CN117171709A - 一种永磁发电机故障检测方法及系统 - Google Patents
一种永磁发电机故障检测方法及系统 Download PDFInfo
- Publication number
- CN117171709A CN117171709A CN202311442512.9A CN202311442512A CN117171709A CN 117171709 A CN117171709 A CN 117171709A CN 202311442512 A CN202311442512 A CN 202311442512A CN 117171709 A CN117171709 A CN 117171709A
- Authority
- CN
- China
- Prior art keywords
- iteration
- detection
- state
- points
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 295
- 238000012544 monitoring process Methods 0.000 claims abstract description 124
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种永磁发电机故障检测方法及系统，涉及永磁发电机技术领域，该方法包括：获取目标永磁发电机的预定检测周期，进行特征值采集，获得Q个状态监测指标特征值集合；获得Q个状态监测指标偏离系数；获得Q个状态检测节点；进行融合分析，获得目标故障检测节点集合；对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合；根据目标故障检测节点集合和多个目标关联检测项集合对目标永磁发电机进行故障检测。本发明解决了现有技术中存在永磁发电机故障检测缺乏针对性，检测准确度低，检测结果不可靠的技术问题，达到了提升故障检测的可靠度和检测效率的技术效果。
Description
技术领域
本发明涉及永磁发电机技术领域，具体涉及一种永磁发电机故障检测方法及系统。
背景技术
永磁发电机发生故障不仅对发电机自身的运行产生影响，而且会对永磁发电机的负载产生更大的影响。目前，虽然可以利用定期的故障检测，确定永磁发电机的运行状态信息和特征，进行发电机运行状态检测。然而，在进行状态检测时当特征参数小于允许值时便认为是正常运行，没有对状态参数进行进一步分析，导致故障检测存在延迟，造成生产事故。且，虽然也有利用对永磁发电机的运行过程进行不间断的实时检测来提高准确率，但是由于缺乏状态参数的针对性，导致分析数据量大幅度增大，使检测效率和质量降低。现有技术中存在永磁发电机故障检测缺乏针对性，检测准确度低，检测结果不可靠的技术问题。
发明内容
本申请提供了一种永磁发电机故障检测方法及系统，用于针对解决现有技术中存在永磁发电机故障检测缺乏针对性，检测准确度低，检测结果不可靠的技术问题。
鉴于上述问题，本申请提供了一种永磁发电机故障检测方法及系统。
本申请的第一个方面，提供了一种永磁发电机故障检测方法，所述方法包括：
获取目标永磁发电机的预定检测周期，并在所述预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，所述状态监测指标集合包括Q个状态监测指标；
遍历所述Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数；
获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至所述状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项；
对Q个状态检测节点进行融合分析，获得目标故障检测节点集合；
对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点；
根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测。
本申请的第二个方面，提供了一种永磁发电机故障检测系统，所述系统包括：
特征值集合获取模块，用于获取目标永磁发电机的预定检测周期，并在所述预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，所述状态监测指标集合包括Q个状态监测指标；
偏离系数获得模块，用于遍历所述Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数；
状态检测节点获得模块，用于获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至所述状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项；
融合分析模块，用于对Q个状态检测节点进行融合分析，获得目标故障检测节点集合；
检测项集合获得模块，用于对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点；
故障检测模块，用于根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测。
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：
本申请通过获取目标永磁发电机的预定检测周期，并在预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，状态监测指标集合包括Q个状态监测指标，然后遍历Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数，进而获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项，然后对Q个状态检测节点进行融合分析，获得目标故障检测节点集合，通过对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点，然后根据目标故障检测节点集合和多个目标关联检测项集合对目标永磁发电机进行故障检测。达到了根据定期检测的结果进行故障检测的时间点优化，提升故障检测的可靠度和检测效率的技术效果。
附图说明
为了更清楚地说明本发明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为本申请实施例提供的一种永磁发电机故障检测方法流程示意图；
图2为本申请实施例提供的一种永磁发电机故障检测方法中生成Q个状态监测指标偏离系数的流程示意图；
图3为本申请实施例提供的一种永磁发电机故障检测方法中获得目标故障检测节点集合的流程示意图；
图4为本申请实施例提供的一种永磁发电机故障检测系统结构示意图。
附图标记说明：特征值集合获取模块11，偏离系数获得模块12，状态检测节点获得模块13，融合分析模块14，检测项集合获得模块15，故障检测模块16。
具体实施方式
本申请通过提供了一种永磁发电机故障检测方法及系统，用于针对解决现有技术中存在永磁发电机故障检测缺乏针对性，检测准确度低，检测结果不可靠的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种永磁发电机故障检测方法，其中，所述方法包括：
获取目标永磁发电机的预定检测周期，并在所述预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，所述状态监测指标集合包括Q个状态监测指标；
在一个可能的实施例中，所述目标永磁发电机为任意一个需要进行运行状态分析，以及故障检测的永磁发电机。所述预定检测周期是由本领域技术人员预先设定的进行定期设备检查的时间周期，可以是半个月、一个月等。通过根据状态监测指标集合对所述目标永磁发电机在预定检测周期内的指标表征情况进行采集，获得Q个状态监测指标特征值集合。其中，所述状态监测指标集合是从多个角度衡量目标永磁发电机运行状态的指标集合，包括Q个状态监测指标。示例性的，Q个状态监测指标包括定子电流指标、发电机振动频率、启动时长、转速平稳性、转矩平稳性等指标。所述Q个状态监测指标特征值集合反映了在预定检测周期内所述目标永磁发电机的运行状态变化情况。达到了为后续进行针对性的故障检测，优化状态检测节点提供可靠分析数据的技术效果。
遍历所述Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数；
进一步的，如图2所示，遍历所述Q个状态监测指标特征值进行偏离系数分析，获得Q个状态监测指标偏离系数，本申请实施例还包括：
获取所述状态监测指标集合的Q个宽容阈值，其中，Q个宽容阈值与Q个状态监测指标一一对应；
基于所述Q个宽容阈值对所述Q个状态监测指标特征值集合进行超规筛选，生成Q个超规指标特征值集合；
根据Q个超规指标特征值集合计算Q个状态超规率，生成Q个第一指标子偏离系数；
将Q个超规指标特征值集合从所述Q个状态监测指标特征值集合中剔除，获得Q个合规指标特征值集合；
基于所述Q个合规指标特征值集合进行趋势分析，获得Q个第二指标子偏离系数；
基于所述Q个第一指标子偏离系数和Q个第二指标子偏离系数进行偏离系数加权计算，生成Q个状态监测指标偏离系数。
在一个可能的实施例中，通过对Q个状态监测指标特征值集合逐一进行偏离系数分析，也就是说，对每个状态监测指标在预定检测周期内的变化情况进行分析，确定与所述目标永磁发电机中各指标在均衡状态下的偏离程度，获得Q个状态监测指标偏离系数。其中，所述Q个状态监测指标偏离系数反映了Q个状态监测指标在预定检测周期内的偏离情况，状态监测指标偏离系数越大，对应状态监测指标的偏离程度越高。
优选的，通过对所述状态监测指标集合中的Q个状态监测指标在正常运行状态下的特征值允许范围进行采集，获得所述Q个宽容阈值。其中，Q个宽容阈值与Q个状态监测指标一一对应。进而，根据所述Q个宽容阈值对所述Q个状态监测指标特征值集合进行超规筛选，也就是说，将所述Q个状态监测指标特征值集合中不满足对应宽容阈值的状态监测指标特征值筛选出来，生成Q个超规指标特征值集合。进而，分别计算Q个超规指标特征值集合中的特征值数量比上Q个状态监测指标特征值集合中的特征值数量的比值，根据计算结果获得Q个状态超规率。将所述Q个状态超规率作为Q个第一指标子偏离系数。所述Q个第一指标子偏离系数是从指标不合格率的角度对Q个状态监测指标的偏离程度进行描述。
优选的，将Q个超规指标特征值集合从所述Q个状态监测指标特征值集合中剔除，获得Q个合规指标特征值集合，进而，根据Q个合规指标特征值集合进行趋势分析，也就是说，根据Q个合格指标特征值集合中特征值的集中分布情况进行分析，获得Q个第二指标子偏离系数。所述Q个第二指标子偏离系数是从状态监测指标符合正常运行状态时的发展趋势进行分析，对最符合预定检测周期中Q个状态监测指标集中分布的指标特征值的偏离程度进行描述。按照本领域技术人员预先设置的权重占比值分别对所述Q个第一指标子偏离系数和Q个第二指标子偏离系数进行偏离系数加权计算，根据计算结果生成Q个状态监测指标偏离系数。
进一步的，基于所述Q个合规指标特征值集合进行趋势分析，获得Q个第二指标子偏离系数，本申请实施例还包括：
根据Q个合规指标特征值集合进行均值分析，生成Q个均值；
分别将Q个合规指标特征值集合中距离Q个均值最近的Q个合规指标特征值作为Q个内点，其中，Q个内点为Q个合格指标特征值集合中的点；
以Q个内点作为趋势分析的第一起点，按照第一迭代距离进行第一次迭代，获得Q个第一迭代点；
分析Q个内点和Q个第一迭代点的点集密度趋势，确定Q个第一迭代指向，其中，迭代指向包括正向和负向，正向为Q个内点的点集密度小于所述Q个第一迭代点的点集密度，迭代方向为从Q个内点指向Q个第一迭代点，负向为Q个内点的点集密度大于所述Q个第一迭代点的点集密度，迭代方向为从Q个第一迭代点指向Q个内点；
根据Q个内点、Q个第一迭代点、第一迭代距离和Q个第一迭代指向在所述Q个合规指标特征值集合中进行多次迭代，获得Q个目标合规指标特征值；
分别计算Q个目标合规指标特征值与Q个宽容阈值的中值之差的绝对值，并将Q个计算结果比上Q个宽容阈值，生成Q个第二指标子偏离系数。
在本申请的一个实施例中，通过对所述Q个合规指标特征值集合分别进行均值计算，根据计算结果获得Q个均值。其中，所述Q个均值反映了Q个合规指标特征值集合的平均值情况。分别将Q个合规指标特征值集合中距离Q个均值最近的Q个合规指标特征值作为Q个内点，其中，Q个内点为Q个合格指标特征值集合中的点。从而为后续进行趋势迭代分析提供基础数据。
优选的，以Q个内点作为趋势分析的第一起点，按照第一迭代距离进行第一次迭代，获得Q个第一迭代点。其中，所述第一迭代距离是由本领域技术人员随机设定的进行趋势分析的初始迭代距离。所述Q个第一迭代点分别是以Q个内点为第一起点，在Q个合规指标特征值集合中按照第一迭代距离进行合规指标特征值点寻找后，获得的迭代点。进而，分析Q个内点和Q个第一迭代点的点集密度趋势，确定Q个第一迭代指向。所述点集密度是对进行点集密度计算的点在预设步长内分布的合规指标特征值点密集程度进行描述。可选的，通过对合规指标特征值集合中到进行点集密度计算的点的距离为预设步长的多个合规指标特征值点的数量进行统计，并将统计结果比上最外围合规指标特征值点构成的面积，将比值作为点集密度。其中，迭代指向包括正向和负向，正向为Q个内点的点集密度小于所述Q个第一迭代点的点集密度，迭代方向为从Q个内点指向Q个第一迭代点，负向为Q个内点的点集密度大于所述Q个第一迭代点的点集密度，迭代方向为从Q个第一迭代点指向Q个内点。进而，根据Q个内点、Q个第一迭代点、第一迭代距离和Q个第一迭代指向在所述Q个合规指标特征值集合中进行多次迭代，将多次迭代的结果作为Q个目标合规指标特征值。其中，所述Q个目标合规指标特征值分别为最符合预定检测周期中Q个状态监测指标集中指标监测表现的指标特征值。
在一个实施例中，获得Q个目标合规指标特征值之后，分别计算Q个目标合规指标特征值与Q个宽容阈值的中值之差的绝对值，并将Q个计算结果比上Q个宽容阈值，根据计算结果生成Q个第二指标子偏离系数。
进一步的，本申请实施例还包括：
当M个第一迭代指向为正向时，将M个第一迭代点作为趋势分析的第二起点；
利用正向迭代距离计算公式对M个第一迭代点、M个内点、第一迭代距离进行迭代距离计算，获得M个正向第二迭代距离；
根据M个第一迭代点、M个正向第二迭代距离进行第二次迭代。
进一步的，本申请实施例还包括：
当N个第一迭代指向为负向时，将N个内点作为趋势分析的第二起点，其中，M+N=Q；
利用负向迭代距离计算公式对N个第一迭代点、N个内点、第一迭代距离进行迭代距离计算，获得N个负向第二迭代距离；
根据N个内点、N个第二迭代距离进行第二次迭代；
经过多次迭代，直至达到预设迭代次数，将最终获得的Q个迭代点对应的合规指标特征值作为Q个目标合规指标特征值。
进一步的，本申请实施例还包括：
正向迭代距离计算公式为：
；
其中，为第i个迭代点作为起点时进行下一次趋势分析时对应的正向迭代距离，/>为第i个内点对应的点集密度，/>为第i个迭代点对应的点集密度，/>为获得第i个迭代点进行的此次趋势分析对应的迭代距离，i为大于等于1的整数；
负向迭代距离计算公式为：
；
其中，为第j个内点作为起点时进行下一次趋势分析对应的负向迭代距离，/>为第j个内点对应的点集密度，/>为第j个迭代点对应的点集密度，/>为获得第j个内点进行的此次趋势时对应的迭代距离，j为大于等于1的整数。
在一个实施例中，当M个第一迭代指向为正向时，表明M个第一迭代点比对应的M个内点更能代表对应状态监测指标的情况，因此将M个第一迭代点作为趋势分析的第二起点，然后利用正向迭代距离计算公式对M个第一迭代点、M个内点、第一迭代距离进行迭代距离计算，获得M个正向第二迭代距离。其中，所述M个正向第二迭代距离是根据M个状态监测指标对应的第一迭代点与内点之间的点集密度差值情况，对第一迭代距离进行适应性调整后得到的，从而优化各个状态监测指标的迭代过程，提高迭代效率。然后根据M个第一迭代点、M个正向第二迭代距离进行第二次迭代。
在一个实施例中，当N个第一迭代指向为负向时，表明N个内点比对应的N个第一迭代点更能代表对应状态监测指标的情况，因此，将N个内点作为趋势分析的第二起点，其中，M+N=Q，然后利用负向迭代距离计算公式对N个第一迭代点、N个内点、第一迭代距离进行迭代距离计算，获得N个负向第二迭代距离。其中，所述N个负向第二迭代距离是根据N个状态监测指标对应的第一迭代点与内点之间的点集密度差值情况，对第一迭代距离进行适应性调整得到的。进而，根据N个内点、N个第二迭代距离进行第二次迭代。经过多次迭代，直至达到本领域技术人员设置的预设迭代次数，将最终获得的Q个迭代点对应的合规指标特征值作为Q个目标合规指标特征值。
优选的，由于迭代指向为正向时，表明内点的点集密度小于所述第一迭代点的点集密度，因此利用所述正向迭代距离计算公式可以对迭代距离根据内点的点集密度和第一迭代点的点集密度的差值情况进行适应性调整，当内点的点集密度和第一迭代点的点集密度之间的差值较大时，表明应该在第一迭代点的附近进行寻优，因此，调整后的迭代距离比调整前较小。由于迭代指向为负向时，表明第一迭代点的点集密度小于内点的点集密度，因此利用所述负向迭代距离计算公式可以对迭代距离根据内点的点集密度和第一迭代点的点集密度的差值情况进行适应性调整，当内点的点集密度和第一迭代点的点集密度之间的差值较大时，表明应该在内点的附近进行寻优，因此，调整后的迭代距离比调整前小。
获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至所述状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项；
优选的，所述状态检测节点识别网络层用于对Q个状态监测指标偏离系数进行智能化的检测节点识别。其中，所述Q个状态检测节点为Q个状态监测指标偏离系数对应的Q个状态监测指标进行故障检测的时间点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项。多个状态关联检测项为每个状态监测指标产生波动时相关的检测项目，示例性的，当电机振动增加时，对应的多个状态关联检测项为定子绕组匝间短路检测，定子端部绕组松动检测，基座安装质量检测，转子偏心检测等。
优选的，通过获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，对卷积神经网络进行监督训练，直至输出达到收敛，从而获得所述状态检测节点识别网络层。达到了提升状态检测节点识别效率的技术效果。
对Q个状态检测节点进行融合分析，获得目标故障检测节点集合；
进一步的，如图3所示，本申请实施例还包括：
从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第一状态检测节点；
以所述第一状态检测节点对所述Q个状态检测节点进行二分类，获得第一节点集合；
再次从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第二状态检测节点；
以所述第二状态检测节点对第一节点集合进行二分类，获得第二节点集合；
经过多次二分类，直至满足分类次数，获得所述目标故障检测节点集合。
在一个实施例中，通过对Q个状态检测节点进行融合，将检测时间节点相近的状态检测节点划分在一起，从而获得所述目标故障检测节点集合。优选的，通过从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第一状态检测节点，然后以所述第一状态检测节点对所述Q个状态检测节点进行二分类，获得第一节点集合，其中，所述第一节点集合中由两类节点簇，包括检测时间节点大于等于第一状态检测节点的节点簇，和检测时间节点小于第一状态检测节点的节点簇。进而，再次从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第二状态检测节点，以所述第二状态检测节点对第一节点集合中的节点簇进行二分类，获得第二节点集合，经过多次二分类，直至满足分类次数，获得所述目标故障检测节点集合。其中，所述目标故障检测节点集合中具有多个节点簇，每个节点簇中包括多个状态检测节点，通过分别对每个节点簇中的多个状态检测节点进行均值计算，获得每个节点簇对应的目标故障检测节点。
对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点；
根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测。
在本申请的实施例中，通过对目标故障检测节点集合中每个节点簇中的多个状态检测节点对应的多个状态关联检测项进行求取并集，从而获得每个目标故障检测节点对应的目标关联检测项集合。进而，根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过对预定检测周期内目标永磁发电机的Q个状态监测指标的特征值进行采集，并进行偏离系数分析，确定Q个状态监测指标偏离系数，实现了对合规指标进行进一步分析的目标，然后进行智能化的检测节点识别，并进行融合分析，获得目标故障检测节点集合，然后对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，结合目标故障检测节点集合对所述目标永磁发电机进行故障检测。达到了提升永磁发电机故障检测的可靠度和检测效率的技术效果
实施例二
基于与前述实施例中一种永磁发电机故障检测方法相同的发明构思，如图4所示，本申请提供了一种永磁发电机故障检测系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
特征值集合获取模块11，用于获取目标永磁发电机的预定检测周期，并在所述预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，所述状态监测指标集合包括Q个状态监测指标；
偏离系数获得模块12，用于遍历所述Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数；
状态检测节点获得模块13，用于获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至所述状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项；
融合分析模块14，用于对Q个状态检测节点进行融合分析，获得目标故障检测节点集合；
检测项集合获得模块15，用于对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点；
故障检测模块16，用于根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测。
进一步的，所述偏离系数获得模块12用于执行如下步骤：
获取所述状态监测指标集合的Q个宽容阈值，其中，Q个宽容阈值与Q个状态监测指标一一对应；
基于所述Q个宽容阈值对所述Q个状态监测指标特征值集合进行超规筛选，生成Q个超规指标特征值集合；
根据Q个超规指标特征值集合计算Q个状态超规率，生成Q个第一指标子偏离系数；
将Q个超规指标特征值集合从所述Q个状态监测指标特征值集合中剔除，获得Q个合规指标特征值集合；
基于所述Q个合规指标特征值集合进行趋势分析，获得Q个第二指标子偏离系数；
基于所述Q个第一指标子偏离系数和Q个第二指标子偏离系数进行偏离系数加权计算，生成Q个状态监测指标偏离系数。
进一步的，所述偏离系数获得模块12用于执行如下步骤：
根据Q个合规指标特征值集合进行均值分析，生成Q个均值；
分别将Q个合规指标特征值集合中距离Q个均值最近的Q个合规指标特征值作为Q个内点，其中，Q个内点为Q个合格指标特征值集合中的点；
以Q个内点作为趋势分析的第一起点，按照第一迭代距离进行第一次迭代，获得Q个第一迭代点；
分析Q个内点和Q个第一迭代点的点集密度趋势，确定Q个第一迭代指向，其中，迭代指向包括正向和负向，正向为Q个内点的点集密度小于所述Q个第一迭代点的点集密度，迭代方向为从Q个内点指向Q个第一迭代点，负向为Q个内点的点集密度大于所述Q个第一迭代点的点集密度，迭代方向为从Q个第一迭代点指向Q个内点；
根据Q个内点、Q个第一迭代点、第一迭代距离和Q个第一迭代指向在所述Q个合规指标特征值集合中进行多次迭代，获得Q个目标合规指标特征值；
分别计算Q个目标合规指标特征值与Q个宽容阈值的中值之差的绝对值，并将Q个计算结果比上Q个宽容阈值，生成Q个第二指标子偏离系数。
进一步的，所述偏离系数获得模块12用于执行如下步骤：
当M个第一迭代指向为正向时，将M个第一迭代点作为趋势分析的第二起点；
利用正向迭代距离计算公式对M个第一迭代点、M个内点、第一迭代距离进行迭代距离计算，获得M个正向第二迭代距离；
根据M个第一迭代点、M个正向第二迭代距离进行第二次迭代。
进一步的，所述用于执行如下步骤：
当N个第一迭代指向为负向时，将N个内点作为趋势分析的第二起点，其中，M+N=Q；
利用负向迭代距离计算公式对N个第一迭代点、N个内点、第一迭代距离进行迭代距离计算，获得N个负向第二迭代距离；
根据N个内点、N个第二迭代距离进行第二次迭代；
经过多次迭代，直至达到预设迭代次数，将最终获得的Q个迭代点对应的合规指标特征值作为Q个目标合规指标特征值。
进一步的，所述偏离系数获得模块12用于执行如下步骤：
正向迭代距离计算公式为：
；
其中，为第i个迭代点作为起点时进行下一次趋势分析时对应的正向迭代距离，/>为第i个内点对应的点集密度，/>为第i个迭代点对应的点集密度，/>为获得第i个迭代点进行的此次趋势分析对应的迭代距离，i为大于等于1的整数；
负向迭代距离计算公式为：
；
其中，为第j个内点作为起点时进行下一次趋势分析对应的负向迭代距离，/>为第j个内点对应的点集密度，/>为第j个迭代点对应的点集密度，/>为获得第j个内点进行的此次趋势时对应的迭代距离，j为大于等于1的整数。
进一步的，所述融合分析模块14用于执行如下步骤：
从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第一状态检测节点；
以所述第一状态检测节点对所述Q个状态检测节点进行二分类，获得第一节点集合；
再次从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第二状态检测节点；
以所述第二状态检测节点对第一节点集合进行二分类，获得第二节点集合；
经过多次二分类，直至满足分类次数，获得所述目标故障检测节点集合。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种永磁发电机故障检测方法，其特征在于，所述方法包括：
获取目标永磁发电机的预定检测周期，并在所述预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，所述状态监测指标集合包括Q个状态监测指标；
遍历所述Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数；
获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至所述状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项；
对Q个状态检测节点进行融合分析，获得目标故障检测节点集合；
对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点；
根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测；
进一步的，遍历所述Q个状态监测指标特征值进行偏离系数分析，获得Q个状态监测指标偏离系数，所述方法包括：
获取所述状态监测指标集合的Q个宽容阈值，其中，Q个宽容阈值与Q个状态监测指标一一对应；
基于所述Q个宽容阈值对所述Q个状态监测指标特征值集合进行超规筛选，生成Q个超规指标特征值集合；
根据Q个超规指标特征值集合计算Q个状态超规率，生成Q个第一指标子偏离系数；
将Q个超规指标特征值集合从所述Q个状态监测指标特征值集合中剔除，获得Q个合规指标特征值集合；
基于所述Q个合规指标特征值集合进行趋势分析，获得Q个第二指标子偏离系数；
基于所述Q个第一指标子偏离系数和Q个第二指标子偏离系数进行偏离系数加权计算，生成Q个状态监测指标偏离系数。
2.如权利要求1所述的方法，其特征在于，基于所述Q个合规指标特征值集合进行趋势分析，获得Q个第二指标子偏离系数，所述方法包括：
根据Q个合规指标特征值集合进行均值分析，生成Q个均值；
分别将Q个合规指标特征值集合中距离Q个均值最近的Q个合规指标特征值作为Q个内点，其中，Q个内点为Q个合格指标特征值集合中的点；
以Q个内点作为趋势分析的第一起点，按照第一迭代距离进行第一次迭代，获得Q个第一迭代点；
分析Q个内点和Q个第一迭代点的点集密度趋势，确定Q个第一迭代指向，其中，迭代指向包括正向和负向，正向为Q个内点的点集密度小于所述Q个第一迭代点的点集密度，迭代方向为从Q个内点指向Q个第一迭代点，负向为Q个内点的点集密度大于所述Q个第一迭代点的点集密度，迭代方向为从Q个第一迭代点指向Q个内点；
根据Q个内点、Q个第一迭代点、第一迭代距离和Q个第一迭代指向在所述Q个合规指标特征值集合中进行多次迭代，获得Q个目标合规指标特征值；
分别计算Q个目标合规指标特征值与Q个宽容阈值的中值之差的绝对值，并将Q个计算结果比上Q个宽容阈值，生成Q个第二指标子偏离系数。
3.如权利要求2所述的方法，其特征在于，所述方法包括：
当M个第一迭代指向为正向时，将M个第一迭代点作为趋势分析的第二起点；
利用正向迭代距离计算公式对M个第一迭代点、M个内点、第一迭代距离进行迭代距离计算，获得M个正向第二迭代距离；
根据M个第一迭代点、M个正向第二迭代距离进行第二次迭代。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
当N个第一迭代指向为负向时，将N个内点作为趋势分析的第二起点，其中，M+N=Q；
利用负向迭代距离计算公式对N个第一迭代点、N个内点、第一迭代距离进行迭代距离计算，获得N个负向第二迭代距离；
根据N个内点、N个第二迭代距离进行第二次迭代；
经过多次迭代，直至达到预设迭代次数，将最终获得的Q个迭代点对应的合规指标特征值作为Q个目标合规指标特征值。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
正向迭代距离计算公式为：
；
其中，为第i个迭代点作为起点时进行下一次趋势分析时对应的正向迭代距离，/>为第i个内点对应的点集密度，/>为第i个迭代点对应的点集密度，/>为获得第i个迭代点进行的此次趋势分析对应的迭代距离，i为大于等于1的整数；
负向迭代距离计算公式为：
；
其中，为第j个内点作为起点时进行下一次趋势分析对应的负向迭代距离，/>为第j个内点对应的点集密度，/>为第j个迭代点对应的点集密度，/>为获得第j个内点进行的此次趋势时对应的迭代距离，j为大于等于1的整数。
6.如权利要求1所述的方法，其特征在于，所述方法包括：
从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第一状态检测节点；
以所述第一状态检测节点对所述Q个状态检测节点进行二分类，获得第一节点集合；
再次从所述Q个状态检测节点中不放回随机选取一个状态检测节点作为第二状态检测节点；
以所述第二状态检测节点对第一节点集合进行二分类，获得第二节点集合；
经过多次二分类，直至满足分类次数，获得所述目标故障检测节点集合。
7.一种永磁发电机故障检测系统，其特征在于，所述系统包括：
特征值集合获取模块，用于获取目标永磁发电机的预定检测周期，并在所述预定检测周期内按照状态监测指标集合进行特征值采集，获得Q个状态监测指标特征值集合，其中，所述状态监测指标集合包括Q个状态监测指标；
偏离系数获得模块，用于遍历所述Q个状态监测指标特征值集合进行偏离系数分析，获得Q个状态监测指标偏离系数；
状态检测节点获得模块，用于获取多个样本状态监测指标偏离系数、多个样本状态检测节点作为训练数据，构建状态检测节点识别网络层，并将Q个状态监测指标偏离系数传输至所述状态检测节点识别网络层中进行检测节点识别，获得Q个状态检测节点，每个状态检测节点包括每个状态监测指标对应的多个状态关联检测项；
融合分析模块，用于对Q个状态检测节点进行融合分析，获得目标故障检测节点集合；
检测项集合获得模块，用于对目标故障检测节点集合对应的多个状态关联检测项进行求并集，获得多个目标关联检测项集合，每个目标关联检测项集合对应一个目标故障检测节点；
故障检测模块，用于根据所述目标故障检测节点集合和多个目标关联检测项集合对所述目标永磁发电机进行故障检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311442512.9A CN117171709B (zh) | 2023-11-01 | 2023-11-01 | 一种永磁发电机故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311442512.9A CN117171709B (zh) | 2023-11-01 | 2023-11-01 | 一种永磁发电机故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171709A true CN117171709A (zh) | 2023-12-05 |
| CN117171709B CN117171709B (zh) | 2024-01-26 |
Family
ID=88947140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311442512.9A Active CN117171709B (zh) | 2023-11-01 | 2023-11-01 | 一种永磁发电机故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171709B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
| CN115980531A (zh) * | 2023-03-16 | 2023-04-18 | 江苏大全长江电器股份有限公司 | 一种特定环境下的gis开关柜质量检测方法及系统 |
| CN116500441A (zh) * | 2023-06-30 | 2023-07-28 | 无锡中基电机制造有限公司 | 一种电机故障检测定位方法及系统 |
| CN116775408A (zh) * | 2023-06-19 | 2023-09-19 | 上海启斯云计算有限公司 | 一种储能设备运行状态的智能监测方法 |
-
2023
- 2023-11-01 CN CN202311442512.9A patent/CN117171709B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
| CN115980531A (zh) * | 2023-03-16 | 2023-04-18 | 江苏大全长江电器股份有限公司 | 一种特定环境下的gis开关柜质量检测方法及系统 |
| CN116775408A (zh) * | 2023-06-19 | 2023-09-19 | 上海启斯云计算有限公司 | 一种储能设备运行状态的智能监测方法 |
| CN116500441A (zh) * | 2023-06-30 | 2023-07-28 | 无锡中基电机制造有限公司 | 一种电机故障检测定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171709B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232366B (zh) | 一种基于rfid监测的电气设备故障预警方法及系统 | |
| CN116306320B (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
| CN103916820A (zh) | 基于接入点稳定度的无线室内定位方法 | |
| CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
| CN109874104B (zh) | 用户位置定位方法、装置、设备及介质 | |
| CN112200038B (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
| CN117171709B (zh) | 一种永磁发电机故障检测方法及系统 | |
| CN116510223B (zh) | 基于物联网的自识别消防泵电参数巡检监测系统 | |
| CN113092044A (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
| CN116150186B (zh) | 一种基于大数据的通信物联管理方法及系统 | |
| CN116193425A (zh) | 一种基于感知分组的时间序列异常数据在线检测方法 | |
| CN115935261A (zh) | 基于工业互联网的群体设备非绝对正向反馈方法 | |
| Lei et al. | An improved WiFi fingerprint location method for indoor positioning | |
| CN114840403A (zh) | 系统参数调优的方法、装置及电子设备 | |
| CN115146525A (zh) | 二次电池的劣化状态推定系统、二次电池的劣化状态推定方法及存储介质 | |
| CN112990274A (zh) | 一种基于大数据的风电场异常数据自动辨识方法 | |
| CN114627320A (zh) | 一种新能源汽车聚类方法及装置 | |
| Zhao et al. | Application of data fusion based on clustering-neural network for ETC gantry flow capacity correction | |
| CN110222727A (zh) | 一种基于深度神经网络的短期负荷预测方法及装置 | |
| Murali et al. | Forecasting and classification of power quality disturbance in smart grid using hybrid networks | |
| CN118101720B (zh) | 基于边缘云的新能源数据采集控制方法及系统 | |
| CN116937820B (zh) | 一种基于深度学习算法的高压电路线路状态监测方法 | |
| Zhang et al. | Research on Electronic Circuit Fault Diagnosis Method Based on SWT and DCNN-ELM | |
| CN114239759B (zh) | 电动汽车的故障诊断方法、装置、电子设备及存储介质 | |
| CN114779002B (zh) | 一种输电线路故障点定位方法、装置、设备及存储介质 |
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 |