CN112857767B - 基于卷积神经网络的水轮发电机组转子故障声学判别方法 - Google Patents

基于卷积神经网络的水轮发电机组转子故障声学判别方法 Download PDF

Info

Publication number
CN112857767B
CN112857767B CN202110065329.6A CN202110065329A CN112857767B CN 112857767 B CN112857767 B CN 112857767B CN 202110065329 A CN202110065329 A CN 202110065329A CN 112857767 B CN112857767 B CN 112857767B
Authority
CN
China
Prior art keywords
neural network
acoustic
convolutional neural
processing
dimensional array
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
Application number
CN202110065329.6A
Other languages
English (en)
Other versions
CN112857767A (zh
Inventor
郑开元
邹祖冰
李友平
陈永雷
王建兰
徐波
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 Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202110065329.6A priority Critical patent/CN112857767B/zh
Publication of CN112857767A publication Critical patent/CN112857767A/zh
Application granted granted Critical
Publication of CN112857767B publication Critical patent/CN112857767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于卷积神经网络的水轮发电机组转子故障声学判别方法，它包括步骤一：以指定频率指定精度采集水轮发电机组运行状态下的声学样本；步骤二：将获得的声学样本降采样至指定采样率，以一定的窗口长度、重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组；步骤三：按照神经网络的训练得到网络的归一化参数进行归一化处理；步骤四：将经过步骤三处理得到的参数输入卷积神经网络，并得到输出等步骤。

Description

基于卷积神经网络的水轮发电机组转子故障声学判别方法
技术领域
本发明属于水轮机发电机组故障检测技术领域，具体涉及一种通过声学对水轮机发电机组故障进行判别的方法，尤其涉及一种基于卷积神经网络的水轮发电机组转子故障声学判别方法。
背景技术
在现有技术中，由于水轮发电机祖在运行时有强背景噪声，且成分复杂，几乎覆盖全频域。传统的信号处理方法如小波、EMD等无法有效提取出高信噪比的故障信号。故障形式较多的情况下需要分情况研究判别方式，大大提高了研究难度。
授权公告号为CN108106717B的专利文献公开了一种基于声音信号识别机组状态方法，采用VMD和概率密度方法生成特征向量，通过比较不同运行状态下的特征向量来判断机组的运行状态。授权公告号为CN111860241A的专利文献公开了一种基于小波分析的电力设备放电故障识别方法，基于小波分解和支持向量机对电力设备的声学信号进行分析。上述这类技术并非在强背景噪声环境下实现，信噪比较高。上述方法为了实现实时分析，采样率仅支持4千赫兹以下，无法充分利用高频信号特征。且上述方法都没有能力对故障进行判断或只能对单一故障类型进行判别。
随着神经网络在各领域的发展，神经网络在信号处理的应用也是目前研究的前沿领域，神经网络在水轮发电机组的声学监测信号处理中鲜有成果。神经网络对信号处理的效率大大优于传统的信号处理方法，对于声学信号这样的数据流量大的信号能够用神经网络方法替代传统信号处理方法无疑有巨大优势。
因此，申请人提出一种基于卷积神经网络的水轮发电机组转子故障声学判别方法。
发明内容
本发明的目的是为了解决在将神经网络技术引入对水轮发电机组转子故障判断时，存在数据量大、机组运行时背景噪声强、且无法用传统方法提取出良好信噪比的故障信号的技术问题，而提供的一种基于卷积神经网络的水轮发电机组转子故障声学判别方法。
为解决上述技术问题，本发明所采用的技术方案是：
一种对从水轮发电机组采集的声学信号进行处理的方法，包括以下步骤：
步骤1：在水轮发电机组停止运行的状态下，采集特定部位发生故障时的声学样本，并将采集得到的声学样本经过数据处理成一维数组，作为训练网络的目标集；
步骤2：在水轮发电机组正常运行状态下，采集水轮发电机组正常运行时的声学样本，将步骤1中得出的特定部位发生故障时的声学样本随机与水轮发电机组正常运行时的声学样本叠加，并经过数据处理成二维数组，作为训练网络的预测集；
步骤3：将目标集与预测集以所对应的故障声学样本所一一对应，抽取其中部分作为验证集；
步骤4：将目标集、预测集、验证集输入卷积神经网络进行训练重复若干轮；
步骤5：记录卷积神经网络参数，得到用于声学信号预测特定部位故障的卷积神经网络；
通过以上步骤对从水轮发电机组采集的声学信号进行处理并得到用于声学信号预测特定部位故障的卷积神经网络。
在步骤1中，特定部位为挡风板或定子铁芯或转子，发生的故障为不正常的碰撞、在紧固不完全时的摆动，或采集以及其他需要关注的故障声学样本。
在步骤1中，具体的数据处理包括以下步骤：
1）将声学样本降采样至目标频率的采样率；
2）以指定窗口长度、指定重叠率将获得的二维数组划分为若干段；
3）设定声强阈值，未超过该阈值时输出0，超过该阈值时输出1；
由上述步骤得到由0或1组成的一维数组，作为训练网格的目标集。
在步骤2中，具体的数据处理包括以下步骤：
1）将叠加后的声学样本降采样至目标频率采样率；
2）将数据以指定窗口长度、指定重叠率，窗口形状为汉明窗进行短时傅里叶变换得到二维数组；
3）对步骤2）中得到的二维数组进行归一化处理并记录归一化参数；
由上述步骤得到经过数据处理的二维数组，作为训练网络的预测集。
一种基于卷积神经网络的水轮发电机组转子故障声学判别方法，包括以下步骤：
步骤一：以指定频率指定精度采集水轮发电机组运行状态下的声学样本；
步骤二：将获得的声学样本降采样至指定采样率，以一定的窗口长度、重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组；
步骤三：按照神经网络的训练得到的归一化参数进行归一化处理；
步骤四：将经过步骤三处理得到的参数输入卷积神经网络，并得到输出；
卷积神经网络的输出即为判别、预测结果；
其中，它用上述记载的对从水轮发电机组采集的声学信号进行处理的方法进行神经网络的训练，以得出经过训练后的卷积神经网络。
与现有技术相比，本发明具有如下技术效果：
1）采用本发明中记载的方法训练出来的应用于水轮发电机组故障检测的神经网络，在训练后验证的正确率为94.7%，具有高正确率，能非常好且有效的适用于水轮发电机组故障的检测；
2）本发明能以强实时性对水轮发电机组进行故障监测，在发电机组运行状态下的故障实时监控判别具有显著效果及优势；
3）本发明大大降低了复杂问题的研究到应用的周期，且后续随着相关硬件的发展，其使用效果能进一步提升。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为实施例中故障声音样本的模拟图；
图2为实施例中样本声音阈值滤波结果模拟图；
图3为实施例中机组运行时敲击挡风板的声学样本模拟图；
图4为实施例中神经网络的输出结果模拟图；
图5为本发明中神经网络应用的流程图；
图6为本发明中神经网络训练的流程图。
具体实施方式
本发明包括神经网络的训练以及神经网络在训练完成后的应用；
在训练神经网络时，提供如下实施例：
在本例中主要关注碰撞类故障，首先以64千赫兹16位精度采样挡风板、定子铁芯、转子，用适当方式收集碰撞声音样本共12段。
步骤一：将声学样本降采样至16千赫兹采样率，以256为长度，重叠率为75%将二维数组划分为若干小段，设定一个声强阈值，未超过阈值时输出0，当超过阈值则将数据设为1，由此得到一个值为0或1的一维数组，作为训练网络的目标集。
以图例给出一个样本的处理结果，原始样本如图1所示，目标集如图2所示。
步骤二：以64千赫兹16位精度采样机组在147MW、130MW、110MW、100MW工况下的背景噪声样本，将步骤一采集的碰撞声音样本，将叠加后的声学样本降采样至16千赫兹采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的预测集。本例使用的L2正则化作为归一化方法，参数为输入均值为15.01，输入标准差为72.87。
步骤三：将目标集与预测集以所对应的故障声学样本所一一对应，抽取其中部分作为验证集。将目标集、预测集、验证集输入一个卷积神经网络进行训练重复3轮，网络结构为16层卷积层及2层全连接层。训练最后的验证正确率为94.7%。由于阈值附近的数据较多，在阈值附近的数据虽然差别不大却被区分了正常与不正常，对神经网络的判断影响较大，所以本例的正确率已经非常好了。
步骤四：存储训练好的网络及归一化参数
在神经网络训练完成后应用时，提供如下实施例：
步骤一：在机组运行状态下敲击挡风板用以模拟故障，以64千赫兹16位精度采样，采样结果如图3。
声学样本降采样至16千赫兹采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组。
按照训练得到网络的归一化参数进行归一化处理。
步骤二：将参数输入卷积神经网络，得到输出。
步骤三：卷积神经网络得到判别是否在特定部位发生了故障，神经网络的输出即为预测结果，如图4模拟了五次敲击，均正常识别。
为了使本发明对所有故障进行有效识别，建议长期更新故障样本以提高本方法的应用效果。

Claims (4)

1.一种对从水轮发电机组采集的声学信号进行处理的方法，其特征在于，包括以下步骤：
步骤1：在水轮发电机组停止运行的状态下，采集特定部位发生故障时的声学样本，并将采集得到的声学样本经过分类处理成一维数组，作为训练网络的目标集；
步骤2：在水轮发电机组正常运行状态下，采集水轮发电机组正常运行时的声学样本，将步骤1中得出的特定部位发生故障时的声学样本随机与水轮发电机组正常运行时的声学样本叠加，并经过数据处理成二维数组，作为训练网络的预测集；
步骤3：将目标集与预测集以所对应的故障声学样本所一一对应，抽取其中部分作为验证集；
步骤4：将目标集、预测集、验证集输入卷积神经网络进行训练重复若干轮；
步骤5：记录卷积神经网络参数，得到用于声学信号预测特定部位故障的卷积神经网络；
通过以上步骤对从水轮发电机组采集的声学信号进行处理并得到用于声学信号预测特定部位故障的卷积神经网络；
在步骤1中，包括以下步骤：
1）将声学样本降采样至目标频率的采样率；
2）以指定窗口长度、指定重叠率将获得的二维数组划分为若干段；
3）设定声强阈值，未超过该阈值时输出0，超过该阈值时输出1；
由上述步骤得到由0或1组成的一维数组，作为训练网格的目标集。
2.根据权利要求1所述的对从水轮发电机组采集的声学信号进行处理的方法，其特征在于，在步骤1中，特定部位为挡风板或定子铁芯或转子，发生的故障为不正常的碰撞、在紧固不完全时的摆动。
3.根据权利要求1所述的对从水轮发电机组采集的声学信号进行处理的方法，其特征在于，在步骤2中，具体的数据处理包括以下步骤：
1）将叠加后的声学样本降采样至目标频率采样率；
2）将数据以指定窗口长度、指定重叠率，窗口形状为汉明窗进行短时傅里叶变换得到二维数组；
3）对步骤2）中得到的二维数组进行归一化处理并记录归一化参数；
由上述步骤得到经过数据处理的二维数组，作为训练网络的预测集。
4.基于卷积神经网络的水轮发电机组转子故障声学判别方法，其特征在于，
包括以下步骤：
步骤一：以指定频率指定精度采集水轮发电机组运行状态下的声学样本；
步骤二：将获得的声学样本降采样至指定采样率，以一定的窗口长度、重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组；
步骤三：按照神经网络的训练得到的归一化参数进行归一化处理；
步骤四：将经过步骤三处理得到的参数输入卷积神经网络，并得到输出；
卷积神经网络的输出即为判别、预测结果；
其中，它用如权利要求3所述的对从水轮发电机组采集的声学信号进行处理的方法进行神经网络的训练，以得出经过训练后的卷积神经网络。
CN202110065329.6A 2021-01-18 2021-01-18 基于卷积神经网络的水轮发电机组转子故障声学判别方法 Active CN112857767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110065329.6A CN112857767B (zh) 2021-01-18 2021-01-18 基于卷积神经网络的水轮发电机组转子故障声学判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110065329.6A CN112857767B (zh) 2021-01-18 2021-01-18 基于卷积神经网络的水轮发电机组转子故障声学判别方法

Publications (2)

Publication Number Publication Date
CN112857767A CN112857767A (zh) 2021-05-28
CN112857767B true CN112857767B (zh) 2022-03-11

Family

ID=76006829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110065329.6A Active CN112857767B (zh) 2021-01-18 2021-01-18 基于卷积神经网络的水轮发电机组转子故障声学判别方法

Country Status (1)

Country Link
CN (1) CN112857767B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724726A (zh) * 2021-08-18 2021-11-30 中国长江电力股份有限公司 一种基于全连接神经网络的机组运行噪声抑制的处理方法
CN113790911B (zh) * 2021-08-18 2023-05-16 中国长江电力股份有限公司 一种基于声音频谱统计学规律的异响检测方法
CN116453526B (zh) * 2023-04-24 2024-03-08 中国长江三峡集团有限公司 基于声音识别的水轮发电机组多工况异常监测方法及装置
CN116520143B (zh) * 2023-07-03 2023-09-12 利维智能（深圳）有限公司 基于声纹数据的旋转设备监测方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07224753A (ja) * 1994-02-08 1995-08-22 Hitachi Ltd 水車ランナの異常検出装置
CN107013449A (zh) * 2017-04-18 2017-08-04 山东万腾电子科技有限公司 基于深度学习的声音信号识别压缩机故障的方法及系统
CN108398267A (zh) * 2018-02-27 2018-08-14 安徽大学 一种高速列车轨边运动参数自适应识别方法
CN108895839A (zh) * 2018-05-31 2018-11-27 中冶华天工程技术有限公司 烧结机漏风故障在线诊断方法
CN110940539A (zh) * 2019-12-03 2020-03-31 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法
CN111413091A (zh) * 2020-04-02 2020-07-14 天津大学 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法
CN111752259A (zh) * 2020-06-02 2020-10-09 上海交通大学 一种燃气轮机传感器信号的故障识别方法和装置
CN112201226A (zh) * 2020-09-28 2021-01-08 复旦大学 一种发声方式判别方法及系统
CN112233683A (zh) * 2020-09-18 2021-01-15 江苏大学 一种汽车电动后视镜异响检测方法及检测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07224753A (ja) * 1994-02-08 1995-08-22 Hitachi Ltd 水車ランナの異常検出装置
CN107013449A (zh) * 2017-04-18 2017-08-04 山东万腾电子科技有限公司 基于深度学习的声音信号识别压缩机故障的方法及系统
CN108398267A (zh) * 2018-02-27 2018-08-14 安徽大学 一种高速列车轨边运动参数自适应识别方法
CN108895839A (zh) * 2018-05-31 2018-11-27 中冶华天工程技术有限公司 烧结机漏风故障在线诊断方法
CN110940539A (zh) * 2019-12-03 2020-03-31 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法
CN111413091A (zh) * 2020-04-02 2020-07-14 天津大学 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法
CN111752259A (zh) * 2020-06-02 2020-10-09 上海交通大学 一种燃气轮机传感器信号的故障识别方法和装置
CN112233683A (zh) * 2020-09-18 2021-01-15 江苏大学 一种汽车电动后视镜异响检测方法及检测系统
CN112201226A (zh) * 2020-09-28 2021-01-08 复旦大学 一种发声方式判别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PCA在非线性系统传感器故障检测和重构中的应用;仇韬等;《清华大学学报(自然科学版)》;20060531;第46卷(第05期);第708-711页 *
水轮发电机组故障诊断技术;杨永刚等;《湖南农机》;20110731;第38卷(第07期);第103-104页 *

Also Published As

Publication number Publication date
CN112857767A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112857767B (zh) 基于卷积神经网络的水轮发电机组转子故障声学判别方法
CN106546892A (zh) 基于深度学习的局部放电超声音频识别方法及系统
CN111814872B (zh) 基于时域、频域自相似性的电力设备环境噪音识别方法
Sheng et al. Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN108869145A (zh) 基于复合特征指标和深度极限学习机的泵站机组诊断方法
CN114708885A (zh) 一种基于声音信号的风机故障预警方法
CN116399579A (zh) 变压器机械故障诊断方法、装置、计算机设备及存储介质
CN117153193B (zh) 融合物理特性和数据诊断的电力设备故障声纹识别方法
CN115410599A (zh) 一种基于声纹感知的变压器运行状态识别的方法及系统
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN116453526B (zh) 基于声音识别的水轮发电机组多工况异常监测方法及装置
CN112560674B (zh) 一种声音信号质量的检测方法及系统
CN112036240B (zh) 一种基于分频算法诊断下机架松动故障的方法及系统
Yu et al. Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition
CN117607598A (zh) 一种基于声纹特征的变压器故障检测方法及系统
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
CN116699400A (zh) 一种发电机转子短路故障监测系统、方法及可读存储介质
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及系统
CN106772032B (zh) 一种水轮发电机组的故障特征提取方法
CN112201226B (zh) 一种发声方式判别方法及系统
CN104102834A (zh) 录音地点的识别方法
CN110703080B (zh) 一种gis尖刺放电诊断方法、放电程度识别方法及装置
CN106593777A (zh) 一种风能发电系统
Hu et al. Prediction of Operational Noise Uncertainty in Automotive Micro-Motors Based on Multi-Branch Channel–Spatial Adaptive Weighting Strategy

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