CN117633711A - 一种基于多维数据融合的水电机组故障诊断方法及系统 - Google Patents
一种基于多维数据融合的水电机组故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117633711A CN117633711A CN202311738435.1A CN202311738435A CN117633711A CN 117633711 A CN117633711 A CN 117633711A CN 202311738435 A CN202311738435 A CN 202311738435A CN 117633711 A CN117633711 A CN 117633711A
- Authority
- CN
- China
- Prior art keywords
- hydroelectric generating
- generating set
- sample
- diagnosed
- information
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 110
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims description 69
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000010248 power generation Methods 0.000 claims description 20
- 238000009434 installation Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 4
- 239000011159 matrix material Substances 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多维数据融合的水电机组故障诊断方法及系统，涉及数据处理领域，其中，该系统包括：样本分析模块，用于获取多个样本水电机组的历史运行信息，并基于多个样本水电机组的历史运行信息，建立多个故障画像；数据采集模块，用于采集待诊断水电机组的实时运行信息；数据处理模块，用于基于待诊断水电机组的实时运行信息，建立待诊断水电机组的实时运行画像；故障诊断模块，用于基于待诊断水电机组的实时运行画像及多个故障画像，确定待诊断水电机组的状态信息，具有提高水电机组故障诊断的准确度的优点。
Description
技术领域
本发明涉及数据处理领域，特别涉及一种基于多维数据融合的水电机组故障诊断方法及系统。
背景技术
水轮发电机组的运行状态是否安全可靠，直接关系到水电站能否安全经济提供可靠的电力，也直接关系到水电站本身的安全。随着科技发展，水轮发电机组的故障诊断正由人工诊断到智能诊断、由离线诊断到在线诊断、由现场诊断到远程诊断逐渐发展。
目前，水电站已普遍装备了计算机监控、机组状态监测、水情水调、继电保护等系统，水电站积累了大量的机组运行、检修、试验及故障等数据。虽然，这些数据反应了机组的实时状态，但这些数据具有多而杂的特点，在实际故障诊断研究工作中未得到充分利用，往往导致分析效果不佳。
因此，需要提供一种基于多维数据融合的水电机组故障诊断方法及系统，用于提高水电机组故障诊断的准确度。
发明内容
本发明提供一种基于多维数据融合的水电机组故障诊断系统，包括：样本分析模块，用于获取多个样本水电机组的历史运行信息，并基于所述多个样本水电机组的历史运行信息，建立多个故障画像；数据采集模块，用于采集待诊断水电机组的实时运行信息；数据处理模块，用于基于所述待诊断水电机组的实时运行信息，建立所述待诊断水电机组的实时运行画像；故障诊断模块，用于基于所述待诊断水电机组的实时运行画像及所述多个故障画像，确定所述待诊断水电机组的状态信息。
进一步地，所述样本分析模块基于所述多个样本水电机组的历史运行信息，建立多个故障画像，包括：获取所述多个样本水电机组的结构信息及运行参数信息，对所述多个样本水电机组进行聚类，确定多个样本水电机组簇，建立多个样本水电机组簇画像；对于每个所述样本水电机组簇，基于所述样本水电机组簇包括的多个样本水电机组的历史运行信息，建立所述样本水电机组簇对应的多个故障画像。
进一步地，所述样本分析模块获取所述样本水电机组的历史运行信息，包括；获取所述样本水电机组的历史故障信息，基于所述样本水电机组的历史故障信息，确定多个故障模拟方案；获取所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息，其中，所述故障信息包括所述样本水电机组的模拟模型的发电量信息及多个位置处的特征信息，所述特征信息为振动信息和/或温度信息。
进一步地，所述数据采集模块包括至少一个振动采集单元、至少一个温度采集单元及至少一个水轮机流量采集单元；所述数据采集模块采集待诊断水电机组的实时运行信息，包括；基于所述待诊断水电机组的结构信息及运行参数信息，建立所述待诊断水电机组的待诊断水电机组画像；计算所述待诊断水电机组的待诊断水电机组画像与所述多个样本水电机组簇画像之间的第一画像相似度，从所述样本水电机组簇中确定目标样本水电机组簇；基于所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息，确定数据采集方案，其中，所述数据采集方案至少包括每个振动采集单元的安装位置和每个温度采集单元的安装位置；基于所述数据采集方案，采集所述待诊断水电机组的实时运行信息。
进一步地，所述数据处理模块基于所述待诊断水电机组的实时运行信息，建立所述待诊断水电机组的实时运行画像，包括：对所述待诊断水电机组的实时运行信息进行去噪及补全处理，生成补全后的实时运行信息；基于所述补全后的实时运行信息，建立所述待诊断水电机组的实时运行画像。
进一步地，所述数据处理模块对所述待诊断水电机组的实时运行信息进行去噪及补全处理，生成补全后的实时运行信息，包括：基于所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息，确定任意两个振动采集单元之间的第一噪声关联度、任意两个温度采集单元之间的第二噪声关联度、任意一个振动采集单元与任意一个所述温度采集单元之间的第三噪声关联度，建立第三噪声关联度图谱；对于每个所述振动采集单元，建立对应的振动去噪模型，并所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息训练所述振动去噪模型，基于所述第三噪声关联度图谱，确定所述振动采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过所述振动去噪模型基于所述振动采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对所述振动采集单元采集的数据进行去噪及补全；对于每个所述温度采集单元，建立对应的温度去噪模型，并所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息训练所述温度去噪模型，基于所述第三噪声关联度图谱，确定所述温度采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过所述温度去噪模型基于所述温度采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对所述温度采集单元采集的数据进行去噪及补全。
进一步地，所述故障诊断模块基于所述待诊断水电机组的实时运行画像及所述多个故障画像，确定所述待诊断水电机组的状态信息，包括：基于每个所述振动采集单元在当前诊断周期内的多个诊断时间点采集的数据和每个所述温度采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定所述待诊断水电机组的第一异常值；基于所述待诊断水电机组在所述当前诊断周期的发电量信息及所述目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定所述待诊断水电机组的第二异常值；基于所述第一异常值和所述第二异常值，判断所述待诊断水电机组是否处于异常状态；当判断所述待诊断水电机组处于异常状态时，基于所述待诊断水电机组的实时运行画像及所述目标样本水电机组簇对应的多个故障画像，确定所述待诊断水电机组的状态信息。
进一步地，所述故障诊断模块基于所述待诊断水电机组在所述当前诊断周期的发电量信息及所述目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定所述待诊断水电机组的第二异常值，包括：基于每个所述水轮机流量采集单元在当前诊断周期内的多个诊断时间点采集的数据及所述目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定参考发电量；基于所述待诊断水电机组在所述当前诊断周期的发电量信息及所述参考发电量，确定所述待诊断水电机组的第二异常值。
进一步地，所述当判断所述待诊断水电机组处于异常状态时，基于所述待诊断水电机组的实时运行画像及所述目标样本水电机组簇对应的多个故障画像，确定所述待诊断水电机组的状态信息，包括：基于所述待诊断水电机组的实时运行画像与所述目标样本水电机组簇对应的多个故障画像之间的第二画像相似度；基于所述第二画像相似度，确定所述待诊断水电机组的状态信息。
本发明提供一种基于多维数据融合的水电机组故障诊断方法，包括：获取多个样本水电机组的历史运行信息；基于所述多个样本水电机组的历史运行信息，建立多个故障画像；采集待诊断水电机组的实时运行信息；基于所述待诊断水电机组的实时运行信息，建立所述待诊断水电机组的实时运行画像；基于所述待诊断水电机组的实时运行画像及所述多个故障画像，确定所述待诊断水电机组的状态信息。
相比于现有技术，本发明提供的一种基于多维数据融合的水电机组故障诊断方法及系统，至少具备以下有益效果：
1、基于多个样本水电机组的历史运行信息，建立多个故障画像，为后续诊断待诊断水电机组的状态信息提供样本数据支持，进一步地，基于待诊断水电机组的实时运行信息，建立待诊断水电机组的实时运行画像，对多维数据融合，提高了水电机组故障诊断的准确度。
2、通过对多个样本水电机组进行聚类，确定多个样本水电机组簇，使得相似的样本水电机组的历史运行信息进行统一分析，差异较大的样本水电机组的历史运行信息分开进行分析，从而使得建立的样本水电机组簇对应的多个故障画像更加准确。
3、通过获取样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息，为建立样本水电机组簇对应的多个故障画像补充了有效数据，提高了样本水电机组簇对应的多个故障画像的精准度；
4、基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定数据采集方案，可以有效减少采集的待诊断水电机组的实时运行信息中的无效信息，提高水电机组的故障诊断效率；
5、通过振动去噪模型基于振动采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过振动去噪模型基于振动采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对振动采集单元采集的数据进行去噪及补全，从多维数据进行数据去噪及补全，通过温度去噪模型基于温度采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对温度采集单元采集的数据进行去噪及补全，提高了数据去噪及补全的准确度；
6、先基于每个振动采集单元在当前诊断周期内的多个诊断时间点采集的数据和每个温度采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定待诊断水电机组的第一异常值，基于待诊断水电机组在当前诊断周期的发电量信息及目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定待诊断水电机组的第二异常值，并基于第一异常值和第二异常值，对待诊断水电机组在当前诊断周期是否发生异常进行预判，在预判发生异常后，再确定待诊断水电机组的故障状态，相比于每次都直接基于待诊断水电机组的实时运行画像及目标样本水电机组簇对应的多个故障画像，确定待诊断水电机组的状态信息，减少了无效的画像对比流程。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的一种基于多维数据融合的水电机组故障诊断系统的模块图；
图2是根据本说明书一些实施例所示的采集待诊断水电机组的实时运行信息的流程示意图；
图3是根据本说明书一些实施例所示的确定待诊断水电机组的状态信息的流程示意图；
图4是根据本说明书一些实施例所示的一种基于多维数据融合的水电机组故障诊断方法的流程示意图。
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。
图1是根据本说明书一些实施例所示的一种基于多维数据融合的水电机组故障诊断系统的模块图，如图1所示，一种基于多维数据融合的水电机组故障诊断系统可以包括样本分析模块、数据采集模块、数据处理模块及故障诊断模块。
样本分析模块可以用于获取多个样本水电机组的历史运行信息，并基于多个样本水电机组的历史运行信息，建立多个故障画像。
水电机组设备包括：水导轴承，下导及推力轴承，主轴密封，顶盖排水系统，筒阀及筒阀油压装置系统，调速器及调速器油压装置系统，导水机构，转轮及主轴，引水管、蜗壳及尾水管，下机架，定子及附属设备，上导轴承，转子及附属设备，制动装置。不同的样本水电机组之间可以存在差异，例如，在结构、运行参数信息上可以不同，其中，运行参数信息可以包括水头高度、水轮机流量等。
在一些实施例中，样本分析模块基于多个样本水电机组的历史运行信息，建立多个故障画像，包括：
获取多个样本水电机组的结构信息及运行参数信息，对多个样本水电机组进行聚类，确定多个样本水电机组簇，建立多个样本水电机组簇画像；
对于每个样本水电机组簇，基于样本水电机组簇包括的多个样本水电机组的历史运行信息，建立样本水电机组簇对应的多个故障画像。
具体的，对于某个样本水电机组，可以基于样本水电机组的运行参数信息，确定该样本水电机组的水轮机流量范围，对于任意两个样本水电机组，可以基于该两个样本水电机组的结构信息，计算该两个样本水电机组的结构相似度，并基于该两个样本水电机组的水头高度和水轮机流量范围，计算该两个样本水电机组的运行参数相似度，基于该两个样本水电机组的结构相似度及运行参数相似度，确定该两个样本水电机组的样本水电机组相似度。
例如，样本分析模块可以根据以下公式计算两个样本水电机组的样本水电机组相似度：
其中，S(i,j)为第i个样本水电机组和第j个样本水电机组的样本水电机组相似度，S(structure,(i,j))为第i个样本水电机组和第j个样本水电机组的结构相似度，Hi为第i个样本水电机组的水头高度，Hj为第j个样本水电机组的水头高度，V(i,max)为第i个样本水电机组的最大水轮机流量，V(j,max)为第j个样本水电机组的最大水轮机流量，V(i,min)为第i个样本水电机组的最小水轮机流量，V(j,min)为第j个样本水电机组的最小水轮机流量，a1、a2、a3及a4均为预设权重，M1为预设参数。
样本分析模块可以通过k均值聚类算法(k-means clustering algorithm)基于任意两个样本水电机组的样本水电机组相似度，对多个样本水电机组进行聚类，确定多个样本水电机组簇，建立多个样本水电机组簇画像。样本水电机组簇画像可以包括样本水电机组的结构信息、水头高度信息及水轮机流量范围信息。
可以理解的，通过对多个样本水电机组进行聚类，确定多个样本水电机组簇，使得相似的样本水电机组的历史运行信息进行统一分析，差异较大的样本水电机组的历史运行信息分开进行分析，从而使得建立的样本水电机组簇对应的多个故障画像更加准确。
在一些实施例中，样本分析模块基于样本水电机组簇包括的多个样本水电机组的历史运行信息，建立样本水电机组簇对应的多个故障画像，包括；
基于样本水电机组簇包括的多个样本水电机组的历史运行信息，确定样本水电机组簇对应的多个故障模拟方案；
获取样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息，其中，故障信息包括样本水电机组簇对应的模拟模型的发电量信息及多个位置处的特征信息，特征信息为振动信息和/或温度信息；
基于样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息，建立样本水电机组簇对应的多个故障画像。
具体的，样本分析模块可以基于样本水电机组簇包括的多个样本水电机组的历史运行信息，确定样本水电机组簇包括的多个样本水电机组容易发生的故障类型。多个故障模拟方案可以包括用于模拟不同的故障类型的方案。仅作为示例的，水电机组的故障类型可以包括：尾水管里衬卷边剥落，直锥管空蚀磨损，补气短管有裂纹；吸出高程的影响，水力不稳定性，变工况影响；大轴中心补气不足，尾水管自然补气受阻，紧急真空破坏阀设计缺陷；导叶开口不均，导叶出口卡门涡振；立面间隙大、不均，端面间隙大、不均，空蚀磨损；控制环、接力器，故障的原因为传动部件松动，控制环受力不均；主封偏差，形状不规则，轴系偏心，偏磨；水导间隙不均，止漏环与转轮不同心，运行磨损；水导、上机架、下机架的紧固件松动等。
样本水电机组的模拟模型可以为样本水电机组簇对应的的物理模拟模型。故障画像可以包括样本水电机组簇包括的多个样本水电机组在某种故障下的一个检测周期内的表现特征，例如，多个位置处在一个检测周期内的振动信息、温度信息及样本水电机组在该检测周期内的发电量。
具体的，样本分析模块可以基于样本水电机组簇对应的模拟模型进行多次的试验，获取大量的样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息，对样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息进行预处理，确定无效的数据，例如，在样本水电机组簇对应的模拟模型中不会发生异常反应的位置采集的数据等，再建立样本水电机组簇对应的多个故障画像。
可以理解的，通过获取样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息，为建立样本水电机组簇对应的多个故障画像补充了有效数据，提高了样本水电机组簇对应的多个故障画像的精准度。
数据采集模块可以用于采集待诊断水电机组的实时运行信息。
待诊断水电机组的实时运行信息可以至少包括待诊断水电机组的至少一个位置处的振动信息、温度信息及待诊断水电机组的发电量信息、水轮机流量信息等。
在一些实施例中，数据采集模块包括至少一个振动采集单元、至少一个温度采集单元及至少一个水轮机流量采集单元。
图2是根据本说明书一些实施例所示的采集待诊断水电机组的实时运行信息的流程示意图，如图2所示，在一些实施例中，数据采集模块采集待诊断水电机组的实时运行信息，包括；
基于待诊断水电机组的结构信息及运行参数信息，建立待诊断水电机组的待诊断水电机组画像，其中，待诊断水电机组的待诊断水电机组画像可以包括待诊断水电机组的结构信息及运行参数信息；
计算待诊断水电机组的待诊断水电机组画像与多个样本水电机组簇画像之间的第一画像相似度，从样本水电机组簇中确定目标样本水电机组簇；
基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定数据采集方案，其中，数据采集方案至少包括每个振动采集单元的安装位置和每个温度采集单元的安装位置；
基于数据采集方案，采集待诊断水电机组的实时运行信息，具体的，可以根据数据采集方案安装至少一个振动采集单元、至少一个温度采集单元及至少一个水轮机流量采集单元。
具体的，数据采集模块可以基于待诊断水电机组的结构信息与样本水电机组簇画像的结构信息，计算待诊断水电机组与该样本水电机组簇的结构相似度，并基于该待诊断水电机组的水头高度和水轮机流量范围及样本水电机组簇画像的水头高度和水轮机流量范围，计算待诊断水电机组与该样本水电机组簇的运行参数相似度，基于待诊断水电机组与该样本水电机组簇的结构相似度及运行参数相似度，计算待诊断水电机组的待诊断水电机组画像与多个样本水电机组簇画像之间的第一画像相似度，并将第一画像相似度最大的样本水电机组簇作为目标样本水电机组簇。
数据采集模块可以基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定待诊断水电机组中容易发生振动异常、温度异常的位置，从而确定每个振动采集单元的安装位置和每个温度采集单元的安装位置。
可以理解的，基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定数据采集方案，可以有效减少采集的待诊断水电机组的实时运行信息中的无效信息，提高水电机组的故障诊断效率。
数据处理模块可以用于基于待诊断水电机组的实时运行信息，建立待诊断水电机组的实时运行画像。
在一些实施例中，数据处理模块基于待诊断水电机组的实时运行信息，建立待诊断水电机组的实时运行画像，包括：
对待诊断水电机组的实时运行信息进行去噪及补全处理，生成补全后的实时运行信息；
基于补全后的实时运行信息，建立待诊断水电机组的实时运行画像，其中，待诊断水电机组的实时运行画像可以包括待诊断水电机组的多个位置在当前诊断周期内的多个诊断时间点的振动数据、温度数据、待诊断水电机组的在当前诊断周期内的多个诊断时间点的水轮机流量及待诊断水电机组的在当前诊断周期内的发电量。
在一些实施例中，数据处理模块对待诊断水电机组的实时运行信息进行去噪及补全处理，生成补全后的实时运行信息，包括：
基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定任意两个振动采集单元之间的第一噪声关联度、任意两个温度采集单元之间的第二噪声关联度、任意一个振动采集单元与任意一个温度采集单元之间的第三噪声关联度，建立第三噪声关联度图谱；
对于每个振动采集单元，建立对应的振动去噪模型，并样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息训练振动去噪模型，基于第三噪声关联度图谱，确定振动采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过振动去噪模型基于振动采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对振动采集单元采集的数据进行去噪及补全；
对于每个温度采集单元，建立对应的温度去噪模型，并样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息训练温度去噪模型，基于第三噪声关联度图谱，确定温度采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过温度去噪模型基于温度采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对温度采集单元采集的数据进行去噪及补全。
其中，温度去噪模型和振动去噪模型可以为人工神经网络(Artificial NeuralNetwork，ANN)模型、循环神经网络(Recurrent Neural Networks，RNN)模型、长短时记忆网络(Long Short-Term Memory，LSTM)模型、双向循环神经网络(BRNN)模型等机器学习模型。
具体的，数据处理模块可以基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定样本水电机组簇包括的每个样本水电机组的模拟模型的任意两个位置处同时采集到异常的振动数据的概率，作为待诊断水电机组中对应的两个位置同时采集到异常的振动数据的概率，设置在该两个位置的振动采集单元之间的第一噪声关联度即为该概率。基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定样本水电机组簇包括的每个样本水电机组的模拟模型的任意两个位置处同时采集到异常的温度数据的概率，作为待诊断水电机组中对应的两个位置同时采集到异常的温度数据的概率，设置在该两个位置的温度采集单元之间的第二噪声关联度即为该概率。基于样本水电机组簇包括的每个样本水电机组的模拟模型在多个故障模拟方案的故障信息，确定样本水电机组簇包括的每个样本水电机组的模拟模型的任意两个位置中，一个位置采集到异常的振动数据，同时另一个位置采集到异常的温度数据的概率，作为待诊断水电机组中对应的两个位置中一个位置采集到异常的振动数据，同时另一个位置采集到异常的温度数据的概率，设置该两个位置处的振动采集单元与该两个位置处的温度采集单元之间的第三噪声关联度即为该概率。
可以理解的，通过振动去噪模型基于振动采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过振动去噪模型基于振动采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对振动采集单元采集的数据进行去噪及补全，从多维数据进行数据去噪及补全，通过温度去噪模型基于温度采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对温度采集单元采集的数据进行去噪及补全，提高了数据去噪及补全的准确度。
故障诊断模块可以用于基于待诊断水电机组的实时运行画像及多个故障画像，确定待诊断水电机组的状态信息。
图3是根据本说明书一些实施例所示的确定待诊断水电机组的状态信息的流程示意图，如图3所示，在一些实施例中，故障诊断模块基于待诊断水电机组的实时运行画像及多个故障画像，确定待诊断水电机组的状态信息，包括：
基于每个振动采集单元在当前诊断周期内的多个诊断时间点采集的数据和每个温度采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定待诊断水电机组的第一异常值；
基于待诊断水电机组在当前诊断周期的发电量信息及目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定待诊断水电机组的第二异常值；
基于第一异常值和第二异常值，判断待诊断水电机组是否处于异常状态；
当判断所述待诊断水电机组处于异常状态时，基于所述待诊断水电机组的实时运行画像及所述目标样本水电机组簇对应的多个故障画像，确定所述待诊断水电机组的状态信息。
具体的，故障诊断模块可以基于每个振动采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定待诊断水电机组的振动波动矩阵，其中，振动波动矩阵的行向量可以表征待诊断水电机组的一个位置处的振动波动序列，振动波动序列的元素可以为该位置在当前诊断周期内的一个时间段的振动波动参数，并基于每个温度采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定待诊断水电机组的温度波动矩阵，其中，温度波动矩阵的行向量可以表征待诊断水电机组的一个位置处的温度波动序列，温度波动序列的元素可以为该位置在当前诊断周期内的一个时间段的温度波动参数。
例如，故障诊断模块可以基于以下公式计算振动波动参数：
其中，F(vibrate,k)为待诊断水电机组的第k个位置的在当前诊断周期内的T1时间段的振动波动参数，为待诊断水电机组的第k个位置的在当前诊断周期内的T1时间段的第t1个时间点的振动幅值。
温度波动参数的计算方式与振动波动参数的计算方式类似，此处不再赘述。
故障诊断模块可以基于待诊断水电机组的振动波动矩阵及温度波动矩阵，确定待诊断水电机组的第一异常值。例如，故障诊断模块可以计算待诊断水电机组的振动波动矩阵与预设振动波动矩阵之间的余弦相似度作为振动波动矩阵相似度，并计算待诊断水电机组的温度波动矩阵与预设温度波动矩阵之间的余弦相似度作为温度波动矩阵相似度，基于振动波动矩阵相似度和温度波动矩阵相似度，计算待诊断水电机组的第一异常值。
仅作为示例的，故障诊断模块可以根据以下公式基于振动波动矩阵相似度和温度波动矩阵相似度，计算待诊断水电机组的第一异常值：
其中，U1为待诊断水电机组的第一异常值，M2为预设参数，Svibrate为振动波动矩阵相似度，Stemperature为温度波动矩阵相似度，b1及b2为预设权重。
可以理解的，先基于每个振动采集单元在当前诊断周期内的多个诊断时间点采集的数据和每个温度采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定待诊断水电机组的第一异常值，基于待诊断水电机组在当前诊断周期的发电量信息及目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定待诊断水电机组的第二异常值，并基于第一异常值和第二异常值，对待诊断水电机组在当前诊断周期是否发生异常进行预判，在预判发生异常后，再确定待诊断水电机组的故障状态，相比于每次都直接基于待诊断水电机组的实时运行画像及目标样本水电机组簇对应的多个故障画像，确定待诊断水电机组的状态信息，减少了无效的画像对比流程。
在一些实施例中，故障诊断模块基于待诊断水电机组在当前诊断周期的发电量信息及目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定待诊断水电机组的第二异常值，包括：
基于每个水轮机流量采集单元在当前诊断周期内的多个诊断时间点采集的数据及目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定参考发电量；
基于待诊断水电机组在当前诊断周期的发电量信息及参考发电量，确定待诊断水电机组的第二异常值。
具体的，故障诊断模块可以基于水轮机流量采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定待诊断水电机组在当前诊断周期内的多个时间段的水轮机流量波动参数，生成水轮机流量波动序列。基于目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定目标样本水电机组簇包括的至少一个样本水电机组在多个历史发电周期内的多个时间段的历史水轮机流量波动参数，生成历史水轮机流量波动序列，计算水轮机流量波动序列和历史水轮机流量波动序列之间的水轮机流量波动序列相似度，当水轮机流量波动序列相似度大于预设水轮机流量波动序列相似度阈值时，该样本水电机组在该历史发电周期的发电量具备参考性，获取该样本水电机组在该历史发电周期的发电量，作为参考发电量。
例如，故障诊断模块可以基于以下公式计算水轮机流量波动参数：
其中，为待诊断水电机组在当前诊断周期内的T1时间段的水轮机流量波动参数，/>为待诊断水电机组在当前诊断周期内的T1时间段的第t1个时间点的水轮机流量。
故障诊断模块可以基于以下公式计算第二异常值：
其中，U2为待诊断水电机组的第二异常值，Gcurrent为待诊断水电机组在当前诊断周期的发电量，Greference为待诊断水电机组在当前诊断周期的参考发电量，M3为预设参数。
故障诊断模块可以对第一异常值和第二异常值进行加权求和，计算待诊断水电机组的总异常值，当待诊断水电机组的总异常值大于预设总异常值阈值时，判断待诊断水电机组处于异常状态。
在一些实施例中，当判断所述待诊断水电机组处于异常状态时，基于所述待诊断水电机组的实时运行画像及所述目标样本水电机组簇对应的多个故障画像，确定所述待诊断水电机组的状态信息，包括：
基于待诊断水电机组的实时运行画像与多个故障画像之间的第二画像相似度；
基于第二画像相似度，确定待诊断水电机组的状态信息。
具体的，故障诊断模块可以将第二画像相似度大于预设第二画像相似度阈值，且第二画像相似度最大的故障画像对应的故障类型，作为待诊断水电机组的当前故障类型。
图4是根据本说明书一些实施例所示的一种基于多维数据融合的水电机组故障诊断方法的流程示意图，在一些实施例中，一种基于多维数据融合的水电机组故障诊断方法可以由一种基于多维数据融合的水电机组故障诊断系统执行。如图4所示，一种基于多维数据融合的水电机组故障诊断方法可以包括以下流程。
步骤410，获取多个样本水电机组的历史运行信息；
步骤420，基于多个样本水电机组的历史运行信息，建立多个故障画像；
步骤430，采集待诊断水电机组的实时运行信息；
步骤440，基于待诊断水电机组的实时运行信息，建立待诊断水电机组的实时运行画像；
步骤450，基于待诊断水电机组的实时运行画像及多个故障画像，确定待诊断水电机组的状态信息。
关于一种基于多维数据融合的水电机组故障诊断方法的更多描述可以参见一种基于多维数据融合的水电机组故障诊断系统的相关描述，此处不再赘述。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于多维数据融合的水电机组故障诊断系统，其特征在于，包括：
样本分析模块，用于获取多个样本水电机组的历史运行信息，并基于所述多个样本水电机组的历史运行信息，建立多个故障画像；
数据采集模块，用于采集待诊断水电机组的实时运行信息；
数据处理模块，用于基于所述待诊断水电机组的实时运行信息，建立所述待诊断水电机组的实时运行画像；
故障诊断模块，用于基于所述待诊断水电机组的实时运行画像及所述多个故障画像，确定所述待诊断水电机组的状态信息。
2.根据权利要求1所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述样本分析模块基于所述多个样本水电机组的历史运行信息，建立多个故障画像，包括：
获取所述多个样本水电机组的结构信息及运行参数信息，对所述多个样本水电机组进行聚类，确定多个样本水电机组簇，建立多个样本水电机组簇画像；
对于每个所述样本水电机组簇，基于所述样本水电机组簇包括的多个样本水电机组的历史运行信息，建立所述样本水电机组簇对应的多个故障画像。
3.根据权利要求2所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述样本分析模块基于所述样本水电机组簇包括的多个样本水电机组的历史运行信息，建立所述样本水电机组簇对应的多个故障画像，包括；
基于所述样本水电机组簇包括的多个样本水电机组的历史运行信息，确定所述样本水电机组簇对应的多个故障模拟方案；
获取所述样本水电机组簇对应的模拟模型在所述多个故障模拟方案的故障信息，其中，所述故障信息包括所述样本水电机组簇对应的模拟模型的发电量信息及多个位置处的特征信息，所述特征信息为振动信息和/或温度信息；
基于所述样本水电机组簇对应的模拟模型在多个故障模拟方案的故障信息，建立所述样本水电机组簇对应的多个故障画像。
4.根据权利要求3所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述数据采集模块包括至少一个振动采集单元、至少一个温度采集单元及至少一个水轮机流量采集单元；
所述数据采集模块采集待诊断水电机组的实时运行信息，包括；
基于所述待诊断水电机组的结构信息及运行参数信息，建立所述待诊断水电机组的待诊断水电机组画像；
计算所述待诊断水电机组的待诊断水电机组画像与所述多个样本水电机组簇画像之间的第一画像相似度，从所述样本水电机组簇中确定目标样本水电机组簇；
基于所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息，确定数据采集方案，其中，所述数据采集方案至少包括每个振动采集单元的安装位置和每个温度采集单元的安装位置；
基于所述数据采集方案，采集所述待诊断水电机组的实时运行信息。
5.根据权利要求4所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述数据处理模块基于所述待诊断水电机组的实时运行信息，建立所述待诊断水电机组的实时运行画像，包括：
对所述待诊断水电机组的实时运行信息进行去噪及补全处理，生成补全后的实时运行信息；
基于所述补全后的实时运行信息，建立所述待诊断水电机组的实时运行画像。
6.根据权利要求5所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述数据处理模块对所述待诊断水电机组的实时运行信息进行去噪及补全处理，生成补全后的实时运行信息，包括：
基于所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息，确定任意两个振动采集单元之间的第一噪声关联度、任意两个温度采集单元之间的第二噪声关联度、任意一个振动采集单元与任意一个所述温度采集单元之间的第三噪声关联度，建立第三噪声关联度图谱；
对于每个所述振动采集单元，建立对应的振动去噪模型，并所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息训练所述振动去噪模型，基于所述第三噪声关联度图谱，确定所述振动采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过所述振动去噪模型基于所述振动采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对所述振动采集单元采集的数据进行去噪及补全；
对于每个所述温度采集单元，建立对应的温度去噪模型，并所述样本水电机组簇包括的每个所述样本水电机组的模拟模型在所述多个故障模拟方案的故障信息训练所述温度去噪模型，基于所述第三噪声关联度图谱，确定所述温度采集单元关联的至少一个振动采集单元和/或至少一个温度采集单元，通过所述温度去噪模型基于所述温度采集单元关联的至少一个振动采集单元采集的数据和/或至少一个温度采集单元采集的数据，对所述温度采集单元采集的数据进行去噪及补全。
7.根据权利要求4-6中任意一项所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述故障诊断模块基于所述待诊断水电机组的实时运行画像及所述多个故障画像，确定所述待诊断水电机组的状态信息，包括：
基于每个所述振动采集单元在当前诊断周期内的多个诊断时间点采集的数据和每个所述温度采集单元在当前诊断周期内的多个诊断时间点采集的数据，确定所述待诊断水电机组的第一异常值；
基于所述待诊断水电机组在所述当前诊断周期的发电量信息及所述目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定所述待诊断水电机组的第二异常值；
基于所述第一异常值和所述第二异常值，判断所述待诊断水电机组是否处于异常状态；
当判断所述待诊断水电机组处于异常状态时，基于所述待诊断水电机组的实时运行画像及所述目标样本水电机组簇对应的多个故障画像，确定所述待诊断水电机组的状态信息。
8.根据权利要求7所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述故障诊断模块基于所述待诊断水电机组在所述当前诊断周期的发电量信息及所述目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定所述待诊断水电机组的第二异常值，包括：
基于每个所述水轮机流量采集单元在当前诊断周期内的多个诊断时间点采集的数据及所述目标样本水电机组簇包括的至少一个样本水电机组的历史发电量信息，确定参考发电量；
基于所述待诊断水电机组在所述当前诊断周期的发电量信息及所述参考发电量，确定所述待诊断水电机组的第二异常值。
9.根据权利要求7所述的一种基于多维数据融合的水电机组故障诊断系统，其特征在于，所述当判断所述待诊断水电机组处于异常状态时，基于所述待诊断水电机组的实时运行画像及所述目标样本水电机组簇对应的多个故障画像，确定所述待诊断水电机组的状态信息，包括：
基于所述待诊断水电机组的实时运行画像与所述目标样本水电机组簇对应的多个故障画像之间的第二画像相似度；
基于所述第二画像相似度，确定所述待诊断水电机组的状态信息。
10.一种基于多维数据融合的水电机组故障诊断方法，其特征在于，包括：
获取多个样本水电机组的历史运行信息；
基于所述多个样本水电机组的历史运行信息，建立多个故障画像；
采集待诊断水电机组的实时运行信息；
基于所述待诊断水电机组的实时运行信息，建立所述待诊断水电机组的实时运行画像；
基于所述待诊断水电机组的实时运行画像及所述多个故障画像，确定所述待诊断水电机组的状态信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311738435.1A CN117633711A (zh) | 2023-12-18 | 2023-12-18 | 一种基于多维数据融合的水电机组故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311738435.1A CN117633711A (zh) | 2023-12-18 | 2023-12-18 | 一种基于多维数据融合的水电机组故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117633711A true CN117633711A (zh) | 2024-03-01 |
Family
ID=90033982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311738435.1A Pending CN117633711A (zh) | 2023-12-18 | 2023-12-18 | 一种基于多维数据融合的水电机组故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633711A (zh) |
-
2023
- 2023-12-18 CN CN202311738435.1A patent/CN117633711A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN104018988B (zh) | 基于物理组件模型和实时数据的风力发电机组监测系统 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN103033359A (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
| CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
| CN108647786A (zh) | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 | |
| CN114323665B (zh) | 一种燃气轮机燃料供给系统故障的检测方法 | |
| CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN110107441A (zh) | 水轮机在线诊断预测系统 | |
| CN116025529B (zh) | 一种风电机组自主健康评估方法及自愈调控方法及系统 | |
| CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
| CN103852255B (zh) | 基于神经网络风力发电机组典型传动故障智能诊断方法 | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| CN113468728B (zh) | 一种基于神经网络的变桨系统故障预测方法 | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| CN112036436B (zh) | 一种调相机油温预测系统的数据噪声处理方法及处理系统 | |
| CN117633711A (zh) | 一种基于多维数据融合的水电机组故障诊断方法及系统 | |
| CN115929569A (zh) | 一种风电机组变桨系统故障诊断方法 | |
| CN112922778B (zh) | 一种风电机组偏航优化方法、系统、设备及存储介质 | |
| CN109653945A (zh) | 一种风力发电机组降载方法及系统 | |
| Tingting et al. | Early warning method for power station auxiliary failure considering large-scale operating conditions | |
| CN112464151A (zh) | 一种基于声学诊断的风电机组偏航系统异音诊断方法 | |
| Skrimpas et al. | Detection of wind turbine power performance abnormalities using eigenvalue analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |