Nothing Special   »   [go: up one dir, main page]

CN118035904A - 一种基于多频段数据融合的振摆监测故障诊断方法及系统 - Google Patents

一种基于多频段数据融合的振摆监测故障诊断方法及系统 Download PDF

Info

Publication number
CN118035904A
CN118035904A CN202311819856.7A CN202311819856A CN118035904A CN 118035904 A CN118035904 A CN 118035904A CN 202311819856 A CN202311819856 A CN 202311819856A CN 118035904 A CN118035904 A CN 118035904A
Authority
CN
China
Prior art keywords
fault
early warning
monitoring
model
abnormal
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.)
Withdrawn
Application number
CN202311819856.7A
Other languages
English (en)
Inventor
孙伟华
赵凤承
于洋
江昕
赵子鉴
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.)
Taipingwan Power Station State Grid Northeast Branch Department Lyuyuan Hydroelectric Co
Original Assignee
Taipingwan Power Station State Grid Northeast Branch Department Lyuyuan Hydroelectric Co
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 Taipingwan Power Station State Grid Northeast Branch Department Lyuyuan Hydroelectric Co filed Critical Taipingwan Power Station State Grid Northeast Branch Department Lyuyuan Hydroelectric Co
Priority to CN202311819856.7A priority Critical patent/CN118035904A/zh
Publication of CN118035904A publication Critical patent/CN118035904A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
    • 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
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008—Measuring or testing arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/26—Discovering frequent patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Emergency Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于多频段数据融合的振摆监测故障诊断方法及系统，涉及监测故障诊断技术领域，包括构建轴线弯曲、质量不平衡故障诊断模型；分别对于已知故障模式和未知故障模式进行处理；对参数异常变化进行检测；进行机组运行状态的综合分析，实现轴线弯曲、质量不平衡故障自动诊断和预警；设置不同的报警预警策略，接口显示预警信息，并自动生成机组运行状态报告。本发明能够降低故障风险、延长机组的使用寿命，并减少维修和停机时间，提高了机组的可靠性和可用性。

Description

一种基于多频段数据融合的振摆监测故障诊断方法及系统
技术领域
本发明涉及监测故障诊断技术领域，特别是一种基于多频段数据融合的振摆监测故障诊断方法及系统。
背景技术
在水轮机组状态监测中，振动摆度是最重要的监测信息，为了减少安全隐患，国内外已经有越来越多的机构在研究振摆监测故障模型诊断系统，国外机械设备监测与诊断的理论研究与实际应用都取得了较大成果，集中式系统逐步被分布式系统所取代，系统的功能和性能有了全面的提高，从单纯的监测与诊断向着监测、诊断、控制、管理、调度的集成化过渡；监测对象从单一机组发展到多机组的监测网络。
目前，基于网络和现代数据库技术的远程监测故障诊断能够充分利用更多的技术支持和数据共享，从而提高设备诊断的成功率，基于多频段数据融合的振摆监测故障模型诊断系统成为在线监测诊断系统的发展趋势。
太、长两站振摆在线监测数据系统收集大量振摆监测数据，需要人工进行数据分析及判断，目前现有在线监测系统只有振摆数据报警功能，缺少智能数据分析及故障模型预警策略判断。
发明内容
鉴于上述目前现有在线监测系统只有振摆数据报警功能，缺少智能数据分析及故障模型预警策略判断的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种能够智能数据分析及故障模型预警策略判断的方法及系统。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于多频段数据融合的振摆监测故障诊断方法，其包括，构建轴线弯曲、质量不平衡故障诊断模型；分别对于已知故障模式和未知故障模式进行处理；对参数异常变化进行检测；进行机组运行状态的综合分析，实现轴线弯曲、质量不平衡故障自动诊断和预警；设置不同的报警预警策略，接口显示预警信息，并自动生成机组运行状态报告。
作为本发明所述基于多频段数据融合的振摆监测故障诊断方法的一种优选方案，其中：所述构建轴线弯曲、质量不平衡故障诊断模型包括以下步骤：收集机组在线监测系统的数据指标；建立轴线弯曲、质量不平衡的故障诊断模型；建立对应故障的预警模型；实现对监测数据的录入和分析功能。
作为本发明所述基于多频段数据融合的振摆监测故障诊断方法的一种优选方案，其中：所述建立对应故障的预警模型包括：收集历史故障样本数据，标记故障前后的时间段；分析每个时段内各特征的方差统计值；为每个特征建立正常值范围的统计模型；实时监测多个特征值，判断是否超出正常范围：单一特征异常触发第一级报警，当多个特征同时异常，综合计算故障可能性；如果故障可能性超过阈值，触发第二级报警；如果所有特征正常，表示运行良好；通过调整统计模型参数、报警阈值进行迭代优化。
作为本发明所述基于多频段数据融合的振摆监测故障诊断方法的一种优选方案，其中：所述当多个特征同时异常，综合计算故障可能性的步骤如下：假设有m个监测特征[x1,x2,...,xm]，每个特征建立了正常范围模型；在时间t，获取实时监测值[x1(t),x2(t),...,xm(t)]，对每个特征xi(t)，计算异常程度ei(t):如果在正常范围内，则ei(t)＝0；如果偏离正常范围，则ei(t)为偏差程度的绝对值；计算加权异常指标E(t):
E(t)＝w1×e1(t)+w2×e2(t)+,...,+wm×em(t)
其中，wi为各特征的异常权重；当E(t)超过阈值T1时，触发第一级报警；当E(t)持续超过T1一定时间τ，进一步判断：如果e1(t)、e2(t)...同时异常，则计算：
P(故障)＝σ(w1×e1(t)+w2×e2(t)+,...,+wm×em(t))
其中σ为sigmoid函数，表示故障的概率；如果P(故障)超过阈值T2，则触发第二级报警；当报警触发后，提示操作人员进行检查或者自动启动补偿机制。
作为本发明所述基于多频段数据融合的振摆监测故障诊断方法的一种优选方案，其中：对所述未知故障模式的处理如下：继续收集运行中机组的监测数据，定期使用统计分析，更新正常参数的区间范围；对新的样本数据，判断参数是否在正常范围内，一旦出现超出正常范围的参数，则标记该样本有异常；收集所有异常样本，构建新的数据集，使用聚类方法，将异常样本区分为新的故障类别，根据类别信息，扩充诊断模型，增加对新故障的判断；继续监测新样本，迭代优化模型，使之适应新的故障模式，记录整个诊断过程，生成新的故障案例。
作为本发明所述基于多频段数据融合的振摆监测故障诊断方法的一种优选方案，其中：所述对参数异常变化进行检测包括检测到异常变化时进行预警，包括进行多级联的预警系统，不同参数和模型融合判断，生成解释性的异常检测报告；所述多级联的预警系统包括：在各个传感器信号设置单一参数的阈值预警；当单一参数预警时，触发第一级预警；构建统计模型判断多个特征的关系，若模型预测结果超过阈值，触发第二级预警；构建关联规则，融合模型预测和先验知识，当关联规则激活预警条件时，给出第三级预警。
作为本发明所述基于多频段数据融合的振摆监测故障诊断方法的一种优选方案，其中：所述构建关联规则包括：定义故障预警相关的知识图谱的概念节点，根据案例提取状态转移图，定义概念间的因果关系；使用上下级关系和因果关系构建关联规则模板；构建规则提取关键信息的正则表达式，当新数据来时，匹配正则提取概念节点信息；用实例替换模板，得到关联规则，发送实例到规则引擎，判断是否激活，如果规则引擎认为关联规则激活，则触发第三级预警，提示操作人员检查导致故障的原因，收集反馈优化规则确定性和覆盖面。
第二方面，本发明为进一步解决目前现有在线监测系统只有振摆数据报警功能，缺少智能数据分析及故障模型预警策略判断的问题，实施例提供了基于多频段数据融合的振摆监测故障诊断系统，其包括：故障诊断模型构建模块：用于构建一个轴线弯曲和质量不平衡故障的诊断模型；故障模式处理模块：用于对已知故障模式和未知故障模式进行处理；参数异常变化检测模块：用于检测轴线弯曲和质量不平衡故障的参数异常变化；运行状态综合分析模块：用于对机组的运行状态进行综合分析，包括对轴线弯曲和质量不平衡故障的诊断、预警和分析，通过综合各种信息，可以判断机组的运行状态是否正常，并作出相应的处理；报警预警策略设置模块：用于设置不同的报警和预警策略，根据轴线弯曲和质量不平衡故障的严重程度和预警级别，设定相应的报警规则和策略。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于多频段数据融合的振摆监测故障诊断方法的任一步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于多频段数据融合的振摆监测故障诊断方法的任一步骤。
本发明有益效果为，本发明通过构建轴线弯曲和质量不平衡故障的诊断模型，本发明能够对故障进行准确诊断，避免了传统方法中诊断结果不准确或漏诊的问题，提高了诊断的可信度和准确性；针对已知和未知的故障模式，能够智能处理，根据输入信号和已有数据进行对比和学习，进一步提高了故障处理的智能化水平，在故障处理过程中能够更快速、更准确地作出相应的处理；通过检测参数异常变化以及进行机组运行状态的综合分析，本发明能够提前发现轴线弯曲和质量不平衡故障的迹象，实现对故障的预警和预防，能够降低故障风险、延长机组的使用寿命，并减少维修和停机时间，提高了机组的可靠性和可用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，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它的附图。其中：
图1为实施例1中基于多频段数据融合的振摆监测故障诊断方法的流程图。
图2为实施例1中基于多频段数据融合的振摆监测故障诊断系统的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2，为本发明第一个实施例，该实施例提供了一种基于多频段数据融合的振摆监测故障诊断方法，包括以下步骤：
S1：构建轴线弯曲、质量不平衡故障诊断模型。
S1.1：收集机组在线监测系统的数据指标。
确定所需的机组监测数据，包括振动、温度、转速等，接口连接机组监测系统的数据库，编写程序进行增量数据抓取，存入本地数据库。
S1.2：建立轴线弯曲、质量不平衡的故障诊断模型。
优选的，收集轴线弯曲、质量不平衡故障样本数据，包含振动、温度和电流等时间序列数据；使用小波变换进行预处理，提取时间-频率域特征；选择支持向量机(SVM)作为最优分类模型，因为SVM对小样本量和高维特征鲁棒性强；采用径向基函数作为SVM核函数：
K(a,b)＝exp(-γ||a-b||^2)
其中，a,b为两个样本的特征向量；γ为核函数参数，控制分类边界的复杂度；训练集优化参数γ，采用交叉验证保证泛化性；获得轴线弯曲和质量不平衡的SVM判别模型，通过分类得到故障诊断结果；如果诊断结果准确率不足阈值Y，则增加训练样本量；如果过拟合，则减小γ。
S1.3：建立对应故障的预警模型。
具体的，包括以下步骤：收集历史故障样本数据，标记故障前后的时间段；分析每个时段内各特征的方差统计值；为每个特征建立正常值范围的统计模型；实时监测多个特征值，判断是否超出正常范围；单一特征异常触发第一级报警；当多个特征同时异常，综合计算故障可能性；如果故障可能性超过阈值，触发第二级报警；如果所有特征正常，表示运行良好；通过调整统计模型参数、报警阈值进行迭代优化。
具体的，当多个特征同时异常，综合计算故障可能性的步骤如下：
假设有m个监测特征[x1,x2,...,xm]，每个特征建立了正常范围模型；在时间t，获取实时监测值[x1(t),x2(t),...,xm(t)]；对每个特征xi(t)，计算异常程度ei(t):如果在正常范围内，则ei(t)＝0；如果偏离正常范围，则ei(t)为偏差程度的绝对值；计算各特征的异常权重wi，其中wi与该特征对故障的敏感程度正相关，按经验设置；计算加权异常指标E(t):
E(t)＝w1e1(t)+w2e2(t)+,...,+wmem(t)
当E(t)超过阈值T1时，触发第一级报警；当E(t)持续超过T1一定时间τ，进一步判断：如果e1(t)、e2(t)...同时异常，则计算
P(故障)＝σ(w1e1(t)+w2e2(t)+,...,+wmem(t))
其中σ为sigmoid函数，表示故障的概率；如果P(故障)超过阈值T2，则触发第二级报警；当报警触发后，可以提示操作人员进行检查，或者自动启动补偿机制；收集故障案例，反向优化峭值T1、T2和权重wi，提高准确率。
S1.4：实现对监测数据的录入和分析功能。
S2：分别对于已知故障模式和未知故障模式进行处理。
已知的故障模式的处理过程为：输入新采集的监测数据，根据预建立的故障诊断模型，计算新的样本对应的故障概率，将不同故障类型的概率阈值归纳为0或1的判断结果；如果诊断结果判断为有故障，则查找该故障对应的预警规则；比较监测数据与预警规则中的阈值；当数据超过阈值时，判定触发预警条件，并通过模型接口返回故障诊断结果及预警信息。
未知的故障模式的处理过程为：继续收集运行中机组的监测数据，定期使用统计分析，更新正常参数的区间范围；对新的样本数据，判断参数是否在正常范围内，一旦出现超出正常范围的参数，则标记该样本有异常；收集所有异常样本，构建新的数据集，使用聚类方法，将异常样本区分为新的故障类别，根据类别信息，扩充诊断模型，增加对新故障的判断；继续监测新样本，迭代优化模型，使之适应新的故障模式，记录整个诊断过程，生成新的故障案例。
优选的，使用聚类方法，将异常样本区分为新的故障类别的过程如下：收集运行时产生的所有的异常样本数据；对异常样本进行预处理，包括清洗、去重复、缺失值补偿等；提取聚类相关特征，包括时间统计特征、频域特征等；尝试不同的聚类算法，如K-means、DBSCAN等；遍历不同的聚类数k，比较各k下的聚类效果，评估指标包括聚类紧密度、类别离散度等，选择最优k值，得到异常样本的聚类结果，具体如下：k＝2时，聚类紧密度分别为[0.82,0.85]，类别离散度为1.25；k＝3时，聚类紧密度为[0.86,0.88,0.79]，类别离散度为1.56；k＝4时，聚类紧密度为[0.84,0.83,0.71,0.74]，类别离散度为2.1；k＝5时，聚类紧密度为[0.68,0.76,0.81,0.77,0.73]；类别离散度为2.5；最终的异常样本聚类结果：类别1:680个；类别2:560个；类别3:760个。
综上，可以看出，当k＝3时，聚类紧密度较高，类别离散度也较大，所以选择k＝3作为最优聚类数。
将聚类结果作为新的故障分类标签，获得新增故障类别的训练样本数据集；重新训练诊断模型，优化参数，以适应新的故障样本。
S3：对参数异常变化进行检测。
S3.1：跟踪运行参数。
运行参数不仅跟踪单一特征，而是多源异构特征，特征包括传感器信号、控制命令、图像、声音等，借助深度学习进行特征提取和融合
S3.2：使用统计模型分析变化趋势。
使用LSTM神经网络模型，支持长时间依赖性，结合注意力机制，自动学习参数的重要关系，不仅预测均值和方差，还建模分布的多模式。
S3.3：检测到异常变化时进行预警。
其中，包括多级联的预警系统，不同参数和模型融合判断，生成解释性的异常检测报告，而不仅是警报。
具体的，多级联的预警系统包括：首先在各个传感器信号设置单一参数的阈值预警；当单一参数预警时，触发第一级预警；在特征层面，构建统计模型判断多个特征的关系；若模型预测结果超过阈值，触发第二级预警；最后在知识层面，构建关联规则，融合模型预测和先验知识，当关联规则激活预警条件时，给出第三级预警。
进一步的，构建关联规则包括：定义故障预警相关的知识图谱的概念节点，包括设备模块、状态、动作等；根据案例提取状态转移图，定义概念间的因果关系；使用上下级关系和因果关系构建关联规则模板，例如：如果{模块A状态异常}并且{动作B执行}那么{故障C}；构建规则提取关键信息的正则表达式，当新数据来时，匹配正则提取概念节点信息；用实例替换模板，得到关联规则，发送实例到规则引擎，判断是否激活，如果规则引擎认为关联规则激活，则触发第三级预警，提示操作人员检查导致故障C的原因，收集反馈优化规则确定性和覆盖面。
生成解释性的异常检测报告包括：收集所有传感器原始数据作为报告基础；在触发预警的时间点，提取瞬时状态数据；分析参数间的相关性，找到最异常的传感器；查询关联知识库，汇总可能的问题原因；使用自然语言生成技术，拼接检测报告内容；如果原因不明，则提示需要人工进一步判断。
S4：进行机组运行状态的综合分析，实现轴线弯曲、质量不平衡故障自动诊断和预警。
S4.1：识别机组运行工况，使用分析工具判断状态，发现故障。
具体的，收集包括负荷、转速、振动等在内的监测数据，使用GMM聚类，识别运行模式，监督模型可以识别更明确的工况标签，对每种工况使用统计方法判断数据是否异常。
S4.2：基于数据诊断故障，分析发展趋势，输出状态评价报告。
S4.2.1：输入在线监测数据，通过预训练模型判断故障。
具体的，使用LSTM网络对时间序列数据进行特征学习，将学习到的特征向量输入故障分类SVM模型，模型输出不同故障类型的概率，判断最可能故障。
S4.2.2：分类模型判定故障类别，回归模型判定故障程度。
分类模型判定故障属于哪类，如轴线弯曲，回归模型预测故障的严重程度，输出一个1-10分数。
S4.2.3：跟踪关键参数变化趋势，预测故障发展态势。
采用指数平滑方法预测参数的未来趋势，判断趋势是否会加剧故障，如果会，进行预警。
具体的，收集历史参数时间序列数据，计算单指数平滑模型，确定平滑参数α，对各时刻参数进行递归平滑计算：
St＝α×Xt+(1-α)×S{t-1}
其中，St表示平滑后的值，Xt表示原始数据的值，α是平滑系数，通常取值在0到1之间；α越大，对原始数据的反应越灵敏，但平滑的效果会较差；α越小，对原始数据的反应越平缓，平滑的效果会较好。
预测下一个时间的参数：
X't+1＝St
重复预测未来N个时间段的参数值，判断参数预测值是否超过预定义的故障阈值，如果超过阈值，则判定该参数趋势会加剧故障。
S4.2.4：生成评价报告，给出故障起因、过程及推荐方案。
根据检测时间、类型、程度等生成报告框架，查阅知识库获取故障相关的解释性内容，提供专家系统生成的处理建议。
S4.2.5：与预警模型联动，在故障负向发展时触发预警。
调用预设的故障预警模型接口，输入当前故障状态，判断是否触发预警条件：封装当前故障诊断结果为输入格式，调用预警模型的REST API接口，输入当前故障类型、发展程度；预警模型内部基于规则引擎判断预警条件是否触发，返回预警触发与否的判断结果，根据结果确定是否需要进行故障扩散预警。
S5：设置不同的报警预警策略，接口显示预警信息，并自动生成机组运行状态报告。
优选的，允许配置预警参数：敏感度、延迟、维护周期等；不同类型故障可以设置独立的预警策略；资深用户可以自定义策略，平台赋予权限；预警信息推送到监控界面，提示报警内容。
本实施例还提供一种基于多频段数据融合的振摆监测故障诊断系统，包括：故障诊断模型构建模块：用于构建一个轴线弯曲和质量不平衡故障的诊断模型；故障模式处理模块：用于对已知故障模式和未知故障模式进行处理；参数异常变化检测模块：用于检测轴线弯曲和质量不平衡故障的参数异常变化；运行状态综合分析模块：用于对机组的运行状态进行综合分析，包括对轴线弯曲和质量不平衡故障的诊断、预警和分析，通过综合各种信息，可以判断机组的运行状态是否正常，并作出相应的处理；报警预警策略设置模块：用于设置不同的报警和预警策略，根据轴线弯曲和质量不平衡故障的严重程度和预警级别，设定相应的报警规则和策略。
本实施例还提供一种计算机设备，适用于基于多频段数据融合的振摆监测故障诊断方法的情况，包括：存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于多频段数据融合的振摆监测故障诊断方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于多频段数据融合的振摆监测故障诊断方法；存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read－Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red－Only Memory,简称PROM)，只读存储器(Read－Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
综上，本发明通过构建轴线弯曲和质量不平衡故障的诊断模型，本发明能够对故障进行准确诊断，避免了传统方法中诊断结果不准确或漏诊的问题，提高了诊断的可信度和准确性；针对已知和未知的故障模式，能够智能处理，根据输入信号和已有数据进行对比和学习，进一步提高了故障处理的智能化水平，在故障处理过程中能够更快速、更准确地作出相应的处理；通过检测参数异常变化以及进行机组运行状态的综合分析，本发明能够提前发现轴线弯曲和质量不平衡故障的迹象，实现对故障的预警和预防，能够降低故障风险、延长机组的使用寿命，并减少维修和停机时间，提高了机组的可靠性和可用性。
实施例2
参照表1和表2，为本发明第二个实施例，为进一步验证本发明的先进性，给出基于多频段数据融合的振摆监测故障诊断方法的仿真实验。
针对一台水轮发电机组的轴线弯曲和质量不平衡故障进行智能诊断：
收集该机组5年的振动和温升监测数据作为训练集，包含300组轴线弯曲故障样本，200组质量不平衡故障样本，采用小波变换进行信号预处理，提取得到时频特征，构建SVM模型，核函数为RBF核：
K(a,b)＝exp(-γ||a-b||^2)
其中γ取0.5，通过5折交叉验证，诊断模型轴线弯曲和质量不平衡的识别准确率可达92％和89％，明显优于传统FFT频谱分析的81％和77％。
分析轴线弯曲故障的温升和振动指标，质量不平衡故障的振动指标在故障前后发生明显变化。构建指数平滑预警模型，结果如下表1:
表1故障预警指标阈值
故障类型 指标 阈值
轴线弯曲 温升 63℃
轴线弯曲 X向振动 2.1g
质量不平衡 Y向振动 1.7g
当监测值超过对应阈值时，模型判断触发预警。
运行中收集到320组异常样本，未被现有模型识别，采用DBSCAN聚类，当类数量k＝5时，聚类效果最优，根据类中心特征，与专家识别为4种新故障，包括蜗杆异常、主轴卡滞等，重新训练模型，新增故障识别准确率可达90％，部分聚类样本标记为未知故障，进入下一轮迭代学习。
采集机组运行3个月的监测数据作为测试集，包含各类已知和新增故障，测试结果如表2:
表2故障诊断与预警效果评估
障类型 诊断准确率 平均预警时间
轴线弯曲 91.2％ 63min
质量不平衡 87.5％ 58min
蜗杆异常 89.7％ 51min
主轴卡滞 92.3％ 38min
可以看出，本系统总体诊断准确率达90.2％，预警时间超过50min，明显优于仅利用频谱分析的传统方法。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于多频段数据融合的振摆监测故障诊断方法，其特征在于：包括：
构建轴线弯曲、质量不平衡故障诊断模型；
分别对于已知故障模式和未知故障模式进行处理；
对参数异常变化进行检测；
进行机组运行状态的综合分析，实现轴线弯曲、质量不平衡故障自动诊断和预警；
设置不同的报警预警策略，接口显示预警信息，并自动生成机组运行状态报告。
2.如权利要求1所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：所述构建轴线弯曲、质量不平衡故障诊断模型包括以下步骤：
收集机组在线监测系统的数据指标；
建立轴线弯曲、质量不平衡的故障诊断模型；
建立对应故障的预警模型；
实现对监测数据的录入和分析功能。
3.如权利要求2所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：所述建立对应故障的预警模型包括：
收集历史故障样本数据，标记故障前后的时间段；
分析每个时段内各特征的方差统计值；
为每个特征建立正常值范围的统计模型；
实时监测多个特征值，判断是否超出正常范围：单一特征异常触发第一级报警，当多个特征同时异常，综合计算故障可能性；
如果故障可能性超过阈值，触发第二级报警；
如果所有特征正常，表示运行良好；
通过调整统计模型参数、报警阈值进行迭代优化。
4.如权利要求3所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：所述当多个特征同时异常，综合计算故障可能性的步骤如下：
假设有m个监测特征[x1,x2,...,xm]，每个特征建立了正常范围模型；
在时间t，获取实时监测值[x1(t),x2(t),...,xm(t)]，对每个特征xi(t)，计算异常程度ei(t):如果在正常范围内，则ei(t)＝0；如果偏离正常范围，则ei(t)为偏差程度的绝对值；
计算加权异常指标E(t):
E(t)＝w1×e1(t)+w2×e2(t)+,...,+wm×em(t)
其中，wi为各特征的异常权重；当E(t)超过阈值T1时，触发第一级报警；当E(t)持续超过T1一定时间τ，进一步判断：
如果e1(t)、e2(t)...同时异常，则计算：
P(故障)＝σ(w1×e1(t)+w2×e2(t)+...+wm×em(t))
其中σ为sigmoid函数，表示故障的概率；
如果P(故障)超过阈值T2，则触发第二级报警；当报警触发后，提示操作人员进行检查或者自动启动补偿机制。
5.如权利要求4所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：对所述未知故障模式的处理如下：
继续收集运行中机组的监测数据，定期使用统计分析，更新正常参数的区间范围；
对新的样本数据，判断参数是否在正常范围内，一旦出现超出正常范围的参数，则标记该样本有异常；
收集所有异常样本，构建新的数据集，使用聚类方法，将异常样本区分为新的故障类别，根据类别信息，扩充诊断模型，增加对新故障的判断；
继续监测新样本，迭代优化模型，使之适应新的故障模式，记录整个诊断过程，生成新的故障案例。
6.如权利要求5所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：所述对参数异常变化进行检测包括检测到异常变化时进行预警，包括进行多级联的预警系统，不同参数和模型融合判断，生成解释性的异常检测报告；
所述多级联的预警系统包括：在各个传感器信号设置单一参数的阈值预警；当单一参数预警时，触发第一级预警；构建统计模型判断多个特征的关系，若模型预测结果超过阈值，触发第二级预警；构建关联规则，融合模型预测和先验知识，当关联规则激活预警条件时，给出第三级预警。
7.如权利要求6所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：所述构建关联规则包括：
定义故障预警相关的知识图谱的概念节点，根据案例提取状态转移图，定义概念间的因果关系；使用上下级关系和因果关系构建关联规则模板；
构建规则提取关键信息的正则表达式，当新数据来时，匹配正则提取概念节点信息；用实例替换模板，得到关联规则，发送实例到规则引擎，判断是否激活，如果规则引擎认为关联规则激活，则触发第三级预警，提示操作人员检查导致故障的原因，收集反馈优化规则确定性和覆盖面。
8.一种基于多频段数据融合的振摆监测故障诊断系统，基于权利要求1～7任一所述的基于多频段数据融合的振摆监测故障诊断方法，其特征在于：包括，
故障诊断模型构建模块：用于构建一个轴线弯曲和质量不平衡故障的诊断模型；
故障模式处理模块：用于对已知故障模式和未知故障模式进行处理；
参数异常变化检测模块：用于检测轴线弯曲和质量不平衡故障的参数异常变化；
运行状态综合分析模块：用于对机组的运行状态进行综合分析，包括对轴线弯曲和质量不平衡故障的诊断、预警和分析，通过综合各种信息，判断机组的运行状态是否正常，并作出相应的处理；
报警预警策略设置模块：用于设置不同的报警和预警策略，根据轴线弯曲和质量不平衡故障的严重程度和预警级别，设定相应的报警规则和策略。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于多频段数据融合的振摆监测故障诊断方法的步骤。
10.一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：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于多频段数据融合的振摆监测故障诊断方法的步骤。
CN202311819856.7A 2023-12-27 2023-12-27 一种基于多频段数据融合的振摆监测故障诊断方法及系统 Withdrawn CN118035904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311819856.7A CN118035904A (zh) 2023-12-27 2023-12-27 一种基于多频段数据融合的振摆监测故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311819856.7A CN118035904A (zh) 2023-12-27 2023-12-27 一种基于多频段数据融合的振摆监测故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN118035904A true CN118035904A (zh) 2024-05-14

Family

ID=90995868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311819856.7A Withdrawn CN118035904A (zh) 2023-12-27 2023-12-27 一种基于多频段数据融合的振摆监测故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN118035904A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118169560A (zh) * 2024-05-16 2024-06-11 费莱(浙江)科技有限公司 基于多维传感的电机绕组故障监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118169560A (zh) * 2024-05-16 2024-06-11 费莱(浙江)科技有限公司 基于多维传感的电机绕组故障监测方法及系统

Similar Documents

Publication Publication Date Title
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
KR102618023B1 (ko) 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
CN107291911B (zh) 一种异常检测方法和装置
US9412067B2 (en) Anomaly detection in spatial and temporal memory system
US20180082217A1 (en) Population-Based Learning With Deep Belief Networks
CN111143173A (zh) 一种基于神经网络的服务器故障监测方法及系统
CN112800116B (zh) 一种业务数据的异常检测方法及装置
AU2018201487B2 (en) Method and system for health monitoring and fault signature identification
US20210232104A1 (en) Method and system for identifying and forecasting the development of faults in equipment
CN111709447A (zh) 电网异常检测方法、装置、计算机设备和存储介质
CN118154174B (zh) 一种工业设备智慧运维云平台
CN110164501A (zh) 一种硬盘检测方法、装置、存储介质及设备
CN111262750B (zh) 一种用于评估基线模型的方法及系统
CN113673600B (zh) 一种工业信号异常预警方法、系统、存储介质及计算设备
CN114943321A (zh) 一种针对硬盘的故障预测方法、装置及设备
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
CN117094184B (zh) 基于内网平台的风险预测模型的建模方法、系统及介质
CN111538311A (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN118035904A (zh) 一种基于多频段数据融合的振摆监测故障诊断方法及系统
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN106652393B (zh) 假警报确定方法及装置
CN117092445A (zh) 基于大数据的配电系统的故障检测方法及系统
CN118445731A (zh) 变压器的故障确定方法、装置和变压器故障检测系统
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
CN117749658A (zh) 故障预测方法、网络运维管理平台、电子设备及介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20240514

WW01 Invention patent application withdrawn after publication