CN112879200B - 一种大型水轮发电机组故障诊断方法 - Google Patents

一种大型水轮发电机组故障诊断方法 Download PDF

Info

Publication number
CN112879200B
CN112879200B CN202110074323.5A CN202110074323A CN112879200B CN 112879200 B CN112879200 B CN 112879200B CN 202110074323 A CN202110074323 A CN 202110074323A CN 112879200 B CN112879200 B CN 112879200B
Authority
CN
China
Prior art keywords
fault
vibration
generating set
fault diagnosis
encoder
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.)
Active
Application number
CN202110074323.5A
Other languages
English (en)
Other versions
CN112879200A (zh
Inventor
马建峰
潘骏
周叶
陈文华
缪熙熙
曹登峰
刘胜柱
成德明
张炜
邵保安
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.)
Zhejiang Fuchunjiang Hydropower Equipment Co ltd
Original Assignee
Zhejiang Fuchunjiang Hydropower Equipment Co ltd
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 Zhejiang Fuchunjiang Hydropower Equipment Co ltd filed Critical Zhejiang Fuchunjiang Hydropower Equipment Co ltd
Priority to CN202110074323.5A priority Critical patent/CN112879200B/zh
Publication of CN112879200A publication Critical patent/CN112879200A/zh
Application granted granted Critical
Publication of CN112879200B publication Critical patent/CN112879200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Eletrric Generators (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种大型水轮发电机组故障诊断方法，先采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；然后利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号；用堆叠稀疏自编码器对频域信号进行分类；用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。本发明无需大量故障样本数据即可对水轮机故障进行诊断，并且故障诊断精度高。

Description

一种大型水轮发电机组故障诊断方法
技术领域
本发明涉及水轮发电机技术领域，具体涉及一种大型水轮发电机组故障诊断方法。
背景技术
随着人们节能环保意识的增强，作为绿色能源的水力发电正在大力发展。我国的大型水电站具有髙水头、高海拔、空化性能差、机械振动强烈、布置复杂、多机组共水力单元、引水管道长、水流惯性巨大、水力电力耦合密切等特点，使得水轮发电机组运行环境日趋恶劣，引起水轮发电机组故障的激励因素越来越多，给水轮发电机组的安全稳定运行带来了一系列亟待解决的国际学术前沿问题和工程技术难题。为确保水轮发电机组在整个生命周期内安全可靠运行，有必要对机组进行精确故障诊断，以提髙机组动态性能与运行效率，防范水电站灾难性事故发生。
在现有技术中，形成了一些围绕水轮发电机组开展故障诊断的理论，其中专家***技术和神经网络技术是研究与应用的热点。基于专家***的故障诊断方法利用了专家积累的丰富实践经验，通过模仿专家分析问题和解决问题的思路，能够解释推理过程，成为故障诊断的一种方法。但专家***获取知识能力、容错能力、以及自我学习能力较差，在水轮机故障诊断中应用并获得成功的例子不太有。而神经网络的出现为水电机组故障诊断提供了一种新的解决方案。该故障诊断***涉及五个主要步骤：数据/信号采集，数据/信号预处理，特征提取，特征缩减/选择以及故障诊断。近年来，随着技术的不断发展，该故障诊断***已经发展到出了深度学习模型，深度学习模型将故障诊断过程简化为三个主要步骤：信号采集，信号预处理和故障诊断。因为深度学习模型具有多个隐藏层，所以特征提取和选择任务是自动化的。但深度学习模型需要大型数据集才能使学习过程有效，以产生准确的故障诊断结果。水电机组具有异常样本数据少，故障无标定的特点，因此，深度学习模型容易出现过拟合问题。
发明内容
本发明的目的是为了提供一种大型水轮发电机组故障诊断方法，无需大量故障样本数据，并且故障诊断精度高。
为了实现上述目的，本发明采用以下技术方案：
一种大型水轮发电机组故障诊断方法，包括如下步骤：
a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；
b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，
Kx(f)＝S4(f)/(S2(f))2-2 (公式1)
Sn(f)＝E〈|L(f,t)|n〉 (公式2)
其中，f≠0，Sn(f)为信号的n阶谱矩，E〈·〉为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；
c.用堆叠稀疏自编码器对频域信号进行分类；
d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；
e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；
f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。
作为优选，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，
公式3为：
Figure BDA0002907025510000021
公式4为：
Figure BDA0002907025510000022
其中
Figure BDA0002907025510000023
为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。
作为优选，在步骤d中，稀疏自动编码器的重构误差为：
Figure BDA0002907025510000024
其中，
Figure BDA0002907025510000025
代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，
Figure BDA0002907025510000026
是隐藏节点的平均激活量。
作为优选，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：
Figure BDA0002907025510000027
Figure BDA0002907025510000028
其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c1和c2分别代表个体和整体学习因素。
作为优选，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：
Figure BDA0002907025510000029
其中：θ1，θ2，……，θk∈Rn+1是模型参数。
作为优选，通过公式9使全球勘探和局部勘探的能力达到平衡，
Figure BDA0002907025510000031
其中：wmin为最小惯性权值，wmax为最大惯性权值，u为当前迭代。
因此，本发明具有如下有益效果：采用有限的水轮发电机故障样本数据即可精准诊断识别水轮发电机故障；本发明无需大量故障样本数据，并且故障诊断精度高。
具体实施方式
一种大型水轮发电机组故障诊断方法，包括如下步骤：
a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；
b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，
Kx(f)＝S4(f)/(S2(f))2-2 (公式1)
Sn(f)＝E<|L(f,t)|n> (公式2)
其中，f≠0，Sn(f)为信号的n阶谱矩，E<·>为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；
c.用堆叠稀疏自编码器对频域信号进行分类；
d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；
e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；
f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。
本发明引入堆叠稀疏自编码器对频域信号进行分类。首先进行堆叠稀疏自编码器预先参数设置，堆叠稀疏自编码器是由多个稀疏自编码器叠加而成的。一个稀疏自动编码器包含编码器，隐藏层，解码器功能。
优选地，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，公式3为：
Figure BDA0002907025510000032
公式4为：
Figure BDA0002907025510000033
其中
Figure BDA0002907025510000034
为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。
稀疏自动编码器对自动编码器的隐藏单元施加了约束，从而激活非活动隐藏单元。
进一步地，在步骤d中，稀疏自动编码器的重构误差为：
Figure BDA0002907025510000035
其中，
Figure BDA0002907025510000041
代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，
Figure BDA0002907025510000042
是隐藏节点的平均激活量。
更进一步地，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：
Figure BDA0002907025510000043
Figure BDA0002907025510000044
其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c1和c2分别代表个体和整体学习因素。
本发明基于粒子群优化算法对堆叠稀疏自编码器进行超参数选择。由于有限的数据样本可能导致网络容易过拟合训练数据，堆叠稀疏自编码器的重要超参数是调节器，由于调节器能够减少过度拟合的问题，因此本发明对其进行优化调整。具体地，通过选择稀疏度参数、隐藏节点的平均激活量、稀疏性惩罚项的权重进行同时优化。
优选地，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：
Figure BDA0002907025510000045
其中：θ1，θ2，……，θk∈Rn+1是模型参数。
进一步地，通过公式9使全球勘探和局部勘探的能力达到平衡，
Figure BDA0002907025510000046
其中：wmin为最小惯性权值，wmax为最大惯性权值，u为当前迭代。

Claims (6)

1.一种大型水轮发电机组故障诊断方法，其特征是，包括如下步骤：
a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，从而形成n+1种振动信号，振动信号的数据分为训练集和测试集，对于n+1种振动信号中的每一个振动信号，需采集用于训练的100个数据点和用于测试的50个数据点：
b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，
Kx(f)＝S4(f)/(S2(f))2-2 (公式1)
Sn(f)＝E<|L(f,t)|n> (公式2)
其中，f≠0，Sn(f)为信号的n阶谱矩，E<·>为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；
c.用堆叠稀疏自编码器对频域信号进行分类；
d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；
e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；
f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。
2.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，
公式3为：
Figure FDA0003665950370000011
公式4为：
Figure FDA0003665950370000012
其中
Figure FDA0003665950370000013
为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。
3.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，在步骤d中，稀疏自动编码器的重构误差为：
Figure FDA0003665950370000014
其中，
Figure FDA0003665950370000015
代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，
Figure FDA0003665950370000016
是隐藏节点的平均激活量。
4.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：
Figure FDA0003665950370000017
Figure FDA0003665950370000018
其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c1和c2分别代表个体和整体学习因素。
5.根据权利要求1所述的一种大型水轮发电机组故障诊断方法，其特征是，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：
Figure FDA0003665950370000021
其中：θ1，θ2，……，θk∈Rn+1是模型参数。
6.根据权利要求4所述的一种大型水轮发电机组故障诊断方法，其特征是，通过公式9使全球勘探和局部勘探的能力达到平衡，
Figure FDA0003665950370000022
其中：wmin为最小惯性权值，wmax为最大惯性权值，u为当前迭代。
CN202110074323.5A 2021-01-20 2021-01-20 一种大型水轮发电机组故障诊断方法 Active CN112879200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110074323.5A CN112879200B (zh) 2021-01-20 2021-01-20 一种大型水轮发电机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110074323.5A CN112879200B (zh) 2021-01-20 2021-01-20 一种大型水轮发电机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN112879200A CN112879200A (zh) 2021-06-01
CN112879200B true CN112879200B (zh) 2022-08-09

Family

ID=76050299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110074323.5A Active CN112879200B (zh) 2021-01-20 2021-01-20 一种大型水轮发电机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN112879200B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2771505Y (zh) * 2005-01-05 2006-04-12 江西理工大学 水轮发电机组监测及专家模糊诊断装置
CN103953490A (zh) * 2014-04-23 2014-07-30 浙江工业大学 基于hlsne的水轮机组状态监测实现方法
CN108869145A (zh) * 2018-04-26 2018-11-23 中国水利水电科学研究院 基于复合特征指标和深度极限学习机的泵站机组诊断方法
CN110319876A (zh) * 2019-05-20 2019-10-11 国家电网有限公司 一种水轮发电机的状态监测方法及装置
CN110991424A (zh) * 2019-12-25 2020-04-10 安徽工业大学 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2771505Y (zh) * 2005-01-05 2006-04-12 江西理工大学 水轮发电机组监测及专家模糊诊断装置
CN103953490A (zh) * 2014-04-23 2014-07-30 浙江工业大学 基于hlsne的水轮机组状态监测实现方法
CN108869145A (zh) * 2018-04-26 2018-11-23 中国水利水电科学研究院 基于复合特征指标和深度极限学习机的泵站机组诊断方法
CN110319876A (zh) * 2019-05-20 2019-10-11 国家电网有限公司 一种水轮发电机的状态监测方法及装置
CN110991424A (zh) * 2019-12-25 2020-04-10 安徽工业大学 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法

Also Published As

Publication number Publication date
CN112879200A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Zhang et al. Research on bearing fault diagnosis of wind turbine gearbox based on 1DCNN-PSO-SVM
CN112036547B (zh) 自动特征提取结合lstm的滚动轴承剩余寿命预测方法
CN107563251B (zh) 基于极限学习机的风机故障诊断方法
CN107449603A (zh) 基于支持向量机的风机故障诊断方法
CN109029974A (zh) 一种基于一维卷积神经网络的行星齿轮箱故障检测方法
CN105784353A (zh) 一种风力发电机齿轮箱故障诊断方法
CN111581888B (zh) 风力发电机轴承剩余使用寿命预测模型的构建方法
Wu et al. Application of BP neural network fault diagnosis in solar photovoltaic system
Sun et al. A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network
CN105547730A (zh) 水轮发电机组故障检测***
CN116109292A (zh) 一种基于联邦半监督学习的风机齿轮箱故障诊断方法
CN111855202A (zh) 一种齿轮箱故障诊断方法及***
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
Chen et al. Effect of input features on the performance of the ANN-based wind power forecasting
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
CN116187508A (zh) 一种融合知识图谱和深度学习的风电机组故障预测方法
Li et al. Early gear pitting fault diagnosis based on bi-directional LSTM
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及***
CN112879200B (zh) 一种大型水轮发电机组故障诊断方法
CN112215281A (zh) 一种风机叶片结冰故障检测方法
CN116565856A (zh) 一种考虑未知拓扑变化的配电网状态估计方法
CN113776818B (zh) 基于Park变换的海上风电机组齿轮***故障诊断方法
CN111458143A (zh) 一种风电机组主轴承温度故障诊断方法
Lin An intelligent fault diagnosis model of WSN based on artificial immune system
CN114552580B (zh) 一种基于同步相量的次/超同步振荡智能辨识方法

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
GR01 Patent grant