CN116578937A - 水电机组健康状态的评估方法、装置、设备及存储介质 - Google Patents
水电机组健康状态的评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116578937A CN116578937A CN202310339837.8A CN202310339837A CN116578937A CN 116578937 A CN116578937 A CN 116578937A CN 202310339837 A CN202310339837 A CN 202310339837A CN 116578937 A CN116578937 A CN 116578937A
- Authority
- CN
- China
- Prior art keywords
- health
- characteristic value
- current
- data
- generating set
- 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
- 230000036541 health Effects 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012880 independent component analysis Methods 0.000 claims abstract description 68
- 238000001914 filtration Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 21
- 230000003862 health status Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000000926 separation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000018553 tannin Nutrition 0.000 description 1
- 229920001864 tannin Polymers 0.000 description 1
- 239000001648 tannin Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种水电机组健康状态的评估方法、装置、设备及存储介质。其中，该方法包括：获取水电机组的当前运行数据；对当前运行数据进行独立成分分析ICA处理，获取水电机组的当前健康值和当前独立滤波相关IFC特征值；获取水电机组的健康样本特征值和IFC状态特征值；基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。通过本申请的技术方案，实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
Description
技术领域
本申请涉及水电机组技术领域，尤其涉及一种水电机组健康状态的评估方法、装置、设备及存储介质。
背景技术
相关技术中，通常将水电机组的当前运行数据与健康基准值和阈值进行对比，并根据对比结果对水电机组的健康状态进行评估。稳态工况下运行的水电机组状态监测参数服从正态分布，可根据正态分布的理论设定上述健康基准值和阈值。但当水电机组健康状态发生改变时，水电机组运行数据很难满足正态分布的要求，上述常规方法很难起到实际的评估效果。
发明内容
本申请提供了一种水电机组健康状态的评估方法、装置、设备及存储介质。可以实现对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
第一方面，本申请实施例提供一种水电机组健康状态的评估方法，包括：获取水电机组的当前运行数据；对所述当前运行数据进行独立成分分析ICA处理，获取所述水电机组的当前健康值和当前独立滤波相关IFC特征值；获取所述水电机组的健康样本特征值和IFC状态特征值；基于所述当前健康值、所述当前IFC特征值、所述健康样本特征值和所述IFC状态特征值，对所述水电机组的健康状态进行评估。
在该技术方案中，可以对水电机组的当前运行数据进行ICA处理，获取水电机组的当前健康值和当前独立滤波相关IFC特征值，从而基于当前健康值、当前IFC特征值和获取的健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
在一种实现方式中，所述对所述当前运行数据进行独立成分分析ICA处理，获取所述水电机组的当前健康值和当前独立滤波相关IFC特征值，包括：将所述当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据；基于所述基滤波健康特征数据获取所述当前健康值；基于所述基滤波影响特征数据和ICA基滤波器，获取所述当前IFC特征值。
在一种可选地实现方式中，所述基于所述基滤波影响特征数据和ICA基滤波器，获取所述当前IFC特征值，包括：将所述基滤波影响特征数据输入所述ICA基滤波器，获取滤波系数；基于所述滤波系数获取所述滤波系数所组成向量之间的相关系数；基于所述相关系数获取所述当前IFC特征值。
在该技术方案中，可以对水电机组的当前运行数据进行ICA分解，并基于ICA基滤波器对分解得到的数据进行处理，以获取当前健康值和当前IFC特征值，从而基于当前健康值、当前IFC特征值和获取的健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
在一种实现方式中，所述健康样本特征值包括第一健康样本特征值和第二健康样本特征值，所述获取所述水电机组的健康样本特征值和IFC状态特征值，包括：获取所述水电机组的健康样本数据；基于所述健康样本数据获取第一健康样本数据和第二健康样本数据；其中，所述第一健康样本数据满足高斯分布，所述第二健康样本数据不满足高斯分布；基于所述第一健康样本数据获取所述第一健康样本特征值；对所述第二健康样本数据进行ICA处理，获取所述第二健康样本特征值和所述IFC状态特征值。
在一种可选地实现方式中，所述基于所述当前健康值、所述当前IFC特征值、所述健康样本特征值和所述IFC状态特征值，对所述水电机组的健康状态进行评估，包括：基于所述当前健康值、所述第一健康样本特征值和所述第二健康样本特征值进行劣化度分析，获得第一健康状态评估值；基于所述当前IFC特征值和所述IFC状态特征值进行偏离程度分析，获得第二健康状态评估值；基于所述第一健康状态评估值和所述第二健康状态评估值，获取所述水电机组的健康状态评估结果。
第二方面，本申请实施例提供一种水电机组健康状态的评估装置，包括：获取模块，用于获取水电机组的当前运行数据；第一处理模块，用于对所述当前运行数据进行独立成分分析ICA处理，获取所述水电机组的当前健康值和当前独立滤波相关IFC特征值；第二处理模块，用于获取所述水电机组的健康样本特征值和IFC状态特征值；评估模块，用于基于所述当前健康值、所述当前IFC特征值、所述健康样本特征值和所述IFC状态特征值，对所述水电机组的健康状态进行评估。
在一种实现方式中，所述第一处理模块具体用于：将所述当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据；基于所述基滤波健康特征数据获取所述当前健康值；基于所述基滤波影响特征数据和ICA基滤波器，获取所述当前IFC特征值。
在一种可选地实现方式中，所述第一处理模块具体用于：将所述基滤波影响特征数据输入所述ICA基滤波器，获取滤波系数；基于所述滤波系数获取所述滤波系数所组成向量之间的相关系数；基于所述相关系数获取所述当前IFC特征值。
在一种实现方式中，所述第二处理模块具体用于：获取所述水电机组的健康样本数据；基于所述健康样本数据获取第一健康样本数据和第二健康样本数据；其中，所述第一健康样本数据满足高斯分布，所述第二健康样本数据不满足高斯分布；基于所述第一健康样本数据获取所述第一健康样本特征值；对所述第二健康样本数据进行ICA处理，获取所述第二健康样本特征值和所述IFC状态特征值。
在一种可选地实现方式中，所述评估模块具体用于：基于所述当前健康值、所述第一健康样本特征值和所述第二健康样本特征值进行劣化度分析，获得第一健康状态评估值；基于所述当前IFC特征值和所述IFC状态特征值进行偏离程度分析，获得第二健康状态评估值；基于所述第一健康状态评估值和所述第二健康状态评估值，获取所述水电机组的健康状态评估结果。
第三方面，本申请实施例提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的水电机组健康状态的评估方法。
第四方面，本申请实施例提供一种计算机可读存储介质，用于存储有指令，当所述指令被执行时，使如第一方面所述的方法被实现。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面所述的水电机组健康状态的评估方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的一种水电机组健康状态的评估方法的示意图；
图2是本申请实施例提供的另一种水电机组健康状态的评估方法的示意图；
图3是本申请实施例提供的又一种水电机组健康状态的评估方法的示意图；
图4是本申请实施例提供的一种水电机组健康状态的评估流程的示意图；
图5是本申请实施例提供的一种水电机组健康状态的评估装置的示意图；
图6是可以用来实施本申请的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
其中，在本申请的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。
请参见图1，图1是本申请实施例提供的一种水电机组健康状态的评估方法的示意图。如图1所示，该方法可以包括但不限于以下步骤：
步骤S101：获取水电机组的当前运行数据。
举例而言，获取水电机组的运行特征参数数据，作为水电机组当前时刻的运行数据。
其中，在本申请的实施例中，当前运行数据包括水电机组的振动参数数据。
步骤S102：对当前运行数据进行独立成分分析ICA处理，获取水电机组的当前健康值和当前独立滤波相关IFC特征值。
举例而言，对获取的当前运行数据进行ICA(Independent Component Analysis，独立成分分析)，以从当前运行数据中分理处水电机组特征信号和其他独立影响的数据，并分别对分离得到的数据进行相应处理，以获取水电机组的当前健康值和当前IFC(Independent Filtered Correlation，独立滤波相关)特征值。
步骤S103：获取水电机组的健康样本特征值和IFC状态特征值。
举例而言，获取处于健康状态的水电机组的运行数据并进行分析，从而得到代表水电机组处于健康状态的健康样本特征值和IFC状态特征值。
步骤S104：基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。
举例而言，基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的当前运行状况偏离健康运行状况的偏离情况进行评估，以对水电机组的健康状态进行评估。
通过实施本申请实施例，可以对水电机组的当前运行数据进行ICA处理，获取水电机组的当前健康值和当前独立滤波相关IFC特征值，从而基于当前健康值、当前IFC特征值和获取的健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
在一种实现方式中，可以对水电机组的当前运行数据进行ICA分解，并基于ICA基滤波器对分解得到的数据进行处理，以获取当前健康值和当前IFC特征值。作为一种示例，请参见图2，图2是本申请实施例提供的另一种水电机组健康状态的评估方法的示意图。如图2所示，该方法可以包括但不限于以下步骤：
步骤S201：获取水电机组的当前运行数据。
本申请的实施例中，步骤S201可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S202：将当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据。
可以理解的是，水电机组的当前运行数据(例如，振动参数数据)由一系列相互独立的向量线性组合而成，并且每一个向量都与一个基函数相对应，则当前运行数据可表示为：
x＝AS
其中，x为当前运行数据，A为混合矩阵，A中的每列为振动参数数据的基滤波函数，即数据的高阶统计结构特征向量，S为相互独立的系数。因此可以通过ICA算法对当前运行数据进行分解，将当前与咸宁数据分解为基滤波函数的叠加。将原始数据由一维时序数据转换为矩阵形式可得：
之后通过ICA算法进行参数分解，即寻求使系数S尽可能相互独立的目标矩阵W，可得：
u＝Wx
其中，u为x的估计。假设原始数据x为非零值数据且方差为单位方差，对单个源数据进行独立成分分解，将数据分解为基函数的叠加。通过ICA算法求解混合矩阵W，使得矩阵WA为单位阵的标量变换矩阵，而基滤波特征函数A可以通过求解数据的解求得，即A＝W-1。
作为一种示例，以水电机组的机架震动信号为例，假设该信号由n个相互独立的随机变量S(S1，S2...Sn)组成，并受到m个机组耦合系统A(a1，a2...am)的影响，则A与S中每一个相互独立的随机变量相关，称为基滤波特征。将随机变量S与耦合系统A线性组合可得m个变量xi(i＝1,2，...m)，xi的表达式如下所示：
xi＝ai1S1+ai2S2+…ainSn(i＝1,2，...n)
其中，a为实系数。将xi转换为矩阵形式可得：
可以理解的是，多个高斯随机变量的线性组合仍是高斯分布的，而高斯分布是完全对称的，当源数据中的高斯分量多于一个时上述模型不可解。因此在ICA方法中需要假设源数据的多个独立成分中服从高斯分布的分量不超过一个。在本申请的实施例中，可以设置x1＝a11S1+a12S2+…a1nSn为唯一服从正态分布的特征数据，并将该数据作为基滤波健康特征数据，将其他数据作为基滤波影响特征数据。
步骤S203：基于基滤波健康特征数据获取当前健康值。
举例而言，对基滤波健康特征数据进行数据统计及分析，获取数据的均值及方差作为当前健康值。
步骤S204：基于基滤波影响特征数据和ICA基滤波器，获取当前IFC特征值。
举例而言，将基滤波影响特征数据通过ICA基滤波器进行滤波，并基于滤波得到的数据获取当前IFC特征值。
需要说明的是，对于水电机组的不同运行特征参数，可以预先使用对应的特征参数数据对ICA基滤波器进行训练，并使用对应的ICA基滤波器对基滤波影响特征数据进行处理。
在一种实现方式中，上述基于基滤波影响特征数据和ICA基滤波器，获取当前IFC特征值，可以包括以下步骤：将基滤波影响特征数据输入ICA基滤波器，获取滤波系数；基于滤波系数获取滤波系数所组成向量之间的相关系数。基于相关系数获取当前IFC特征值。
作为一种示例，假设ICA基滤波器ωp为m×n的矩阵，基滤波影响特征数据可表示为xpi(i＝1,2，...n)，则该基滤波影响特征数据可表示为：
该基滤波影响特征数据通过基滤波器ωp后得到的滤波系数可表示为：
Spi＝ωp·xpi(i＝1,2，...n)
其中，Spi为滤波系数。则各个滤波系数向量之间的相关系数可表示如下：
则当前IFC特征值可表示如下：
其中，I为单位矩阵，IFCp为当前IFC特征值。
步骤S205：获取水电机组的健康样本特征值和IFC状态特征值。
本申请的实施例中，步骤S205可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S206：基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。
本申请的实施例中，步骤S206可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
通过实施本申请实施例，可以对水电机组的当前运行数据进行ICA分解，并基于ICA基滤波器对分解得到的数据进行处理，以获取当前健康值和当前IFC特征值，从而基于当前健康值、当前IFC特征值和获取的健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
在一种实现方式中，可以获取水电机组的健康样本数据，并基于该健康样本数据获取水电机组的健康样本特征值和IFC状态特征值。作为一种示例，请参见图3，图3是本申请实施例提供的又一种水电机组健康状态的评估方法的示意图。如图3所示，该方法可以包括但不限于以下步骤：
步骤S301：获取水电机组的当前运行数据。
本申请的实施例中，步骤S301可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S302：对当前运行数据进行ICA处理，获取水电机组的当前健康值和当前IFC特征值。
本申请的实施例中，步骤S302可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S303：获取水电机组的健康样本数据。
作为一种示例，以水电机组为新投产的机组为例，可以获取水电机组刚刚投产后的监测数据作为健康样本数据。
作为另一种示例，以水电机组为投产时间较长的机组为例，可以获取水电机组大修后的检测数据作为健康样本数据。
步骤S304：基于健康样本数据获取第一健康样本数据和第二健康样本数据。
其中，在本申请的实施例中，第一健康样本数据满足高斯分布，第二健康样本数据不满足高斯分布。
举例而言，对健康样本数据进行数据分析及拆分，得到满足高斯分布的第一健康样本数据和不满足高斯分布的第二健康样本数据。
步骤S305：基于第一健康样本数据获取第一健康样本特征值。
举例而言，对第一健康样本数据进行数据处理，获取第一健康样本数据的均值及方差作为第一健康样本特征值。
步骤S306：对第二健康样本数据进行ICA处理，获取第二健康样本特征值和IFC状态特征值。
其中，在本申请的实施例中，对第二健康样本数据进行ICA处理，获取第二健康样本特征值和IFC状态特征值的具体实现方法可参照步骤S202及步骤S204，本申请实施例不再赘述。
步骤S307：基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。
本申请的实施例中，步骤S307可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
通过实施本申请实施例，可以基于水电机组的当前运行数据获取当前健康值和当前IFC特征值，并基于获取水电机组的健康样本数据，获取水电机组的健康样本特征值和IFC状态特征值，从而基于当前健康值、当前IFC特征值和获取的健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
在一种可选地实现方式中，上述基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估，包括：基于当前健康值、第一健康样本特征值和第二健康样本特征值进行劣化度分析，获得第一健康状态评估值；基于当前IFC特征值和IFC状态特征值进行偏离程度分析，获得第二健康状态评估值；基于第一健康状态评估值和第二健康状态评估值，获取水电机组的健康状态评估结果。
举例而言，基于当前健康值、第一健康样本特征值和第二健康样本特征值进行劣化度分析，获取代表水电机组当前劣化度的第一健康状态评估值；并基于当前IFC特征值和IFC状态特征值进行偏离程度分析，获取代表水电机组当前状态与健康状态偏离程度的第二健康状态评估值；之后按照预设的权重对第一健康状态评估值和第二健康状态评估值进行加权计算，获取水电机组的健康状态评估结果。
通过实施本申请实施例，基于当前健康值、第一健康样本特征值和第二健康样本特征值进行劣化度分析，并通过IFC特征与水电机组健康状态的相关性判断水电机组劣化程度，相较于常规水电机组健康评估采用模型均值或中位数的偏离程度来评估水电机组健康状况，更能体现水电机组受到其他因素影响导致健康程度发生变化的特征。
请参见图4，图4是本申请实施例提供的一种水电机组健康状态的评估流程的示意图。如图4所示，在该评估流程中，可以预先获取水电机组投运或检修后的数据作为健康样本数据；之后基于健康样本数据中满足高斯分布的部分数据获取对应的健康样本特征；并基于健康样本数据中不满足高斯分布的部分数据进行ICA分解，获取基滤波健康特征样本和基滤波影响特征样本，从而基于基滤波影响特征获取对应的健康样本特征，基于基滤波影响特征样本获取IFC状态特征。之后获取水电机组的当前运行数据，并对当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据；从而基于基滤波健康特征数据获取当前健康值，并基于基滤波影响特征数据获取当前IFC特征值。从而根据健康样本特征、IFC状态特征、当前健康值和当前IFC特征获取水电机组的健康评估结果。
请参见图5，图5是本申请实施例提供的一种水电机组健康状态的评估装置的示意图。如图5所示，该装置500包括获取模块501、第一处理模块502、第二处理模块503和评估模块504，其中，获取模块501，用于获取水电机组的当前运行数据；第一处理模块502，用于对当前运行数据进行独立成分分析ICA处理，获取水电机组的当前健康值和当前独立滤波相关IFC特征值；第二处理模块503，用于获取水电机组的健康样本特征值和IFC状态特征值；评估模块504，用于基于当前健康值、当前IFC特征值、健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。
在一种实现方式中，第一处理模块502具体用于：将当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据；基于基滤波健康特征数据获取当前健康值；基于基滤波影响特征数据和ICA基滤波器，获取当前IFC特征值。
在一种可选地实现方式中，第一处理模块502具体用于：将基滤波影响特征数据输入ICA基滤波器，获取滤波系数；基于滤波系数获取滤波系数所组成向量之间的相关系数；基于相关系数获取当前IFC特征值。
在一种实现方式中，第二处理模块503具体用于：获取水电机组的健康样本数据；基于健康样本数据获取第一健康样本数据和第二健康样本数据；其中，第一健康样本数据满足高斯分布，第二健康样本数据不满足高斯分布；基于第一健康样本数据获取第一健康样本特征值；对第二健康样本数据进行ICA处理，获取第二健康样本特征值和IFC状态特征值。
在一种可选地实现方式中，评估模块504具体用于：基于当前健康值、第一健康样本特征值和第二健康样本特征值进行劣化度分析，获得第一健康状态评估值；基于当前IFC特征值和IFC状态特征值进行偏离程度分析，获得第二健康状态评估值；基于第一健康状态评估值和第二健康状态评估值，获取水电机组的健康状态评估结果。
通过本申请实施例的装置，可以对水电机组的当前运行数据进行ICA处理，获取水电机组的当前健康值和当前独立滤波相关IFC特征值，从而基于当前健康值、当前IFC特征值和获取的健康样本特征值和IFC状态特征值，对水电机组的健康状态进行评估。实现了对水电机组运行数据中代表健康状态的数据与其他受影响的状态数据的分离，能够更加准确的对水电机组的健康状态进行评估。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于本申请的实施例，本申请还提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述任一实施例的水电机组健康状态的评估方法。
基于本申请的实施例，本申请还提供了一种计算机可读存储介质，其中，计算机指令用于使计算机执行根据本申请实施例提供的前述任一实施例的水电机组健康状态的评估方法。
请参见图6，如图6所示，为可以用来实施本申请的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(Read-OnlyMemory，ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RandomAccess Memory，RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output，I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(Digital Signal Process，DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如水电机组健康状态的评估方法。例如，在一些实施例中，水电机组健康状态的评估方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的水电机组健康状态的评估方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行水电机组健康状态的评估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(Field Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(ApplicationSpecific Standard Parts，ASSP)、芯片上系统的系统(System On Chip，SOC)、负载可编程逻辑设备(Complex Programmable Logic Device，CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器((Erasable Programmable Read-Only Memory，EPROM)或快闪存储器)、光纤、便捷式紧凑盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管(Cathode Ray Tube，CRT)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server，虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种水电机组健康状态的评估方法，其特征在于，包括：
获取水电机组的当前运行数据；
对所述当前运行数据进行独立成分分析ICA处理，获取所述水电机组的当前健康值和当前独立滤波相关IFC特征值；
获取所述水电机组的健康样本特征值和IFC状态特征值；
基于所述当前健康值、所述当前IFC特征值、所述健康样本特征值和所述IFC状态特征值，对所述水电机组的健康状态进行评估。
2.如权利要求1所述的方法，其特征在于，所述对所述当前运行数据进行独立成分分析ICA处理，获取所述水电机组的当前健康值和当前独立滤波相关IFC特征值，包括：
将所述当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据；
基于所述基滤波健康特征数据获取所述当前健康值；
基于所述基滤波影响特征数据和ICA基滤波器，获取所述当前IFC特征值。
3.如权利要求2所述的方法，其特征在于，所述基于所述基滤波影响特征数据和ICA基滤波器，获取所述当前IFC特征值，包括：
将所述基滤波影响特征数据输入所述ICA基滤波器，获取滤波系数；
基于所述滤波系数获取所述滤波系数所组成向量之间的相关系数；
基于所述相关系数获取所述当前IFC特征值。
4.如权利要求1所述的方法，其特征在于，所述健康样本特征值包括第一健康样本特征值和第二健康样本特征值，所述获取所述水电机组的健康样本特征值和IFC状态特征值，包括：
获取所述水电机组的健康样本数据；
基于所述健康样本数据获取第一健康样本数据和第二健康样本数据；其中，所述第一健康样本数据满足高斯分布，所述第二健康样本数据不满足高斯分布；
基于所述第一健康样本数据获取所述第一健康样本特征值；
对所述第二健康样本数据进行ICA处理，获取所述第二健康样本特征值和所述IFC状态特征值。
5.如权利要求4所述的方法，其特征在于，所述基于所述当前健康值、所述当前IFC特征值、所述健康样本特征值和所述IFC状态特征值，对所述水电机组的健康状态进行评估，包括：
基于所述当前健康值、所述第一健康样本特征值和所述第二健康样本特征值进行劣化度分析，获得第一健康状态评估值；
基于所述当前IFC特征值和所述IFC状态特征值进行偏离程度分析，获得第二健康状态评估值；
基于所述第一健康状态评估值和所述第二健康状态评估值，获取所述水电机组的健康状态评估结果。
6.一种水电机组健康状态的评估装置，其特征在于，包括：
获取模块，用于获取水电机组的当前运行数据；
第一处理模块，用于对所述当前运行数据进行独立成分分析ICA处理，获取所述水电机组的当前健康值和当前独立滤波相关IFC特征值；
第二处理模块，用于获取所述水电机组的健康样本特征值和IFC状态特征值；
评估模块，用于基于所述当前健康值、所述当前IFC特征值、所述健康样本特征值和所述IFC状态特征值，对所述水电机组的健康状态进行评估。
7.如权利要求1所述的装置，其特征在于，所述第一处理模块具体用于：
将所述当前运行数据进行ICA分解，获取基滤波健康特征数据和基滤波影响特征数据；
基于所述基滤波健康特征数据获取所述当前健康值；
基于所述基滤波影响特征数据和ICA基滤波器，获取所述当前IFC特征值。
8.如权利要求7所述的装置，其特征在于，所述第一处理模块具体用于：
将所述基滤波影响特征数据输入所述ICA基滤波器，获取滤波系数；
基于所述滤波系数获取所述滤波系数所组成向量之间的相关系数；
基于所述相关系数获取所述当前IFC特征值。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的水电机组健康状态的评估方法。
10.一种计算机可读存储介质，用于存储有指令，其特征在于，当所述指令被执行时，使如权利要求1至5中任一项所述的方法被实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310339837.8A CN116578937A (zh) | 2023-03-30 | 2023-03-30 | 水电机组健康状态的评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310339837.8A CN116578937A (zh) | 2023-03-30 | 2023-03-30 | 水电机组健康状态的评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116578937A true CN116578937A (zh) | 2023-08-11 |
Family
ID=87534824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310339837.8A Pending CN116578937A (zh) | 2023-03-30 | 2023-03-30 | 水电机组健康状态的评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578937A (zh) |
-
2023
- 2023-03-30 CN CN202310339837.8A patent/CN116578937A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507040A (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
| CN114881223B (zh) | 深度学习模型的转换方法、装置、电子设备和存储介质 | |
| CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN113409898A (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
| CN116008799A (zh) | 真空断路器的监测处理方法、装置、电子设备及存储介质 | |
| CN113742457B (zh) | 应答处理方法、装置、电子设备及存储介质 | |
| CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
| CN113361717A (zh) | 量子态数据处理模型的训练方法、装置、电子设备及介质 | |
| CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
| CN116578937A (zh) | 水电机组健康状态的评估方法、装置、设备及存储介质 | |
| CN112530415B (zh) | 负向回复识别模型获取及负向回复识别方法和装置 | |
| CN114416583A (zh) | 一种自动化测试的工作量确定方法、装置、设备和存储介质 | |
| CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
| CN113011494B (zh) | 一种特征处理方法、装置、设备以及存储介质 | |
| EP4202777A1 (en) | Method and apparatus for distributing network layers in neural network model | |
| CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
| CN114912544A (zh) | 自动化特征工程模型的训练方法及自动化特征工程方法 | |
| CN115578583A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114862037A (zh) | 求解方法和发电成本优化函数的求解方法 | |
| CN116957133A (zh) | 风力发电功率和光伏发电功率的预测方法以及装置 | |
| CN117744717A (zh) | 模型量化方法、装置、电子设备和存储介质 | |
| CN116842941A (zh) | 一种数据生成方法、装置及电子设备 | |
| CN117076838A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
| CN114329808A (zh) | 汽轮机运行异常数据识别方法及设备 |
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 |