CN115774838A - 一种数据去噪降维的一次风机故障预警方法 - Google Patents
一种数据去噪降维的一次风机故障预警方法 Download PDFInfo
- Publication number
- CN115774838A CN115774838A CN202211027358.4A CN202211027358A CN115774838A CN 115774838 A CN115774838 A CN 115774838A CN 202211027358 A CN202211027358 A CN 202211027358A CN 115774838 A CN115774838 A CN 115774838A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- early warning
- centroid
- data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000009467 reduction Effects 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 145
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 28
- 150000001875 compounds Chemical class 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 2
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
一种数据去噪降维的一次风机故障预警方法，涉及风机故障预警的技术领域。包括如下步骤：从电厂运行历史库中，获取与一次风机运行相关的测点历史数据；采用离散小波变换滤除步骤一测点历史数据中的高频成分；采用主成分分析对步骤二滤波后的数据进行降维；对步骤三降维后的数据基于K‑means++构建记忆矩阵D；利用步骤四的记忆矩阵计算偏离度阈值；根据偏离度是否超过阈值判断实现一次风机故障预警。本发明利用测量数据间的关联性，降低了模型的复杂度和计算量，从而提高了模型运算效率，有效解决了干扰信号对故障预警准确性的影响。
Description
技术领域
本发明涉及风机故障预警的技术领域，尤其涉及利用数据去噪降维的聚类型MSET一次风机故障预警方法。
背景技术
一次风机通常由电动机、叶轮、机壳、进气箱、集流器、基座、调节控制系统等组成，目的是用来输送和干燥煤粉，并送入喷燃器，同时提供燃料燃烧初期所需的氧气。
一次风机作为火电厂中的重要辅机设备，运行工况复杂多变，环境恶劣，属于火电厂中易发生故障的设备，一旦发生故障会导致机组负荷返回，甚至主燃料量跳闸，影响机组安全、稳定运行，造成电厂经济损失。
为此提出了利用振动信号监测实现故障预警，但是一次风机测点信号众多，且信号间存在互相耦合，信号间的特性随电厂负荷变化而不同。传统的利用振动信号监测实现故障预警的方法因未充分利用一次风机信息而导致故障预警准确率低。尤其是在新能源渗透率不断增加的背景下，火电机组负荷经常大范围调整，一次风机运行工况更加复杂，故障预警难度进一步增大。
为了克服上述问题，提出了基于多元状态估计技术(Multivariate stateestimation technique，MSET)的故障预警方法，充分利用测点信号的综合信息实现故障预警。但任存在以下问题：1)一次风机运行环境恶劣，测量信号中的高频干扰信号无法避免；2)一次风机监测点数目众多，传统的MSET未能考虑数据间的耦合关系，导致训练矩阵维度高，计算量大；3)随着电厂信息化程度不断提高，积累了海量运行数据，传统的MSET预警方法记忆矩阵构造方法未能充分考虑海量数据中关键特性的提取，导致记忆矩阵覆盖面有限，维度高，计算复杂。
发明内容
本发明目的是提供一种含数据去噪降维的聚类型MSET一次风机故障预警方法，利用测量数据间的关联性，降低了模型的复杂度和计算量，从而提高了模型运算效率，有效解决了干扰信号对故障预警准确性的影响。
一种数据去噪降维的一次风机故障预警方法，包括如下步骤：
步骤一：从电厂运行历史库中，获取与一次风机运行相关的测点历史数据；
步骤二：采用离散小波变换滤除步骤一测点历史数据中的高频成分；
步骤三：采用主成分分析对步骤二滤波后的数据进行降维；
步骤四：对步骤三降维后的数据基于K-means++构建记忆矩阵D；
步骤五：利用步骤四的记忆矩阵计算偏离度阈值；
步骤六：一次风机故障预警。
优选的是，本发明步骤一中从电厂运行历史库中，获取与一次风机运行相关的测点历史数据，所述测点包括：机组负荷、一次风机出口风压、一次风机电流、轴承温度1、轴承温度2、轴承振动1、轴承振动2、电机非轴伸端轴承温度、电机轴伸端轴承温度、电机线圈A相温度1、电机线圈A相温度2、电机线圈B相温度1、电机线圈B相温度2、电机线圈C相温度1、电机线圈C相温度2。
优选的是，本发明步骤二中采用离散小波变换滤除步骤一测点历史数据中的高频成分；具体过程为：
步骤21，信号小波分解；选择小波基函数和小波分解层数，按照Mallat算法计算小波系数Wl,k，其中，l表示小波分解层数，k表示平移因子；
步骤22，阈值处理；在小波域内，信号有用部分小波系数大，而噪声部分小波系数小，通过设置阈值的方式，若小波系数绝对值小于阈值，则令对应的小波系数为零，得到下式
式中，θ表示阈值；
阈值θ采用‘sqtwolog’规则计算得到，如下式
式中，n表示历史数据个数；
步骤23，信号重构；根据阈值出力后得到的出力小波系数
通过小波逆变换实现信号重构，获得各测点历史数据滤除高频噪声后的同长度有用信号。
优选的是，本发明步骤三中采用主成分分析对步骤二滤波后的数据进行降维；
步骤31，将经过步骤二滤波后得到的有用信号，表示为样本矩阵X
式中，n表示历史数据个数，m表示与一次风机运行相关的测点数，i为测点数据位置索引，j为测点信号索引；
步骤32，样本矩阵X进行Z-score标准化处理
其中
为测点运行历史数据均值，sj为测点运行历史数据均方差；
其中n为历史数据个数；
Z-score标准化后的样本有用数据集合矩阵记为Z；
步骤33，计算样本有用数据集合矩阵Z的相关系数矩阵R；根据下式计算样本有用数据集合矩阵Z中任意两列序列zc＝[z1c … zic … znc]T与zd＝[z1d … zid … znd]T间相关系数；
式中，zic、zid分别表示序列zc、zd中第i个位置对应的元素，
为序列zc的平均值，
为序列zd的平均值；
由相关系数构造的相关系数矩阵R的表达式如下
步骤34，根据矩阵运算，计算相关系数矩阵R的特征值λ和特征向量v；
步骤35，计算各参数变量的贡献率αj，对特征值λj从大到小进行排序,使得λ1≥λ2≥…≥λm，则各特征值对应的各参数变量的贡献率计算公式为：
步骤36，根据累积贡献率确定主元信号，主元信号是样本有用数据集合矩阵Z信号的一种线性组合，主元信号中包含了样本有用数据集合矩阵Z信号的大量特征，通过累积贡献率确定需要保留的主元信号数，并通过矩阵变换将样本有用数据集合矩阵Z变为压缩后的样本有用数据矩阵Z’，具体步骤如下：
①令p＝1，根据下式计算第一个主元的累积贡献率
②令p＝p+1，根据上式计算前p个主元的累计贡献率；
③判断ηp≥95％是否成立，如成立，则p为保留主元数，否则，跳转到步骤②；
④由前p个相关系数矩阵R的特征向量构造变换矩阵P，P＝[v1,...,vp]，由Z’＝ZP，将n×m的样本有用数据集合矩阵Z压缩为n×p的样本有用数据矩阵Z’。
优选的是，本发明步骤四中对步骤三降维后的数据基于K-means++构建记忆矩阵D，具体过程为：
步骤41，由样本有用数据矩阵Z’组成初始记忆矩阵Dini；
步骤42，确定第一个质心，从初始记忆矩阵Dini中随机选择一行测点样本作为第一个质心c1，计算初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt＝[z’t1,…,z’tp]到c1的距离，记为d(zt,c1)，令质心计算器s＝1；
步骤43，确定第二个质心，将初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt为第二个质心的概率记为pt,2，根据下式计算pt,2后，按照所得概率分布从初始记忆矩阵Dini中随机选择一行测点样本第二个质心c2,令质心计算器s＝2；
步骤44，确定第s个质心；令质心计算器s＝s+1,计算初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt至任一质心css，ss∈[1,2,…,s-1]的距离，并将样本分配给距离最近的质心css；样本分配完成后，将质心css所包含的样本集合记为Css；将初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt为第s个质心的概率记为pt,s，根据下式计算pt,s后，按照所得概率分布从初始记忆矩阵Dini中随机选择一行测点样本第s个质心cs；
式中，{h；zh∈Css}表示任意属于集合Css的样本，h为集合Css的样本索引；
步骤45，重复步骤44，直到s＝nd，nd为记忆矩阵D保留的样本数；
步骤46，计算初始记忆矩阵Dini中剩余行至任一质心cds，ds∈[1,2,…,nd]的距离，并将其分配至距离最短的质心；用C’ds表示第ds个质心所含样本集合，计算C’ds各列均值，并将其赋值给cds；
步骤47，重复步骤46，直到质心分配不变，或达到最大迭代次数，由各个质心组成记忆矩阵D
D＝[c1,c2,…,cnd-1,cnd]T。
优选的是，本发明步骤五中利用步骤四的记忆矩阵计算偏离度阈值；具体过程为：
从初始记忆矩阵Dini中选取nl个样本组成训练矩阵L，根据下式计算训练样本估计矩阵Lest；
式中，
表示矩阵间欧式距离计算符；
计算训练样本估计矩阵Lest与训练矩阵L间的偏离度εL，称为训练偏离度
式中，
nl为训练矩阵的样本数；wpi为第pi维主元的权重系数；Lpi、Lest,pi分别表示L、Lest的第pi维元素的对应值；
用tt表示训练偏离度的滑动窗口索引，根据滑动窗口宽度Ws，则tt窗口的训练偏离度均值
为序列εL从tt至Ws+tt元素的平均值，如下式
将训练偏离度均值序列记为
从
中选出其最大值
根据下式计算偏离度阈值EAN
其中δ为故障预警系数，δ≥0.9。
优选的是，本发明步骤六中的一次风机故障预警，具体过程为：
一次风机测量数据经离散小波变换、主成分分析处理后，形成观测矩阵，记为Xobs；根据下式计算一次风机运行状态估计矩阵Xest；
式中，
表示矩阵间欧式距离计算符；
计算状态估计矩阵与观测矩阵Xobs间的偏离度εX，称为观测偏离度
式中，
ll为观测矩阵中的样本数；wpi为第pi维主元的权重系数；Xobs,pi、Xest,pi为Xobs、Xest的第pi维元素的对应值；
用dd表示观测偏离度的滑动窗口索引，根据滑动窗口宽度Ws，则dd窗口的观测偏离度均值
为观测偏离度εX从dd至Ws+dd元素的平均值，如下式
将观测偏离度均值序列记为
从
中选出其最大值
根据
与偏离度阈值EAN间关系确定是否发出预警；若
则发出故障预警。
本发明采用上述技术方案，与现有技术相比具有如下优点：
(1)采用离散小波变换((Discrete Wavelet Transform,DWT)滤除测量信号中的高频干扰信号，解决现场测量信号干扰问题，有效解决了干扰信号对预警准确性的影响；
(2)采用主成分分析(principal component analysis,PCA)分析一次风机测量信号间关系，实现一次风机相关测量信号降维，有效利用了测量数据间的关联性，降低了模型的复杂度和计算量；
(3)采用K-means++聚类方法构造MSET记忆矩阵，充分挖掘了正常数据运行特征，有效降低了数据的冗杂性，增大了记忆矩阵覆盖面，提高了模型运算效率；
(4)该一次风机故障预警方法可提前3小时35分钟实现预警，为运行检修人员故障排查提供了充足的时间。
附图说明
图1是本发明基于多元状态估计的一次风机故障预警方法流程图。
图2是本发明获得的原始信号及采用DWT滤除高频干扰后的有用信号示意图。
图3是本发明主元个数与累计贡献率之间的关系图。
图4是本发明获得的故障残差变化曲线示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
如图1所示，本发明的一次风机故障预警方法，包括如下步骤：
步骤一：从电厂运行历史库中，获取与一次风机运行相关的测点历史数据，测点历史数据包括：机组负荷、一次风机出口风压、一次风机电流、轴承温度1、轴承温度2、轴承振动1、轴承振动2、电机非轴伸端轴承温度、电机轴伸端轴承温度、电机线圈A相温度1、电机线圈A相温度2、电机线圈B相温度1、电机线圈B相温度2、电机线圈C相温度1、电机线圈C相温度2等。
步骤二：采用DWT滤除测点历史数据序列中高频成分。以第m个测点历史序列,滤波过程为：
步骤21，信号小波分解。选择小波基函数和小波分解层数，按照Mallat算法计算小波系数Wl,k，其中，l表示小波分解层数，k表示平移因子。小波基函数选为“db1”小波基函数，分解层数为4层。
步骤22，阈值处理。在小波域内，信号有用部分小波系数大，而噪声部分小波系数小，因此，可通过设置阈值的方式，若小波系数绝对值小于阈值，则令对应的小波系数为零，如下式
式中，θ表示阈值。
阈值θ采用‘sqtwolog’规则计算得到，如下式
式中，n表示历史数据个数。
步骤23，信号重构。根据阈值出力后得到的出力小波系数
通过小波逆变换实现信号重构，获得各测点历史数据滤除高频噪声后的同长度有用信号。各测点历史数据及采用DWT滤除高频干扰后的有用信号如图2所示。
步骤三：采用PCA实现滤波后的有用信号降维，具体步骤为：
步骤31，将步骤一中所述的测点信号经步骤二滤波后得到的有用信号表示为样本矩阵X
式中，n表示历史数据个数，m表示与一次风机运行相关的测点数，i为测点数据位置索引，j为测点信号索引。
步骤32，对样本矩阵X进行Z-score标准化处理
其中
为测点运行历史数据均值，sj为测点运行历史数据均方差，表示为
Z-score标准化后的样本有用数据集合矩阵记为Z
步骤33，计算样本有用数据集合矩阵Z的相关系数矩阵R。根据下式计算样本有用数据集合矩阵Z中任意两序列zc＝[z1cL zicL znc]T与zd＝[z1dL zidL znd]T间相关系数：
式中，
为序列zc的平均值，
为序列zd的平均值；
由相关系数构造相关系数矩阵R如下
步骤34，根据矩阵运算，计算相关系数矩阵R的特征值λ和特征向量v。
步骤35，计算各参数变量的贡献率αj，对特征值λj从大到小进行排序，使得λ1≥λ2≥…≥λm，则各特征值对应的各参数变量的贡献率计算公式为：
步骤36，根据累积贡献率确定主元信号，主元信号是样本有用数据集合矩阵Z信号的一种线性组合，主元信号中包含了样本有用数据集合矩阵Z信号的大量特征，通过累积贡献率确定需要保留的主元信号数，并通过矩阵变换将样本有用数据集合矩阵Z变为压缩后的样本有用数据矩阵Z’，具体步骤如下：
①令p＝1，根据下式计算第一个主元的累积贡献率
②令p＝p+1，根据上式计算前p个主元的累计贡献率；
③判断ηp≥95％是否成立，如成立，则p为保留主元数，否则，跳转到步骤②；
④由前p个相关系数矩阵R的特征向量构造变换矩阵P，P＝[v1,...,vp]，由Z’＝ZP，将n×m的样本有用数据集合矩阵Z压缩为n×p的样本有用数据矩阵Z’。
采用PCA提取15维测量数据中的主元，累计贡献率随主元个数的变化规律如图3所示。从图3的主元个数与累计贡献率关系图可看出，主元数为5时，主元累计贡献率大于95％。
⑤由前5个相关系数矩阵R的特征向量构造变换矩阵P，P＝[v1,...,v5]，由Z’＝ZP，将n×15矩阵Z压缩为n×5矩阵Z’。
步骤四：设置聚类中心数为2000，基于K-means++构建记忆矩阵D，步骤为：
步骤41，由样本有用数据矩阵Z’组成初始记忆矩阵Dini
步骤42，确定第一个质心，从初始记忆矩阵Dini中随机选择一行测点样本作为第一个质心c1，计算初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt＝[z’t1,…,z’tp]到c1的距离，记为d(zt,c1)，令质心计算器s＝1；
步骤43，确定第二个质心，将初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt为第二个质心的概率记为pt,2，根据下式计算pt,2后，按照所得概率分布从初始记忆矩阵Dini中随机选择一行测点样本第二个质心c2,令质心计算器s＝2；
步骤44，确定第s个质心；令质心计算器s＝s+1,计算初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt至任一质心css，ss∈[1,2,…,s-1]的距离，并将样本分配给距离最近的质心css；样本分配完成后，将质心css所包含的样本集合记为Css；将初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt为第s个质心的概率记为pt,s，根据下式计算pt,s后，按照所得概率分布从初始记忆矩阵Dini中随机选择一行测点样本第s个质心cs；
式中，{h；zh∈Css}表示任意属于集合Css的样本，h为集合Css的样本索引。
步骤45，重复步骤44，直到s＝nd，nd为记忆矩阵D保留的样本数；
步骤46，计算初始记忆矩阵Dini中剩余行至任一质心cds，ds∈[1,2,…,nd]的距离，并将其分配至距离最短的质心；用C’ds表示第ds个质心所含样本集合，计算C’ds各列均值，并将其赋值给cds；
步骤47，重复步骤46，直到质心分配不变，或达到最大迭代次数，由各个质心组成记忆矩阵D
D＝[c1,c2,…,cnd-1,cnd]T。
步骤五：利用步骤四的记忆矩阵计算偏离度阈值；具体过程为：
从初始记忆矩阵Dini中选取nl个样本组成训练矩阵L，根据下式计算训练样本估计矩阵Lest；
式中，
表示向量间欧式距离计算符。
计算训练样本估计矩阵Lest与训练矩阵L间的偏离度εL，称为训练偏离度
式中，
nl为训练矩阵的样本数；wpi为第pi维主元的权重系数；Lpi、Lest,pi分别表示L、Lest的第pi维元素的对应值；
用tt表示训练偏离度的滑动窗口索引，根据滑动窗口宽度Ws，则tt窗口的训练偏离度均值
为序列εL从tt至Ws+tt元素的平均值，如下式
将训练偏离度均值序列记为
从
中选出其最大值
根据下式计算偏离度阈值EAN
其中δ为故障预警系数，δ≥0.9。
步骤六：一次风机故障预警，具体过程为：
一次风机测量数据经离散小波变换、主成分分析处理后，形成观测矩阵，记为Xobs；根据下式计算一次风机运行状态估计矩阵Xest；
式中，
表示矩阵间欧式距离计算符；
计算状态估计矩阵与观测矩阵Xobs间的偏离度εX，称为观测偏离度
式中，
ll为观测矩阵中的样本数；wpi为第pi维主元的权重系数；Xobs,pi、Xest,pi为Xobs、Xest的第pi维元素的对应值；
用dd表示观测偏离度的滑动窗口索引，根据滑动窗口宽度Ws，则dd窗口的观测偏离度均值
为观测偏离度εX从dd至Ws+dd元素的平均值，如下式
将观测偏离度均值序列记为
从
中选出其最大值
根据
与偏离度阈值EAN间关系确定是否发出预警；若
则发出故障预警。
在某故障情况下，基于MSET的一次风机残差变化趋势如图4所示，从图可知从180点开始，残差开始成增大趋势，当到245点时超过阈值，因此，提前发出故障预警。经查验，轴承振动为2.65mm/s，相比于达到3.5mm/s的报警提前了3小时35分钟，有效实现了故障预警，为运行检修人员故障排查提供了充足的时间。
Claims (7)
1.一种数据去噪降维的一次风机故障预警方法，其特征在于包括如下步骤：
步骤一：从电厂运行历史库中，获取与一次风机运行相关的测点历史数据；
步骤二：采用离散小波变换滤除步骤一测点历史数据中的高频成分；
步骤三：采用主成分分析对步骤二滤波后的数据进行降维；
步骤四：对步骤三降维后的数据基于K-means++构建记忆矩阵D；
步骤五：利用步骤四的记忆矩阵计算偏离度阈值；
步骤六：一次风机故障预警。
2.根据权利要求1所述的聚类型MSET一次风机故障预警方法，其特征在于上述步骤一中从电厂运行历史库中，获取与一次风机运行相关的测点历史数据，所述测点包括：机组负荷、一次风机出口风压、一次风机电流、轴承温度1、轴承温度2、轴承振动1、轴承振动2、电机非轴伸端轴承温度、电机轴伸端轴承温度、电机线圈A相温度1、电机线圈A相温度2、电机线圈B相温度1、电机线圈B相温度2、电机线圈C相温度1、电机线圈C相温度2。
3.根据权利要求2所述的聚类型MSET一次风机故障预警方法，其特征在于上述步骤二中采用离散小波变换滤除步骤一测点历史数据中的高频成分；具体过程为：
步骤21，信号小波分解；选择小波基函数和小波分解层数，按照Mallat算法计算小波系数Wl,k，其中，l表示小波分解层数，k表示平移因子；
步骤22，阈值处理；在小波域内，信号有用部分小波系数大，而噪声部分小波系数小，通过设置阈值的方式，若小波系数绝对值小于阈值，则令对应的小波系数为零，得到下式
式中，θ表示阈值；
阈值θ采用‘sqtwolog’规则计算得到，如下式
式中，n表示历史数据个数；
步骤23，信号重构；根据阈值出力后得到的出力小波系数
通过小波逆变换实现信号重构，获得各测点历史数据滤除高频噪声后的同长度有用信号。
4.根据权利要求3所述的聚类型MSET一次风机故障预警方法，其特征在于上述步骤三中采用主成分分析对步骤二滤波后的数据进行降维；
步骤31，将经过步骤二滤波后得到的有用信号，表示为样本矩阵X
式中，n表示历史数据个数，m表示与一次风机运行相关的测点数，i为测点数据位置索引，j为测点信号索引；
步骤32，样本矩阵X进行Z-score标准化处理
其中
为测点运行历史数据均值，sj为测点运行历史数据均方差；
其中n为历史数据个数；
Z-score标准化后的样本有用数据集合矩阵记为Z；
步骤33，计算样本有用数据集合矩阵Z的相关系数矩阵R；根据下式计算样本有用数据集合矩阵Z中任意两列序列zc＝[z1c…zic…znc]T与zd＝[z1d…zid…znd]T间相关系数；
式中，zic、zid分别表示序列zc、zd中第i个位置对应的元素，
为序列zc的平均值，
为序列zd的平均值；
由相关系数构造的相关系数矩阵R的表达式如下
步骤34，根据矩阵运算，计算相关系数矩阵R的特征值λ和特征向量v；
步骤35，计算各参数变量的贡献率αj，对特征值λj从大到小进行排序,使得λ1≥λ2≥…≥λm，则各特征值对应的各参数变量的贡献率计算公式为：
步骤36，根据累积贡献率确定主元信号，主元信号是样本有用数据集合矩阵Z信号的一种线性组合，主元信号中包含了样本有用数据集合矩阵Z信号的大量特征，通过累积贡献率确定需要保留的主元信号数，并通过矩阵变换将样本有用数据集合矩阵Z变为压缩后的样本有用数据矩阵Z'，具体步骤如下：
①令p＝1，根据下式计算第一个主元的累积贡献率
②令p＝p+1，根据上式计算前p个主元的累计贡献率；
③判断ηp≥95％是否成立，如成立，则p为保留主元数，否则，跳转到步骤②；
④由前p个相关系数矩阵R的特征向量构造变换矩阵P，P＝[v1,...,vp]，由Z'＝ZP，将n×m的样本有用数据集合矩阵Z压缩为n×p的样本有用数据矩阵Z'。
5.根据权利要求4所述的聚类型MSET一次风机故障预警方法，其特征在于上述步骤四中对步骤三降维后的数据基于K-means++构建记忆矩阵D，具体过程为：
步骤41，由样本有用数据矩阵Z'组成初始记忆矩阵Dini；
步骤42，确定第一个质心，从初始记忆矩阵Dini中随机选择一行测点样本作为第一个质心c1，计算初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt＝[z′t1,…,z′tp]到c1的距离，记为d(zt,c1)，令质心计算器s＝1；
步骤43，确定第二个质心，将初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt为第二个质心的概率记为pt,2，根据下式计算pt,2后，按照所得概率分布从初始记忆矩阵Dini中随机选择一行测点样本第二个质心c2,令质心计算器s＝2；
步骤44，确定第s个质心；令质心计算器s＝s+1,计算初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt至任一质心css，ss∈[1,2,…,s-1]的距离，并将样本分配给距离最近的质心css；样本分配完成后，将质心css所包含的样本集合记为Css；将初始记忆矩阵Dini中任一行t∈[1,2,…,n]组成的测点样本zt为第s个质心的概率记为pt,s，根据下式计算pt,s后，按照所得概率分布从初始记忆矩阵Dini中随机选择一行测点样本第s个质心cs；
式中，{h；zh∈Css}表示任意属于集合Css的样本，h为集合Css的样本索引；
步骤45，重复步骤44，直到s＝nd，nd为记忆矩阵D保留的样本数；
步骤46，计算初始记忆矩阵Dini中剩余行至任一质心cds，ds∈[1,2,…,nd]的距离，并将其分配至距离最短的质心；用C'ds表示第ds个质心所含样本集合，计算C'ds各列均值，并将其赋值给cds；
步骤47，重复步骤46，直到质心分配不变，或达到最大迭代次数，由各个质心组成记忆矩阵D
D＝[c1,c2,…,cnd-1,cnd]T。
6.根据权利要求5所述的聚类型MSET一次风机故障预警方法，其特征在于上述步骤五中利用步骤四的记忆矩阵计算偏离度阈值；具体过程为：
从初始记忆矩阵Dini中选取nl个样本组成训练矩阵L，根据下式计算训练样本估计矩阵Lest；
式中，
表示矩阵间欧式距离计算符；
计算训练样本估计矩阵Lest与训练矩阵L间的偏离度εL，称为训练偏离度
式中，
nl为训练矩阵的样本数；wpi为第pi维主元的权重系数；Lpi、Lest,pi分别表示L、Lest的第pi维元素的对应值；
用tt表示训练偏离度的滑动窗口索引，根据滑动窗口宽度Ws，则tt窗口的训练偏离度均值
为序列εL从tt至Ws+tt元素的平均值，如下式
将训练偏离度均值序列记为
从
中选出其最大值
根据下式计算偏离度阈值EAN
其中δ为故障预警系数，δ≥0.9。
7.根据权利要求6所述的聚类型MSET一次风机故障预警方法，其特征在于上述步骤六中的一次风机故障预警，具体过程为：
一次风机测量数据经离散小波变换、主成分分析处理后，形成观测矩阵，记为Xobs；根据下式计算一次风机运行状态估计矩阵Xest；
式中，
表示矩阵间欧式距离计算符；
计算状态估计矩阵与观测矩阵Xobs间的偏离度εX，称为观测偏离度
式中，
ll为观测矩阵中的样本数；wpi为第pi维主元的权重系数；Xobs,pi、Xest,pi为Xobs、Xest的第pi维元素的对应值；
用dd表示观测偏离度的滑动窗口索引，根据滑动窗口宽度Ws，则dd窗口的观测偏离度均值
为观测偏离度εX从dd至Ws+dd元素的平均值，如下式
将观测偏离度均值序列记为
从
中选出其最大值
根据
与偏离度阈值EAN间关系确定是否发出预警；若
则发出故障预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211027358.4A CN115774838A (zh) | 2022-08-25 | 2022-08-25 | 一种数据去噪降维的一次风机故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211027358.4A CN115774838A (zh) | 2022-08-25 | 2022-08-25 | 一种数据去噪降维的一次风机故障预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115774838A true CN115774838A (zh) | 2023-03-10 |
Family
ID=85388371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211027358.4A Withdrawn CN115774838A (zh) | 2022-08-25 | 2022-08-25 | 一种数据去噪降维的一次风机故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115774838A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116453310A (zh) * | 2023-06-14 | 2023-07-18 | 昆山工业大数据创新中心有限公司 | 一种铜排的温度异常报警方法及装置 |
| CN117786399A (zh) * | 2024-02-27 | 2024-03-29 | 广东企禾科技有限公司 | 一种通信设备故障远程在线监测方法及系统 |
-
2022
- 2022-08-25 CN CN202211027358.4A patent/CN115774838A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116453310A (zh) * | 2023-06-14 | 2023-07-18 | 昆山工业大数据创新中心有限公司 | 一种铜排的温度异常报警方法及装置 |
| CN116453310B (zh) * | 2023-06-14 | 2023-09-05 | 昆山工业大数据创新中心有限公司 | 一种铜排的温度异常报警方法及装置 |
| CN117786399A (zh) * | 2024-02-27 | 2024-03-29 | 广东企禾科技有限公司 | 一种通信设备故障远程在线监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115774838A (zh) | 一种数据去噪降维的一次风机故障预警方法 | |
| CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| Rezamand et al. | An integrated feature-based failure prognosis method for wind turbine bearings | |
| CN111709490A (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
| CN108390380B (zh) | 一种变压器状态参量趋势预测方法及系统 | |
| CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
| CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
| CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
| Huang et al. | An adversarial learning approach for machine prognostic health management | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| Gao et al. | Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep belief network | |
| CN112418306B (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
| CN111766513B (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
| CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
| CN111740746A (zh) | 一种风力发电在线故障诊断的数据压缩方法 | |
| Ahmed et al. | Three-stage method for rotating machine health condition monitoring using vibration signals | |
| CN116226679A (zh) | 考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法 | |
| CN115526238A (zh) | 一种基于全工况卷积特征记忆的引风机故障预警方法 | |
| Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
| CN115310216A (zh) | 一种基于优化XGBoost的磨煤机故障预警方法 | |
| CN113946977A (zh) | 一种基于决策树算法预警风机变桨故障的应用方法 | |
| CN116993322A (zh) | 一种基于卷积网络的故障诊断方法及系统 | |
| CN117688300A (zh) | 一种燃气轮机联合循环机组多变量稳态辨识方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230310 |
|
| WW01 | Invention patent application withdrawn after publication |