CN113919525A - 一种电站风机状态预警方法、系统及其应用 - Google Patents

一种电站风机状态预警方法、系统及其应用 Download PDF

Info

Publication number
CN113919525A
CN113919525A CN202111242835.4A CN202111242835A CN113919525A CN 113919525 A CN113919525 A CN 113919525A CN 202111242835 A CN202111242835 A CN 202111242835A CN 113919525 A CN113919525 A CN 113919525A
Authority
CN
China
Prior art keywords
fan
early warning
data
noise
state
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
Application number
CN202111242835.4A
Other languages
English (en)
Inventor
张荣彬
刘勇
厉昂
牛玉广
杜鸣
汤婧婧
周振华
姜晓弢
王洪刚
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.)
North China Electric Power University
GD Power Dalian Zhuanghe Power Generation Co Ltd
Original Assignee
North China Electric Power University
GD Power Dalian Zhuanghe Power Generation Co Ltd
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 North China Electric Power University, GD Power Dalian Zhuanghe Power Generation Co Ltd filed Critical North China Electric Power University
Priority to CN202111242835.4A priority Critical patent/CN113919525A/zh
Publication of CN113919525A publication Critical patent/CN113919525A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种电站风机状态预警方法、系统及其应用，包括以下步骤：采集风机正常运行信号、采集风机过程参数时间序列、采用基于小波包分解方法在采集的风机正常运行状态下的振动数据时间序列中提取并构建小波能量谱；采用基于1/3倍频程分解方法在所采集的风机正常运行状态下的噪声数据时间序列中提取并构建频带能量谱；获得预警模型；构建模型观测值和重构值之间欧氏距离和余弦距离相似度指标；采用贝叶斯最大后验概率估计方法，构造一个基于多源信息融合的风机状态预警指标，设置状态预警阈值，并根据故障预警阈值判断是否出现故障；本发明实现风机状态的在线实时预警，在故障发生前发出预警，为现场人员争取时间，减少安全与经济性损失。

Description

一种电站风机状态预警方法、系统及其应用
技术领域
本发明涉及火电机组风机的状态监测技术领域，具体涉及一种电站风机状态预警方法、系统及其应用。
背景技术
在当前“双碳”目标的背景下，随着电力市场体制改革的不断深入，传统火电企业面临着日渐加剧的行业竞争，对机组的运行灵活性和调峰能力也提出了更高的要求，保持机组安全、经济和环保的长期稳定运行愈加重要，如何合理地安排机组检修周期，提高各主辅设备利用率成为关键的环节。然而实际中对于电站辅机的状态监测主要包括DCS的限幅报警与现场人员的点检定修，这类方法动态性与实时性较低，属于事后维护。随着运行年限的增加以及机组负荷变化的频率增加，磨损、老化程度增高，严重影响机组的经济性与安全性。
目前现有设备监控技术由于故障数据缺乏、检测手段单一等原因，容易导致误报、故障不能识别等问题；由于监控过程数据传输量通常较大，上位机处理负担较重，造成预警的实时性较差。并且深度调峰过程中，设备将出现的一系列安全性问题(由于小流量引起的风机失速、喘振、振动大)，使得现有技术的不足进一步得到放大。因此，必须开发高实时性的辅机状态定量评估技术，完成由“事后维护”到“事前预知”的转变。
发明内容
为克服现有技术存在的上述缺陷以满足电站风机安全可靠运行的基本需求，本发明提供了一种电站风机状态预警方法及系统，提高对风机状态的监测效率。首先利用传统及新型检测技术实现了电流、压力、流量、温度、振动、噪声等多维状态参数的在线检测，在前端提出了针对振动、噪声信号的特征提取方法，在终端提出了基于堆叠稀疏降噪自编码网络的故障状态评估及预警算法，并开发了基于边缘计算架构的重要辅机状态监控及预警系统，完成了辅机状态评估及预警系统的功能性验证。
为实现上述目的，本发明提供如下技术方案：
本发明提供了一种电站风机状态预警方法，具体包括以下步骤：
步骤1：采集风机正常运行振动、噪声信号；
步骤2：采集风机流量、电流、功率等过程参数时间序列；所述风机过程参数时间序列包括风机运行数据和所述风机运行数据对应的风机运行状态，所述风机状态包括正常运行状态和故障状态；
步骤3：采用基于小波包分解方法在所采集的风机正常运行状态下的振动数据时间序列中提取并构建小波能量谱；
步骤4：采用基于1/3倍频程分解方法在所采集的风机正常运行状态下的噪声数据时间序列中提取并构建频带能量谱；
步骤5：分别以所述过程参数、振动、噪声能量谱数据为输入，通过构建堆叠稀疏降噪自编码网络进行模型训练，获得过程参数、风机振动、噪声预警模型；
步骤6：获取待评估时间段内的过程参数、振动、噪声能量谱数据Xobs，分别输入过程参数、风机振动、噪声预警模型，得到模型重构值Xrec；
步骤7：构建基于模型观测值Xobs和重构值Xrec之间欧氏距离和余弦距离的相似度指标；
步骤8：采用贝叶斯最大后验概率估计方法，对上述单一预警模型的相似度指标进行融合，构造一个基于多源信息融合的风机状态预警指标，设置状态预警阈值，并根据故障预警阈值判断是否出现故障。
本发明公开一种将上述的电站风机状态预警方法应用于电站风机状态预警系统。
本发明公开一种种火电机组风机的状态监测方法，其特征为：包括上述的电站风机状态预警方法。
有益效果：
一、本发明采用先进的声压传感器和加速度传感器，实现高精度的噪声和振动信号采集，弥补了当前电厂设备检测手段不足的缺点。
二、本发明采用了小波包分解的振动信号特征提取方法，不仅可以通过频率高低动态调整时间分辨率大小，还可以在提取低频信号的同时获取高频信号。
三、本发明选用了发电机功率、电机电流、电机绕组温度、驱动端轴承温度、自由端轴承温度、液压油压力、液压油温度、润滑油压力、润滑油温度、风机动叶开度、入口风温、出口风温和出口风压作为风机状态监测参数，在实际火电机组运行过程中，选择上述监测参数对风机进行监控是十分必要且有效的。
四、本发明采用堆叠稀疏降噪自编码网络算法，相比已有的机器学习或深度学习模型，增加了模型的鲁棒性。
五、本发明所采用的多源信息融合方法提升系统整体评估的可靠性。
六、本发明所设计的风机状态预警系统，能够实现风机状态的在线实时预警，在故障发生前发出预警信号，为现场人员争取处理时间，减少因故障引起的安全与经济性损失。
附图说明
图1风机振动原始信号及其频带能量；
其中a)风机水平振动原始信号；
b)水平振动信号特征提取结果；
c)风机垂直振动原始信号；
d)垂直振动信号特征提取结果；
图2风机噪声原始信号及1/3倍频程特征提取结果；
其中：a)为风机噪声原始信号
b)为：噪声信号特征提取结果
图3为堆叠稀疏降噪自编码网络模型训练流程图；
图4为堆叠稀疏降噪自编码网络模型训练误差
图5为风机在线状态预警流程图；
图6为风机状态预警系统结构示意图。
具体实施方式
一种电站风机状态预警方法，具体包括以下步骤：
步骤1：采集风机正常运行振动、噪声信号；
步骤2：采集风机流量、电流、功率等过程参数时间序列；所述风机过程参数时间序列包括风机运行数据和所述风机运行数据对应的风机运行状态，所述风机状态包括正常运行状态和故障状态；
步骤3：采用基于小波包分解方法在所采集的风机正常运行状态下的振动数据时间序列中提取并构建小波能量谱；
步骤4：采用基于1/3倍频程分解方法在所采集的风机正常运行状态下的噪声数据时间序列中提取并构建频带能量谱；
步骤5：分别以所述过程参数、振动、噪声能量谱数据为输入，通过构建堆叠稀疏降噪自编码网络进行模型训练，获得过程参数、风机振动、噪声预警模型；
步骤6：获取待评估时间段内的过程参数、振动、噪声能量谱数据Xobs，分别输入过程参数、风机振动、噪声预警模型，得到模型解码输出即为重构值Xrec；
步骤7：构建基于模型观测值Xobs和重构值Xrec之间欧氏距离和余弦距离的相似度指标；
步骤8：采用贝叶斯最大后验概率估计方法，对上述单一预警模型的相似度指标进行融合，构造一个基于多源信息融合的风机状态预警指标，设置状态预警阈值，并根据故障预警阈值判断是否出现故障。
进一步的，所述步骤1具体包括以下步骤：
步骤1.1，在距离风机电机和风机本体直线距离50cm处，以底盘固定式支架各加装一个声传感器，在风机轴承外壳X/Y方向上以强力胶粘贴方式各加装一个振动加速度传感器；
步骤1.2，以25.6kHz的采样频率采集风机两路噪声信号，以51.2kHz的采样频率采集两路振动信号。
进一步的，步骤2包括以下步骤：
步骤2.1，通过与风机连接的分散控制系统或安全仪表系统采集发电机功率、电机电流、电机绕组温度、驱动端轴承温度、自由端轴承温度、液压油压力、液压油温度、润滑油压力、润滑油温度、风机动叶开度、入口风温、出口风温和出口风压数据；
步骤2.2，从历史数据中抽取20000组数据，计算各参数之间的皮尔逊相关系数绝对值，对于两两之间相关系数绝对值大于0.6的参数只保留其中一个参数作为建模变量。
进一步的，步骤3包括以下步骤：
步骤3.1，对采集的振动信号进行频谱分析，从而确定小波包分解时划分合适的频段；
步骤3.2，确定小波包分解的层数。在进行小波包分解时，分解的层数与时频域信号的分析精度有显著关联；
步骤3.3，对信号进行小波包分解与重构，并求取各子带信号的能量，得到重构后的信号能量谱；
步骤3.4，对重构后的信号能量谱进行划分得到相邻且相等的频段，计算出各个频段的归一化信号能量比。
所述步骤3.3中，小波包函数表达式为：
Figure BDA0003319822020000061
式中：其中，l为振荡系数，k为位置指标，hk和gk分别为尺度函数导出的高通和低通正交滤波器系数；选用Daubechies小波对振动信号进行三阶小波包分解。
频带能量的计算公式为：
Figure BDA0003319822020000071
式中：Ej为子带信号第j个节点的能量；Sj(t)为原始信号，xj为原始信号离散点幅值，m/s2；N为采样点数。
所述步骤3.4中，将经过三层小波包分解得到的第三阶4个低频分量与4个高频分量组成一个列为8的特征向量T，
Figure BDA0003319822020000072
式中，T为单个样本归一化后的特征向量；Ej为第三层第j个重构信号。对特征向量进行归一化处理，每个向量为能量的百分比，便于去掉量纲。
进一步的，步骤4包括以下步骤：
步骤4.1，对采集的噪声信号进行快速傅里叶变换；
步骤4.2，根据功率相等恢复系数添加汉宁窗得到噪声的初步频谱图；
步骤4.3，提取中心频率标称值和1/3倍频程范围，并对1/3倍频程运用振动振级的方法将图形转变成未计权1/3倍频程声压级频谱图；
步骤4.4，经过C计权声级修正，得到噪声的C计权1/3倍频程声压级频谱图。
所述步骤4.2中，汉宁窗窗长归一化后的时域表达式为：
Figure BDA0003319822020000081
频域表达式为：
Figure BDA0003319822020000082
为使加窗后的功率谱或幅值谱不受窗函数的影响，必须根据一定原则推导出恢复函数，恢复系数计算公式为：
Kt＝A/A'A为谐波信号的幅值；A'为加窗后峰值频率处的幅值。
可直接对窗函数作频谱分析，A'使窗函数幅值谱在零频率处的幅值，此时A等于1。根据此种方法计算得到汉宁窗的幅值恢复系数为2，所以功率相等恢复系数为1.633。
所述步骤4.3中，声压级的定义如下：
Figure BDA0003319822020000083
式中:Lp为声压级，dB；p0＝2×10－5Pa，为基准声压，基准声压本身的声压级为0dB；pe为有效声压。
所述步骤4.3中，噪声信号的频率提取范围为20Hz-20kHz，倍频程的各频带具有对应的上限频率与下限频率比值设定为21/3，即：
Figure BDA0003319822020000084
其中fu为上限频率，fd为下限频率。
所述步骤4.4中，C计权的计算公式为：
Figure BDA0003319822020000085
进一步的，步骤5包括以下步骤：
步骤5.1，将历史数据作归一化处理，用以防止数据数量级的不同造成量级较大的属性占主导地位并缓解数量级的不同导致的迭代收敛速度变慢；
步骤5.2，将已归一化数据划分成训练集数据和测试集数据；
步骤5.3，对输入数据x进行增加噪声处理得新的输入
Figure BDA0003319822020000091
生成堆叠降噪自编码器；
步骤5.4，确定初始SSDAE网络的隐含层数、各层的神经元数及激活函数；
步骤5.5，堆叠降噪自编码器损失函数中加入约束生成深度稀疏降噪自编码器，即堆叠稀疏降噪自编码网络；
步骤5.6，采用优化器对堆叠稀疏降噪自编码网络参数进行优化；
步骤5.7，保存训练最优模型(即预警模型)及网络参数。
步骤5.8，重复步骤5.1-5.7，分别以过程参数、风机振动、噪声为输入训练并保存预警模型。
所述步骤5.1中，归一化处理采用MinMax归一化处理方法。
所述步骤5.2具体为：将归一化后的历史数据分为相同长度的多组数据形成矩阵，作为训练集和测试集的全部数据，采用留出法将该矩阵中的3/4组数据作为训练集，剩余1/4组数据作为测试集，并且训练集以及测试集数据为随机排列。
所述步骤5.3中，数据增加噪声的方法为：
步骤5.3.1，生成与x同维度的均匀分布噪声noise；
步骤5.3.2，将x与noise做哈达玛乘积，具体公式为：
Figure BDA0003319822020000101
可选的，增加噪声还可采用椒盐噪声(Salt-and-Pepper Noise)、高斯噪声(Gaussian Noise)、遮罩噪声(Masking Noise)、白噪声(White Noise)。
所述步骤5.4中，输出层采用Sigmoid激活函数，其余层均采用Leaky Relu激活函数。
所述步骤5.5中，堆叠稀疏降噪自编码器的优化目标为：
Figure BDA0003319822020000102
Figure BDA0003319822020000103
式中，
Figure BDA0003319822020000104
为隐藏层神经元的激活值；β为控制稀疏性惩罚因子的权重；x为预处理后的运行数据,
Figure BDA0003319822020000105
为加噪后的运行数据；
Figure BDA0003319822020000106
是分别以ρ和
Figure BDA0003319822020000107
为均值的两个伯努利随机变量之间的相对熵，当
Figure BDA0003319822020000108
时，
Figure BDA0003319822020000109
KL随着ρ和
Figure BDA00033198220200001010
之间的差异增加而单调递增，而当
Figure BDA00033198220200001011
靠近0或者1的时候，相对熵则变得无穷大，因此最小化该惩罚因子，可以使
Figure BDA00033198220200001012
趋近于ρ。
所述步骤5.6中，优化器采用Adam优化算法。
进一步的，步骤7包括以下步骤：
步骤7.1，分别计算观测值Xobs和重构值Xrec之间欧氏距离和余弦距离；
步骤7.2，计算基于欧氏距离和余弦距离的模型相似度。
所述步骤7.1中，欧氏距离的计算公式为：
Figure BDA0003319822020000111
余弦距离的计算公式为：
Figure BDA0003319822020000112
式中dot(·)表示内积运算，||·||表示向量的2范数。
所述步骤7.2中，模型相似度的计算公式为：
Figure BDA0003319822020000113
式中，sim(X,Y)表示向量X与Y的相似度。本发明中构造的余弦距离值介于0与1之间，且越接近于0代表重构值与输入值的形态相似程度越低。
所述步骤8中，贝叶斯最大后验概率估计计算公式为：
Figure BDA0003319822020000114
其中，xf表示风机状态指标，zi表示第i个信息源的相似度指标，σi表示第i个信息源的标准差。
所述的预警阈值取值为0.8，当风机状态指标xf低于该阈值时，系统即发出风机状态异常警告。
与现有技术相比，本发明具有以下优点：
一、本发明采用先进的声压传感器和加速度传感器，实现高精度的噪声和振动信号采集，弥补了当前电厂设备检测手段不足的缺点。
二、本发明采用了小波包分解的振动信号特征提取方法,不仅可以通过频率高低动态调整时间分辨率大小，还可以在提取低频信号的同时获取高频信号。有效弥补了传统信号分析方法的缺点，如短时傅里叶变换在不同频域内只有固定的分辨率；经验模态分解缺乏理论证明；小波变换只会提取低频信息，而高频细节信息在解析过程中易被丢失。所采用的1/3倍频程噪声信号特征提取方法，通过对噪声信号进行加窗快速傅里叶变换，成功避免了对信号截断处理而引起的频谱泄露和能量泄露，同时采用C计权算法对频带声压级进行修正，还原出人耳对声音的听觉特性。同时通过在设备边缘部署采集前端进行实时计算，一方面减少了数据传输量，减轻网络压力；另一方面将计算过程前移能有效缓解上位机的计算压力。
三、本发明选用了发电机功率、电机电流、电机绕组温度、驱动端轴承温度、自由端轴承温度、液压油压力、液压油温度、润滑油压力、润滑油温度、风机动叶开度、入口风温、出口风温和出口风压作为风机状态监测参数，由于这些监测参数是风机监控系统中比较容易出现异常的现场运行参数，通过对这些参数的监控可以很好地判断风机的运行情况，比如：风机轴承的故障或润滑油质变差会使风机轴承温度、油温上升；叶片的磨损、转子不对中或旋转失速会导致风机异常振动。因此，选择上述监测参数对风机进行监控是十分必要且有效的。
四、本发明采用堆叠稀疏降噪自编码网络算法，相比已有的机器学习或深度学习模型，采用深度稀疏降噪自编码器能有效提高模型的泛化能力；由于原始训练集数据的某一部分被破坏掉了，本发明能够在一定程度上减轻训练集和测试集之间的代沟，因此其在一定程度上更接近测试数据，从而增加了模型的鲁棒性。
五、本发明所采用的多源信息融合方法，充分利用多种信息源，对多模型的输出相似度进行融合，提升系统整体评估的可靠性。以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (10)

1.一种电站风机状态预警方法，具体包括以下步骤：
步骤1：采集风机正常运行振动、噪声信号；
步骤2：采集风机过程参数时间序列；所述风机过程参数时间序列包括风机运行数据和所述风机运行数据对应的风机运行状态，所述风机运行状态包括正常运行状态和故障状态；
步骤3：采用基于小波包分解方法在所采集的风机正常运行状态下的振动数据时间序列中提取并构建小波能量谱；
步骤4：采用基于1/3倍频程分解方法在所采集的风机正常运行状态下的噪声数据时间序列中提取并构建频带能量谱；
步骤5：分别以所述过程参数、振动、噪声能量谱数据为输入，通过构建堆叠稀疏降噪自编码网络进行模型训练，获得过程参数、风机振动、噪声预警模型；
步骤6：获取待评估时间段内的过程参数、振动、噪声能量谱数据Xobs，分别输入过程参数、风机振动、噪声预警模型，得到模型重构值Xrec；
步骤7：构建基于模型观测值Xobs和重构值Xrec之间欧氏距离和余弦距离的相似度指标；
步骤8：采用贝叶斯最大后验概率估计方法，对上述单一预警模型的相似度指标进行融合，构造一个基于多源信息融合的风机状态预警指标，设置状态预警阈值，并根据故障预警阈值判断是否出现故障。
2.根据权利要求1所述的一种电站风机状态预警方法，其特征为：所述步骤3具体包括以下步骤：
步骤3.1，对采集的振动信号进行频谱分析，从而确定小波包分解时划分合适的频段；
步骤3.2，确定小波包分解的层数，在进行小波包分解时，分解的层数与时频域信号的分析精度有显著关联；
步骤3.3，对信号进行小波包分解与重构，并求取各子带信号的能量，得到重构后的信号能量谱；
步骤3.4，对重构后的信号能量谱进行划分得到相邻且相等的频段，计算出各个频段的归一化信号能量比。
3.根据权利要求1所述的一种电站风机状态预警方法，其特征为：所述步骤4具体包括以下步骤：
步骤4.1，对采集的噪声信号进行快速傅里叶变换；
步骤4.2，根据功率相等恢复系数添加汉宁窗得到噪声的初步频谱图；
步骤4.3，提取中心频率标称值和1/3倍频程范围，并对1/3倍频程运用振动振级的方法将图形转变成未计权1/3倍频程声压级频谱图；
步骤4.4，经过C计权声级修正，得到噪声的C计权1/3倍频程声压级频谱图。
4.根据权利要求3所述的一种电站风机状态预警方法，其特征为：所述步骤4.2中，汉宁窗窗长归一化后的时域表达式为：
Figure FDA0003319822010000021
所述步骤4.3中，声压级的定义如下：
Figure FDA0003319822010000031
式中:Lp为声压级，dB；p0＝2×10－5Pa，为基准声压，基准声压本身的声压级为0dB；pe为有效声压；
所述步骤4.4中，C计权的计算公式为：
Figure FDA0003319822010000032
5.根据权利要求1所述的一种电站风机状态预警方法，其特征为：所述步骤5具体包括以下步骤：
步骤5.1，将历史数据作归一化处理，用以防止数据数量级的不同造成量级较大的属性占主导地位并缓解数量级的不同导致的迭代收敛速度变慢；
步骤5.2，将已归一化数据划分成训练集数据和测试集数据；
步骤5.3，对输入数据x进行增加噪声处理得新的输入
Figure FDA0003319822010000033
生成堆叠降噪自编码器；
步骤5.4，确定初始SSDAE网络的隐含层数、各层的神经元数及激活函数；
步骤5.5，堆叠降噪自编码器损失函数中加入约束生成深度稀疏降噪自编码器，即堆叠稀疏降噪自编码网络；
步骤5.6，采用优化器对堆叠稀疏降噪自编码网络参数进行优化；
步骤5.7，保存训练最优模型,即预警模型及网络参数；
步骤5.8，重复步骤5.1-5.7，分别以过程参数、风机振动、噪声为输入训练并保存预警模型。
6.根据权利要求5所述的一种电站风机状态预警方法，其特征为：
所述步骤5.1中，归一化处理采用MinMax归一化处理方法；具体公式为：
Figure FDA0003319822010000041
其中，di是原始历史数据，Max和Min分别是历史数据中的最大值和最小值，xi为di的归一化结果。
所述步骤5.2具体为：将归一化后的历史数据分为相同长度的多组数据形成矩阵，作为训练集和测试集的全部数据，采用留出法将该矩阵中的3/4组数据作为训练集，剩余1/4组数据作为测试集，并且训练集以及测试集数据为随机排列；
所述步骤5.3中，数据增加噪声的方法为：
步骤5.3.1，生成与x同维度的均匀分布噪声noise；
步骤5.3.2，将x与noise做哈达玛乘积，具体公式为：
Figure FDA0003319822010000042
所述步骤5.4中，输出层采用Sigmoid激活函数，其余层均采用Leaky Relu激活函数；
所述步骤5.5中，堆叠稀疏降噪自编码器的优化目标为：
Figure FDA0003319822010000043
Figure FDA0003319822010000044
式中，
Figure FDA0003319822010000045
为隐藏层神经元的激活值；β为控制稀疏性惩罚因子的权重；x为预处理后的运行数据,
Figure FDA0003319822010000046
为加噪后的运行数据；
Figure FDA0003319822010000047
是分别以ρ和
Figure FDA0003319822010000051
为均值的两个伯努利随机变量之间的相对熵，当
Figure FDA0003319822010000052
时，
Figure FDA0003319822010000053
KL随着ρ和
Figure FDA0003319822010000054
之间的差异增加而单调递增，而当
Figure FDA0003319822010000055
靠近0或者1的时候，相对熵则变得无穷大，因此最小化该惩罚因子，可以使
Figure FDA0003319822010000056
趋近于ρ。
所述步骤5.6中，优化器采用Adam优化算法。
7.根据权利要求1所述的一种电站风机状态预警方法，其特征为：所述步骤7具体包括以下步骤：
步骤7.1，分别计算观测值Xobs和重构值Xrec之间欧氏距离和余弦距离；
步骤7.2，计算基于欧氏距离和余弦距离的模型相似度。
8.根据权利要求1所述的一种电站风机状态预警方法，其特征为：
所述步骤8中，贝叶斯最大后验概率估计计算公式为：
Figure FDA0003319822010000057
其中，xf表示风机状态指标，zi表示第i个信息源的相似度指标，σi表示第i个信息源的标准差；所述的预警阈值取值为0.8，当风机状态指标xf低于该阈值时，系统即发出风机状态异常警告。
9.将权利要求1-8任一所述的电站风机状态预警方法应用于电站风机状态预警系统。
10.一种火电机组风机的状态监测方法，其特征为：包括权利要求1-8任一所述的电站风机状态预警方法。
CN202111242835.4A 2021-10-25 2021-10-25 一种电站风机状态预警方法、系统及其应用 Pending CN113919525A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111242835.4A CN113919525A (zh) 2021-10-25 2021-10-25 一种电站风机状态预警方法、系统及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111242835.4A CN113919525A (zh) 2021-10-25 2021-10-25 一种电站风机状态预警方法、系统及其应用

Publications (1)

Publication Number Publication Date
CN113919525A true CN113919525A (zh) 2022-01-11

Family

ID=79242880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111242835.4A Pending CN113919525A (zh) 2021-10-25 2021-10-25 一种电站风机状态预警方法、系统及其应用

Country Status (1)

Country Link
CN (1) CN113919525A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952600A (zh) * 2024-03-27 2024-04-30 深圳市美格信测控技术有限公司 一种基于声学数据的新能源汽车电机评价方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952600A (zh) * 2024-03-27 2024-04-30 深圳市美格信测控技术有限公司 一种基于声学数据的新能源汽车电机评价方法及系统
CN117952600B (zh) * 2024-03-27 2024-05-28 深圳市美格信测控技术有限公司 一种基于声学数据的新能源汽车电机评价方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network
CN109740523B (zh) 一种基于声学特征和神经网络的电力变压器故障诊断方法
JP7199608B2 (ja) 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体
Muralidharan et al. Feature extraction using wavelets and classification through decision tree algorithm for fault diagnosis of mono-block centrifugal pump
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
CN112326210A (zh) 一种声振信号联合1d-cnn的大型电机故障诊断方法
CN112879278B (zh) 基于噪声信号a计权分析的泵站机组故障诊断方法
CN111879397B (zh) 高压断路器储能机构故障诊断方法
CN113707176A (zh) 一种基于声信号及深度学习技术的变压器故障检测方法
CN108444696A (zh) 一种齿轮箱故障分析方法
Martin-del-Campo et al. Dictionary learning approach to monitoring of wind turbine drivetrain bearings
CN116776075A (zh) 风机叶片健康监测系统及其监测方法
CN114708885A (zh) 一种基于声音信号的风机故障预警方法
CN113919525A (zh) 一种电站风机状态预警方法、系统及其应用
CN114492196B (zh) 基于简正波能量比理论的故障快速检测方法及系统
CN113250911B (zh) 一种基于vmd分解算法的风机叶片故障诊断方法
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
CN115878992A (zh) 综合管廊供电系统的监控方法和监控系统
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
CN117031194B (zh) 用于配电网的超声波隐患检测方法及系统
CN112581940A (zh) 基于边缘计算与神经网络的放电声音检测方法
Liu et al. Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm
CN114091533A (zh) 基于激光测振的变压器噪声识别和逆向还原方法及介质
CN115406630A (zh) 一种基于机器学习的无源声信号对风力发电机叶片故障检测方法
CN115114955B (zh) 一种基于声音与振动信号的设备故障检测方法

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