CN114186666A - 一种基于自标准化编解码的发电机线圈温度异常监测方法 - Google Patents
一种基于自标准化编解码的发电机线圈温度异常监测方法 Download PDFInfo
- Publication number
- CN114186666A CN114186666A CN202111447942.0A CN202111447942A CN114186666A CN 114186666 A CN114186666 A CN 114186666A CN 202111447942 A CN202111447942 A CN 202111447942A CN 114186666 A CN114186666 A CN 114186666A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature difference
- maximum temperature
- generator coil
- time sequence
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000012634 fragment Substances 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 3
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于自标准化编解码的发电机线圈温度异常监测方法，该方法包括：利用多个温度测点获取发电机线圈处于正常运行状态下的出水温度数据并进行预处理；计算同一时间点时各温度测点之间的最大温度差值，将最大温度差值按时序排列形成最大温差时间序列；分割最大温差时间序列，得到多个最大温差时间序列片段，以作为训练集；将训练集输入到神经网络模型中进行训练；获取待判断状态时间段内不同时间点的发电机线圈的出水温度数据并进行处理，将其输入至优化后的神经网络模型，以得到相应的预测值。本发明提供的监测方法有效解决了工业场景中异常数据极少导致难以建立监督模型的问题，并且对于正常和异常数据具有较高的区分度。
Description
技术领域
本发明涉及工业发电机设备运维管理技术领域，具体涉及一种基于自标准化编解码的发电机线圈温度异常监测方法。
背景技术
为了保障发电机运行过程的安全性，需要对发电机定子线棒测温元件的温差进行密切监视。传统处理方法为，定子线棒引水管出水温差达到一定阈值时，需要降低负荷甚至是停机处理。该阈值是依赖人工经验制定的，虽然能够一定程度防范发电机主设备损坏事故的发生，但通常是作为防范事故的最后屏障。目前行业内在发电机停机状态下的热水流试验很难发现发电机温度测点布置异常或者轻微堵塞情况的问题，而现有的行业标准及国家能源局反事故措施对运行中发电机“定子线棒引水管出水温差达8℃时应报警”的要求中的“8℃”的阈值基于经验，传统的监测温差的手段具有一定的局限性。
过去很长一段时间内，不少研究者尝试通过机理分析制定相应的温度模型，以便更早发现故障隐患。比如定子槽部测温元件处和聚四氟乙烯出水管出水温度模型、等值热路法温度模型以及指纹系数温度模型等。但是建立机理模型的过程相对繁琐，依然依赖经验公式，并且受限于发电机运行环境及运行参数的复杂程度，模型通常需要进行不同程度的简化，忽略氢气对绕组的冷却作用、忽略环流影响等。这些传统的方法无法比拟机器学习技术的发展所带来的基于历史运行数据，建立高效数据驱动模型的建模简单、特征表达能力较强等优点。
机器学习、大数据技术的发展，带来了依托海量历史运行数据提供更加有力的监测算法的新思路，而不再依赖假设条件建立简化的机理模型。数据驱动的算法存在建模相对简单、假设条件较少、特征表达能力强等优势，但也存在对数据数量和质量过于依赖的缺点。海量的发电机历史运行温度数据解决了数量问题，低门槛的数据清洗和整理技术解决了质量问题。温度数据的运行监测可以转化为时间序列的预测或回归问题。
自标准化编解码算法在时间序列的预测分析领域应用广泛。有不少研究者将自标准化编解码应用到时间序列的故障诊断中，并获得了比SVM和MLP等算法更好的诊断效果。也有研究者将自标准化编解码应用到航空发动机的寿命预测及故障诊断中，可见自标准化编解码在高精装备的时序预测及诊断领域表现出色。
发明内容
本发明的目的是提供一种能够较好地对发电机转子绕组匝间短路缺陷在线检测，从而保障发电机可靠运行的发电机转子绕组匝间短路缺陷在线检测方法。
为达到上述目的，本发明提供了一种基于自标准化编解码的发电机线圈温度异常监测方法，包括以下步骤：
S1、利用多个温度测点获取发电机线圈处于正常运行状态下不同时间点的出水温度数据并进行预处理；
S2、计算同一时间点时各温度测点之间的最大温度差值，将不同时间点对应的最大温度差值按时序排列形成最大温差时间序列；
S3、分割所述最大温差时间序列，得到多个最大温差时间序列片段，以作为训练集，一个最大温差时间序列片段包括多个时间点对应的最大温度差值信息；
S4、将所述训练集输入到神经网络模型中进行训练，利用自标准化编解码输出所述最大温差时间序列片段对应预测的温差数据，以作为预测值，所述预测值分布的时间段紧邻该最大温差时间序列片段，将所述预测值与相应时间段内的出水温度数据实测值进行损失比较，以不断优化神经网络模型；
S5、获取待判断状态时间段内不同时间点的发电机线圈的出水温度数据并进行预处理，再进行步骤S2-S3的数据处理，以得到多个最大温差时间序列片段，将其输入至优化后的神经网络模型，以得到相应的预测值；
S6、若所述预测值与对应实测值的差值超出预设阈值，则判断相应时间段内的所述发电机线圈运行状态异常，发出警告提示；若所述预测值与对应实测值的差值不超出预设阈值，则判断相应时间段内的所述发电机线圈运行状态正常。
进一步地，所述预处理包括：剔除数据传输波动产生的突变，并进行小波降噪。
进一步地，在剔除数据传输波动产生的突变时，若检测测量值出现瞬时变成0又恢复的情况，则采用线性插值的方式替代0值。
进一步地，所述神经网络模型包括编码层、解码层和全连接层，所述编码层将所述最大温差时间序列片段编码为中间状态，所述解码层将该中间状态解码成指定长度的时间序列，所述全连接层将指定长度的时间序列映射为目标输出，作为预测值。
进一步地，所述编码层包括多个编码单元，每个编码单元为标准长短时记忆网络结构单元，并且在数据输入之前，需要先对数据进行如下公式的标准化处理，
其中，X表示原始数据，
表示标准化后的数据，
表示原始数据均值，SX表示原始数据标准差。
进一步地，前一个编码单元的输出作为后一个编码单元的输入，同时所述编码单元按前后顺序对应一一对应输入所述最大温差时间序列片段中按时序记录的最大温度差值。
进一步地，所述解码层包括多个解码单元，每个解码单元为标准长短时记忆网络结构单元，前一个解码单元的输出作为下一解码单元的输入。
进一步地，所述编码层、解码层和全连接层的隐藏层大小相同，所述全连接层在数据输入前，将
和SX作为扩展维度进行输入。
进一步地，所述预测值与对应实测值均为相应时间段内的多个点值，所述预测值与对应实测值的差值为两者的均方根误差。
进一步地，所述最大温差时间序列片段对应的时间段大于相应的预测值分布的时间段。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
(1)基于自标准化编解码的发电机线圈出水温度异常监测模型有效的学习到了正常数据的变化规律，并且未发生过拟合现象，模型泛化能力强，能够精准地判断发电机线圈运行状态；
(2)对于正常和异常数据具有较高的区分度，容易生产应用。
附图说明
附图1为本发明实施例提供的基于自标准化编解码的发电机线圈温度异常监测方法的流程示意图；
附图2为本发明实施例提供的基于自标准化编解码的发电机线圈温度异常监测方法中神经网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
在本发明的一个实施例中，提供了一种基于自标准化编解码的发电机线圈温度异常监测方法，参见图1，包括以下步骤：
S1、利用多个温度测点获取发电机线圈处于正常运行状态下不同时间点的出水温度数据并进行预处理；
其中，所述线圈出水温度一般由42-84个温度测点组成，每个测点对应一条完整的时间序列；所述预处理包括剔除数据传输波动产生的突变，并进行小波降噪。在剔除数据传输波动产生的突变时，若检测测量值出现忽然变成0的情况，即如果数据在较短时间窗口内为0，之后变为有意义的数值，则说明该变化由数据传输波动引起，采用线性插值的方式替代0值；所述小波降噪采用的基函数为sym8,小波分解层数为2，阈值选择软硬阈值折中的方法。
S2、计算同一时间点时各温度测点之间的最大温度差值，将不同时间点对应的最大温度差值按时序排列形成最大温差时间序列；
S3、分割所述最大温差时间序列，得到多个最大温差时间序列片段，以作为训练集，一个最大温差时间序列片段包括多个时间点对应的最大温度差值信息；
S4、将所述训练集输入到神经网络模型中进行训练，利用自标准化编解码输出所述最大温差时间序列片段对应预测的温差数据，以作为预测值，所述预测值分布的时间段紧邻该最大温差时间序列片段，所述最大温差时间序列片段对应的时间段大于相应的预测值分布的时间段；将所述预测值与相应时间段内的出水温度数据实测值进行损失比较，以不断优化神经网络模型；
其中，所述神经网络模型为自标准化编解码神经网络，其包括编码层、解码层和全连接层，
(1)编码层：将任意长度时间序列片段编码为中间状态，记作H1；
所述编码层包括多个编码单元，每个编码单元为标准长短时记忆网络结构单元，隐藏层大小为32，并且在数据输入之前，需要先对数据进行如下公式的标准化处理，
其中，X表示原始数据，
表示标准化后的数据，
表示原始数据均值，SX表示原始数据标准差。
前一个编码单元的输出作为后一个编码单元的输入，同时所述编码单元按前后顺序对应一一对应输入所述最大温差时间序列片段中按时序记录的最大温度差值。
(2)解码层：将H1解码成指定长度的时间序列H2，但数据维度不同于目标输出，需要进一步处理；所述解码层包括多个解码单元，每个解码单元为标准长短时记忆网络结构单元，隐藏层大小为32，前一个解码单元的输出作为下一解码单元的输入，即每个时刻的输出作为下一时刻的输入。
(3)全连接层：将H2映射为目标输出等维度，记作
所述全连接层的隐藏层大小为32，并且在数据输入前，将权利要求7中所述的
和SX作为扩展维度进行输入。扩展前数据维度为：N×5×32,扩展后数据维度为N×5×34，其中N表示Batch Size，即批大小。最后需要对全连接层的输出进行反标准化，得到最终输出Y,计算公式为
S5、获取待判断状态时间段内不同时间点的发电机线圈的出水温度数据并进行预处理，再进行步骤S2-S3的数据处理，以得到多个最大温差时间序列片段，将其输入至优化后的神经网络模型，以得到相应的预测值；
S6、若所述预测值与对应实测值的差值超出预设阈值，则判断相应时间段内的所述发电机线圈运行状态异常，发出警告提示；若所述预测值与对应实测值的差值不超出预设阈值，则判断相应时间段内的所述发电机线圈运行状态正常。需要注意的是所述预测值与对应实测值均为相应时间段内的多个点值，所述预测值与对应实测值的差值为两者的均方根误差RMSE，其计算方法为：
其中Y表示预测值，T表示实测值。所述阈值大小与发电机型号有关，本专利中设置为正常数据集上所得RMSE的1.5倍，以更早的发现异常。
本发明的一个实施例中，所述发电机线圈温度异常监测方法包括对正常运行的发电机得到定子线圈出水温度数据，并剔除数据传输波动产生的突变，然后进行小波降噪，完成数据预处理；计算各温度差值，得到最大温差时间序列，然后以滑动窗口的形式分割该时间序列，得到若干正常温差时间序列片段，作为模型的训练集；将训练集数据输入到基于自标准化编解码的神经网络中，以未来5min中的温差数据作为目标输出，训练得到可以表达正常温差序列变化规律的模型；对于运行状态未知的发电机线圈出水温度数据，采用相同的预处理方法得到最大温差时间序列片段，输入至该模型进行计算，将模型预测得到的5min温差数据与真实运行温差数据进行比较，若差值超出一定的阈值，则认为该运行数据存在异常。
下面进一步进行说明，使用80个温度测点对发电机线圈进行测量，采样间隔为1分钟，获取正常运行的两个月数据，形成最大温差时间序列，其总长度也对应为2个月，所述滑动窗口长度为75min，使得一个最大温差时间序列片段就包含了75个最大温度差值，参见图2，将训练集中的一个片段中的75个最大温度差值一一输入到编码单元，并将前一个编码单元的输出作为后一个编码单元的输入进行计算，最后一个编码单元的输出状态作为语义编码的结果，从而输入至解码层进行解码，再经过全连接层的处理，最终得到长度为5min的最大温差预测结果，以75min的采集到的数据输出5min的预测数据。
本发明的一个实施例中，将采集发电机线圈不同时刻对应的电流数据经预处理，与采集的温度数据相对应，输入神经网络模型中进行相似的训练，同样采用状态未知时的电流数据放入模型中进行判断，若电流或者温度数据在判断处理时，若出现一个不符合预设要求，则可进行报警提示，以提高后续判断运行状态异常的准确性。
本发明提供的发电机线圈温度异常监测方法有效的学习到了正常数据的变化规律，并且未发生过拟合现象，模型泛化能力强。并且模型在正常与异常数据上RMSE的分布显著不同。本文采用RMSE中值作为判断依据，例如，在历史较短窗口内RMSE的中值超出0.15℃，则认为数据异常。另外传统基于温差阈值的判断方法不能通过采用较低阈值达到早期监测的目的，因为温差并不是缓慢增加的，而是一直处于波动状态，较低阈值极易产生误诊断。而本文的方法本质上是依赖数据分布进行异常诊断，可通过采用较低的RMSE阈值，实现早期异常监测，同时更具说服力
本发明提供的发电机线圈温度异常监测方法对发电机定子线棒引水管出水温度，基于自标准化编解码算法建立了最大温差序列预测模型并进行了实验，最终证明该方法能够有效的对降噪后的运行数据进行异常监测；其基于大量的发电机正常运行数据进行建模，有效解决了工业场景中异常数据极少导致难以建立监督模型的问题，并且对于正常和异常数据具有较高的区分度，能够应用到生产应用环境中去；其改善了行业内当前基于经验阈值的方法，建立了使用机器学习技术，并基于历史运行数据，建立高效数据驱动模型。
需要说明的是，除了以纯计算机可读程序代码方式实现本发明提供的技术方案，还可以通过以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等形式来实现相同程序，简单借用本发明技术方案实现相同效果的系统、装置及模块，且没有实质变化的，均在本发明的保护范围内。
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于自标准化编解码的发电机线圈温度异常监测方法，其特征在于，包括以下步骤：
S1、利用多个温度测点获取发电机线圈处于正常运行状态下不同时间点的出水温度数据并进行预处理；
S2、计算同一时间点时各温度测点之间的最大温度差值，将不同时间点对应的最大温度差值按时序排列形成最大温差时间序列；
S3、分割所述最大温差时间序列，得到多个最大温差时间序列片段，以作为训练集，一个最大温差时间序列片段包括多个时间点对应的最大温度差值信息；
S4、将所述训练集输入到神经网络模型中进行训练，利用自标准化编解码输出所述最大温差时间序列片段对应预测的温差数据，以作为预测值，所述预测值分布的时间段紧邻该最大温差时间序列片段，将所述预测值与相应时间段内的出水温度数据实测值进行损失比较，以不断优化神经网络模型；
S5、获取待判断状态时间段内不同时间点的发电机线圈的出水温度数据并进行预处理，再进行步骤S2-S3的数据处理，以得到多个最大温差时间序列片段，将其输入至优化后的神经网络模型，以得到相应的预测值；
S6、若所述预测值与对应实测值的差值超出预设阈值，则判断相应时间段内的所述发电机线圈运行状态异常，发出警告提示；若所述预测值与对应实测值的差值不超出预设阈值，则判断相应时间段内的所述发电机线圈运行状态正常。
2.根据权利要求1所述的发电机线圈温度异常监测方法，其特征在于，所述预处理包括：剔除数据传输波动产生的突变，并进行小波降噪。
3.根据权利要求2所述的发电机线圈温度异常监测方法，其特征在于，在剔除数据传输波动产生的突变时，若检测测量值出现瞬时变成0又恢复的情况，则采用线性插值的方式替代0值。
4.根据权利要求1所述的发电机线圈温度异常监测方法，其特征在于，所述神经网络模型包括编码层、解码层和全连接层，所述编码层将所述最大温差时间序列片段编码为中间状态，所述解码层将该中间状态解码成指定长度的时间序列，所述全连接层将指定长度的时间序列映射为目标输出，作为预测值。
5.根据权利要求4所述的发电机线圈温度异常监测方法，其特征在于，所述编码层包括多个编码单元，每个编码单元为标准长短时记忆网络结构单元，并且在数据输入之前，需要先对数据进行如下公式的标准化处理，
其中，X表示原始数据，
表示标准化后的数据，
表示原始数据均值，SX表示原始数据标准差。
6.根据权利要求5所述的发电机线圈温度异常监测方法，其特征在于，前一个编码单元的输出作为后一个编码单元的输入，同时所述编码单元按前后顺序对应一一对应输入所述最大温差时间序列片段中按时序记录的最大温度差值。
7.根据权利要求4所述的发电机线圈温度异常监测方法，其特征在于，所述解码层包括多个解码单元，每个解码单元为标准长短时记忆网络结构单元，前一个解码单元的输出作为下一解码单元的输入。
8.根据权利要求5所述的发电机线圈温度异常监测方法，其特征在于，所述编码层、解码层和全连接层的隐藏层大小相同，所述全连接层在数据输入前，将
和SX作为扩展维度进行输入。
9.根据权利要求1所述的发电机线圈温度异常监测方法，其特征在于，所述预测值与对应实测值均为相应时间段内的多个点值，所述预测值与对应实测值的差值为两者的均方根误差。
10.根据权利要求1所述的发电机线圈温度异常监测方法，其特征在于，所述最大温差时间序列片段对应的时间段大于相应的预测值分布的时间段。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021114294246 | 2021-11-29 | ||
| CN202111429424 | 2021-11-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114186666A true CN114186666A (zh) | 2022-03-15 |
| CN114186666B CN114186666B (zh) | 2023-10-13 |
Family
ID=80603149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111447942.0A Active CN114186666B (zh) | 2021-11-29 | 2021-11-30 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114186666B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195884A (zh) * | 2018-01-12 | 2018-06-22 | 西南科技大学 | 一种基于电涡流脉冲热成像的无损检测方法及系统 |
| CN109540334A (zh) * | 2018-12-19 | 2019-03-29 | 河北涿州京源热电有限责任公司 | 基于三维展示的发电机过热故障隐患的预警方法 |
| CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
| CN111537257A (zh) * | 2020-05-30 | 2020-08-14 | 华能澜沧江水电股份有限公司 | 一种在线检测水轮发电机空气冷却器异常方法 |
| CN111562497A (zh) * | 2020-05-30 | 2020-08-21 | 华能澜沧江水电股份有限公司 | 一种发电机定子线棒接头接触不良故障检测方法 |
| CN111605406A (zh) * | 2019-02-26 | 2020-09-01 | 北京新能源汽车股份有限公司 | 一种获取电机转子温度的控制方法、控制装置及车辆 |
| CN111856271A (zh) * | 2020-05-30 | 2020-10-30 | 华能澜沧江水电股份有限公司 | 一种水轮发电机定子铁芯绝缘故障检测方法 |
| CN112001418A (zh) * | 2020-07-14 | 2020-11-27 | 华北电力大学（保定） | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
| CN112598148A (zh) * | 2020-09-30 | 2021-04-02 | 新天绿色能源股份有限公司 | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 |
| CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
| CN113705924A (zh) * | 2021-09-07 | 2021-11-26 | 北京必可测科技股份有限公司 | 一种热控设备智能诊断方法和系统 |
-
2021
- 2021-11-30 CN CN202111447942.0A patent/CN114186666B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195884A (zh) * | 2018-01-12 | 2018-06-22 | 西南科技大学 | 一种基于电涡流脉冲热成像的无损检测方法及系统 |
| CN109540334A (zh) * | 2018-12-19 | 2019-03-29 | 河北涿州京源热电有限责任公司 | 基于三维展示的发电机过热故障隐患的预警方法 |
| CN111605406A (zh) * | 2019-02-26 | 2020-09-01 | 北京新能源汽车股份有限公司 | 一种获取电机转子温度的控制方法、控制装置及车辆 |
| CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
| CN111537257A (zh) * | 2020-05-30 | 2020-08-14 | 华能澜沧江水电股份有限公司 | 一种在线检测水轮发电机空气冷却器异常方法 |
| CN111562497A (zh) * | 2020-05-30 | 2020-08-21 | 华能澜沧江水电股份有限公司 | 一种发电机定子线棒接头接触不良故障检测方法 |
| CN111856271A (zh) * | 2020-05-30 | 2020-10-30 | 华能澜沧江水电股份有限公司 | 一种水轮发电机定子铁芯绝缘故障检测方法 |
| CN112001418A (zh) * | 2020-07-14 | 2020-11-27 | 华北电力大学（保定） | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
| CN112598148A (zh) * | 2020-09-30 | 2021-04-02 | 新天绿色能源股份有限公司 | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 |
| CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
| CN113705924A (zh) * | 2021-09-07 | 2021-11-26 | 北京必可测科技股份有限公司 | 一种热控设备智能诊断方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| K. H. HELLTON 等: "Motor coil Maximum temperature difference LSTM", 《JOURNAL OF MARINE ENGINEERING & TECHNOLOGY 》, pages 334 - 342 * |
| 滕伟 等: "基于 XGBoost 与 LSTM 的风力发电机绕组温度预测", 《中国电力》, vol. 54, no. 6, pages 95 - 103 * |
| 陈耀华: "面向高速动车组牵引电机轴承故障预警的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, pages 033 - 296 * |
| 陈聪 等: "基于 LSTM 的汽轮发电机线圈的早期异常检测", 《大电机技术》, no. 04, pages 6 - 11 * |
| 高益: "热轧主电机温升建模与风冷电机变频策略研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, pages 022 - 426 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114186666B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108604360B (zh) | 设施异常监测方法及其系统 | |
| CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
| CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
| CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
| CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
| Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
| CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
| KR102156858B1 (ko) | 로봇 팔의 고장 진단 및 예측 방법 | |
| CN112001418A (zh) | 一种发电机定子线圈冷却水路堵塞故障诊断方法 | |
| EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
| CN115833937A (zh) | 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法 | |
| 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 | |
| CN116292367A (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| Zhang et al. | A systematic nonstationary causality analysis framework for root cause diagnosis of faults in manufacturing processes | |
| Pariaman et al. | Anomaly detection using LSTM-Autoencoder to predict coal pulverizer condition on Coal-fired power plant | |
| Hu et al. | Mutual information-based feature disentangled network for anomaly detection under variable working conditions | |
| CN114186666B (zh) | 一种基于自标准化编解码的发电机线圈温度异常监测方法 | |
| CN116796261A (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| CN113673600A (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
| CN114819261A (zh) | 一种基于设备实时运行状态的故障预测方法及系统 | |
| Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
| CN111915855B (zh) | 用于百万千瓦超超临界机组报警系统的报警分析方法 | |
| CN116382103B (zh) | 一种生产过程间歇故障及趋势畸变的监测与辨识方法 |
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 |