CN116628564A - 用于检测发电机状态的模型训练方法和系统 - Google Patents
用于检测发电机状态的模型训练方法和系统 Download PDFInfo
- Publication number
- CN116628564A CN116628564A CN202310431249.7A CN202310431249A CN116628564A CN 116628564 A CN116628564 A CN 116628564A CN 202310431249 A CN202310431249 A CN 202310431249A CN 116628564 A CN116628564 A CN 116628564A
- Authority
- CN
- China
- Prior art keywords
- generator
- training
- generator rotor
- initial
- sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012217 deletion Methods 0.000 claims abstract description 10
- 230000037430 deletion Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
Abstract
本申请提供一种用于检测发电机状态的模型训练方法和系统，涉及计算机技术领域，方法包括：采集发电机转子的状态信息，以及状态信息对应的健康度，得到初始训练样本；对初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；对中间训练样本按发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；构建用于检测发电机的状态信息的初始发电机转子检测模型，基于目标训练样本训练初始发电机转子检测模型，得到训练好的发电机转子检测模型；根据发电机转子检测模型对发电机转子进行状态检测。本申请能够提升发电机转子检测模型训练的效率和效果。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种用于检测发电机状态的模型训练方法和系统。
背景技术
在传统的船舶等设备中发电机状态判断系统中，通常会获取待检测部件的图像，再结合人为经验对待检测部件的状态进行判断。
然而，这种方式过于依赖检测人员的经验和能力，并受许多外部因素影响，例如发电机的不同零件在不同工况下的状态检测标准可能不同，受缺失数据或离群点数据的影响导致检测数据不连贯、不准确等，针对以上情况检测人员需要结合零件的当前工况和状态进行复杂的检测操作，使得对发电机的状态检测效率和准确性均难以保证。
因此，需提出一种用于检测发电机状态的模型训练方法和系统，来解决该技术问题。
发明内容
本发明实施例的目的在于提供一种用于检测发电机状态的模型训练方法和系统，本申请实施例能够基于状态检测模型结合发电机在不同工况下的状态对发电机进行高效、准确的状态检测操作。具体技术方案如下：
在本发明实施例的第一方面，提供一种用于检测发电机状态的模型训练方法，应用于发电机转子状态检测模型，所述方法包括：
采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；
对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；
对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；
构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
可选地，所述采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本，包括：
根据所述状态信息，获取所述发电机转子的故障类型；
为每个所述故障类型定义对应的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度匹配一个所述初始发电机转子检测模型对应的输出状态，得到所述初始训练样本。
可选地，所述对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本，包括：
若所述初始训练样本中的部分样本区间存在数据缺失的情况，则对所述样本区间的数据进行补充或删除，若所述初始训练样本中的部分样本区间存在离群点数据，则采用三西格玛准则对所述离群点数据中的部分数据进行删除，以得到清洗后的初始训练样本；
对所述清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、发电机转子原始电流信号切片和发电机转子原始电压信号切片，得到所述中间训练样本。
可选地，所述对所述中间训练样本按所述发电机的工况进行分类，包括：
得到不同工况下在所述滑动窗口步长内的电流均值、电流标准差、振动信号波动均值、振动信号波动标准差和发电机转子温度。
可选地，所述基于所述目标训练样本训练所述初始发电机转子检测模型，包括：
将所述滑动窗口步长内的电流均值、电流标准差、振动信号波动均值、振动信号波动标准差和发电机转子温度作为输入数据输入至所述初始发电机转子检测模型，输出得到所述输入数据对应发电机转子的健康度，结合所述输入数据的标签，训练所述初始发电机转子检测模型。
可选地，所述方法还包括：
当所述初始发电机转子检测模型的预测所述发电机转子的健康度的准确率大于等于预设阈值，训练完成得到训练好的所述发电机转子检测模型。
在本发明实施例的又一方面，提供一种检测发电机状态的模型训练系统，应用于目标设备的发电机，所述系统包括：
样本获取模块，用于采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；
样本处理模块，用于对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；
样本分类模块，用于对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；
模型训练模块，用于构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
可选地，所述样本获取模块还具体用于：
根据所述状态信息，获取所述发电机转子的故障类型；
为每个所述故障类型定义对应的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度匹配一个所述初始发电机转子检测模型对应的输出状态，得到所述初始训练样本。
在本发明实施例的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述方法的步骤。
在本发明实施例的又一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
由上可知，申请实施例能够通过发电机转子在不同工况下的状态信息和健康度所组成的训练样本来训练得到发电机转子检测模型，从而能够基于发电机转子检测模型对发电机进行强大的故障检测功能，无需人工介入、判断进行复杂的检测操作，即可实现提升对发电机转子检测模型的训练效率和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的用于检测发电机状态的模型训练系统的应用场景示意图；
图2是本申请实施例提供的用于检测发电机状态的模型训练方法的流程示意图；
图3是本申请实施例提供的用于检测发电机状态的模型训练系统的结构示意图；
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
本申请实施例提供一种用于检测发电机状态的模型训练方法和系统。请参阅图1，图1为本申请实施例所提供的用于检测发电机状态的模型训练系统的应用场景示意图，该系统可以包括终端10和服务器11。本申请提供的用于检测发电机状态的模型训练方法可以通过终端10实现，也可以通过服务器11实现。
如图1所示，终端10与服务器11之间通过网络连接，比如，通过有线或无线网络连接等。其中，终端10可以包括但不局限于安装有各位网络平台应用的手机、平板等便携终端，以及电脑、查询机、广告机等固定终端。其中，服务器11为用户提供各种业务服务，包括服务推送服务器、用户推荐服务器等。
需要说明的是，图1所示的用于检测发电机状态的模型训练系统的应用场景示意图仅仅是一个示例，本申请实施例描述的终端、服务器以及应用场景是为了更加清楚的说明本申请实施例的技术方案，并不生成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题同样适用。
其中，终端10可以用于：
采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。上述终端10执行用于检测发电机状态的模型训练方法的步骤，也可以由服务器11执行。
图2示出了本申请实施例提供的一种用于检测发电机状态的模型训练方法和系统的流程示意图，如图2所示，一种用于检测发电机状态的模型训练方法和系统包括如下步骤：
步骤201、采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本。
为了实现对发电机状态的自动化检测和诊断，需要采集发电机转子的状态信息，并将这些信息与所对应的健康度进行记录和分析，以得到初始训练样本。
通常，状态信息包括转子的转速、振动、温度、电压、电流等参数。这些参数可以通过传感器进行实时监测和采集，并通过数据采集装置进行记录和传输。
同时，为了建立健康度与状态信息之间的对应关系，需要对发电机进行周期性的检测和评估，以确定其当前的健康状态。这可以通过运用故障诊断技术和健康评估方法来实现。
得到了状态信息与健康度之间的对应关系后，可以利用机器学习、深度学习等技术，对这些数据进行分析和处理，从而训练出一个能够自动化检测和诊断发电机状态的模型。这个模型可以在实时监测中，对发电机的状态进行自动化检测和预测，及时发现异常情况，并提供有针对性的解决方案
可选地，步骤201可以包括：
根据所述状态信息，获取所述发电机转子的故障类型；
为每个所述故障类型定义对应的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度匹配一个所述初始发电机转子检测模型对应的输出状态，得到所述初始训练样本。
在一些实施例中，发电机转子的故障类型可以包括发电机转子磨损异常和发电机转子温度预警，对应的严重程度又可以包括轻度、中度和重度，每个严重程度又对应不同的健康度。例如健康度为0-50％为重度、健康度为51-80％为重度、健康度为81-100％为轻度。相应地，轻度、重度和重度对应的输出状态分别为Normal、Warning和Error。
步骤202、对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本。
可选地，步骤202可以包括：
若所述初始训练样本中的部分样本区间存在数据缺失的情况，则对所述样本区间的数据进行补充或删除，若所述初始训练样本中的部分样本区间存在离群点数据，则采用三西格玛准则对所述离群点数据中的部分数据进行删除，以得到清洗后的初始训练样本；
对所述清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、发电机转子原始电流信号切片和发电机转子原始电压信号切片，得到所述中间训练样本。
在一些实施例中，以上中间训练样本的相关数据可以表示为：
其中，L为滑动窗口长度；s为滑动窗口步长；k表示第k个数据序列段，{I1,I2,…,Ik}为转子原始电流信号切片；{F1,F2,…,Fk}为转子原始电压信号切片；Δfi表示一阶差分运算，Δfi＝fi-fi-1。
在一些实施例中，若初始训练样本中的部分样本区间存在离群点数据，则采用三西格玛准则对离群点数据中的部分数据进行删除，以得到清洗后的初始训练样本。具体地，可以基于离群点数据产生的原因以及应用目的进行筛选，可应用三西格玛准则，即“3σ”准则进行处理，对离群点数据中的部分数据进行删除。
步骤203、对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本。
可选地，步骤203可以包括：
得到不同工况下在所述滑动窗口步长内的电流均值、电流标准差、振动信号波动均值、振动信号波动标准差和发电机转子温度。
在一些实施例中，不同工况可以包括发电机的电子基于功率进行空载、部分载荷、满载的三类工况。数据集划分可以按8：2或7：3的比例划分为训练集和测试集。
在一些实施例中，滑动窗口步长内的电流峰值、电流均值、电压波动特征和发电机转子温度可以表示为：
其中，振动信号波动均值为Fmean电流均值为Imean，电流标准差为Istd，振动信号波动标准差为Fstd。
步骤204、构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
可选地，步骤204还可以包括：
将所述滑动窗口步长内的电流均值、电流标准差、振动信号波动均值、振动信号波动标准差和发电机转子温度作为输入数据输入至所述初始发电机转子检测模型，输出得到所述输入数据对应发电机转子的健康度，结合所述输入数据的标签，训练所述初始发电机转子检测模型。
可选地，本申请的方法还包括：
当所述初始故障检测模型的预测所述发电机转子的健康度的准确率大于等于预设阈值，训练完成得到训练好的所述目标故障检测模型。
在一些实施例中，输入数据和输出数据可以表示为：
其中，yh∈[0,100％]，Xrotor为发电机转子检测模型输入，Yrotor为发电机转子检测模型输出健康度标签，g表示第g个样本。
在完成数据集预处理工作后，将各故障数据混合，然后按照指定比例划分训练集和测试集，在进行模型训练时，故障检测模型的输出为被测组件的健康度，根据健康度对应的发电机转子预测状态。最后完成初始故障检测模型的训练以及验证，一般验证准确率到达预设阈值，例如预设阈值可以为98％、99％等，则可认为初始故障检测模型可用，得到目标故障检测模型。
由上可知，申请实施例能够通过发电机转子在不同工况下的状态信息和健康度所组成的训练样本来训练得到故障检测模型，从而能够基于故障检测模型对发电机强大的故障检测功能，无需人工介入、判断进行复杂的检测操作，即可实现提升发电机的检测模型的效率和准确性。
为实现上述方法类实施例，本申请实施例还提供一种用于检测发电机状态的模型训练系统，图3示出了本申请实施例提供的一种用于检测发电机状态的模型训练系统的结构示意图，所述系统包括：
样本获取模块301，用于采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；
样本处理模块302，用于对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；
样本分类模块303，用于对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；
模型训练模块304，用于构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
可选地，所述样本获取模块302还具体用于：
根据所述状态信息，获取所述发电机转子的故障类型；
为每个所述故障类型定义对应的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度匹配一个所述初始发电机转子检测模型对应的输出状态，得到所述初始训练样本。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述系统中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
由上可知，申请实施例能够通过发电机转子在不同工况下的状态信息和健康度所组成的训练样本来训练得到故障检测模型，从而能够基于故障检测模型对发电机强大的故障检测功能，无需人工介入、判断进行复杂的检测操作，即可实现提升发电机的检测模型的效率和准确性。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于检测发电机状态的模型训练方法和系统。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现用于检测发电机状态的模型训练方法和系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入系统可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
综上所述，本申请提供的一种用于检测发电机状态的模型训练方法，所述方法包括：
采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；
对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；
对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；
构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用于检测发电机状态的模型训练方法，其特征在于，应用于发电机转子检测模型，所述方法包括：
采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；
对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；
对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；
构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
2.根据权利要求1所述的检测发电机状态的模型训练方法，其特征在于，所述采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本，包括：
根据所述状态信息，获取所述发电机转子的故障类型；
为每个所述故障类型定义对应的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度匹配一个所述初始发电机转子检测模型对应的输出状态，得到所述初始训练样本。
3.根据权利要求2所述的检测发电机状态的模型训练方法，其特征在于，所述对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本，包括：
若所述初始训练样本中的部分样本区间存在数据缺失的情况，则对所述样本区间的数据进行补充或删除，若所述初始训练样本中的部分样本区间存在离群点数据，则采用三西格玛准则对所述离群点数据中的部分数据进行删除，以得到清洗后的初始训练样本；
对所述清洗后的初始训练样本进行数据重构，定义数据切分的滑动窗口长度、滑动窗口步长、数据序列段的数量、发电机转子原始电流信号切片和发电机转子原始电压信号切片，得到所述中间训练样本。
4.根据权利要求3所述的检测发电机状态的模型训练方法，其特征在于，所述对所述中间训练样本按所述发电机的工况进行分类，包括：
得到不同工况下在所述滑动窗口步长内的电流均值、电流标准差、振动信号波动均值、振动信号波动标准差和发电机转子温度。
5.根据权利要求4所述的检测发电机状态的模型训练方法，其特征在于，所述基于所述目标训练样本训练所述初始发电机转子检测模型，包括：
将所述滑动窗口步长内的电流均值、电流标准差、振动信号波动均值、振动信号波动标准差和发电机转子温度作为输入数据输入至所述初始发电机转子检测模型，输出得到所述输入数据对应发电机转子的健康度，结合所述输入数据的标签，训练所述初始发电机转子检测模型。
6.根据权利要求5所述的检测发电机状态的模型训练方法，其特征在于，所述方法还包括：
当所述初始发电机转子检测模型的预测所述发电机转子的健康度的准确率大于等于预设阈值，训练完成得到训练好的所述发电机转子检测模型。
7.一种检测发电机状态的模型训练系统，其特征在于，应用于目标设备的发电机，所述系统包括：
样本获取模块，用于采集所述发电机转子的状态信息，以及所述状态信息对应的健康度，得到初始训练样本；
样本处理模块，用于对所述初始训练样本进行数据缺失处理、离群点数据检测、数据重构和样本赋值处理，得到中间训练样本；
样本分类模块，用于对所述中间训练样本按所述发电机的工况进行分类，以预设比例继续对分类后的中间训练样本进行二次分类，得到由训练集和测试集组成的目标训练样本；
模型训练模块，用于构建用于检测所述发电机的状态信息的初始发电机转子检测模型，并基于所述目标训练样本训练所述初始发电机转子检测模型，得到训练好的发电机转子检测模型。
8.根据权利要求7所述的检测发电机状态的模型训练系统，其特征在于，所述样本获取模块还具体用于：
根据所述状态信息，获取所述发电机转子的故障类型；
为每个所述故障类型定义对应的严重程度，为每个严重程度的赋值对应的健康度；
为每个所述健康度匹配一个所述初始发电机转子检测模型对应的输出状态，得到所述初始训练样本。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1～6中任意一项所述方法的步骤。
10.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，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1～6中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310431249.7A CN116628564B (zh) | 2023-04-20 | 2023-04-20 | 用于检测发电机状态的模型训练方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310431249.7A CN116628564B (zh) | 2023-04-20 | 2023-04-20 | 用于检测发电机状态的模型训练方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628564A true CN116628564A (zh) | 2023-08-22 |
| CN116628564B CN116628564B (zh) | 2024-03-12 |
Family
ID=87635507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310431249.7A Active CN116628564B (zh) | 2023-04-20 | 2023-04-20 | 用于检测发电机状态的模型训练方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628564B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150269A (zh) * | 2023-09-04 | 2023-12-01 | 淮阴师范学院 | 一种基于数据分析的电气设备运行异常诊断系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150099059A1 (en) * | 2012-12-27 | 2015-04-09 | Kateeva, Inc. | Techniques for Print Ink Droplet Measurement and Control to Deposit Fluids within Precise Tolerances |
| CN105511445A (zh) * | 2015-12-01 | 2016-04-20 | 沈阳化工大学 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
| CN109858345A (zh) * | 2018-12-25 | 2019-06-07 | 华中科技大学 | 一种适用于胀管设备的智能故障诊断方法 |
| WO2019137703A1 (en) * | 2018-01-12 | 2019-07-18 | Siemens Aktiengesellschaft | Industrial process data processing |
| CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
| CN111079980A (zh) * | 2019-11-22 | 2020-04-28 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
| CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
| CN112287979A (zh) * | 2020-10-14 | 2021-01-29 | 北方工业大学 | 一种基于互信息的储能电池状态判定方法 |
| CN113868948A (zh) * | 2021-09-28 | 2021-12-31 | 核电运行研究(上海)有限公司 | 一种面向用户的动态阈值模型训练系统及方法 |
| CN114243702A (zh) * | 2022-01-28 | 2022-03-25 | 国网湖南省电力有限公司 | 一种电网avc系统运行参数的预测方法、系统及存储介质 |
| CN114841580A (zh) * | 2022-05-12 | 2022-08-02 | 新疆大学 | 基于混合注意力机制的发电机故障检测方法 |
| CN114943277A (zh) * | 2022-04-18 | 2022-08-26 | 华北电力大学 | 一种综合能源系统运行工况识别与运行性能预测方法 |
| CN115165364A (zh) * | 2022-07-04 | 2022-10-11 | 中车永济电机有限公司 | 基于迁移学习的风力发电机轴承故障诊断模型构建方法 |
| CN115270993A (zh) * | 2022-08-23 | 2022-11-01 | 南通思诺船舶科技有限公司 | 柴油机组状态检测方法及系统 |
| CN115788797A (zh) * | 2022-12-12 | 2023-03-14 | 北京百度网讯科技有限公司 | 风力发电机的健康状态检测方法、模型训练方法以及装置 |
| CN115904916A (zh) * | 2023-02-08 | 2023-04-04 | 天翼云科技有限公司 | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 |
-
2023
- 2023-04-20 CN CN202310431249.7A patent/CN116628564B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150099059A1 (en) * | 2012-12-27 | 2015-04-09 | Kateeva, Inc. | Techniques for Print Ink Droplet Measurement and Control to Deposit Fluids within Precise Tolerances |
| CN105511445A (zh) * | 2015-12-01 | 2016-04-20 | 沈阳化工大学 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
| WO2019137703A1 (en) * | 2018-01-12 | 2019-07-18 | Siemens Aktiengesellschaft | Industrial process data processing |
| CN109858345A (zh) * | 2018-12-25 | 2019-06-07 | 华中科技大学 | 一种适用于胀管设备的智能故障诊断方法 |
| CN111079980A (zh) * | 2019-11-22 | 2020-04-28 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
| CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
| CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
| CN112287979A (zh) * | 2020-10-14 | 2021-01-29 | 北方工业大学 | 一种基于互信息的储能电池状态判定方法 |
| CN113868948A (zh) * | 2021-09-28 | 2021-12-31 | 核电运行研究(上海)有限公司 | 一种面向用户的动态阈值模型训练系统及方法 |
| CN114243702A (zh) * | 2022-01-28 | 2022-03-25 | 国网湖南省电力有限公司 | 一种电网avc系统运行参数的预测方法、系统及存储介质 |
| CN114943277A (zh) * | 2022-04-18 | 2022-08-26 | 华北电力大学 | 一种综合能源系统运行工况识别与运行性能预测方法 |
| CN114841580A (zh) * | 2022-05-12 | 2022-08-02 | 新疆大学 | 基于混合注意力机制的发电机故障检测方法 |
| CN115165364A (zh) * | 2022-07-04 | 2022-10-11 | 中车永济电机有限公司 | 基于迁移学习的风力发电机轴承故障诊断模型构建方法 |
| CN115270993A (zh) * | 2022-08-23 | 2022-11-01 | 南通思诺船舶科技有限公司 | 柴油机组状态检测方法及系统 |
| CN115788797A (zh) * | 2022-12-12 | 2023-03-14 | 北京百度网讯科技有限公司 | 风力发电机的健康状态检测方法、模型训练方法以及装置 |
| CN115904916A (zh) * | 2023-02-08 | 2023-04-04 | 天翼云科技有限公司 | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150269A (zh) * | 2023-09-04 | 2023-12-01 | 淮阴师范学院 | 一种基于数据分析的电气设备运行异常诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628564B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN106874187B (zh) | 代码覆盖率收集方法和装置 | |
| CN101999101B (zh) | 系统运行预测的确定方法 | |
| CN110768872B (zh) | 巡检方法、系统、装置、计算机设备和存储介质 | |
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| JP2018124639A (ja) | データ分析システム、データ分析方法およびプログラム | |
| CN116628564B (zh) | 用于检测发电机状态的模型训练方法和系统 | |
| CN113010389A (zh) | 一种训练方法、故障预测方法、相关装置及设备 | |
| US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
| CN110221979A (zh) | 应用程序的性能测试方法、装置、设备及存储介质 | |
| CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
| CN104951400A (zh) | 对产品进行测试的方法和装置 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN116204768A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN115188688A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
| CN111007452A (zh) | 一种数据采集系统的故障诊断方法及装置 | |
| CN112529059A (zh) | 机组电磁振动诊断方法、系统、计算机设备和存储介质 | |
| CN113168739B (zh) | 用于检查至少一台车辆的方法以及电子计算装置 | |
| CN109592525A (zh) | 电梯变频器故障诊断系统及方法 | |
| Aysolmaz et al. | An effort prediction model based on BPM measures for process automation | |
| CN115033461A (zh) | 一种风扇监控方法、系统、装置、服务器及可读存储介质 | |
| CN116644341A (zh) | 基于卷积神经网络的发电机状态检测方法和系统 | |
| CN113284600A (zh) | 故障预测方法、装置、计算机设备和存储介质 |
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 |