CN113251942A - 基于应变和声波传感的发电机定子故障监测的方法和装置 - Google Patents

基于应变和声波传感的发电机定子故障监测的方法和装置 Download PDF

Info

Publication number
CN113251942A
CN113251942A CN202110792506.0A CN202110792506A CN113251942A CN 113251942 A CN113251942 A CN 113251942A CN 202110792506 A CN202110792506 A CN 202110792506A CN 113251942 A CN113251942 A CN 113251942A
Authority
CN
China
Prior art keywords
strain
generator stator
fault
generator
sound wave
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
Application number
CN202110792506.0A
Other languages
English (en)
Other versions
CN113251942B (zh
Inventor
彭飞
胡明昊
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202110792506.0A priority Critical patent/CN113251942B/zh
Publication of CN113251942A publication Critical patent/CN113251942A/zh
Application granted granted Critical
Publication of CN113251942B publication Critical patent/CN113251942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural 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
    • G06N3/044—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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Manufacture Of Motors, Generators (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明公开了一种基于应变和声波传感的发电机定子故障监测的方法和装置，包括：安装用于测量大型发电机定子应变和声波信号的传感光缆；将传感光缆的长度与发电机定子的三维坐标进行标定；通过采集大型发电机定子的各类故障产生的应变‑声波信号，构建发电机定子故障监测的卷积神经网络训练模型；进行发电机定子故障监测，并结合现场的人工检修结果更新故障样本库；使用更新的故障样本库对发电机定子故障监测模型重新训练，利用更新后的发电机定子故障监测模型对运行中的大型发电机基于异常应变‑声波信号进行故障类型识别和预测。本发明扩大了发电机定子故障监测范围和精度，并可对大型发电机定子的故障进行预测。

Description

基于应变和声波传感的发电机定子故障监测的方法和装置
技术领域
本发明涉及大型发电机定子故障监测技术领域，具体地讲，是涉及一种基于应变和声波传感的发电机定子故障监测的方法和装置。
背景技术
大型发电机是电力工业生产的重要设备，大型发电机一旦发生故障，将会造成停电事故，甚至危及电力系统的正常稳定运行，而且事故涉及面大，修理周期长，费用高，经济损失巨大。因此，大型发电机的安全可靠运行已成为电力系统正常运行过程中的关键因素。由于发电机定子工作中需承受不断变化的机械力、电场、热力作用，容易出现定子铁心变形、定子线棒局部放电等故障，对发电机定子故障监测是保证大型发电机安全运行的重要方式。
大型发电机定子故障主要包括：铁心松弛，绝缘损坏，表面绝缘磨损，定子线棒局部放电，绝缘击穿等。发电机定子铁心变形导致线棒表面绝缘被磨损破坏，线棒表面绝缘被磨损破坏会产生局部放电现象。定子振动过大将进一步加剧表面绝缘磨损，或者造成铁心松弛，绝缘损坏。并且发电机局部放电，绝缘击穿此类故障还往往伴随着声发射的现象。
目前，国内外的研究学者已经对大型发电机定子故障监测技术进行了一些研究，提出过一些大型发电机定子故障监测方法，如基于电学类传感器（射频电流互感器、加速度传感器、振动传感器）的发电机定子故障监测，又如基于准光纤分布式传感器的发电机定子振动监测和基于光纤分布式温度传感器的发电机定子温度监测。
由于大型发电机运行现场电磁环境复杂，用于监测发电机定子故障的电学类传感器会受到电磁干扰的强烈影响，导致测量精度较低，无法准确反映发电机定子状态。而光纤传感不受电磁干扰，使用基于光纤传感的发电机定子故障监测能够克服大型发电机运行现场的电磁干扰问题，例如文献一João Paulo Bazzo等人在Thermal Imaging ofHydroelectric Generator Stator Using a DTS System报道的光纤分布式温度传感器用于水电站发电机的定子温度监测并定位发电机定子故障；又如文献二Uilian José Dreyer等人报道的Quasi-Distributed Optical Fiber Transducer for SimultaneousTemperature and Vibration Sensing in High-Power Generators将光纤准分布式振动传感器布设于发电机定子中监测发电机定子的温度与振动异常并定位发电机定子故障。
大型发电机定子故障导致的温度变化较慢，并且温度变化是故障带来的间接变化。文献一中使用了基于拉曼散射的DTS，由于拉曼散射信号较弱，需要很多次平均才能得到结果，导致响应速度慢。大型发电机的体积很大，定子槽数量很多，如果采用文献二中的光纤光栅方案，需要的测量点数需要达到上万个，而文献二中使用的光纤光栅的串联点数不超过几千个，当串联的点数增加后，通道之间的多径反射严重，带来的通道串扰严重，从而影响测量精度。发明人对比研究后发现，采用声波参数可以快速检测到定子故障，采用应变参数可以直接探测例如铁芯变形类型的故障，故在大型发电机定子内部非常有必要引入声波量与应变量的测量。而且，上述文献中也没有利用光纤传感信号进行发电机定子故障自动识别算法，因此无法对发电机定子故障进行有效的识别和预警。
发明内容
针对上述技术问题，本发明首先提供一种基于应变和声波传感的发电机定子故障监测的方法，利用光纤分布式应变/声波传感器具有的探测灵敏度高、免疫电磁干扰、可大范围部署、成本低等特点，通过监测大型发电机定子应变/声波信号来对发电机故障进行监测，提高监测覆盖范围和监测精确度。
为了实现上述目的，本发明采用的技术方案如下：
一种基于应变和声波传感的发电机定子故障监测的方法，包括以下步骤：
S100、安装用于测量大型发电机定子应变和声波信号的传感光缆：将传感光缆依次绕置安装固定在大型发电机所有定子插槽内，传感光缆从定子绕组端部引出并与光纤分布式应变/声波传感解调仪连接，该光纤分布式应变/声波传感解调仪用于将传感光缆中含有的应变/声波信息的散射光信号解调后送入上位机进行信号处理；
S200、将传感光缆的长度与发电机定子三维坐标进行基于声波的标定和基于应变的标定；
S300、在实验室环境下模拟发电机定子的各类故障，并利用布设的传感光缆采集对应各类故障的应变/声波信号，保存各类故障的应变/声波信号数据并构建发电机定子故障样本库；
S400、基于发电机定子故障样本库，构建卷积神经网络提取发电机定子故障数据特征，训练并获得使用应变/声波信号数据监测的发电机定子故障监测模型；
S500、基于步骤S100的方式在大型发电机现场布设传感光缆，进行发电机定子故障检测，并结合现场的人工检修结果更新发电机定子故障样本库；
S600、使用更新后的发电机定子故障样本库对步骤S400中获得的发电机定子故障监测模型训练更新，利用更新后的发电机定子故障监测模型对运行中的大型发电机基于异常应变/声波信号进行故障类型识别和预测。
具体地，所述步骤S100中传感光缆沿定子插槽顺向安装固定，绕过定子插槽端部再沿相邻的定子插槽顺向安装固定，直至传感光缆覆盖所有定子插槽。
具体地，所述步骤S200中基于声波的标定过程如下：
S201、在发电机停机时，敲击发电机定子一位置，在发电机定子三维坐标(x 0 ,y 0 , z 0)处产生振动声波，传感光缆的长度位置X0处检测到最强的振动声波信号，获得发电机定子三维坐标(x 0 ,y 0 ,z 0)对应的传感光缆长度位置X0；
S202、依次敲击发电机定子上的不同位置，重复步骤S201，获得传感光缆长度位置X与发电机定子三维坐标(x,y,z)之间基于声波监测信号的对应关系，完成基于声波的标定。
并且，所述步骤S200中基于应变的标定过程如下：
S211、在发电机停机时，在发电机定子三维坐标(x 1 ,y 1 ,z 1)处拉伸传感光缆，传感光缆的长度位置X1处检测到最大的应变信号，获得发电机定子三维坐标(x 1 ,y 1 ,z 1) 对应传感光缆长度位置X1；
S212、依次拉伸不同位置的传感光缆，重复步骤S211，获得传感光缆长度位置X与发电机定子三维坐标(x,y,z)之间基于应变信号的对应关系，完成基于应变的标定。
具体地，所述步骤S300中利用布设的传感光缆采集对应各类故障的应变/声波信号形式为：时间-传感通道的二维矩阵，其中二维矩阵由n个传感通道组成，每个通道的一维信号表示在阵列的指定位置的应变/声波信号与时间的关系；模拟发电机定子故障产生的异常应变-声波信号呈现在相关通道中；
利用高通滤波器对每个通道的应变与声波信号依次进行滤波，得到各传感通道滤波后的信号；
将滤波后的信号中的异常信号与对应类型的发电机定子故障进行标记，构建发电机定子故障样本库。
具体地，所述步骤S400中训练并获得使用应变/声波信号数据监测的发电机定子故障监测模型的过程如下：
S401、将步骤S300中获得的滤波后的信号，使用M×N大小的滑动窗口，沿滤波后的时间-传感通道的二维矩阵滑动，进行切分，获得多个大小为M×N的数据矩阵作为样本数据，切分后的数据矩阵与原始数据拥有相同标签；
S402、初始化卷积神经网络，模型参数配置为
Figure DEST_PATH_IMAGE001
；
S403、将M×N大小的样本数据通过网络结构依次为输入、卷积、池化、卷积、池化、全连接、softmax分类输出的卷积神经网络，形成卷积神经网络模型；
S404、模型训练：采用交叉熵作为损失函数，采用自适应学习率优化算法作为优化器，损失函数公式为
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
为真实结果，
Figure DEST_PATH_IMAGE004
表示经过softmax分类输出后的结果；
S405、保存获得发电机定子故障监测模型。
具体地，所述步骤S500中结合现场的人工检修结果更新发电机定子故障样本库的过程如下：
根据发电机定子故障监测模型和发电机定子故障样本库设置是否送入发电机定子故障监测模型进行判断识别的应变-声波报警阈值；
在进行发电机定子故障检测中，通过上位机实时读取到的发电机定子的应变与声波的时间-传感通道数据进行监测，若发电机定子空间区域在设定时间T内应变量或声波量超过设定阈值，保存并标注对应位置的应变/声波信号，并提醒检修人员在检修时重点关注标注位置；
将该发电机定子空间区域的设定时间内的异常应变-声波信号数据结合现场的人工检修结果进行对照，根据检修的故障类型和异常应变-声波信号数据更新发电机定子样本库。
进一步地，所述基于应变和声波传感的发电机定子故障监测的方法，还包括：
S700、建立发电机定子故障长期预测模型：使用卷积神经网络和长短时记忆神经网络，通过大型发电机运行的参数变化趋势，结合离线检修结果和故障结果，建立参数趋势与发电机定子故障类型之间的长期预测模型；
S800、采用步骤S700获得的长期预测模型对现场运行的大型发电机进行发电机定子故障长期预测，当检测到的现场运行数据存在发生故障的趋势时，预警并提示将要发生的故障类型，该将要发生的故障类型通过预测的各故障类型出现的可能性程度来体现。
具体地，所述步骤S700包括以下过程：
S701、从发电机定子故障样本库中提取发电机故障发生前K天内的定子应变/声波信号数据；
S702、对步骤S701提取的定子应变-声波信号数据切分：将定子应变-声波信号数据按照时间窗口分帧，共分为时间相同的H帧，然后将分帧后的信号按照空间通道分割，空间通道宽度为W；
S703、将切分后的时间-传感通道二维矩阵按照时间顺序排列，构成时间序列
Figure DEST_PATH_IMAGE005
，将发电机定子故障类型作为一个时间序列的标签；
S704、将步骤S703处理后的信号依次送入卷积神经网络进行特征提取，该卷积神经网络具有卷积、池化、全连接层，每一帧提取的特征向量为
Figure DEST_PATH_IMAGE006
，H帧经过卷积层之后的序列向量为
Figure DEST_PATH_IMAGE007
；
S705、将使用步骤S704提取H帧的特征向量作为长短时记忆神经网络的输入，当第t帧输入时，记忆单元对特征向量进行如下运算后输出第t帧的各个状态值：
计算忘记门内容
Figure DEST_PATH_IMAGE008
，
计算输入门保留内容
Figure DEST_PATH_IMAGE009
，
更新内容
Figure DEST_PATH_IMAGE010
，
更新后的内容
Figure DEST_PATH_IMAGE011
，
输出内容
Figure DEST_PATH_IMAGE012
，
隐藏层的数据内容
Figure DEST_PATH_IMAGE013
，
其中
Figure 101986DEST_PATH_IMAGE014
表示sigmoid激活函数，tanh为双曲正切激活函数，
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
分别是忘记门、输入门、输出门与细胞状态的权重向量，
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure DEST_PATH_IMAGE022
分别是忘记门、输入门、输出门与细胞状态的偏移量，
Figure DEST_PATH_IMAGE023
代表第t-1帧状态隐藏层输出内容，
Figure DEST_PATH_IMAGE024
为第t帧输入的特征向量；
S706、通过长短时记忆神经网络，将长短时记忆神经网络最后时刻的输出作为高一级的表示，将最终输出
Figure DEST_PATH_IMAGE025
经过softmax激活函数计算当前预测结果；
S707、使用步骤S703获得的信号数据对卷积神经网络和长短时记忆神经网络进行模型训练，损失函数采用交叉熵损失函数，采用自适应学习率优化算法作为优化器，训练后保存获得发电机定子故障长期预测模型。
更进一步地，本发明还提供了一种基于应变和声波传感的发电机定子故障监测的装置，包括：
光纤分布式应变/声波传感器，以传感光缆形式蛇形密集布置于大型发电机所有定子插槽中用于实时测量发电机定子的应变和声波信号；
光纤分布式应变/声波传感解调仪，与光纤分布式应变/声波传感器连接，用于将传感光缆中含有的应变与声波的散射光信号解调后输出；
去噪模块，与光纤分布式应变/声波传感解调仪连接，用于将光纤分布式应变/声波传感解调仪输出的应变/声波信号进行滤波去噪处理；
故障提取模块，与去噪模块连接，用于监控应变和声波信号并提取其中的因发电机定子故障导致的异常应变和声波信号；
发电机定子故障样本库，与故障提取模块连接，用于存储按类型标记的各类发电机定子故障对应的异常应变和声波信号，以及在发电机定子内长期监测的按时间标记的应变和声波信号；
故障识别模块，与故障提取模块和发电机定子故障样本库连接，用于根据故障提取模块获得的异常应变和声波信号结合发电机定子故障样本库对发电机定子故障类型进行识别；以及
长期预测模块，与故障提取模块和发电机定子故障样本库连接，用于基于对发电机定子长期监测的应变和声波信号数据建立参数趋势与发电机定子故障类型之间的长期预测模型，并在故障提取模块监控的应变和声波信号出现与长期预测模型中的故障参数趋势匹配时预警发电机定子将要发生的故障类型，该将要发生的故障类型通过预测的各故障类型出现的可能性程度来体现。
与现有技术相比，本发明具有以下有益效果：
本发明使用光纤分布式应变/声波传感器可不受电磁干扰，实现多参数测量，节约传感器成本，利用传感器分布式特点进行大范围的发电机定子故障监测；使用卷积神经网可提取发电机定子故障数据的三维空间相关特征，可利用光纤分布式应变/声波传感测量的应变与声波信号对发电机定子故障进行模式识别；利用光纤分布式应变/声波传感测量的应变与声波信号的时间相关性做出数据参数变化趋势与发电机定子故障模型，可提前预警发电机定子故障；通过分布式应变/声波传感技术大范围、在线采集大型发电机定子内部大范围的应变-声波数据，结合人工检修记录，实现对定子故障的人工智能识别，对探索发电机定子的寿命规律以及优化发电机定子的设计，具有重要意义。
附图说明
图1为本发明中一种实施方式的流程示意图。
图2为本发明中另一种实施方式的流程示意图。
图3为本发明-实施例中传感光缆在发电机定子中的布设示意图。
图4为本发明-实施例中装置的结构示意图。
图5为实验室环境模拟发电机定子绝缘破损故障获得的二维时间-传感通道声波信号示意图。
图6为实验室环境模拟发电机定子绝缘破损故障获得的某位置滤波后的声波信号示意图。
图7为实验室环境模拟发电机定子铁芯变形故障获得的某位置滤波后的应变信号示意图。
图8为发电机定子故障样本库反映的某一状态示意图。
图9为监测发电机定子绝缘破损故障的模型损失函数示意图。
图10为采用阈值法和识别模型共同提取的一段时间内发电机定子故障的示意图。
上述附图中，附图标记对应的部件名称如下：
1-传感光缆，2-定子插槽，3-定子绕组，10-光纤分布式应变/声波传感器，20-光纤分布式应变/声波传感解调仪，30-去噪模块，40-故障提取模块，50-故障识别模块，60-发电机定子故障样本库，70-长期预测模块。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图10所示，该基于应变和声波传感的发电机定子故障监测的方法，包括以下步骤：
S100、安装用于测量大型发电机定子应变和声波信号的传感光缆：将传感光缆1按蛇形方式依次绕置安装固定在大型发电机所有定子插槽2内，传感光缆从定子绕组3端部引出并与光纤分布式应变/声波传感解调仪连接，该光纤分布式应变/声波传感解调仪用于将传感光缆中含有的应变与声波的散射光信号解调后送入上位机进行信号处理；传感光缆沿定子插槽顺向安装固定，绕过定子插槽端部再沿相邻的定子插槽顺向安装固定，直至传感光缆覆盖所有定子插槽，如图3所示。
S200、将传感光缆的长度与发电机定子三维坐标进行基于声波的标定和基于应变的标定，以便光纤分布式应变/声波传感解调仪对不同模式信号的解调处理：
基于声波的标定过程如下：
S201、在发电机停机时，敲击发电机定子一位置，在发电机定子三维坐标(x 0 ,y 0 , z 0)处产生振动声波，传感光缆的长度位置X0处检测到最强的振动声波信号，获得发电机定子三维坐标(x 0 ,y 0 ,z 0)对应的传感光缆长度位置X0；
S202、依次敲击发电机定子上的不同位置，重复步骤S201，获得传感光缆长度位置X与发电机定子三维坐标(x,y,z)之间基于声波监测信号的对应关系，完成基于声波的标定。
基于应变的标定过程如下：
S211、在发电机停机时，在发电机定子三维坐标(x 1 ,y 1 ,z 1)处拉伸传感光缆，传感光缆的长度位置X1处检测到最大的应变信号，获得发电机定子三维坐标(x 1 ,y 1 ,z 1) 对应传感光缆长度位置X1；
S212、依次拉伸不同位置的传感光缆，重复步骤S211，获得传感光缆长度位置X与发电机定子三维坐标(x,y,z)之间基于应变信号的对应关系，完成基于应变的标定。
而且本实施例中还可以利用上述两种标定方式对光纤分布式应变/声波传感解调仪的工作精度进行校对，以提高信号处理和监测的准确度。校对时可以将步骤S202与S212获得的两个对应关系进行拟合，从而实现光纤分布式应变/声波传感解调仪对应变和声波两种监测信号的标定。
S300、在实验室环境下模拟发电机定子的各类故障，并利用布设的传感光缆采集对应各类故障的应变/声波信号，保存各类故障的应变-声波信号数据并构建发电机定子故障样本库：
利用布设的传感光缆获取的应变/声波信号形式为：时间-传感通道的二维矩阵，其中二维矩阵由n个传感通道组成，每个通道的一维信号表示在阵列的指定位置的应变-声波信号与时间的关系，模拟发电机定子故障产生的异常应变-声波信号呈现在相关通道中；如图5展示实验室环境模拟发电机定子绝缘破损故障获得的二维时间-传感通道声波信号示意图；
利用高通滤波器对每个通道的应变-声波信号依次进行滤波，得到各传感通道滤波后的信号；如图6所示为模拟发电机定子绝缘破损故障时一个通道位置滤波后的声波信号示意图，如图7所示为模拟发电机定子铁芯变形故障时一个通道位置滤波后的应变信号示意图；
将滤波后的信号中的异常信号与对应类型的发电机定子故障进行标记，构建发电机定子故障样本库，发电机定子故障样本库中包含发电机定子绝缘破损，发电机定子连接件损坏，发电机定子铁芯变形。若故障类型为Gx，故障信号D包含数据元素d1,d2,d3,…，其中d1，d2，d3,...，为从原始时间-传感通道二维矩阵图中截取的含有发电机定子故障的数据部分。构建的发电机定子故障样本库内包含有故障类型与故障信号的对应关系，用Gx~D表示。发电机定子故障样本库内图像如图8所示。
S400、由于卷积神经网络可以提取时间-传感通道二维矩阵的信息，在上述步骤S200的标定过程中，传感通道信息包含了发电机定子三维空间信息，可基于发电机定子故障样本库，构建卷积神经网络提取发电机定子故障数据特征（如前述发电机定子三维空间信息），训练并获得使用应变/声波信号数据监测的发电机定子故障监测模型；
S401、将步骤S300中获得的滤波后的信号，使用M×N大小的滑动窗口，沿滤波后的时间-传感通道的二维矩阵滑动，进行切分，获得多个大小为M×N的数据矩阵作为样本数据，切分后的数据矩阵与原始数据拥有相同标签；
S402、初始化卷积神经网络，模型参数配置为
Figure 688301DEST_PATH_IMAGE001
；
S403、将M×N大小的样本数据通过网络结构依次为输入、卷积、池化、卷积、池化、全连接、softmax分类输出的卷积神经网络，形成卷积神经网络模型；
S404、模型训练：采用交叉熵作为损失函数，采用自适应学习率优化算法作为优化器，损失函数公式为
Figure 733617DEST_PATH_IMAGE026
，其中
Figure 958187DEST_PATH_IMAGE003
为真实结果，
Figure 241401DEST_PATH_IMAGE004
表示经过softmax分类输出后的结果；在实验室环境下模拟发电机定子绝缘破损故障的模型损失函数如图9所示；
S405、保存获得发电机定子故障监测模型。
S500、基于步骤S100的方式在大型发电机现场布设传感光缆，进行发电机定子故障检测，并结合现场的人工检修结果更新发电机定子故障样本库。
根据发电机定子故障监测模型和发电机定子故障样本库设置是否送入发电机定子故障监测模型进行判断识别的应变-声波报警阈值，
在进行发电机定子故障检测中，通过上位机实时读取到的发电机定子的应变与声波的时间-传感通道数据进行监测，若发电机定子空间区域在设定时间T内应变量或声波量超过设定阈值，保存并标注对应位置的应变/声波信号，并提醒检修人员在检修时重点关注标注位置；
将该发电机定子空间区域的设定时间内的异常应变-声波信号数据结合现场的人工检修结果进行对照，根据检修的故障类型和异常应变-声波信号数据更新发电机定子样本库。使用阈值法后使用故障模型识别的结果示意图如图10所示。
S600、使用更新后的发电机定子故障样本库对步骤S400中获得的发电机定子故障监测模型训练更新，利用更新后的发电机定子故障监测模型对运行中的大型发电机基于异常应变/声波信号进行故障类型识别和预测。
在另一实施例中，如图2所示，该基于应变和声波传感的发电机定子故障监测的方法还包括：
S700、建立发电机定子故障长期预测模型：使用卷积神经网络和长短时记忆神经网络，通过大型发电机运行的参数变化趋势，结合离线检修结果和故障结果，建立参数趋势与发电机定子故障类型之间的长期预测模型。
S701、从发电机定子故障样本库中提取发电机故障发生前K天内的定子应变/声波信号数据；
S702、对步骤S701提取的定子应变-声波信号数据切分：将定子应变-声波信号数据按照时间窗口分帧，共分为时间相同的H帧，然后将分帧后的信号按照空间通道分割，空间通道宽度为W；
S703、将切分后的时间-传感通道二维矩阵按照时间顺序排列，构成时间序列
Figure DEST_PATH_IMAGE027
，将发电机定子故障类型作为一个时间序列的标签；
S704、将步骤S703处理后的信号依次送入卷积神经网络进行特征提取，该卷积神经网络具有卷积、池化、全连接层，每一帧提取的特征向量为
Figure 391760DEST_PATH_IMAGE006
，H帧经过卷积层之后的序列向量为
Figure 986689DEST_PATH_IMAGE007
；
S705、将使用步骤S704提取H帧的特征向量作为长短时记忆神经网络的输入，当第t帧输入时，记忆单元对特征向量进行如下运算后输出第t帧的各个状态值：
计算忘记门内容
Figure 654431DEST_PATH_IMAGE008
，
计算输入门保留内容
Figure 588889DEST_PATH_IMAGE009
，
更新内容
Figure 175728DEST_PATH_IMAGE010
，
更新后的内容
Figure 133320DEST_PATH_IMAGE011
，
输出内容
Figure 962342DEST_PATH_IMAGE012
，
隐藏层的数据内容
Figure 954569DEST_PATH_IMAGE013
，
其中
Figure DEST_PATH_IMAGE028
表示sigmoid激活函数，tanh为双曲正切激活函数，
Figure DEST_PATH_IMAGE029
、
Figure 446730DEST_PATH_IMAGE016
、
Figure 281831DEST_PATH_IMAGE017
、
Figure 822534DEST_PATH_IMAGE018
分别是忘记门、输入门、输出门与细胞状态的权重向量，
Figure 934846DEST_PATH_IMAGE019
、
Figure 597909DEST_PATH_IMAGE020
、
Figure 795672DEST_PATH_IMAGE021
、
Figure 140065DEST_PATH_IMAGE022
分别是忘记门、输入门、输出门与细胞状态的偏移量，
Figure 732983DEST_PATH_IMAGE023
代表第t-1帧状态隐藏层输出内容，
Figure 707892DEST_PATH_IMAGE024
为第t帧输入的特征向量；
S706、通过长短时记忆神经网络，将长短时记忆神经网络最后时刻的输出
Figure DEST_PATH_IMAGE030
作为高一级的表示，将最终输出
Figure 720848DEST_PATH_IMAGE025
经过softmax激活函数计算当前预测结果；
S707、使用步骤S703获得的信号数据对卷积神经网络和长短时记忆神经网络进行模型训练，损失函数采用交叉熵损失函数，采用自适应学习率优化算法作为优化器，训练后保存获得发电机定子故障长期预测模型。
S800、采用步骤S700获得的发电机定子故障长期预测模型对现场运行的大型发电机进行发电机定子故障长期预测，当检测到的现场运行数据存在发生故障的趋势时，预警并提示可能发生的故障类型。例如通过前K天的现场运行数据预测第K+1天是否出现故障。
之前在大型发电机内部缺乏大范围的应变/声波测量手段，通过分布式应变/声波传感技术大范围、在线采集大型发电机定子内部大范围的应变/声波数据，结合人工检修记录，实现对定子故障的人工智能识别，对探索发电机定子的寿命规律以及优化发电机定子的设计，具有重要意义。
基于上述方法，本实施例还提供了一种基于应变和声波传感的发电机定子故障监测的装置，如图4所示，包括：
光纤分布式应变/声波传感器10，以传感光缆形式蛇形密集布置于大型发电机所有定子插槽中用于实时测量发电机定子的应变和声波信号；
光纤分布式应变/声波传感解调仪20，用于将传感光缆中含有的应变与声波的散射光信号解调后输出；
去噪模块30，用于将光纤分布式应变/声波传感解调仪输出的应变和声波信号进行滤波去噪处理；
故障提取模块40，用于监控应变和声波信号并提取其中的因发电机定子故障导致的异常应变和声波信号；
发电机定子故障样本库60，用于存储按类型标记的各类发电机定子故障对应的异常应变和声波信号，以及在发电机定子内长期监测的按时间标记的应变和声波信号；
故障识别模块50，用于根据故障提取模块获得的异常应变和声波信号结合发电机定子故障样本库对发电机定子故障类型进行识别；以及
长期预测模块70，用于基于对发电机定子长期监测的应变和声波信号数据建立参数趋势与发电机定子故障类型之间的长期预测模型，并在故障提取模块监控的应变和声波信号出现与长期预测模型中的故障参数趋势匹配时提前预警发电机定子可能发生的故障类型。
上述去噪模块、故障提取模块、故障识别模块、发电机定子故障样本库和长期预测模块均可嵌入的上位机处理系统中，利用计算机强大的数据处理能力对监测数据进行处理。由光纤分布式应变/声波传感器和光纤分布式应变/声波传感解调仪构成的光纤分布式应变/声波传感系统将大型发电机运行中采集到的数据传输至上位机，上位机根据本发明前述提供的大型发电机定子故障监测方法调用各模块完成对发电机定子的故障监测。该去噪模块、故障提取模块、故障识别模块、发电机定子故障样本库和长期预测模块按照前述大型发电机定子故障监测方法的具体步骤执行数据处理操作。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (10)

1.一种基于应变和声波传感的发电机定子故障监测的方法，其特征在于，包括以下步骤：
S100、安装用于测量大型发电机定子应变和声波信号的传感光缆：将传感光缆依次绕置安装固定在大型发电机所有定子插槽内，传感光缆从定子绕组端部引出并与光纤分布式应变/声波传感解调仪连接，该光纤分布式应变/声波传感解调仪用于将传感光缆中含有的应变/声波信息的散射光信号解调后送入上位机进行信号处理；
S200、将传感光缆的长度与发电机定子三维坐标进行基于声波的标定和基于应变的标定；
S300、在实验室环境下模拟发电机定子的各类故障，并利用布设的传感光缆采集对应各类故障的应变/声波信号，保存各类故障的应变/声波信号并构建发电机定子故障样本库；
S400、基于发电机定子故障样本库，构建卷积神经网络提取发电机定子故障数据特征，训练并获得使用应变/声波信号数据监测的发电机定子故障监测模型；
S500、基于步骤S100的方式在大型发电机现场布设传感光缆，进行发电机定子故障监测，并结合现场的人工检修结果更新发电机定子故障样本库；
S600、使用更新后的发电机定子故障样本库对步骤S400中获得的发电机定子故障监测模型训练更新，利用更新后的发电机定子故障监测模型对运行中的大型发电机基于异常应变/声波信号进行故障类型识别和预测。
2.根据权利要求1所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S100中传感光缆沿定子插槽顺向安装固定，绕过定子插槽端部再沿相邻的定子插槽顺向安装固定，直至传感光缆覆盖所有定子插槽。
3.根据权利要求1所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S200中基于声波的标定过程如下：
S201、在发电机停机时，敲击发电机定子一位置，在发电机定子三维坐标(x 0 ,y 0 ,z 0)处产生振动声波，传感光缆的长度位置X0处检测到最强的振动声波信号，获得发电机定子三维坐标(x 0 ,y 0 ,z 0)对应的传感光缆长度位置X0；
S202、依次敲击发电机定子上的不同位置，重复步骤S201，获得传感光缆长度位置X与发电机定子三维坐标(x,y,z)之间基于声波监测信号的对应关系，完成基于声波的标定。
4.根据权利要求3所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S200中基于应变的标定过程如下：
S211、在发电机停机时，在发电机定子三维坐标(x 1 ,y 1 ,z 1)处拉伸传感光缆，传感光缆的长度位置X1处检测到最大的应变信号，获得发电机定子三维坐标(x 1 ,y 1 ,z 1) 对应传感光缆长度位置X1；
S212、依次拉伸不同位置的传感光缆，重复步骤S211，获得传感光缆长度位置X与发电机定子三维坐标(x,y,z)之间基于应变信号的对应关系，完成基于应变的标定。
5.根据权利要求1所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S300中利用布设的传感光缆采集对应各类故障的应变/声波信号形式为：时间-传感通道的二维矩阵，其中二维矩阵由n个传感通道组成，每个通道的一维信号表示在阵列的指定位置的应变/声波信号与时间的关系，模拟发电机定子故障产生的异常应变-声波信号呈现在相关通道中；
利用高通滤波器对每个通道的应变与声波信号依次进行滤波，得到各传感通道滤波后的信号；
将滤波后的信号中的异常信号与对应类型的发电机定子故障进行标记，构建发电机定子故障样本库。
6.根据权利要求5所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S400中训练并获得使用应变/声波信号数据监测的发电机定子故障监测模型的过程如下：
S401、将步骤S300中获得的滤波后的信号，使用M×N大小的滑动窗口，沿滤波后的时间-传感通道的二维矩阵滑动，进行切分，获得多个大小为M×N的数据矩阵作为样本数据，切分后的数据矩阵与原始数据拥有相同标签；
S402、初始化卷积神经网络，模型参数配置为
Figure 139869DEST_PATH_IMAGE001
；
S403、将M×N大小的样本数据通过网络结构依次为输入、卷积、池化、卷积、池化、全连接、softmax分类输出的卷积神经网络，形成卷积神经网络模型；
S404、模型训练：采用交叉熵作为损失函数，采用自适应学习率优化算法作为优化器，损失函数公式为
Figure 952230DEST_PATH_IMAGE002
，其中
Figure 144177DEST_PATH_IMAGE003
为真实结果，
Figure 489707DEST_PATH_IMAGE004
表示经过softmax分类输出后的结果；
S405、保存获得发电机定子故障监测模型。
7.根据权利要求6所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S500中结合现场的人工检修结果更新发电机定子故障样本库的过程如下：
根据发电机定子故障监测模型和发电机定子故障样本库设置是否送入发电机定子故障监测模型进行判断识别的应变-声波报警阈值；
在进行发电机定子故障检测中，通过上位机实时读取到的发电机定子的应变与声波的时间-传感通道数据进行监测，若发电机定子空间区域在设定时间T内应变量或声波量超过设定阈值，保存并标注对应位置的应变/声波信号，并提醒检修人员在检修时重点关注标注位置；
将该发电机定子空间区域的设定时间内的异常应变-声波信号数据结合现场的人工检修结果进行对照，根据检修的故障类型和异常应变-声波信号数据更新发电机定子样本库。
8.根据权利要求1~7任一项所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，还包括：
S700、建立发电机定子故障长期预测模型：使用卷积神经网络和长短时记忆神经网络，通过大型发电机运行的参数变化趋势，结合离线检修结果和故障结果，建立参数趋势与发电机定子故障类型之间的长期预测模型；
S800、采用步骤S700获得的长期预测模型对现场运行的大型发电机进行发电机定子故障长期预测，当检测到的现场运行数据存在发生故障的趋势时，预警并提示将要发生的故障类型。
9.根据权利要求8所述的基于应变和声波传感的发电机定子故障监测的方法，其特征在于，所述步骤S700包括以下过程：
S701、从发电机定子故障样本库中提取发电机故障发生前K天内的定子应变-声波信号数据；
S702、对步骤S701提取的定子应变-声波信号数据切分：将定子应变-声波信号数据按照时间窗口分帧，共分为时间相同的H帧，然后将分帧后的信号按照空间通道分割，空间通道宽度为W；
S703、将切分后的时间-传感通道二维矩阵按照时间顺序排列，构成时间序列
Figure 843328DEST_PATH_IMAGE005
，将发电机定子故障类型作为一个时间序列的标签；
S704、将步骤S703处理后的信号依次送入卷积神经网络进行特征提取，该卷积神经网络具有卷积、池化、全连接层，每一帧提取的特征向量为
Figure 641520DEST_PATH_IMAGE006
，H帧经过卷积层之后的序列向量为
Figure 574841DEST_PATH_IMAGE007
；
S705、将使用步骤S704提取H帧的特征向量作为长短时记忆神经网络的输入，当第t帧输入时，记忆单元对特征向量进行如下运算后输出第t帧的各个状态值：
计算忘记门内容
Figure 774878DEST_PATH_IMAGE008
，
计算输入门保留内容
Figure 299400DEST_PATH_IMAGE009
，
更新内容
Figure 584888DEST_PATH_IMAGE010
，
更新后的内容
Figure 351594DEST_PATH_IMAGE011
，
输出内容
Figure 406137DEST_PATH_IMAGE012
，
隐藏层的数据内容
Figure 632719DEST_PATH_IMAGE013
，
其中
Figure DEST_PATH_IMAGE014
表示sigmoid激活函数，tanh为双曲正切激活函数，
Figure 936662DEST_PATH_IMAGE015
、
Figure 742944DEST_PATH_IMAGE016
、
Figure 917573DEST_PATH_IMAGE017
、
Figure 783898DEST_PATH_IMAGE018
分别是忘记门、输入门、输出门与细胞状态的权重向量，
Figure 545443DEST_PATH_IMAGE019
、
Figure 358678DEST_PATH_IMAGE020
、
Figure 387814DEST_PATH_IMAGE021
、
Figure 690619DEST_PATH_IMAGE022
分别是忘记门、输入门、输出门与细胞状态的偏移量，
Figure 172416DEST_PATH_IMAGE023
代表第t-1帧状态隐藏层输出内容，
Figure 586080DEST_PATH_IMAGE024
为第t帧输入的特征向量；
S706、通过长短时记忆神经网络，将长短时记忆神经网络最后时刻的输出作为高一级的表示，将最终输出
Figure 469722DEST_PATH_IMAGE025
经过softmax激活函数计算当前预测结果；
S707、使用步骤S703获得的信号数据对卷积神经网络和长短时记忆神经网络进行模型训练，损失函数采用交叉熵损失函数，采用自适应学习率优化算法作为优化器，训练后保存获得发电机定子故障长期预测模型。
10.一种基于应变和声波传感的发电机定子故障监测的装置，其特征在于，包括：
光纤分布式应变/声波传感器，以传感光缆形式蛇形密集布置于大型发电机所有定子插槽中用于实时测量发电机定子的应变和声波信号；
光纤分布式应变/声波传感解调仪，与光纤分布式应变/声波传感器连接，用于将传感光缆中含有的应变与声波的散射光信号解调后输出；
去噪模块，与光纤分布式应变/声波传感解调仪连接，用于将光纤分布式应变/声波传感解调仪输出的应变/声波信号进行滤波去噪处理；
故障提取模块，与去噪模块连接，用于监控应变和声波信号并提取其中的因发电机定子故障导致的异常应变和声波信号；
发电机定子故障样本库，与故障提取模块连接，用于存储按类型标记的各类发电机定子故障对应的异常应变和声波信号，以及在发电机定子内长期监测的按时间标记的应变和声波信号；
故障识别模块，与故障提取模块和发电机定子故障样本库连接，用于根据故障提取模块获得的异常应变和声波信号结合发电机定子故障样本库对发电机定子故障类型进行识别；以及
长期预测模块，与故障提取模块和发电机定子故障样本库连接，用于基于对发电机定子长期监测的应变和声波信号数据建立参数趋势与发电机定子故障类型之间的长期预测模型，并在故障提取模块监控的应变和声波信号出现与长期预测模型中的故障参数趋势匹配时预警发电机定子将要发生的故障类型。
CN202110792506.0A 2021-07-14 2021-07-14 基于应变和声波传感的发电机定子故障监测的方法和装置 Active CN113251942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110792506.0A CN113251942B (zh) 2021-07-14 2021-07-14 基于应变和声波传感的发电机定子故障监测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110792506.0A CN113251942B (zh) 2021-07-14 2021-07-14 基于应变和声波传感的发电机定子故障监测的方法和装置

Publications (2)

Publication Number Publication Date
CN113251942A true CN113251942A (zh) 2021-08-13
CN113251942B CN113251942B (zh) 2021-09-14

Family

ID=77191199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110792506.0A Active CN113251942B (zh) 2021-07-14 2021-07-14 基于应变和声波传感的发电机定子故障监测的方法和装置

Country Status (1)

Country Link
CN (1) CN113251942B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002334A (zh) * 2021-09-29 2022-02-01 西安交通大学 一种结构损伤声发射信号识别方法、装置、存储介质
CN114295883A (zh) * 2022-01-06 2022-04-08 南京大学 一种提高光纤电流传感器测量精度的多维度标定方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202013403U (zh) * 2011-04-19 2011-10-19 陕西边沿科技有限公司 电力设备局部放电特高频检测诊断系统
CN102330645A (zh) * 2011-09-19 2012-01-25 吴建华 一种风电机组结构健康监测系统及其方法
WO2014047491A1 (en) * 2012-09-20 2014-03-27 Marc Dubois Depth mapping vision system with 2d optical pattern for robotic applications
CN104181427A (zh) * 2014-08-29 2014-12-03 广州电力设计院 一种智能变电站变压器在线监测系统
CN105783751A (zh) * 2014-12-17 2016-07-20 中国航空工业集团公司沈阳发动机设计研究所 一种多场耦合状态下支点矢量变形测试方法
US20170276868A1 (en) * 2015-03-05 2017-09-28 Harbin Institute Of Technology Fabrication method of multi-core fiber bragg grating probe used for measuring structures of a micro part based on the capillary self-assemble technique
CN207215178U (zh) * 2017-09-01 2018-04-10 北京木联能工程科技有限公司 一种海上风电场风塔结构安全监测装置
US10060723B2 (en) * 2014-01-17 2018-08-28 Harbin Institute Of Technology Method and equipment based on multi-core fiber Bragg grating probe for measuring structures of a micro part
CN108709895A (zh) * 2018-08-16 2018-10-26 昆仑杰信（北京）科技有限责任公司长沙分公司 一种用于泄露监测系统的光纤声波检测探头
CN109120335A (zh) * 2018-09-26 2019-01-01 昆仑杰信（北京）科技有限责任公司 一种埋地光缆故障地面定位仪及定位方法
CN110764500A (zh) * 2019-09-30 2020-02-07 天津大学 多感官主动巡检机器人装置及其控制方法
CN110914645A (zh) * 2017-07-26 2020-03-24 特拉15私人有限公司 分布式光学感测系统和方法
JP6688946B1 (ja) * 2020-01-09 2020-04-28 株式会社原子力エンジニアリング センサ押圧部材
CN211018241U (zh) * 2019-11-12 2020-07-14 广东电网有限责任公司 一种具备处理多点同时故障及相继故障功能的终端单元
CN211955712U (zh) * 2020-03-20 2020-11-17 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种发电机出口电压互感器绝缘故障综合诊断装置
CN112253405A (zh) * 2020-11-25 2021-01-22 南京大学 基于das的风力发电机桨叶结构状态监测方法
CN112459972A (zh) * 2020-12-01 2021-03-09 新疆大学 风力发电机主轴承状态监测装置及其监测方法
CN112763908A (zh) * 2020-12-25 2021-05-07 中国机械设备工程股份有限公司 一种基于多故障特征联合的电机健康指数评价系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202013403U (zh) * 2011-04-19 2011-10-19 陕西边沿科技有限公司 电力设备局部放电特高频检测诊断系统
CN102330645A (zh) * 2011-09-19 2012-01-25 吴建华 一种风电机组结构健康监测系统及其方法
WO2014047491A1 (en) * 2012-09-20 2014-03-27 Marc Dubois Depth mapping vision system with 2d optical pattern for robotic applications
US10060723B2 (en) * 2014-01-17 2018-08-28 Harbin Institute Of Technology Method and equipment based on multi-core fiber Bragg grating probe for measuring structures of a micro part
CN104181427A (zh) * 2014-08-29 2014-12-03 广州电力设计院 一种智能变电站变压器在线监测系统
CN105783751A (zh) * 2014-12-17 2016-07-20 中国航空工业集团公司沈阳发动机设计研究所 一种多场耦合状态下支点矢量变形测试方法
US20170276868A1 (en) * 2015-03-05 2017-09-28 Harbin Institute Of Technology Fabrication method of multi-core fiber bragg grating probe used for measuring structures of a micro part based on the capillary self-assemble technique
CN110914645A (zh) * 2017-07-26 2020-03-24 特拉15私人有限公司 分布式光学感测系统和方法
CN207215178U (zh) * 2017-09-01 2018-04-10 北京木联能工程科技有限公司 一种海上风电场风塔结构安全监测装置
CN108709895A (zh) * 2018-08-16 2018-10-26 昆仑杰信（北京）科技有限责任公司长沙分公司 一种用于泄露监测系统的光纤声波检测探头
CN109120335A (zh) * 2018-09-26 2019-01-01 昆仑杰信（北京）科技有限责任公司 一种埋地光缆故障地面定位仪及定位方法
CN110764500A (zh) * 2019-09-30 2020-02-07 天津大学 多感官主动巡检机器人装置及其控制方法
CN211018241U (zh) * 2019-11-12 2020-07-14 广东电网有限责任公司 一种具备处理多点同时故障及相继故障功能的终端单元
JP6688946B1 (ja) * 2020-01-09 2020-04-28 株式会社原子力エンジニアリング センサ押圧部材
CN211955712U (zh) * 2020-03-20 2020-11-17 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种发电机出口电压互感器绝缘故障综合诊断装置
CN112253405A (zh) * 2020-11-25 2021-01-22 南京大学 基于das的风力发电机桨叶结构状态监测方法
CN112459972A (zh) * 2020-12-01 2021-03-09 新疆大学 风力发电机主轴承状态监测装置及其监测方法
CN112763908A (zh) * 2020-12-25 2021-05-07 中国机械设备工程股份有限公司 一种基于多故障特征联合的电机健康指数评价系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J.D.IRISH 等: "On attaching acoustic imaging instrumentation to the LEO-15 observatory for dediment transport and bottom boundary layer studies", 《IEEE JOURNAL OF OCEANIC ENGINEERING》 *
傅芸: "光纤分布式应变传感器新方法与新技术的研究", 《中国优秀博士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002334A (zh) * 2021-09-29 2022-02-01 西安交通大学 一种结构损伤声发射信号识别方法、装置、存储介质
CN114295883A (zh) * 2022-01-06 2022-04-08 南京大学 一种提高光纤电流传感器测量精度的多维度标定方法
CN114295883B (zh) * 2022-01-06 2023-08-22 南京大学 一种提高光纤电流传感器测量精度的多维度标定方法

Also Published As

Publication number Publication date
CN113251942B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN113251942B (zh) 基于应变和声波传感的发电机定子故障监测的方法和装置
CN112036042B (zh) 一种基于变分模态分解的动力设备异常检测方法及系统
CN115022187B (zh) 一种电-气综合能源系统态势感知方法与装置
CN116704733B (zh) 铝合金电缆的老化预警方法及系统
CN116805061B (zh) 基于光纤传感的泄漏事件判断方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN117332347A (zh) 一种机巡与ai融合的电网智慧运维方法及系统
CN112507479A (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
Simula et al. Process monitoring and visualization using self-organizing maps
CN114818817A (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN116777088B (zh) 用于保障生命安全的供电应急抢修环境监测方法及系统
CN110779722B (zh) 一种基于编码器信号局部加权的滚动轴承故障诊断方法
CN112528548A (zh) 一种自适应深度耦合卷积自编码多模态数据融合方法
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN113591371A (zh) 基于时空关联模型的桥梁集群结构损伤定位方法
Venkataswamy et al. Deformation diagnostic methods for transformer winding through system identification
CN117033983B (zh) 一种无人船自噪声检测识别方法及系统
Dopierała Fault detection method for energy measurement systems equipped with a Rogowski coil using the coil's response to a unit voltage jump and a fully convolutional neural network
CN117723782B (zh) 用于桥梁结构健康监测的传感器故障识别定位方法及系统
CN116467671A (zh) 基于深度学习和mask算子的阵列传感器自适应参数检测方法
CN117665105A (zh) 一种gis母线筒内异物检测系统
Zugasti et al. NullSpace Damage Detection Method with Different Environmental and Operational Conditions
CN116340882A (zh) 一种气体传感器阵列自适应前融合检测方法

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