CN114547970B - 一种水电厂顶盖排水***异常智能诊断方法 - Google Patents
一种水电厂顶盖排水***异常智能诊断方法 Download PDFInfo
- Publication number
- CN114547970B CN114547970B CN202210085087.1A CN202210085087A CN114547970B CN 114547970 B CN114547970 B CN 114547970B CN 202210085087 A CN202210085087 A CN 202210085087A CN 114547970 B CN114547970 B CN 114547970B
- Authority
- CN
- China
- Prior art keywords
- data
- working condition
- condition data
- top cover
- drainage pump
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 230000005856 abnormality Effects 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000009412 basement excavation Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000007726 management method Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种水电厂顶盖排水***异常智能诊断方法,包括:S1、通过构建特征挖掘模型挖掘水电厂顶盖排水***工况数据的内在特征;S2、构建并通过所述内在特征训练特征分析模型;S3、通过特征分析模型对待测工况数据的内在特征进行处理,得到顶盖排水***中排水泵的异常诊断结果。本发明方法可以提高安全生产和精细化管理水平,防患于未然。设备预警***可广泛应用于包括发电厂等设备运行类企业。随着预警***的深入应用,可预期在一定范围内实现代替人工、对生产设备、工艺流程的自动监测预警,从企业生产本质安全上提高设备可靠性和安全生产管理水平。
Description
技术领域
本发明属于水力发电技术领域,具体涉及一种水电厂顶盖排水异常智能诊断方法。
背景技术
水电厂水轮机的顶盖排水***是水轮机的重要辅助设备,主要作用是排出水轮机大轴密封和导叶轴套处漏至水轮机顶盖上的水,其运行的安全可靠性与保证整个水轮机组的安全运行息息相关。
顶盖排水***中的排水泵包含主备自动控制泵和手动控制泵,一旦发生主备用泵出现故障或排水效率下降的情况,将导致漏水水位上升过快的问题。如果未及时启动水位上升警报,值守人员未及时发现,会造成水淹水导轴承和甩油盆的严重后果,甚至将导致机组被迫停机,因此,当排水发生异常变化时,如水位持续上升且测点变化值尚未达到监控***设定的报警阈值时,如何及时准确地对上述异常情况进行报警,对保障输水安全、发电运行安全和经济效益,顶盖排水泵的工作效率诊断起着至关重要的作用。
电厂部分机组顶盖排水泵运行几年后会逐步出现抽水效率的情况,导致顶盖排水泵单次运行时间延长。同时,会多次出现过顶盖排水泵出口止回阀在水泵停止后关闭不严的情况,导致水泵轮换后,其他水泵单词运行时间延长。加之,机组运行一定年限后,水轮机主轴密封不同程度出现磨损等情况,导致主轴密封漏水量增大,致使顶盖排水泵单次运行时间延长。经过长时间运行发现顶盖排水泵效率低主要由以下原因引起:
(1)顶盖排水泵机械磨损,长时间运行导致泵机械磨损严重,效率降低;
(2)排水管道被杂物堵塞,引起出水量降低,运行时间变长;或排水管路漏水,导致出流量降低;
(3)排水泵电机相序接反,导致泵反转,抽水效率降低;
(4)排水泵电机受潮,绝缘降低,输出效率低,导致泵运行效率降低。
综上所述,多种原因均可导致顶盖排水泵排水时间延长,顶盖排水泵运行时间变长,可能有运行超时报警信号。也会引起顶盖水位异常波动,机组在稳定运行时顶盖水位变化趋势是稳定的且是有规律的变化。机组开机过程中由于顶盖的振动导致水位瞬间波动,引起监控***顶盖水位频繁的越低限或越高限报警,但在机组并网后稳定运行时顶盖水位波动较小,不会到达高报警和低报警。
现有针对水电站顶盖排水***,进行泵类设备效率监测分析的研究极少,大多是从硬件设备角度,以提升泵类排水性能。仅有的算法分析,多是利用统计学方法,得到排水泵效率与历史情况的对比分析,从而评估排水效率的发展趋势。基于此,现有方法存在以下缺点:
(1)没有高效利用水电设备运行产生的历史数据;
(2)网格法工况划分,阈值难确定,导致分析不准确;
(3)未深入挖掘历史数据包含的信息。
发明内容
针对现有技术中的上述不足,本发明提供的水电厂顶盖排水***异常诊断方法解决了上述背景技术中的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种水电厂顶盖排水***异常智能诊断方法,包括以下步骤:
S1、通过构建特征挖掘模型挖掘水电厂顶盖排水***工况数据的内在特征;
所述工况数据包括进水工况数据和排水泵运行工况数据;
S2、构建并通过所述内在特征训练特征分析模型;
S3、通过特征分析模型对待测工况数据的内在特征进行处理,得到顶盖排水***中排水泵的异常诊断结果;
其中,异常诊断结果包括排水泵开停机状态下的单台、双台,以及全部排水泵的运行效率。
进一步地,所述步骤S1中,通过关联因素表征进水工况数据,关联因素包括开停机态、水头、有功功率、机组负荷以及机组顶盖水位,即进水工况数据表示为MT=m1,T+m2,T+m3,T+m4,T+m5,T,其中x1,T至x5,T分别代表开停机态、水头、有功功率、机组负荷,以及机组顶盖水位在某T时刻的值;
所述排水泵运行工况数据为排水泵的启停泵情况,即每台排水泵的工况标识为NT=ni,T,标识在T时刻,顶盖排水***中排水泵启动状态种类序号。
进一步地,所述步骤S1具体为:
S11、构建包括正常和异常工况数据在内的工况数据集;
所述工况数据集包括历史工况数据,以及各历史工况数据下的机组顶盖水位变化数据;
S12、对构建的历史工况数据集进行数据清洗;
S13、通过特征挖掘模型对数据清洗后的历史工况数据进行特征挖掘,得到内在特征;
所述特征挖掘模型为深度自编码神经网络,所述内在特征为所述深度自编码神经网络中隐藏层中的特征。
进一步地,所述步骤S12中,对历史工况数据进行数据清洗包括去除重复数据、补全缺少数据、去除或修改格式和内容错误的数据、去除或修改逻辑错误的数据,以及历史工况数据的关联性验证。
进一步地,所述深度自编码神经网络为对称的三层神经网络,包括输入层、隐含层以及输出层;
所述深度自编码神经网络的神经元激活函数为sigmoid函数。
进一步地,所述步骤S3中的特征分析模型为孤独森林模型。
进一步地,所述孤独森林模型处理内在特征的方法具体为:
A1、设定存在一颗描述数据的二叉树;
在二叉树中,其具有节点集N,且每一节点Nijr或Nijl的数据为X的子集,其中,i为二叉树T的层数,j为二叉树中上一层中从左到右的第j个节点,同时设定r和i用于区分同层的右节点和左节点;
A2、将所有内在特征作为一个数据集X,并构造二叉树,当构造的二叉树的深度达到设定最大值或节点Nij仅包含一个数据点或所包含的数据点相同时,完成二叉树的构造;
A3、当二叉树中末端枝叶所对应的数据点小于设定阈值时,将其作为异常数据点,并根据该异常数据点对应的排水泵工况数据实现异常诊断。
进一步地,所述步骤S2中,训练所述孤独森林模型时,采用半监督学习方法利用历史工况数据和当前工况数据对所述孤独森林模型进行训练。
本发明的有益效果为:
(1)本发明方法为水电厂设备运行数据分析工作,提供了一套完整的构建数据基础的方法;
(2)本发明方法利用神经网络特征学习技术挖掘设备运行规律,实现运行状态的特征分析,为后续建模提供了可靠的特征输入;
(3)本发明方法有效地解决了顶盖排水***中顶盖排水泵的排水能力差、上水水位不直观的问题,可以有效预防因顶盖上水导致水导油盆进水被迫停机换油的事故,扼制了因事故造成的经济损失,清除了设备隐患,保证了发电运行的安全,使得后续水电站运行中可以通过优化设计和制造,让顶盖排水***在保证可靠性的同时,更加节能,更加高效。
附图说明
图1为本发明提供的水电厂顶盖排水***异常智能诊断方法流程图。
图2为本发明提供的深度自编码神经网络中自编码器结构示意图。
图3为本发明提供的孤独森林训练示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1所示,一种水电厂顶盖排水***异常智能诊断方法,包括以下步骤:
S1、通过构建特征挖掘模型挖掘水电厂顶盖排水***工况数据的内在特征;
所述工况数据包括进水工况数据和排水泵运行工况数据;
S2、构建并通过所述内在特征训练特征分析模型;
S3、通过特征分析模型对待测工况数据的内在特征进行处理,得到顶盖排水***中排水泵的异常诊断结果;
其中,异常诊断结果包括排水泵开停机状态下的单台、双台,以及全部排水泵的运行效率。
本发明实施例的步骤S1中,通过关联因素表征进水工况数据,关联因素包括开停机态、水头、有功功率、机组负荷以及机组顶盖水位,即进水工况数据表示为MT=m1,T+m2,T+m3,T+m4,T+m5,T,其中x1,T至x5,T分别代表开停机态、水头、有功功率、机组负荷,以及机组顶盖水位在某T时刻的值;
本发明实施例的步骤S1中,排水泵运行工况数据为排水泵的启停泵情况,即每台排水泵的工况标识为NT=ni,T,标识在T时刻,顶盖排水***中排水泵启动状态种类序号。在本发明的一个实施例中,排水泵的工况标识表征了历史上排水泵的启停泵情况,如单排泵运行工况、多台泵运行工况等,例如某电场某台机组的顶盖排水***包含了3台排水泵,分为1号、2号、3号泵,按照电站启停泵的规则,在同一时刻可以有7种排水泵启动的状态,分别为单起1号、2号、3号,双起1号和2号、1号和3号、2号和3号,以及三台泵同起的状态,共计七种,将其归纳为7类,用数字1~7标识,作为排水泵工况标识。
本发明实施例的步骤S1具体为:
S11、构建包括正常和异常工况数据在内的工况数据集;
所述工况数据集包括历史工况数据,以及各历史工况数据下的机组顶盖水位变化数据;
S12、对构建的历史工况数据集进行数据清洗;
S13、通过特征挖掘模型对数据清洗后的历史工况数据进行特征挖掘,得到内在特征;
所述特征挖掘模型为深度自编码神经网络,所述内在特征为所述深度自编码神经网络中隐藏层中的特征,其表征了排水***工况数据的正常以及存在故障异常时的典型特征数据,以使得后续特征分析模型能够根据该内在特征确定是否存在故障,得到故障诊断结果。
本发明实施例的步骤S12中,水电厂站设备运行状态数据受数据采集与通讯设备的缺陷、水电设备故障等因素影响,常会存在部分冗余、异常或缺失数据,因此数据清洗是提升数据质量的关键途径。本发明实施例中对历史工况数据进行数据清洗主要从数据滤波和缺失数据插补两方面进行考虑,主要包括去除重复数据、补全缺少数据、去除或修改格式和内容错误的数据、去除或修改逻辑错误的数据,以及历史工况数据的关联性验证。
本发明实施例通过上述方法对工况数据进行清洗,为后续智能分析提供了可靠的数据基础。
本发明实施例步骤S13中,如图2所示,深度自编码神经网络为对称的三层神经网络,包括输入层、隐含层以及输出层;所述深度自编码神经网络的神经元激活函数为sigmoid函数。
本发明实施例中的孤独森林模型作为深度学习领域典型的特征学习算法,其最大的优势在于通过多个隐含层组成的深度模型逐层自发地对数据进行特征提取。具体地,深度自编码神经网络通过隐含层对输入数据进行编码,然后由其他隐含层重构数据,使得重构误差最小,获得最佳的数据隐层表达,在实际过程中,隐含层采用自编码器去学习输入特征,由于要想取得好的特征只靠重构输入数据是不够的,在实际应用中,要需要让这些特征具有抗干扰能力,即当输入数据发生一定程度的扰动时,生成的特征仍然保持不变,这时需要添加噪声来为模型增加更大的困难,本发明实施例中在隐含层使用去噪自动编码器(Denoising Autoencoder,DA),是在自动编码的基础上,训练数据加入噪声,输出的标签仍是原始的样本,这样自动编码器必须学习去除噪声而获得真正的没有被噪声污染过的输入特征,因此,这就迫使编码器去学习输入信号的更加鲁棒的特征表达,即具有更加强悍的泛化能力。
本发明实施例的步骤S3中的特征分析模型为孤独森林模型,孤独森林模型的主要思想为对于一个数据样本空间,随机选定一个样本属性进行空间分割,得到2个子样本空间,之后再继续随机选定一个样本属性对每个子样本空间切分直至每个子样本空间只包含一个数据点,这种划分形态如同构建二叉树,根部表示整个样本空间,末端枝叶代表一种数据点;基于此,本发明实施例中通过孤独森林模型处理内在特征的方法具体为:
A1、设定存在一颗描述数据的二叉树;
在二叉树中,其具有节点集N,且每一节点Nijr或Nijl的数据为X的子集,其中,i为二叉树T的层数,j为二叉树中上一层中从左到右的第j个节点,同时设定r和i用于区分同层的右节点和左节点;
A2、将所有内在特征作为一个数据集X,并构造二叉树,当构造的二叉树的深度达到设定最大值或节点Nij仅包含一个数据点或所包含的数据点相同时,完成二叉树的构造;
A3、当二叉树中末端枝叶所对应的数据点小于设定阈值时,将其作为异常数据点,并根据该异常数据点对应的工况数据实现异常诊断。
本发明实施例中的上述孤独森林算法区别于现有的基于距离和密度的异常检测方法,其不需要距离或密度计算。
在本发明实施例中,在建立特征分析模型时,利用历史工况数据与当前工况数据对模型进行训练,进而实现水电厂排水泵异常启停的准确检测,其整体训练过程如图3所示。
本发明方法可以提高安全生产和精细化管理水平,防患于未然。设备预警***可广泛应用于包括发电厂等设备运行类企业。随着预警***的深入应用,可预期在一定范围内实现代替人工、对生产设备、工艺流程的自动监测预警,从企业生产本质安全上提高设备可靠性和安全生产管理水平。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (4)
1.一种水电厂顶盖排水***异常智能诊断方法,其特征在于,包括以下步骤:
S1、通过构建特征挖掘模型挖掘水电厂顶盖排水***工况数据的内在特征;
所述工况数据包括进水工况数据和排水泵运行工况数据;
S2、构建并通过所述内在特征训练特征分析模型;
S3、通过特征分析模型对待测工况数据的内在特征进行处理,得到顶盖排水***中排水泵的异常诊断结果;
其中,异常诊断结果包括排水泵开停机状态下的单台、双台,以及全部排水泵的运行效率;
所述步骤S1中,通过关联因素表征进水工况数据,关联因素包括开停机态、水头、有功功率、机组负荷以及机组顶盖水位,即进水工况数据表示为MT=m1,T+m2,T+m3,T+m4,T+m5,T,其中m1,T至m5,T分别代表开停机态、水头、有功功率、机组负荷,以及机组顶盖水位在某T时刻的值;
所述排水泵运行工况数据为排水泵的启停泵情况,即每台排水泵的工况标识为NT=ni,T,标识在T时刻,顶盖排水***中排水泵启动状态种类序号;
所述步骤S1具体为:
S11、构建包括正常和异常工况数据在内的工况数据集;
所述工况数据集包括历史工况数据,以及各历史工况数据下的机组顶盖水位变化数据;
S12、对构建的历史工况数据集进行数据清洗;
S13、通过特征挖掘模型对数据清洗后的历史工况数据进行特征挖掘,得到内在特征;
所述特征挖掘模型为深度自编码神经网络,所述内在特征为所述深度自编码神经网络中隐藏层中的特征;
所述步骤S3中的特征分析模型为孤独森林模型;
所述孤独森林模型处理内在特征的方法具体为:
A1、设定存在一颗描述数据的二叉树;
在二叉树中,其具有节点集N,且每一节点Nijr或Nijl的数据为X的子集,其中,i为二叉树T的层数,j为二叉树中上一层中从左到右的第j个节点,同时设定r和l用于区分同层的右节点和左节点;
A2、将所有内在特征作为一个数据集X,并构造二叉树,当构造的二叉树的深度达到设定最大值或节点Nij仅包含一个数据点或所包含的数据点相同时,完成二叉树的构造;
A3、当二叉树中末端枝叶所对应的数据点小于设定阈值时,将其作为异常数据点,并根据该异常数据点对应的排水泵工况数据实现异常诊断。
2.根据权利要求1所述的水电厂顶盖排水***异常智能诊断方法,其特征在于,所述步骤S12中,对历史工况数据进行数据清洗包括去除重复数据、补全缺少数据、去除或修改格式和内容错误的数据、去除或修改逻辑错误的数据,以及历史工况数据的关联性验证。
3.根据权利要求1所述的水电厂顶盖排水***异常智能诊断方法,其特征在于,所述深度自编码神经网络为对称的三层神经网络,包括输入层、隐含层以及输出层;
所述深度自编码神经网络的神经元激活函数为sigmoid函数。
4.根据权利要求1所述的水电厂顶盖排水***异常智能诊断方法,其特征在于,所述步骤S2中,训练所述孤独森林模型时,采用半监督学习方法利用历史工况数据和当前工况数据对所述孤独森林模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085087.1A CN114547970B (zh) | 2022-01-25 | 2022-01-25 | 一种水电厂顶盖排水***异常智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085087.1A CN114547970B (zh) | 2022-01-25 | 2022-01-25 | 一种水电厂顶盖排水***异常智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114547970A CN114547970A (zh) | 2022-05-27 |
CN114547970B true CN114547970B (zh) | 2024-02-20 |
Family
ID=81671474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085087.1A Active CN114547970B (zh) | 2022-01-25 | 2022-01-25 | 一种水电厂顶盖排水***异常智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547970B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682685A (zh) * | 2016-12-06 | 2017-05-17 | 重庆大学 | 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法 |
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN111178523A (zh) * | 2019-08-02 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
CN112383921A (zh) * | 2020-08-14 | 2021-02-19 | 南京航空航天大学 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
US11080127B1 (en) * | 2018-02-28 | 2021-08-03 | Arizona Public Service Company | Methods and apparatus for detection of process parameter anomalies |
CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
WO2021250868A1 (ja) * | 2020-06-11 | 2021-12-16 | 日本電信電話株式会社 | 復元可否判定方法、復元可否判定装置及びプログラム |
WO2021258348A1 (zh) * | 2020-06-24 | 2021-12-30 | 深圳市欢太科技有限公司 | 异常流量检测方法和***、及计算机存储介质 |
CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019071384A1 (en) * | 2017-10-09 | 2019-04-18 | Bl Technologies, Inc. | INTELLIGENT SYSTEMS AND METHODS FOR THE TREATMENT AND EVALUATION OF SANITATION DIAGNOSIS, DETECTION AND CONTROL OF ANOMALY IN WASTEWATER TREATMENT FACILITIES OR IN DRINKING WATER FACILITIES |
CN108777873B (zh) * | 2018-06-04 | 2021-03-02 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
CN110675959B (zh) * | 2019-08-19 | 2023-07-07 | 平安科技(深圳)有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
CN113495607A (zh) * | 2020-03-18 | 2021-10-12 | 台达电子企业管理(上海)有限公司 | 高压发生器的故障诊断方法和*** |
-
2022
- 2022-01-25 CN CN202210085087.1A patent/CN114547970B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682685A (zh) * | 2016-12-06 | 2017-05-17 | 重庆大学 | 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法 |
US11080127B1 (en) * | 2018-02-28 | 2021-08-03 | Arizona Public Service Company | Methods and apparatus for detection of process parameter anomalies |
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN111178523A (zh) * | 2019-08-02 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
WO2021250868A1 (ja) * | 2020-06-11 | 2021-12-16 | 日本電信電話株式会社 | 復元可否判定方法、復元可否判定装置及びプログラム |
WO2021258348A1 (zh) * | 2020-06-24 | 2021-12-30 | 深圳市欢太科技有限公司 | 异常流量检测方法和***、及计算机存储介质 |
CN112383921A (zh) * | 2020-08-14 | 2021-02-19 | 南京航空航天大学 | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 |
CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
Non-Patent Citations (5)
Title |
---|
peng,binsen等 .A mixed intelligent condition monitoring method for nuclear power plant.Annals of nuclear energy.2020,全文. * |
基于iForest-Adaboost的核电厂一回路故障诊断技术研究;艾鑫;刘永阔;蒋利平;夏虹;周馨萩;;核动力工程(第03期);全文 * |
基于混合方法的多维时间序列驾驶异常点检测;衡红军 等;计算机工程;全文 * |
基于用户用电量的异常检测方法研究;田野;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;第35-37页 * |
深度自编码器在数据异常检测中的应用研究;张常华;周雄图;张永爱;姚剑敏;郭太良;严群;;计算机工程与应用(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114547970A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112834211A (zh) | 一种风电机组传动***故障预警方法 | |
CN107797063A (zh) | 基于scada的风电机组运行状态评估及故障诊断方法 | |
Betti et al. | Condition monitoring and predictive maintenance methodologies for hydropower plants equipment | |
CN112983844B (zh) | 一种潜水电泵监测控制*** | |
CN111522858A (zh) | 一种基于多维状态向量的抽蓄机组性能劣化预警方法 | |
CN105930424A (zh) | 一种实现配电网数据在线异步采集智能挖掘的方法 | |
CN103001812B (zh) | 智能化电力通信故障诊断*** | |
CN115750228A (zh) | 一种风电机组变桨***故障预警方法 | |
CN114547970B (zh) | 一种水电厂顶盖排水***异常智能诊断方法 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN102968878A (zh) | 一种用于核电站现场设备巡检报警的方法、***及设备 | |
CN113378887B (zh) | 一种乳化液泵故障分级诊断方法 | |
CN112417612A (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN111677660A (zh) | 一种应用于矿山井下排水多cpu控制*** | |
CN117033326B (zh) | 一种针对近岸浪-流耦合预报模型的进程自主控制方法 | |
CN116050613B (zh) | 水电机组顶盖排水泵剩余使用寿命预测方法 | |
CN111582362A (zh) | 一种基于随机森林算法的农田水泵故障诊断方法及装置 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN109409758B (zh) | 水电站设备健康状态评价方法及*** | |
Ristić et al. | Digital technologies emergence in the contemporary hydropower plants operation | |
CN114964780A (zh) | 基于时频域卷积网络和深度森林的风电轴承故障诊断方法 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维***及方法 | |
CN109032098B (zh) | 一种水电机组全工况单参数退化趋势分析方法 | |
CN103065266B (zh) | 一种配电网***数据自愈交互方法 | |
CN115163513B (zh) | 一种地铁潜污泵的故障诊断方法和装置 |
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 |