CN108536945A - 一种用于大型调相机的故障诊断方法及*** - Google Patents

Abstract

本发明公开了一种用于大型调相机的故障诊断方法及***，诊断方法的实施步骤包括：获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，所述机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系；***包括方法对应的***。本发明针对大型调相机尺寸庞大、结构复杂、零部件众多的问题，能够综合温度、振动、噪声、电参量等方面对调相机的设备信息诊断分析，具有诊断结构准确全面的优点，能够针对大型调相机及时发现故障以便采取相应措施。

Description

一种用于大型调相机的故障诊断方法及***

技术领域

本发明涉及电机故障诊断技术，具体涉及一种用于大型调相机的故障诊断方法及***。

背景技术

调相机是空载运行的同步电动机，通过改变其励磁电流的大小，可以控制它是从***中吸收无功功率还是输出无功功率。在***电压偏低时，它过励磁运行，成为无功电源，可向***提供无功功率，将***电压调高；在***电压偏高时，它欠励磁运行，成为无功负荷，从***吸收无功功率，将***电压调低。调相机一般装设于枢纽变电站。采用调相机进行无功补偿的优点是调整无功负荷十分方便，通过改变励磁电流的大小就可以平滑、连续地调节其无功出力；可双向调节，既能吸收无功功率又能发出无功功率；满载运行的调相机具有一定的过负荷能力，当因电力***发生故障电压急剧降低，使稳定性受到威胁时，调相机可以过负荷运行一小段时间，使运行人员在这段时间内能够进行相应的处理，避免电压崩溃等严重事故的发生，对于保持电力***稳定的作用比电容器要好。

新一代调相机设备在设备维护、技术特性等方面将进行大幅改进完善，以适应电网运行需求。我国大容量的调相机的生产厂家有上海、哈电和东电三大主机生产厂家，一般是按用户的需求进行生产，由于是首次生产大容量的调相机，调相机的制造水平还有待于在运行过程中进行各项检验。目前，特高压换流站调相机的调试和运维水平还处于经验积累阶段。运行过程中发生各种故障在所难免。国内外有针对小型电动机的噪声、振动、电磁场分布规律的研究，主要是为提高产品设计水平，而对大容量的调相机的噪声、振动、电磁场分布规律的研究较少，对运行中调相机进行状态评价研究者更少，通过状态评价提出控制调相机运行方式措施者几乎没有。但是，大型调相机尺寸庞大，结构复杂，零部件众多，因此，对于大型旋转电机而言，并不能只通过某一个传感器采集的设备信息进行诊断分析，这样得到的诊断结论往往是片面的，很容易出现误判和漏判的情况。如果能够将监测其振动状态的多个传感器的测量信息综合考虑，对设备进行多传感器的信息融合诊断，那么才能得出更加全面和准确的诊断结论。亟需一个适用于大型调相机的故障诊断***。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种用于大型调相机的故障诊断方法及***，本发明针对大型调相机尺寸庞大、结构复杂、零部件众多的问题，能够综合温度、振动、噪声、电参量等方面对调相机的设备信息诊断分析，具有诊断结构准确全面的优点，能够针对大型调相机及时发现故障以便采取相应措施。

为了解决上述技术问题，本发明采用的技术方案为：

一种用于大型调相机的故障诊断方法，实施步骤包括：

1）获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；

2）将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，所述机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系。

优选地，步骤1）中的温度包括安装于大型调相机的定转子绕组周围的多个测点的温度，振动包括安装于大型调相机的转轴和机座周围多个测点检测得到的振动幅值、频率以及轴心轨迹，噪声包括大型调相机运行时发出噪声的声功率级，电参量包括大型调相机的电流、电压以及功率。

优选地，所述机器学习分类模型为RBF神经网络模型。

优选地，所述RBF神经网络模型包括输入层、隐含层和输出层，其中输入层包含和共同构成输入向量x的n个输入数据x ₁ ～x _n一一对应的输入节点，其中n为输入向量的维度；隐含层包含p个隐节点，第i个隐节点的输入为||x-h _i ||，h _i 为第i个隐节点的数据中心向量，激活函数为径向基函数， 输出层包含m个输出节点，每一个输出节点对应大型调相机的一种故障状态，每一个隐节点和输出节点之间的路径权值w的确定为RBF神经网络模型的训练目标。

优选地，所述径向基函数为高斯型的径向基函数。

优选地，所述隐节点的数据中心向量为根据被诊断大型调相机的历史设备信息库采用K-均值聚类算法确定，且采用K-均值聚类算法确定隐节点的数据中心向量的步骤包括：

S1）从被诊断大型调相机的历史设备信息库任意选择K个对象作为K-均值聚类算法的数据中心向量，所述历史设备信息库包括被诊断大型调相机历史运行的的温度、振动、噪声、电参量信息数据，每一个数据为一个对象；

S2）计算被诊断大型调相机的历史设备信息库中每个对象与这些数据中心向量的距离，并根据最小距离对相应对象进行划分类别进行聚类；

S3）计算每个聚类的均值，作为新的数据中心向量；

S4）判断数据中心向量不再变化、或者数据中心向量的变化差值小于预设阈值时，则将得到的新的数据中心向量分别作为隐节点的数据中心向量，接触并退出；否则，跳转执行步骤S2）。

本发明还提供一种用于大型调相机的故障诊断***，包括计算机设备，所述计算机设备被编程以执行本发明用于大型调相机的故障诊断方法的步骤。

本发明还提供一种用于大型调相机的故障诊断方法，包括：

输入程序单元，用于获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；

机器学习分类程序单元，用于将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，所述机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系。

本发明具有下述优点：本发明通过获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量，将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系，针对大型调相机尺寸庞大、结构复杂、零部件众多的问题，本发明能够综合温度、振动、噪声、电参量等方面对调相机的设备信息诊断分析，具有诊断结构准确全面的优点，能够针对大型调相机及时发现故障以便采取相应措施。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明RBF神经网络模型的结构示意图。

图3为本发明RBF神经网络模型的训练结构示意图。

图4为本发明实施例***的基本结构示意图。

具体实施方式

如图1所示，本实施例用于大型调相机的故障诊断方法的实施步骤包括：

1）获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；

2）将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系。

本实施例中，步骤1）中的温度包括安装于大型调相机的定转子绕组周围的多个测点的温度，振动包括安装于大型调相机的转轴和机座周围多个测点检测得到的振动幅值、频率以及轴心轨迹，噪声包括大型调相机运行时发出噪声的声功率级，电参量包括大型调相机的电流、电压以及功率。

本实施例中，机器学习分类模型为RBF神经网络模型（径向基函数神经网络模型）。如图2所示，本实施例中的RBF神经网络模型包括输入层、隐含层和输出层，其中输入层包含和共同构成输入向量x的n个输入数据x ₁ ～x _n一一对应的输入节点，其中n为输入向量的维度；隐含层包含p个隐节点，第i个隐节点的输入为||x-h _i ||，h _i 为第i个隐节点的数据中心向量，激活函数为径向基函数， 输出层包含m个输出节点，每一个输出节点对应大型调相机的一种故障状态，每一个隐节点和输出节点之间的路径权值w的确定为RBF神经网络模型的训练目标。其中，||x-h _i ||表示为输入向量x与第i个隐节点的数据中心向量h _i |的2-范数（即距离）。其中m个输出节点的输出值y ₁ ～y _m构成故障状态对应的输出向量，每一个输出节点的输出值y _i相应的值为[0,1]之间的数，具体值视大型调相机的状态而定；若大型调相机正常运行，各个输出节点的输出值y _i均为0。

本实施例中，径向基函数为高斯型的径向基函数，记为Ф.参见图3，第p个隐节点的输出则可表示为Ф_p(||x-h _p||)，其中Ф_p为第p个隐节点的高斯型的径向基函数，||x-h _p||为第p个隐节点的输入，h _p为第p个隐节点的数据中心向量，本实施例中，隐节点的数据中心向量为根据被诊断大型调相机的历史设备信息库采用K-均值聚类算法确定，且采用K-均值聚类算法确定隐节点的数据中心向量的步骤包括：

S1）从被诊断大型调相机的历史设备信息库任意选择K个对象作为K-均值聚类算法的数据中心向量，历史设备信息库包括被诊断大型调相机历史运行的的温度、振动、噪声、电参量信息数据，每一个数据为一个对象；

S2）计算被诊断大型调相机的历史设备信息库中每个对象与这些数据中心向量的距离，并根据最小距离对相应对象进行划分类别进行聚类；

S3）计算每个聚类的均值，作为新的数据中心向量；

S4）判断数据中心向量不再变化、或者数据中心向量的变化差值小于预设阈值时，则将得到的新的数据中心向量分别作为隐节点的数据中心向量，接触并退出；否则，跳转执行步骤S2）。

如图3所示，对RBF神经网络模型进行训练时，首先要根据被诊断大型调相机的历史设备信息库来生成训练集，并确定RBF神经网络模型的结构和参数（输入层输入节点数量n、隐含层的隐节点数量p、输出层输出节点数量m以及隐节点相关参数），然后利用训练集对RBF神经网络模型进行训练，得到结构和权值（每一个隐节点和输出节点之间的路径权值w）已确定的RBF神经网络模型，即完成RBF神经网络模型的训练。训练完毕后，即可利用被诊断大型调相机的实时设备信息来诊断被诊断大型调相机的故障状态。

本实施例还提供一种用于大型调相机的故障诊断***，包括计算机设备，该计算机设备被编程以执行本实施例用于大型调相机的故障诊断方法的步骤。参见图4，该***由温度监测模块、振动监测模块、噪声监测模块、电参量监测模块、计算机设备以及移动设备组成。温度监测模块安装于调相机的定转子绕组周围，可实时监测调相机的温度；振动监测模块安装于调相机的转轴、机座等位置；噪声监测模块布置于调相机外部；电参量监测模块安装于调相机线路上；各个模块监测的信号传输至服务器。计算机设备安装在调相机附近，计算机设备对各个模块传输至的信号进行处理，通过存储于计算机设备的调相机历史设备信息（包括正常运行和故障运行时的信息），对大型调相机进行实时故障诊断。移动设备可以通过网络对计算机设备进行访问，实时了解调相机的设备信息。

本实施例还提供一种用于大型调相机的故障诊断方法，包括：

输入程序单元，用于获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；

机器学习分类程序单元，用于将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种用于大型调相机的故障诊断方法，其特征在于实施步骤包括：

1）获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；

2）将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，所述机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系。

2.根据权利要求1所述的用于大型调相机的故障诊断方法，其特征在于，步骤1）中的温度包括安装于大型调相机的定转子绕组周围的多个测点的温度，振动包括安装于大型调相机的转轴和机座周围多个测点检测得到的振动幅值、频率以及轴心轨迹，噪声包括大型调相机运行时发出噪声的声功率级，电参量包括大型调相机的电流、电压以及功率。

3.根据权利要求1所述的用于大型调相机的故障诊断方法，其特征在于，所述机器学习分类模型为RBF神经网络模型。

4.根据权利要求3所述的用于大型调相机的故障诊断方法，其特征在于，所述RBF神经网络模型包括输入层、隐含层和输出层，其中输入层包含和共同构成输入向量x的n个输入数据x ₁ ～x _n 一一对应的输入节点，其中n为输入向量的维度；隐含层包含p个隐节点，第i个隐节点的输入为||x-h _i ||，h _i 为第i个隐节点的数据中心向量，激活函数为径向基函数， 输出层包含m个输出节点，每一个输出节点对应大型调相机的一种故障状态，每一个隐节点和输出节点之间的路径权值w的确定为RBF神经网络模型的训练目标。

5.根据权利要求4所述的用于大型调相机的故障诊断方法，其特征在于，所述径向基函数为高斯型的径向基函数。

6.根据权利要求4所述的用于大型调相机的故障诊断方法，其特征在于，所述隐节点的数据中心向量为根据被诊断大型调相机的历史设备信息库采用K-均值聚类算法确定，且采用K-均值聚类算法确定隐节点的数据中心向量的步骤包括：

S1）从被诊断大型调相机的历史设备信息库任意选择K个对象作为K-均值聚类算法的数据中心向量，所述历史设备信息库包括被诊断大型调相机历史运行的的温度、振动、噪声、电参量信息数据，每一个数据为一个对象；

S2）计算被诊断大型调相机的历史设备信息库中每个对象与这些数据中心向量的距离，并根据最小距离对相应对象进行划分类别进行聚类；

S3）计算每个聚类的均值，作为新的数据中心向量；

S4）判断数据中心向量不再变化、或者数据中心向量的变化差值小于预设阈值时，则将得到的新的数据中心向量分别作为隐节点的数据中心向量，接触并退出；否则，跳转执行步骤S2）。

7.一种用于大型调相机的故障诊断***，包括计算机设备，其特征在于，所述计算机设备被编程以执行权利要求1～6中任意一项所述用于大型调相机的故障诊断方法的步骤。

8.一种用于大型调相机的故障诊断方法，其特征在于包括：

输入程序单元，用于获取被诊断大型调相机的温度、振动、噪声以及电参量信息并构成输入向量；

机器学习分类程序单元，用于将输入向量输入训练好的机器学习分类模型，得到被诊断大型调相机的故障状态，所述机器学习分类模型被训练后包含输入向量和故障状态之间的映射关系。