CN117685176A - 一种机组状态监测方法和系统 - Google Patents
一种机组状态监测方法和系统 Download PDFInfo
- Publication number
- CN117685176A CN117685176A CN202311694519.XA CN202311694519A CN117685176A CN 117685176 A CN117685176 A CN 117685176A CN 202311694519 A CN202311694519 A CN 202311694519A CN 117685176 A CN117685176 A CN 117685176A
- Authority
- CN
- China
- Prior art keywords
- unit
- state monitoring
- damage sensitive
- vibration data
- sensitive characteristic
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 241000287127 Passeridae Species 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000010224 classification analysis Methods 0.000 claims description 12
- 241000254158 Lampyridae Species 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000010248 power generation Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提出一种机组状态监测方法和系统，其中，监测方法包括获取风电厂的发电机组的机组振动数据；对机组振动数据进行时频分析以判断发电机组是否处于健康的状态；若不健康，则基于机组振动数据得到机组状态监测损伤敏感特征；利用人工神经网络建立机组状态监测模型，将机组状态监测损伤敏感特征输入机组状态监测模型以得到损伤敏感特征预测值；基于机组状态监测损伤敏感特征和损伤敏感特征预测值获得重构误差；基于重构误差和EWMA阈值以确定发电机组的运行状态是否异常，以提高机组状态的监测效率。
Description
技术领域
本申请属于机组状态监测技术领域，尤其涉及一种机组状态监测方法和系统。
背景技术
对为了应对日渐严峻的能源危机，实现全球可持续发展目标，我国高度重视可再生能源的开发。风能作为一种清洁、可持续的发电方式，是减少温室气体排放和节约能源的首选方式。因此，国内的风力发电得到了快速发展，陆上风力发电机装机容量迅速增加。我国已经成为全球范围内陆上风力发电量最多的国家，约占全球风力发电总量的40％。与此同时，海上风力发电机的发电能力也得到了大力的发展，目前我国已成为全球海上风力发电容量增速最快的国家。根据“双碳”目标，我国承诺到2030年实现非化石燃料占全国一次能源结构的25％，截至2022年底，我国已经实现了758GW风电机组和光伏系统的并网运行。根据全球风能协会市场情报预计，我国将在2025年前实现1200GW的可再生能源装机目标。综上所述，风力发电具有巨大的发展前景。但是在发电过程中，需要对机组状态进行监测。
但是常见的监测方法在使用过程中，多采用人工巡检和机械故障检测方法，监测效率偏低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种机组状态监测方法，以提高机组状态的监测效率。
本申请的第二个目的在于提出一种机组状态监测系统。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种机组状态监测方法，包括以下步骤：
获取风电厂的发电机组的机组振动数据；
对所述机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
若不健康，则基于所述机组振动数据得到机组状态监测损伤敏感特征；
利用人工神经网络建立机组状态监测模型，将所述机组状态监测损伤敏感特征输入所述机组状态监测模型以得到损伤敏感特征预测值；
基于所述机组状态监测损伤敏感特征和所述损伤敏感特征预测值获得重构误差；
基于所述重构误差和EWMA阈值以确定发电机组的运行状态是否异常。
在本申请的第一方面的方法中，在对所述机组振动数据进行时频分析之前还包括对所述机组振动数据进行预处理，所述预处理包括去重和分类分析。
在本申请的第一方面的方法中，所述基于所述机组振动数据得到机组状态监测损伤敏感特征，包括：对所述机组振动数据进行模态分解以得到故障特征，并对所述故障特征进行分类以得到机组状态监测损伤敏感特征。
在本申请的第一方面的方法中，采用萤火虫改进麻雀搜索算法对所述人工神经网络进行优化以获得所述人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于所述学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
在本申请的第一方面的方法中，所述分类分析包括对机组振动数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立分区表。
在本申请的第一方面的方法中，所述时频分析包括在时间域上的聚类分析和在频域上的功率谱比较。
在本申请的第一方面的方法中，所述基于所述重构误差和EWMA阈值以确定发电机组的运行状态是否异常，包括：比较所述重构误差和EWMA阈值，若所述重构误差维持在EWMA阈值以下，则发电机组运行正常，若所述重构误差超过EWMA阈值并保持在EWMA阈值上，发电机组运行异常。
为达上述目的，本申请第二方面实施例提出了一种机组状态监测系统，包括：
数据采集模块，用于获取风电厂的发电机组的机组振动数据；
时频分析模块，用于对所述机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
特征提取模块，用于若不健康，则基于所述机组振动数据得到机组状态监测损伤敏感特征；
预测模块，用于利用人工神经网络建立机组状态监测模型，将所述机组状态监测损伤敏感特征输入所述机组状态监测模型以得到损伤敏感特征预测值；
计算模块，用于基于所述机组状态监测损伤敏感特征和所述损伤敏感特征预测值获得重构误差；
判断模块，用于基于所述重构误差和EWMA阈值以确定发电机组的运行状态是否异常。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面提出的方法。
为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。
本申请提供的机组状态监测方法、系统、电子设备及存储介质，通过获取风电厂的发电机组的机组振动数据；对机组振动数据进行时频分析以判断发电机组是否处于健康的状态；若不健康，则基于机组振动数据得到机组状态监测损伤敏感特征；利用人工神经网络建立机组状态监测模型，将机组状态监测损伤敏感特征输入机组状态监测模型以得到损伤敏感特征预测值；基于机组状态监测损伤敏感特征和损伤敏感特征预测值获得重构误差；基于重构误差和EWMA阈值以确定发电机组的运行状态是否异常。在这种情况下，利用时频分析先判断发电机组的健康的状态，当不健康时获得机组状态监测损伤敏感特征并利用人工神经网络建立的机组状态监测模型得到预测值，从而得到重构误差，再利用重构误差和EWMA阈值监测发电机组部件的运行状态，减轻了相关人工监测带来的误差，减轻了相关人员的劳动负担，提高了机组状态的监测效率。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种机组状态监测方法的流程示意图；
图2为本申请实施例所提供的机组状态的具体监测过程流程示意图；
图3为本申请实施例所提供的一种机组状态监测系统的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的机组状态监测方法和系统。
本申请提供一种机组状态监测方法、系统、电子设备及存储介质，以提高机组状态的监测效率。
图1为本申请实施例所提供的一种机组状态监测方法的流程示意图。图2为本申请实施例所提供的机组状态的具体监测过程流程示意图。
如图1所示，该机组状态监测方法包括以下步骤：
步骤S101，获取风电厂的发电机组的机组振动数据。
在步骤S101中，通过数据采集模块获取风电厂的发电机组的机组振动数据。机组振动数据也称机组状态监测参数数据、机组状态数据、发电机组的数据。
在步骤S101中，数据采集模块包括测量单元，测量单元为振动传感器或机组加速度计等，机组振动数据通过振动传感器或机组加速度计测量得到。
在步骤S101中，数据采集模块还包括数据采集单元，通过测量单元测量得到的机组振动数据可以送至数据采集单元进行分析。
在步骤S101中，还可以通过数据预处理模块对机组振动数据进行预处理，其中预处理包括去重和分类分析。其中分类分析包括对机组振动数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立分区表。
具体地，如图2所示，步骤S101的具体过程包括：
对发电机组的数据进行采集(步骤a)：使用专业的机组振动传感器或机组加速度计来测量发电机组的机组振动数据；这些传感器安装在发电机的关键部位，如轴承、风叶或机壳上，以感知机组振动的频率、幅度和方向；传感器或机组加速度计将机组振动数据转换为电气数据，并传输给数据采集单元进行分析；
对采集到的数据进行预处理(步骤b)：先对采集到的机组状态监测参数数据进行数据去重，去重采集到的部分重复参数信息，之后再使用数据分类分析模块对其进行分类分析；
步骤a中数据采集单元的内部设置有时频域特征参数提取模块，时频域特征参数提取模块使用Matlab对机组振动数据进行滤波、FFT变换(快速傅里叶变换)和特征参数的捕捉和计算，在Matlab中编写时域波形和频谱图的绘图函数，并编写提取转速、峰峰值、有效值以及一倍频振幅和一倍频相位函数，然后使用第三方控件Matcom进行编译，配置好环境后在监测软件中调用。
步骤a中使用Matlab对机组振动数据进行提取的程序为：
步骤a中数据采集单元的内部还设置了机组加速度信号分析模块，机组加速度信号分析模块通过对机组振动速度进行有效值计算完成的，而速度是通过对机组加速度的积分计算而得，其中计算公式为：
步骤b中，数据预处理模块对采集到的机组状态监测参数数据进行数据去重，进行数据去重时先为机组状态监测参数数据设置集合set的集合标识key为order，然后将机组状态监测参数数据的重要属性连接起来作为vaule加入到order中，若保存成功则表示该数据唯一，则将其插入到MySQL(关系型数据库管理系统)数据库表单中供上层业务使用；
数据预处理模块的集合set去重的核心代码为：
”redis去重”'
def
remove_duplicate(start,destination,goods_name,goods_weight,vehicle_length,price,goods_volu
me,vehicle_type,publish_time,load_time):
info＝start
+”+destination+”+goods_name+”+vehicle_weight+”+str(vehicle_length)+”+price+”
+vehicle_volume+”+vehicle_type+”+publish_time+”+load_time
res＝red.sadd('order',info)#sadd函数将数据保存至set集合中
#若上一步成功保存，说明该条数据唯一，将其存至MySQL中。
步骤b中，数据分类分析模块利用Spark架构的Spark_ETL和Hive机制，对机组状态监测数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立Hive仓库的分区表，以便于区分机组状态监测的参数特征和类型；
数据分类分析模块采用Spark作为机组状态监测分析的实时处理框架，通过更简洁的配置和方式，实现一些复杂的业务流程处理和数据计算，并保证分析过程的实时性能；
Spark数据转换流程为：
Step1:集群主节点启动主要进程Master和工作进程Worker，监控整个机组状态数据集群的运行状态；
Step2:SparkDriver接收Task任务指令，对机组状态数据监测任务进行分发和调度管理；
Step3:Worker接收任务指令，执行任务操作，将指定的分片数存储在RDD的不同的分区中；
Step4:Spark对RDD执行并行处理操作，将指定的任务发送到对应的机器上，并利用多线程控制各个计算节点任务执行和结束:
Step5:一项任务执行完成后，当前RDD立即转向另外一个RDD，对应的用户操作随之依次执行。
步骤S102，对机组振动数据进行时频分析以判断发电机组是否处于健康的状态。
在步骤S102中，时频分析包括在时间域上的聚类分析和在频域上的功率谱比较。其中聚类分析通过对不同状态变量对应的状态进行分析，状态变量包括但不限于温度、压强。在频域上的功率谱比较的是产生的振动数据的功率谱与基于健康加速度数据的功率谱。
在步骤S102中，进行时频分析的机组振动数据是经过数据采集单元和数据预处理模块处理后的机组振动数据。
具体地，如图2所示，步骤S102的具体过程包括：
对机组状态数据进行时频分析(步骤c)：对步骤b中处理好的机组状态数据进行时频分析，进行时频分析的过程中融合了相关机组状态监测系数和机组状态聚类分析以及带时间窗的快速傅里叶变换对频率数据进行分析，提出了机组齿轮箱高速阶段的振动激励监测模型；在时间域上，采用相关系数和聚类分析，在频域上应用快速傅里叶变换；将机组使用过程中产生的振动数据的功率谱与基于健康加速度数据的功率谱进行比较，可以判断出是否处于健康的状态。
步骤c中先构建状态矩阵D，状态矩阵D可存储所选数据记录的状态向量；如下式所示：
xn(m)代表第n个状态变量在第m个时间点的状态；每一行表示不同的状态变量，每一列表示变量在不同时间的状态；记忆矩阵中任意一个状态的预测值都是其前m个时刻的状态的线性组合；选取状态变量时，首先在机组SCADA(监控和数据采集系统)数据里面确定一个主状态，例如某个机组内部的部件的温度、压强；然后，再通过相关性分析选择相关性高的状态变量。
步骤c中利用状态矩阵结合健康数据(如健康加速度数据)构建发电机组部件性能模型，并估计m+1时刻的状态向量，与观测向量进行比较得到残差，通过残差分析得出状态监测结果；残差ε可以表示为观测向量Xobs与估计向量Xest的之差，如下式所示：ε＝Xobs-Xest。其中各时刻的估计向量Xest组成记忆矩阵。若残差小于阈值则状态监测结果为机组健康，否则机组不健康。
步骤S103，若不健康，则基于机组振动数据得到机组状态监测损伤敏感特征。
在步骤S103中，基于机组振动数据得到机组状态监测损伤敏感特征，包括：对机组振动数据进行模态分解以得到故障特征，并对故障特征进行分类以得到机组状态监测损伤敏感特征。
具体地，如图2所示，步骤S103的具体过程包括：
对机组状态数据进行数据模态分解(步骤d)：对步骤c中时频分析处理好的机组状态数据进行数据模态分解，模态分解直接将复杂的数据分解为一系列固有模态函数(intrinsicmodefunction，IMF)，这些IMF代表了数据中不同时间尺度上的本征振动模式；可利用分解后的数据分析故障特征频率以得到故障特征，然后基于分类器对故障特征进行分类，辨识机组运行状态，使用经验模态分解(Empirical Mode Decomposition，缩写EMD)方法成功地将时变载荷影响的主要部分从机组状态监测参数数据中分离出来，留下可能与损伤相关的数据成分，再利用Teager-KaiserEnergyOperator算法技术进一步分析，成功提取了机组状态监测损伤敏感特征；
步骤S104，利用人工神经网络建立机组状态监测模型，将机组状态监测损伤敏感特征输入机组状态监测模型以得到损伤敏感特征预测值。
在步骤S104中，机组状态监测损伤敏感特征是基于实际采集的数据获得的损伤敏感特征实际值。
在步骤S104中，机组状态监测模型的输入数据为机组状态监测损伤敏感特征，输出数据为损伤敏感特征预测值。
在步骤S104中，采用萤火虫改进麻雀搜索算法对人工神经网络进行优化以获得人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
步骤S105，基于机组状态监测损伤敏感特征和损伤敏感特征预测值获得重构误差。
在步骤S105中，基于机组状态监测损伤敏感特征和损伤敏感特征预测值的差值的绝对值得到重构误差。
具体地，如图2所示，步骤S104和步骤S105的具体过程包括：
建立机组状态监测模型并对其优化(步骤e)：采用萤火虫改进麻雀搜索算法(sparrowsearchalgorithm，简称SSA)对人工神经网络进行优化，通过寻求人工神经网络学习速率和RBM(受限玻尔兹曼机)各层隐藏神经元数目的最优值，实现在全局样本空间中获得更高的诊断精度；
得到的参数输入到人工神经网络中(步骤f)：将步骤e中得到的参数输入到人工神经网络中，对输入数据进行编码和解码后输出，输入变量和输出具有相同的物理意义，通过FISSA(融合项目相似性具有自我注意网络)算法对人工神经网络参数调优，使模型更好地拟合输入数据；计算预测模型的预测值与实际值的重构误差δE，将其作为发电机组运行状态是否异常的判断依据；发电机组正常运行时，SCADA监测变量数据满足稳定的内部关系；当出现故障时，重构误差趋势会发生明显变化，其重构误差表达式为：
式中，x(i)为机组状态监测损伤敏感特征，为损伤敏感特征预测值。通过分析重构误差δE的变化趋势或突变程度，实现对风电机组运行状态的监测。
步骤d中，萤火虫改进麻雀搜索算法优化流程的具体步骤如下：
1)萤火虫改进麻雀搜索算法，根据多次实验选取迭代次数为10，种群规模为40只捕食者的比例为20％。安全阈值T取0.8。加入者的比例为30％，意识到危险的麻雀数量为5只；
2)优化参数设置；随机初始化麻雀种群的位置,设置学习速率α(即捕食者位置)，RBM各层隐藏神经元数目β(即加入者位置)和权重因子λ(即警戒者位置)的参数范围；
3)计算适应度值；根据目标函数计算麻雀的适应度值,重新捕食者位置、加入者位置和警戒者位置,计算适应度并更新麻雀位置,保存最佳位置个体，目标函数表达式为：Beat_pos(t)＝xi＝Function(α，β，λ)，式中，Best_pos(t)为最佳位置个体。
4)萤火虫扰动；利用萤火虫扰动更新麻雀位置，计算适应度值并更新麻雀位置，保存最佳位置个体；
5)优化结束；根据定义的最大迭代次数判断是否满足停止条件，满足则退出，输出最佳参数向量；否则，返回执行步骤2)，重复上述步骤直到得到最优参数。
步骤S106，基于重构误差和EWMA阈值以确定发电机组的运行状态是否异常。
在步骤S106中，基于重构误差和EWMA(指数加权平均值法)阈值以确定发电机组的运行状态是否异常，包括：比较重构误差和EWMA阈值，若重构误差维持在EWMA阈值以下，则发电机组运行正常，若重构误差超过EWMA阈值并保持在EWMA阈值上，发电机组运行异常。
具体地，如图2所示，步骤S106的具体过程包括：
采用指数加权平均值法连接监测δE(步骤g)：采用指数加权平均值法设置阈值线，检测出均值小漂移，适合连续监测δE的变化趋势，EWMA控制图的统计量Zt为:
Zt＝λδEt+(1-λ)Zt-1
其中：λ为权重因子，表示历史δE对当前EWMA的影响，λ∈(0，1]，取值为0.2；t为时间；δEt为当前时刻的重构误差，该值是独立的随机变量；
通过δE的值与EWMA阈值线进行比较，从而得出机组状态情况(步骤h)，即可结束整个机组状态监测的流程。
步骤g中，当发电机组运行正常或停机时，δE的值维持在EWMA阈值线以下，并能长期稳定运行，但当δE的变化趋势超过阈值线时，并保持在阈值线上，表示实际值与重构值出现较大偏差，原有平衡状态发生变化，运行状态出现异常。
为了实现上述实施例，本申请还提出一种机组状态监测系统。
图3为本申请实施例所提供的一种机组状态监测系统的框图。
如图3所示，该机组状态监测系统包括数据采集模块11、时频分析模块12、特征提取模块13、预测模块14、计算模块15和判断模块16，其中：
数据采集模块11，用于获取风电厂的发电机组的机组振动数据；
时频分析模块12，用于对机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
特征提取模块13，用于若不健康，则基于机组振动数据得到机组状态监测损伤敏感特征；
预测模块14，用于利用人工神经网络建立机组状态监测模型，将机组状态监测损伤敏感特征输入机组状态监测模型以得到损伤敏感特征预测值；
计算模块15，用于基于机组状态监测损伤敏感特征和损伤敏感特征预测值获得重构误差；
判断模块16，用于基于重构误差和EWMA阈值以确定发电机组的运行状态是否异常。
进一步地，在本申请实施例的一种可能的实现方式中，机组状态监测系统还包括数据预处理模块，数据预处理模块用于在对机组振动数据进行时频分析之前还包括对机组振动数据进行预处理，预处理包括去重和分类分析。
进一步地，在本申请实施例的一种可能的实现方式中，数据预处理模块中分类分析包括对机组振动数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立分区表。
进一步地，在本申请实施例的一种可能的实现方式中，时频分析模块12中时频分析包括在时间域上的聚类分析和在频域上的功率谱比较。
进一步地，在本申请实施例的一种可能的实现方式中，特征提取模块13，具体用于：对机组振动数据进行模态分解以得到故障特征，并对故障特征进行分类以得到机组状态监测损伤敏感特征。
进一步地，在本申请实施例的一种可能的实现方式中，预测模块14中，采用萤火虫改进麻雀搜索算法对人工神经网络进行优化以获得人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
进一步地，在本申请实施例的一种可能的实现方式中，判断模块16，具体用于：比较重构误差和EWMA阈值，若重构误差维持在EWMA阈值以下，则发电机组运行正常，若重构误差超过EWMA阈值并保持在EWMA阈值上，发电机组运行异常。
需要说明的是，前述对机组状态监测方法实施例的解释说明也适用于该实施例的机组状态监测系统，此处不再赘述。
本申请实施例中，通过获取风电厂的发电机组的机组振动数据；对机组振动数据进行时频分析以判断发电机组是否处于健康的状态；若不健康，则基于机组振动数据得到机组状态监测损伤敏感特征；利用人工神经网络建立机组状态监测模型，将机组状态监测损伤敏感特征输入机组状态监测模型以得到损伤敏感特征预测值；基于机组状态监测损伤敏感特征和损伤敏感特征预测值获得重构误差；基于重构误差和EWMA阈值以确定发电机组的运行状态是否异常。在这种情况下，利用时频分析先判断发电机组的健康的状态，当不健康时获得机组状态监测损伤敏感特征并利用人工神经网络建立的机组状态监测模型得到预测值，从而得到重构误差，再利用重构误差和EWMA阈值监测发电机组部件的运行状态，减轻了相关人工监测带来的误差，减轻了相关人员的劳动负担，提高了机组状态的监测效率。
本发明的有益效果是：利用重构误差和EWMA阈值监测发电机组部件的运行状态。通过SCADA数据分析发现，采用萤火虫改进麻雀搜索算法模型的预测结果与发电机组实际运行记录相吻合，预测模型发现状态异常的时间早于记录时间，有利于工作人员尽早做出判断。对比SSA-DBN(麻雀算法优化深度置信网络)，WOA-DBN(鲸鱼算法优化深度置信网络)和DBN模型(深度置信网络)的综合结果表明，采用萤火虫改进麻雀搜索算法性能更佳，能有效监测发电机组部件的运行状态，实现早期故障预警，从而提高了本故障监测方法的整体精确度，减轻了相关人工监测带来的误差，减轻了相关人员的劳动负担。另外还可以基于将风电机组的运行数据转换为特征图像，提出一种预训练特征的高斯聚类框架，基于人工神经网络对特征图像进行神经网络聚类分析，实现无监督条件下的机组状态单部件状态监测，进一步提高机组状态监测系统的整体监测效率。
为了实现上述实施例，本申请还提出一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现执行前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述实施例所提供的方法。
本申请中所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
需要说明的是，来自用户的个人信息应当被收集用于合法且合理的用途，并且不在这些合法使用之外共享或出售。此外，应在收到用户知情同意后进行此类采集/共享，包括但不限于在用户使用该功能前，通知用户阅读用户协议/用户通知，并签署包括授权相关用户信息的协议/授权。此外，还需采取任何必要步骤，保卫和保障对此类个人信息数据的访问，并确保有权访问个人信息数据的其他人遵守其隐私政策和流程。
本申请预期可提供用户选择性阻止使用或访问个人信息数据的实施方案。即本公开预期可提供硬件和/或软件，以防止或阻止对此类个人信息数据的访问。一旦不再需要个人信息数据，通过限制数据收集和删除数据可最小化风险。此外，在适用时，对此类个人信息去除个人标识，以保护用户的隐私。
在前述各实施例描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种机组状态监测方法，其特征在于，包括以下步骤：
获取风电厂的发电机组的机组振动数据；
对所述机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
若不健康，则基于所述机组振动数据得到机组状态监测损伤敏感特征；
利用人工神经网络建立机组状态监测模型，将所述机组状态监测损伤敏感特征输入所述机组状态监测模型以得到损伤敏感特征预测值；
基于所述机组状态监测损伤敏感特征和所述损伤敏感特征预测值获得重构误差；
基于所述重构误差和EWMA阈值以确定发电机组的运行状态是否异常。
2.根据权利要求1所述的机组状态监测方法，其特征在于，在对所述机组振动数据进行时频分析之前还包括对所述机组振动数据进行预处理，所述预处理包括去重和分类分析。
3.根据权利要求1所述的机组状态监测方法，其特征在于，所述基于所述机组振动数据得到机组状态监测损伤敏感特征，包括：
对所述机组振动数据进行模态分解以得到故障特征，并对所述故障特征进行分类以得到机组状态监测损伤敏感特征。
4.根据权利要求3所述的机组状态监测方法，其特征在于，采用萤火虫改进麻雀搜索算法对所述人工神经网络进行优化以获得所述人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于所述学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
5.根据权利要求2所述的机组状态监测方法，其特征在于，所述分类分析包括对机组振动数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立分区表。
6.根据权利要求1所述的机组状态监测方法，其特征在于，所述时频分析包括在时间域上的聚类分析和在频域上的功率谱比较。
7.根据权利要求1所述的机组状态监测方法，其特征在于，所述基于所述重构误差和EWMA阈值以确定发电机组的运行状态是否异常，包括：
比较所述重构误差和EWMA阈值，若所述重构误差维持在EWMA阈值以下，则发电机组运行正常，若所述重构误差超过EWMA阈值并保持在EWMA阈值上，发电机组运行异常。
8.一种机组状态监测系统，其特征在于，包括：
数据采集模块，用于获取风电厂的发电机组的机组振动数据；
时频分析模块，用于对所述机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
特征提取模块，用于若不健康，则基于所述机组振动数据得到机组状态监测损伤敏感特征；
预测模块，用于利用人工神经网络建立机组状态监测模型，将所述机组状态监测损伤敏感特征输入所述机组状态监测模型以得到损伤敏感特征预测值；
计算模块，用于基于所述机组状态监测损伤敏感特征和所述损伤敏感特征预测值获得重构误差；
判断模块，用于基于所述重构误差和EWMA阈值以确定发电机组的运行状态是否异常。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694519.XA CN117685176A (zh) | 2023-12-11 | 2023-12-11 | 一种机组状态监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694519.XA CN117685176A (zh) | 2023-12-11 | 2023-12-11 | 一种机组状态监测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117685176A true CN117685176A (zh) | 2024-03-12 |
Family
ID=90138530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311694519.XA Pending CN117685176A (zh) | 2023-12-11 | 2023-12-11 | 一种机组状态监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117685176A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118114071A (zh) * | 2024-04-23 | 2024-05-31 | 中铁建工集团第二建设有限公司 | 一种切除地下锚索的钻头钻进状态监测系统 |
-
2023
- 2023-12-11 CN CN202311694519.XA patent/CN117685176A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118114071A (zh) * | 2024-04-23 | 2024-05-31 | 中铁建工集团第二建设有限公司 | 一种切除地下锚索的钻头钻进状态监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Joshuva et al. | An insight on VMD for diagnosing wind turbine blade faults using C4. 5 as feature selection and discriminating through multilayer perceptron | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
| CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
| CN117685176A (zh) | 一种机组状态监测方法和系统 | |
| CN112798290B (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
| CN107111309A (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
| Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
| CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 | |
| Gao et al. | Genetic algorithm training of Elman neural network in motor fault detection | |
| Mohammed et al. | Fault diagnosis of rotating machine based on audio signal recognition system: an efficient approach | |
| CN118376936B (zh) | 一种锂电池状态智能诊断方法及系统 | |
| CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及系统 | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
| CN117350377A (zh) | 一种基于知识图谱驱动的设备故障诊断方法及装置 | |
| Nashed et al. | Gas turbine failure classification using acoustic emissions with wavelet analysis and deep learning | |
| CN113469408A (zh) | 一种用于调相机的运行状态趋势预测方法及系统 | |
| CN114239402A (zh) | 基于优化胶囊网络的核动力循环水泵故障诊断方法及系统 | |
| Chang et al. | Random forest-based multi-faults classification modeling and analysis for intelligent centrifugal pump system |
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 |