CN113657221A - 一种基于智能感知技术的电厂设备状态监测方法 - Google Patents
一种基于智能感知技术的电厂设备状态监测方法 Download PDFInfo
- Publication number
- CN113657221A CN113657221A CN202110889067.5A CN202110889067A CN113657221A CN 113657221 A CN113657221 A CN 113657221A CN 202110889067 A CN202110889067 A CN 202110889067A CN 113657221 A CN113657221 A CN 113657221A
- Authority
- CN
- China
- Prior art keywords
- power plant
- sound
- fault
- method based
- monitoring method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000005236 sound signal Effects 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于智能感知技术的电厂设备状态监测方法，包括以下步骤：S1.采集设备运行过程中的声音信号；S2.由异常检测模型对声音信号进行异常检测，当检测到异常信号时，将异常信号输入至故障诊断模型；S3.由故障诊断模型对异常信号进行故障诊断。本方案根据故障诊断模型对故障类型的概率值，进行可靠性判断，并对可靠性不高的判断结果输出等待人工标定，在使用过程中不断优化故障诊断模型，随着模型的不断使用，能够不断提高故障类型判断准确率，能够解决因故障类型数据不足而引起实际使用中故障诊断信号漏判的问题。
Description
技术领域
本发明属于电厂设备状态监测技术领域，尤其是涉及一种基 于智能感知技术的电厂设备状态监测方法。
背景技术
当前，电厂的设备常采用检测方法，通常是对设备进行周期 性的检查和维护，主要依靠人工经验和基于历史数据。由于大多 数设备、备件的故障间隔离散性较大，这种方法存在着一定的弊 端:一是维护效果受限、成本较高。固定周期的巡检若周期过于 频繁则不仅产生巨大的人力成本，还可能会产生一些不必要的， 甚至有损害性的维护活动。二是若周期不够频繁，则又会带来较 大的设备故障风险，带来更大的损失。因此，通过先进的技术手 段，对设备运行的实时参数进行监测和分析，来判断设备是否存 在异常或故障、故障的部位和原因、故障的劣化趋势，进而确定 合理检修时机，把事故消灭在萌芽状态，有效地降低维修成本， 降低事故停机率,是非常有必要的。
电厂生产环境中有很大的噪音，不同设备的声音混杂在相对 集中的空间中，由于过去针对声音信号没有很好的技术手段去处 理，所以仅仅只能依靠具有丰富专业经验的巡检人员才能听出设 备的异常声音，而随着电厂设备向着高、精、尖方向发展，仅依 靠巡检人员，难以对设备的运行状态做到有效和准确的判断。在 实际***中，设备在不同工作条件下的运行状态不同，当工作条 件发生改变时如故障发生，设备运行状态将发生改变。虽然状态 改变过程中设备的声音信号产生的机理比较模糊，但这种声音信 号往往具有非平稳特性，故可以采用统计模型理论来分析处理。 设备状态在改变过程中往往会引起声音信号结构的变化、出现不 同的声音波形图，如图1所示，可以通过设备状态声音信号特征的变化判断出设备的运行状态，甚至用以判别设备故障类型和发 生部位。
近年来，随着预测控制、核偏最小二乘、神经网络以及支持 向量机等技术和机器学习算法的发展并在工业上获得成功应用， 可以充分利用电厂充足的历史运行数据建立设备故障诊断的模 型，实现设备状态的在线分析和智能预警，然而，随着电厂设备 高速发展，新的故障类型逐渐增多。在其实际生产中，将故障信 号漏判或者误判成正常信号都有可能带来较大的损失。基于历史 数据训练的故障诊断模型一定会将这些新型故障判别到某一类已 有的类别中。而且设备运行中正常运行数据远远高于故障类型数 据，模型对这些非常小量的故障数据很容易造成误判或者漏判。
为实现对电厂设备故障类型的准确判断与预警，必须寻求一 种新的故障诊断方法，来解决因故障类型数据不足而引起的实际 使用中障诊断模型将故障信号漏判和误判的问题。
发明内容
本发明的目的是针对上述问题，提供一种基于智能感知技术 的电厂设备状态监测方法。
为达到上述目的，本发明采用了下列技术方案：
一种基于智能感知技术的电厂设备状态监测方法，包括以下 步骤：
S1.采集设备运行过程中的声音信号；
S2.由异常检测模型对声音信号进行异常检测，当检测到异常 信号时，将异常信号输入至故障诊断模型；
S3.由故障诊断模型对异常信号进行故障诊断。
在上述的基于智能感知技术的电厂设备状态监测方法中，所 述的异常检测模型为单类支持向量机，且所述的异常检测模型预 先通过以下方式训练获得：
A1.获取第一样本数据；
A2.对第一样本数据中的声音信号进行预处理；
A3.对预处理后的声音信号进行特征提取组成特征向量；
A4.对所述的特征向量进行降维处理；
A5.利用经过降维处理的特征训练单类支持向量机，建立异常 检测模型；
步骤S2中，先对采集的声音信号进行包括预处理、特征提取 和降维处理的数据处理后输入异常检测模型以由异常检测模型对 声音信号进行异常检测。
在上述的基于智能感知技术的电厂设备状态监测方法中，所 述的第一样本数据中的声音信号均为正常信号；
或者，所述的第一样本数据中的声音信号包括打了正常标签 的正常信号和打了异常标签的异常信号。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤A2具体为：
A21.对声音信号进行滤波处理，使用高通滤波器滤除50Hz 以下的低频干扰信号；
A22.将声音分段，对每一段声音使用滑动窗分帧处理。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤A3中，所提取的特征包括时域上的裕度因子、脉冲因子、偏斜 因子和频谱上的重心频率、均方频率、频率特征。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤A5中，使用蚁群算法进行参数寻优，以得到单类支持向量机的 最优核函数参数和权衡参数，将最优核函数参数和权衡参数代入 支持向量机后得到训练后的异常检测模型，目标函数的初始问题 为：
采用高斯核函数：
满足条件：H(xi,xj)＝y(xi)Ty(xj) (3)
(1)式的拉格朗日对偶问题为：
解出各λi后，得到判别函数为：
(5)式中
上述各式中，l为训练样本的数量；
σ为所要求的最优核函数参数；
ν∈(0,1]为权衡参数，是通过上述蚁群算法预先定义好的百分比 参数估计，表示支持向量和错分向量之间的折中；
ρ为特征空间中所需超平面的补偿；
ω为特征空间中所需超平面的法向量；
ξi为松弛变量；
λi、λj为拉格朗日乘子，xi、xj为原空间中的样本。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤S3中，所述的故障诊断模型用于输出故障类型及相应故障类型 的故障概率值判定；
且步骤S3之后还包括：
S4.判断所述的故障概率值是否高于预设概率值，若是，则直 接输出故障类型，否则执行步骤S5；
S5.将判定的故障类型和故障概率值输出，等待工作人员给出 人为标定结果。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤S5中，当工作人员给出人为标定结果后，将标定结果作为相应 声音信号的给定标签，并将具有给定标签的声音信号输入至异常 检测模型和/或故障诊断模型进行训练更新。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤S1中，以第一采集频率采集设备运行过程中的声音信号；
步骤S2中，当检测到异常信号时，以第二采集频率采集设备 运行过程中的声音信号，且同时将异常信号和以第二采集频率采 集到的声音信号输入至故障诊断模型；
所述的第二采集频率大于第一采集频率。
在上述的基于智能感知技术的电厂设备状态监测方法中，步 骤S2中，异常检测模型同时对以第二采集频率采集设备运行过程 中的声音信号进行检测，当持续预设次数/时间的声音信号均被检 测为正常声音信号时，恢复为第一采集频率。
本发明的优点在于：
1、能够解决因故障类型数据不足而引起实际使用中故障诊断 信号漏判的问题；
2、根据故障诊断模型对故障类型的概率值，进行可靠性判断， 并对可靠性不高的判断结果输出等待人工标定，在使用过程中不 断优化故障诊断模型，随着模型的不断使用，能够不断提高故障 类型判断准确率。
附图说明
图1是设备在不同的运行状态下的声音波形图；
图2是本发明中异常检测模型的训练流程图；
图3是本发明中故障诊断模型的训练流程图；
图4是本发明基于智能感知技术的电厂设备状态监测方法的 判断方法流程图；
图5是ROC曲线评价异常检测模型性能—AUC(Area Under Curve)图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说 明。
如图2所示，本实施例公开了一种基于智能感知技术的电厂 设备状态监测方法，首先准备经过训练的异常检测模型和故障故 障诊断模型。
这里的异常检测模型采用单类支持向量机，且异常检测模型 主要通过以下训练获得：
A1.获取第一样本数据；该第一样本数据中的声音信号可以均 为正常信号；也可以包括打了正常标签的正常信号和打了异常标 签的异常信号。
A2.对第一样本数据中的声音信号进行预处理，首先对声音信 号进行滤波处理，使用高通滤波器滤除50Hz以下的低频干扰信 号；再将声音分为6s每段，对每一段声音使用滑动窗分帧处理， 窗长0.25s，窗移50％，即每次移动窗长的一半。
A3.对预处理后的声音信号进行特征提取，组成特征向量：提 取所有帧信号在时域上的统计特征以及在频谱分布上的特征，如 时域上的裕度因子、脉冲因子、偏斜因子和频谱上的重心频率、 均方频率、频率特征，设fs为采样频率，每秒的连续声音信号s(t) 经过采样离散化为s(n)，设对每6秒信号进行分帧处理的帧长为N， 帧移为N/2，总帧数为NF。则第i帧信号si(n)在时域的统计特征， 裕度因子，提取公式为：
脉冲因子，提取公式为：
偏斜因子，提取公式为：
s(n)(n＝1,2,...,N)为时域信号，N为信号样本长度。
信号功率谱反映的是信号能量随机分布情况，即从信号中的 频率成分和频率成分的能量大小情况来分析信号的特征。对信号 s(n)做傅里叶变换，得到其在频谱上的分布信息，快速傅里叶变换 的公式为：
其中，si(k)是第i帧信号si(n)的STFT(短时傅里叶变换)。
则第i帧信号si(k)在频域的特征，
重心频率，提取公式为：
均方频率，提取公式为：
频率特征，提取公式为：
y(k)(k＝1,2,...,K)为信号s(n)的谱值，K为谱线数，fk是频率值。 将信号在时域和频域的以上特征参数组成一个6维向量，作为一 段声音信号的特征向量。
A4.对所述的特征向量进行降维处理：找出主要特征，用主要 特征代替原始数据；
A5.利用经过降维处理的特征训练单类支持向量机，建立异常 检测模型，具体为：
对降维后的特征参数进行归一化处理；使用蚁群算法进行参 数寻优，得到单类支持向量机的最优核函数参数和权衡参数，构 造并解决最优问题；目标函数的初始问题为：
采用高斯核函数：
满足条件：H(xi,xj)＝y(xi)Ty(xj) (10)
(8)式的拉格朗日对偶问题为：
解出各λi后，得到判别函数为：
(12)式中
上述各式中，l为训练样本的数量；
σ为所要求的最优核函数参数；
ν∈(0,1]为权衡参数，为预先定义好的百分比参数估计，表示支 持向量和错分向量之间的折中；
ρ为特征空间中所需超平面的补偿；
ω为特征空间中所需超平面的法向量；
ξi为松弛变量；
λi、λj为拉格朗日乘子，xi、xj为原空间中的样本。
将由蚁群算法寻优得到的单类支持向量机模型参数(ν,σ)的最 佳值代入支持向量机后得到训练后的异常检测模型。
故障诊断模型采用由输入层、特征提取层和分类层构成的一 维卷积神经网络。如图3所示，将标记故障类型的异常信号输入 到故障诊断模型中进行训练即可得到训练后的故障诊断模型。异 常信号可以由工作人员提前准备，也可以由异常检测模型对第二 样本数据进行检测，即将第二样本数据进行处理后输入至上述判 别函数(12)，得到异常信号的训练样本集D，然后再由工作人员 对训练样本集中的数据按不同的故障类型进行分类，分别标记为 D1,D2,...,Dk，并做好分类标记。
第一样本数据和第二样本数据可以使用不同样本数据，也可 以使用同一样本数据。
在投入使用时，如图4所示，将采集到的设备原始信号输入 至异常检测模型进行异常判断，然后将异常信号输入至故障诊断 模型，由故障诊断模型进行故障分类。具体方法如下：
S1.以第一采集频率采集设备运行过程中的声音信号，第一采 集频率可以取10分钟一次，每次采集6s时间；可以使用磁吸在 待测设备上的声音传感器采集设备运行过程中的声音信号，磁吸 安装方式能够直接获取设备内部的声音，降低了环境噪声对信号 的影响，优选利用仿人耳听力的智能声音传感器，并且通过应用 物联网5G技术，来解决声音信号收集传输迟延的问题。
S2.对采集的声音信号进行包括预处理、特征提取和降维处理 的处理后输入异常检测模型，以由异常检测模型对声音信号进行 异常检测，当检测到异常信号时，将异常信号输入至故障诊断模 型；
S3.由故障诊断模型对异常信号进行故障诊断。
由于异常检测模型不可能百分之百把正常信号和异常信号区 分开，有可能把设备运行在极端工况的一些正常信号误判成异常 信号(故障诊断模型不会将异常信号判断为正常信号，但是有可 能将正常信号判断为异常信号)，因此检测后的数据可能包含以知故障类型和异常类型(未知故障类型或正常)，所以本实施例在故 障识别模型后添加判断条件，用以将异常类型区分出来。
具体为，步骤S3中，故障诊断模型不仅输出故障类型，还输 出相应故障类型的故障概率值；
且步骤S3之后还包括：
S4.判断故障概率值是否高于预设概率值，如0.9，预设概率 值作为能否准确判断的临界点，若故障概率值是否高于预设概率 值，则认为对故障类型做出了准确判断，直接输出故障类型，否 则执行步骤S5；
S5.认为对故障类型无法做出准确判断，将判定的故障类型和 故障概率值输出，等待工作人员给出人为标定结果。
当工作人员给出人为标定结果后，将标定结果作为相应声音 信号的给定标签，并将具有给定标签的声音信号输入至异常检测 模型和/或故障诊断模型进行训练更新。若标定为正常，则将相关 声音信号放入正常样本数据库，并对异常检测模型进行训练更新， 若标定为异常，则将声音信号放入故障样本数据库，并对故障诊 断模型进行训练更新。
优选地，当检测到异常信号时，以第二采集频率采集设备运 行过程中的声音信号，且同时将异常信号和以第二采集频率采集 到的声音信号输入至故障诊断模型；第二采集频率可以为1分钟 一次，一次6s时间。正常情况下10-30分钟采集一次，在初步判 断为异常的时候提高采集频率，既能够满足节约能耗，避免频繁 采集的需求，又能够满足对异常时候数据的持续采集，具有类似 巡检效果。
进一步地，异常检测模型同时对以第二采集频率采集设备运 行过程中的声音信号进行检测，当持续预设次数/时间的声音信号 均被检测为正常声音信号时，恢复为第一采集频率。即当声音信 号异常的时候，持续采集声音信号，利于模型对故障状态进行诊断，当声音信号正常的时候，没必要频繁采集，又恢复为长间隔 时间采集。
下面釆用ROC-AUC模型评价指标对上述OCSVM异常检测模 型进行评价。首先手动将测试数据打标签，人工识别正常声音和 异常声音数据。接下来将标签的测试数据输入ROC-AUC评价程序 中,获取ROC的结果图如图5所示。在ROC的结果图中,曲线越接 近坐标系的右上角，证明模型的准确度越高，效果也好。考虑到 ROC曲线本身并不能直观的说明一个分类器性能的好坏，而AUC 表示ROC曲线下的面积，主要用于衡量模型的泛化性能，即分类效果的好坏，其值作为一个[0,1]的数量值，其值越接近1，被评 价的模型，具有可比较性，可以进行定量的比较。上述模型的AUC 值为0.891,证明此模型在特定情况的声音异常检测中优秀的完成 了任务。
本方案提出先异常检测后故障诊断，对故障诊断模型只使用 异常数据进行训练，避免不平衡样本对分类模型识别准确率的影 响；由于异常检测模型能够将一切异常信号检测出来，所以同时 能够很好地解决因故障类型数据不足而引起实际使用中故障诊断 模型将故障漏判的问题；而且根据诊断输出的概率值判断是否可 靠，对于不可靠结果等待人工标定并进一步更新训练模型，随着 模型的不断使用，能够不断提高模型诊断准确率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说 明。本发明所属技术领域的技术人员可以对所描述的具体实施例 做各种各样的修改或补充或采用类似的方式替代，但并不会偏离 本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了声音信号、异常检测额模型、故障诊 断模型、单类支持向量机、正常信号、异常信号等术语，但并不 排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地 描述和解释本发明的本质；把它们解释成任何一种附加的限制都 是与本发明精神相违背的。
Claims (10)
1.一种基于智能感知技术的电厂设备状态监测方法，其特征在于，包括以下步骤：
S1.采集设备运行过程中的声音信号；
S2.由异常检测模型对声音信号进行异常检测，当检测到异常信号时，将异常信号输入至故障诊断模型；
S3.由故障诊断模型对异常信号进行故障诊断。
2.根据权利要求1所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，所述的异常检测模型为单类支持向量机，且所述的异常检测模型预先通过以下方式训练获得：
A1.获取第一样本数据；
A2.对第一样本数据中的声音信号进行预处理；
A3.对预处理后的声音信号进行特征提取组成特征向量；
A4.对所述的特征向量进行降维处理；
A5.利用经过降维处理的特征训练单类支持向量机，建立异常检测模型；
步骤S2中，先对采集的声音信号进行包括预处理、特征提取和降维处理的数据处理后输入异常检测模型以由异常检测模型对声音信号进行异常检测。
3.根据权利要求2所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，所述的第一样本数据中的声音信号均为正常信号；
或者，所述的第一样本数据中的声音信号包括打了正常标签的正常信号和打了异常标签的异常信号。
4.根据权利要求2所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤A2具体为：
A21.对声音信号进行滤波处理，使用高通滤波器滤除50Hz以下的低频干扰信号；
A22.将声音分段，对每一段声音使用滑动窗分帧处理。
5.根据权利要求4所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤A3中，所提取的特征包括时域上的裕度因子、脉冲因子、偏斜因子和频谱上的重心频率、均方频率、频率特征。
6.根据权利要求2所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤A5中，使用蚁群算法进行参数寻优，以得到单类支持向量机的最优核函数参数和权衡参数，将最优核函数参数和权衡参数代入支持向量机后得到训练后的异常检测模型，目标函数的初始问题为：
采用高斯核函数：
满足条件：H(xi,xj)＝y(xi)Ty(xj) (3)
(1)式的拉格朗日对偶问题为：
解出各λi后，得到判别函数为：
(5)式中
上述各式中，l为训练样本的数量；
σ为所要求的最优核函数参数；
ν∈(0,1]为权衡参数，是通过上述蚁群算法预先定义好的百分比参数估计，表示支持向量和错分向量之间的折中；
ρ为特征空间中所需超平面的补偿；
ω为特征空间中所需超平面的法向量；
ξi为松弛变量；
λi、λj为拉格朗日乘子，xi、xj为原空间中的样本。
7.根据权利要求1-6任意一项所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤S3中，所述的故障诊断模型用于输出故障类型及相应故障类型的故障概率值判定；
且步骤S3之后还包括：
S4.判断所述的故障概率值是否高于预设概率值，若是，则直接输出故障类型，否则执行步骤S5；
S5.将判定的故障类型和故障概率值输出，等待工作人员给出人为标定结果。
8.根据权利要求7所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤S5中，当工作人员给出人为标定结果后，将标定结果作为相应声音信号的给定标签，并将具有给定标签的声音信号输入至异常检测模型和/或故障诊断模型进行训练更新。
9.根据权利要求1-6任意一项所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤S1中，以第一采集频率采集设备运行过程中的声音信号；
步骤S2中，当检测到异常信号时，以第二采集频率采集设备运行过程中的声音信号，且同时将异常信号和以第二采集频率采集到的声音信号输入至故障诊断模型；
所述的第二采集频率大于第一采集频率。
10.根据权利要求9所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤S2中，异常检测模型同时对以第二采集频率采集设备运行过程中的声音信号进行检测，当持续预设次数/时间的声音信号均被检测为正常声音信号时，恢复为第一采集频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889067.5A CN113657221A (zh) | 2021-08-04 | 2021-08-04 | 一种基于智能感知技术的电厂设备状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889067.5A CN113657221A (zh) | 2021-08-04 | 2021-08-04 | 一种基于智能感知技术的电厂设备状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657221A true CN113657221A (zh) | 2021-11-16 |
Family
ID=78490281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110889067.5A Pending CN113657221A (zh) | 2021-08-04 | 2021-08-04 | 一种基于智能感知技术的电厂设备状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657221A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692674A (zh) * | 2022-02-21 | 2022-07-01 | 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） | 一种船舶推进***故障判断方法及*** |
| CN115588265A (zh) * | 2022-12-12 | 2023-01-10 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视*** |
| CN116384980A (zh) * | 2023-05-25 | 2023-07-04 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
| CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与*** |
| CN117409816A (zh) * | 2023-12-14 | 2024-01-16 | 湖南华夏特变股份有限公司 | 一种基于声音信号的设备故障检测方法及*** |
| WO2024045387A1 (zh) * | 2022-08-31 | 2024-03-07 | 南方电网调峰调频发电有限公司储能科研院 | 一种"听振"结合的电厂密封设备漏气监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122133A (zh) * | 2011-01-21 | 2011-07-13 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类***及方法 |
| CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
| US20200251127A1 (en) * | 2019-02-06 | 2020-08-06 | Hitachi, Ltd. | Abnormal sound detection device and abnormal sound detection method |
| CN112087703A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种音频监控器音频采集故障诊断方法 |
| CN112233695A (zh) * | 2020-10-13 | 2021-01-15 | 张鹏 | 基于人工智能和大数据的加油机异音分析及故障预警*** |
-
2021
- 2021-08-04 CN CN202110889067.5A patent/CN113657221A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122133A (zh) * | 2011-01-21 | 2011-07-13 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类***及方法 |
| CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
| US20200251127A1 (en) * | 2019-02-06 | 2020-08-06 | Hitachi, Ltd. | Abnormal sound detection device and abnormal sound detection method |
| CN112087703A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种音频监控器音频采集故障诊断方法 |
| CN112233695A (zh) * | 2020-10-13 | 2021-01-15 | 张鹏 | 基于人工智能和大数据的加油机异音分析及故障预警*** |
Non-Patent Citations (2)
| Title |
|---|
| 向昌盛;周子英;: "支持向量分类机的参数选择方法研究", 计算机技术与发展, no. 09 * |
| 庄严;白振林;许云峰;: "基于蚁群算法的支持向量机参数选择方法研究", 计算机仿真, no. 05 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692674A (zh) * | 2022-02-21 | 2022-07-01 | 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） | 一种船舶推进***故障判断方法及*** |
| WO2024045387A1 (zh) * | 2022-08-31 | 2024-03-07 | 南方电网调峰调频发电有限公司储能科研院 | 一种"听振"结合的电厂密封设备漏气监测方法 |
| CN115588265A (zh) * | 2022-12-12 | 2023-01-10 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视*** |
| CN115588265B (zh) * | 2022-12-12 | 2023-04-07 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视*** |
| CN116384980A (zh) * | 2023-05-25 | 2023-07-04 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
| CN116384980B (zh) * | 2023-05-25 | 2023-08-25 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
| CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与*** |
| CN117409816A (zh) * | 2023-12-14 | 2024-01-16 | 湖南华夏特变股份有限公司 | 一种基于声音信号的设备故障检测方法及*** |
| CN117409816B (zh) * | 2023-12-14 | 2024-03-26 | 湖南华夏特变股份有限公司 | 一种基于声音信号的设备故障检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN106769052B (zh) | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 | |
| CN113400652B (zh) | 基于振动信号的3d打印机监测与诊断知识库装置、*** | |
| CN108444708A (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
| CN110867196A (zh) | 一种基于深度学习及声音识别的机器设备状态监测*** | |
| CN103674511A (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
| CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| CN113305645A (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
| US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
| CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
| CN117114213B (zh) | 一种村网共建便民网络服务方法及*** | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| KR20220127209A (ko) | 설비 고장 예측 시스템 및 그 방법 | |
| CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及*** | |
| CN111665066A (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
| CN110119333A (zh) | 一种异常检测边缘计算*** | |
| CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
| CN109598309B (zh) | 一种金属包装冲压机的检测***及其监测方法 | |
| CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及*** | |
| CN109115271B (zh) | 一种数控机床远程监测*** | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 |
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 |