CN112651290A - 一种水电机组振动趋势预测方法和系统 - Google Patents
一种水电机组振动趋势预测方法和系统 Download PDFInfo
- Publication number
- CN112651290A CN112651290A CN202011142739.8A CN202011142739A CN112651290A CN 112651290 A CN112651290 A CN 112651290A CN 202011142739 A CN202011142739 A CN 202011142739A CN 112651290 A CN112651290 A CN 112651290A
- Authority
- CN
- China
- Prior art keywords
- generating set
- characteristic
- hydroelectric generating
- vibration
- vibration trend
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000002146 bilateral effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 239000013598 vector Substances 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000013135 deep learning Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000005717 Myeloma Proteins Human genes 0.000 description 1
- 108010045503 Myeloma Proteins Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种水电机组振动趋势预测方法和系统，方法包括：采集水电机组的原始信号特征集；基于最大信息系数(MIC)分析各本征模态分量与环境变量的相关性，提取相关性大于预设相关度阈值的环境变量作为各本征模态分量的环境特征；将每个本征模态分量及对应的环境特征构成特征输入序列，将特征输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋势预测模型；将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征输入向量，输入至振动趋势预测模型进行预测，并将所有预测结果进行融合得到水电机组的未来趋势预测值,大大提高了振动趋势预测结果的精度和稳定性。
Description
技术领域
本发明实施例涉及水电机组技术领域，尤其涉及一种水电机组振动趋势 预测方法和系统。
背景技术
目前我国各大流域分别建成举世瞩目的梯级水电站群，水电站装机容量 和年发电量均居世界前列。以水泵水轮机、发电电动机、主变压器等机组为 核心的水力发电设备是发挥水电站能源供给功能和经济效益的核心，担负着 电网调峰填谷、调频调相、旋转备用等多重任务。机组启停和工况转换频繁， 水力冲击、机械失效和电磁不平衡等因素可能诱发水力发电设备异常振动、 结构疲劳、电气故障、运行方式破坏等各种故障与事故，危害性极其严重。 因此，围绕国家发展智能水电站的战略需求，亟需研究并开发面向大数据与人工智能的水泵水轮机机组故障预测方法：在故障预测和健康管理 (Prognostics HealthManagement，PHM)理论框架下，集成水力发电设备状态 智能感知、数据深度特征提取、基于大数据挖掘的设备状态评估与趋势预警 理论方法与技术，实现水电机组状态智能感知与劣化趋势智能预警，填补我 国在水力发电领域PHM理论与技术空白，实现智能电厂水泵水轮机机组智能 化运维。
目前水电机组的振动趋势预测主要采用基于数据驱动的方法，但是现有 的研究中，有效的数据处理方法和精确的预测算法是趋势预测面临的主要挑 战。特别是在复杂工况以及多种故障模式下，存在不足：1)现有的特征提取 方法在提取特征时不能完全提取到有用的信息；2)现有的特征选择方法更多 地是挖掘特征之间地线性相关性，忽略了特征之间地非线性甚至非函数关系， 并且现有的一些特征选择的标准不具有泛化性，并不对于所有类型的数据都 适用；3)现有的预测算法在处理长依赖性的时间序列数据时不能建立泛化能 力强、提取特征能力强的预测模型来提高预测精度，并且对于海量数据下的 预测需要较长的训练时间。
发明内容
本发明实施例提供一种水电机组振动趋势预测方法和系统，用以解决现 有技术中不能完全提取到有用的信息、特征选择的标准不具有泛化性、对于 海量数据下的预测需要较长的训练时间的问题。
第一方面，本发明实施例提供一种水电机组振动趋势预测方法，包括：
采集水电机组的原始信号特征集，所述原始信号特征集中包括水电机组 多个周期的原始振动信号的本征模态分量IMF，其中水电机组每次开停机为 一个周期；
基于最大信息系数(Maximal Information Coefficient，MIC)分析各所述 本征模态分量与环境变量的相关性，提取相关性大于预设相关度阈值的环境 变量作为各所述本征模态分量的环境特征；
将每个本征模态分量及对应的环境特征构成特征输入序列，将所述特征 输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋 势预测模型；
将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征 输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势预测。
作为优选的，提取水电机组的原始信号特征集，具体包括：
通过水电站监测和监控系统在线获取水电机组非平稳的原始振动信号， 将所述原始振动信号划分为多个周期，剔除所有周期中的空值和异常振动值； 其中，每个周期为水电机组一次开停机过程；
基于集成经验模态分解EEMD或互补集成经验模态分解CEEMD提取所 述原始振动信号中的本征模态分量，基于所述本征模态分量构建原始信号特 征集。
作为优选的，基于集成经验模态分解EEMD或互补集成经验模态分解 CEEMD提取所述原始振动信号中的本征模态分量，基于所述本征模态分量 构建原始信号特征集，具体包括：
通过在原始特征信号中多次添加高斯白噪声或N对正、负辅助白噪声, 基于高斯白噪声频谱的零均值原理设置的噪声添加次数，将原始振动信号的 复杂时间序列信号分解为一系列能表征原始特征信号本身局部特征的n个固 有模态函数，将非线性非平稳的原始特征信号转变为一系列不同频率的平稳 特征。
作为优选的，基于最大信息系数MIC分析各所述本征模态分量与环境变 量的相关性，具体包括：
给定一对有限有序的数据集D＝[X,Y]，
X 为输入特征集，Y＝(y1,y2,…,yn)为目标输出，X和Y坐标分别被划分为r行s 列大小的网格T，网格数目是固定的，则变量x和y之间的互信息可以表示为：
p(xi,yj)代表联合概率密度，p(xi)和p(yj)代表边缘密度；
采用最大最小值归一化技术，将互信息值归一化到0到1的范围内，以 将所有变量在同一尺度进行比较，则数据集D上的特征矩阵中r行s列的值 可表示为：
选择数据集D中互信息的最大值作为MIC的值，高的MIC值代表变量 之间有着很强的相关性，而低的MIC值代表变量之间的相关性较低，MIC的 计算公式如下：
其中MIC(D)表示数据集中两个变量x和y之间的MIC值，B(n)表示网格 大小的函数。
作为优选的，将每个本征模态分量及对应的环境特征构成特征输入序列， 具体包括：
对选择后的环境特征进行z-score标准化处理，消除数据之间的量纲和取 值范围差异的影响，并采用时间滑窗技术，将选择后的环境特征及本征模态 分量构造为矩阵样本作为神经网络的输入。
作为优选的，输入至所述振动趋势预测模型进行水电机组振动趋势预测 前，还包括：
叠加各模态分量的趋势预测分量以得到最终振动趋势，将最终振动趋势 的结果绘图并计算最终振动趋势与机组真实振动值之间的均方根误差 RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE，以评估振动趋势 预测模型的有效性。
作为优选的，所述神经网络为双边循环神经网络BILSTM\BIGRU；所述 双边循环神经网络包括多个循环神经网络层、多个全连接层和一个输出层； 将各本征模态分量与相应的环境变量作为第一个网络层的输入，前一个网络 层的输出作为后一个网络层的输入，最后一个网络层的输出作为第一个全连 接层的输入，前一个全连接的输出作为后一个全连接层输入，最后一个全连 接层的输出作为所述振动趋势预测模型的输出。
第二方面，本发明实施例提供一种水电机组振动趋势预测系统，包括：
特征采集模块，采集水电机组的原始信号特征集，所述原始信号特征集 中包括水电机组多个周期的原始振动信号的本征模态分量IMF，其中水电机 组每次开停机为一个周期；
特征提取模块，基于最大信息系数MIC分析各所述本征模态分量与环境 变量的相关性，提取相关性大于预设相关度阈值的环境变量作为各所述本征 模态分量的环境特征；
训练模块，将每个本征模态分量及对应的环境特征构成特征输入序列， 将所述特征输入序列按时间顺序作为神经网络的输入，进行神经网络训练， 得到振动趋势预测模型；
预测模块，将当前待预测水电机组的每个本征模态分量及对应的环境特 征构成特征输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势 预测。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序 时实现如本发明第一方面实施例所述水电机组振动趋势预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存 储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施 例所述水电机组振动趋势预测方法的步骤。
本发明实施例提供的一种水电机组振动趋势预测方法和系统，提供了多 种时频分解方法有效改善递归式分解算法存在的模态混叠效应以及较好的噪 声鲁棒性，将非平稳非线性地信号转变为多个包含局部特征的平稳信号，并 针对每个时间序列建立混合模型的深层网络，最后将每个时间序列的预测结 果进行重构，有利于更精确的预测振动趋势，并提供了多种方法组合；提供 了多种深度学习神经网络，利用其对时间序列数据特征提取的优势及强大的 泛化能力，提高了预测精度；结合了特征提取算法、特征选择算法、深度学 习预测算法，大大提高了振动趋势预测结果的精度和稳定性，其中特征提取 算法为非线性非平稳信号的处理提高了有效的处理，特征选择算法适用于复 杂工况下的信号分析，可以灵敏地挖掘特征间的非线性关系，而深度学习预 测算法可以提高海量信号数据的预测精度并减少训练时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图做一个简单的介绍，下面描述中的 附图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 性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的水电机组振动趋势预测方法流程框图；
图2为本发明实施例的双边循环神经网络结构示意图；
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发 明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获 得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特 性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短 语并不一定均是指的相同实施例，也不是与其它实施例互斥的独立的或备选 的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例 可以与其它实施例相结合。
目前水电机组的振动趋势预测主要采用基于数据驱动的方法，但是现有 的研究中，有效的数据处理方法和精确的预测算法是趋势预测面临的主要挑 战。特别是在复杂工况以及多种故障模式下，存在不足：1)现有的特征提取 方法在提取特征时不能完全提取到有用的信息；2)现有的特征选择方法更多 地是挖掘特征之间地线性相关性，忽略了特征之间地非线性甚至非函数关系， 并且现有的一些特征选择的标准不具有泛化性，并不对于所有类型的数据都 适用；3)现有的预测算法在处理长依赖性的时间序列数据时不能建立泛化能 力强、提取特征能力强的预测模型来提高预测精度，并且对于海量数据下的 预测需要较长的训练时间。
因此，本发明实施例提供了一种水电机组振动趋势预测方法和系统，集 合集成经验模态分解(EEMD)或互补集成经验模态分解(CEEMD)，将复 杂的多频率成分分解成一系列的单一频率成分分量，避免了复杂信号中强背 景噪声的干扰；采用了最大信息系数(MIC)的特征选择算法来选择与各模 态分量具有深层非线性关系的最佳特征；运用双边循环神经网络 (BILSTM\BIGRU)的时间序列预测方法获取长期依赖信息，应用时间滑窗 技术处理标准化后的特征选择数据，提高了预测精度。以下将通过多个实施 例进行展开说明和介绍。
图1为本发明实施例提供了一种水电机组振动趋势预测方法，包括：
采集水电机组的原始信号特征集，所述原始信号特征集中包括水电机组 多个周期的原始振动信号的本征模态分量IMF，其中水电机组每次开停机为 一个周期；
基于最大信息系数MIC分析各所述本征模态分量与环境变量的相关性， 提取相关性大于预设相关度阈值的环境变量作为各所述本征模态分量的环境 特征；
将每个本征模态分量及对应的环境特征构成特征输入序列，将所述特征 输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋 势预测模型；
将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征 输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势预测。
具体的，在本实施例中，包括以下步骤：
步骤一、数据获取：通过水电站监测和监控系统在线获取机组非平稳的 振动历史数据和实时数据，将采集到的历史数据划分为多个周期，每个周期 即为一次开停机过程，剔除所有周期中包含的空值及异常振动值，避免噪音 信号或个别异常振动信号对预测精度和稳定度的影响；
步骤二、特征提取：对采取到的振动信号采用集成经验模态分解 (EnsembleEmpirical Mode Decomposition，EEMD)或互补集成经验模态分 解(ComplementaryEnsemble Empirical Mode Decomposition，CEEMD)，提 取原始信号的本征模态分量(Intrinsic Mode Function，IMF)，构造原始信 号特征集；
步骤三、特征选择：提出一种基于最大信息系数(Maximal InformationCoefficient，MIC)的特征选择方法，分析各模态分量与环境变量之间的相关 性，选取相关性最强的环境变量作为各模态分量的输入特征，避免冗余和干 扰特征导致预测精度降低；
步骤四、数据预处理：对选择后的特征进行z-score标准化处理，消除数 据之间的量纲和取值范围差异的影响，并采用时间滑窗技术，将选择后的特 征及目标输出构造为矩阵样本作为网络的输入；
步骤五、模型训练：采用双边循环神经网络(BILSTM\BIGRU)，设定 合适的输入层、隐藏层和输出层的节点个数、超参数，得到最优的网络结构， 构建振动趋势预测模型；
步骤六、趋势预测：将待预测的数据进行步骤一到步骤四等步骤，并输 入到相应训练好的时间序列预测模型中，预测未来有限时间内的振动发展趋 势。
本实施例提供的多种时频分解方法有效改善递归式分解算法存在的模态 混叠效应以及较好的噪声鲁棒性，将非平稳非线性地信号转变为多个包含局 部特征的平稳信号，并针对每个时间序列建立混合模型的深层网络，最后将 每个时间序列的预测结果进行重构，有利于更精确的预测振动趋势，并提供 了多种方法组合；提供了多种深度学习神经网络，利用其对时间序列数据特 征提取的优势及强大的泛化能力，提高了预测精度；结合了特征提取算法、特 征选择算法、深度学习预测算法，大大提高了振动趋势预测结果的精度和稳 定性，其中特征提取算法为非线性非平稳信号的处理提高了有效的处理，特 征选择算法适用于复杂工况下的信号分析，可以灵敏地挖掘特征间的非线性 关系，而深度学习预测算法可以提高海量信号数据的预测精度并减少训练时 间。
在一个实施例中，提取水电机组的原始信号特征集，具体包括：
通过水电站监测和监控系统在线获取水电机组非平稳的原始振动信号， 将所述原始振动信号划分为多个周期，剔除所有周期中的空值和异常振动值； 其中，每个周期为水电机组一次开停机过程；
基于集成经验模态分解EEMD或互补集成经验模态分解CEEMD提取所 述原始振动信号中的本征模态分量，基于所述本征模态分量构建原始信号特 征集。
具体的，步骤一具体包括：
(1.1)每隔t分钟采集一次水电机组振动信号x，t的大小根据实际需要 确定；
(1.2)根据间隔采样时间将采集的数据划分为P个周期，采样间隔时间 相隔t分钟的即为一个周期，大于t分钟的即为另一个周期，一个周期即为一 次开停机过程；
(1.3)删除每个周期中含有的空值，并删除周期长度小于定值C的周期， 其中C依据实际需要而定。
具体的，在本实施例中，取2018年采集到的机组上机架X向水平振动 历史数据，根据采样间隔时间将全年数据划分为300个周期，一次周期即为 一次开停机过程。根据每个周期的时长，将其中270个周期作为训练集，剩 余30个周期作为测试集；删除所有周期数据中含有的空值及振动峰峰值过高 的幅值。
在一个实施例中，基于集成经验模态分解EEMD或互补集成经验模态分 解CEEMD提取所述原始振动信号中的本征模态分量，基于所述本征模态分 量构建原始信号特征集，具体包括：
通过在原始特征信号中多次添加高斯白噪声或N对正、负辅助白噪声, 基于高斯白噪声频谱的零均值原理设置的噪声添加次数，将原始振动信号的 复杂时间序列信号分解为一系列能表征原始特征信号本身局部特征的n个固 有模态函数，将非线性非平稳的原始特征信号转变为一系列不同频率的平稳 特征。
具体的，在本实施例中，步骤二具体包括：
(2.1)对原始数据x(t)进行时频分析，加入一组高斯白噪声序列信号 (EEMD)或N对正、负辅助白噪声(CEEMD)w(t)，分解得到多个均值模 态分量最为最终结果，有效抑制EMD中模态混叠现象：
Xi(t)＝x(t)+wi(t)i＝1,2,....N； (1)
其中Xi(t)表示第i次添加了噪声的合成序列，x(t)是第i次添加了白噪声 的序列，wi(t)表示添加的噪声序列，N表示迭代次数；
(2.2)通过经验模态分解获得若干个本征模态函数(IMF)分量，即
其中n表示分解后的IMF的顺序，IMFi(t)表示第i个IMF 分量，rn(t)表示残差分量；
对原始数据x(t)的局部极大值和极小值，分别用三次样本插值连接产生 上、下包络线，得到对应数据点m的均值，定义x(t)与m的差值为第一个分 量h：
h＝x(t)-m (2)
当h满足以下条件：1)在整个时频分析过程中，极值点数据和过零点数 据相等最多相差1个；2)将h视为新的原始数据x(t)，在任意点，由局部极 大值点和局部极小值点构成的两条包络线平均值为零，则视为模态分量，记 为c1＝h为IMF1；
x(t)-c1＝r1(t) (3)
(2.3).重复(2.2)，向原始信号添加不同的白噪声序列或正、负辅助 白噪声w(t)，其中t表示集成次数，利用高斯白噪声频谱的零均值原理，消 除高斯白噪声作为参考结构在时域分布中的影响，与原始序列数据对应的最 终IMF分量IMFn(t)和残差分量rm(t)可以表示为：
其中n表示分解后的IMF的顺序，IMFi(t)表示第i个IMF分量，rn(t) 表示残差分量。
(2.4)根据模态分解结果，得到10个单一频率的模态分量，即IMF ＝(IMF1,IMF2,..,IMF10)。
在一个实施例中，将10个模态分量与7个环境变量按顺序形成数据集 D＝{IMF1,..,IMF10,P,Q,W,S,V1,V2,T}。
基于最大信息系数MIC分析各所述本征模态分量与环境变量的相关性， 具体包括：
(3.1)给定一对有限有序的数据集D＝[X,Y]，
X为输入特征集，Y＝(y1,y2,…,yn)为目标输出， 两两计算两个序列之间的MIC值，X和Y坐标分别被划分为r行s列大小 的网格T，网格数目是固定的，则变量x和y之间的互信息可以表示为：
p(xi,yj)代表联合概率密度，p(xi)和p(yj)代表边缘密度；
采用最大最小值归一化技术，将互信息值归一化到0到1的范围内， 以将所有变量在同一尺度进行比较，则数据集D上的特征矩阵中r行s列 的值可表示为：
选择数据集D中互信息的最大值作为MIC的值，高的MIC值代表变 量之间有着很强的相关性，而低的MIC值代表变量之间的相关性较低， MIC的计算公式如下：
其中MIC(D)表示数据集中两个变量x和y之间的MIC值，B(n)表示网格 大小的函数。
(3.2)采用最大最小值归一化技术，将互信息值归一化到0到1的范 围内，以将所有变量在同一尺度进行比较，则数据集D上的特征矩阵中r 行s列的值可表示为：
(3.3)选择数据集D中互信息的最大值作为MIC的值，高的MIC值 代表变量之间有着很强的相关性，而低的MIC值代表变量之间的相关性 较低，MIC的计算公式如下：
其中MIC(D)表示数据集中两个变量x和y之间的MIC值，B(n)表示 网格大小的函数；最后得到MIC对称矩阵：
其中mi,j代表第i个特征与第j个特征之间的MIC值。
(3.4)选择MIC(D)中值最大的前M个特征作为最优特征集F；选取 与各模态分量之间MIC值大于σ的环境变量分别作为各模态分量的特征 输入，其计算公式如下：
MICi(Fi,IMFj)≥σ
其中F为环境变量，IMF为模态分量，σ为阈值。
在一个实施例中，将每个本征模态分量及对应的环境特征构成特征输入 序列，具体包括：
对选择后的环境特征进行z-score标准化处理，消除数据之间的量纲和取 值范围差异的影响，并采用时间滑窗技术，将选择后的环境特征及本征模态 分量构造为矩阵样本作为神经网络的输入。
具体的，在本实施例中，选择合适的历史数据的均值和标准差作为在 线数据标准化的参考，提高数据的可比性，步骤四具体包括：
(4.1)取输入特征集中90％个周期作为训练集，10％的周期作为测试 集；采用z-score标准化对上机架X向水平振动数据进行标准化处理，标 准化计算公式为：
其中x为所采集的数据，
为历史数据的均值，σ为历史数据的标准 差；
(4.2)在进行振动趋势预测之前，需要对各个模态分量构建训练样本(X， Y)，采用时间滑窗技术，构建输入样本数据作为网络的输入，将t-s:t时刻的 上信号的各模态分量及其相关特征构造的输入数组I作为模型输入性数据， t+1:t+p时刻信号模态分量形成的1维数组O作为模型参考输出数据，其中s 为时间滑窗步数，p为多步预测步数。
对标准化后的数据x*进行矩阵化处理，输入矩阵样本为X(j)＝[(x1, x2,…,xt)1,…,(x1,x2,…,xt)M]，目标输出为Y＝[y1,y2,…,yt]，其中t为滑窗步数，M 为特征数。每输入一个样本X(j)，便得到一个预测值Yj。
在一个实施例中，输入至所述振动趋势预测模型进行水电机组振动趋势 预测前，还包括：
叠加各模态分量的趋势预测分量以得到最终振动趋势，将最终振动趋势 的结果绘图并计算最终振动趋势与机组真实振动值之间的均方根误差 RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE，以评估振动趋势 预测模型的有效性。
在一个实施例中，所述神经网络为双边循环神经网络BILSTM\BIGRU； 所述双边循环神经网络包括多个循环神经网络层、多个全连接层和一个输出 层；将各本征模态分量与相应的环境变量作为第一个网络层的输入，前一个 网络层的输出作为后一个网络层的输入，最后一个网络层的输出作为第一个 全连接层的输入，前一个全连接的输出作为后一个全连接层输入，最后一个 全连接层的输出作为所述振动趋势预测模型的输出。
步骤五、对每个模态分量时间序列建立深层网络趋势预测模型：
构造双边循环神经网络(双边长短期记忆网络层BiLSTM/双边门控循环 神经网络BiGRU)振动趋势预测模型，其具体结构如图2所示，预测模型包 含2个LSTM/GRU层、多个全连接层和一个输出层。
(5.1)将每个模态分量及其相关特征构成的特征输入序列按时间顺序作 为LSTM/GRU层的输入，通过LSTM/GRU层正向和反向学习对数据进行特 征提取，最终得到最后一个时刻的特征向量作为BiLSTM/BiGRU层的输出， 将此特征输出作为全连接层的输入，通过多个神经元进行进一步的特征提取， 最终通过只有一个神经元的输出层线性回归输出预测趋势值。
在双边循环神经网络层中，前向隐藏状态记为
后向隐藏状 态记为
Bi-RNN的最终输出是基于
和
的隐藏状 态计算的。下面的方程描述了t时刻的状态，两个不同的箭头符号，即→ 和←，分别表示正向和反向过程。
其中
和
代表正向和反向过程中涉及的参数集，这些 参数在所有神经元中是共享的，
代表前一时刻的隐藏状态，
和
是正向和反向过程中的偏置权重，
和 
是正向和反向过程中的输入权重，tanh(双曲正 切)是点向非线性激活函数，表示两个向量的点向乘法。
将标准化后的输入矩阵样本为X(j)＝[(x1,x2,…,xt)1,…,(x1,x2,…,xt)M]作 为网络的输入，则输出函数可以表示如下：
其中f代表BiRNN网络层的隐藏函数，Hu代表BiRNN网络处理后第一 阶段的第u个序列，ht为最后的网络输出。
(5.2)对多个模态分量子模型进行训练与测试得到多个振动趋势预测分 量。其中在LSTM/GRU层以及全连接层使用ReLU激活函数，输出层使用线 性激活函数，其中ReLU激活函数公式为：g(x)＝max(0,x)，对各子模型的权 重进行初始化，指定LSTM/GRU层输出向量的大小为64，训练的批次大小 为32，训练迭代次数为100；
在全连接层中，第一阶段的输出被输入到全连接层中，它将从数据中 学习到的分布式特征映射到样本标记空间中，最后全连接层最后一层的最 终学习输出特征输入到线性回归层中，其计算公式如下：
ou＝f(Hu；ΘFC)＝g(Wuhp+bu) (14)
其中ou是完全连接层的输出向量，ΘFC表示参数集，Wu、bu是权重矩阵和 偏置向量，g(·)表示神经元的激活函数。
(5.3)取历史数据中90％个周期作为训练输入训练集，其中输入数组I 作为训练输入数据集，参考输出数组O作为训练标签，通过网络层的学习， 得到各分量的最优预测模型；取10％的周期作为测试集，进行模型验证；
在输出层中，通过设定输出层的激活函数，网络将全连接层的输出进 行线性回归并生成预测结果，其方程可以表示如下：
其中
是振动预测值，Wo是线性回归层的权重矩阵。
步骤六、叠加各模态分量的趋势预测分量以得到最终振动趋势：
(6.1)基于上步中的网络模型，输入各模态分量及相关特征的历史数 据，得到M个分量的预测模型，并将各模态分量的预测结果叠加得到最终 的振动趋势预测结果，即振动信号P的未来振动趋势。将预测结果绘图并 计算预测结果与机组真实振动趋势的均方根误差(RMSE)、平均绝对误 差(MAE)和平均绝对百分比误差(MAPE)，计算公式如下：
其中xi为真实值，
为预测结果，n为序列长度。
本发明实施例利用了水电机组已有的历史数据，通过集合经验模态分解 或互补集合经验模态分解的方法对振动信号进行时频分析，并考虑了水电机 组运行过程中的环境变量的影响，对分解后的序列采用混合模型进行预测， 最后将预测分量进行叠加，有效地完成了对水电机组振动趋势地预测，为及 时维修和异常状态预警提供技术支持，降低了经济损失。
在一个实施例中，本发明实施例还提供一种水电机组振动趋势预测系统， 基于上述各实施例中的水电机组振动趋势预测方法，包括：
特征采集模块，采集水电机组的原始信号特征集，所述原始信号特征集 中包括水电机组多个周期的原始振动信号的本征模态分量IMF，其中水电机 组每次开停机为一个周期；
特征提取模块，基于最大信息系数MIC分析各所述本征模态分量与环境 变量的相关性，提取相关性大于预设相关度阈值的环境变量作为各所述本征 模态分量的环境特征；
训练模块，将每个本征模态分量及对应的环境特征构成特征输入序列， 将所述特征输入序列按时间顺序作为神经网络的输入，进行神经网络训练， 得到振动趋势预测模型；
预测模块，将当前待预测水电机组的每个本征模态分量及对应的环境特 征构成特征输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势 预测。
具体的如何利用特征采集模块、特征提取模块、训练模块和预测模块进 行水电机组振动趋势预测，可参见上述方法实施例，本发明实施例在此不再 赘述。
在一个实施例中，基于相同的构思，本发明实施例还提供了一种电子设 备，如图3所示，该服务器可以包括：处理器(processor)301、通信接口 (CommunicationsInterface)302、存储器(memory)303和通信总线304，其中， 处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。 处理器301可以调用存储器303中的逻辑指令，以执行如上述各实施例所述 水电机组振动趋势预测方法的步骤。例如包括：
采集水电机组的原始信号特征集，所述原始信号特征集中包括水电机组 多个周期的原始振动信号的本征模态分量IMF，其中水电机组每次开停机为 一个周期；
基于最大信息系数MIC分析各所述本征模态分量与环境变量的相关性， 提取相关性大于预设相关度阈值的环境变量作为各所述本征模态分量的环境 特征；
将每个本征模态分量及对应的环境特征构成特征输入序列，将所述特征 输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋 势预测模型；
将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征 输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势预测。
在一个实施例中，基于相同的构思，本发明实施例还提供一种非暂态计 算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程 序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备 用以实现如上述各实施例所述水电机组振动趋势预测方法的步骤。例如包括：
采集水电机组的原始信号特征集，所述原始信号特征集中包括水电机组 多个周期的原始振动信号的本征模态分量IMF，其中水电机组每次开停机为 一个周期；
基于最大信息系数MIC分析各所述本征模态分量与环境变量的相关性， 提取相关性大于预设相关度阈值的环境变量作为各所述本征模态分量的环境 特征；
将每个本征模态分量及对应的环境特征构成特征输入序列，将所述特征 输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋 势预测模型；
将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征 输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势预测。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算 机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上， 也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以 实现上述方法实施例。上述处理器可以为芯片。
综上所述，本发明实施例提供的一种水电机组振动趋势预测方法和系统， 提供了多种时频分解方法有效改善递归式分解算法存在的模态混叠效应以及 较好的噪声鲁棒性，将非平稳非线性地信号转变为多个包含局部特征的平稳 信号，并针对每个时间序列建立混合模型的深层网络，最后将每个时间序列 的预测结果进行重构，有利于更精确的预测振动趋势，并提供了多种方法组 合；提供了多种深度学习神经网络，利用其对时间序列数据特征提取的优势 及强大的泛化能力，提高了预测精度；结合了特征提取算法、特征选择算法、 深度学习预测算法，大大提高了振动趋势预测结果的精度和稳定性，其中特 征提取算法为非线性非平稳信号的处理提高了有效的处理，特征选择算法适 用于复杂工况下的信号分析，可以灵敏地挖掘特征间的非线性关系，而深度 学习预测算法可以提高海量信号数据的预测精度并减少训练时间。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为 指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定 有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请 的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的 包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出 的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括 对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意 组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形 式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载 和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或 功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他 可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一 个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴 电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网 站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可 以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的 服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如， 软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘 Solid StateDisk)等。
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。 而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各 种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水电机组振动趋势预测方法，其特征在于，包括：
采集水电机组的原始信号特征集，所述原始信号特征集中包括原始信号特征集包含对水电机组多个周期的原始振动信号做EEMD/CEEMD后的IMF分量，其中水电机组每次开停机为一个周期；
基于最大信息系数分析各所述本征模态分量与环境变量的相关性，提取相关性大于预设相关度阈值的环境变量作为各所述本征模态分量的环境特征；
将每个本征模态分量及对应的环境特征构成特征输入序列，将所述特征输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋势预测模型；
将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势预测。
2.根据权利要求1所述的水电机组振动趋势预测方法，其特征在于，提取水电机组的原始信号特征集，具体包括：
通过水电站监测和监控系统在线获取水电机组非平稳的原始振动信号，将所述原始振动信号划分为多个周期，剔除所有周期中的空值和异常振动值；其中，每个周期为水电机组一次开停机过程；
基于集成经验模态分解EEMD或互补集成经验模态分解CEEMD提取所述原始振动信号中的本征模态分量，基于所述本征模态分量构建原始信号特征集。
3.根据权利要求2所述的水电机组振动趋势预测方法，其特征在于，基于集成经验模态分解EEMD或互补集成经验模态分解CEEMD提取所述原始振动信号中的本征模态分量，基于所述本征模态分量构建原始信号特征集，具体包括：
通过在原始特征信号中多次添加高斯白噪声或N对正、负辅助白噪声,基于高斯白噪声频谱的零均值原理设置的噪声添加次数，将原始振动信号的复杂时间序列信号分解为一系列能表征原始特征信号本身局部特征的n个固有模态函数，将非线性非平稳的原始特征信号转变为一系列不同频率的平稳特征。
4.根据权利要求2所述的水电机组振动趋势预测方法，其特征在于，基于最大信息系数分析各所述本征模态分量与环境变量的相关性，具体包括：
给定一对有限有序的数据集D＝[X,Y]，
X为输入特征集，Y＝(y1,y2,…,yn)为目标输出，X和Y坐标分别被划分为r行s列大小的网格T，网格数目是固定的，则变量x和y之间的互信息可以表示为：
p(xi,yj)代表联合概率密度，p(xi)和p(yj)代表边缘密度；
采用最大最小值归一化技术，将互信息值归一化到0到1的范围内，以将所有变量在同一尺度进行比较，则数据集D上的特征矩阵中r行s列的值可表示为：
选择数据集D中互信息的最大值作为MIC的值，高的MIC值代表变量之间有着很强的相关性，而低的MIC值代表变量之间的相关性较低，MIC的计算公式如下：
其中MIC(D)表示数据集中两个变量x和y之间的MIC值，B(n)表示网格大小的函数。
5.根据权利要求1所述的水电机组振动趋势预测方法，其特征在于，将每个本征模态分量及对应的环境特征构成特征输入序列，具体包括：
对选择后的环境特征进行z-score标准化处理，消除数据之间的量纲和取值范围差异的影响，并采用时间滑窗技术，将选择后的环境特征及本征模态分量构造为矩阵样本作为神经网络的输入。
6.根据权利要求1所述的水电机组振动趋势预测方法，其特征在于，输入至所述振动趋势预测模型进行水电机组振动趋势预测后，还包括：
叠加各模态分量的趋势预测分量以得到最终振动趋势，将最终振动趋势的结果绘图并计算最终振动趋势与机组真实振动值之间的均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE，以评估振动趋势预测模型的有效性。
7.根据权利要求1所述的水电机组振动趋势预测方法，其特征在于，所述神经网络为双边循环神经网络BILSTM\BIGRU；所述双边循环神经网络包括多个循环神经网络层、多个全连接层和一个输出层；将各本征模态分量与相应的环境变量作为第一个网络层的输入，前一个网络层的输出作为后一个网络层的输入，最后一个网络层的输出作为第一个全连接层的输入，前一个全连接的输出作为后一个全连接层输入，最后一个全连接层的输出作为所述振动趋势预测模型的输出。
8.一种水电机组振动趋势预测系统，其特征在于，包括：
特征采集模块，采集水电机组的原始信号特征集，所述原始信号特征集中包括水电机组多个周期的原始振动信号的本征模态分量IMF，其中水电机组每次开停机为一个周期；
特征提取模块，基于最大信息系数MIC分析各所述本征模态分量与环境变量的相关性，提取相关性大于预设相关度阈值的环境变量作为各所述本征模态分量的环境特征；
训练模块，将每个本征模态分量及对应的环境特征构成特征输入序列，将所述特征输入序列按时间顺序作为神经网络的输入，进行神经网络训练，得到振动趋势预测模型；
预测模块，将当前待预测水电机组的每个本征模态分量及对应的环境特征构成特征输入序列，输入至所述振动趋势预测模型进行水电机组振动趋势预测。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述水电机组振动趋势预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述水电机组振动趋势预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142739.8A CN112651290A (zh) | 2020-10-22 | 2020-10-22 | 一种水电机组振动趋势预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142739.8A CN112651290A (zh) | 2020-10-22 | 2020-10-22 | 一种水电机组振动趋势预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112651290A true CN112651290A (zh) | 2021-04-13 |
Family
ID=75346961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011142739.8A Pending CN112651290A (zh) | 2020-10-22 | 2020-10-22 | 一种水电机组振动趋势预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651290A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113258565A (zh) * | 2021-05-11 | 2021-08-13 | 广东电网有限责任公司韶关供电局 | 一种频率调节方法、装置、设备和存储介质 |
| CN113313142A (zh) * | 2021-04-27 | 2021-08-27 | 湖南省水利投地方电力有限公司 | 一种水电机组运行数据趋势预警方法、系统及存储介质 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113469408A (zh) * | 2021-05-21 | 2021-10-01 | 国网湖南省电力有限公司 | 一种用于调相机的运行状态趋势预测方法及系统 |
| CN113723493A (zh) * | 2021-08-25 | 2021-11-30 | 中车资阳机车有限公司 | 基于聚类及趋势预测的内燃机振动分析预警方法及装置 |
| CN113792940A (zh) * | 2021-09-30 | 2021-12-14 | 湖南五凌电力科技有限公司 | 基于深度学习的水轮发电机组振摆数据预测方法及装置 |
| CN115235762A (zh) * | 2022-09-26 | 2022-10-25 | 江苏东控自动化科技有限公司 | 冶金传动机构局域损伤振动包络信号获取及评估方法 |
| CN115277480A (zh) * | 2022-08-09 | 2022-11-01 | 国能大渡河流域水电开发有限公司 | 水电机组状态趋势的判断方法、装置及电子设备 |
| CN117473445A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市明心数智科技有限公司 | 基于极限学习机的设备异常分析方法及装置 |
| CN117892066A (zh) * | 2024-03-14 | 2024-04-16 | 杭州银湖电气设备有限公司 | 一种磁控电抗器振动噪声数据处理方法 |
| CN117972363A (zh) * | 2024-03-29 | 2024-05-03 | 西安热工研究院有限公司 | 一种基于平稳度的储能辅助黑启动的风速预测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190166434A1 (en) * | 2017-11-30 | 2019-05-30 | Starkey Laboratories, Inc. | Ear-worn electronic device incorporating motor brain-computer interface |
| CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
-
2020
- 2020-10-22 CN CN202011142739.8A patent/CN112651290A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190166434A1 (en) * | 2017-11-30 | 2019-05-30 | Starkey Laboratories, Inc. | Ear-worn electronic device incorporating motor brain-computer interface |
| CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| A. CASTOLDI: "Mechanical structure and housekeeping system for the FARCOS clusters", IEEE, pages 1 - 3 * |
| I.P. PAKHOTIN: "Diagnosing the Role of Alfven Waves in Global Field-Aligned Current System Dynamics During Southward IMF: Swarm Observations", JOURNAL OF GEOPHYSICAL RESEARCH: SPACE PHYSICS, pages 1 - 23 * |
| YANG, J.; CHANG, Y.; GAO, T.; WANG, J.: "Failure Prediction of the Rotating Machinery Based on CEEMDAN-ApEn Feature and AR-UKF Model", APPL. SCI. 2020, no. 10, pages 2056 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313142A (zh) * | 2021-04-27 | 2021-08-27 | 湖南省水利投地方电力有限公司 | 一种水电机组运行数据趋势预警方法、系统及存储介质 |
| CN113258565A (zh) * | 2021-05-11 | 2021-08-13 | 广东电网有限责任公司韶关供电局 | 一种频率调节方法、装置、设备和存储介质 |
| CN113469408A (zh) * | 2021-05-21 | 2021-10-01 | 国网湖南省电力有限公司 | 一种用于调相机的运行状态趋势预测方法及系统 |
| CN113469281B (zh) * | 2021-07-22 | 2023-11-24 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113723493A (zh) * | 2021-08-25 | 2021-11-30 | 中车资阳机车有限公司 | 基于聚类及趋势预测的内燃机振动分析预警方法及装置 |
| CN113792940A (zh) * | 2021-09-30 | 2021-12-14 | 湖南五凌电力科技有限公司 | 基于深度学习的水轮发电机组振摆数据预测方法及装置 |
| CN115277480A (zh) * | 2022-08-09 | 2022-11-01 | 国能大渡河流域水电开发有限公司 | 水电机组状态趋势的判断方法、装置及电子设备 |
| CN115235762A (zh) * | 2022-09-26 | 2022-10-25 | 江苏东控自动化科技有限公司 | 冶金传动机构局域损伤振动包络信号获取及评估方法 |
| CN117473445A (zh) * | 2023-12-27 | 2024-01-30 | 深圳市明心数智科技有限公司 | 基于极限学习机的设备异常分析方法及装置 |
| CN117473445B (zh) * | 2023-12-27 | 2024-04-16 | 深圳市明心数智科技有限公司 | 基于极限学习机的设备异常分析方法及装置 |
| CN117892066A (zh) * | 2024-03-14 | 2024-04-16 | 杭州银湖电气设备有限公司 | 一种磁控电抗器振动噪声数据处理方法 |
| CN117892066B (zh) * | 2024-03-14 | 2024-05-28 | 杭州银湖电气设备有限公司 | 一种磁控电抗器振动噪声数据处理方法 |
| CN117972363A (zh) * | 2024-03-29 | 2024-05-03 | 西安热工研究院有限公司 | 一种基于平稳度的储能辅助黑启动的风速预测方法和系统 |
| CN117972363B (zh) * | 2024-03-29 | 2024-06-07 | 西安热工研究院有限公司 | 一种基于平稳度的储能辅助黑启动的风速预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
| Qin et al. | Macroscopic–microscopic attention in LSTM networks based on fusion features for gear remaining life prediction | |
| Fu et al. | A hybrid approach for multi-step wind speed forecasting based on two-layer decomposition, improved hybrid DE-HHO optimization and KELM | |
| Nguyen et al. | Ensemble empirical mode decomposition and long short-term memory neural network for multi-step predictions of time series signals in nuclear power plants | |
| Ouyang et al. | Chaotic wind power time series prediction via switching data-driven modes | |
| Toma et al. | Wound-rotor induction generator inter-turn short-circuits diagnosis using a new digital neural network | |
| Cheng et al. | Autoencoder quasi-recurrent neural networks for remaining useful life prediction of engineering systems | |
| Li | SCADA data based wind power interval prediction using LUBE-based deep residual networks | |
| CN103400052A (zh) | 一种风电场短期风速组合预测方法 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| CN116624343B (zh) | 一种风电机组塔筒异常振动监测及健康度评价方法及系统 | |
| Fu et al. | Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM | |
| Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
| Liang et al. | Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| Xu et al. | Interval prediction method for wind power based on VMD-ELM/ARIMA-ADKDE | |
| Capocchi et al. | Wound-rotor induction generator short-circuit fault classification using a new neural network based on digital data | |
| CN112465136A (zh) | 一种水电机组劣化预测方法和系统 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| Liu et al. | A wavelet-LSTM model for short-term wind power forecasting using wind farm SCADA data | |
| Shan et al. | Multi-step vibration trend prediction model based on multi-objective optimization for hydropower generator unit | |
| CN117494591B (zh) | 一种风电电能质量评估方法及装置 | |
| Xu et al. | Water Level Prediction Based on SSA-LSTM Model | |
| Qin et al. | Day-Ahead Wind Power Forecasting Based on Wind Load Data Using Hybrid Optimization Algorithm. Sustainability 2021, 13, 1164 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240524 |
|
| AD01 | Patent right deemed abandoned |