CN112036240A - 一种基于分频算法诊断下机架松动故障的方法及*** - Google Patents
一种基于分频算法诊断下机架松动故障的方法及*** Download PDFInfo
- Publication number
- CN112036240A CN112036240A CN202010732395.XA CN202010732395A CN112036240A CN 112036240 A CN112036240 A CN 112036240A CN 202010732395 A CN202010732395 A CN 202010732395A CN 112036240 A CN112036240 A CN 112036240A
- Authority
- CN
- China
- Prior art keywords
- vibration
- peak value
- vibration frequency
- frequency doubling
- residual
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 82
- 230000036541 health Effects 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 48
- 238000011176 pooling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于分频算法诊断下机架松动故障的方法,应用于水轮发电机组,采集下机架的振动信号波形;根据所述振动信号波形计算出振动峰峰值以及振动倍频;提取振动峰峰值健康样本和振动倍频健康样本;将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值;将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。本发明还公开了一种基于分频算法诊断下机架松动故障的***。本发明以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,能够提高故障预测的准确度。
Description
技术领域
本发明涉及松动故障检测领域,尤其涉及一种基于分频算法诊断下机架松动故障的方法及***。
背景技术
随着我国能源结构调整的逐步推进,风电、光伏发电等非稳定性电源快速发展,水轮发电机组在电网中承担调峰、调频的任务越来越多,这就要求水轮发电机组在其整个工况范围内具有充分的可用性,这就对水轮发电机组故障诊断方面提出了更髙的要求。
传统水轮发电机组故障诊断方法绝大多数是基于振动信号的时频特征进行故障分析,忽略水轮发电机组运行工况对振动信号时频特征的影响,降低了诊断的准确率。
发明内容
本发明所要解决的技术问题在于,提供一种基于分频算法诊断下机架松动故障的方法及***,以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,提高故障预测的准确度。
为了解决上述技术问题,本发明提供了一种基于分频算法诊断下机架松动故障的方法,应用于水轮发电机组,包括:采集下机架的振动信号波形;根据所述振动信号波形计算出振动峰峰值以及振动倍频;提取振动峰峰值健康样本和振动倍频健康样本;将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值;将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
优选地,所述提取振动峰峰值健康样本的步骤包括:根据所述振动峰峰值、水轮机的导叶开度以及水轮机的水头构建振动峰峰值三维模型,其中,所述振动峰峰值三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述振动峰峰值为Z轴;通过所述振动峰峰值三维模型提取振动峰峰值健康样本,其中,提取额定水头附近以及开度50%以上时对应的振动峰峰值作为振动峰峰值健康样本。
优选地,所述提取振动倍频健康样本的步骤包括:根据所述振动倍频、水轮机的导叶开度以及水轮机的水头构建振动倍频三维模型,其中,所述振动倍频三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述振动倍频为Z轴;通过所述振动倍频三维模型提取振动倍频健康样本,其中,提取额定水头附近以及开度50%以上时对应的振动倍频作为振动倍频健康样本。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。
优选地,所述神经网络采用随机梯度下降算法进行训练得到模型权重,并结合损失函数以及分类函数输出预测值,其中,所述随机梯度下降算法的批量大小为32,总共训练40个epochs,初始学习率为0.01,每30个epochs学习率除以0。
优选地,所述根据所述水平振动信号波形计算出水平振动峰峰值以及水平振动倍频值的步骤为:根据所述水平振动信号波形通过使用傅里叶变换计算出水平振动峰峰值以及水平振动倍频值。
本发明还提供了一种基于分频算法诊断下机架松动故障的***,包括:采集模块,用于采集下机架的水平振动信号波形;第一计算模块,用于根据所述水平振动信号波形计算出水平振动峰峰值以及水平振动倍频值;健康样本提取模块,用于提取振动峰峰值健康样本和振动倍频健康样本;神经网络模块,用于将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头送入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值;故障预测模块,用于将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
优选地,所述第一计算模块为傅里叶变换计算模块。
优选地,所述健康样本提取模块为三维模型构建模块;所述三维模型构建模块用于根据所述水平振动峰峰值、水轮机的导叶开度以及水轮机的水头构建水平振动三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动峰峰值为Z轴,通过所述振动峰峰值三维模型提取振动峰峰值健康样本;所述三维模型构建模块用于根据所述水平振动倍频值、水轮机的导叶开度以及水轮机的水头构建水平振动倍频三维模型,其中,以以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动倍频值为Z轴,通过所述振动倍频三维模型提取振动倍频健康样本。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。
实施本发明的有益效果在于:
本发明分别对水轮发电机组各种工况过程中的振动变化和工况参数进行融合构建三维模型,提取健康样本,并引入神经网络对健康样本进行训练获得预测值,再将实时测量值与预测值进行残差分析,进行故障预测。本发明通过以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,提高故障预测的准确度。
附图说明
图1是本发明提供的基于分频算法诊断下机架松动故障的方法流程图;
图2是本发明提供的提取振动峰峰值健康样本方法流程图;
图3是本发明提供的提取振动倍频健康样本方法流程图;
图4是本发明提供的基于分频算法诊断下机架松动故障的***示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
如图1所示,本发明提供了一种基于分频算法诊断下机架松动故障的方法,应用于水轮发电机组,包括:
S101,采集下机架的振动信号波形。
S102,根据所述振动信号波形计算出振动峰峰值以及振动倍频,其中,根据所述水平振动信号波形通过使用傅里叶变换计算出水平振动峰峰值以及水平振动倍频值。
S103,提取振动峰峰值健康样本和振动倍频健康样本。由于机组结构复杂、工况转换频繁,使得其下机架水平振动、下机架水平振动倍频值参数时间序列非常复杂,难以从图中准确地分析其实际运行状态,本发明通过提取振动峰峰值健康样本和振动倍频健康样本,能够提高故障预测的准确性。
S104,将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值。
S105,将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
需要说明的是,机组在发电工况下、导叶开度、工作水头对机组运行参数有重要影响,由于机组工作水头及运行工况的不断转换,使得下机架水平振动、倍频值变化及其复杂,不能从振动数据中直接获取机组的真实状态。本发明分别对水轮发电机组各种工况过程中的振动变化和工况参数进行融合构建三维模型,提取健康样本,并引入神经网络对健康样本进行训练获得预测值,再将实时测量值与预测值进行残差分析,进行故障预测。本发明通过以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征,提高故障预测的准确度。
如图2所示,优选地,所述提取振动峰峰值健康样本的步骤包括:
S201,根据所述振动峰峰值、水轮机的导叶开度以及水轮机的水头构建振动峰峰值三维模型,其中,所述振动峰峰值三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述振动峰峰值为Z轴;
S202,通过所述振动峰峰值三维模型提取振动峰峰值健康样本,其中,提取额定水头附近以及开度50%以上时对应的振动峰峰值作为振动峰峰值健康样本。
如图3所示,优选地,所述提取振动倍频健康样本的步骤包括:
S301,根据所述振动倍频、水轮机的导叶开度以及水轮机的水头构建振动倍频三维模型,其中,所述振动倍频三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述振动倍频为Z轴;
S302,通过所述振动倍频三维模型提取振动倍频健康样本,其中,提取额定水头附近以及开度50%以上时对应的振动倍频作为振动倍频健康样本。
需要说明的是,本发明通过构建三维模型,结合具体的工况(导叶开度和水头),对监测量进行分析,筛选出健康样本。由于健康样本剔除了暂态、剔除噪声干扰等其他状态下的数据,只保留健康的数据,因此可以有效的分析机组在实际运行工况下机组的健康状况。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。进一步地,所述神经网络采用随机梯度下降算法进行训练得到模型权重,并结合损失函数以及分类函数输出预测值,其中,所述随机梯度下降算法的批量大小为32,总共训练40个epochs,初始学习率为0.01,每30个epochs学习率除以0。
需要说明的是,本发明通过将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值。进一步地,将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
如图4所示,本发明还提供了一种基于分频算法诊断下机架松动故障的***,包括:采集模块1,用于采集下机架的水平振动信号波形;第一计算模块2,用于根据所述水平振动信号波形计算出水平振动峰峰值以及水平振动倍频值;健康样本提取模块3,用于提取振动峰峰值健康样本和振动倍频健康样本;神经网络模块4,用于将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头送入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值;故障预测模块5,用于将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
优选地,所述第一计算模块为傅里叶变换计算模块。
更佳地,所述健康样本提取模块为三维模型构建模块;所述三维模型构建模块用于根据所述水平振动峰峰值、水轮机的导叶开度以及水轮机的水头构建水平振动三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动峰峰值为Z轴,通过所述振动峰峰值三维模型提取振动峰峰值健康样本;所述三维模型构建模块用于根据所述水平振动倍频值、水轮机的导叶开度以及水轮机的水头构建水平振动倍频三维模型,其中,以以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动倍频值为Z轴,通过所述振动倍频三维模型提取振动倍频健康样本。
优选地,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:所述第一卷积层的channel为16、kernel为7、stride为2;所述第一池化层的kernel为3、stride为2,最大池化;所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;所有卷积层后均与激活函数连接。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于分频算法诊断下机架松动故障的方法,应用于水轮发电机组,其特征在于,包括:
采集下机架的振动信号波形;
根据所述振动信号波形计算出振动峰峰值以及振动倍频;
提取振动峰峰值健康样本和振动倍频健康样本;
将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头输入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值;
将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
2.如权利要求1所述的基于分频算法诊断下机架松动故障的方法,其特征在于,所述提取振动峰峰值健康样本的步骤包括:
根据所述振动峰峰值、水轮机的导叶开度以及水轮机的水头构建振动峰峰值三维模型,其中,所述振动峰峰值三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述振动峰峰值为Z轴;
通过所述振动峰峰值三维模型提取振动峰峰值健康样本,其中,提取额定水头附近以及开度50%以上时对应的振动峰峰值作为振动峰峰值健康样本。
3.如权利要求1所述的基于分频算法诊断下机架松动故障的方法,其特征在于,所述提取振动倍频健康样本的步骤包括:
根据所述振动倍频、水轮机的导叶开度以及水轮机的水头构建振动倍频三维模型,其中,所述振动倍频三维模型以所述导叶开度作为X轴,以所述水头为Y轴,以所述振动倍频为Z轴;
通过所述振动倍频三维模型提取振动倍频健康样本,其中,提取额定水头附近以及开度50%以上时对应的振动倍频作为振动倍频健康样本。
4.如权利要求1所述的基于分频算法诊断下机架松动故障的方法,其特征在于,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:
所述第一卷积层的channel为16、kernel为7、stride为2;
所述第一池化层的kernel为3、stride为2,最大池化;
所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;
所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;
所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;
所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;
所有卷积层后均与激活函数连接。
5.如权利要求4所述的基于分频算法诊断下机架松动故障的方法,其特征在于,所述神经网络采用随机梯度下降算法进行训练得到模型权重,并结合损失函数以及分类函数输出预测值,其中,
所述随机梯度下降算法的批量大小为32,总共训练40个epochs,初始学习率为0.01,每30个epochs学习率除以0。
6.如权利要求1所述的基于分频算法诊断下机架松动故障的方法,其特征在于,根据所述水平振动信号波形计算出水平振动峰峰值以及水平振动倍频值的步骤为:
根据所述水平振动信号波形通过使用傅里叶变换计算出水平振动峰峰值以及水平振动倍频值。
7.一种基于分频算法诊断下机架松动故障的***,其特征在于,包括:
采集模块,用于采集下机架的水平振动信号波形;
第一计算模块,用于根据所述水平振动信号波形计算出水平振动峰峰值以及水平振动倍频值;
健康样本提取模块,用于提取振动峰峰值健康样本和振动倍频健康样本;
神经网络模块,用于将所述振动峰峰值健康样本、振动倍频健康样本、水轮机的导叶开度以及水轮机的水头送入神经网络进行训练,获得振动峰峰值预测值和振动倍频预测值;
故障预测模块,用于将实际测量的振动峰峰值和振动倍频分别和所述振动峰峰值预测值和振动倍频预测值进行残差比较,进行故障预测。
8.如权利要求7所述的基于分频算法诊断下机架松动故障的***,其特征在于,所述第一计算模块为傅里叶变换计算模块。
9.如权利要求7所述的基于分频算法诊断下机架松动故障的***,其特征在于,所述健康样本提取模块为三维模型构建模块;
所述三维模型构建模块用于根据所述水平振动峰峰值、水轮机的导叶开度以及水轮机的水头构建水平振动三维模型,其中,以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动峰峰值为Z轴,通过所述振动峰峰值三维模型提取振动峰峰值健康样本;
所述三维模型构建模块用于根据所述水平振动倍频值、水轮机的导叶开度以及水轮机的水头构建水平振动倍频三维模型,其中,以以所述导叶开度作为X轴,以所述水头为Y轴,以所述水平振动倍频值为Z轴,通过所述振动倍频三维模型提取振动倍频健康样本。
10.如权利要求7所述的基于分频算法诊断下机架松动故障的***,其特征在于,所述神经网络包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层,其中:
所述第一卷积层的channel为16、kernel为7、stride为2;
所述第一池化层的kernel为3、stride为2,最大池化;
所述第一残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为32、kernel均为3、stride均为1,两个卷积层依次连接;
所述第二残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为64、kernel为1、stride为2的卷积层;
所述第三残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为128、kernel为1、stride为2的卷积层;
所述第四残差块包括两个卷积层和一个残差连接,其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1,两个卷积层依次连接,残差连接包括一个channel为256、kernel为1、stride为2的卷积层;
所有卷积层后均与激活函数连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732395.XA CN112036240B (zh) | 2020-07-27 | 2020-07-27 | 一种基于分频算法诊断下机架松动故障的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732395.XA CN112036240B (zh) | 2020-07-27 | 2020-07-27 | 一种基于分频算法诊断下机架松动故障的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036240A true CN112036240A (zh) | 2020-12-04 |
CN112036240B CN112036240B (zh) | 2024-07-19 |
Family
ID=73583262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010732395.XA Active CN112036240B (zh) | 2020-07-27 | 2020-07-27 | 一种基于分频算法诊断下机架松动故障的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036240B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113237619A (zh) * | 2021-04-16 | 2021-08-10 | 江苏方天电力技术有限公司 | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 |
CN113378711A (zh) * | 2021-06-10 | 2021-09-10 | 国家电投集团广西长洲水电开发有限公司 | 一种灯泡贯流式机组转子下沉故障在线预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
-
2020
- 2020-07-27 CN CN202010732395.XA patent/CN112036240B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
Non-Patent Citations (1)
Title |
---|
陈保家;张海龙;: "BP神经网络在水轮机振动传感器故障诊断上的应用", 机电信息, no. 15, pages 50 - 51 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113237619A (zh) * | 2021-04-16 | 2021-08-10 | 江苏方天电力技术有限公司 | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 |
CN113378711A (zh) * | 2021-06-10 | 2021-09-10 | 国家电投集团广西长洲水电开发有限公司 | 一种灯泡贯流式机组转子下沉故障在线预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112036240B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375476B (zh) | 一种水电机组健康评估方法 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和*** | |
CN111878322B (zh) | 风力发电机装置 | |
CN112036240A (zh) | 一种基于分频算法诊断下机架松动故障的方法及*** | |
US20210364481A1 (en) | Method for evaluating mechanical state of high-voltage shunt reactor based on vibration characteristics | |
CN105547730A (zh) | 水轮发电机组故障检测*** | |
Hwang et al. | SVM-RBM based predictive maintenance scheme for IoT-enabled smart factory | |
CN105354636A (zh) | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 | |
CN117150216B (zh) | 一种电力数据回归分析方法及*** | |
CN105157821A (zh) | 一种旋转机械振动故障诊断及定量分析方法 | |
CN104564542A (zh) | 一种基于大数据技术的故障诊断***及其诊断方法 | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN109815855A (zh) | 一种基于机器学习的电子设备自动测试方法及*** | |
CN113344275B (zh) | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 | |
CN113187645A (zh) | 一种灯泡贯流式机组水导轴瓦支撑松动故障在线预警方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的***故障诊断方法 | |
CN112257616A (zh) | 一种基于振动信号的调相机故障诊断方法、装置及*** | |
CN105093157B (zh) | 基于iec61850采样值的参数算法的测试方法 | |
CN113378711A (zh) | 一种灯泡贯流式机组转子下沉故障在线预警方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN106772032B (zh) | 一种水轮发电机组的故障特征提取方法 | |
CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
CN116738689B (zh) | 基于Elman模型的水轮发电机组状态健康评估***及方法 |
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 | ||
GR01 | Patent grant |