CN113378711A - 一种灯泡贯流式机组转子下沉故障在线预警方法 - Google Patents
一种灯泡贯流式机组转子下沉故障在线预警方法 Download PDFInfo
- Publication number
- CN113378711A CN113378711A CN202110649131.2A CN202110649131A CN113378711A CN 113378711 A CN113378711 A CN 113378711A CN 202110649131 A CN202110649131 A CN 202110649131A CN 113378711 A CN113378711 A CN 113378711A
- Authority
- CN
- China
- Prior art keywords
- combined bearing
- air gap
- value
- frequency conversion
- average air
- 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
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
- G06F2218/12—Classification; Matching
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种灯泡贯流式机组转子下沉故障在线预警方法,应用于水轮发电机组,方法采集组合轴承的摆度信号波形、组合轴承振动信号波形、气隙信号波形;并计算出组合轴承Y向摆度间隙值、组合轴承振动转频以及平均气隙并提取相应的健康样本;将上述健康样本与水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得相应的预测值;将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频和平均气隙分别和相应的预测值进行残差比较,从而进行故障预测。本发明以机组振动信号处理、摆度信号处理、气隙信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,能够提高故障预测的准确度。
Description
技术领域
本发明涉及松动故障检测领域,尤其涉及一种灯泡贯流式机组转子下沉故障在线预警方法。
背景技术
随着我国能源结构调整的逐步推进,风电、光伏发电等非稳定性电源快速发展,水轮发电机组在电网中承担调峰、调频的任务越来越多,这就要求水轮发电机组在其整个工况范围内具有充分的可用性,这就对水轮发电机组故障诊断方面提出了更髙的要求。
传统水轮发电机组故障诊断方法绝大多数是基于振动信号的时频特征进行故障分析,忽略水轮发电机组运行工况对振动信号时频特征的影响,降低了诊断的准确率。
发明内容
本发明所要解决的技术问题在于,提供一种灯泡贯流式机组转子下沉故障在线预警方法,以机组振动信号处理、摆度信号处理、气隙信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,提高故障预测的准确度。
为了解决上述技术问题,本发明提供了一种灯泡贯流式机组转子下沉故障在线预警方法,应用于水轮发电机组,包括:采集组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙波形;根据所述信号波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙;提取组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值;将所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值;将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙分别和所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
优选地,所述提取组合轴承Y向摆度间隙值预测值的步骤包括:根据所述组合轴承Y向摆度间隙值、水轮机的导叶开度以及水轮机的水头构建组合轴承Y向摆度间隙值三维模型,其中,所述组合轴承Y向摆度间隙值三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承Y向摆度间隙值为Z轴;通过所述组合轴承Y向摆度间隙值三维模型提取组合轴承Y向摆度间隙值预测值,其中,提取额定水头附近以及开度50%以上时对应的组合轴承Y向摆度间隙值作为组合轴承Y向摆度间隙值。
优选地,所述提取组合轴承振动转频预测值的步骤包括:根据所述组合轴承振动转频、水轮机的导叶开度以及水轮机的水头构建组合轴承振动转频三维模型,其中,所述组合轴承振动转频三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承振动转频为Z轴;通过所述组合轴承振动转频三维模型提取组合轴承振动转频预测值,其中,提取额定水头附近以及开度50%以上时对应的组合轴承振动转频作为组合轴承振动转频预测值。
优选地,所述提取平均气隙预测值的步骤包括:根据所述平均气隙、水轮机的导叶开度以及水轮机的水头构建平均气隙三维模型,其中,所述平均气隙三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述平均气隙为Z轴;通过所述平均气隙三维模型提取平均气隙预测值,其中,提取额定水头附近以及开度50%以上时对应的平均气隙作为平均气隙预测值。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。
优选地,所述神经网络采用随机梯度下降算法进行训练得到模型权重,并结合损失函数以及分类函数输出预测值,其中,所述随机梯度下降算法的批量大小为32,总共训练40个epochs,初始学习率为0.01,每30个epochs学习率除以0。
优选地,所述根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形以及气隙信号波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频以及平均气隙的步骤为:根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形以及气隙波形通过使用傅里叶变换计算出组合轴承Y向摆度间隙值、组合轴承振动转频以及平均气隙。
本发明还提供了一种灯泡贯流式机组转子下沉故障在线预警方法,包括:采集模块,用于采集组合轴承Y向摆度信号波形、组合轴承振动信号波形以及气隙信号波形;第一计算模块,用于根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形以及气隙信号波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频以及平均气隙;预测值提取模块,用于提取组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值以及平均气隙预测值;神经网络模块,用于将所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值、水轮机的导叶开度以及水轮机的水头送入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值;故障预测模块,用于将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙分别和所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
优选地,所述第一计算模块为傅里叶变换计算模块。
优选地,所述预测值提取模块为三维模型构建模块;所述三维模型构建模块用于根据所述组合轴承Y向摆度间隙值、水轮机的导叶开度以及水轮机的水头构建组合轴承Y向摆度间隙值三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承Y向摆度间隙值为Z轴,通过所述组合轴承Y向摆度间隙值三维模型提取组合轴承Y向摆度间隙值预测值;所述三维模型构建模块用于根据所述组合轴承振动转频值、水轮机的导叶开度以及水轮机的水头构建组合轴承振动转频三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承振动转频值为Z轴,通过所述组合轴承振动转频三维模型提取组合轴承振动转频预测值;所述三维模型构建模块用于根据所述平均气隙、水轮机的导叶开度以及水轮机的水头构建平均气隙三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述平均气隙为Z轴,通过所述平均气隙三维模型提取平均气隙预测值
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。
实施本发明的有益效果在于:
本发明分别对水轮发电机组各种工况过程中的振动变化、摆度变化、气隙变化和工况参数进行融合构建三维模型,提取预测值,并引入神经网络对预测值进行训练获得预测值,再将实时测量值与预测值进行残差分析,进行故障预测。本发明通过以机组摆度信号处理、振动信号处理、气隙信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,提高故障预测的准确度。
附图说明
图1是本发明提供的一种灯泡贯流式机组转子下沉故障在线预警方法流程图;
图2是本发明提供的提取组合轴承Y向摆度预测值方法流程图;
图3是本发明提供的提取振动转频预测值方法流程图;
图4是本发明提供的提取平均气隙预测值方法流程图;
图5是本发明提供的一种灯泡贯流式机组转子下沉故障在线预警方法的系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
如图1所示,本发明提供了一种灯泡贯流式机组转子下沉故障在线预警方法,应用于水轮发电机组,包括:
S101,采集组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙信号波形。
S102,根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙信号波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙,其中,根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙信号波形通过使用傅里叶变换计算出组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙。
S103,提取组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值。由于机组结构复杂、工况转换频繁,使得其组合轴承Y向摆度间隙值、下组合轴承振动转频值、平均气隙参数时间序列非常复杂,难以从图中准确地分析其实际运行状态,本发明通过提取组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值,能够提高故障预测的准确性。
S104,将所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值。
S105,将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙分别和所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
需要说明的是,机组在发电工况下、导叶开度、工作水头对机组运行参数有重要影响,由于机组工作水头及运行工况的不断转换,使得组合轴承Y向摆度间隙值、组合轴承振动转频值、平均气隙变化及其复杂,不能从摆度、振动、气隙数据中直接获取机组的真实状态。本发明分别对水轮发电机组各种工况过程中的振动变化和工况参数进行融合构建三维模型,提取预测值,并引入神经网络对预测值进行训练获得预测值,再将实时测量值与预测值进行残差分析,进行故障预测。本发明通过以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,提高故障预测的准确度。
如图2所示,优选地,所述提取组合轴承Y向摆度间隙值预测值的步骤包括:
S201,根据所述组合轴承Y向摆度间隙值、水轮机的导叶开度以及水轮机的水头构建组合轴承Y向摆度间隙值三维模型,其中,所述组合轴承Y向摆度间隙值三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承Y向摆度间隙值为Z轴;
S202,通过所述振组合轴承Y向摆度间隙值三维模型提取组合轴承Y向摆度间隙值预测值,其中,提取额定水头附近以及开度50%以上时对应的组合轴承Y向摆度间隙值作为组合轴承Y向摆度间隙值预测值。
如图3所示,优选地,所述提取组合轴承振动转频预测值的步骤包括:
S301,根据所述组合轴承振动转频、水轮机的导叶开度以及水轮机的水头构建组合轴承振动转频三维模型,其中,所述组合轴承振动转频三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承振动转频为Z轴;
S302,通过所述组合轴承振动转频三维模型提取组合轴承振动转频预测值,其中,提取额定水头附近以及开度50%以上时对应的组合轴承振动转频作为组合轴承振动转频预测值。
如图4所示,优选地,所述提取平均气隙预测值的步骤包括:
S401,根据所述平均气隙、水轮机的导叶开度以及水轮机的水头构建平均气隙三维模型,其中,所述平均气隙三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述平均气隙为Z轴;
S402,通过所述平均气隙三维模型提取平均气隙预测值,其中,提取额定水头附近以及开度50%以上时对应的平均气隙作为平均气隙预测值。
需要说明的是,本发明通过构建三维模型,结合具体的工况(导叶开度和水头),对监测量进行分析,筛选出预测值。由于预测值剔除了暂态、剔除噪声干扰等其他状态下的数据,只保留健康的数据,因此可以有效的分析机组在实际运行工况下机组的健康状况。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。进一步地,所述神经网络采用随机梯度下降算法进行训练得到模型权重,并结合损失函数以及分类函数输出预测值,其中,所述随机梯度下降算法的批量大小为32,总共训练40个epochs,初始学习率为0.01,每30个epochs学习率除以0。
需要说明的是,本发明通过将所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值。进一步地,将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙分别和所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
如图5所示,本发明还提供了一种灯泡贯流式机组转子下沉故障在线预警方法,包括:采集模块1,用于采集组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙波形;第一计算模块2,用于根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频值、平均气隙;预测值提取模块3,用于提取组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值;神经网络模块4,用于将所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值、水轮机的导叶开度以及水轮机的水头送入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值;故障预测模块5,用于将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙分别和所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
优选地,所述第一计算模块为傅里叶变换计算模块。
更佳地,所述预测值提取模块为三维模型构建模块;所述三维模型构建模块用于根据所述组合轴承Y向摆度间隙值、水轮机的导叶开度以及水轮机的水头构建组合轴承Y向摆度间隙值三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承Y向摆度间隙值为Z轴,通过所述组合轴承Y向摆度间隙值三维模型提取组合轴承Y向摆度间隙值预测值;所述三维模型构建模块用于根据所述组合轴承振动转频、水轮机的导叶开度以及水轮机的水头构建组合轴承振动转频三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承振动转频为Z轴,通过所述组合轴承振动转频三维模型提取组合轴承振动转频预测值;所述三维模型构建模块用于根据所述平均气隙、水轮机的导叶开度以及水轮机的水头构建平均气隙三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述平均气隙为Z轴,通过所述平均气隙三维模型提取平均气隙预测值。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种灯泡贯流式机组转子下沉故障在线预警方法,应用于水轮发电机组,其特征在于,包括:
S1采集组合轴承Y向摆度、组合轴承振动和气隙的信号波形;
S2根据所述信号波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频和平均气隙;
S3提取组合轴承Y向摆度间隙值健康样本、组合轴承振动转频健康样本和平均气隙健康样本;
S4将所述组合轴承Y向摆度间隙值健康样本、组合轴承振动转频健康样本、平均气隙健康样本、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值和平均气隙预测值;
所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:
所述第一卷积层的channel为16、kernel为7、stride为2;
所述第一池化层的kernel为3、stride为2,最大池化;
所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;
所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;
所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;
所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;
所有卷积层后均与激活函数连接;
S5将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频和平均气隙分别和所述合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
2.如权利要求1所述的一种灯泡贯流式机组转子下沉故障在线预警方法,其特征在于,所述提取组合轴承Y向摆度间隙值健康样本的步骤包括:
根据所述组合轴承Y向摆度间隙值、水轮机的导叶开度以及水轮机的水头构建组合轴承Y向摆度间隙值三维模型,其中,所述组合轴承Y向摆度间隙值三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承Y向摆度间隙值为Z轴;
通过所述组合轴承Y向摆度间隙值三维模型提取组合轴承Y向摆度间隙值健康样本,其中,提取额定水头附近以及开度50%以上时对应的组合轴承Y向摆度间隙值作为组合轴承Y向摆度间隙值健康样本。
3.如权利要求1所述的一种灯泡贯流式机组转子下沉故障在线预警方法,其特征在于,所述提取组合轴承振动转频健康样本的步骤包括:
根据所述组合轴承振动转频、水轮机的导叶开度以及水轮机的水头构建组合轴承转频三维模型,其中,所述组合轴承振动转频三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述组合轴承振动转频为Z轴;
通过所述组合轴承振动转频三维模型提取组合轴承振动转频健康样本,其中,提取额定水头附近以及开度50%以上时对应的组合轴承振动转频作为组合轴承振动转频健康样本。
4.如权利要求1所述的一种灯泡贯流式机组转子下沉故障在线预警方法,其特征在于,所述提取平均气隙健康样本的步骤包括:
根据所述平均气隙、水轮机的导叶开度以及水轮机的水头构建平均气隙三维模型,其中,所述平均气隙三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述平均气隙为Z轴;
通过所述平均气隙三维模型提取平均气隙健康样本,其中,提取额定水头附近以及开度50%以上时对应的平均气隙作为平均气隙健康样本。
5.如权利要求1所述的一种灯泡贯流式机组转子下沉故障在线预警方法,其特征在于,所述神经网络采用随机梯度下降算法进行训练得到模型权重,并结合损失函数以及分类函数输出预测值,其中,所述随机梯度下降算法的批量大小为32,总共训练40个epochs,初始学习率为0.01,每30个epochs学习率除以0。
6.如权利要求1所述的一种灯泡贯流式机组转子下沉故障在线预警方法,其特征在于,根据组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频值、平均气隙的步骤为:
根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙波形通过使用傅里叶变换计算出组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙。
7.一种灯泡贯流式机组转子下沉故障在线预警系统,其特征在于,包括:
采集模块,用于采集下机架的水平振动信号波形;
第一计算模块,用于根据所述组合轴承Y向摆度信号波形、组合轴承振动信号波形、气隙波形计算出组合轴承Y向摆度间隙值、组合轴承振动转频值、平均气隙;
健康样本提取模块,用于提取组合轴承Y向摆度间隙值健康样本、组合轴承振动转频健康样本和平均气隙健康样本;
神经网络模块,用于将所述组合轴承Y向摆度间隙值健康样本、组合轴承振动转频健康样本、平均气隙健康样本、水轮机的导叶开度以及水轮机的水头送入神经网络进行训练,获得组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值和平均气隙预测值;
故障预测模块,用于将实际测量的组合轴承Y向摆度间隙值、组合轴承振动转频、平均气隙分别和所述组合轴承Y向摆度间隙值预测值、组合轴承振动转频预测值、平均气隙预测值进行残差比较,进行故障预测。
8.如权利要求7所述的一种灯泡贯流式机组转子下沉故障在线预警系统,其特征在于,所述第一计算模块为傅里叶变换计算模块。
9.如权利要求7所述的一种灯泡贯流式机组转子下沉故障在线预警系统,其特征在于,所述预测值提取模块为三维模型构建模块;
所述三维模型构建模块用于根据所述水导轴承Y向摆度间隙值、水轮机的导叶开度以及水轮机的水头构建水平振动三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述水导轴承Y向摆度间隙值为Z轴,通过所述水导轴承Y向摆度间隙值三维模型提取水导轴承Y向摆度间隙值预测值;
所述三维模型构建模块用于根据所述水导轴承振动转频、水轮机的导叶开度以及水轮机的水头构建水导轴承振动转频三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动倍频值为Z轴,通过所述水导轴承振动转频三维模型提取水导轴承振动转频预测值;
所述三维模型构建模块用于根据所述平均气隙、水轮机的导叶开度以及水轮机的水头构建水平平均气隙三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述平均气隙为Z轴,通过所述平均气隙三维模型提取平均气隙预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649131.2A CN113378711A (zh) | 2021-06-10 | 2021-06-10 | 一种灯泡贯流式机组转子下沉故障在线预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649131.2A CN113378711A (zh) | 2021-06-10 | 2021-06-10 | 一种灯泡贯流式机组转子下沉故障在线预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378711A true CN113378711A (zh) | 2021-09-10 |
Family
ID=77573746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649131.2A Pending CN113378711A (zh) | 2021-06-10 | 2021-06-10 | 一种灯泡贯流式机组转子下沉故障在线预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378711A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017936A (zh) * | 2016-05-24 | 2016-10-12 | 国家电网公司 | 一种水轮机组运行状态监测诊断方法 |
CN106680656A (zh) * | 2016-12-30 | 2017-05-17 | 北京中元瑞讯科技有限公司 | 基于在线数据的水轮发电机组转子匝间短路故障分析方法 |
CN110254793A (zh) * | 2019-07-26 | 2019-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种卷烟机组在线扭矩监测和控制系统 |
CN209495732U (zh) * | 2019-03-26 | 2019-10-15 | 北京长城华瑞科技有限公司 | 机组振摆和定子线棒测振转子测温物联网监测系统 |
CN112036240A (zh) * | 2020-07-27 | 2020-12-04 | 国家能源集团新疆吉林台水电开发有限公司 | 一种基于分频算法诊断下机架松动故障的方法及系统 |
CN112304613A (zh) * | 2020-10-30 | 2021-02-02 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
-
2021
- 2021-06-10 CN CN202110649131.2A patent/CN113378711A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017936A (zh) * | 2016-05-24 | 2016-10-12 | 国家电网公司 | 一种水轮机组运行状态监测诊断方法 |
CN106680656A (zh) * | 2016-12-30 | 2017-05-17 | 北京中元瑞讯科技有限公司 | 基于在线数据的水轮发电机组转子匝间短路故障分析方法 |
CN209495732U (zh) * | 2019-03-26 | 2019-10-15 | 北京长城华瑞科技有限公司 | 机组振摆和定子线棒测振转子测温物联网监测系统 |
CN110254793A (zh) * | 2019-07-26 | 2019-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种卷烟机组在线扭矩监测和控制系统 |
CN112036240A (zh) * | 2020-07-27 | 2020-12-04 | 国家能源集团新疆吉林台水电开发有限公司 | 一种基于分频算法诊断下机架松动故障的方法及系统 |
CN112304613A (zh) * | 2020-10-30 | 2021-02-02 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
Non-Patent Citations (1)
Title |
---|
黄多林 等: "《贯流式机组转子磁极松动故障分析及处理》", 《红水河》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375476B (zh) | 一种水电机组健康评估方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN109738776A (zh) | 基于lstm的风机变流器开路故障识别方法 | |
CN103034170B (zh) | 一种基于区间的数控机床性能预测方法 | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN111878322B (zh) | 风力发电机装置 | |
Hwang et al. | SVM-RBM based predictive maintenance scheme for IoT-enabled smart factory | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN105547730A (zh) | 水轮发电机组故障检测系统 | |
CN112036240A (zh) | 一种基于分频算法诊断下机架松动故障的方法及系统 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN113344275B (zh) | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 | |
CN111486043A (zh) | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 | |
CN111639852B (zh) | 基于小波奇异值的水电机组振动状态实时评估方法及系统 | |
CN117238113A (zh) | 一种基于概率函数的水电机组分工况测值的预警方法 | |
CN113378711A (zh) | 一种灯泡贯流式机组转子下沉故障在线预警方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN109270917B (zh) | 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 | |
CN113187645A (zh) | 一种灯泡贯流式机组水导轴瓦支撑松动故障在线预警方法 | |
CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
CN203012103U (zh) | 大型天线伺服电机的在线检测系统 | |
CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |