CN115952404A - 一种水电机组故障预警方法、装置及终端 - Google Patents
一种水电机组故障预警方法、装置及终端 Download PDFInfo
- Publication number
- CN115952404A CN115952404A CN202211535534.5A CN202211535534A CN115952404A CN 115952404 A CN115952404 A CN 115952404A CN 202211535534 A CN202211535534 A CN 202211535534A CN 115952404 A CN115952404 A CN 115952404A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- generating set
- hydroelectric generating
- early warning
- normal
- 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
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Control Of Water Turbines (AREA)
Abstract
本发明公开一种水电机组故障预警方法、装置及终端,获取水电机组正常状态下的正常振动信号样本集,根据所述振动信号样本集提取振动信号特征;根据所述正常振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态;以水电机组正常状态振动信号特征为切入点,挖掘机组早期故障征兆,并在故障萌发阶段及时预警,能够提高水电机组故障预警的准确度。
Description
技术领域
本发明涉及水电机组故障预警领域,尤其涉及一种水电机组故障预警方法、装置及终端。
背景技术
水电对保障电网安全稳定运行将发挥更加重要的作用。水电机组是水电能源转换的关键设备,其运行状态直接关系到水电能源转换效率。水电站的安全性和电网稳定性,掌握水电机组实时运行状态,及时发现故障征兆,并对设备故障做出快速精准的判断具有重要意义。
近年来,我国水电机组呈现向大型化、高集成化和智能化方向发展的趋势,机组部件结构日趋复杂,状态监测内容不断增多,状态维护工作更加繁重。目前,水电机组状态监测技术成熟,应用广泛,数据平台积累了海量机组运行数据,但这些数据缺乏科学有效的分析和利用,未能充分发挥其重要价值。随着水电站智能化建设不断推进,水电机组故障预警和诊断相关工作受到重视,为实现高效经济的预警和诊断,迫切需要提高数据利用率,挖掘数据中隐含的机组状态信息。
而在社会需求以及科学技术的带动下,故障诊断技术与系统的快速发展为水电机组依据其运行状态来进行实时监测与检修提供了实现的可能性,因此对水电机组故障诊断技术的研究就显得十分必要。
发明内容
本发明所要解决的技术问题是:提供一种水电机组故障预警方法、装置及终端,能够提高水电机组故障预警的准确度。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种水电机组故障预警方法,包括步骤:
S1、获取水电机组正常状态下的正常振动信号样本集,根据所述振动信号样本集提取振动信号特征;
S2、根据所述正常振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
S3、根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
S4、接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种水电机组故障预警装置,包括:
数据采集模块,用于获取水电机组正常状态下的正常振动信号样本集,根据所述正常振动信号样本集提取振动信号特征;
机组健康模型训练模块,用于根据所述振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
预警阈值计算模块,用于根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
故障预警模块,用于接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种水电机组故障预警终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述水电机组故障预警方法中的各个步骤。
本发明的有益效果在于:采用根据水电机组正常状态下的正常振动信号样本集提取的振动信号特征训练稀疏自编码器,得到能够量化水电机组振动状态异常变化程度的机组健康模型,基于该机组健康模型量化待预警的水电机组的振动信号样本对应的各个振动测点状态异常变化程度,并基于水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组合理的故障预警阈值,通过将各个振动测点状态异常变化程度与故障预警阈值比对来确定待预警的水电机组的工作状态,以水电机组正常状态振动信号特征为切入点,挖掘机组早期故障征兆,并在故障萌发阶段及时预警,能够提高水电机组故障预警的准确度,对于提升机组状态维护水平,遏制故障蔓延具有重要意义。
附图说明
图1为本发明实施例的一种水电机组故障预警方法的步骤流程图;
图2为本发明实施例的一种水电机组故障预警装置的结构示意图;
图3为本发明实施例的一种水电机组故障预警终端的结构示意图;
图4为本发明实施例的稀疏自编码器的结构示意图;
图5为本发明实施例的一种水电机组故障预警方法的实现框图;
图6为本发明实施例的一种水电机组故障预警方法的详细步骤流程图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,一种水电机组故障预警方法,包括步骤:
S1、获取水电机组正常状态下的正常振动信号样本集,根据所述振动信号样本集提取振动信号特征;
S2、根据所述正常振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
S3、根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
S4、接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态。
由上述描述可知,本发明的有益效果在于:采用根据水电机组正常状态下的正常振动信号样本集提取的振动信号特征训练稀疏自编码器,得到能够量化水电机组振动状态异常变化程度的机组健康模型,基于该机组健康模型量化待预警的水电机组的振动信号样本对应的各个振动测点状态异常变化程度,并基于水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组合理的故障预警阈值,通过将各个振动测点状态异常变化程度与故障预警阈值比对来确定待预警的水电机组的工作状态,以水电机组正常状态振动信号特征为切入点,挖掘机组早期故障征兆,并在故障萌发阶段及时预警,能够提高水电机组故障预警的准确度,对于提升机组状态维护水平,遏制故障蔓延具有重要意义。
进一步地,所述根据所述振动信号样本集提取振动信号特征包括:
S11、将所述振动信号样本集中的振动信号样本加入随机白噪声,得到合成信号;
S12、采用线性外推法对所述合成信号进行端点延拓;
S13、对所述端点延拓后的合成信号进行EEMD分解,得到本征模态分量信号;
S14、重复执行预设次数的步骤S11-S13,每次加入不同的随机白噪声;
S15、将预设次数得到的本征模态分量信号进行均值运算,得到振动信号特征。
由上述描述可知,采用改进EEMD算法提取振动信号特征能够抑制传统EEMD地端点效应问题,保证了所提取的振动信号特征的准确性,从而能够进一步提高水电机组故障预警的准确度。
进一步地,所述根据所述振动信号特征训练稀疏自编码器包括:
接收特征参数确定请求,所述特征参数确定请求包括多个特征参数;
采用聚类方法根据所述振动信号特征确定所述特征参数确定请求中的每个特征参数对应的评价指标值;
选取评价指标值最大的特征参数作为目标特征参数;
根据所述振动信号特征构建所述目标特征参数,根据所述目标特征参数训练稀疏自编码器。
由上述描述可知,通过接收特征参数确定请求,特征参数确定请求中包含了待确定的多个特征参数,采用聚类方法确定每个特征参数对应的评价指标值,选择评价指标值最大的特征参数作为最终确定的目标特征参数,一方面用户可以自主确定要确定的特征参数类型,另一方面通过聚类方法确定评价指标值,并选择评价指标值最大的特征参数为目标参数,既提高了特征参数确定的灵活性,也保证能够选择出分类效果最好的特征作为后续故障预警的依据,从而保证预警效果。
进一步地,所述采用聚类方法根据所述振动信号特征确定所述特征参数确定请求中的每个特征参数对应的评价指标值包括:
每个特征参数对应的评价指标值s(k)的计算方法如下:
式中,N为数据集样本数,k为所述数据集样本的簇类个数,Tr(Bk),Tr(Wk)分别为簇间散度矩阵和簇类散度矩阵的迹,所述数据集为根据所选取的特征参数构建的振动信号的对应特征参数集;
式中,nq为簇类q的样本数,cq为簇类q的中心,ce为所述数据集的中心,cq为簇类q的样本集,x为cq中的一个样本。
由上述描述可知,采用上述评价指标值的计算方法能够保证所计算出来的评价指标的合理性和客观性,保证了最终确定的特征参数的准确性和可靠性。
进一步地,所述根据所述振动信号特征训练稀疏自编码器包括:
根据所述振动信号特征构建正常本征模态分量标准差序列;
根据所述正常本征模态分量标准差序列训练稀疏自编码器。
由上述描述可知,在各种特征参数中,正常本征模态分量标准差序列聚类效果最好,并且计算耗时相对较短,将其作为水电机组故障预警识别的依据,能够保证水电机组故障预警准确性和效率性。
进一步地,设定一个代价函数,用以衡量自编码器训练过程中的误差,自编码器的参数通过最小化代价函数而优化,网络训练的目标是减小误差,且误差会被反向传播回隐藏层,使得网络参数得到调整优化,所述稀疏自编码器的代价函数ζ为:
式中,Z=[z(1),…,z(N)]表示所有正常本征模态分量标准差序列训练样本的编码,N表示训练样本数,ρ(Z)为稀疏性度量函数,用于定义一组训练样本中每一个神经元激活的概率,η表示稀疏操作中的权重系数,用于控制稀疏性度量函数的权重,W为稀疏自编码器中的参数,y为稀疏自编码器的输入,y’为稀疏自编码器的输出。
进一步地,稀疏性度量函数定义为:
由上述描述可知,通过构建上述的稀疏自编码器的目标函数,能够保证在训练稀疏自编码器的过程中,使得收敛速度快,并且最终收敛的训练好的稀疏自编码器模型可靠性高。
进一步地,所述步骤S3包括:
将所述水电机组正常状态下的正常振动信号样本集中的正常振动信号样本输入至所述机组健康模型,确定所述正常振动信号样本对应的输出信号值;
根据所述正常振动信号样本和其对应的输出信号值确定重构误差;
根据所述重构误差确定所述水电机组的故障预警阈值。
由上述描述可知,稀疏自编码器能够通过最小化重构错误来学习一组数据的关键特征,对于训练完成的稀疏自编码器,其代价函数满足误差要求,网络参数和特性已经能够较好地重构输入的训练样本;将其他样本输入该稀疏自编码器时,根据所述正常振动信号样本和其对应的输出信号值确定重构误差值越大,则输入样本与训练样本的差异越大,从而实现不同样本与训练样本的差异度量,当有异常样本输入时,模型重构误差将发生较大变化,进而量化当前输入样本与正常样本的差异,从而得到当前输入样本偏离正常状态的程度,据此就能够确定水电机组地故障预警阈值,保证了所确定出的当前输入样本偏离正常状态的程度的准确性与客观性。
请参照图2,一种水电机组故障预警装置,包括:
数据采集模块,用于获取水电机组正常状态下的正常振动信号样本集,根据所述正常振动信号样本集提取振动信号特征;
机组健康模型训练模块,用于根据所述振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
预警阈值计算模块,用于根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
故障预警模块,用于接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态。
请参照图3,一种水电机组故障预警终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述水电机组故障预警方法中的各个步骤。
本申请上述水电机组故障预警方法、装置及终端能够适用于对水电机组的故障进行预警的场景中,以下通过具体实施方式进行说明:
实施例一
请参照图1,一种水电机组故障预警方法,包括步骤:
S1、获取水电机组正常状态下的正常振动信号样本集,根据所述振动信号样本集提取振动信号特征;
具体地,建立水电机组正常状态样本集:
获取水电机组运行状态良好时段的历史数据,并按照稳态运行工况的定义筛选出在工况区间k内的监测数据,形成正常状态样本集A∈RN×M,其中,N为样本个数,M为样本包含的监测变量个数),每个样本ai∈RN×M应包含关键部件的振动波形数据,如各部导轴承摆度波形数据等,并对每一个测点信号的振动信号进行EEMD分解(Ensemble Empirical ModeDecomposition,聚合经验模态分解),得到分解出来的K个本征模态IMF(Intrinsic ModeFunction)分量,其构造过程如下:
S11、将所述振动信号样本集中的振动信号样本,即目标信号x(t)中加入随机白噪声n(t),得到合成信号s(t):
s(t)=n(t)+x(t)
S12、采用线性外推法对所述合成信号进行端点延拓;
S13、对所述端点延拓后的合成信号进行EEMD分解,得到本征模态分量信号;
即对合成信号s(t)进行EEMD分解,得到各阶IMF:
其中,m为IMF的个数,i表示IMF分量的第i阶,ci(t)和r(t)分别表示IMF和残差;
S14、重复执行预设次数Ne(Ne表示聚合次数)的步骤S11-S13,每次加入不同的随机白噪声;
S15、将预设次数得到的本征模态分量信号进行均值运算,得到振动信号特征;
即将所得各阶IMF的均值作为最终结果:
其中,j表示第j次执行;
其中,针对EEMD分解算法存在的模态混叠和端点效应,采用线性外推法进行端点延拓的改进型EEMD分解算法如下:
(1)给定s(t),确定s(t)的所有极值点,采用三次样条曲线,将所有极大值点相连形成上包络线,将所有极小值点相连形成下包络线,用m11表示上下包络线的均值,用s(t)减去m11得到新的数据序列h1,即:
h10=s(t)-m11
将h10视为新的s(t),重复上述步骤,得到h11,即:
h11=h10-m12
m12是与m11对应的给定信号为h10时的上下包络线的均值,继续重复上述步骤,直至第k次筛选后得到h1k满足IMF的两个条件(①极值点和过零点的数目应该相等,或者最多差一个,②局部最大和局部最小的上下包络线均值为0),则h1k作为从原始信号筛选出的第一阶IMF,记为c1:
h1(k-1)-m1k=h1k=c1
c1通常包含原始信号的最高频成分,为避免过度筛选导致所得IMF丧失幅值和频率调制的物理意义,必须制定筛选停止标准,对相邻两次筛选结果的标准差(记为SD)设置限制规则,使筛选停止:
SD的经验取值范围一般为0.2~0.3,T表示给定的离散信号s(t)的采样时间点,t=1,2,……,T;
(2)把c1从s(t)中分离出去,剩下的为差值信号r1,即:
r1=s(t)-c1
将r1视为新的分解对象,重复步骤(1),继续筛分,当第m阶残余信号成为单调函数,无法再筛分出IMF分量时,停止筛分。该过程可表示为:
(3)由s(t)分解得到IMF分量c1(t),c2(t),…,cm(t)和一个残余项r(t),数学上,s(t)可以表示为:
式中,r(t)表征信号中的常量或平均趋势,c1(t),c2(t),…,cm(t)分别代表原信号从高到低不同频率段的成分;
S2、根据所述正常振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
其中,为了选择训练稀疏自编码器的特征参数:
在一个可选的实施方式中,所述根据所述振动信号特征训练稀疏自编码器包括:
接收特征参数确定请求,所述特征参数确定请求包括多个特征参数,比如包括所选取得IFM特征参数包括标准差、峰峰值、平均值、峭度、偏度、排列熵、模糊熵、近似熵、样本熵和能量熵;
采用聚类方法根据所述振动信号特征确定所述特征参数确定请求中的每个特征参数对应的评价指标值;
选取评价指标值最大的特征参数作为目标特征参数;
根据所述振动信号特征构建所述目标特征参数,根据所述目标特征参数训练稀疏自编码器;
其中,所述采用聚类方法根据所述振动信号特征确定所述特征参数确定请求中的每个特征参数对应的评价指标值包括:
每个特征参数对应的评价指标值s(k)的计算方法如下:
式中,N为数据集样本数,k为所述数据集样本的簇类个数,Tr(Bk),Tr(Wk)分别为簇间散度矩阵和簇类散度矩阵的迹,所述数据集为根据所选取的特征参数构建的振动信号的对应特征参数集;
式中,nq为簇类q的样本数,cq为簇类q的中心,ce为所述数据集的中心,cq为簇类q的样本集,x为cq中的一个样本;
在另一个可选的实施方式中,所述根据所述振动信号特征训练稀疏自编码器包括:
根据所述振动信号特征构建正常本征模态分量标准差序列;
根据所述正常本征模态分量标准差序列训练稀疏自编码器;
在各种特征参数中,采用上述评价指标值s(k)的计算方法计算的IMF标准差的指数最高,聚类效果最好,且计算耗时相对较短,因此,本实施方式将IMF标准差序列作为水电机组故障预警识别的依据,即最后计算各IMF模态分量的标准差:
在另一个可选的实施方式中,所述根据所述正常本征模态分量标准差序列训练稀疏自编码器包括:
根据深度学习的一般模式,构建稀疏自编码器的代价函数ζ:
式中,Z=[z(1),…,z(N)]表示所有正常本征模态分量标准差序列训练样本的编码,N表示训练样本数,ρ(Z)为稀疏性度量函数,用于定义一组训练样本中每一个神经元激活的概率,η表示稀疏操作中的权重系数,用于控制稀疏性度量函数的权重,W为稀疏自编码器中的参数,y为稀疏自编码器的输入,y’为稀疏自编码器的输出;
其中,稀疏性度量函数定义为:
式中,为隐藏层第j个神经元的平均激活值,p为隐藏层的神经元个数,ρ*是一个常数,表示稀疏性参数,通常是一个接近于0的较小的值,如取ρ*=0.05,为了使得模型比较稀疏,平均激活值需要尽可能接近稀疏性参数。
采用同一工况下水电机组正常状态振动信号的每一个IMF模态分量的标准差序列,对稀疏自编码器SAE(Sparse Auto-Encoder)进行训练,通过给自编码器中隐藏层单元z加上稀疏性限值,自编码器可以学习到数据中的关键结构;
S3、根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
具体地,将所述水电机组正常状态下的正常振动信号样本集中的正常振动信号样本输入至所述机组健康模型,确定所述正常振动信号样本对应的输出信号值;
根据所述正常振动信号样本和其对应的输出信号值确定重构误差;
根据所述重构误差确定所述水电机组的故障预警阈值;
其中,自编码器可以学习输入数据的隐含特征,称之为编码,同时可用习得特征重构出原始输入数据,称之为解码,如图4所示为自编码器的结构示意图;
(2)稀疏自编码器通过最小化重构误差来学习一组数据的关键特征,对于某个输入样本Y=y1,y2,...,yN,其重构误差(Reconstruction Error,RE)为:
式中,Y′=y1′,y′2,...,y′N为SAE的输出,对于训练完成的SAE,其代价函数满足误差要求,网络参数和特性已经能够较好地重构输入的训练样本;
更进一步地,利用训练出来的SAE模型计算IMF标准差序列的重构误差作为特征量,量化未知样本与正常样本的时频特征差异:
式中,Std1,Std2,…,Stdn为输入SAE的IMF标准差序列,Std1′,Std2′,…,Stdn′为SAE输出的IMF标准差序列,n为振动信号分解所得的IMF个数;
给定各测点的正常样本训练SAE,对于训练完成的SAE作为机组健康模型,将其他样本输入该SAE时,RE值越大,输入样本与训练样本的差异越大,从而实现不同样本与训练样本的差异度量,当有异常样本输入时,模型重构误差将发生较大变化,进而量化当前输入样本与正常样本的差异,得到当前输入样本偏离正常状态的程度,得到测点振动信号特征量,掌握机组各测点的振动状态,实现故障预警;
其中,在计算水电机组的故障预警阈值时,用以界定水电机组正常状态和故障预警状态:CIθ=δCImed,式中,CImed为水电机组正常状态总体预警指标的中位数,即所有正常振动信号样本和其对应的输出信号值所得到的重构误差值集合中的中位数,δ为放大系数,在一个可选的实施方式中,取δ=1.6;
当样本的特征量超出计算的预警阈值时,说明设备可能出现早期故障征兆,执行故障预警动作;否则,说明设备处于正常状态;
S4、接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态;
具体地,在接收到待预警的水电机组的振动信号样本后,按照步骤S1和S2中的方法采用改进型EEMD算法提取待预警的水电机组的振动信号样本中的振动信号特征,并构建振动信号IMF标准差序列,将构建的振动信号IMF标准差序列输入到机组健康模型中,得到对应的输出值,然后根据振动信号IMF标准差序列和输出值确定重构误差,作为振动信号IMF标准差序列对应的特征量;
将该特征量与步骤S3确定出的水电机组的故障预警阈值进行比对,若该特征值超出水电机组的故障预警阈值,则设备可能出现早期故障征兆,执行故障预警动作;否则,说明设备处于正常状态,继续计算下一时刻的预警指标;
整个水电机组故障预警方法的实现框图如图5所示;
整个水电机组故障预警方法的步骤流程图如图6所示。
实施例二
请参照图2,一种水电机组故障预警装置,包括:
数据采集模块,用于获取水电机组正常状态下的正常振动信号样本集,根据所述正常振动信号样本集提取振动信号特征;
机组健康模型训练模块,用于根据所述振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
预警阈值计算模块,用于根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
故障预警模块,用于接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态;
该水电机组故障预警装置的各个模块分别与实施例一的各个方法步骤一一对应,即数据采集模块用于实现步骤S1,机组健康模型训练模块用于实现步骤S2,预警阈值计算模块用于实现步骤S3,故障预警模块用于实现步骤S4。
实施例三
请参照图3,一种水电机组故障预警终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一或实施例二所述的一种水电机组故障预警方法中的各个步骤。
综上所述,本发明提供的一种水电机组故障预警方法、装置及终端,将改进型EEMD算法和稀疏自编码器相结合形成更为精准高效的算法,首先根据水电机组振动信号主要特点,确定了特征量构建思路,随后引入无监督学习技术,建立了特征量计算模型,采用正常样本IMF标准差序列训练该模型,将模型重构误差作为特征量,实现了测点振动状态异常变化程度的量化,凸显了机组早期故障迹象,之后,在总结分析水电机组故障特点的前提下,确立了故障预警目标,进而计算各测点特征量得到的预警指标,并计算和设置预警阈值,实现故障预警;利用机器学习领域的稀疏自编码器模型和聚合经验模态分解算法来构建水电机组故障预警模型,充分利用水电机组正常状态振动信号时频特征,引入自编码器方法,研究水电机组振动信号特征量计算模型,通过量化机组不同测点振动状态异常变化程度,用于水电机组故障预警,以一种新的方式将无监督特征学习算法运用到水电机组的故障预警中来,以达到相对更好的水电机组故障预警效果;以水电机组正常状态振动信号特征为切入点,挖掘机组早期故障征兆,并在故障萌发阶段及时预警,能够提高水电机组故障预警的准确度,对于提升机组状态维护水平,遏制故障蔓延具有重要意义。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水电机组故障预警方法,其特征在于,包括步骤:
S1、获取水电机组正常状态下的正常振动信号样本集,根据所述振动信号样本集提取振动信号特征;
S2、根据所述正常振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
S3、根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
S4、接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态。
2.根据权利要求1所述的一种水电机组故障预警方法,其特征在于,所述根据所述振动信号样本集提取振动信号特征包括:
S11、将所述振动信号样本集中的振动信号样本加入随机白噪声,得到合成信号;
S12、采用线性外推法对所述合成信号进行端点延拓;
S13、对所述端点延拓后的合成信号进行EEMD分解,得到本征模态分量信号;
S14、重复执行预设次数的步骤S11-S13,每次加入不同的随机白噪声;
S15、将预设次数得到的本征模态分量信号进行均值运算,得到振动信号特征。
3.根据权利要求1所述的一种水电机组故障预警方法,其特征在于,所述根据所述振动信号特征训练稀疏自编码器包括:
接收特征参数确定请求,所述特征参数确定请求包括多个特征参数;
采用聚类方法根据所述振动信号特征确定所述特征参数确定请求中的每个特征参数对应的评价指标值;
选取评价指标值最大的特征参数作为目标特征参数;
根据所述振动信号特征构建所述目标特征参数,根据所述目标特征参数训练稀疏自编码器。
5.根据权利要求1或2所述的一种水电机组故障预警方法,其特征在于,所述根据所述振动信号特征训练稀疏自编码器包括:
根据所述振动信号特征构建正常本征模态分量标准差序列;
根据所述正常本征模态分量标准差序列训练稀疏自编码器。
8.根据权利要求1至4中任一项所述的一种水电机组故障预警方法,其特征在于,所述步骤S3包括:
将所述水电机组正常状态下的正常振动信号样本集中的正常振动信号样本输入至所述机组健康模型,确定所述正常振动信号样本对应的输出信号值;
根据所述正常振动信号样本和其对应的输出信号值确定重构误差;
根据所述重构误差确定所述水电机组的故障预警阈值。
9.一种水电机组故障预警装置,其特征在于,包括:
数据采集模块,用于获取水电机组正常状态下的正常振动信号样本集,根据所述正常振动信号样本集提取振动信号特征;
机组健康模型训练模块,用于根据所述振动信号特征训练稀疏自编码器,将训练好的稀疏自编码器作为机组健康模型;
预警阈值计算模块,用于根据所述水电机组正常状态下的正常振动信号样本集和所述机组健康模型确定所述水电机组的故障预警阈值;
故障预警模块,用于接收待预警的水电机组的振动信号样本,将所述振动信号样本输入所述机组健康模型,确定对应的特征量,根据所述特征量与所述故障预警阈值确定所述待预警的水电机组的工作状态。
10.一种水电机组故障预警终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的一种水电机组故障预警方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535534.5A CN115952404A (zh) | 2022-11-30 | 2022-11-30 | 一种水电机组故障预警方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535534.5A CN115952404A (zh) | 2022-11-30 | 2022-11-30 | 一种水电机组故障预警方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115952404A true CN115952404A (zh) | 2023-04-11 |
Family
ID=87295901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211535534.5A Pending CN115952404A (zh) | 2022-11-30 | 2022-11-30 | 一种水电机组故障预警方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668739A (zh) * | 2024-02-01 | 2024-03-08 | 中国水利水电科学研究院 | 基于特征样本的水电机组故障诊断方法和系统 |
-
2022
- 2022-11-30 CN CN202211535534.5A patent/CN115952404A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668739A (zh) * | 2024-02-01 | 2024-03-08 | 中国水利水电科学研究院 | 基于特征样本的水电机组故障诊断方法和系统 |
CN117668739B (zh) * | 2024-02-01 | 2024-04-26 | 中国水利水电科学研究院 | 基于特征样本的水电机组故障诊断方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784325B (zh) | 基于数据驱动增量融合的螺旋式故障诊断方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN111562358A (zh) | 基于联合模型的变压器油中气体含量预测方法及系统 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN115952404A (zh) | 一种水电机组故障预警方法、装置及终端 | |
CN107247888A (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN116151114A (zh) | 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 | |
CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
CN115271225A (zh) | 一种基于小波降噪和神经网络的风力-风功率建模方法 | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
CN111932081A (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115630612A (zh) | 一种基于vae与wgan的软件度量缺陷数据增广方法 | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 |
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 |