CN117076955A - 一种高压变频器的故障检测方法及系统 - Google Patents
一种高压变频器的故障检测方法及系统 Download PDFInfo
- Publication number
- CN117076955A CN117076955A CN202311321666.2A CN202311321666A CN117076955A CN 117076955 A CN117076955 A CN 117076955A CN 202311321666 A CN202311321666 A CN 202311321666A CN 117076955 A CN117076955 A CN 117076955A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- fault
- constraint
- time
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012423 maintenance Methods 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 27
- 230000002776 aggregation Effects 0.000 claims description 24
- 238000004220 aggregation Methods 0.000 claims description 24
- 238000000137 annealing Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 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
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
-
- 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
-
- 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
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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种高压变频器的故障检测方法及系统,涉及变频器技术领域,包括:建立样本数据集合,且为故障信号集合,进行小波包分解,提取电压信号特征,构建异常特征集,建立异常识别网络,且为通用识别网络,以故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络,提取设备维护特征,构建专用异常识别约束,并建立专用异常识别约束子网络,对异常识别网络重构,采集实时信号数据,预处理后输入重构后的异常识别网络,获得故障检测结果。本发明解决了传统方法由于复杂的电路结构和信号特征,导致故障识别的准确较差,并且通常只能应对特定类型的故障或特定设备,缺乏通用性和适应性的技术问题。
Description
技术领域
本发明涉及变频器技术领域,具体涉及一种高压变频器的故障检测方法及系统。
背景技术
高压变频器的故障检测是电力工程领域中的重要问题,现有技术中,由于高压变频器的复杂电路结构和信号特征,故障检测存在一些技术挑战,传统方法主要依靠经验模型或规则基础的判断,缺乏通用性和适应性,部分技术采用机器学习和信号处理等方法,但仍面临着特征提取和模型优化等难题。
因此,现有技术中高压变频器的故障检测需要更准确、可靠和智能化的方法来实现及时的故障诊断和预防维护。
发明内容
本申请通过提供了一种高压变频器的故障检测方法及系统,旨在解决传统方法由于复杂的电路结构和信号特征,导致故障识别的准确较差,并且通常只能应对特定类型的故障或特定设备,缺乏通用性和适应性的技术问题。
鉴于上述问题,本申请提供了一种高压变频器的故障检测方法及系统。
本申请公开的第一个方面,提供了一种高压变频器的故障检测方法,所述方法包括:建立样本数据集合,所述样本数据集合为以监测高压变频器的基础数据作为匹配数据,调用高压变频器数据库构建而成,且所述样本数据集合为故障信号集合;对所述样本数据集合进行小波包分解,依据小波包分解结果提取电压信号特征,构建异常特征集;建立异常识别网络,所述异常识别网络以所述异常特征集作为监督数据构建而成,且所述异常识别网络为通用识别网络;以所述样本数据集合中的故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络;提取监测高压变频器的设备维护特征,以所述设备维护特征构建专用异常识别约束,并建立专用异常识别约束子网络;将所述通用异常识别约束子网络和所述专用异常识别约束子网络对所述异常识别网络重构;采集所述监测高压变频器的实时信号数据,将所述实时信号数据预处理后输入重构后的异常识别网络,获得故障检测结果。
本申请公开的另一个方面,提供了一种高压变频器的故障检测系统,所述系统用于上述方法,所述系统包括:样本数据集合构建单元,所述样本数据集合构建单元用于建立样本数据集合,所述样本数据集合为以监测高压变频器的基础数据作为匹配数据,调用高压变频器数据库构建而成,且所述样本数据集合为故障信号集合;小波包分解单元,所述小波包分解单元用于对所述样本数据集合进行小波包分解,依据小波包分解结果提取电压信号特征,构建异常特征集;异常识别网络构建单元,所述异常识别网络构建单元用于建立异常识别网络,所述异常识别网络以所述异常特征集作为监督数据构建而成,且所述异常识别网络为通用识别网络;约束子网络构建单元,所述约束子网络构建单元用于以所述样本数据集合中的故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络;设备维护特征提取单元,所述设备维护特征提取单元用于提取监测高压变频器的设备维护特征,以所述设备维护特征构建专用异常识别约束,并建立专用异常识别约束子网络;异常识别网络重构单元,所述异常识别网络重构单元用于将所述通用异常识别约束子网络和所述专用异常识别约束子网络对所述异常识别网络重构;故障检测结果获取单元,所述故障检测结果获取单元用于采集所述监测高压变频器的实时信号数据,将所述实时信号数据预处理后输入重构后的异常识别网络,获得故障检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过建立以监测高压变频器的基础数据为匹配数据的样本数据集合,构建故障信号集合,提供丰富的训练数据;利用小波包分解对样本数据集合进行处理,提取出电压信号特征,构建异常特征集,有助于故障特征的捕捉;通过使用异常特征集作为监督数据构建异常识别网络,采用通用识别网络的形式,提供了广泛适用性和泛化能力;建立以故障信号频率为基础的通用异常识别约束子网络,以设备维护特征为基础的专用异常识别约束子网络,进一步提高故障识别的准确性和可靠性;通过以通用和专用异常识别约束子网络对异常识别网络进行重构,实现对网络的优化和个性化调整;采集监测高压变频器的实时信号数据,并经过预处理后输入重构后的异常识别网络,实现故障检测结果的获取,提供了及时有效的故障警报和维修反馈。综上所述,上述高压变频器的故障检测方法,通过结合小波包分解、异常识别网络构建、通用和专用异常识别约束子网络、网络重构和实时信号数据检测等技术手段,解决了高压变频器故障检测存在的不足,实现了更准确、通用、高效的故障检测效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种高压变频器的故障检测方法流程示意图;
图2为本申请实施例提供了一种高压变频器的故障检测方法中小波包分解信号流程示意图;
图3为本申请实施例提供了一种高压变频器的故障检测系统结构示意图。
附图标记说明:样本数据集合构建单元10,小波包分解单元20,异常识别网络构建单元30,约束子网络构建单元40,设备维护特征提取单元50,异常识别网络重构单元60,故障检测结果获取单元70。
具体实施方式
本申请实施例通过提供一种高压变频器的故障检测方法,解决了传统方法由于复杂的电路结构和信号特征,导致故障识别的准确较差,并且通常只能应对特定类型的故障或特定设备,缺乏通用性和适应性的技术问题。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种高压变频器的故障检测方法,所述方法包括:
建立样本数据集合,所述样本数据集合为以监测高压变频器的基础数据作为匹配数据,调用高压变频器数据库构建而成,且所述样本数据集合为故障信号集合;
采集监测高压变频器的基础数据,包括电压、电流、温度等相关参数的实时监测数据,根据存储的历史数据构建高压变频器数据库,这个数据库还包含各种故障情况下的数据样本。将监测的高压变频器基础数据与调用的高压变频器数据库进行匹配,选择与基础数据相匹配的数据样本,构建样本数据集合,该样本数据集合包含不同类型和程度的故障信号的数据,用于后续训练异常识别网络。
对所述样本数据集合进行小波包分解,依据小波包分解结果提取电压信号特征,构建异常特征集;
对样本数据集合中的电压信号进行小波包分解,小波包分解是一种信号处理技术,它采用不同尺度和频率的小波基函数,将信号分解成多个子信号。具体的,小波包分解信号流程如图2所示,由图2可知,分解层数与频率分辨率成正比,信号的全部频带成分都被各层的分解所覆盖,小波包分解信号的计算过程如下式所示:
,
其中,表示高压变频器功率单元运行时输出的相电压信号,/>表示高通滤波器组小波包函数,/>表示低通滤波器组小波包函数,t为电压包络输出信号分解的时间,n为相电压信号数,k为小波中心频率。
将高压变频器功率单元的电压信号分解至高低频通道里,得到高低滤波器组分解的输出相电压信号,即多个子信号,以此完成电压信号的小波分解。
由于电压信号包络显示故障信号的突变信号的突变信息情况,通过采用小波包分解方法实施电压信号包络的提取,具体的,对得到的高压变频器功率单元运行时输出的相电压信号进行解析,获取解析信号,然后计算解析信号幅值,获取电压信号包络。
为进一步得到各分解段的特征,在提取的电压信号包络中进行电压信号特征熵的提取,具体的,为了计算出各段的能量值,依据时间轴将电压包络信号平分为N份,依次对每段包络信号的能量进行计算,并对得到的能量进行归一化处理,然后根据信号熵的基本理论,提取电压信号特征,得到的电压信号特征能够有效地表征电压信号的变化模式和故障特征。
将从每段包络信号中提取的特征组合起来,构建异常特征集,这个异常特征集包含了样本数据集合中每个电压信号的特征向量。
建立异常识别网络,所述异常识别网络以所述异常特征集作为监督数据构建而成,且所述异常识别网络为通用识别网络;
基于支持向量机构建异常识别网络,使用异常特征集作为训练数据,通过监督学习的方式对异常识别网络进行训练,训练的目标是使网络能够正确地分类正常和异常样本,以实现准确的故障检测。训练过程中,通过梯度下降等优化算法,调整网络的参数以最小化损失函数,进而提高网络在训练数据上的性能,并增强其泛化能力,以便在未见过的数据上进行准确的故障检测。
通过将异常特征集作为监督数据,构建得到该通用的异常识别网络,该网络通过训练和优化,能够准确地判断输入数据是否属于正常或异常情况,进而实现高效的故障检测功能。
以所述样本数据集合中的故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络;
通过傅里叶变换,从样本数据集合中提取故障信号的频率特征,以提取到的故障信号频率作为输入数据,构建异常识别约束子网络,该子网络的目标是学习故障信号的频率模式,并将其与正常信号相区分。使用故障信号频率作为训练数据,对约束子网络进行训练,训练过程中,子网络学习如何判断输入频率是否属于正常范围,以及如何区分不同的故障频率模式。通过优化算法,如梯度下降等,调整约束子网络的参数,以最小化预测误差并提高对异常频率的准确识别能力。通过训练和优化获得通用异常识别约束子网络,并以样本数据集合中的故障信号频率作为输入,该子网络可以学习和捕捉故障信号的频率模式,这样,在后续的故障检测过程中,通过将实时信号的频率与该约束子网络进行比较,可以判断信号是否存在异常。
提取监测高压变频器的设备维护特征,以所述设备维护特征构建专用异常识别约束,并建立专用异常识别约束子网络;
获取监测高压变频器的设备维护数据,采用特征提取方法,如主成分分析算法,对设备维护数据进行特征提取,获取温度、振动、湿度等与设备状态相关的指标。
利用从设备维护数据中提取的特征,构建专用异常识别约束,该约束用于限制故障检测过程中的判定条件,确保模型能够较好地识别设备的异常情况。基于提取的设备维护特征和构建的专用异常识别约束,建立专用异常识别约束子网络,这个子网络的目标是学习并捕捉设备维护特征与正常/异常状态之间的关联。使用含有设备维护特征和相应标签的训练数据对该专用异常识别约束子网络进行训练,使用监督学习的方法,通过优化算法调整子网络的参数,以实现准确的设备状态分类和异常检测。
通过构建专用异常识别约束子网络,可以从设备运行状态的角度提供额外的约束和判断依据,这有助于提高故障检测方法的精度和可靠性。
将所述通用异常识别约束子网络和所述专用异常识别约束子网络对所述异常识别网络重构;
将所述通用异常识别约束子网络和所述专用异常识别约束子网络分别作为新的网络层添加到所述异常识别网络中,并适当地调整网络结构和连接方式,以确保各个部分能够协同工作,完成所述异常识别网络的重构。其中,通用异常识别约束子网络可以提供对常见故障模式的广泛覆盖,专用异常识别约束子网络则针对特定设备的维护特征进行精细化的判断,这样可以结合两个子网络的优势,兼顾通用性和个别性的需求,提高故障检测的性能。
采集所述监测高压变频器的实时信号数据,将所述实时信号数据预处理后输入重构后的异常识别网络,获得故障检测结果。
通过监测设备实时采集监测高压变频器的信号数据,包括电压、电流、温度等与变压器运行状态相关的参数,获取实时信号数据,将获取的实时信号数据进行预处理,包括去除噪声、滤波、数据归一化等操作,以提高数据质量和整合性,将经过预处理的实时信号数据输入到重构后的异常识别网络中,异常识别网络根据之前训练和优化的结果,对输入的实时信号数据进行计算和判断,并输出相应的故障检测结果,结果可以表示为正常/异常或者概率分数等形式,用于指示高压变频器是否存在故障情况。
进一步而言,所述方法还包括:
对所述样本数据集合进行时间标识,记录时间标识结果;
以故障类型作为分类特征,对所述样本数据集合进行故障时间自适应聚合,根据故障时间聚合结果生成故障时序关联;
以所述故障时序关联建立时序约束子网络,并将所述时序约束子网络耦合至重构后的所述异常识别网络。
使用数据采集设备的时间戳或者系统时钟的时间标记等时间信息,对样本数据集合中的每个数据样本,执行时间标识操作,并通过添加额外的时间列来存储时间标识结果,以此为每个数据样本建立与时间相关的关联,为故障检测提供时间上的参考。
将每个数据样本的故障类型作为分类特征,故障类型可以表示不同种类或不同严重程度的故障情况,基于故障类型分类特征,对样本数据集合进行故障时间自适应聚合,即根据故障类型划分数据,并将相同故障类型下的数据进行聚类,并将每一类的故障数据按照时间顺序进行整合,以反映故障类型下的时间特征。根据故障时间自适应聚合的结果,生成故障时序关联,这些关联表现为故障类型与时间之间的规律,用于描述不同故障类型在时间上的分布和变化。
使用生成的故障时序关联作为训练数据,采用适合处理时间序列数据的神经网络架构,如循环神经网络,建立时序约束子网络,根据故障时序关联的特点设计该时序约束子网络的结构和参数,使用带有故障时序关联的训练数据对时序约束子网络进行训练,训练的目标是使子网络能够学习和捕捉故障时序关联的模式,利用监督学习的方法,通过优化算法来调整子网络的参数,获得训练好的时序约束子网络。
将该时序约束子网络作为重构后的异常识别网络的一部分,添加到所述异常识别网络中,并适当地调整网络结构和连接方式,时序约束子网络可以帮助异常识别网络更好地理解和利用故障事件的顺序、时间间隔等信息,进而增强异常识别网络对故障时序关联的学习和判断能力。
进一步而言,所述方法还包括:
当所述实时信号数据预处理完成后,分离获得所述实时信号数据的时间映射;
从经过预处理的实时信号数据中分离出时间信息,时间可以是数据采集时间戳或其他与实时信号数据相关的时间标识,并将时间信息与实时信号数据建立关联映射,以此将时间信息与实时信号数据关联起来。
将所述时间映射发送至所述时序约束子网络,通过所述时序约束子网络生成异常数据库的调用约束;
将分离得到的时间映射作为输入数据发送至时序约束子网络,根据训练好的时序约束子网络,通过输入时间映射数据,生成异常数据库的调用约束,该调用约束描述了异常数据库中与实时信号数据相对应的故障时序关联和约束条件。以此根据实时信号数据的时间特征和时序关联,进一步约束异常数据库的调用,提高故障检测的准确性和可靠性。
基于所述通用异常识别约束子网络和所述专用异常识别约束子网络执行所述调用约束补偿;
使用通用异常识别约束子网络对异常数据库进行预测,并生成通用异常约束,这个子网络应用于所有设备和故障类型,具有较广泛的适应性和泛化能力;针对特定设备或故障模式,使用专用异常识别约束子网络进行预测,生成专门针对该设备或故障类型的专用异常约束,这个子网络可以根据设备维护特征等信息进行个性化优化。
根据所述通用异常约束和专用异常约束,对时序约束子网络生成异常数据库的调用约束进行补偿操作,如增加或减少异常检测的阈值、调整异常得分等,这样可以综合利用两者的优势,提高异常检测的准确性和可靠性。
根据补偿结果完成所述实时信号数据的故障检测。
根据执行调用约束补偿操作后的结果,对实时信号数据进行异常检测,确定是否存在异常情况,根据实时信号数据的异常检测结果,生成最终的故障检测结果,结果可以表示为正常/异常的二元分类,或者是概率分数等形式,以指示实时信号数据是否存在故障。
进一步而言,所述方法还包括:
获得同一故障的时间轴极限差值和故障数量;
以所述时间轴极限差值和所述故障数量初始化个体数据粘度,所述数据粘度表征了数据的聚合吸引范围;
通过所述个体数据粘度执行初始数据聚类,获得初始聚类结果;
配置组合粘度增长系数,通过所述组合粘度增长系数对所述初始聚类结果进行聚类簇的粘度更新,并执行聚类迭代;
当任意迭代结果中不存在新增聚类簇时,则聚类结束,获得故障时间聚合结果。
对于每个故障类型的数据组,计算相邻故障发生时间之间的时间轴极限差值,时间轴极限差值表示了故障发生时间之间的最大时间间隔;并统计每个故障类型的数据组中故障出现的数量,故障数量表明了该故障类型在数据集中的出现频率。
时间轴极限差值用作衡量数据在时间维度上的分布范围,故障数量用来调整个体数据粘度的强度,较高的故障数量意味着有更多的故障事件发生,因此对应的个体数据粘度需要设定的更高以保证数据的更紧密聚合。根据时间轴极限差值和故障数量的函数关系,初始化每个故障类型的个体数据粘度,例如,使用线性关系、指数关系来设定个体数据粘度。数据粘度用于表征数据在时间轴上的聚合吸引范围,即数据点在时间轴上能够聚集的最大距离,这样能够更好地模拟故障数据的聚集特性。
将初始化的个体数据粘度作为聚类的依据,用于确定数据点之间的相似性和聚合关系,较高的个体数据粘度值表示数据点在时间维度上更紧密地聚集。基于所述个体数据粘度,采用K-means(K均值聚类算法)对数据样本进行聚类操作,聚类算法根据数据在时间维度上的聚合吸引范围,将相似的数据点划分到同一个聚类簇中,使得每个簇内的数据点在时间维度上具有较高的相似性。根据聚类操作的结果,获取初始聚类结果,这些结果可以表示为聚类簇的标签形式,用于描述数据样本的相关性。
根据实际需要设置组合粘度增长系数,该系数用于控制聚类簇的粘度更新幅度,不同的增长系数可以影响聚类簇之间的相似性,将获得的初始聚类结果作为起点,根据配置的组合粘度增长系数,通过增加聚类簇内数据点的个体数据粘度值,对初始聚类结果中的聚类簇进行粘度更新,以此调整聚类结果中的数据点的聚集程度,使得相同故障类型的数据更加紧密地聚集在一起。
根据进行粘度更新后的聚类结果,执行聚类迭代操作,迭代过程包括多轮的粘度更新与重新聚类步骤,以进一步优化聚类簇的分布和相关性,通过动态调整聚类簇的紧密程度,以更好地反映相同故障类型数据的聚合特征,进一步优化故障时间聚合结果。
在每次迭代后,通过比较迭代前后的聚类簇数目,检查是否有新的聚类簇出现,如果没有新增的聚类簇,则认为聚类已经足够稳定,达到了聚类结束条件,输出最终的故障时间聚合结果,这些结果包括最终的聚类簇分配、簇心(聚类簇的中心点)等信息,用于描述故障类型在时间上的聚集模式。
进一步而言,所述方法还包括:
调用所述异常识别网络的网络参数;
初始化退火模型参数,并设置核函数和平衡权重参数范围;
通过退火模型对所述网络参数执行优化;
判断输出结果是否满足终止条件;
若不满足终止条件,则调整所述退火模型的模型参数,并重新执行优化;
当任意输出结果满足所述终止条件,则结束优化。
从所述异常识别网络中获取各层的权重、偏置和其他相关参数,这些参数描述了网络在训练阶段学习到的特征。
建立退火模型,并对退火模型参数进行初始化,这些参数包括初始温度、退火率、迭代次数等,初始温度决定了模型开始时的搜索范围,退火率控制了温度的下降速度。选择适当的核函数用于衡量异常检测网络输出与实际异常之间的差异,例如高斯核函数、线性核函数、多项式核函数等。平衡权重参数用于控制异常检测的精确性和召回率之间的权衡,根据具体需求设置一个范围,用于后续的优化中调整平衡权重参数,在精确性和召回率之间找到一个合适的平衡点。
定义一个评估函数,用于衡量网络参数,将退火模型的初始温度应用于当前解决方案,并根据评估函数计算其对应的能量值,当前解决方案即为所述网络参数。每次迭代中,根据当前温度和能量值,选择邻居解决方案,并计算邻居解决方案的能量值,根据接受准则,判断是否接受邻居解决方案,如果新解决方案能够降低能量值,则接受该解决方案;否则,根据一定的概率接受新解决方案。根据退火模型中的退火率,随着迭代的进行降低当前温度,使得在优化过程中逐渐减小搜索范围。
定义终止条件,以判断输出结果是否满足停止优化的要求,例如,如果达到了预设的最大迭代次数,或者目标指标已经达到了预期的阈值,则认为满足终止条件。在每次迭代优化后,检查当前的输出结果,当输出结果满足预先设定的终止条件时,说明达到了停止优化的要求,可以结束优化过程。以此避免不必要的计算开销和时间消耗,提高算法的效率。
对于未满足终止条件的输出结果,检查优化过程中的性能指标、能量值变化趋势等,以确定需要进行调整的方向,根据分析结果,对退火模型的参数进行调整,包括改变退火率、调整迭代次数等,使用调整后的退火模型参数,重新执行优化过程。
在每次迭代优化后,检查当前的输出结果,根据定义的终止条件,对输出结果进行判断,如果任何一个输出结果满足预先设定的终止条件,则认为优化过程已经达到了目标,并可以结束优化过程并得到最终的优化结果。
进一步而言,所述方法还包括:
记录所述故障检测结果,并执行维护数据同步;
通过所述维护数据对所述故障检测结果进行验证分析,生成验证补偿数据;
通过所述维护数据进行所述专用异常识别约束子网络更新;
根据更新结果和所述验证补偿数据完成所述异常识别网络优化。
将故障检测的结果进行记录,包括检测到的异常信息、故障类型、时间戳等关键信息,维护数据包括设备状态、传感器数据、历史维修记录等与故障相关的信息,将记录的故障检测结果与维护数据进行同步,更新维护数据中与故障检测结果相关的部分,以保持维护数据的最新状态。
进行验证分析,比对故障检测结果与维护数据的一致性,检查是否存在未被检测到的异常或误报情况,基于验证分析的结果,根据维护数据对故障检测结果进行修正,例如,对于漏报的故障,将其添加到验证补偿数据中;对于误报的故障,将其从验证补偿数据中剔除,最终生成反映真实情况的验证补偿数据。
使用维护数据更新专用异常识别约束子网络的参数和结构,例如调节权重系数、改变激活函数、增加或缩减隐藏层等操作,以提高子网络的性能和准确率。
将验证补偿数据与原始数据进行融合,提供更准确和可靠的训练样本,基于融合后的数据集,结合更新结果,进行异常识别网络的优化,包括参数调整、网络结构改进、重新训练等操作,以提高网络对故障的准确识别能力。
进一步而言,所述方法还包括:
保留所述通用异常识别约束子网络和重构前的异常识别网络;
当执行新增高压变频器的监测需求时,提取所述新增高压变频器的增量数据;
以所述增量数据和所述通用异常识别约束子网络对异常识别网络增量学习,生成所述新增高压变频器的异常识别网络;
根据异常识别网络完成所述监测需求的故障检测。
将之前构建和训练的通用异常识别约束子网络进行备份,这个子网络是针对一类或多类常见故障类型进行训练得到的,并具有较为广泛的适应性和泛化能力。保留在进行重构之前的异常识别网络,即未经过增量学习阶段的原始网络,这个网络是通用的、基于历史数据训练得到的,但尚未针对新增设备或特定故障模式进行个性化优化。通过保留已经训练好的通用模型,可以在需要时回退到原始网络。
获取新增高压变频器的监测数据,对采集到的监测数据进行处理和筛选,提取出所需的增量数据,增量数据表示与之前已有数据相比发生变化的部分,可以是新的采样值或与先前数据的差异值。
将提取的增量数据与原始训练数据融合,使用融合后的数据集,执行增量学习的过程,具体的,将通用异常识别约束子网络作为已有的基础模型,根据新增高压变频器的特征和故障模式进行调整和优化,更新异常识别网络的参数,以适应新增设备的特性和故障类型,生成适用于该设备的个性化异常识别网络。这样可以提高故障检测的精度和泛化能力,更好地适应变化的监测需求。
对获取到的实时监测数据进行预处理,包括去除噪声、平滑数据、归一化等操作,将预处理后的监测数据输入到已经完成增量学习的异常识别网络中进行故障检测,根据网络的输出结果,判断是否存在异常情况或潜在的故障,根据异常识别网络的检测结果,生成相应的故障警报或反馈。通过该步骤,可以实现对高压变频器的故障检测和及时响应。
综上所述,本申请实施例所提供的一种高压变频器的故障检测方法及系统具有如下技术效果:
1.通过建立以监测高压变频器的基础数据为匹配数据的样本数据集合,构建故障信号集合,提供丰富的训练数据;利用小波包分解对样本数据集合进行处理,提取出电压信号特征,构建异常特征集,有助于故障特征的捕捉;
2.通过使用异常特征集作为监督数据构建异常识别网络,采用通用识别网络的形式,提供了广泛适用性和泛化能力;
3.建立以故障信号频率为基础的通用异常识别约束子网络,以设备维护特征为基础的专用异常识别约束子网络,进一步提高故障识别的准确性和可靠性;
4.通过以通用和专用异常识别约束子网络对异常识别网络进行重构,实现对网络的优化和个性化调整;
5.采集监测高压变频器的实时信号数据,并经过预处理后输入重构后的异常识别网络,实现故障检测结果的获取,提供了及时有效的故障警报和维修反馈。
综上所述,上述高压变频器的故障检测方法,通过结合小波包分解、异常识别网络构建、通用和专用异常识别约束子网络、网络重构和实时信号数据检测等技术手段,解决了高压变频器故障检测存在的不足,实现了更准确、通用、高效的故障检测效果。
实施例
基于与前述实施例中一种高压变频器的故障检测方法相同的发明构思,如图3所示,本申请提供了一种高压变频器的故障检测系统,所述系统包括:
样本数据集合构建单元10,所述样本数据集合构建单元10用于建立样本数据集合,所述样本数据集合为以监测高压变频器的基础数据作为匹配数据,调用高压变频器数据库构建而成,且所述样本数据集合为故障信号集合;
小波包分解单元20,所述小波包分解单元20用于对所述样本数据集合进行小波包分解,依据小波包分解结果提取电压信号特征,构建异常特征集;
异常识别网络构建单元30,所述异常识别网络构建单元30用于建立异常识别网络,所述异常识别网络以所述异常特征集作为监督数据构建而成,且所述异常识别网络为通用识别网络;
约束子网络构建单元40,所述约束子网络构建单元40用于以所述样本数据集合中的故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络;
设备维护特征提取单元50,所述设备维护特征提取单元50用于提取监测高压变频器的设备维护特征,以所述设备维护特征构建专用异常识别约束,并建立专用异常识别约束子网络;
异常识别网络重构单元60,所述异常识别网络重构单元60用于将所述通用异常识别约束子网络和所述专用异常识别约束子网络对所述异常识别网络重构;
故障检测结果获取单元70,所述故障检测结果获取单元70用于采集所述监测高压变频器的实时信号数据,将所述实时信号数据预处理后输入重构后的异常识别网络,获得故障检测结果。
进一步而言,所述系统还包括时序约束子网络构建模块,以执行如下操作步骤:
对所述样本数据集合进行时间标识,记录时间标识结果;
以故障类型作为分类特征,对所述样本数据集合进行故障时间自适应聚合,根据故障时间聚合结果生成故障时序关联;
以所述故障时序关联建立时序约束子网络,并将所述时序约束子网络耦合至重构后的所述异常识别网络。
进一步而言,所述系统还包括故障检测模块,以执行如下操作步骤:
当所述实时信号数据预处理完成后,分离获得所述实时信号数据的时间映射;
将所述时间映射发送至所述时序约束子网络,通过所述时序约束子网络生成异常数据库的调用约束;
基于所述通用异常识别约束子网络和所述专用异常识别约束子网络执行所述调用约束补偿;
根据补偿结果完成所述实时信号数据的故障检测。
进一步而言,所述系统还包括故障时间聚合结果获取模块,以执行如下操作步骤:
获得同一故障的时间轴极限差值和故障数量;
以所述时间轴极限差值和所述故障数量初始化个体数据粘度,所述数据粘度表征了数据的聚合吸引范围;
通过所述个体数据粘度执行初始数据聚类,获得初始聚类结果;
配置组合粘度增长系数,通过所述组合粘度增长系数对所述初始聚类结果进行聚类簇的粘度更新,并执行聚类迭代;
当任意迭代结果中不存在新增聚类簇时,则聚类结束,获得故障时间聚合结果。
进一步而言,所述系统还包括网络参数优化模块,以执行如下操作步骤:
调用所述异常识别网络的网络参数;
初始化退火模型参数,并设置核函数和平衡权重参数范围;
通过退火模型对所述网络参数执行优化;
判断输出结果是否满足终止条件;
若不满足终止条件,则调整所述退火模型的模型参数,并重新执行优化;
当任意输出结果满足所述终止条件,则结束优化。
进一步而言,所述系统还包括异常识别网络优化模块,以执行如下操作步骤:
记录所述故障检测结果,并执行维护数据同步;
通过所述维护数据对所述故障检测结果进行验证分析,生成验证补偿数据;
通过所述维护数据进行所述专用异常识别约束子网络更新;
根据更新结果和所述验证补偿数据完成所述异常识别网络优化。
进一步而言,所述系统还包括故障检测模块,以执行如下操作步骤:
保留所述通用异常识别约束子网络和重构前的异常识别网络;
当执行新增高压变频器的监测需求时,提取所述新增高压变频器的增量数据;
以所述增量数据和所述通用异常识别约束子网络对异常识别网络增量学习,生成所述新增高压变频器的异常识别网络;
根据异常识别网络完成所述监测需求的故障检测。
本说明书通过前述对一种高压变频器的故障检测方法的详细描述,本领域技术人员可以清楚得知道本实施例中一种高压变频器的故障检测方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种高压变频器的故障检测方法,其特征在于,所述方法包括:
建立样本数据集合,所述样本数据集合为以监测高压变频器的基础数据作为匹配数据,调用高压变频器数据库构建而成,且所述样本数据集合为故障信号集合;
对所述样本数据集合进行小波包分解,依据小波包分解结果提取电压信号特征,构建异常特征集;
建立异常识别网络,所述异常识别网络以所述异常特征集作为监督数据构建而成,且所述异常识别网络为通用识别网络;
以所述样本数据集合中的故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络;
提取监测高压变频器的设备维护特征,以所述设备维护特征构建专用异常识别约束,并建立专用异常识别约束子网络;
将所述通用异常识别约束子网络和所述专用异常识别约束子网络对所述异常识别网络重构;
采集所述监测高压变频器的实时信号数据,将所述实时信号数据预处理后输入重构后的异常识别网络,获得故障检测结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述样本数据集合进行时间标识,记录时间标识结果;
以故障类型作为分类特征,对所述样本数据集合进行故障时间自适应聚合,根据故障时间聚合结果生成故障时序关联;
以所述故障时序关联建立时序约束子网络,并将所述时序约束子网络耦合至重构后的所述异常识别网络。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
当所述实时信号数据预处理完成后,分离获得所述实时信号数据的时间映射;
将所述时间映射发送至所述时序约束子网络,通过所述时序约束子网络生成异常数据库的调用约束;
基于所述通用异常识别约束子网络和所述专用异常识别约束子网络执行所述调用约束补偿;
根据补偿结果完成所述实时信号数据的故障检测。
4.如权利要求2所述的方法,其特征在于,所述方法还包括:
获得同一故障的时间轴极限差值和故障数量;
以所述时间轴极限差值和所述故障数量初始化个体数据粘度,所述数据粘度表征了数据的聚合吸引范围;
通过所述个体数据粘度执行初始数据聚类,获得初始聚类结果;
配置组合粘度增长系数,通过所述组合粘度增长系数对所述初始聚类结果进行聚类簇的粘度更新,并执行聚类迭代;
当任意迭代结果中不存在新增聚类簇时,则聚类结束,获得故障时间聚合结果。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
调用所述异常识别网络的网络参数;
初始化退火模型参数,并设置核函数和平衡权重参数范围;
通过退火模型对所述网络参数执行优化;
判断输出结果是否满足终止条件;
若不满足终止条件,则调整所述退火模型的模型参数,并重新执行优化;
当任意输出结果满足所述终止条件,则结束优化。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
记录所述故障检测结果,并执行维护数据同步;
通过所述维护数据对所述故障检测结果进行验证分析,生成验证补偿数据;
通过所述维护数据进行所述专用异常识别约束子网络更新;
根据更新结果和所述验证补偿数据完成所述异常识别网络优化。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
保留所述通用异常识别约束子网络和重构前的异常识别网络;
当执行新增高压变频器的监测需求时,提取所述新增高压变频器的增量数据;
以所述增量数据和所述通用异常识别约束子网络对异常识别网络增量学习,生成所述新增高压变频器的异常识别网络;
根据异常识别网络完成所述监测需求的故障检测。
8.一种高压变频器的故障检测系统,其特征在于,用于实施权利要求1-7任一项所述的一种高压变频器的故障检测方法,包括:
样本数据集合构建单元,所述样本数据集合构建单元用于建立样本数据集合,所述样本数据集合为以监测高压变频器的基础数据作为匹配数据,调用高压变频器数据库构建而成,且所述样本数据集合为故障信号集合;
小波包分解单元,所述小波包分解单元用于对所述样本数据集合进行小波包分解,依据小波包分解结果提取电压信号特征,构建异常特征集;
异常识别网络构建单元,所述异常识别网络构建单元用于建立异常识别网络,所述异常识别网络以所述异常特征集作为监督数据构建而成,且所述异常识别网络为通用识别网络;
约束子网络构建单元,所述约束子网络构建单元用于以所述样本数据集合中的故障信号频率作为通用异常识别约束,建立通用异常识别约束子网络;
设备维护特征提取单元,所述设备维护特征提取单元用于提取监测高压变频器的设备维护特征,以所述设备维护特征构建专用异常识别约束,并建立专用异常识别约束子网络;
异常识别网络重构单元,所述异常识别网络重构单元用于将所述通用异常识别约束子网络和所述专用异常识别约束子网络对所述异常识别网络重构;
故障检测结果获取单元,所述故障检测结果获取单元用于采集所述监测高压变频器的实时信号数据,将所述实时信号数据预处理后输入重构后的异常识别网络,获得故障检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321666.2A CN117076955A (zh) | 2023-10-13 | 2023-10-13 | 一种高压变频器的故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321666.2A CN117076955A (zh) | 2023-10-13 | 2023-10-13 | 一种高压变频器的故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117076955A true CN117076955A (zh) | 2023-11-17 |
Family
ID=88717273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311321666.2A Pending CN117076955A (zh) | 2023-10-13 | 2023-10-13 | 一种高压变频器的故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076955A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277592A (zh) * | 2023-11-21 | 2023-12-22 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
CN117520947A (zh) * | 2023-11-21 | 2024-02-06 | 中国科学院半导体研究所 | 异常监测与故障识别的方法及装置 |
CN117609923A (zh) * | 2023-12-19 | 2024-02-27 | 江苏财经职业技术学院 | 一种物联网电子信息处理系统及方法 |
-
2023
- 2023-10-13 CN CN202311321666.2A patent/CN117076955A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277592A (zh) * | 2023-11-21 | 2023-12-22 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
CN117520947A (zh) * | 2023-11-21 | 2024-02-06 | 中国科学院半导体研究所 | 异常监测与故障识别的方法及装置 |
CN117277592B (zh) * | 2023-11-21 | 2024-02-13 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
CN117609923A (zh) * | 2023-12-19 | 2024-02-27 | 江苏财经职业技术学院 | 一种物联网电子信息处理系统及方法 |
CN117609923B (zh) * | 2023-12-19 | 2024-05-28 | 江苏财经职业技术学院 | 一种物联网电子信息处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
CN109187025B (zh) | 一种集成kelm的滚动轴承剩余使用寿命预测方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
De Lima et al. | On fault classification in rotating machines using fourier domain features and neural networks | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN116304751A (zh) | 用于动车组部件检修的运行数据处理方法 | |
Gantert et al. | A supervised approach for corrective maintenance using spectral features from industrial sounds | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、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 |