CN113553758A - 一种基于马尔科夫系统事件链进行状态识别的方法及系统 - Google Patents
一种基于马尔科夫系统事件链进行状态识别的方法及系统 Download PDFInfo
- Publication number
- CN113553758A CN113553758A CN202110663972.9A CN202110663972A CN113553758A CN 113553758 A CN113553758 A CN 113553758A CN 202110663972 A CN202110663972 A CN 202110663972A CN 113553758 A CN113553758 A CN 113553758A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- time
- events
- equipment
- event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims description 44
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000005236 sound signal Effects 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Abstract
本发明提供一种基于马尔科夫系统事件链进行状态识别的方法及系统,其中方法包括:获得对象设备的预定时间长度内的时序设备信号;将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件;在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件;根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并建立与设备状态相关联的识别模式;以及由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,确定对象设备的运行状态。
Description
技术领域
本发明涉及设备状态监控技术领域,并且更为具体地,涉及一种基于马尔科夫系统事件链进行状态识别的方法及系统。
背景技术
近年来,随着技术的不断进步,许多各种类型的设备的结构越来越复杂、功能越来越完善并且自动化程度也越来越高。然而,由于各种原因的综合影响,通常会导致运行中的设备发生各种故障,造成一定损失。各种类型的设备能否安全可靠地以最佳状态运行,对于确保系统稳定、系统运行、产品质量等都具有十分重要的意义。由此可知,有效地提高设备运行的可靠性,及时发现和预测出故障的发生是十分必要的。
各种类型的设备的状态通常可分为正常状态、异常状态和故障状态三种情况。在现有技术中,通过运用多种状态诊断设备来了解和掌握设备的运行状态,并对设备的状态进行评估,从而为设备管理提供技术支撑。设备状态诊断在技术上的实施一般可分为简单诊断和复杂诊断。简单诊断是设备状态检测的基础,设备的大多数故障可通过简单诊断来识别,即对设备的三种状态进行识别,只有当简单诊断难确定时,才采用复杂诊断方式对设备的状态进行识别。
然而,现有技术中的识别方案需要使用大量各种类型的传感器,并且不同传感器所采集的信号的识别结果通常会出现矛盾的情况。
发明内容
为了解决现有技术中的问题,本发明提供能够基于马尔科夫系统事件链对对象设备的状态进行实时监测、诊断和识别的方法及系统。
根据本发明的一个方面,提供一种基于马尔科夫系统事件链进行状态识别的方法,所述方法包括:
在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号;
将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件,从而获得多个时序事件;
在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件;
根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并根据马尔科夫系统事件链建立与设备状态相关联的识别模式;以及
由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,从而确定对象设备的运行状态。
所述时序特征是幅值区间、能量值区间、幅值变化速度、能量值变化速度、间隔时间、模态频率、幅频分布特征、模态衰减率、曲线统计量、曲线图形特征和/或持续时间。
利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,来诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
还包括:
将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
根据本发明的再一个方面,提供一种基于马尔科夫系统事件链进行状态识别的系统,所述系统包括:
设置装置,用于在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号;
获得装置,用于将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件,从而获得多个时序事件;
确定装置,用于在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件;
生成装置,用于根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并根据马尔科夫系统事件链建立与设备状态相关联的识别模式;以及
识别装置,用于由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,从而确定对象设备的运行状态。
所述时序特征是幅值区间、能量值区间、幅值变化速度、能量值变化速度、间隔时间、模态频率、幅频分布特征、模态衰减率、曲线统计量、曲线图形特征和/或持续时间。
识别装置利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
识别装置根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
识别装置利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
识别装置根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,来诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
还包括训练装置,用于将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
根据本发明的再一方面,提供一种基于马尔科夫系统事件链的诊断方法,其中包括下述步骤:
在对象设备安装传感器获得长时间的时序设备信号;
将具有相同特征,或/和,相同变化特征的每段时序设备信号划分为一次事件。其中每个事件只包含一段连续的时序设备信号,不同时间具有相同特征,或/和,变化特征的各次事件为相同时序事件。
根据事件特征对对象设备的状态进行诊断、判别或识别。
其中根据事件特征对对象设备的状态进行诊断、判别或识别是:
根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系判断对象设备故障的位置、产生原因或产生机理;
或者,根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随对象设备运行参数的变化情况判断对象设备故障的位置、产生原因或产生机理。
其中还包括:将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系,以及对象设备故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型;
或者,将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随对象设备运行参数的变化情况,以及对象设备故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
所述时序信号是振动/声发射/声音/超声信号,所述对象设备是变压器,
其中在对象设备安装传感器获得长时间的时序设备信号是在变压器外壳安装振动/声发射/声音/超声传感器获得长时间的时序设备振动/声发射/声音/超声信号;
其中根据事件特征对对象设备的状态进行诊断、判别或识别是:
根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系判断变压器故障的位置、产生原因或产生机理;
或者,根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随变压器电压、电流、有功功率、无功功率或/和温度的变化情况判断变压器故障的位置、产生原因或产生机理;
所述时序信号是振动/声发射/声音/超声信号,所述对象设备是变压器,
其中在对象设备安装传感器获得长时间的时序设备信号是在变压器外壳安装振动/声发射/声音/超声传感器获得长时间的时序设备振动/声发射/声音/超声信号;
其中根据事件特征对对象设备的状态进行诊断、判别或识别包括:
将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系,以及变压器故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型;
或者,将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随变压器电压、电流、有功功率、无功功率或/和温度的变化情况,以及变压器故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的基于马尔科夫系统事件链进行状态识别的方法的流程图;
图2为根据本发明再一实施方式的基于马尔科夫系统事件链进行状态识别的方法的流程图;
图3为根据本发明实施方式的基于马尔科夫系统事件链进行状态识别的系统的结构示意图。
具体实施方式
图1为根据本发明实施方式的基于马尔科夫系统事件链进行状态识别的方法100的流程图。方法100从步骤101处开始。
在步骤101,在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号。在诸如电力系统的各种工业系统中,各种类型的设备(例如,普通设备、大型设备、重要设备)被应用各个关键位置、生产环节、监控环节等,以实现不同的功能。通常,为了保证系统的安全运行,需要对各种类型的设备的状态进行有效地或准确地识别,从而充分了解系统的安全状态。例如,当特定设备可能发生故障时,对系统安全会产生潜在的不良影响。而当特定设备发生故障时,可能对导致系统级故障,并且进而产生难以弥补的损失。
为此,需要能够对设备的运行状态进行识别的技术。例如,为了识别多种设备中任意一种设备的运行状态,或识别任意一种设备的参数等,需要获取设备的运行参数。通常,各种类型的传感器可以用于采集设备或对象设备的运行数据、获取识别的运行参数等。
具体地,时序设备信号可以是振动信号、声发射信号、声音信号或超声信号等。时序设备信号例如可以是设备或对象设备在运行时所产生的以时间为横坐标,并且以振动信号的振幅、声发射信号的幅度、生音信号的频率或超声信号的频率等为纵坐标的时序信号。在一个具体例子中,对象设备是变压器。
其中在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号包括:在需要进行状态识别的对象设备(例如,变压器)的外壳设置振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器,利用所述振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器监测所述变压器的运行以获得预定时间长度内的时序设备振动信号、时序设备声发射信号、时序设备声音信号或时序设备超声信号。
通常,每个设备或对象设备均具有属性信息,属性信息包括多个属性例如是:设备类型、设备功能、生产日期、最近一次维护日期、设备名称、设备标识符等。例如,通过每个设备或对象设备的属性信息可以确定设备或对象设备的设备类型、设备名称、设备标识符等。
在步骤102,将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件,从而获得多个时序事件。其中时序设备信号例如可以是时序设备振动信号、时序设备声发射信号、时序设备声音信号或时序设备超声信号。
预定时间长度例如是3小时、6小时、12小时、24小时、5天、10天等。预定时间长度内的时序设备信号是以预定时间长度为横坐标的一系列连续的时序设备信号。
其中将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件包括:实时计算预定时间长度内的时序设备信号的特征量或特征量变化速度;当特定时间段内的时序设备信号的特征量或特征量变化速度属于设定区间时,确定所述特定时间段内的时序设备信号具有相同特征和/或相同变化特征,将所述特定时间段内的时序设备信号确定为单个的时序事件。
举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第39秒至第56秒,时序设备振动信号的幅值(去除单位后)变化区间在-1.6至1.8。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第39秒至第56秒内的时序设备信号确定为单个的时序事件B。以此类推,可以将预定时间长度内的时序设备信号分为许多单个的时序事件,从而获得多个时序事件。例如,时序事件的序列为有规律的序列ABCADABCADABCAD…,或无规律的序列ABCADEBCFD等。
其中特征参数包括以下内容中的一个或多个:信噪比、奇偶次谐波幅值之比、频率复杂度、主频占比、基频占比、电流相关性、频谱重心、信号幅值水平和50Hz频率幅值(或任意合理的频率幅值)。
在步骤103,在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件。例如,举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第120秒至第135秒,时序设备振动信号的幅值(去除单位后)变化区间在-0.45至0.55。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第120秒至第135秒内的时序设备信号确定为单个的时序事件A’。
由于第20秒至第35秒期间的单个的时序事件A和第120秒至第135秒内的单个的时序事件A’属于时序特征相近的时序事件,因此,将单个的时序事件A和单个的时序事件A’确定为相同时序事件,并且均用单个的时序事件A来表示。
在某些情况下,举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第220秒至第235秒,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5(或-0.4986至0.5012)。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第120秒至第135秒内的时序设备信号确定为单个的时序事件A’。
由于第20秒至第35秒期间的单个的时序事件A和第120秒至第135秒内的单个的时序事件A’属于时序特征相同的时序事件,因此,将单个的时序事件A和单个的时序事件A’确定为相同时序事件,并且均用单个的时序事件A来表示。
此外,举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第39秒至第56秒,时序设备振动信号的幅值(去除单位后)变化区间在-1.6至1.8。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第39秒至第56秒内的时序设备信号确定为单个的时序事件B。
由于第20秒至第35秒期间的单个的时序事件A和第120秒至第135秒内的单个的时序事件B属于时序特征不相同或不近似的时序事件,因此将单个的时序事件A和单个的时序事件B确定为不相同时序事件。
其中时序特征可以是幅值区间、能量值区间、幅值变化速度、能量值变化速度、间隔时间、模态频率、幅频分布特征、模态衰减率、曲线统计量、曲线图形特征和/或持续时间。
在步骤104,根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并根据马尔科夫系统事件链建立与设备状态相关联的识别模式。例如,当对象设备出现第一类型的运行故障之前的预定时间(例如,5分钟),会出现连续的时序事件为相同时序事件(时序事件EE)或不同时序事件(时序事件ACF)的时序关联关系,例如时序事件的序列为ACFEE。或者例如,当对象设备出现第二类型的运行故障之前的预定时间(例如,2分钟),会出现连续的时序事件为相同时序事件的时序关联关系,例如时序事件的序列为DDDDDDDDD。或者例如,当对象设备出现第三类型的运行故障之前的预定时间(例如,10分钟),会出现连续的时序事件为相同时序事件的时序关联关系,例如时序事件的序列为ACEBFD。此外,还可能的,当对象设备处于非正常运行/非健康状态运行时,会出现连续的时序事件为相同时序事件或不同时序事件的时序关联关系,例如时序事件的序列为FDCDB。为此,本申请将上述时序事件的序列(例如,时序关联关系)生成马尔科夫系统事件链,并建立每个马尔科夫系统事件链与与设备状态相关联的识别模式,例如,ACFEE对应于(大约5分钟后)对象设备的第一类型的运行故障,DDDDDDDDD对应于(大约2分钟)对象设备的第二类型的运行故障,ACEBFD对应于(大约10分钟后)对象设备的第三类型的运行故障,以及FDCDB对应于对象设备正处于非正常运行/非健康状态等。
在步骤105,由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,从而确定对象设备的运行状态。例如,本申请可以在需要进行状态识别的对象设备(例如,变压器)的外壳设置振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器,利用所述振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器监测所述变压器的运行以获得预定时间长度内的时序设备振动信号、时序设备声发射信号、时序设备声音信号或时序设备超声信号。将传感器最新或实时获得时序设备信号作为对象设备的新的时序设备信号。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,来诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
此外,还包括:将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
此外,还包括,将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别变压器的故障位置、产生原因或产生机理。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随变压器的电压、电流、有功功率、无功功率或/和温度的变化情况,来诊断、判别或识别变压器的故障位置、产生原因或产生机理。
此外还包括,将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及变压器的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
此外还包括,将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随变压器的电压、电流、有功功率、无功功率或/和温度的变化情况,以及变压器的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。还包括,在所述对象设备的外壳处以紧贴方式安装振动/声发射传感器,以获得时序监测信号。
图2为根据本发明再一实施方式的基于马尔科夫系统事件链进行状态识别的方法200的流程图。方法200从步骤201处开始。
在步骤201,在对象设备安装传感器获得长时间的时序设备信号。
在步骤202,将具有相同特征,或/和,相同变化特征的每段时序设备信号划分为一次事件。其中每个事件只包含一段连续的时序设备信号,不同时间具有相同特征,或/和,变化特征的各次事件为相同时序事件。
在步骤203,根据事件特征对对象设备的状态进行诊断、判别或识别。
其中根据事件特征对对象设备的状态进行诊断、判别或识别是:根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系判断对象设备故障的位置、产生原因或产生机理;或者,根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随对象设备运行参数的变化情况判断对象设备故障的位置、产生原因或产生机理。
其中还包括:将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系,以及对象设备故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型;或者,将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随对象设备运行参数的变化情况,以及对象设备故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
所述时序信号是振动/声发射/声音/超声信号,所述对象设备是变压器。其中在对象设备安装传感器获得长时间的时序设备信号是在变压器外壳安装振动/声发射/声音/超声传感器获得长时间的时序设备振动/声发射/声音/超声信号;
其中根据事件特征对对象设备的状态进行诊断、判别或识别是:根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系判断变压器故障的位置、产生原因或产生机理;或者,根据每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随变压器电压、电流、有功功率、无功功率或/和温度的变化情况判断变压器故障的位置、产生原因或产生机理;
所述时序信号是振动/声发射/声音/超声信号,所述对象设备是变压器。其中在对象设备安装传感器获得长时间的时序设备信号是在变压器外壳安装振动/声发射/声音/超声传感器获得长时间的时序设备振动/声发射/声音/超声信号;
其中根据事件特征对对象设备的状态进行诊断、判别或识别包括:将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系,以及变压器故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型;或者,将每个事件的特征,或/和,不同时序事件之间相互转化的关系或概率关系随变压器电压、电流、有功功率、无功功率或/和温度的变化情况,以及变压器故障的位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
图3为根据本发明实施方式的基于马尔科夫系统事件链进行状态识别的系统300的结构示意图。系统300包括:设置装置301、获得装置302、确定装置303、生成装置304、识别装置305以及训练装置306。
设置装置301,用于在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号。在诸如电力系统的各种工业系统中,各种类型的设备(例如,普通设备、大型设备、重要设备)被应用各个关键位置、生产环节、监控环节等,以实现不同的功能。通常,为了保证系统的安全运行,需要对各种类型的设备的状态进行有效地或准确地识别,从而充分了解系统的安全状态。例如,当特定设备可能发生故障时,对系统安全会产生潜在的不良影响。而当特定设备发生故障时,可能对导致系统级故障,并且进而产生难以弥补的损失。
为此,需要能够对设备的运行状态进行识别的技术。例如,为了识别多种设备中任意一种设备的运行状态,或识别任意一种设备的参数等,需要获取设备的运行参数。通常,各种类型的传感器可以用于采集设备或对象设备的运行数据、获取识别的运行参数等。
具体地,时序设备信号可以是振动信号、声发射信号、声音信号或超声信号等。时序设备信号例如可以是设备或对象设备在运行时所产生的以时间为横坐标,并且以振动信号的振幅、声发射信号的幅度、生音信号的频率或超声信号的频率等为纵坐标的时序信号。在一个具体例子中,对象设备是变压器。
其中在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号包括:在需要进行状态识别的对象设备(例如,变压器)的外壳设置振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器,利用所述振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器监测所述变压器的运行以获得预定时间长度内的时序设备振动信号、时序设备声发射信号、时序设备声音信号或时序设备超声信号。
通常,每个设备或对象设备均具有属性信息,属性信息包括多个属性例如是:设备类型、设备功能、生产日期、最近一次维护日期、设备名称、设备标识符等。例如,通过每个设备或对象设备的属性信息可以确定设备或对象设备的设备类型、设备名称、设备标识符等。
获得装置302,用于将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件,从而获得多个时序事件。其中时序设备信号例如可以是时序设备振动信号、时序设备声发射信号、时序设备声音信号或时序设备超声信号。
预定时间长度例如是3小时、6小时、12小时、24小时、5天、10天等。预定时间长度内的时序设备信号是以预定时间长度为横坐标的一系列连续的时序设备信号。
其中将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件包括:实时计算预定时间长度内的时序设备信号的特征量或特征量变化速度;当特定时间段内的时序设备信号的特征量或特征量变化速度属于设定区间时,确定所述特定时间段内的时序设备信号具有相同特征和/或相同变化特征,将所述特定时间段内的时序设备信号确定为单个的时序事件。
举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第39秒至第56秒,时序设备振动信号的幅值(去除单位后)变化区间在-1.6至1.8。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第39秒至第56秒内的时序设备信号确定为单个的时序事件B。以此类推,可以将预定时间长度内的时序设备信号分为许多单个的时序事件,从而获得多个时序事件。例如,时序事件的序列为有规律的序列ABCADABCADABCAD…,或无规律的序列ABCADEBCFD等。
其中特征参数包括以下内容中的一个或多个:信噪比、奇偶次谐波幅值之比、频率复杂度、主频占比、基频占比、电流相关性、频谱重心、信号幅值水平和50Hz频率幅值(或任意合理的频率幅值)。
确定装置303,用于在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件。例如,举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第120秒至第135秒,时序设备振动信号的幅值(去除单位后)变化区间在-0.45至0.55。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第120秒至第135秒内的时序设备信号确定为单个的时序事件A’。
由于第20秒至第35秒期间的单个的时序事件A和第120秒至第135秒内的单个的时序事件A’属于时序特征相近的时序事件,因此,将单个的时序事件A和单个的时序事件A’确定为相同时序事件,并且均用单个的时序事件A来表示。
在某些情况下,举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第220秒至第235秒,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5(或-0.4986至0.5012)。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第120秒至第135秒内的时序设备信号确定为单个的时序事件A’。
由于第20秒至第35秒期间的单个的时序事件A和第120秒至第135秒内的单个的时序事件A’属于时序特征相同的时序事件,因此,将单个的时序事件A和单个的时序事件A’确定为相同时序事件,并且均用单个的时序事件A来表示。
此外,举例来说,当预定时间长度内的时序设备信号中包括如下区间时,第20秒至第35秒期间,时序设备振动信号的幅值(去除单位后)变化区间在-0.5至0.5,第39秒至第56秒,时序设备振动信号的幅值(去除单位后)变化区间在-1.6至1.8。由此可知,将第20秒至第35秒内的时序设备信号确定为单个的时序事件A,而将第39秒至第56秒内的时序设备信号确定为单个的时序事件B。
由于第20秒至第35秒期间的单个的时序事件A和第120秒至第135秒内的单个的时序事件B属于时序特征不相同或不近似的时序事件,因此将单个的时序事件A和单个的时序事件B确定为不相同时序事件。
其中时序特征可以是幅值区间、能量值区间、幅值变化速度、能量值变化速度、间隔时间、模态频率、幅频分布特征、模态衰减率、曲线统计量、曲线图形特征和/或持续时间。
生成装置304,用于根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并根据马尔科夫系统事件链建立与设备状态相关联的识别模式。例如,当对象设备出现第一类型的运行故障之前的预定时间(例如,5分钟),会出现连续的时序事件为相同时序事件(时序事件EE)或不同时序事件(时序事件ACF)的时序关联关系,例如时序事件的序列为ACFEE。或者例如,当对象设备出现第二类型的运行故障之前的预定时间(例如,2分钟),会出现连续的时序事件为相同时序事件的时序关联关系,例如时序事件的序列为DDDDDDDDD。或者例如,当对象设备出现第三类型的运行故障之前的预定时间(例如,10分钟),会出现连续的时序事件为相同时序事件的时序关联关系,例如时序事件的序列为ACEBFD。此外,还可能的,当对象设备处于非正常运行/非健康状态运行时,会出现连续的时序事件为相同时序事件或不同时序事件的时序关联关系,例如时序事件的序列为FDCDB。为此,本申请将上述时序事件的序列(例如,时序关联关系)生成马尔科夫系统事件链,并建立每个马尔科夫系统事件链与与设备状态相关联的识别模式,例如,ACFEE对应于(大约5分钟后)对象设备的第一类型的运行故障,DDDDDDDDD对应于(大约2分钟)对象设备的第二类型的运行故障,ACEBFD对应于(大约10分钟后)对象设备的第三类型的运行故障,以及FDCDB对应于对象设备正处于非正常运行/非健康状态等。
识别装置305,用于由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,从而确定对象设备的运行状态。例如,本申请可以在需要进行状态识别的对象设备(例如,变压器)的外壳设置振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器,利用所述振动信号传感器、声发射信号传感器、声音信号传感器或超声信号传感器监测所述变压器的运行以获得预定时间长度内的时序设备振动信号、时序设备声发射信号、时序设备声音信号或时序设备超声信号。将传感器最新或实时获得时序设备信号作为对象设备的新的时序设备信号。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,来诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别变压器的故障位置、产生原因或产生机理。
其中利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随变压器的电压、电流、有功功率、无功功率或/和温度的变化情况,来诊断、判别或识别变压器的故障位置、产生原因或产生机理。
训练装置306,用于将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。训练装置306,将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
训练装置306将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及变压器的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。训练装置306将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随变压器的电压、电流、有功功率、无功功率或/和温度的变化情况,以及变压器的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。还包括,在所述对象设备的外壳处以紧贴方式安装振动/声发射传感器,以获得时序监测信号。
Claims (10)
1.一种基于马尔科夫系统事件链进行状态识别的方法,所述方法包括:
在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号;
将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件,从而获得多个时序事件;
在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件;
根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并根据马尔科夫系统事件链建立与设备状态相关联的识别模式;以及
由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,从而确定对象设备的运行状态。
2.根据权利要求1所述的方法,所述时序特征是幅值区间、能量值区间、幅值变化速度、能量值变化速度、间隔时间、模态频率、幅频分布特征、模态衰减率、曲线统计量、曲线图形特征和/或持续时间。
3.根据权利要求1所述的方法,利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
4.根据权利要求1所述的方法,利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,来诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
5.根据权利要求1所述的方法,还包括:
将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
6.一种基于马尔科夫系统事件链进行状态识别的系统,所述系统包括:
设置装置,用于在需要进行状态识别的对象设备处设置传感器,利用所述传感器监测所述对象设备的运行以获得预定时间长度内的时序设备信号;
获得装置,用于将预定时间长度内的时序设备信号中,具有相同特征和/或相同变化特征的一段连续的时序设备信号确定为单个的时序事件,从而获得多个时序事件;
确定装置,用于在多个时序事件中,将时序特征相同或相近的时序事件确定为相同时序事件,并且将时序特征不相同或不相近似的时序事件确定为不同时序事件;
生成装置,用于根据连续的时序事件为相同时序事件或不同时序事件的时序关联关系生成马尔科夫系统事件链,并根据马尔科夫系统事件链建立与设备状态相关联的识别模式;以及
识别装置,用于由传感器获取对象设备的新的时序设备信号,利用识别模式对新的时序设备信号进行诊断、判别或识别,从而确定对象设备的运行状态。
7.根据权利要求6所述的系统,所述时序特征是幅值区间、能量值区间、幅值变化速度、能量值变化速度、间隔时间、模态频率、幅频分布特征、模态衰减率、曲线统计量、曲线图形特征和/或持续时间。
8.根据权利要求6所述的系统,识别装置利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
识别装置根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
9.根据权利要求6所述的系统,识别装置利用识别模式对新的时序设备信号进行诊断、判别或识别包括:
识别装置根据新的时序设备信号中每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系跟随对象设备的运行参数的变化情况,来诊断、判别或识别对象设备的故障位置、产生原因或产生机理。
10.根据权利要求6所述的系统,还包括训练装置,用于
将每个时序事件的特征和/或不同时序事件之间相互转化的关系或概率关系,以及对象设备的故障位置、产生原因或产生机理,分别作为输入样本和诊断结果来训练诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663972.9A CN113553758B (zh) | 2021-06-16 | 2021-06-16 | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663972.9A CN113553758B (zh) | 2021-06-16 | 2021-06-16 | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553758A true CN113553758A (zh) | 2021-10-26 |
CN113553758B CN113553758B (zh) | 2023-11-28 |
Family
ID=78102150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663972.9A Active CN113553758B (zh) | 2021-06-16 | 2021-06-16 | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553758B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005331415A (ja) * | 2004-05-20 | 2005-12-02 | Toenec Corp | 絶縁診断システム |
CN107292512A (zh) * | 2017-06-20 | 2017-10-24 | 中国电力科学研究院 | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 |
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及系统 |
US10463314B1 (en) * | 2018-07-19 | 2019-11-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for predicting and detecting a cardiac event |
CN112446309A (zh) * | 2020-11-18 | 2021-03-05 | 华北电力大学 | 一种基于冲击事件来监测异常状态的系统及方法 |
CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
-
2021
- 2021-06-16 CN CN202110663972.9A patent/CN113553758B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005331415A (ja) * | 2004-05-20 | 2005-12-02 | Toenec Corp | 絶縁診断システム |
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及系统 |
CN107292512A (zh) * | 2017-06-20 | 2017-10-24 | 中国电力科学研究院 | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 |
US10463314B1 (en) * | 2018-07-19 | 2019-11-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for predicting and detecting a cardiac event |
CN112444669A (zh) * | 2020-11-17 | 2021-03-05 | 宁夏隆基宁光仪表股份有限公司 | 基于多参量隐马尔科夫模型的非侵入式电器负荷辨识方法 |
CN112446309A (zh) * | 2020-11-18 | 2021-03-05 | 华北电力大学 | 一种基于冲击事件来监测异常状态的系统及方法 |
Non-Patent Citations (3)
Title |
---|
杨奕飞;冯静;: "基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究", 船舶工程, no. 03, pages 72 - 76 * |
黄强;张晓;丁志华;: "变尺度特征提取与HSMM模型在柴油机状态识别中的应用", 小型内燃机与摩托车, no. 06, pages 86 - 88 * |
黄强;张晓;丁志华;: "基于HSMM的数控机床状态识别方法的研究", 机床与液压, no. 07, pages 39 - 40 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553758B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN112763908A (zh) | 一种基于多故障特征联合的电机健康指数评价系统 | |
EP2175134B1 (en) | Methods and systems for determining operating states of pumps | |
CN103792087A (zh) | 并联试车故障监测与诊断方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
JP4635194B2 (ja) | 異常検知装置 | |
US20180131560A1 (en) | Content-aware anomaly detection and diagnosis | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN114576152A (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
US6502018B1 (en) | Method for diagnosis of equipment | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
US20180059639A1 (en) | Cell control system | |
CN113395182B (zh) | 具有故障预测的智能网络设备管理系统及方法 | |
CN109240253A (zh) | 一种在线设备诊断及预防性维护方法及系统 | |
CN113553758B (zh) | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 | |
KR102561675B1 (ko) | 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템 | |
CN109991956B (zh) | 一种液体火箭发动机稳态故障预测方法 | |
JPH03235027A (ja) | 異常検出装置 | |
KR102433483B1 (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
Liu et al. | Machine health monitoring and prognostication via vibration information | |
CN111930081A (zh) | 用于监控agv状态的方法、装置、边缘设备和存储介质 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
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 |