CN112484981A - 一种基于卷积自编码器的发电机异常状态监测方法 - Google Patents

Abstract

本发明公开了一种基于卷积自编码器的发电机异常状态监测方法，其特征在于，具体步骤为：步骤1、采集发电机在正常工况下运行的状态数据；步骤2、建立卷积自编码器；步骤3、卷积自编码器的训练；步骤4、基于卷积自编码器的发电机异常检测；本发明的方法是基于无监督学习的，无需对训练样本人为标注样本的标签，这在实际的应用中更易于实现。本发明的方法是由发电机的运行大数据驱动的，其对发电机的异常检测标准完全是从运行参数中统计得到的，并且在长期的发电机状态监测过程中对于一些突发的异常状态有很好的监测效果。本发明的方法计算速度快，完全可以做到在线实时的检测。

Description

一种基于卷积自编码器的发电机异常状态监测方法

技术领域

本发明涉及一种基于卷积自编码器的发电机异常状态监测方法，用于发电机和大型电机的运行状态监测，属于发电机监测与诊断技术领域。

背景技术

汽轮发电机组是电站关键设备。为了适应现代电力工业的发展，发电机组往往需要在严苛的工作环境(高温、高压、高转速、高负荷)下长期运行。由于大量难以避免的因素影响，汽轮发电机组在服役过程中或多或少地会出现种种故障导致降低或失去其本身的功能，严重的将造成发电事故甚至人员伤亡。此外，随着机组不断朝大型化和高参数方向发展，单台机组的投资规模和影响更大，一旦出现故障引起的非计划停机、中断发电，将带来巨大的社会影响和经济损失。因此，及时准确地检测出发电机中出现的异常和故障状况，对于保证机组的安全稳定运行，提升电厂管理水平，具有重要的现实意义。

目前，国内外大型汽轮发电机组都配备了监测仪表系统，对机组运行时的各种性能参数进行监测。这些系统具备简单的超限报警功能，比如当振动值超过规定限值时，系统将发出报警或启动停机自动保护功能。这种超限报警的方式敏感性较差，通常只有在机组故障发展到一定程度导致运行参数严重超标时，才能探知设备异常的发生。为了能够提高发电机运行异常监测的及时性和准确性，本发明专利提出了一种基于卷积自编码器的发电机异常状态监测方法。

发明内容

本发明要解决的技术问题是如何实现发电机运行异常状态的自动监测。

为了解决上述技术问题，本发明的技术方案是提供了一种基于卷积自编码器的发电机异常状态监测方法，步骤为：

步骤1.采集发电机在初始正常工况下运行数据。

发电机的状态会反映在各种运行参数中，当发电机发生异常时其运行参数会发生变化。在发电机初始的正常运行状态下，对各种运行参数进行记录，这些数据将用于卷积自编码的无监督学习，以便卷积自编码器能够从数据中挖掘出设备正常状态下的特征。

步骤2.建立卷积自编码器。

自编码器是一种特殊的人工神经网络，其基本结构由一个编码器和解码器组成。编码器首先对数据进行特征编码，解码器再尝试根据编码特征重构原始的输入数据。由于自编码器的中间层维度小于输入的维度，迫使编码器对数据编码时需要进行数据压缩，抛弃数据中一些冗余的信息并保留更有意义的信息，因此自编码器可以通过无监督的学习模式获取数据特征提取的能力。本专利中提出的自编码器还结合了卷积层的使用，使得其更适合于处理振动类的时序信号。

步骤3.卷积自编码器的训练。

将步骤1中采集得到的发电机在正常状态下的运行数据用于训练步骤2中建立的卷积自编码器。将自编码器的重构数据与原始的输入数据之间均方误差作为自编码器训练的损失函数，并利用反向传播算法对网络模型进行训练。损失函数的具体表达式如下

上式中，W代表自编码的权重参数，m为训练样本的数量，x⁽ⁱ⁾为第i个训练样本的输入，

为第i个样本的重构数据。当解码信号与输入信号之间均方误差在训练中的变化小于某一容差ε时，则卷积自编码器的训练完成。训练完成的卷积自编码器具备以很小的误差重构设备在正常状态下的运行数据的能力，这是因为卷积自编码器通过训练掌握了正常数据的特征并作为模型的内部参数记录了下来。

步骤4.步骤4.基于卷积自编码器的发电机异常检测。

训练好的卷积自编码器只具备重构正常数据的能力，当模型接收到的数据来自异常状态时，重构数据与输入数据之间就会产生较大的偏差。在进行异常监测时，我们定义了如下的相似度函数来描述重构数据与原始输入数据之间的近似程度

上式中，x是原始输入数据，

为输入数据的重构，

和

分别是原始数据和重构数据的平均值。此相似度函数实际上是将原始数据和重构数据表示为两个单位向量，并用这两个单位向量之间夹角的绝对值来表示二者之间的差异。相似度S的取值范围在0～1之间，重构误差越小，S越接近于1；重构误差越大，S越接近于0。在实际应用中，我们可以根据大量正常样本的S值统计定义一个阈值S_th，当S≥S_th时，为正常状态，否则为异常状态。

与现有各类技术相比，本发明的有益效果是：

(1)本发明的方法是基于无监督学习的，无需对训练样本人为标注样本的标签，这在实际的应用中更易于实现。

(2)本发明的方法是由发电机的运行大数据驱动的，其对发电机的异常检测标准完全是从运行参数中统计得到的，并且在长期的发电机状态监测过程中对于一些突发的异常状态有很好的监测效果。

(3)本发明的方法计算速度快，完全可以做到在线实时的检测。

附图说明

图1为某转子在运行过程中记录的连续振动波形；

图2为卷积自编码器结构；

图3为正常状态下的振动信号及其经过卷积自编码器的重构信号；

图4为正常状态下的振动信号与重构信号相似度的质量分布图；

图5为卷积自编码器对转子异常监测的结果。

具体实施方式

为使本发明专利更明显易懂，兹以一优选实施例，并配合附图作详细说明如下。

实施例

对某一转子在轴承位置的X向和Y向振动信号进行采集，其波形如图1所示。振动信号时长为300s，前100s转子正常运转，从第110s开始每隔10s敲击旋转中的转子一次模拟瞬时碰摩导致的转子异常；从第160s开始用一螺钉顶紧转子持续的碰摩异常，螺钉顶紧力先增大再减小直至脱开共持续40s左右；从第230s开始松开轴承的底脚螺栓模拟支承刚度不足导致的异常，这个过程持续到260s再将轴承螺栓拧紧；最后转子再以正常状态运行。对图1观察可以发现，在整个振动记录过程中转子振动的振幅并没有明显的增大。如果按传统的监测手段，仅从振动幅值的趋势图上很难发现异常。

用于异常监测的卷积自编码器结构如图2所示。该自编码器将时域振动信号作为输入数据，输入的尺寸为204×2。其中204对应的是数据的采样长度，在5.12kHz采样频率下，204个采样点相当于3000rpm下2个旋转周期的数据；输入数据的第二个维度对应了振动信号的两个通道，分别是X向和Y向的振动。卷积自编码器的编码部分首先采用了3层卷积层对振动信号进行特征提取，然后再用2层全连接层对提取的特征做进一步的特征压缩，最终将包含408个数据点的原始输入压缩成了一个4维的特征。卷积自编码器的解码部分基于这个4维的特征对输入进行重构。在本实施例中我们将自编码器设计成了一个对称的结构，并在最中间的隐藏层中设置最少数量的神经元，使得自编码器在整个模型的中部形成一个数据传输的瓶颈。这种网络设计方式在自编码器中很常见，具体的网络参数设置详见图2。

将前80s的振动信号作为转子正常状态下的运行数据用于训练卷积自编码器，目的是使卷积自编码器能够记录下正常数据的一般特征并具备正常数据的编码和解码能力。图3比较了某一段正常状态下的振动信号及其通过训练完成的卷积自编码器重构的信号。相较而言，重构信号比原始输入减少了一些毛刺，显得更加光滑，这是因为在信号编码的过程中通过数据压缩丢弃了原始信号中一些不重要的噪声和干扰。总的来说，重构信号在时域上基本能够很好地再现原始振动信号的波形。这也说明，在经过训练后，卷积自编码器已经掌握了试验转子在正常状态下的振动数据的一般特征。所有用于训练的正常数据与其对应的重构数据之间的相似度可以通过直方图的形式表示出来，如图4所示。从图中可以看出，正常数据与重构数据之间相似度基本呈正态分布，且所有相似度都在0.9725以上。在检测异常时，我们可以将异常监测的阈值设为0.96，当某段数据的重构相似度低于该阈值时将被判定为异常状态。

确定了阈值之后，我们就可以将卷积自编码器应用于实施例转子的异常监测。在整个振动记录的300s时长范围内每隔0.04s进行一次检测，得到的结果如图5所示。图中虚线为设置的阈值。从结果中看出，在100s-150s之间出现了5个小于阈值的尖点，这是由5次敲击引起的瞬时异常。这说明卷积自编码器在长期的监测过程过可以敏锐地诊断出突发的异常工况。在监测结果的150s-200s以及230s-270s之间也出现了信号的重构相似度小于阈值的情况，这分别对应了由碰摩和支承刚度不足引起的连续异常。特别地，对于连续碰摩异常，重构相似度还随着碰摩程度的加重而进一步减小。这说明重构相似度与异常程度具有相关性，其数值的大小一定程度上可以反映异常状态的严重程度。总的来说，本发明专利提出的卷积自编码器可以有效地诊断出试验转子振动信号中的所有异常状态。

Claims (1)

1.一种基于卷积自编码器的发电机异常状态监测方法，其特征在于，具体步骤为：

步骤1、采集发电机在正常工况下运行的状态数据；

步骤2、建立卷积自编码器；

步骤3、卷积自编码器的训练：

将步骤1中采集得到的发电机在正常状态下运行的状态数据用于训练步骤2中建立的卷积自编码器；将自编码器的重构数据与原始的输入数据之间均方误差作为自编码器训练的损失函数，并利用反向传播算法对网络模型进行训练；损失函数的具体表达式如下

式中，W代表自编码的权重参数，m为训练样本的数量，x⁽ⁱ⁾为第i个训练样本的输入，

为第i个样本的重构数据；当解码信号与输入信号之间均方误差在训练中的变化小于设定的容差ε时，则卷积自编码器的训练完成；

步骤4、基于卷积自编码器的发电机异常检测：

训练好的卷积自编码器只具备重构正常数据的能力，当模型接收到的数据来自异常状态时，重构数据与输入数据之间就会产生较大的偏差，在进行异常监测时，定义如下的相似度函数来描述重构数据与原始输入数据之间的近似程度

式中，x是原始输入数据，

为输入数据的重构，

和

分别是原始数据和重构数据的平均值；相似度S的取值范围在0～1之间，重构误差越小，S越接近于1；重构误差越大，S越接近于0；实际应用中，根据具体发动机类型定义阈值S_th，当S≥S_th时，为正常状态，否则为异常状态。

Images