CN105389475B - 一种基于小波包分解的电厂设备故障检测方法 - Google Patents

一种基于小波包分解的电厂设备故障检测方法 Download PDF

Info

Publication number
CN105389475B
CN105389475B CN201510970441.9A CN201510970441A CN105389475B CN 105389475 B CN105389475 B CN 105389475B CN 201510970441 A CN201510970441 A CN 201510970441A CN 105389475 B CN105389475 B CN 105389475B
Authority
CN
China
Prior art keywords
wavelet packet
packet decomposition
fault
electric power
model
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.)
Expired - Fee Related
Application number
CN201510970441.9A
Other languages
English (en)
Other versions
CN105389475A (zh
Inventor
龚安
郑君
张建
唐永红
牛博
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201510970441.9A priority Critical patent/CN105389475B/zh
Publication of CN105389475A publication Critical patent/CN105389475A/zh
Application granted granted Critical
Publication of CN105389475B publication Critical patent/CN105389475B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种基于小波包分解的电厂设备故障检测方法。首先利用已有的状态检测模型得到假设输出于实际状态数据间的差值；然后利用滑动窗口将差值数据分割成一个个的子模式，再将分割后的子模式作为故障检测模型的输入进行小波包分解，对分解后的信号进行分析，并记录信号在各个频段上的能量占整个信号能量的比例的阈值上下限。最后根据经小波包分解后各频段的能量比例作为判断故障状态的特征。本发明充分考虑了电厂设备工作状态的复杂，及其数据故障的初期特征在时域上较难发现的因素，可以精确的检测电厂设备故障的发生，准确的识别故障特征。

Description

一种基于小波包分解的电厂设备故障检测方法
技术领域
本发明涉及一种电厂设备故障检测方法，尤其涉及一种基于小波包分解的电厂设备故障检测方法。
背景技术
保证电厂设备安全、稳定地运行是电厂设备管理中的一项很重要的工作。随着社会的发展，火力发电在国民经济中占据越来越重要的比例和位置，火电厂设备一旦发生故障或停机会造成巨大的经济损失和社会影响。进入21世纪后，电厂设备运行的智能化、远程化、网络化以及实时监测和集中控制技术不但具有迫切的需要，而且逐渐成为可能。
电厂设备故障检测技术的研究，重点关注设备状态的监测技术和早期故障的识别技术，建立以状态监测为主，故障检测为辅的设备智能预警***。由于电厂设备工作状态的复杂性，并不是所有的设备测点都能够通过状态监测技术发现明显的劣化趋势，为了保证设备正常可靠的运行，故障检测技术必不可少。
故障检测就是通过各种检查和测试方法，在数据集中区分正常数据状态的异常数据状态的过程。故障检测的问题在于如何通过正常数据集建立模型，选择合理的特征参数精确的识别出异常数据。
目前故障检测方法主要有以下三种：基于解析模型的故障检测、基于知识的故障检测和基于信号处理的故障检测。基于解析模型是按照检测对象建立一个精确的数学模型，当其处于正常的状态时，模型的输出在一个稳定的范围内，当其进入异常状态时，模型的输出会超出正常范围。基于知识的故障检测方法不需要为检测对象构建精确的数学模型，该方法通过添加检测对象的大量信息，充分利用专家诊断信息对故障进行检测，在很多领域尤其是非线性***中得到广泛应用。基于信号处理的故障检测方法常用于检测对象状态复杂无法建立***的数学模型，同时在时域上无法精确的发现故障场合。该方法的优点是规避了构建***数学模型的难点，转而利用信号模型检测故障。常用的模型有高阶统计量和相关函数、自回归滑动平均过程以及小波分解技术等。
由于电厂设备的工作状态复杂，很难用精确的数学模型表征，利用专家诊断信息也难以实现，故难以使用基于解析模型的故障检测模型和基于知识的故障检测模型。但是在使用基于信号的检测模型时，电厂设备数据在时域上较难发现故障初期的细微特征，故要想精确判断电厂设备故障具有一定的挑战性。
针对上述问题，迫切需要发明提供一种基于小波包分解的电厂设备故障检测方法。本发明针对电厂设备复杂的工作环境，选择基于信号处理的故障检测方法，采用小波包分解技术将时域上的数据信息转换到频域上的信号进行分析，构建了基于小波包分解的故障检测模型，并利用电厂实时数据进行仿真实验。
发明内容
针对电厂设备数据在时域上较难发现故障初期的细微特征的问题，本发明研制一种基于小波包分解的电厂设备故障检测方法。
本发明其特征在于,包括以下步骤：
(1)从经过数据预处理的正常状态数据集中构建训练数据集；
(2)利用状态检测模型获得数据集的评估值；
(3)计算残差，并对其进行小波包分解；
(4)分析分解后各频段能量信息检测故障；
(5)选取测试数据集，将测试数据集作为故障检测模型的输入，根据经小波包分解后各频段的能量比例作为判断故障状态的特征。
所述评估值是将训练数据集作为状态监测模型的输入，利用状态监测模型计算模型的假设输出；
所述残差计算是求假设输出即评估值与实时状态数据之间的差值；
所述小波包分解是利用滑动窗口将残差数据分割成一个个的子模式后，将这个些子模式作为故障检测模型的输入进行小波包分解；
所述分析频段是对小波包分解后的信号进行分析，记录信号在各个频段上的能量占整个信号能量的比例的阈值上下限。
附图说明
图1是基于小波包分解的电厂设备故障检测方法的流程图；
图2是超阈值异常故障检测；
图3是频率异常故障检测；
图4是频率和超阈值异常故障检测；
图5是拉直异常故障检测。
具体实施方式
下面结合附图说明本发明的实施方式。
从实时状态数据的采样发现，一次风机A的测点主要会存在4种故障状态：
(1)超阈值异常：异常状态数据的值超过正常状态数据的上下限阈值。
(2)频率异常：本来密集变化的状态数据在某一段时间内变得稀疏。
(3)超阈值并且频率异常：在一段时间段内，数据变得稀疏同时数据值超出正常范围。
(4)拉直异常：在某一段时间内，实时状态数据成一条直线，该故障是由于在实时获取数据时，遇到空值，将其用前一个时刻的值填充引起的。
对于基于小波包分解的故障检测模型来说，当分解后的能量比例超出正常范围的阈值上限时，检测结果在此时刻的值为1；当分解后的能量比例低于正常范围的阈值下限时，检测结果在此时刻的值为-1；当分解后的能量比例处于正常范围的阈值内时，检测结果在此时刻的值为0。
据的方差、均值或斜率小于正常数据阈值下限时，检测结果在此时可的值为-1。
对于每种异常状况，选取测试结果中的一个测点的检测结果展示，对于超阈值异常来说，两个故障检测模型在一个测点上的检测结果如图2所示，从图2中可以看出，对于超阈值异常，两种故障检测模型都有很好的检测结果，但是基于滑动窗口加时间窗的方法与基于小波包分解的方法相比可能会产生更多的误报(不应该是报警信息的检测为报警状态)现象。
对于频率异常来说，两个故障检测模型对于选取的一个测点的故障检测效果图，如图3所示，对于频率异常模型，在选取的一个测点中，基于小波包分解的故障检测模型能够很好的检测到故障的发生，而滑动窗口+方差斜率的检测模型检测结果相对较差，甚至对于前两个测点，后者几乎没有检测到故障的发生。
对于频率和超阈值异常来说，两个故障检测模型对于选取的一个测点的故障检测效果图，如图4所示，对于频率和超阈值异常，两种检测模型都能较好的检测到故障的发生，但是基于小波包分解的故障检测模型相对与基于滑动窗口加方差斜率的故障检测模型来说具有更高的准确率和更好的检测效果。
对于拉直异常来说，两个故障检测模型对于选取的一个测点的故障检测效果图，如图5所示，对于拉直异常，两种检测模型在异常开始发生时都有一定时间的延迟，这是由于滑动窗口的选取引起的，在故障状态结束时，前者可以及时的检测到状态恢复到正常状态，后者还有时间延迟。
尽管上面对本发明说明性的具体实施方式进行了描述，但应当清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于小波包分解的电厂设备故障检测方法，其特征在于，所述方法包括以下步骤：
(1)从经过数据预处理的正常状态数据集中构建训练数据集；
(2)利用状态检测模型获得数据集的评估值，其中，所述评估值是将训练数据集作为状态监测模型的输入，利用状态监测模型计算的假设输出；
(3)计算残差，并对其进行小波包分解，其中，所述残差计算是求假设输出与实时状态数据之间的差值；
(4)分析分解后各频段能量信息检测故障；
(5)选取测试数据集，将测试数据集作为故障检测模型的输入，根据经小波包分解后各频段的能量比例作为判断故障状态的特征，其中，所述小波包分解是利用滑动窗口将残差数据分割成一个个的子模式后将这个子模式作为故障检测模型的输入进行小波包分解，分析频段是对小波包分解后的信号进行分析，记录信号在各个频段上的能量占整个信号能量的比例阈值的上下限。
CN201510970441.9A 2015-12-22 2015-12-22 一种基于小波包分解的电厂设备故障检测方法 Expired - Fee Related CN105389475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510970441.9A CN105389475B (zh) 2015-12-22 2015-12-22 一种基于小波包分解的电厂设备故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510970441.9A CN105389475B (zh) 2015-12-22 2015-12-22 一种基于小波包分解的电厂设备故障检测方法

Publications (2)

Publication Number Publication Date
CN105389475A CN105389475A (zh) 2016-03-09
CN105389475B true CN105389475B (zh) 2018-04-20

Family

ID=55421756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510970441.9A Expired - Fee Related CN105389475B (zh) 2015-12-22 2015-12-22 一种基于小波包分解的电厂设备故障检测方法

Country Status (1)

Country Link
CN (1) CN105389475B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362048A (zh) * 2019-07-12 2019-10-22 上海交通大学 风机关键部件状态监测方法及装置、存储介质和终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299004A (zh) * 2008-06-24 2008-11-05 华南理工大学 一种基于确定学习理论的振动故障诊断方法
CN102680017A (zh) * 2012-05-31 2012-09-19 潍柴动力股份有限公司 一种传感器故障诊断方法及诊断装置
CN104503235A (zh) * 2014-12-09 2015-04-08 中国石油大学(华东) 基于改进bp神经网络的电厂设备的状态监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1792173B1 (de) * 2004-07-19 2015-07-08 Prüftechnik Dieter Busch AG Vorrichtung und Verfahren zur Erkennung von Defekten an Gegenständen oder zur Ortung von metallischen Objekten
FR2999722B1 (fr) * 2012-12-19 2022-01-07 Electricite De France Localisation d'un ou plusieurs defauts dans un ensemble electrochimique.

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299004A (zh) * 2008-06-24 2008-11-05 华南理工大学 一种基于确定学习理论的振动故障诊断方法
CN102680017A (zh) * 2012-05-31 2012-09-19 潍柴动力股份有限公司 一种传感器故障诊断方法及诊断装置
CN104503235A (zh) * 2014-12-09 2015-04-08 中国石油大学(华东) 基于改进bp神经网络的电厂设备的状态监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《小波分析在虚拟检测***中的应用研究》;刘建成 等;《仪器仪表学报》;20031031;第24卷(第5期);摘要，说明书第2页 *

Also Published As

Publication number Publication date
CN105389475A (zh) 2016-03-09

Similar Documents

Publication Publication Date Title
Song et al. Wind turbine health state monitoring based on a Bayesian data-driven approach
Coble et al. Applying the general path model to estimation of remaining useful life
CN112202736A (zh) 基于统计学习和深度学习的工业控制***通信网络异常分类方法
CN109186813A (zh) 一种温度传感器自检装置及方法
US20130060524A1 (en) Machine Anomaly Detection and Diagnosis Incorporating Operational Data
CN105259895A (zh) 一种工业过程微小故障的检测和分离方法及其监测***
CN105846780A (zh) 一种基于决策树模型的光伏组件故障诊断方法
Hu et al. Framework for a smart data analytics platform towards process monitoring and alarm management
CN105700518A (zh) 一种工业过程故障诊断方法
CN112799898B (zh) 基于分布式故障检测的互联***故障节点定位方法及***
CN109613428A (zh) 一种能像***及其在电机设备故障检测方法中的应用
CN103776654A (zh) 多传感器信息融合的故障诊断方法
CN102880170A (zh) 基于基线模型和贝叶斯因子的***故障早期预警方法
CN104915568A (zh) 基于dtw的卫星遥测数据异常检测方法
CN106250709A (zh) 基于传感器关联网络的燃气轮机异常检测与故障诊断算法
CN105044499A (zh) 一种电力***设备变压器状态的检测方法
CN116450399A (zh) 微服务***故障诊断及根因定位方法
US12039045B2 (en) Event analysis in an electric power system
CN112632845B (zh) 基于数据的小型反应堆在线故障诊断方法、介质及设备
CN108052954A (zh) 基于多级高维特征的样本空间的故障诊断方法
CN103033309A (zh) 带有诊断的压力变送器
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
Carratù et al. A novel methodology for unsupervised anomaly detection in industrial electrical systems
CN105389475B (zh) 一种基于小波包分解的电厂设备故障检测方法
CN103529337A (zh) 设备故障与电气量信息间非线性相关关系的识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180420

Termination date: 20181222