得了调相机正常运行、气隙偏心、转子绕组匝间短路以及定子绕组匝间短路这四大设备状态的样本数据。此处四大设备状态作为决策属性，在决策表中可分别采用1、2、3、4表示。
关于PCA处理：
对于小波包变化获得的特征量，应用PCA可以实现特征向量的降维，从而减小数据的冗余度和各特征之间的相关性。
PCA是一种广为流传的数据降维算法，它的主要思想为将n维特征映射到k维特征上。假设存在一个d×N的样本集X＝[x1,x2,···,xN]，d为每个样本的维数，N为输入的数据个数，若样本X在d维空间中是线性的，d维空间样本投影到由W＝(w1,w2,….,wd)确定的投影平面上，w为空间中的特征向量，λ为对应的特征值，则：
Cw＝λW
Figure BDA0002301585210000062
Figure BDA0002301585210000063
其中，C为原始数据对应的矩阵。
令
Figure BDA0002301585210000064
得到：
wj＝∑axi
为了处理非线性数据，非线性映射函数φ被引入到原空间中，将非线性数据到高维空间中，则前述公式可以转化为：
wj＝∑αφ(xi)
本来在原空间中非线性不可分的样本，通过φ映射空间线性可分。
将φ(xi)代入前述公式，得到：
Figure BDA0002301585210000065
令
Figure BDA0002301585210000066
带入式(6)得
Kα＝λα
其中K为k对应的核矩阵。然后进一步求出由α求解出高维空间中的特征向量w，再由w构成的子空间得到测试样本xnew在这个空间中的线性表示：
Figure BDA0002301585210000071
关于RBF神经网络构造及诊断：
对原始给定的样本及预处理后的样本分别构造神经网络，即RBF神经网络与PCA-RBF神经网络。本申请采用训练样本对神经网络进行学习训练，确定其结构参数，相较于传统RBF神经网络，本申请提出的PCA-RBF神经网络的训练效果好、准确率高。
RBF神经网络是一种具有隐含层的多层前馈网络，如图3所示，具有计算速度快、识别率高、结构简单、局部近似、非线性拟合能力强等特点。
输入层节点接收信号，信号到达隐含层后，隐含层的基函数对信号进行转换，然后再将信号作为输入量转发给输出层，输出层将送来的输入信号线性组合，得到最后的输出。
其中，高斯函数曲线由于具有光滑对称的特点和任意阶导数，常被作为RBF神经网络隐含层神经元的激活函数，隐含层的输出bj(x)如下述公式所示：
Figure BDA0002301585210000072
这里x为输入变量，cj为基函数的中心点。σj是扩展常数，||x-c||为向量x-c的欧式范数。
RBF神经网络以样本点x与隐含层基函数中心c的距离作为网络输入，代替了以样本点直接作为输入，此时输出层节点的表达式为：
Figure BDA0002301585210000073
式中，yj为第j个输出节点输出，wid为隐含层与输出层之间的连接权值。
RBF神经网络训练主要是为了得到基函数的中心点cj、扩展常数σj以及连接权值wj。RBF神经网络学习算法按照径向基函数中心选取方法壳划分为自组织选取法、随机选取重心法、正交最小二乘方法。本申请选取了最为简单实用的自组织选取法来确定RBF神经网络的相关参数。
自组织选取中心法分为两个阶段，阶段一为自组织学习阶段，采用K-means聚类分析算法由输入数据求解出隐含层进函数的中心点cj和扩展常数σj，计算步骤如图2所示，
阶段二为有导师学习阶段，通过最小均方规则(LMS)训练样本得到连接权值wj。算法具体实现步骤如下：
假设第n次迭代时，第k个训练样本第j个输出层节点所得网络输出与期望输出的差值为：
Figure BDA0002301585210000081
权值量的调整量为：
Δwj＝η(dj-wjxj(n))xj(n)
式中，η为学习速率。Δwj的各个分量为：
Figure BDA0002301585210000082
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (9)

1.一种基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，所述诊断方法包括：
S1：选取若干次调相机的故障监测数据，处理后生成若干个样本数据，生成样本集，所述样本数据至少包括故障发生时调相机的运行数据和转轴振动变化特征数据；
S2：采用主成分分析方法对样本数据进行降维简化；
S3：基于径向基函数神经网络创建故障特征分析模块，将降维简化处理后的样本数据导入故障特征分析模块，对故障特征分析模块进行优化；
S4：实时获取调相机的运行数据，采用主成分分析方法对运行数据进行降维简化处理后，导入优化后的故障特征分析模块，判断调相机是否发生故障，如发生故障，计算得到故障发生的部位和故障原因。
2.根据权利要求1所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，步骤S1中，所述样本数据包括以下四种工作状态下的调相机的运行数据和转轴振动变化特征数据：正常运行、气隙偏心、转子绕组匝间短路和定子绕组匝间短路。
3.根据权利要求1所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，步骤S1中，选取若干次调相机的故障监测数据，处理后生成若干个样本数据的过程是指，
根据调相机组的振动故障的频率特征，对调相机组监测系统的实测振动数据进行小波分析，得到各特征频段的频谱特征向量，并经过归一化处理后作为PCA的条件属性，对应的故障类别作为决策属性形成诊断决策表。
4.根据权利要求3所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，所述对调相机组监测系统的实测振动数据进行小波分析，得到各特征频段的频谱特征向量的过程包括以下步骤：
S11：采用小波包交换对原始信号数据进行N层分解，得到多个频带的信号；
S12：根据第N层的分解系数，重构不同频率的信号，原始信号S由各个重构信号叠加而成：
Figure FDA0002301585200000011
其中，SNi为第N层第i个频带对应的分解系数重构而得的信号；
S13：根据下述公式计算各频带的能量：
Figure FDA0002301585200000012
式中，ENi为第i个频带的能量，XNi为重构信号的系数，t为作用时间；
根据下述公式计算各频带能量占比Epi：
Figure FDA0002301585200000013
最终，将各特征频段的频谱特征向量表示为：
Figure FDA0002301585200000021
5.根据权利要求4所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，步骤S2中，所述采用主成分分析方法对样本数据进行降维简化的过程包括以下步骤：
采用主成分分析方法对各特征频段的频谱特征向量进行降维，以减少数据的冗余度和各特征间的相关性。
6.根据权利要求1所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，所述故障特征分析模块的创建和优化过程包括以下步骤：
S31：在调相机组故障诊断中，将任意一次故障监测作为对象，对监测得到的机组信息数据经过相关处理后，将获得的机组故障状态的特征向量及定性征兆作为条件属性，对应的故障类别作为决策属性形成故障初始样本决策表；
S32：针对故障初始样本决策表中的特征向量，采用主成分分析方法对其进行降维处理，减少各特征之间的相关性和数据的冗余度。
S33：将降维处理后的样本数据作为输入，故障分类作为输出，构造相应的RBF神经网络，采用样本集中的训练样本对其进行学习和训练，根据实验确定出RBF神经网络的结构参数；
S34：将样本集中的测试样本输入前述RBF神经网络进行检验，判断其识别率和准确率是否达到预设要求，如任意一项达不到对应的预设要求，判定该RBF神经网络检验不通过，返回步骤S32，直至检验通过，结束流程。
7.根据权利要求6所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，步骤S33中，采用自组织选取法以确定RBF神经网络的的参数，所述RBF神经网络的的参数包括基函数的中心点cj、扩展常数σj以及连接权值wj。
8.根据权利要求1所述的基于PCA-RBF神经网络的调相机故障诊断方法，其特征在于，所述诊断方法还包括以下步骤：
基于径向基函数神经网络创建故障处置建议模块，用于以故障特征分析模块的输出结果作为输入，结合调相机故障部位进行分析，输出对应的决策建议。
9.一种基于PCA-RBF神经网络的调相机故障诊断系统，其特征在于，所述诊断系统包括：
调相机组监测系统，用于实时采集调相机的运行数据；
故障特征分析模块，用于采用主成分分析方法对实时采集的运行数据进行降维简化处理后，根据运行数据和转轴振动变化特征判断调相机是否发生故障，如发生故障，计算得到故障发生的部位和故障原因；
故障处置建议模块，用于以故障特征分析模块的输出结果作为输入，结合调相机故障部位进行分析，输出对应的决策建议；
人机交互模块，用于接收外部输入的控制指令和参数设置信息，以及显示故障分析结果和对应的决策建议。
CN201911223806.6A 2019-12-04 2019-12-04 基于pca-rbf神经网络的调相机故障诊断方法 Pending CN110907732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911223806.6A CN110907732A (zh) 2019-12-04 2019-12-04 基于pca-rbf神经网络的调相机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911223806.6A CN110907732A (zh) 2019-12-04 2019-12-04 基于pca-rbf神经网络的调相机故障诊断方法

Publications (1)

Publication Number Publication Date
CN110907732A true CN110907732A (zh) 2020-03-24

Family

ID=69822056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911223806.6A Pending CN110907732A (zh) 2019-12-04 2019-12-04 基于pca-rbf神经网络的调相机故障诊断方法

Country Status (1)

Country Link
CN (1) CN110907732A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402143A (zh) * 2020-06-03 2020-07-10 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN112327208A (zh) * 2020-11-02 2021-02-05 国网江苏省电力有限公司电力科学研究院 一种调相机转子绕组匝间短路的故障诊断方法及装置
CN112529059A (zh) * 2020-12-04 2021-03-19 湖南五凌电力科技有限公司 机组电磁振动诊断方法、系统、计算机设备和存储介质
CN113128832A (zh) * 2021-03-16 2021-07-16 国网湖南省电力有限公司 用于大型调相机辅助系统的运行状态在线诊断方法及系统
CN113325317A (zh) * 2021-07-08 2021-08-31 山东大学 基于改进rbf神经网络的动力电池故障诊断方法及系统
CN113593605A (zh) * 2021-07-09 2021-11-02 武汉工程大学 一种基于深度神经网络的工业音频故障监测系统和方法
CN113703371A (zh) * 2021-09-01 2021-11-26 山西华控伟业科技有限公司 一种设备故障的检测装置及检测方法
CN113923104A (zh) * 2021-12-07 2022-01-11 南京信息工程大学 基于小波神经网络的网络故障诊断方法、设备及存储介质
CN114019298A (zh) * 2021-09-28 2022-02-08 中电华创(苏州)电力技术研究有限公司 一种基于pcc-svm的发电机转子匝间短路在线监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089126A (zh) * 2017-12-04 2018-05-29 国网湖南省电力公司 调相机故障诊断方法、装置和设备
CN110297183A (zh) * 2019-07-17 2019-10-01 国网江苏省电力有限公司电力科学研究院 一种同步调相机转子匝间短路故障诊断方法、装置及存储介质
CN110492615A (zh) * 2019-08-30 2019-11-22 南京南瑞继保电气有限公司 一种大型调相机智能告警系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089126A (zh) * 2017-12-04 2018-05-29 国网湖南省电力公司 调相机故障诊断方法、装置和设备
CN110297183A (zh) * 2019-07-17 2019-10-01 国网江苏省电力有限公司电力科学研究院 一种同步调相机转子匝间短路故障诊断方法、装置及存储介质
CN110492615A (zh) * 2019-08-30 2019-11-22 南京南瑞继保电气有限公司 一种大型调相机智能告警系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶立文: "《基于RBF神经网络的调相机故障诊断算法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402143A (zh) * 2020-06-03 2020-07-10 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN111402143B (zh) * 2020-06-03 2020-09-04 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN112327208A (zh) * 2020-11-02 2021-02-05 国网江苏省电力有限公司电力科学研究院 一种调相机转子绕组匝间短路的故障诊断方法及装置
CN112529059A (zh) * 2020-12-04 2021-03-19 湖南五凌电力科技有限公司 机组电磁振动诊断方法、系统、计算机设备和存储介质
CN113128832A (zh) * 2021-03-16 2021-07-16 国网湖南省电力有限公司 用于大型调相机辅助系统的运行状态在线诊断方法及系统
CN113325317A (zh) * 2021-07-08 2021-08-31 山东大学 基于改进rbf神经网络的动力电池故障诊断方法及系统
CN113593605A (zh) * 2021-07-09 2021-11-02 武汉工程大学 一种基于深度神经网络的工业音频故障监测系统和方法
CN113593605B (zh) * 2021-07-09 2024-01-26 武汉工程大学 一种基于深度神经网络的工业音频故障监测系统和方法
CN113703371A (zh) * 2021-09-01 2021-11-26 山西华控伟业科技有限公司 一种设备故障的检测装置及检测方法
CN114019298A (zh) * 2021-09-28 2022-02-08 中电华创(苏州)电力技术研究有限公司 一种基于pcc-svm的发电机转子匝间短路在线监测方法
CN114019298B (zh) * 2021-09-28 2023-12-05 中电华创(苏州)电力技术研究有限公司 一种基于pcc-svm的发电机转子匝间短路在线监测方法
CN113923104A (zh) * 2021-12-07 2022-01-11 南京信息工程大学 基于小波神经网络的网络故障诊断方法、设备及存储介质
CN113923104B (zh) * 2021-12-07 2022-03-11 南京信息工程大学 基于小波神经网络的网络故障诊断方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110907732A (zh) 基于pca-rbf神经网络的调相机故障诊断方法
Xu et al. Online fault diagnosis method based on transfer convolutional neural networks
Li et al. A novel method for imbalanced fault diagnosis of rotating machinery based on generative adversarial networks
Wang et al. A hierarchical deep domain adaptation approach for fault diagnosis of power plant thermal system
Liu et al. Data synthesis using deep feature enhanced generative adversarial networks for rolling bearing imbalanced fault diagnosis
Sun et al. Convolutional discriminative feature learning for induction motor fault diagnosis
Lang et al. Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review
Jiang et al. Fault diagnosis of planetary gearbox based on motor current signal analysis
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Haroun et al. Feature selection for enhancement of bearing fault detection and diagnosis based on self-organizing map
Li et al. A current signal-based adaptive semisupervised framework for bearing faults diagnosis in drivetrains
Zhou et al. Conditional feature disentanglement learning for anomaly detection in machines operating under time-varying conditions
Jacob et al. Fault diagnostics in shipboard power systems using graph neural networks
Wang et al. A federated transfer learning method with low-quality knowledge filtering and dynamic model aggregation for rolling bearing fault diagnosis
Zhao et al. Signal-to-signal translation for fault diagnosis of bearings and gears with few fault samples
Shukla et al. Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks
Harish et al. Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine
CN113177357B (zh) 一种电力系统暂态稳定评估方法
CN112163474B (zh) 一种基于模型融合的齿轮箱智能诊断方法
Yang et al. Transfer learning based rolling bearing fault diagnosis
Hassani et al. Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids
CN115409052A (zh) 一种数据失衡下风力发电机组轴承的故障诊断方法及系统
Ferreira et al. Intelligent Industrial IoT system for detection of short-circuit failure in windings of wind turbines
Sun et al. Support vector machine for vibration fault classification of steam turbine-generator sets
Rababaah Comparative Study of Deep Learning Models Versus Machine Learning Models for Wind Turbine Intelligent Health Diagnosis Systems

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324

RJ01 Rejection of invention patent application after publication