CN114118644A - 一种电厂运行故障诊断***及其诊断方法 - Google Patents
一种电厂运行故障诊断***及其诊断方法 Download PDFInfo
- Publication number
- CN114118644A CN114118644A CN202010871753.5A CN202010871753A CN114118644A CN 114118644 A CN114118644 A CN 114118644A CN 202010871753 A CN202010871753 A CN 202010871753A CN 114118644 A CN114118644 A CN 114118644A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- power plant
- neural network
- association
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 6
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种电厂运行故障诊断***,包括数据采集模块,用于采集电厂运行的过程参数;数据预处理模块,对于不同时刻的同种数据进行预处理,提高不同数据种类在相同时刻下的关联性;数据关联模块,建立数据的关联矩阵;神经网络诊断模块,通过输入数据的关联矩阵得到故障诊断结果。本发明能够改进现有技术的不足,提高了电厂运行故障诊断的准确度。
Description
技术领域
本发明涉及电厂运行监控技术领域,尤其是一种电厂运行故障诊断***及其诊断方法。
背景技术
电厂运行故障诊断***是电厂安全运行的一项重要保证。现有的电厂运行故障诊断***的诊断逻辑是建立在历史经验数据的基础上,对运行参数中出现故障信号进行直接采集。这种方式虽然可以对以往出现过的典型故障类型进行诊断,但是对于非典型故障,则无法进行有效诊断。
发明内容
本发明要解决的技术问题是提供一种电厂运行故障诊断***及其诊断方法,能够解决现有技术的不足,提高了电厂运行故障诊断的准确度。
为解决上述技术问题,本发明所采取的技术方案如下。
一种电厂运行故障诊断***,包括,
数据采集模块,用于采集电厂运行的过程参数;
数据预处理模块,对于不同时刻的同种数据进行预处理,提高不同数据种类在相同时刻下的关联性;
数据关联模块,建立数据的关联矩阵;
神经网络诊断模块,通过输入数据的关联矩阵得到故障诊断结果。
一种上述的电厂运行故障诊断***的诊断方法,包括以下步骤:
A、数据采集模块采集电厂运行的过程参数;
B、数据预处理模块对不同时刻的同种数据进行预处理;
C、数据关联模块建立预处理后的数据的关联矩阵;
D、建立并训练神经网络诊断模块,然后将数据的关联矩阵输入神经网络诊断模块得到故障诊断结果。
作为优选,根据权利要求2所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤B中,对同种数据进行取样,对取样样本进行遍历,标记特征数据;将属于同一数据种类的特征数据与属于其它数据种类的特征数据进行比对,建立关联关系,并将关联性大于等于设定阈值的关联关系定义为强关联关系,将关联性小于设定阈值的关联关系定义为弱关联关系。
作为优选,步骤B中,若任意数据段满足以下全部标准,则认定为特征数据,
包含有大于50%的恒定数据区间;
在非恒定数据区间内包含至少一组周期性变化的波动数据区间;
当含有多组周期性变化的波动数据区间时,不同的波动数据区间之间相互线性相关。
作为优选,步骤B中,特征数据之间的关联性由同步性和一致性两部分加权组成,同步性指不同特征数据之间在时序上出现的偏差大小,一致性指不同特征数据之间变换函数的线性相关度,同步性和一致性的权重值之比为3:7。
作为优选,步骤C中,使用强关联关系中的特征数据建立关联矩阵。
作为优选,根据权利要求6所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤C中,建立关联矩阵的方法为,
C1、对特征数据进行聚类处理;
C2、每一类特征数据形成一个子矩阵;
C3、将全部子矩阵组成关联矩阵。
作为优选,步骤D中,神经网络诊断模块包括第一输入层、若干个隐藏层和一个输出层,隐藏层的数量与步骤C中形成的子矩阵的数量相等。
作为优选,步骤D中,对神经网络诊断模块进行训练包括以下步骤,
D1、随机选取若干组数据关联矩阵输入神经网络诊断模块,得到训练结果集;
D2、分析训练结果集的不确定性,根据分析结果调整神经网络诊断模块;
D3、继续随机选取若干组数据关联矩阵输入神经网络诊断模块,得到训练结果集,并进行训练结果不确定性和神经网络诊断模块调整,直至训练结果的不确定性小于设定限值。
采用上述技术方案所带来的有益效果在于:本发明通过使用神经网络对运行数据的关联性进行分析,通过数据关联性的变化判断***运行的异常,从而对非典型故障实现精确的诊断。为了平衡数据处理量和分析准确性的关系,本发明专门定义了特征数据,并通过特征数据来计算数据关联性。另外,在计算数据关联性时仅采用同步性和一致性这两个数据特性进行加权计算,进一步简化了计算过程。在使用神经网络模型进行判断时,根据待处理数据的特点确定隐藏层的数量,可以在保证判断精度的同时避免神经网络模型出现过拟合的问题。
附图说明
图1是本发明一个具体实施方式的原理图。
图中:1、数据采集模块;2、数据预处理模块;3、数据关联模块;4、神经网络诊断模块。
具体实施方式
参照图1,本实施例包括,
数据采集模块1,用于采集电厂运行的过程参数;
数据预处理模块2,对于不同时刻的同种数据进行预处理,提高不同数据种类在相同时刻下的关联性;
数据关联模块3,建立数据的关联矩阵;
神经网络诊断模块4,通过输入数据的关联矩阵得到故障诊断结果。
一种上述的电厂运行故障诊断***的诊断方法,包括以下步骤:
A、数据采集模块1采集电厂运行的过程参数;
B、数据预处理模块2对不同时刻的同种数据进行预处理;
C、数据关联模块3建立预处理后的数据的关联矩阵;
D、建立并训练神经网络诊断模块4,然后将数据的关联矩阵输入神经网络诊断模块4得到故障诊断结果。
步骤B中,对同种数据进行取样,对取样样本进行遍历,标记特征数据;将属于同一数据种类的特征数据与属于其它数据种类的特征数据进行比对,建立关联关系,并将关联性大于等于设定阈值的关联关系定义为强关联关系,将关联性小于设定阈值的关联关系定义为弱关联关系。
步骤B中,若任意数据段满足以下全部标准,则认定为特征数据,
包含有大于50%的恒定数据区间;
在非恒定数据区间内包含至少一组周期性变化的波动数据区间;
当含有多组周期性变化的波动数据区间时,不同的波动数据区间之间相互线性相关。
步骤B中,特征数据之间的关联性由同步性和一致性两部分加权组成,同步性指不同特征数据之间在时序上出现的偏差大小,一致性指不同特征数据之间变换函数的线性相关度,同步性和一致性的权重值之比为3:7。
步骤C中,使用强关联关系中的特征数据建立关联矩阵。
步骤C中,建立关联矩阵的方法为,
C1、对特征数据进行聚类处理;
C2、每一类特征数据形成一个子矩阵;
C3、将全部子矩阵组成关联矩阵。
步骤D中,神经网络诊断模块4包括第一输入层、若干个隐藏层和一个输出层,隐藏层的数量与步骤C中形成的子矩阵的数量相等。
步骤D中,对神经网络诊断模块4进行训练包括以下步骤,
D1、随机选取若干组数据关联矩阵输入神经网络诊断模块4,得到训练结果集;
D2、分析训练结果集的不确定性,根据分析结果调整神经网络诊断模块4;
D3、继续随机选取若干组数据关联矩阵输入神经网络诊断模块4,得到训练结果集,并进行训练结果不确定性和神经网络诊断模块4调整,直至训练结果的不确定性小于设定限值。
其中,训练结果集不确定性的计算方法为,
D21、确定训练结果中每个数据的不确定性范围;
D22、根据训练结果中不同数据之间的关联关系对相应数据的不确定性范围进行关联,得到不同数据之间不确定性范围的重叠部分;
D23、遍历所有训练结果中的数据,选择不确定性范围重叠次数最多的范围的面积作为训练结果集的不确定性数值。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种电厂运行故障诊断***,其特征在于:包括,
数据采集模块(1),用于采集电厂运行的过程参数;
数据预处理模块(2),对于不同时刻的同种数据进行预处理,提高不同数据种类在相同时刻下的关联性;
数据关联模块(3),建立数据的关联矩阵;
神经网络诊断模块(4),通过输入数据的关联矩阵得到故障诊断结果。
2.一种权利要求1所述的电厂运行故障诊断***的诊断方法,其特征在于包括以下步骤:
A、数据采集模块(1)采集电厂运行的过程参数;
B、数据预处理模块(2)对不同时刻的同种数据进行预处理;
C、数据关联模块(3)建立预处理后的数据的关联矩阵;
D、建立并训练神经网络诊断模块(4),然后将数据的关联矩阵输入神经网络诊断模块(4)得到故障诊断结果。
3.根据权利要求2所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤B中,对同种数据进行取样,对取样样本进行遍历,标记特征数据;将属于同一数据种类的特征数据与属于其它数据种类的特征数据进行比对,建立关联关系,并将关联性大于等于设定阈值的关联关系定义为强关联关系,将关联性小于设定阈值的关联关系定义为弱关联关系。
4.根据权利要求3所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤B中,若任意数据段满足以下全部标准,则认定为特征数据,
包含有大于50%的恒定数据区间;
在非恒定数据区间内包含至少一组周期性变化的波动数据区间;
当含有多组周期性变化的波动数据区间时,不同的波动数据区间之间相互线性相关。
5.根据权利要求4所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤B中,特征数据之间的关联性由同步性和一致性两部分加权组成,同步性指不同特征数据之间在时序上出现的偏差大小,一致性指不同特征数据之间变换函数的线性相关度,同步性和一致性的权重值之比为3:7。
6.根据权利要求5所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤C中,使用强关联关系中的特征数据建立关联矩阵。
7.根据权利要求6所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤C中,建立关联矩阵的方法为,
C1、对特征数据进行聚类处理;
C2、每一类特征数据形成一个子矩阵;
C3、将全部子矩阵组成关联矩阵。
8.根据权利要求7所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤D中,神经网络诊断模块(4)包括第一输入层、若干个隐藏层和一个输出层,隐藏层的数量与步骤C中形成的子矩阵的数量相等。
9.根据权利要求8所述的电厂运行故障诊断***的诊断方法,其特征在于:步骤D中,对神经网络诊断模块(4)进行训练包括以下步骤,
D1、随机选取若干组数据关联矩阵输入神经网络诊断模块(4),得到训练结果集;
D2、分析训练结果集的不确定性,根据分析结果调整神经网络诊断模块(4);
D3、继续随机选取若干组数据关联矩阵输入神经网络诊断模块(4),得到训练结果集,并进行训练结果不确定性和神经网络诊断模块(4)调整,直至训练结果的不确定性小于设定限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871753.5A CN114118644A (zh) | 2020-08-26 | 2020-08-26 | 一种电厂运行故障诊断***及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871753.5A CN114118644A (zh) | 2020-08-26 | 2020-08-26 | 一种电厂运行故障诊断***及其诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118644A true CN114118644A (zh) | 2022-03-01 |
Family
ID=80374067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010871753.5A Withdrawn CN114118644A (zh) | 2020-08-26 | 2020-08-26 | 一种电厂运行故障诊断***及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118644A (zh) |
-
2020
- 2020-08-26 CN CN202010871753.5A patent/CN114118644A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN108171263B (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN110059357A (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及*** | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN113378967B (zh) | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 | |
CN113343591B (zh) | 基于自注意力网络的产品关键零件寿命端到端预测方法 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN113865868A (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN113392881A (zh) | 一种基于迁移学习的旋转机械故障诊断方法 | |
CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN115822943A (zh) | 液压泵泄漏故障诊断方法 | |
CN113092083A (zh) | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 | |
CN114118644A (zh) | 一种电厂运行故障诊断***及其诊断方法 | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及*** | |
CN116028849B (zh) | 基于深度自编码网络的乳化液泵故障诊断方法 | |
CN116861343A (zh) | 一种轴承故障诊断方法 | |
CN113973403B (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN111539096A (zh) | 一种基于实时测试参数的电驱动***可靠度评估方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |