CN112529059A - 机组电磁振动诊断方法、系统、计算机设备和存储介质 - Google Patents
机组电磁振动诊断方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112529059A CN112529059A CN202011401717.9A CN202011401717A CN112529059A CN 112529059 A CN112529059 A CN 112529059A CN 202011401717 A CN202011401717 A CN 202011401717A CN 112529059 A CN112529059 A CN 112529059A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic vibration
- unit
- monitoring
- sample
- state
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种机组电磁振动诊断方法、系统、计算机设备和存储介质。该方法包括:基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;对所述状态评估矩阵进行主成分分析,获取监测样本空间;从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。本发明实施例避免带病机组并网,保障机组安全稳定性以及电网的安全性;同时实现了机组电磁振动状态的实时监测诊断,并降低了传统机组电磁振动诊断的人工成本。
Description
技术领域
本申请涉及电力设备领域,特别是涉及一种机组电磁振动诊断方法、系统、计算机设备和存储介质。
背景技术
机组在运行过程中若存在电磁方面干扰力,则会产生影响机组安全稳定运行的电磁振动。以往机组电磁振动状态监测主要是通过离线变励磁试验的方式,通过分析机组振动随着励磁电流的变化趋势判断机组是否存在异常电磁振动问题,但是离线试验需要耗费一定的人力物力,并且若在机组长期运行过程中出现了异常电磁振动不能够实时跟踪诊断。
随着目前状态监测技术的成熟,中大型机组一般都配备有实时状态监测系统,可以对机组稳定性状态监测数据进行监测存储,但是当前状态监测系统获取数据的价值没有得到充分的挖掘利用,并且还缺乏针对性的机组电磁振动状态监测分析模型。
发明内容
基于此,有必要针对上述技术问题,提供一种机组电磁振动诊断方法、系统、计算机设备和存储介质。
第一方面,本发明实施例提供了一种机组电磁振动诊断方法,该方法包括:
基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
对所述状态评估矩阵进行主成分分析,获取监测样本空间;
从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
进一步的,所述对所述状态评估矩阵进行主成分分析,获取监测样本空间,包括:
对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;
对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;
对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
进一步的,所述将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断,包括:
从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;
将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;
对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
进一步的,所述将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断,还包括:
从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;
根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;
根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
另一方面,本发明实施例还提供了一种机组电磁振动诊断系统,包括:
样本构建模块,用于基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
主成分分析模块,用于对所述状态评估矩阵进行主成分分析,获取监测样本空间;
健康数据处理模块,用于从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
振动诊断模块,用于将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
进一步的,所述主成分分析模块包括样本统计单元,所述样本统计单元用于:
对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;
对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;
对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
进一步的,所述振动诊断模块包括聚类分析单元,所述聚类分析单元用于:
从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;
将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;
对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
进一步的,所述振动诊断模块还包括阈值比较单元,所述阈值比较单元用于:
从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;
根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;
根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
本发明实施例还提供了一种计算机设备,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,所述处理器执行所述计算机程序时实现以下步骤:
基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
对所述状态评估矩阵进行主成分分析,获取监测样本空间;
从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
对所述状态评估矩阵进行主成分分析,获取监测样本空间;
从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
本申请的有益效果是:本发明实施例公开了一种机组电磁振动诊断方法、系统、计算机设备和存储介质,该方法是基于机组运行全工况中励磁电流的变化规律及过渡过程中蕴含的机组稳定性特征,并结合主成分分析过程监测理论及聚类分析理论,构建并实现了基于开机动态过程的机组电磁振动状态实时监测及诊断模型。包括了基于开机起励建压过程的电磁振动状态样本构建方法,获取了机组历次开机运行产生的电磁振动状态样本;其次,基于健康样本中特征变量间的相关性建立了电磁振动健康状态下的主成分模型;然后,通过检测机组实际运行中产生的电磁振动状态监测样本相对于电磁振动健康样本主成分模型的背离程度监测分析机组电磁振动状态变化趋势,并结合聚类分析实现了机组电磁振动异常状态的识别,实现了对引起电磁振动异常状态原因的诊断分析。通过实测数据分析表明所提出的电磁振动状态监测及诊断模型可实现对机组电磁振动状态实时监测评估,并可对引起电磁振动异常状态原因进行分析诊断。对在开机早期发现机组故障,避免带病机组并网,保障机组安全稳定性以及电网的安全性具有重要的意义。本发明实施例也为机组电磁振动状态的实时监测诊断提供了一种有效的实现途径,同时降低了传统机组电磁振动诊断的人工成本。
附图说明
图1为一个实施例中机组电磁振动诊断方法的流程示意图;
图2为一个实施例中状态评估矩阵样本统计方法的流程示意图;
图3为一个实施例中监测样本空间和健康样本空间进行聚类分析的流程示意图;
图4为一个实施例中监测样本空间和健康样本空间进行阈值比较的流程示意图;
图5为一个实施例中机组电磁振动诊断系统的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
机组开机动态过程是包含升转速、起励建压及同期的一系列过渡过程。与空载、负荷稳定等稳态工况相比,开机动态过程机组稳定性表现较差,但此过程稳定性状态监测数据却包含了丰富的机组机械振动及电磁振动信息,因此对此过程稳定性状态监测数据分析挖掘可获取机组稳定性状态的丰富信息。
在一个实施例中,如图1所示,提供了一种机组电磁振动诊断方法,包括以下步骤:
步骤101,基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
步骤102,对所述状态评估矩阵进行主成分分析,获取监测样本空间;
步骤103,从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
步骤104,将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
具体地,基于机组运行全工况中励磁电流的变化规律及过渡过程中蕴含的机组稳定性特征,并结合主成分分析过程监测理论及聚类分析理论,构建并实现了基于开机动态过程的机组电磁振动状态实时监测及诊断模型。包括了基于开机起励建压过程的电磁振动状态样本构建方法,获取了机组历次开机运行产生的电磁振动状态样本;其次,基于健康样本中特征变量间的相关性建立了电磁振动健康状态下的主成分模型;然后,通过检测机组实际运行中产生的电磁振动状态监测样本相对于电磁振动健康样本主成分模型的背离程度监测分析机组电磁振动状态变化趋势,并结合聚类分析实现了机组电磁振动异常状态的识别,实现了对引起电磁振动异常状态原因的诊断分析。通过实测数据分析表明所提出的电磁振动状态监测及诊断模型可实现对机组电磁振动状态实时监测评估,并可对引起电磁振动异常状态原因进行分析诊断。对在开机早期发现机组故障,避免带病机组并网,保障机组安全稳定性以及电网的安全性具有重要的意义。本发明实施例也为机组电磁振动状态的实时监测诊断提供了一种有效的实现途径,同时降低了传统机组电磁振动诊断的人工成本。
在一个实施例中,如图2所示,对状态评估矩阵的样本统计方法的包括:
步骤201,对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;
步骤202,对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;
步骤203,对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
具体地,主成分分析是一种不依赖于数学模型的多元统计方法,其通过对原数据坐标轴的旋转和平移,获得原点与样本数据重心重合的新坐标轴。在新坐标轴中,其第一主轴与数据变异的最大方向对应,第二轴正交于第一轴,并且与数据变异的第二大方向对应。依次类推,实现将存在相关性的变量数据通过正交变换为线性不相关的变量数据,经过转换后的变量被称为主成分。该方法可以降低信号的维度,寻找信号中差异最大的分量,在保证样本数据信息损失最小的前提下,以几个不相关的综合变量代替多个相关的指标变量,实现对高维空间降维处理,形成主成分空间变量,综合反映原高维空间变量。
其中,不同的稳定性特征变量可能由于量纲的不同,导致数值大小具有较大差异。数据标准化处理可以剔除不同量纲对模型整体的影响,实现将变量间相关性突出,并将数据中存在的非线性特性去除。本实施例通过使用z-score方法对数据进行标准化处理,对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量。累计方差贡献率法和交叉检验法是确定保留主成分个数的主要方法。其中累计贡献率法通过计算主成分监测向量主成分分量携带的变异信息和大小来确定主成分监测向量的值,交叉检验法中将原始样本数据划分为训练样本数据和检验样本数据,其中训练样本数据用来进行主成分分析,训练样本数据主元分析得到的线性变换矩阵,最终得到检验数据的主成分估计值。从而通过对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
在一个实施例中,如图3所示,对监测样本空间和健康样本空间进行聚类分析包括以下步骤:
步骤301,从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;
步骤302,将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;
步骤303,对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
在一个实施例中,如图4所示,对监测样本空间和健康样本空间进行阈值比较的流程包括:
步骤401,从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;
步骤402,根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;
步骤403,根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
具体地,在进行具体的诊断判断过程中,一种是基于电磁振动健康样本主成分分析得到的T2统计量、SPE统计量以及综合统计量的阈值判断电磁振动状态是否发生异常,若电磁振动监测样本统计量超出阈值,则电磁振动状态发生异常;此外,还基于无监督的聚类分析,通过对电磁振动样本主成分空间进行聚类分析,观察监测样本与健康样本是否在同一类中,若聚类分析结果存在明显的区别簇,说明电磁振动状态监测样本与健康样本距离较远,机组电磁振动状态发生异常。
其中,T2为从样本数据集的中心到每个观测值的多元距离的统计度量;SPE统计量描述样本与主成分分析模型残差子空间的偏离程度;综合统计量描述主成分空间与原主成分空间整体的偏离程度。最后,分析电磁振动监测样本状态矩阵中特征变量对主成分空间的贡献,得到引起电磁振动状态异常的主要特征变量,基于全工况样本数据对其进一步分析,得出引起电磁振动状态异常原因,实现对电磁振动异常状态分析诊断。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了机组电磁振动诊断系统,包括:样本构建模块501、主成分分析模块502、健康数据处理模块503和振动诊断模块504,其中:
样本构建模块501,用于基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
主成分分析模块502,用于对所述状态评估矩阵进行主成分分析,获取监测样本空间;
健康数据处理模块503,用于从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
振动诊断模块504,用于将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
在一个实施例中,如图5所示,所述主成分分析模块502包括样本统计单元5021,所述样本统计单元5021用于:
对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;
对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;
对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
在一个实施例中,如图5所示,所述振动诊断模块504包括聚类分析单元5041,所述聚类分析单元5041用于:
从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;
将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;
对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
在一个实施例中,如图5所示,所述振动诊断模块504还包括阈值比较单元5042,所述阈值比较单元5042用于:
从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;
根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;
根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
关于机组电磁振动诊断系统的具体限定可以参见上文中对于机组电磁振动诊断方法的限定,在此不再赘述。上述机组电磁振动诊断系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图6示出了一个实施例中计算机设备的内部结构图。如图6所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;对所述状态评估矩阵进行主成分分析,获取监测样本空间;从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;对所述状态评估矩阵进行主成分分析,获取监测样本空间;从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种机组电磁振动诊断方法,其特征在于,包括以下步骤:
基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
对所述状态评估矩阵进行主成分分析,获取监测样本空间;
从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
2.根据权利要求1所述的机组电磁振动诊断方法,其特征在于,所述对所述状态评估矩阵进行主成分分析,获取监测样本空间,包括:
对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;
对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;
对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
3.根据权利要求1所述的机组电磁振动诊断方法,其特征在于,所述将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断,包括:
从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;
将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;
对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
4.根据权利要求1所述的机组电磁振动诊断方法,其特征在于,所述将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断,还包括:
从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;
根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;
根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
5.一种机组电磁振动诊断系统,其特征在于,包括:
样本构建模块,用于基于机组电磁振动特征,对机组在开机起励建压过程进行数据分析及特征提取,构建电磁振动的状态评估矩阵;
主成分分析模块,用于对所述状态评估矩阵进行主成分分析,获取监测样本空间;
健康数据处理模块,用于从机组运行数据库中获取机组电磁振动的健康样本数据,根据所述健康样本数据构建健康样本空间;
振动诊断模块,用于将所述监测样本空间和所述健康样本空间进行比较和聚类分析,确定机组电磁振动的异常状态,根据所述异常状态对机组电磁振动进行诊断。
6.根据权利要求5所述的机组电磁振动诊断系统,其特征在于,所述主成分分析模块包括样本统计单元,所述样本统计单元用于:
对所述状态评估矩阵进行归一化处理,将所述状态评估矩阵中存在的非线性特性去除,得到主成分监测向量;
对所述主成分监测向量进行累计方差贡献率计算得到监测样本主成分子空间;
对所述主成分监测向量进行交叉检验计算得到监测样本主残差子空间。
7.根据权利要求5所述的机组电磁振动诊断系统,其特征在于,所述振动诊断模块包括聚类分析单元,所述聚类分析单元用于:
从所述监测样本空间分析出监测样本主成分子空间,并从所述健康样本空间分析出健康样本主成分子空间;
将所述监测样本主成分子空间和健康样本主成分子空间进行聚类分析,确定电磁振动的异常状态;
对所述电磁振动的异常状态进行特征变量的贡献值分析,得到引起电磁振动状态异常原因。
8.根据权利要求5所述的机组电磁振动诊断系统,其特征在于,所述振动诊断模块还包括阈值比较单元,所述阈值比较单元用于:
从所述监测样本空间分析出T2统计量、SPE统计量以及综合统计量;
根据所述健康样本空间确定比较阈值,将所述比较阈值分别和所述T2统计量、SPE统计量以及综合统计量进行比较;
根据比较结果,确定所述监测样本空间的电磁振动状态是否发生异常,当存在电磁振动的异常状态时,进行振动异常状态原因的诊断。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401717.9A CN112529059B (zh) | 2020-12-04 | 2020-12-04 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401717.9A CN112529059B (zh) | 2020-12-04 | 2020-12-04 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529059A true CN112529059A (zh) | 2021-03-19 |
CN112529059B CN112529059B (zh) | 2022-01-14 |
Family
ID=74997202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011401717.9A Active CN112529059B (zh) | 2020-12-04 | 2020-12-04 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529059B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279555A (zh) * | 2021-12-27 | 2022-04-05 | 深圳市双合电气股份有限公司 | 一种电机异常振动监测方法及系统 |
CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007143405A2 (en) * | 2006-05-30 | 2007-12-13 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
CN103822786A (zh) * | 2012-11-16 | 2014-05-28 | 中国水利电力物资有限公司 | 基于多元统计分析的风电机组机械设备状态诊断方法 |
CN105487524A (zh) * | 2015-12-29 | 2016-04-13 | 浙江中烟工业有限责任公司 | 具有多工况特性的超高速小盒包装机状态监测与诊断方法 |
CN105644724A (zh) * | 2015-12-26 | 2016-06-08 | 武汉船用机械有限责任公司 | 一种货油装卸控制方法和系统 |
CN105866645A (zh) * | 2016-05-30 | 2016-08-17 | 国家电网公司 | 一种利用噪声特征频段诊断发电机放电故障的方法及装置 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
CN110907732A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于pca-rbf神经网络的调相机故障诊断方法 |
CN111638707A (zh) * | 2020-06-07 | 2020-09-08 | 南京理工大学 | 基于som聚类和mpca的间歇过程故障监测方法 |
CN111752147A (zh) * | 2020-05-28 | 2020-10-09 | 山东科技大学 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
-
2020
- 2020-12-04 CN CN202011401717.9A patent/CN112529059B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007143405A2 (en) * | 2006-05-30 | 2007-12-13 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
CN103822786A (zh) * | 2012-11-16 | 2014-05-28 | 中国水利电力物资有限公司 | 基于多元统计分析的风电机组机械设备状态诊断方法 |
CN105644724A (zh) * | 2015-12-26 | 2016-06-08 | 武汉船用机械有限责任公司 | 一种货油装卸控制方法和系统 |
CN105487524A (zh) * | 2015-12-29 | 2016-04-13 | 浙江中烟工业有限责任公司 | 具有多工况特性的超高速小盒包装机状态监测与诊断方法 |
CN105866645A (zh) * | 2016-05-30 | 2016-08-17 | 国家电网公司 | 一种利用噪声特征频段诊断发电机放电故障的方法及装置 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
CN110907732A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于pca-rbf神经网络的调相机故障诊断方法 |
CN111752147A (zh) * | 2020-05-28 | 2020-10-09 | 山东科技大学 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
CN111638707A (zh) * | 2020-06-07 | 2020-09-08 | 南京理工大学 | 基于som聚类和mpca的间歇过程故障监测方法 |
Non-Patent Citations (2)
Title |
---|
史光宇等: ""基于卷积神经网络的风电机组轴承机械故障智能诊断方法"", 《华 北 电 力 大 学 学 报》 * |
龙霞飞等: ""大型风力发电机组故障诊断方法综述"", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279555A (zh) * | 2021-12-27 | 2022-04-05 | 深圳市双合电气股份有限公司 | 一种电机异常振动监测方法及系统 |
CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN115144182B (zh) * | 2022-09-01 | 2023-01-17 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112529059B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moghaddass et al. | An integrated framework for online diagnostic and prognostic health monitoring using a multistate deterioration process | |
US7565262B2 (en) | Bayesian sensor estimation for machine condition monitoring | |
CN112529059B (zh) | 机组电磁振动诊断方法、系统、计算机设备和存储介质 | |
Benkedjouh et al. | Fault prognostic of bearings by using support vector data description | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN105930963B (zh) | 一种机电系统装备健康评估方法 | |
Wang et al. | A hybrid prognostics approach for estimating remaining useful life of wind turbine bearings | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN112270312A (zh) | 风机轴承故障诊断方法、系统、计算机设备和存储介质 | |
Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN113095402A (zh) | 一种基于编码输入的生成对抗网络故障检测方法及系统 | |
CN111796233A (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN103077441A (zh) | 自识别电子产品的预测健康管理方法 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
Gandur et al. | Uncertainty Quantification in the Prediction of Remaining Useful Life Considering Multiple Failure Modes | |
Jobi-Taiwo et al. | Mahalanobis-Taguchi system for multiclass classification of steel plates fault | |
EP4273520A1 (en) | Method and system for comprehensively diagnosing defect in rotating machine | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
Lu et al. | Integration of wavelet decomposition and artificial neural network for failure prognosis of reciprocating compressors |
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 |