CN112879200A - 一种大型水轮发电机组故障诊断方法 - Google Patents
一种大型水轮发电机组故障诊断方法 Download PDFInfo
- Publication number
- CN112879200A CN112879200A CN202110074323.5A CN202110074323A CN112879200A CN 112879200 A CN112879200 A CN 112879200A CN 202110074323 A CN202110074323 A CN 202110074323A CN 112879200 A CN112879200 A CN 112879200A
- Authority
- CN
- China
- Prior art keywords
- fault
- generating set
- encoder
- fault diagnosis
- hydroelectric generating
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种大型水轮发电机组故障诊断方法，先采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；然后利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号；用堆叠稀疏自编码器对频域信号进行分类；用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。本发明无需大量故障样本数据即可对水轮机故障进行诊断，并且故障诊断精度高。
Description
技术领域
本发明涉及水轮发电机技术领域，具体涉及一种大型水轮发电机组故障诊断方法。
背景技术
随着人们节能环保意识的增强，作为绿色能源的水力发电正在大力发展。我国的大型水电站具有髙水头、高海拔、空化性能差、机械振动强烈、布置复杂、多机组共水力单元、引水管道长、水流惯性巨大、水力电力耦合密切等特点，使得水轮发电机组运行环境日趋恶劣，引起水轮发电机组故障的激励因素越来越多，给水轮发电机组的安全稳定运行带来了一系列亟待解决的国际学术前沿问题和工程技术难题。为确保水轮发电机组在整个生命周期内安全可靠运行，有必要对机组进行精确故障诊断，以提髙机组动态性能与运行效率，防范水电站灾难性事故发生。
在现有技术中，形成了一些围绕水轮发电机组开展故障诊断的理论，其中专家系统技术和神经网络技术是研究与应用的热点。基于专家系统的故障诊断方法利用了专家积累的丰富实践经验，通过模仿专家分析问题和解决问题的思路，能够解释推理过程，成为故障诊断的一种方法。但专家系统获取知识能力、容错能力、以及自我学习能力较差，在水轮机故障诊断中应用并获得成功的例子不太有。而神经网络的出现为水电机组故障诊断提供了一种新的解决方案。该故障诊断系统涉及五个主要步骤：数据/信号采集，数据/信号预处理，特征提取，特征缩减/选择以及故障诊断。近年来，随着技术的不断发展，该故障诊断系统已经发展到出了深度学习模型，深度学习模型将故障诊断过程简化为三个主要步骤：信号采集，信号预处理和故障诊断。因为深度学习模型具有多个隐藏层，所以特征提取和选择任务是自动化的。但深度学习模型需要大型数据集才能使学习过程有效，以产生准确的故障诊断结果。水电机组具有异常样本数据少，故障无标定的特点，因此，深度学习模型容易出现过拟合问题。
发明内容
本发明的目的是为了提供一种大型水轮发电机组故障诊断方法，无需大量故障样本数据，并且故障诊断精度高。
为了实现上述目的，本发明采用以下技术方案：
一种大型水轮发电机组故障诊断方法，包括如下步骤：
a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；
b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，
Kx(f)＝S4(f)/(S2(f))2-2 (公式1)
Sn(f)＝E〈|L(f,t)|n〉 (公式2)
其中，f≠0，Sn(f)为信号的n阶谱矩，E〈·〉为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；
c.用堆叠稀疏自编码器对频域信号进行分类；
d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；
e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；
f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。
作为优选，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，
公式3为：
公式4为：
其中
为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。
作为优选，在步骤d中，稀疏自动编码器的重构误差为：
其中，
代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，
是隐藏节点的平均激活量。
作为优选，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：
其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c1和c2分别代表个体和整体学习因素。
作为优选，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：
其中：θ1，θ2，……，θk∈Rn+1是模型参数。
作为优选，通过公式9使全球勘探和局部勘探的能力达到平衡，
其中：wmin为最小惯性权值，wmax为最大惯性权值，u为当前迭代。
因此，本发明具有如下有益效果：采用有限的水轮发电机故障样本数据即可精准诊断识别水轮发电机故障；本发明无需大量故障样本数据，并且故障诊断精度高。
具体实施方式
一种大型水轮发电机组故障诊断方法，包括如下步骤：
a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；
b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，
Kx(f)＝S4(f)/(S2(f))2-2 (公式1)
Sn(f)＝E<|L(f,t)|n> (公式2)
其中，f≠0，Sn(f)为信号的n阶谱矩，E<·>为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；
c.用堆叠稀疏自编码器对频域信号进行分类；
d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；
e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；
f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。
本发明引入堆叠稀疏自编码器对频域信号进行分类。首先进行堆叠稀疏自编码器预先参数设置，堆叠稀疏自编码器是由多个稀疏自编码器叠加而成的。一个稀疏自动编码器包含编码器，隐藏层，解码器功能。
优选地，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，公式3为：
公式4为：
其中
为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。
稀疏自动编码器对自动编码器的隐藏单元施加了约束，从而激活非活动隐藏单元。
进一步地，在步骤d中，稀疏自动编码器的重构误差为：
其中，
代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，
是隐藏节点的平均激活量。
更进一步地，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：
其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c1和c2分别代表个体和整体学习因素。
本发明基于粒子群优化算法对堆叠稀疏自编码器进行超参数选择。由于有限的数据样本可能导致网络容易过拟合训练数据，堆叠稀疏自编码器的重要超参数是调节器，由于调节器能够减少过度拟合的问题，因此本发明对其进行优化调整。具体地，通过选择稀疏度参数、隐藏节点的平均激活量、稀疏性惩罚项的权重进行同时优化。
优选地，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：
其中：θ1，θ2，……，θk∈Rn+1是模型参数。
进一步地，通过公式9使全球勘探和局部勘探的能力达到平衡，
其中：wmin为最小惯性权值，wmax为最大惯性权值，u为当前迭代。
Claims (6)
1.一种大型水轮发电机组故障诊断方法，其特征是，包括如下步骤：
a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；
b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，
Kx(f)＝S4(f)/(S2(f))2-2 (公式1)
Sn(f)＝E<|L(f,t)|n> (公式2)
其中，f≠0，Sn(f)为信号的n阶谱矩，E<·>为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；
c.用堆叠稀疏自编码器对频域信号进行分类；
d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；
e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；
f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。
2.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，
公式3为：
公式4为：
其中
为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。
3.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，在步骤d中，稀疏自动编码器的重构误差为：
其中，
代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，
是隐藏节点的平均激活量。
4.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：
其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c1和c2分别代表个体和整体学习因素。
5.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：
其中：θ1，θ2，……，θk∈Rn+1是模型参数。
6.根据权利要求4所述的一种大型水轮发电机组故障诊断方法，其特征是，通过公式9使全球勘探和局部勘探的能力达到平衡，
其中：wmin为最小惯性权值，wmax为最大惯性权值，u为当前迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110074323.5A CN112879200B (zh) | 2021-01-20 | 2021-01-20 | 一种大型水轮发电机组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110074323.5A CN112879200B (zh) | 2021-01-20 | 2021-01-20 | 一种大型水轮发电机组故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112879200A true CN112879200A (zh) | 2021-06-01 |
| CN112879200B CN112879200B (zh) | 2022-08-09 |
Family
ID=76050299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110074323.5A Active CN112879200B (zh) | 2021-01-20 | 2021-01-20 | 一种大型水轮发电机组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112879200B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2771505Y (zh) * | 2005-01-05 | 2006-04-12 | 江西理工大学 | 水轮发电机组监测及专家模糊诊断装置 |
| CN103953490A (zh) * | 2014-04-23 | 2014-07-30 | 浙江工业大学 | 基于hlsne的水轮机组状态监测实现方法 |
| CN108869145A (zh) * | 2018-04-26 | 2018-11-23 | 中国水利水电科学研究院 | 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 |
| CN110319876A (zh) * | 2019-05-20 | 2019-10-11 | 国家电网有限公司 | 一种水轮发电机的状态监测方法及装置 |
| CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
-
2021
- 2021-01-20 CN CN202110074323.5A patent/CN112879200B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2771505Y (zh) * | 2005-01-05 | 2006-04-12 | 江西理工大学 | 水轮发电机组监测及专家模糊诊断装置 |
| CN103953490A (zh) * | 2014-04-23 | 2014-07-30 | 浙江工业大学 | 基于hlsne的水轮机组状态监测实现方法 |
| CN108869145A (zh) * | 2018-04-26 | 2018-11-23 | 中国水利水电科学研究院 | 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 |
| CN110319876A (zh) * | 2019-05-20 | 2019-10-11 | 国家电网有限公司 | 一种水轮发电机的状态监测方法及装置 |
| CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| 余肖生等: "《大数据处理》", 30 June 2020, 武汉大学出版社 * |
| 吉安卡洛·扎克尼: "《TensorFlow深度学习》", 29 February 2020, 机械工业出版社 * |
| 田福庆等: "《机械故障非平稳特征提取方法及其应用》", 30 June 2014, 国防工业出版 * |
| 齐微: "《一类智能优化算法的改进及应用研究》", 31 December 2020, 中国经济出版社 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112879200B (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Research on bearing fault diagnosis of wind turbine gearbox based on 1DCNN-PSO-SVM | |
| CN107563251B (zh) | 基于极限学习机的风机故障诊断方法 | |
| CN107449603A (zh) | 基于支持向量机的风机故障诊断方法 | |
| CN109029974A (zh) | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 | |
| Sun et al. | A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network | |
| CN111581888B (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
| CN105547730A (zh) | 水轮发电机组故障检测系统 | |
| CN116109292A (zh) | 一种基于联邦半监督学习的风机齿轮箱故障诊断方法 | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
| Chen et al. | Effect of input features on the performance of the ANN-based wind power forecasting | |
| CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 | |
| Xue et al. | A data-driven diagnosis method of open-circuit switch faults for PMSG-based wind generation system | |
| CN105182104A (zh) | 一种波浪能-潮流能综合测试平台及工况模拟方法 | |
| CN112879200B (zh) | 一种大型水轮发电机组故障诊断方法 | |
| CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
| CN116565856A (zh) | 一种考虑未知拓扑变化的配电网状态估计方法 | |
| CN111458143A (zh) | 一种风电机组主轴承温度故障诊断方法 | |
| Ye et al. | Virtual-Real Fusion-based Transfer Learning with Limited Data for Gearbox Fault Diagnosis | |
| Lin | An intelligent fault diagnosis model of WSN based on artificial immune system | |
| CN113033088A (zh) | 基于深度子域适配迁移网络的风力发电机系统故障诊断方法 | |
| Li et al. | Research of Gearbox Failure Diagnosis Based On Nerve Network | |
| PONNUSWAMY et al. | WIND TURBINE FAULT MODELING AND CLASSIFICATION USING CUCKOO-OPTIMIZED MODULAR NEURAL NETWORKS | |
| Hamberg | Photovoltaic system performance forecasting using lstm neural networks | |
| Wang et al. | PV Scenario Generation Based on K-means Method |
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 |