CN115524002A - 一种电厂旋转设备的运行状态预警方法、***及存储介质 - Google Patents
一种电厂旋转设备的运行状态预警方法、***及存储介质 Download PDFInfo
- Publication number
- CN115524002A CN115524002A CN202211133640.0A CN202211133640A CN115524002A CN 115524002 A CN115524002 A CN 115524002A CN 202211133640 A CN202211133640 A CN 202211133640A CN 115524002 A CN115524002 A CN 115524002A
- Authority
- CN
- China
- Prior art keywords
- power plant
- fault
- rotating equipment
- acquiring
- abnormal
- 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 46
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种电厂旋转设备的运行状态预警方法、***及存储介质,包括:获取电厂旋转设备各种运行状态下的振动数据,对各种运行状态下的振动数据筛选、降维、特征提取,生成电厂旋转设备的运行状态异构图,分析异常运行状态在运行状态谱中的呈现位置和分布范围,获取旋转设备在每个采样时间段内的运行健康状况,筛选异常运行状态,并进行故障诊断,生成运维管理方案。本发明通过对电厂旋转设备的不同工况下的运动状态对旋转设备典型故障机理进行分析,结合故障振动特征,实现异常运行状态识别及故障诊断,及时对初期故障做出相应的判定,提高了电厂旋转设备的使用寿命,同时促进生产效率及安全性。
Description
技术领域
本发明涉及电力设备运行状态监测技术领域,更具体的,涉及一种电厂旋转设备的运行状态预警方法、***及存储介质。
背景技术
随着现代工业的迅猛发展,各种旋转设备广泛应用于各工业领域,是电力生产中使用最广泛的机械设备。旋转设备的正常运转,是电力企业正常和安全生产的重要保障。目前,旋转设备正朝着复杂化、精确化和自动化的方向发展,在电厂旋转设备的运行过程中,为防止由于设备故障引起的生产安全风险事故以及非计划停机导致的生产损失,需要对电厂旋转设备的工作状态进行监测;一旦发现故障,需要进行及时的故障报警并进行相关维护维修工作安排。目前,为了提早检查旋转设备的潜在故障,避免非计划的停机损失和生产安全风险,旋转设备运行状态监测和诊断分析手段被广泛应用。
在设备监测方面,传统的监测方法是采用现场布线或者手持设备对设备的运行状况进行判断。由于在电厂车间中使用有线技术会带来成本高,线缆老化,布线困难,占用空间大等问题,使用手持设备占用工作人员较长的时间,而且不能达到实时监测的目的,近年来,随着无线振动传感器的发展,无线振动传感器在工业现场的旋转设备监测和故障诊断中得到了越来越广泛的应用,因此,如何根据电厂旋转设备的振动信号监测分析运行状态是亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种电厂旋转设备的运行状态预警方法、***及存储介质。
本发明第一方面提供了一种电厂旋转设备的运行状态预警方法,包括:
获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图;
通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征;
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息;
根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案。
本方案中,获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图,具体为:
通过经验模态分析方法对所述振动数据进行降噪处理,对降噪处理后的振动数据进行特征提取;
根据电厂旋转设备不同工况下的振动数据序列提取振动特征表征运行状态,获取不同工况下正常运行状态的振动信号图谱,并与对应的工况进行匹配作为标准图谱;
根据大数据分析及历史监测数据获取常见故障振动特征数据集,根据所述常用故障振动特征数据集获取各故障的振动信号图谱;
根据不同工况的标准图谱与各故障的振动信号图谱进行对比分析生成图谱偏差,获取各故障在不同工况下振动特征;
将电厂旋转设备的工况、振动特征、故障通过异构图形式进行表示,获取运行状态异构图,将工况、振动特征、故障作为无向异构图中的节点,判断节点是否存在关联,将节点之间的关联作为无向异构图中不同类型的边。
本方案中,通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征,具体为:
通过当前振动数据序列生成对应图谱,以所述标准图谱为基准获取当前振动数据序列对应图谱的位置分布信息,根据所述位置分布信息进行低维向量表示,计算与运行状态异构图中节点的相似度;
根据所述相似度获取相似度最高的振动特征节点,根据相似度最高的振动特征节点获取当前振动数据序列在运行状态异构图中的节点位置信息;
通过当前振动数据序列在运行状态异构图中的节点位置信息设置初始节点,通过所述初始节点根据节点特征传递及邻居节点特征聚合机制获取当前振动数据序列的图结构特征。
本方案中,根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,具体为:
根据不同工况下的标准图谱与各故障的振动信号图谱的偏差获取不同工况下各故障的状态偏离程度,根据所述状态偏离程度在所述运行状态异构图的故障节点中添加节点描述信息;
在运行状态异构图中通过计算各个故障节点之间曼哈顿距离及各个故障节点之间状态偏离程度,根据故障节点之间的曼哈顿距离及状态偏离程度结合预设权重计算故障节点及关联振动特征节点的相似度得分;
根据所述相似度得分所落在预设阈值区间进行故障节点分类,并对故障节点分类结果设置运行状态类别标签;
通过所述运行状态类别标签判断电厂旋转设备是否存在异常运行状态,并根据预设阈值区间的大小获取异常运行状态的异常等级。
本方案中,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息,具体为:
根据当前振动数据序列在运行状态异构图的节点位置信息获取距离最近的振动特征节点,根据所述振动特征节点获取相关系数最高的故障节点的运行状态类别标签;
根据所述运行状态类别标签判断是否为正常运行状态,若不是正常运行状态,则基于电厂旋转设备运行状态评估体系判断当前振动数据序列在运行状态异构图中对应的初始节点与所述故障节点的关联振动特征节点的相似度得分;
根据所述相似度得分所落的阈值区间获取异常运行状态的等级信息,根据所述等级信息生成异常预警信息,将所述异常预警信息按照预设方式进行发送并显示。
本方案中,根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案,具体为:
获取电厂旋转设备当前工况信息,提取当前工况信息对应的标准图谱,根据电厂旋转设备中不同位置的振动数据序列,根据不同位置的振动数据序列的与标准图谱中数据的偏差程度构建分类矩阵生成当前振动特征;
基于LSTM网络构建电厂旋转设备的故障诊断模型,进行初始化训练,将电厂旋转设备当前振动数据序列的图结构特征及当前振动特征输入所述故障诊断模型;
根据训练好的故障诊断模型输出当前振动数据序列的故障类别,同时根据分类矩阵中不同位置对故障的差异程度获取故障的位置;
根据故障类别及故障位置获取故障信息,通过所述故障信息进行大数据检索获取故障处理方法,根据所述故障处理方法相关运维管理方案。
本发明第二方面还提供了一种电厂旋转设备的运行状态预警***,该***包括:存储器、处理器,所述存储器中包括一种电厂旋转设备的运行状态预警方法程序,所述一种电厂旋转设备的运行状态预警方法程序被所述处理器执行时实现如下步骤:
获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图;
通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征;
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息;
根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种电厂旋转设备的运行状态预警方法程序,所述一种电厂旋转设备的运行状态预警方法程序被处理器执行时,实现如上述任一项所述的一种电厂旋转设备的运行状态预警方法的步骤。
本发明公开了一种电厂旋转设备的运行状态预警方法、***及存储介质,包括:获取电厂旋转设备各种运行状态下的振动数据,对各种运行状态下的振动数据筛选、降维、特征提取,生成电厂旋转设备的运行状态异构图,分析异常运行状态在运行状态谱中的呈现位置和分布范围,获取旋转设备在每个采样时间段内的运行健康状况,筛选异常运行状态,并进行故障诊断,生成运维管理方案。本发明通过对电厂旋转设备的不同工况下的运动状态对旋转设备典型故障机理进行分析,结合故障振动特征,实现异常运行状态识别及故障诊断,及时对初期故障做出相应的判定,提高了电厂旋转设备的使用寿命,同时促进生产效率及安全性。
附图说明
图1示出了本发明一种电厂旋转设备的运行状态预警方法的流程图;
图2示出了本发明获取当前振动数据序列的图结构特征的方法流程图;
图3示出了本发明对电厂旋转设备的运行状态进行分类,获取异常运行状态的方法流程图;
图4示出了本发明一种电厂旋转设备的运行状态预警***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种电厂旋转设备的运行状态预警方法的流程图。
如图1所示,本发明第一方面提供了一种电厂旋转设备的运行状态预警方法,包括:
S102,获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图;
S104,通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征;
S106,根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息;
S108,根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案。
需要说明的是,通过经验模态分析、奇异谱分析等方法对所述振动数据进行降噪处理,对降噪处理后的振动数据进行特征提取;根据电厂旋转设备不同工况下的振动数据序列提取振动特征表征运行状态,获取不同工况下正常运行状态的振动信号图谱,并与对应的工况进行匹配作为标准图谱;根据大数据分析及历史监测数据获取常见故障振动特征数据集,根据所述常用故障振动特征数据集获取各故障的振动信号图谱;根据不同工况的标准图谱与各故障的振动信号图谱进行对比分析生成图谱偏差,获取各故障在不同工况下振动特征;将电厂旋转设备的工况、振动特征、故障通过异构图形式进行表示,获取运行状态异构图,将工况、振动特征、故障作为无向异构图中的节点,判断节点是否存在关联,将节点之间的关联作为无向异构图中不同类型的边。所述运行状态异构图G=(R,E),R表示节点集合包括工况节点、振动特征节点及故障节点,E表示节点间关联关系的集合,例如不同工况下对应的标准振动数据下,某一故障存在的特定故障振动特征。
图2示出了本发明获取当前振动数据序列的图结构特征的方法流程图。
根据本发明实施例,通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征,具体为:
S202,通过当前振动数据序列生成对应图谱,以所述标准图谱为基准获取当前振动数据序列对应图谱的位置分布信息,根据所述位置分布信息进行低维向量表示,计算与运行状态异构图中节点的相似度;
S204,根据所述相似度获取相似度最高的振动特征节点,根据相似度最高的振动特征节点获取当前振动数据序列在运行状态异构图中的节点位置信息;
S206,通过当前振动数据序列在运行状态异构图中的节点位置信息设置初始节点,通过所述初始节点根据节点特征传递及邻居节点特征聚合机制获取当前振动数据序列的图结构特征。
需要说明的是,通过图卷积神经网络对运行状态异构图的节点进行邻居节点的聚合,使只有自身属性特征的节点带有局部邻域信息,并以向量的形式表示出来,根据以下公式进行节点特征向量的传播和汇聚,生成图结构矩阵,具体为:
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系:根据不同工况下的标准图谱与各故障的振动信号图谱的偏差获取不同工况下各故障的状态偏离程度,根据所述状态偏离程度在所述运行状态异构图的故障节点中添加节点描述信息;在运行状态异构图中通过计算各个故障节点之间曼哈顿距离及各个故障节点之间状态偏离程度,根据故障节点之间的曼哈顿距离及状态偏离程度结合预设权重计算故障节点及关联振动特征节点的相似度得分;根据所述相似度得分所落在预设阈值区间进行故障节点分类,其中故障节点中包含电厂旋转设备正常状态,并对故障节点分类结果设置运行状态类别标签,所述运行状态类别标签分为正常运行状态及各种异常运行状态,通过所述运行状态类别标签判断电厂旋转设备是否存在异常运行状态,并根据预设阈值区间的大小获取异常运行状态的异常等级。
图3示出了本发明对电厂旋转设备的运行状态进行分类,获取异常运行状态的方法流程图。
根据本发明实施例,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息,具体为:
S302,根据当前振动数据序列在运行状态异构图的节点位置信息获取距离最近的振动特征节点,根据所述振动特征节点获取相关系数最高的故障节点的运行状态类别标签;
S304,根据所述运行状态类别标签判断是否为正常运行状态,若不是正常运行状态,则基于电厂旋转设备运行状态评估体系判断当前振动数据序列在运行状态异构图中对应的初始节点与所述故障节点的关联振动特征节点的相似度得分;
S306,根据所述相似度得分所落的阈值区间获取异常运行状态的等级信息,根据所述等级信息生成异常预警信息,将所述异常预警信息按照预设方式进行发送并显示。
需要说明的是,:获取电厂旋转设备当前工况信息,提取当前工况信息对应的标准图谱,根据电厂旋转设备中不同位置的振动数据序列,根据不同位置的振动数据序列的与标准图谱中数据的偏差程度构建分类矩阵生成当前振动特征;基于LSTM网络构建电厂旋转设备的故障诊断模型,进行初始化训练,将电厂旋转设备当前振动数据序列的图结构特征及当前振动特征输入所述故障诊断模型;LSTM单元结构主要通过遗忘门,记忆门,输出门控制传输状态,最后通过全连接层中Softmax函数对电厂旋转设备的故障类别进行输出。根据训练好的故障诊断模型输出当前振动数据序列的故障类别,同时根据分类矩阵中不同位置对故障的差异程度获取故障的位置,通过分类矩阵中某一列数据的和值表示不同位置对故障的差异程度;根据故障类别及故障位置获取故障信息,通过所述故障信息进行大数据检索获取故障处理方法,根据所述故障处理方法相关运维管理方案。
将历史故障的解决方案存入数据库中,根据当前振动数据序列确定故障信息,将故障信息和数据库内历史故障数据进行比对,生成对比相似度,并预设对比相似度阈值;当所述对比相似度大于等于所述对比相似度阈值时,对历史故障数据进行标注,将标注后的史故障数据进行聚合生成相似史故障数据集合;根据所述相似史故障数据集合中的操作记录对故障信息进行分析,生成解决方案;若数据库内史故障数据与故障信息的对比相似度均小于所述对比相似度阈值,则根据故障信息对数据库内原始数据进行更新。
根据本发明实施例,通过电厂旋转设备当前故障信息获取电厂旋转设备的并发故障,具体为:
获取故障信息的类别信息及位置信息,对所述类别信息及位置信息进行故障特征提取,通过电厂旋转设备的结构运行机理与故障特征相结合获取故障特征在各结构上的分布特征;
根据故障特征在各结构上的分布特征获取各结构的故障分布的相似度,通过所述相似度获取各结构对故障信息影响程度;
对当前振动数据序列对应的故障信息进行特征采样,获取采样信息的分布差异,基于神经网络构建并发故障识别模型,将所述分布差异输入所述并发故障识别模型;
通过并发故障识别模型获取各当前故障信息对应发生概率大于预设概率阈值的并发故障列表;
根据所述并发故障列表中的故障信息输入电厂旋转设备运行状态异构图,分析并发故障列表中各故障信息的关联振动特征信息;
根据关联振动特征信息与当前振动数据序列的变化特征进行匹配进行相似度计算,选取相似度最高的振动特征信息所关联的故障信息,获取关联故障信息的故障处理方法,对运维管理方案进行补充。
图4示出了本发明一种电厂旋转设备的运行状态预警***的框图。
本发明第二方面还提供了一种电厂旋转设备的运行状态预警***4,该***包括:存储器41、处理器42,所述存储器中包括一种电厂旋转设备的运行状态预警方法程序,所述一种电厂旋转设备的运行状态预警方法程序被所述处理器执行时实现如下步骤:
获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图;
通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征;
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息;
根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案。
需要说明的是,通过经验模态分析、奇异谱分析等方法对所述振动数据进行降噪处理,对降噪处理后的振动数据进行特征提取;根据电厂旋转设备不同工况下的振动数据序列提取振动特征表征运行状态,获取不同工况下正常运行状态的振动信号图谱,并与对应的工况进行匹配作为标准图谱;根据大数据分析及历史监测数据获取常见故障振动特征数据集,根据所述常用故障振动特征数据集获取各故障的振动信号图谱;根据不同工况的标准图谱与各故障的振动信号图谱进行对比分析生成图谱偏差,获取各故障在不同工况下振动特征;将电厂旋转设备的工况、振动特征、故障通过异构图形式进行表示,获取运行状态异构图,将工况、振动特征、故障作为无向异构图中的节点,判断节点是否存在关联,将节点之间的关联作为无向异构图中不同类型的边。所述运行状态异构图G=(R,E) ,R表示节点集合包括工况节点、振动特征节点及故障节点,E表示节点间关联关系的集合,例如不同工况下对应的标准振动数据下,某一故障存在的特定故障振动特征。
根据本发明实施例,通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征,具体为:
通过当前振动数据序列生成对应图谱,以所述标准图谱为基准获取当前振动数据序列对应图谱的位置分布信息,根据所述位置分布信息进行低维向量表示,计算与运行状态异构图中节点的相似度;
根据所述相似度获取相似度最高的振动特征节点,根据相似度最高的振动特征节点获取当前振动数据序列在运行状态异构图中的节点位置信息;
通过当前振动数据序列在运行状态异构图中的节点位置信息设置初始节点,通过所述初始节点根据节点特征传递及邻居节点特征聚合机制获取当前振动数据序列的图结构特征。
需要说明的是,通过图卷积神经网络对运行状态异构图的节点进行邻居节点的聚合,使只有自身属性特征的节点带有局部邻域信息,并以向量的形式表示出来,根据以下公式进行节点特征向量的传播和汇聚,生成图结构矩阵,具体为:
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系:根据不同工况下的标准图谱与各故障的振动信号图谱的偏差获取不同工况下各故障的状态偏离程度,根据所述状态偏离程度在所述运行状态异构图的故障节点中添加节点描述信息;在运行状态异构图中通过计算各个故障节点之间曼哈顿距离及各个故障节点之间状态偏离程度,根据故障节点之间的曼哈顿距离及状态偏离程度结合预设权重计算故障节点及关联振动特征节点的相似度得分;根据所述相似度得分所落在预设阈值区间进行故障节点分类,其中故障节点中包含电厂旋转设备正常状态,并对故障节点分类结果设置运行状态类别标签,所述运行状态类别标签分为正常运行状态及各种异常运行状态,通过所述运行状态类别标签判断电厂旋转设备是否存在异常运行状态,并根据预设阈值区间的大小获取异常运行状态的异常等级。
根据本发明实施例,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息,具体为:
根据当前振动数据序列在运行状态异构图的节点位置信息获取距离最近的振动特征节点,根据所述振动特征节点获取相关系数最高的故障节点的运行状态类别标签;
根据所述运行状态类别标签判断是否为正常运行状态,若不是正常运行状态,则基于电厂旋转设备运行状态评估体系判断当前振动数据序列在运行状态异构图中对应的初始节点与所述故障节点的关联振动特征节点的相似度得分;
根据所述相似度得分所落的阈值区间获取异常运行状态的等级信息,根据所述等级信息生成异常预警信息,将所述异常预警信息按照预设方式进行发送并显示。
需要说明的是,:获取电厂旋转设备当前工况信息,提取当前工况信息对应的标准图谱,根据电厂旋转设备中不同位置的振动数据序列,根据不同位置的振动数据序列的与标准图谱中数据的偏差程度构建分类矩阵生成当前振动特征;基于LSTM网络构建电厂旋转设备的故障诊断模型,进行初始化训练,将电厂旋转设备当前振动数据序列的图结构特征及当前振动特征输入所述故障诊断模型;LSTM单元结构主要通过遗忘门,记忆门,输出门控制传输状态,最后通过全连接层中Softmax函数对电厂旋转设备的故障类别进行输出。根据训练好的故障诊断模型输出当前振动数据序列的故障类别,同时根据分类矩阵中不同位置对故障的差异程度获取故障的位置,通过分类矩阵中某一列数据的和值表示不同位置对故障的差异程度;根据故障类别及故障位置获取故障信息,通过所述故障信息进行大数据检索获取故障处理方法,根据所述故障处理方法相关运维管理方案。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种电厂旋转设备的运行状态预警方法程序,所述一种电厂旋转设备的运行状态预警方法程序被处理器执行时,实现如上述任一项所述的一种电厂旋转设备的运行状态预警方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种电厂旋转设备的运行状态预警方法,其特征在于,包括以下步骤:
获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图;
通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征;
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息;
根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案。
2.根据权利要求1所述的一种电厂旋转设备的运行状态预警方法,其特征在于,获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图,具体为:
通过经验模态分析方法对所述振动数据进行降噪处理,对降噪处理后的振动数据进行特征提取;
根据电厂旋转设备不同工况下的振动数据序列提取振动特征表征运行状态,获取不同工况下正常运行状态的振动信号图谱,并与对应的工况进行匹配作为标准图谱;
根据大数据分析及历史监测数据获取常见故障振动特征数据集,根据所述常用故障振动特征数据集获取各故障的振动信号图谱;
根据不同工况的标准图谱与各故障的振动信号图谱进行对比分析生成图谱偏差,获取各故障在不同工况下振动特征;
将电厂旋转设备的工况、振动特征、故障通过异构图形式进行表示,获取运行状态异构图,将工况、振动特征、故障作为无向异构图中的节点,判断节点是否存在关联,将节点之间的关联作为无向异构图中不同类型的边。
3.根据权利要求1所述的一种电厂旋转设备的运行状态预警方法,其特征在于,通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征,具体为:
通过当前振动数据序列生成对应图谱,以所述标准图谱为基准获取当前振动数据序列对应图谱的位置分布信息,根据所述位置分布信息进行低维向量表示,计算与运行状态异构图中节点的相似度;
根据所述相似度获取相似度最高的振动特征节点,根据相似度最高的振动特征节点获取当前振动数据序列在运行状态异构图中的节点位置信息;
通过当前振动数据序列在运行状态异构图中的节点位置信息设置初始节点,通过所述初始节点根据节点特征传递及邻居节点特征聚合机制获取当前振动数据序列的图结构特征。
4.根据权利要求1所述的一种电厂旋转设备的运行状态预警方法,其特征在于,根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,具体为:
根据不同工况下的标准图谱与各故障的振动信号图谱的偏差获取不同工况下各故障的状态偏离程度,根据所述状态偏离程度在所述运行状态异构图的故障节点中添加节点描述信息;
在运行状态异构图中通过计算各个故障节点之间曼哈顿距离及各个故障节点之间状态偏离程度,根据故障节点之间的曼哈顿距离及状态偏离程度结合预设权重计算故障节点及关联振动特征节点的相似度得分;
根据所述相似度得分所落在预设阈值区间进行故障节点分类,并对故障节点分类结果设置运行状态类别标签;
通过所述运行状态类别标签判断电厂旋转设备是否存在异常运行状态,并根据预设阈值区间的大小获取异常运行状态的异常等级。
5.根据权利要求1所述的一种电厂旋转设备的运行状态预警方法,其特征在于,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息,具体为:
根据当前振动数据序列在运行状态异构图的节点位置信息获取距离最近的振动特征节点,根据所述振动特征节点获取相关系数最高的故障节点的运行状态类别标签;
根据所述运行状态类别标签判断是否为正常运行状态,若不是正常运行状态,则基于电厂旋转设备运行状态评估体系判断当前振动数据序列在运行状态异构图中对应的初始节点与所述故障节点的关联振动特征节点的相似度得分;
根据所述相似度得分所落的阈值区间获取异常运行状态的等级信息,根据所述等级信息生成异常预警信息,将所述异常预警信息按照预设方式进行发送并显示。
6.根据权利要求1所述的一种电厂旋转设备的运行状态预警方法,其特征在于,根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案,具体为:
获取电厂旋转设备当前工况信息,提取当前工况信息对应的标准图谱,根据电厂旋转设备中不同位置的振动数据序列,根据不同位置的振动数据序列的与标准图谱中数据的偏差程度构建分类矩阵生成当前振动特征;
基于LSTM网络构建电厂旋转设备的故障诊断模型,进行初始化训练,将电厂旋转设备当前振动数据序列的图结构特征及当前振动特征输入所述故障诊断模型;
根据训练好的故障诊断模型输出当前振动数据序列的故障类别,同时根据分类矩阵中不同位置对故障的差异程度获取故障的位置;
根据故障类别及故障位置获取故障信息,通过所述故障信息进行大数据检索获取故障处理方法,根据所述故障处理方法相关运维管理方案。
7.一种电厂旋转设备的运行状态预警***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种电厂旋转设备的运行状态预警方法程序,所述一种电厂旋转设备的运行状态预警方法程序被所述处理器执行时实现如下步骤:
获取电厂旋转设备不同工况下的振动数据,对不同工况下的振动数据进行预处理及特征提取,构建电厂旋转设备的运行状态异构图;
通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征;
根据所述运行状态异构图获取电厂旋转设备运行状态评估体系,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息;
根据异常预警信息判断电厂旋转设备的故障信息,通过故障诊断生成设备的运维管理方案。
8.根据权利要求7所述的一种电厂旋转设备的运行状态预警***,其特征在于,通过当前振动数据序列在运行状态异构图中的位置分布信息,根据位置分布信息获取当前振动数据序列的图结构特征,具体为:
通过当前振动数据序列生成对应图谱,以所述标准图谱为基准获取当前振动数据序列对应图谱的位置分布信息,根据所述位置分布信息进行低维向量表示,计算与运行状态异构图中节点的相似度;
根据所述相似度获取相似度最高的振动特征节点,根据相似度最高的振动特征节点获取当前振动数据序列在运行状态异构图中的节点位置信息;
通过当前振动数据序列在运行状态异构图中的节点位置信息设置初始节点,通过所述初始节点根据节点特征传递及邻居节点特征聚合机制获取当前振动数据序列的图结构特征。
9.根据权利要求7所述的一种电厂旋转设备的运行状态预警***,其特征在于,对电厂旋转设备的运行状态进行分类,获取异常运行状态,并根据异常运行状态生成异常预警信息,具体为:
根据当前振动数据序列在运行状态异构图的节点位置信息获取距离最近的振动特征节点,根据所述振动特征节点获取相关系数最高的故障节点的运行状态类别标签;
根据所述运行状态类别标签判断是否为正常运行状态,若不是正常运行状态,则基于电厂旋转设备运行状态评估体系判断当前振动数据序列在运行状态异构图中对应的初始节点与所述故障节点的关联振动特征节点的相似度得分;
根据所述相似度得分所落的阈值区间获取异常运行状态的等级信息,根据所述等级信息生成异常预警信息,将所述异常预警信息按照预设方式进行发送并显示。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种电厂旋转设备的运行状态预警方法程序,所述一种电厂旋转设备的运行状态预警方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种电厂旋转设备的运行状态预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133640.0A CN115524002B (zh) | 2022-09-19 | 2022-09-19 | 一种电厂旋转设备的运行状态预警方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133640.0A CN115524002B (zh) | 2022-09-19 | 2022-09-19 | 一种电厂旋转设备的运行状态预警方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115524002A true CN115524002A (zh) | 2022-12-27 |
CN115524002B CN115524002B (zh) | 2023-08-22 |
Family
ID=84697824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133640.0A Active CN115524002B (zh) | 2022-09-19 | 2022-09-19 | 一种电厂旋转设备的运行状态预警方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115524002B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116950729A (zh) * | 2023-09-19 | 2023-10-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及*** |
CN117312879A (zh) * | 2023-11-09 | 2023-12-29 | 江门塚田正川科技有限公司 | 一种注塑机生产数据监督预警方法、***及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN110033101A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 基于融合特征的知识图谱的水电机组故障诊断方法和*** |
CN111964909A (zh) * | 2020-08-24 | 2020-11-20 | 山东大学 | 滚动轴承运行状态检测方法、故障诊断方法及*** |
WO2021018154A1 (zh) * | 2019-08-01 | 2021-02-04 | 华为技术有限公司 | 信息表示方法及装置 |
CN112633098A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种旋转机械故障诊断方法、***及存储介质 |
CN112800197A (zh) * | 2021-01-18 | 2021-05-14 | 北京明略软件***有限公司 | 一种目标故障信息的确定方法和装置 |
CN113709779A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种蜂窝网络故障诊断方法 |
CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
CN114037079A (zh) * | 2021-11-25 | 2022-02-11 | 江苏科技大学 | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 |
CN114186073A (zh) * | 2021-12-13 | 2022-03-15 | 安徽继远软件有限公司 | 基于子图匹配和分布式查询的运维故障诊断分析方法 |
WO2022147684A1 (zh) * | 2021-01-06 | 2022-07-14 | 罗伯特·博世有限公司 | 用于识别机械装置或机械部件中的异常的方法及装置 |
CN114971383A (zh) * | 2022-06-16 | 2022-08-30 | 浙江中烟工业有限责任公司 | 一种基于知识图谱的烟机设备故障诊断方法及*** |
-
2022
- 2022-09-19 CN CN202211133640.0A patent/CN115524002B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN110033101A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 基于融合特征的知识图谱的水电机组故障诊断方法和*** |
WO2021018154A1 (zh) * | 2019-08-01 | 2021-02-04 | 华为技术有限公司 | 信息表示方法及装置 |
CN111964909A (zh) * | 2020-08-24 | 2020-11-20 | 山东大学 | 滚动轴承运行状态检测方法、故障诊断方法及*** |
CN112633098A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种旋转机械故障诊断方法、***及存储介质 |
WO2022147684A1 (zh) * | 2021-01-06 | 2022-07-14 | 罗伯特·博世有限公司 | 用于识别机械装置或机械部件中的异常的方法及装置 |
CN112800197A (zh) * | 2021-01-18 | 2021-05-14 | 北京明略软件***有限公司 | 一种目标故障信息的确定方法和装置 |
CN113709779A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种蜂窝网络故障诊断方法 |
CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
CN114037079A (zh) * | 2021-11-25 | 2022-02-11 | 江苏科技大学 | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 |
CN114186073A (zh) * | 2021-12-13 | 2022-03-15 | 安徽继远软件有限公司 | 基于子图匹配和分布式查询的运维故障诊断分析方法 |
CN114971383A (zh) * | 2022-06-16 | 2022-08-30 | 浙江中烟工业有限责任公司 | 一种基于知识图谱的烟机设备故障诊断方法及*** |
Non-Patent Citations (3)
Title |
---|
DAOQU GENG等: "Fault Diagnosis of Motor based on Knowledge Graph and CNN", 2022 IEEE AND INTENATIONAL CONFERENCE ON BIG DATA, ARTIFICIAL INTELLIGENCE AND INTERNET OF THINGS ENGINEERINGG(ICBAE), pages 1 - 9 * |
盛林等: "基于知识图谱的旋转机械故障诊断方法", 机电工程, pages 1 - 11 * |
陈曦: "基于领域知识图谱的柴油发动机故障诊断研究", 中国优秀硕士论文全文数据库 工程科技II辑, no. 3, pages 1 - 87 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116950729A (zh) * | 2023-09-19 | 2023-10-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及*** |
CN116950729B (zh) * | 2023-09-19 | 2024-02-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及*** |
CN117312879A (zh) * | 2023-11-09 | 2023-12-29 | 江门塚田正川科技有限公司 | 一种注塑机生产数据监督预警方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115524002B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20110191076A1 (en) | Error detection method and system | |
JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
US20130073260A1 (en) | Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis | |
CN116300691B (zh) | 一种多轴联动数控加工的状态监测方法及*** | |
JP2013041448A (ja) | 異常検知・診断方法、および異常検知・診断システム | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN115638875B (zh) | 基于图谱分析的电厂设备故障诊断方法及*** | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
Pirasteh et al. | Interactive feature extraction for diagnostic trouble codes in predictive maintenance: A case study from automotive domain | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
Jiang et al. | Improvement of random forest by multiple imputation applied to tower crane accident prediction with missing data | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及*** | |
US20180239666A1 (en) | Methods and systems for problem-alert aggregation | |
CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN115641549B (zh) | 一种主推进柴油机组健康监测方法和*** | |
CN114837902B (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
Figueirêdo et al. | Multivariate real time series data using six unsupervised machine learning algorithms | |
CN111308016A (zh) | 一种齿轮箱故障诊断方法、***、设备及存储介质 | |
CN116757336B (zh) | 基于数据驱动的轨道交通风险的预测方法及*** | |
Randrianandraina et al. | Wind turbine generator bearing anomaly detection and explanation using rrcf approach | |
CN118094126B (zh) | 基于聚类和Transformer算法的真空干泵剩余寿命预测方法及设备 |
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 |