CN117056402B - 一种基于多源信号的电机诊断方法、装置及存储介质 - Google Patents

一种基于多源信号的电机诊断方法、装置及存储介质 Download PDF

Info

Publication number
CN117056402B
CN117056402B CN202311318595.0A CN202311318595A CN117056402B CN 117056402 B CN117056402 B CN 117056402B CN 202311318595 A CN202311318595 A CN 202311318595A CN 117056402 B CN117056402 B CN 117056402B
Authority
CN
China
Prior art keywords
neural network
dimensional feature
dimensional
feature
network model
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.)
Active
Application number
CN202311318595.0A
Other languages
English (en)
Other versions
CN117056402A (zh
Inventor
俞建
高明
赵阳
耿飞
钟永颉
杨立明
刘洋
王建军
马伟伟
关泰然
杨婕琼
丁巧静
赵剑
宣玉华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd Shaoxing Shangyu District Power Supply Co
Yuyao Hongyu Power Transmission And Transformation Engineering Co ltd
State Grid Zhejiang Electric Power Co Ltd Yuyao Power Supply Co
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Shaoxing Shangyu District Power Supply Co
Yuyao Hongyu Power Transmission And Transformation Engineering Co ltd
State Grid Zhejiang Electric Power Co Ltd Yuyao Power Supply Co
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd Shaoxing Shangyu District Power Supply Co, Yuyao Hongyu Power Transmission And Transformation Engineering Co ltd, State Grid Zhejiang Electric Power Co Ltd Yuyao Power Supply Co, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd Shaoxing Shangyu District Power Supply Co
Priority to CN202311318595.0A priority Critical patent/CN117056402B/zh
Publication of CN117056402A publication Critical patent/CN117056402A/zh
Application granted granted Critical
Publication of CN117056402B publication Critical patent/CN117056402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于多源信号的电机诊断方法、装置及存储介质。涉及风电机组检测技术领域。方法包括：获取风电机组的运行参数组成多维度特征向量；对多维度特征向量进行维度提取得到多维特征集；进行波动性指标运算得到波动性指标集；基于训练好的双通道的神经网络模型，将多维特征集输入到神经网络模型的第一特征提取通道得到第一输入特征，将波动性指标集输入到神经网络模型的第二特征提取通道得到第二输入特征；将第一输入特征和第二输入特征合并输入到神经网络模型得到多维特征数据库；对多维特征数据库进行K均值聚类运算确定多维特征数据库的健康特征数据；进行二维可视化处理得到健康分布情况。本发明提高了对风电机组异常的发现能力。

Description

一种基于多源信号的电机诊断方法、装置及存储介质
技术领域
本发明涉及风电机组检测技术领域，具体而言，涉及一种基于多源信号的电机诊断方法、装置及存储介质。
背景技术
在社会发展过程中，化石能源为能源消耗中的最主要部分，但随着化石燃料不可再生、储量逐渐降低以及对生态环境造成危害等问题，使得全球各国提高了对清洁能源的研究和关注。然而，风电机组通常都运行在环境极为恶劣的情况中，经常会面临强阵风、机组内外的温度差大、负载多变等等问题。并且不同类型的风电场也会面临着不同的环境问题，如海上风电场中风电机组处在环境的空气湿度较大、盐分较高，处于机组中的零部件极其容易受到腐蚀；处于陆上的风电场面临着空气中的沙尘含量较高，机组的密封条件不好时，极易造成机械部件的磨损，如果风电机组故障发现不及时，很容易造成重大损失。
发明内容
为解决上述问题，本发明提供一种基于多源信号的电机诊断方法、装置及存储介质。
根据本发明的第一方面，本发明提供一种基于多源信号的电机诊断方法，包括：
获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集；
对所述多维特征集进行波动性指标运算得到波动性指标集；
基于训练好的双通道的神经网络模型，将所述多维特征集输入到所述神经网络模型的第一特征提取通道得到第一输入特征，将所述波动性指标集输入到所述神经网络模型的第二特征提取通道得到第二输入特征；
将所述第一输入特征和所述第二输入特征合并输入到所述神经网络模型得到多维特征数据库；
对所述多维特征数据库进行K均值聚类运算确定所述多维特征数据库的健康特征数据；
对所述健康特征数据进行二维可视化处理得到健康分布情况。
可选地，所述获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集包括：
根据所述风电机组的运行参数组成多维度特征向量；
对所述多维度特征向量进行特征提取运算，分别获取所述多维度特征向量的方差、平均值和极值，所述多维特征集包括所述方差、所述平均值和所述极值。
可选地，所述波动性指标集包括变异系数、稳定度和平均距离百分比；所述对所述多维特征集进行波动性指标运算得到波动性指标集包括：
根据所述多维度特征向量的标准差和所述平均值的比值得到所述变异系数；
根据所述多维度特征向量极大值与极小值的比值确定所述稳定度；
根据所述多维度特征向量的所述方差与所述平均值的比值确定所述平均距离百分比。
可选地，所述神经网络模型训练过程包括：
S1：将原始样本数据标准化，并划分为训练集与测试集；
S2：将所述训练集中的所述多维特征集和所述波动性指标集分别通过所述第一特征提取通道和所述第二特征提取通道输入初始化的所述神经网络模型；
S3：根据反向传播算法不断更新所述神经网络模型的权重与偏置，当所述神经网络模型的输出结果的损失值小于预设的阈值范围时，将所述输出结果带入分类器获取分类结果；
S4：将所述测试集输入所述神经网络模型得到测试结果，当所述测试结果精度大于或等于预设精度值时，保存所述神经网络模型；当所述测试结果精度小于所述精度值时，重复S3对所述神经网络模型进行迭代。
可选地，所述对所述多维特征数据库进行K均值聚类运算得到健康特征数据包括：
根据设定的样本距离随机选择K个样本作为初始的聚类中心；
分别获取各个簇中任意样本相对于所述聚类中心的误差值平方和；
根据所述误差值平方和和聚类等级数K的非线性关系进行拟合得到最优K值曲率并确定所述聚类等级数；
将所述聚类等级数带入并重新进行迭代，直到聚类中心变化量小于预设阈值，或所述迭代的次数达到预定次数时，确定所述聚类中心为所述健康特征数据。
可选地，所述对所述健康特征数据进行二维可视化处理得到健康分布情况包括：
基于高斯分布得到所述健康特征数据间的相似度特征，并对所述相似度特征进行归一化处理得到所述健康特征数据在高维空间的第一概率分布；
将低维数据中的任意两个点数据转化为第二概率分布；
根据所述第一概率分布和所述第二概率分布得到熵值损失函数，所述损失函数用于优化所述低维数据的所述点数据位置，使得所述点数据的概率分布趋近于所述健康特征数据的概率分布。
第二方面，本发明还提供一种基于多源信号的电机诊断装置包括：
第一运算单元，用于获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集；
第二运算单元：用于对所述多维特征集进行波动性指标运算得到波动性指标集；
神经网络单元：用于基于训练好的双通道的神经网络模型，将所述多维特征集输入到所述神经网络模型的第一特征提取通道得到第一输入特征，将所述波动性指标集输入到所述神经网络模型的第二特征提取通道得到第二输入特征；
所述神经网络单元还用于：将所述第一输入特征和所述第二输入特征合并输入到所述神经网络模型得到多维特征数据库；
筛选单元：对所述多维特征数据库进行K均值聚类运算确定所述多维特征数据库的健康特征数据；
输出单元：对所述健康特征数据进行二维可视化处理得到健康分布情况。
可选地，基于多源信号的电机诊断装置包括存储器和处理器：
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如系一方面中任一项所述的基于多源信号的电机诊断方法。
第三方面，本发明还提供一种电机诊断设备，包括如第二方面中所述的基于多源信号的电机诊断装置。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面中任意一项所述的基于多源信号的电机诊断方法。
本发明提供的技术方案可以包括以下有益效果：
本发明提供的基于多源信号的电机诊断方法，获取风电机组的信息运行参数组成特征向量，并对该特征向量进行运算得到多维特征集；将多维特征集的组成元素进一步进行波动性指标运算得到波动性指标集，将两个数据集分别通过双通道神经网络模型的通道输入到神经网络模型中，得到特征提取后的多维特征数据库；并根据均值聚类运算对多维特征数据库中的数据进行提取得到健康特征数据，该数据用于表现风电机组电机的健康状况；对该数据进行二维化处理得到输出的健康分布情况。通过将风电机组数据的特征量和波动量分别通过双通道的神经网络模型进行特征提取与合并最后得到输出特征分布，并基于该分布进行K值确定得到健康特征数据用来放映风电机组的健康状态，并通过二维可视化处理将健康特征数据进行结果输出得到风电机组电机的健康分布情况，有效的增强了对风电机组的故障诊断以及预防能力，对风电机组的实时数据进行无监督的健康状态分类，可以实现风电机组实时状态监测与预警，降低了故障发现不及时造成重大损失的风险。
附图说明
图1为本发明实施例提供的一种基于多源信号的电机诊断方法的流程示意图；
图2为本发明另一实施例提供的神经网络模型训练流程示意图；
图3为本发明实施例提供的一种基于多源信号的电机诊断装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
第一方面，如图1所示，本发明实施例提供一种基于多源信号的电机诊断方法，包括：
S100：获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集；
具体地，获取风电机组发电机的轴承温度、转子绕组电压、转子绕组电流、齿轮箱振动信号、齿轮箱油温五种特征量，并用k*1阶列向量进行表示，对所有的风电机k时刻的特征状态信息集进行数理统计分析，计算平均值、方差、极大值与极小值的计算，并合并得到多维特征集；
S200：对所述多维特征集进行波动性指标运算得到波动性指标集；
具体地，根据多维度特征向量中的的标准差和平均值的比值得到变异系数；根据多维度特征向量中极大值与极小值的比值确定稳定度；根据多维度特征向量中方差与平均值的比值确定平均距离百分比。
S300：基于训练好的双通道的神经网络模型，将所述多维特征集输入到所述神经网络模型的第一特征提取通道得到第一输入特征，将所述波动性指标集输入到所述神经网络模型的第二特征提取通道得到第二输入特征；
具体地，将S100步骤中得到的风电机组的多维特征数据集输入到神经网络模型的第一特征提取通道中，将S200步骤中获得的波动性指标集输入到神经网络模型的第二特征提取通道中，分别在对应通道中进行卷积核卷积得到第一输入特征和第二输入特征。
S400：将所述第一输入特征和所述第二输入特征合并输入到所述神经网络模型得到多维特征数据库；
具体地，在输入层位置将第一输入特征和第二输入特征进行叠加合并，将合并后的数据输入到神经网络模型中，经过神经网络模型进行特征处理最终输出概率分布特征并将多个特征组成多维特征数据库。
S500：对所述多维特征数据库进行K均值聚类运算确定所述多维特征数据库的健康特征数据；
具体地，采用K均值聚类运算将整个数据库内的特征作为样本，划分为K个簇并确定各个簇的中心点位，以此确定各个簇离散的中心点，最终将各个簇的中心点确定为健康特征数据。
S600对所述健康特征数据进行二维可视化处理得到健康分布情况。
具体地，对多维度的健康特征数据进行二维可视化进行数据低维度关联，将健康特征数据通过损失函数映射为可以输出的二维数据，将损失函数的损失值最小时，确定该数值下二维数据的概率分布信息最接近健康特征数据，将二维数据输出得到健康分布情况。
在本实施例中，通过获取风电机组的信息运行参数组成特征向量，并对该特征向量进行运算得到多维特征集；将多维特征集的组成元素进一步进行波动性指标运算得到波动性指标集，将两个数据集分别通过双通道神经网络模型的通道输入到神经网络模型中，得到特征提取后的多维特征数据库；并根据均值聚类运算对多维特征数据库中的数据进行提取得到健康特征数据，该数据用于表现风电机组电机的健康状况；对该数据进行二维化处理得到输出的健康分布情况。通过将风电机组数据的特征量和波动量分别通过双通道的神经网络模型进行特征提取与合并最后得到输出特征分布，并基于该分布进行K值确定得到健康特征数据用来放映风电机组的健康状态，并通过二维可视化处理将健康特征数据进行结果输出得到风电机组电机的健康分布情况，有效的增强了对风电机组的故障诊断以及预防能力，对风电机组的实时数据进行无监督的健康状态分类，可以实现风电机组实时状态监测与预警，降低了故障发现不及时造成重大损失的风险。
在一个可选的实施例中，所述获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集包括：
根据所述风电机组的运行参数组成多维度特征向量；
对所述多维度特征向量进行特征提取运算，分别获取所述多维度特征向量的方差、平均值和极值，所述多维特征集包括所述方差、所述平均值和所述极值。
进一步地，所述波动性指标集包括变异系数、稳定度和平均距离百分比；所述对所述多维特征集进行波动性指标运算得到波动性指标集包括：
根据所述多维度特征向量的标准差和所述平均值的比值得到所述变异系数；
根据所述多维度特征向量极大值与极小值的比值确定所述稳定度；
根据所述多维度特征向量的所述方差与所述平均值的比值确定所述平均距离百分比。
具体地，基于多种传感器的监测系统收集：发电机轴承温度、转子绕组电压、转子绕组电流/>、齿轮箱振动信号/>、齿轮箱油温/>，并用k*1阶列向量进行表示，建立的列向量为：
；
表示第x台风电机在k时刻时风电机组的特征状态信息，对所有的风电机k时刻的特征状态信息集进行信息特征提取并得到多维特征集，其中：
平均值计算公式：；
方差计算公式：；
极值计算：，/>；
多维特征集为：；
而后根据平均值、方差和极值计算波动性指标集的变异系数、平均距离百分比很稳定度；变异系数是归一化后的数据标准差与平均值之比，变异系数可以用来反映数据的离散程度；平均距离百分比为此台风电机健康状态量所有测量点距离中心点的平均距离与均值之比，反映风电机健康状态量检测数据均值中心点的大小情况；稳定度为样本中最大值与最小值之比，稳定度可以区分数据的离差情况，具体有
变异系数计算公式：；
其中，为第x台风电机k时刻健康状态量的变异系数；/>为k时刻风电机健康状态量的平均值；/>归一化后的风电机健康状态量偏差值，n为所检测k时刻风电机健康状态量测量点个数。
平均距离百分比公式：；
其中，为第x台风电机k时刻健康状态量的平均距离百分比。
稳定度公式：；
式中，为计算出第x台风电机k时刻该风电机健康状态量的稳定度。
在本实施例中，对风电机组的电机数据进行运算分别获取了包括了平均值、方差、极值的多维特征集和包括了变异系数、平均距离百分比和稳定度的波动性指标集，对数据进行类别行的划分，用以通过神经网络模型不同通道的特征提取，提高了对于风电机组数据特征提取的准确性，确保最终结果的可信度。
如图2所示，在一个可选的实施例中，所述神经网络模型训练过程包括：
S1：将原始样本数据标准化，并划分为训练集与测试集；
S2：将所述训练集中的所述多维特征集和所述波动性指标集分别通过所述第一特征提取通道和所述第二特征提取通道输入初始化的所述神经网络模型；
S3：根据反向传播算法不断更新所述神经网络模型的权重与偏置，当所述神经网络模型的输出结果的损失值小于预设的阈值范围时，将所述输出结果带入分类器获取分类结果；
S4：将所述测试集输入所述神经网络模型得到测试结果，当所述测试结果精度大于或等于预设精度值时，保存所述神经网络模型；当所述测试结果精度小于所述精度值时，重复S3对所述神经网络模型进行迭代。
具体地，神经网络模型设有输入层、卷积层、批归一化层、池化层、全连接层和输出层，将原始数据进行标准化得到训练集数据；用训练集数据训练改进卷积神经网络，将输入数据集划分为两个子集，分别输入两个通道，其中数理统计量（即多维特征数据）矩阵输入通道1，波动性指标输入通道2；初始化模型的参数，利用BP（反向传播）算法微调网络的权重与偏置，迭代计算，交叉熵损失函数达到小于设定的阈值后迭代结束，得到训练后的网络模型，其中：交叉熵损失函数L计算如下：
；
其中，l为样本的真实标签，正类值为1，负类值为0，为样本预测的概率值，表示真实样本标签与预测概率之间的差值，且/>。
而后使用Softmax分类器输出分类结果，将测试集数据输入训练后的网络模型，得到测试集分类结果，判断网络的训练精度是否满足要求，若满足，则保存网络模型，若不满足，则重新设置网络参数，重复进行迭代。
在本实施例中，对设有输入层、卷积层、批归化一层、池化层、全连接层和输出层结构的初始神经网络进行迭代训练，将多种不同工况下的原始数据一一处理得到标准数据集，而后依次经过卷积层、批归化一层和池化层进行特征的提取得到输出的特征，并将该特征重新作为输入量进行迭代，直至满足数据的误差值小于预设误差或者误差差值的循环次数达到最大的循环次数时，得到训练好的神经网络模型。提高对于特征的提取准确度以及特征提取的速度，提高了了最终诊断结果的准确性。
在一个可选的实施例中，所述对所述多维特征数据库进行K均值聚类运算得到健康特征数据包括：
根据设定的样本距离随机选择K个样本作为初始的聚类中心；
分别获取各个簇中任意样本相对于所述聚类中心的误差值平方和；
根据所述误差值平方和和聚类等级数K的非线性关系进行拟合得到最优K值曲率并确定所述聚类等级数；
将所述聚类等级数带入并重新进行迭代，直到聚类中心变化量小于预设阈值，或所述迭代的次数达到预定次数时，确定所述聚类中心为所述健康特征数据。
具体地，设定K均值聚类算法中有K个簇，采用欧式距离作为度量距离，任意2个点位的健康状态量的状态信息量Ri和Rj欧式距离公式如下：
；
K均值聚类簇的个数K是未知，采用单一的人工主观设定簇的个数缺乏理论依据，不能达到良好的聚类效果，因此需要计算簇内的误差值平方和确定其簇的个数，得到最优K值，有如下公式：
；
其中，SSE为每个簇内任意样本点距离簇中心点的误差值，P j（j=1、2……k）表示聚类后的第j个簇，Ri为属于不同簇下P j的数据点，是该簇中心的数据点。
随着聚类等级数K值的增大，即样本划分的簇数会更多，此时每个簇的聚合程度会逐渐提高，SSE的值会一直递减。当K小于最优聚类数时，K值的增加使得聚合程度大幅增加，故SSE的下降幅度会很大。而当K值接近最优聚类数时，K值增加使得聚合程度回报会迅速变小，SSE的下降幅度会骤减，逐步趋于平缓，因此SSE和K存在非线性关系，对二者之间的关系进行非线性函数拟合，曲线中曲率的最大值所对应的K即为最优等级数，曲率的计算公式为：
；
其中，P为拟合后函数f(x)的曲率，令x=K，则最优K为：max{P（K）|K=1，2，···，n}，确定K值后，从样本集合中随机抽取K个样本点作为初始聚类中心；通过计算与中心点的距离找出每个样本距所适合的簇，并通过所构造的簇计算出该簇最佳的聚类中心，不断进行迭代直到簇的中心点不变或达到设定的迭代的次数或达到设定的误差范围内，确定聚类中心为健康特征数据。
在一个可选的实施例中，所述对所述健康特征数据进行二维可视化处理得到健康分布情况包括：
基于高斯分布得到所述健康特征数据间的相似度特征，并对所述相似度特征进行归一化处理得到所述健康特征数据在高维空间的第一概率分布；
将低维数据中的任意两个点数据转化为第二概率分布；
根据所述第一概率分布和所述第二概率分布得到熵值损失函数，所述损失函数用于优化所述低维数据的所述点数据位置，使得所述点数据的概率分布趋近于所述健康特征数据的概率分布。
具体地，通过高斯分布将数据点之间的高维欧几里得距离转换为表示相似性的条件概率，实现了高维度的数据降维，任意两点r i、r j之间的条件概率由下式给出：
；
其中，σ i是以数据点r i为中心的高斯方差。
将低维度中任意两个数据点s 1、s 2的数据转化为条件概率，此时设，其/>为：
；
采用低维度数据点去拟合高维度据点的分布，采用相对熵值去衡量二者的分布的一致性，将熵值定义为代价函数：
；
对代价函数求梯度下降，寻找合适的低维度数据点去代表高维度数据点，其中当代价函数的损失值越小代表低维度数据点与高纬度数据点反应概率越接近。
在本实施例中，通过高斯分布将得到的高纬度数据点进行损失函数关联，采用低维度数据点进行表达，通过追寻最小的函数损失值，确定低维点位中最接近高维点的点位，并作为可视化结果进行输出，得到风电机组的健康诊断结果。
第二方面，如图3所示，本发明还提供一种基于多源信号的电机诊断装置包括：
第一运算单元，用于获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集；
第二运算单元：用于对所述多维特征集进行波动性指标运算得到波动性指标集；
神经网络单元：用于基于训练好的双通道的神经网络模型，将所述多维特征集输入到所述神经网络模型的第一特征提取通道得到第一输入特征，将所述波动性指标集输入到所述神经网络模型的第二特征提取通道得到第二输入特征；
所述神经网络单元还用于：将所述第一输入特征和所述第二输入特征合并输入到所述神经网络模型得到多维特征数据库；
筛选单元：对所述多维特征数据库进行K均值聚类运算确定所述多维特征数据库的健康特征数据；
输出单元：对所述健康特征数据进行二维可视化处理得到健康分布情况。
可选地，基于多源信号的电机诊断装置包括存储器和处理器：
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如系一方面中任一项所述的基于多源信号的电机诊断方法。
第三方面，本发明还提供一种电机诊断设备，包括如第二方面中所述的基于多源信号的电机诊断装置。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面中任意一项所述的基于多源信号的电机诊断方法。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。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/或者要求的本发明的实现。
电子设备包括计算单元，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (8)

1.一种基于多源信号的电机诊断方法，其特征在于，包括：
获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集，
其中，所述获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集包括：
根据所述风电机组的运行参数组成多维度特征向量；
对所述多维度特征向量进行特征提取运算，分别获取所述多维度特征向量的方差、平均值和极值，所述多维特征集包括所述方差、所述平均值和所述极值；
对所述多维特征集进行波动性指标运算得到波动性指标集，其中，所述波动性指标集包括变异系数、稳定度和平均距离百分比；
其中，所述对所述多维特征集进行波动性指标运算得到波动性指标集包括：
根据所述多维度特征向量的标准差和所述平均值的比值得到所述变异系数；
根据所述多维度特征向量极大值与极小值的比值确定所述稳定度；
根据所述多维度特征向量的所述方差与所述平均值的比值确定所述平均距离百分比；
基于训练好的双通道的神经网络模型，将所述多维特征集输入到所述神经网络模型的第一特征提取通道得到第一输入特征，将所述波动性指标集输入到所述神经网络模型的第二特征提取通道得到第二输入特征；
将所述第一输入特征和所述第二输入特征合并输入到所述神经网络模型得到多维特征数据库；
对所述多维特征数据库进行K均值聚类运算确定所述多维特征数据库的健康特征数据；
对所述健康特征数据进行二维可视化处理得到健康分布情况。
2.根据权利要求1所述的基于多源信号的电机诊断方法，其特征在于，所述神经网络模型训练过程包括：
S1：将原始样本数据标准化，并划分为训练集与测试集；
S2：将所述训练集中的所述多维特征集和所述波动性指标集分别通过所述第一特征提取通道和所述第二特征提取通道输入初始化的所述神经网络模型；
S3：根据反向传播算法不断更新所述神经网络模型的权重与偏置，当所述神经网络模型的输出结果的损失值小于预设的阈值范围时，将所述输出结果带入分类器获取分类结果；
S4：将所述测试集输入所述神经网络模型得到测试结果，当所述测试结果精度大于或等于预设精度值时，保存所述神经网络模型；当所述测试结果精度小于所述精度值时，重复S3对所述神经网络模型进行迭代。
3.根据权利要求1所述的基于多源信号的电机诊断方法，其特征在于，所述对所述多维特征数据库进行K均值聚类运算得到健康特征数据包括：
根据设定的样本距离随机选择K个样本作为初始的聚类中心；
分别获取各个簇中任意样本相对于所述聚类中心的误差值平方和；
根据所述误差值平方和和聚类等级数K的非线性关系进行拟合得到最优K值曲率并确定所述聚类等级数；
将所述聚类等级数带入并重新进行迭代，直到聚类中心变化量小于预设阈值，或所述迭代的次数达到预定次数时，确定所述聚类中心为所述健康特征数据。
4.根据权利要求3所述的基于多源信号的电机诊断方法，其特征在于，所述对所述健康特征数据进行二维可视化处理得到健康分布情况包括：
基于高斯分布得到所述健康特征数据间的相似度特征，并对所述相似度特征进行归一化处理得到所述健康特征数据在高维空间的第一概率分布；
将低维数据中的任意两个点数据转化为第二概率分布；
根据所述第一概率分布和所述第二概率分布得到熵值损失函数，所述损失函数用于优化所述低维数据的所述点数据位置，使得所述点数据的概率分布趋近于所述健康特征数据的概率分布。
5.一种基于多源信号的电机诊断装置，其特征在于，包括：
第一运算单元，用于获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集，
其中，所述获取风电机组的运行参数组成多维度特征向量；对所述多维度特征向量进行维度提取得到多维特征集包括：
根据所述风电机组的运行参数组成多维度特征向量；
对所述多维度特征向量进行特征提取运算，分别获取所述多维度特征向量的方差、平均值和极值，所述多维特征集包括所述方差、所述平均值和所述极值；
第二运算单元：用于对所述多维特征集进行波动性指标运算得到波动性指标集，其中，所述波动性指标集包括变异系数、稳定度和平均距离百分比；
其中，所述对所述多维特征集进行波动性指标运算得到波动性指标集包括：
根据所述多维度特征向量的标准差和所述平均值的比值得到所述变异系数；
根据所述多维度特征向量极大值与极小值的比值确定所述稳定度；
根据所述多维度特征向量的所述方差与所述平均值的比值确定所述平均距离百分比；
神经网络单元：用于基于训练好的双通道的神经网络模型，将所述多维特征集输入到所述神经网络模型的第一特征提取通道得到第一输入特征，将所述波动性指标集输入到所述神经网络模型的第二特征提取通道得到第二输入特征；
所述神经网络单元还用于：将所述第一输入特征和所述第二输入特征合并输入到所述神经网络模型得到多维特征数据库；
筛选单元：对所述多维特征数据库进行K均值聚类运算确定所述多维特征数据库的健康特征数据；
输出单元：对所述健康特征数据进行二维可视化处理得到健康分布情况。
6.一种基于多源信号的电机诊断装置，其特征在于，包括存储器和处理器：
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1-4中任一项所述的基于多源信号的电机诊断方法。
7.一种电机诊断设备，其特征在于，包括如权利要求6所述的基于多源信号的电机诊断装置。
8.一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，所述程序被处理器执行时实现权利要求1至4中任一项所述的基于多源信号的电机诊断方法。
CN202311318595.0A 2023-10-12 2023-10-12 一种基于多源信号的电机诊断方法、装置及存储介质 Active CN117056402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311318595.0A CN117056402B (zh) 2023-10-12 2023-10-12 一种基于多源信号的电机诊断方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311318595.0A CN117056402B (zh) 2023-10-12 2023-10-12 一种基于多源信号的电机诊断方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117056402A CN117056402A (zh) 2023-11-14
CN117056402B true CN117056402B (zh) 2024-04-02

Family

ID=88654030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311318595.0A Active CN117056402B (zh) 2023-10-12 2023-10-12 一种基于多源信号的电机诊断方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117056402B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332320B (zh) * 2023-11-21 2024-02-02 浙江大学 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN111562108A (zh) * 2020-05-09 2020-08-21 浙江工业大学 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111815033A (zh) * 2020-06-19 2020-10-23 上海电力大学 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN112949196A (zh) * 2021-03-11 2021-06-11 中国石油大学(北京) 一种基于残差神经网络的抽油机井故障诊断方法及系统
CN114139788A (zh) * 2021-11-23 2022-03-04 北京华能新锐控制技术有限公司 海上风电机组功率预测方法及装置
CN115146718A (zh) * 2022-06-27 2022-10-04 北京华能新锐控制技术有限公司 基于深度表示的风电机组异常检测方法
WO2023045278A1 (zh) * 2021-09-27 2023-03-30 西安交通大学 数据双驱动的台风灾害下电网故障预测方法、装置和设备
CN116861316A (zh) * 2023-09-04 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255848B (zh) * 2021-07-08 2021-10-15 浙江大学 基于大数据学习的水轮机空化声信号辨识方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN111562108A (zh) * 2020-05-09 2020-08-21 浙江工业大学 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111815033A (zh) * 2020-06-19 2020-10-23 上海电力大学 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN112949196A (zh) * 2021-03-11 2021-06-11 中国石油大学(北京) 一种基于残差神经网络的抽油机井故障诊断方法及系统
WO2023045278A1 (zh) * 2021-09-27 2023-03-30 西安交通大学 数据双驱动的台风灾害下电网故障预测方法、装置和设备
CN114139788A (zh) * 2021-11-23 2022-03-04 北京华能新锐控制技术有限公司 海上风电机组功率预测方法及装置
CN115146718A (zh) * 2022-06-27 2022-10-04 北京华能新锐控制技术有限公司 基于深度表示的风电机组异常检测方法
CN116861316A (zh) * 2023-09-04 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Paulo Salgado ; 等.Hybrid fuzzy clustering neural networks to wind power generation forecasting.《2013 IEEE 14th International Symposium on Computational Intelligence and Informatics (CINTI)》.2014,359-363. *
基于时频热力图的电机运行状态监测及故障诊断技术应用研究;曾成;《中国优秀硕士论文电子期刊网》;C042-678 *
融合可靠性指标分析的风电机组齿轮箱故障诊断方法研究;雷启龙;;仪器仪表与分析监测(03);29-33 *

Also Published As

Publication number Publication date
CN117056402A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
Saufi et al. Gearbox fault diagnosis using a deep learning model with limited data sample
Wang et al. Modified multiscale weighted permutation entropy and optimized support vector machine method for rolling bearing fault diagnosis with complex signals
WO2021135630A1 (zh) 基于grcmse与流形学习的滚动轴承故障诊断方法
Liu et al. Global geometric similarity scheme for feature selection in fault diagnosis
CN108709745B (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
CN117056402B (zh) 一种基于多源信号的电机诊断方法、装置及存储介质
CN111709490A (zh) 一种基于gru神经网络的风机健康状态评估方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN109583635B (zh) 一种面向运行可靠性的短期负荷预测建模方法
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN113222289B (zh) 一种基于数据处理的能源功率的预测方法
CN116431975A (zh) 一种数据中心的环境监测方法及系统
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN115290316A (zh) 一种偏心旋转阀故障诊断方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
Lei et al. Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm
Dong et al. Non-negative wavelet matrix factorization-based bearing fault intelligent classification method
CN108428012B (zh) 一种优化神经网络的风机噪音预测方法
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
Li et al. A fault diagnosis method for rotating machinery with semi-supervised graph convolutional network and images converted from vibration signals
Wu et al. Rolling bearing fault diagnosis using a deep convolutional autoencoding network and improved Gustafson–Kessel clustering
CN113095547B (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
CN114330881A (zh) 一种数据驱动的风机叶片结冰预测方法及装置

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