CN117034157A - 一种结合多模态运行数据的水电设备故障识别方法与系统 - Google Patents
一种结合多模态运行数据的水电设备故障识别方法与系统 Download PDFInfo
- Publication number
- CN117034157A CN117034157A CN202311289694.0A CN202311289694A CN117034157A CN 117034157 A CN117034157 A CN 117034157A CN 202311289694 A CN202311289694 A CN 202311289694A CN 117034157 A CN117034157 A CN 117034157A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- time
- prediction
- hydropower
- 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 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 239000003638 chemical reducing agent Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 36
- 230000002159 abnormal effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种结合多模态运行数据的水电设备故障识别方法及系统,包括如:使用多种传感器采集水电设备的多种数据;对所述水电设备的多种数据进行预处理;从预处理后的数据中提取出有用的特征;确定设备之间的影响函数;使用第一LSTM模型预测第一设备第一预设时间后的数据;根据影响函数计算第二设备的第一及第二预测数据;根据第二设备的实时数据及第一、二预测数据进行后续数据预测,使用后续预测数据确定设备是否故障。本方案将预测时间大大提高,从而更早地确定设备是否故障,以便提前维护。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种多模态运行数据的水电设备故障识别方法及系统。
背景技术
随着水电站规模的不断扩大,水电设备的复杂度也在不断增加,导致水电设备的故障率也在上升。而传统的故障识别方法主要依靠专业人员的经验和技能,存在识别效率低、准确性差等问题。因此,需要一种更加智能化、自动化的故障识别方法来提高水电设备运行的可靠性和经济性。
目前常用的故障识别方法主要包括专家系统、神经网络、模糊逻辑等,但这些方法都存在一些缺点和不足。如图1所示,根据经验,很多设备在故障出现前的相当长时间里主要测量指标都是缓慢上升的,在缓慢上升期,由于模型都要考虑过拟合问题,模型通常不会设计得太敏感,否则误报率太高,如果使用现有的预测模型进行预测则很难预测准,但一旦到快速上升期再预测到要产生故障,则留给故障处理的时间太短。
发明内容
为解决上述技术问题,本发明公开了一种结合多模态运行数据的水电设备故障识别方法与系统,通过指标数据波动大的设备提前对前期数据波动小的设备进行预测,以提前前期数据波动小的设备的预测时间。
在本发明的一个方面,提供一种结合多模态运行数据的水电设备故障识别方法,其特征在于所述方法包括:使用多种传感器采集水电设备的多种数据;对所述水电设备的多种数据进行预处理;从预处理后的数据中提取出有用的特征;使用Hawkes模型对各设备之间的数据进行分析,确定设备之间的影响函数,所述影响函数包括影响时间;对第一设备构建第一LSTM模型;获取第一设备的第一实时数据,如果所述第一实时数据波动大于第一阈值,则使用所述第一LSTM模型预测所述第一设备第一预设时间后的数据;对第二设备构建第二LSTM模型,所述第二设备为受所述第一设备影响的设备;根据所述第一设备的第一实时数据以及影响函数计算所述第二设备的第一预测数据; 根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据;将所述第二设备的第二实时数据、第一预测数据、第二预测数据拼接成第二设备预测时间序列数据; 将所述第二设备的预测时间序列数据输入所述第二LSTM模型,预测后续数据;根据所述后续数据判断所述第二设备是否故障。
进一步地,所述水电设备包括:水轮机、发电机、减速器、水流调节装置、发电机负载控制器、发电控制器、变压器、输电设备中的至少两种。
进一步地,所述多模态运行数据包括:转速、振动、水压、水位、声音、温度、压力、电压、电流中的至少两种。
进一步地,使用主成分分析法PCA提取所述有用的特征。
进一步地,在确定设备之间的影响函数时使用最大似然估计法,通过拟合Hawkes模型来最大化在后事件序列的发生概率来确定Hawkes模型的参数值。
本发明另一方面还提供 一种结合多模态运行数据的水电设备故障识别系统,其特征在于所述系统包括如下模块:采集模块,用于使用多种传感器采集水电设备的多种数据;预处理模块,用于对所述水电设备的多种数据进行预处理;提取模块,用于从预处理后的数据中提取出有用的特征;分析模块,用于使用Hawkes模型对各设备之间的数据进行分析,确定设备之间的影响函数,所述影响函数包括影响时间;第一预测模块,用于对第一设备构建第一LSTM模型;获取第一设备的第一实时数据,如果所述第一实时数据波动大于第一阈值,则使用所述第一LSTM模型预测所述第一设备第一预设时间后的数据;建模模块,用于对第二设备构建第二LSTM模型,所述第二设备为受所述第一设备影响的设备;第一计算模块,用于根据所述第一设备的第一实时数据以及影响函数计算所述第二设备的第一预测数据; 第二计算模块,用于根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据;第二预测模块,用于将所述第二设备的第二实时数据、第一预测数据、第二预测数据拼接成第二设备预测时间序列数据;将所述第二设备的预测时间序列数据输入所述第二LSTM模型,预测后续数据;确定的模块,用于根据所述后续数据判断所述第二设备是否故障。
进一步地,所述水电设备包括:水轮机、发电机、减速器、水流调节装置、发电机负载控制器、发电控制器、变压器、输电设备中的至少两种。
进一步地,所述多模态运行数据包括:转速、振动、水压、水位、声音、温度、压力、电压、电流中的至少两种。
进一步地,使用主成分分析法PCA提取所述有用的特征。
进一步地,在确定设备之间的影响函数时使用最大似然估计法,通过拟合Hawkes模型来最大化在后事件序列的发生概率来确定Hawkes模型的参数值。
本发明通过上述技术方案,可以产生如下有益效果:
通过Hawkes模型分析出相关的设备,以及相关设备之间的影响函数,通过影响函数以及LSTM网络将受影响设备的预测时间提前至少两个周期,从而提前前期指标波动小的设备的预测时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1前期波动小的数据示意图;
图2 不同设备之间的数据关系;
图3 第一设备进行LSTM预测;
图4 使用第一设备的数据预测第二设备的第一预测数据;
图5 使用第一设备的LSTM数据预测第二设备的第二预测数据;
图6 使用第二设备的实时数据及第一、二预测数据预测后续数据。
具体实施方式
下面,结合附图以及具体实施方式,对发明做出优选的描述。
如图2所示,在水电设施中,很多设备的故障是有关联度的。如图2中的B设备,其指标曲线上升速度比较均匀,可以很容易使用B的曲线预测后续的数据。同时,水电设备中,很多异常指标是有关联的。示性地,由于减速器(B)出现故障导致电机(A)转速升高,温度升高,减速器中如振动幅度等指标均匀上升,电机则只有异常指标到达一定的程度才会爆发故障。
本发明的原理在于使用指标波动更大的设备(B)尽早地推测出前期波动小的设备(A)的后续值,尽量提前A的预测。
本实施例通过如下步骤解决背景技术中的问题:
在一个实施例中,本发明提供一种结合多模态运行数据的水电设备故障识别方法,具体包括如下步骤:
使用多种传感器采集水电设备的多种数据;
水电设备指的是涉及水力发电的设备,水电设备可以是水力发电过程中使用的任意设备,本实施例不做具体的限定。
示例性的,本实施例的水电设备可包括:如水轮机、发电机、减速器、水流调节装置、发电机负载控制器、发电控制器、变压器、输电设备等。
水电设备在运行过程中可以产生多种数据,包括转速、振动、水压、水位、声音、温度、压力、电压、电流等。为了采用采集相应的数据,本实施例使用传感器采集水电设备的多种数据,示例性地:
转速传感器可用于检测如水轮机,发电机等设备的转速。使用温度传感器监测设备的温度变化,可以帮助检测过热或过冷情况,预测设备故障,以及调整温度以节省能源。湿度传感器数据可以用于监测设备周围的湿度变化。压力传感器可以用于监测管道、容器等的压力变化,帮助检测漏水、泄漏和其他问题。电流传感器可以用于监测电器设备的用电情况,帮助发现能源浪费或异常用电情况。电压传感器数据可以用于监测电源电压变化,帮助检测电源质量问题。对于水设备,水位传感器可以监测水位变化,帮助控制水流和避免溢水情况。振动传感器可以用于监测设备的振动情况,具体地可包括频率、振幅、周期等,帮助检测设备的机械问题和故障。声音传感器可以用于监测设备周围的声音变化,帮助检测异常声音或噪音。
对所述水电设备的多种数据进行预处理。
由于原始数据相对杂乱,在收集到原始数据后需要对所述水电设备的多种数据进行预处理,示例性地,本实施例的预处理可具体包括如下手段的至少一种:
原始数据中可能包含各种噪声,如传感器误差、干扰等。使用滤波、平滑等方法去除这些噪声,以减少对后续分析的影响。
采用低通、高通、带通等滤波器,根据数据特点选择合适的滤波方法,以去除高频或低频噪声。
检测和处理异常值,这些异常值可能是由于传感器错误、故障等原因引起的。可以使用统计方法来识别异常值,去除明显离群的数据。
对于缺失的数据点,可以使用插值方法填充,以保持数据的完整性和连续性。
如果来自不同传感器的数据存在时间上的不对齐,可以进行时间对齐处理,使得数据在相同时间点上对应。
对数据进行归一化(将数据缩放到0到1之间),以便于不同特征的比较和建模。
如果数据存在类别不平衡问题,还需要使用欠采样或过采样等方法来平衡数据集,以避免在建模过程中对少数类别的忽略。
从预处理后的数据中提取出有用的特征。
从预处理后的数据中提取有用的特征是为了减少数据的维度,突出数据的关键信息,取出对后续故障识别更有用的、更具代表性的特征,并为后续的分析和建模提供更有意义的输入。
特征提取可采用现有技术中的任意方法,本实施例不做具体限定。
可用主成分分析法(PCA)提取有用的特征,具体包括:
截取部分前述步骤中经过了预处理的数据,对每一周期的数据计算归一化的数据的协方差矩阵,该矩阵反映了特征之间的相关性。
对协方差矩阵进行特征分解,得到特征值和对应的特征向量。特征向量代表新的坐标轴,特征值表示该方向上的数据方差。
对特征值进行排序,按照降序排列。特征值越大,表示在相应特征向量方向上的数据方差越大。
根据特征值的大小选择要保留的主成分数量。可以通过保留一定比例的总方差(如根据软硬件条件、算力等确定具体的保留比例或保留数量)或通过经验法则(如Kaiser准则)来确定主成分数量。
使用Hawkes模型对各设备之间的数据进行分析,确定设备之间的影响函数,所述影响函数包括影响时间;
如背景技术中所述,当一个设备出现异常后可能影响另一些设备,因此为了确定具体的影响程度,本实施例需要确定设备之间的影响函数。
Hawkes模型是一种用于建模时间序列的点过程,它描述了一组事件在时间上的交互和影响关系。由于水电设备的各故障数据属于时间序列数据,并且不同的设备之间可能有相互的影响力,因此,本实施例选择Hawkes模型确定设备之间的影响函数。
示例性地,第一事件为:减速器出现故障,振动幅度加大, 第二事件为:发电机转速升高,温度升高。由于减速器出现故障导致电机转速升高,温度升高,本步骤需要确定具体哪些设备是相关的,并且确定具体的相关程度(也就是影响函数)
在前述的步骤中已经获取了进行Hawkes模型训练需要收集事件序列数据;进一步地,这些数据应该包含事件的时间戳和事件类型,为此,可将数据中的异常指标进行标注,并按时间顺序进行排列。示例性地,将减速器的振幅大于一定阈值的数据、发电机转速、温度大于一定阈值的数据均标记为异常事件。
需要说明提,由于每一个设备每一个时间节点的数据均为一个向量,为了方便处理,对于向量中任意一个指标异常均将该时间节点的数据确定为异常数据。示例性地,某时间点减速器的振幅大于一定阈值的数据,但其它数据均正常,此时将该时间点的数据标记为异常事件。
在水电设备中,如果出现异常,各异常参数通常以指数级变化,因此,本实施例使用指数函数为Hawkes模型的影响函数。
根据Hawkes模型的要求,还需要设定影响时间。为了能够提前预留维修时间,本实施例以1小时为影响时间(通过后续的步骤可预测数小时之后的数据)。
在确定好影响函数(函数形式,参数未知)和影响时间后,即可进行模型训练。本实施例使用最大似然估计法,通过拟合模型参数来最大化观测事件序列的发生概率。以后续观测事件最大化为目标函数(即发生在后事件的概率最大为目标),为所有设备进行两两训练计算,确定出所有设备两两之间的影响函数。需要说明的是,在训练过程中,只保留影响最大化的影响函数,示例性地,减速器的振动异常事件、水轮机的转速异常事件均对发电机的温度异常事件有响应,但减速器的振动异常事件影响更大,则只保留减速器与发电机之间的影响函数。
对第一设备构建第一LSTM模型;获取第一设备的第一实时数据,如果所述第一实时数据波动大于阈值,则使用所述第一LSTM模型预测所述第一设备第一预设时间后的数据。
LSTM模型属于现有的成熟模型,通常用于时间序列数据的预测,可以使用各种深度学习框架,如TensorFlow、PyTorch等实现,在实施本实施例时,可采用现有技术中的任意方法,本实施例不做具体限定。
对于水电设备,各传感器的参数数据在绝大多数时间内是平稳的,通常设备出现异常时会产生波动,因此只在实时数据的波动大于一定值时才进行后续的步骤,以节省计算资源。
如图3所示,LSTM模型可用于预测若干周期后的数据,在前述步骤中,以1小时为周期,通过LSTM的参数可预测如1小时、2小时等周期的数据,当然,时间越长,预测精度越低,在实施本发明时本领域技术人员可根据实验数据自由选择第一预设时间,本实施例不做过多限定。
对第二设备构建第二LSTM模型,所述第二设备为受所述第一设备影响的设备。
为了进行更长时间的预测,第二设备为受所述第一设备影响的设备,可通过前述的影响函数计算出影响时间之后的预测数据。第二LSTM模型的建立与第一LSTM模型的建立类似,此处不再赘述。
根据所述第一设备的第一实时数据以及影响函数计算所述第二设备的第一预测数据;
由于影响函数是一个设备对另一设备预设时间后的影响,因此,在当前时间节点可以通过当前的实时数据及影响函数计算出预设时间后的预测数据,如图4所示,通过第一设备B的第一实时数据以及影响函数计算所述第二设备A的第一预测数据。
根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据。
进一步地,为了进一步提前对故障的预测,在对第一设备(B)进行了LSTM预测后,还可以使用LSTM预测数据以及之前的实时数据进一步地确定第二设备(A)的后续数据。如图5所示,根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据。
将所述第二设备的第二实时数据、第一预测数据、第二预测数据拼接成第二设备预测时间序列数据; 将所述第二设备预测时间序列数据输入所述第二LSTM模型,预测后续数据。
如图6所示,A已拥有实时数据以及两个周期后的数据,如果两个周期后的数据的变化率较高,则预测后续数据的准确性将提高。此时将实时数据以及第一预测数据、第二预测数据拼接成第二设备预测时间序列数据; 将所述第二设备预测时间序列数据输入所述第二LSTM模型,预测后续数据的准确性将大大提高。
根据所述后续数据判断所述第二设备是否故障。
根据预测数据判断第二设备是否故障可采用经验数据等方法,如当预测数据超过某阈值后则认为设备将要发生故障,由于本实施例的方式将预测时间提前,因此可以大大提高故障识别的效率,维护人员可根据预测结果提前做准备。另一方面,本发明还提供一种结合多模态运行数据的水电设备故障识别系统,其特征在于所述系统包括如下模块:
采集模块,用于使用多种传感器采集水电设备的多种数据;
预处理模块,用于对所述水电设备的多种数据进行预处理;
提取模块,用于从预处理后的数据中提取出有用的特征;
分析模块,用于使用Hawkes模型对各设备之间的数据进行分析,确定设备之间的影响函数,所述影响函数包括影响时间;
第一预测模块,用于对第一设备构建第一LSTM模型;获取第一设备的第一实时数据,如果所述第一实时数据波动大于第一阈值,则使用所述第一LSTM模型预测所述第一设备第一预设时间后的数据;
建模模块,用于对第二设备构建第二LSTM模型,所述第二设备为受所述第一设备影响的设备;
第一计算模块,用于根据所述第一设备的第一实时数据以及影响函数计算所述第二设备的第一预测数据;
第二计算模块,用于根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据;
第二预测模块,用于将所述第二设备的第二实时数据、第一预测数据、第二预测数据拼接成第二设备预测时间序列数据; 将所述第二设备的预测时间序列数据输入所述第二LSTM模型,预测后续数据;
确定的模块,用于根据所述后续数据判断所述第二设备是否故障。
进一步地,上述所述的一种结合多模态运行数据的水电设备故障识别系统的实现方法均与一种结合多模态运行数据的水电设备故障识别方法相同,一种结合多模态运行数据的水电设备故障识别方法中的全部进一步的技术方案均完全引入一种结合多模态运行数据的水电设备故障识别系统中。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种结合多模态运行数据的水电设备故障识别方法,其特征在于所述方法包括如下步骤:
使用多种传感器采集水电设备的多种数据;
对所述水电设备的多种数据进行预处理;
从预处理后的数据中提取出有用的特征;
使用Hawkes模型对各设备之间的数据进行分析,确定设备之间的影响函数,所述影响函数包括影响时间;
对第一设备构建第一LSTM模型;获取第一设备的第一实时数据,如果所述第一实时数据波动大于第一阈值,则使用所述第一LSTM模型预测所述第一设备第一预设时间后的数据;
对第二设备构建第二LSTM模型,所述第二设备为受所述第一设备影响的设备;
根据所述第一设备的第一实时数据以及影响函数计算所述第二设备的第一预测数据;
根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据;
将所述第二设备的第二实时数据、第一预测数据、第二预测数据拼接成第二设备预测时间序列数据; 将所述第二设备的预测时间序列数据输入所述第二LSTM模型,预测后续数据;
根据所述后续数据判断所述第二设备是否故障。
2.根据权利要求1所述的结合多模态运行数据的水电设备故障识别方法,其特征在于所述水电设备包括:水轮机、发电机、减速器、水流调节装置、发电机负载控制器、发电控制器、变压器、输电设备中的至少两种。
3.根据权利要求1所述的结合多模态运行数据的水电设备故障识别方法,其特征在于所述多模态运行数据包括:转速、振动、水压、水位、声音、温度、压力、电压、电流中的至少两种。
4.根据权利要求1所述的结合多模态运行数据的水电设备故障识别方法,其特征在于:使用主成分分析法PCA提取所述有用的特征。
5.根据权利要求1所述的结合多模态运行数据的水电设备故障识别方法,其特征在于:在确定设备之间的影响函数时使用最大似然估计法,通过拟合Hawkes模型来最大化在后事件序列的发生概率来确定Hawkes模型的参数值。
6.一种结合多模态运行数据的水电设备故障识别系统,其特征在于所述系统包括如下模块:
采集模块,用于使用多种传感器采集水电设备的多种数据;
预处理模块,用于对所述水电设备的多种数据进行预处理;
提取模块,用于从预处理后的数据中提取出有用的特征;
分析模块,用于使用Hawkes模型对各设备之间的数据进行分析,确定设备之间的影响函数,所述影响函数包括影响时间;
第一预测模块,用于对第一设备构建第一LSTM模型;获取第一设备的第一实时数据,如果所述第一实时数据波动大于第一阈值,则使用所述第一LSTM模型预测所述第一设备第一预设时间后的数据;
建模模块,用于对第二设备构建第二LSTM模型,所述第二设备为受所述第一设备影响的设备;
第一计算模块,用于根据所述第一设备的第一实时数据以及影响函数计算所述第二设备的第一预测数据;
第二计算模块,用于根据所述第一设备的第一实时数据、第一设备第一预设时间后的数据以及影响函数计算所述第二设备的第二预测数据;
第二预测模块,用于将所述第二设备的第二实时数据、第一预测数据、第二预测数据拼接成第二设备预测时间序列数据; 将所述第二设备的预测时间序列数据输入所述第二LSTM模型,预测后续数据;
确定的模块,用于根据所述后续数据判断所述第二设备是否故障。
7.根据权利要求6所述的结合多模态运行数据的水电设备故障识别系统,其特征在于所述水电设备包括:水轮机、发电机、减速器、水流调节装置、发电机负载控制器、发电控制器、变压器、输电设备中的至少两种。
8.根据权利要求6所述的结合多模态运行数据的水电设备故障识别系统,其特征在于所述多模态运行数据包括:转速、振动、水压、水位、声音、温度、压力、电压、电流中的至少两种。
9.根据权利要求6所述的结合多模态运行数据的水电设备故障识别系统,其特征在于:使用主成分分析法PCA提取所述有用的特征。
10.根据权利要求6所述的结合多模态运行数据的水电设备故障识别系统,其特征在于:在确定设备之间的影响函数时使用最大似然估计法,通过拟合Hawkes模型来最大化在后事件序列的发生概率来确定Hawkes模型的参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311289694.0A CN117034157B (zh) | 2023-10-08 | 2023-10-08 | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311289694.0A CN117034157B (zh) | 2023-10-08 | 2023-10-08 | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117034157A true CN117034157A (zh) | 2023-11-10 |
CN117034157B CN117034157B (zh) | 2024-01-12 |
Family
ID=88645188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311289694.0A Active CN117034157B (zh) | 2023-10-08 | 2023-10-08 | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034157B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033450A (zh) * | 2018-08-22 | 2018-12-18 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
US20190235484A1 (en) * | 2018-01-31 | 2019-08-01 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
CN110569925A (zh) * | 2019-09-18 | 2019-12-13 | 南京领智数据科技有限公司 | 应用于电力设备运检的基于lstm的时序异常检测方法 |
US20200160176A1 (en) * | 2018-11-16 | 2020-05-21 | Royal Bank Of Canada | System and method for generative model for stochastic point processes |
CN112083244A (zh) * | 2020-08-30 | 2020-12-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 综合化航空电子设备故障智能诊断系统 |
CN112148517A (zh) * | 2020-10-19 | 2020-12-29 | 东北电力大学 | 一种面向转动设备的故障诊断方法 |
CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
CN113793227A (zh) * | 2021-09-16 | 2021-12-14 | 中国电子科技集团公司第二十八研究所 | 一种用于社交网络事件的类人智能感知与预测方法 |
US20220050130A1 (en) * | 2018-12-14 | 2022-02-17 | University Of Georgia Research Foundation, Inc. | Condition Monitoring Via Energy Consumption Audit in Electrical Devices and Electrical Waveform Audit in Power Networks |
CN115688581A (zh) * | 2022-11-02 | 2023-02-03 | 中石化石油工程技术服务有限公司 | 油气集输站设备参数预警方法、系统、电子设备及介质 |
CN116418117A (zh) * | 2023-04-13 | 2023-07-11 | 国网安徽省电力有限公司宣城供电公司 | 一种用于智能电网的设备检测系统 |
-
2023
- 2023-10-08 CN CN202311289694.0A patent/CN117034157B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190235484A1 (en) * | 2018-01-31 | 2019-08-01 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
CN109033450A (zh) * | 2018-08-22 | 2018-12-18 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
US20200160176A1 (en) * | 2018-11-16 | 2020-05-21 | Royal Bank Of Canada | System and method for generative model for stochastic point processes |
US20220050130A1 (en) * | 2018-12-14 | 2022-02-17 | University Of Georgia Research Foundation, Inc. | Condition Monitoring Via Energy Consumption Audit in Electrical Devices and Electrical Waveform Audit in Power Networks |
CN110569925A (zh) * | 2019-09-18 | 2019-12-13 | 南京领智数据科技有限公司 | 应用于电力设备运检的基于lstm的时序异常检测方法 |
CN112083244A (zh) * | 2020-08-30 | 2020-12-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 综合化航空电子设备故障智能诊断系统 |
CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
CN112148517A (zh) * | 2020-10-19 | 2020-12-29 | 东北电力大学 | 一种面向转动设备的故障诊断方法 |
CN113793227A (zh) * | 2021-09-16 | 2021-12-14 | 中国电子科技集团公司第二十八研究所 | 一种用于社交网络事件的类人智能感知与预测方法 |
CN115688581A (zh) * | 2022-11-02 | 2023-02-03 | 中石化石油工程技术服务有限公司 | 油气集输站设备参数预警方法、系统、电子设备及介质 |
CN116418117A (zh) * | 2023-04-13 | 2023-07-11 | 国网安徽省电力有限公司宣城供电公司 | 一种用于智能电网的设备检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117034157B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102141808B (zh) | 汽轮发电机组嵌入式故障预诊断系统及方法 | |
Zhang et al. | Probabilistic anomaly detection approach for data-driven wind turbine condition monitoring | |
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN112633614B (zh) | 一种基于特征提取的实时故障程度诊断系统及方法 | |
Tao et al. | Abnormal detection of wind turbine based on SCADA data mining | |
CN118157132B (zh) | 基于神经网络的电压监测系统数据挖掘方法及装置 | |
CN115327990A (zh) | 一种基于ai的电气设备状态监测预警模型及其方法 | |
CN115495315A (zh) | 一种大型医疗设备的故障预警系统 | |
CN111929579A (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN115800552A (zh) | 一种超级电容运行电力调频用智能调控系统及方法 | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN118132931A (zh) | 基于机器学习的日用电器亚健康检测方法 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN112240267A (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
CN110516323A (zh) | 一种基于时序分析的压力管道损伤预测方法 | |
Li et al. | Incremental Multivariate State Estimation Technique-Based Fault Estimation Method for Motor-driven High-Voltage Circuit Breakers | |
CN112594114B (zh) | 一种比例阀健康状态自适应智能诊断方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Yong Inventor after: Song Jie Inventor after: Zhou Wuliang Inventor after: Wan Shuangmin Inventor before: Liu Yong |
|
CB03 | Change of inventor or designer information |