CN116778272A - 基于多通道信息融合的水电机组小样本工况辨识方法 - Google Patents
基于多通道信息融合的水电机组小样本工况辨识方法 Download PDFInfo
- Publication number
- CN116778272A CN116778272A CN202310693912.0A CN202310693912A CN116778272A CN 116778272 A CN116778272 A CN 116778272A CN 202310693912 A CN202310693912 A CN 202310693912A CN 116778272 A CN116778272 A CN 116778272A
- Authority
- CN
- China
- Prior art keywords
- working condition
- multiplied
- output
- layer
- generating set
- 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 53
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 78
- 230000006870 function Effects 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 47
- 238000012544 monitoring process Methods 0.000 claims description 45
- 238000011176 pooling Methods 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于多通道信息融合的水电机组小样本工况辨识方法,获取水电机组在不同运行工况下的多通道振动信号,对各组信号进行预处理将其转换为频谱图像;通过图像处理技术对原始频谱图像进行预处理,实现其灰度转化和尺寸变换;对每组信号进行独立建模,构建多组孪生网络模型;通过多通道信息融合综合评估多组孪生网络模型输出结果,最终确定机组工况。本发明能实现机组工况辨识和异常预警功能,适用于水电机组异常工况样本数量较少的情况,构建智能化决策层工况辨识模型以实现水电机组运行工况的识别功能。
Description
技术领域
本发明属于水电机组状态监测与故障诊断技术领域,具体涉及基于多通道信息融合的水电机组小样本工况辨识方法。
背景技术
近年来随着数据量的积累和人工智能技术的发展及推广应用,水电机组历史监测数据潜在价值得到越来越多的重视,各种基于数据驱动的机组状态辨识技术被陆续投入生产实践中,使得运维工作人员能够快速准确了解机组工况,有效提升了水电站的监测运维效率。
依靠成熟的仪器和监测***可以快速获取大量机组监测信息,但是在实际生产中,若要实现高效智能的机组工况自动识别、异常工况判断等功能仍具有很大难度,主要体现在:其一,由于实际生产中监测信息的数量较多,导致信息与机组状态之间的关系难以科学评定,对机组监测信息的分析工作缺乏科学量化的统一标准;其二,由于监测信息的快速积累,导致数据量快速积累,分析工作强度和难度都超出了人工经验范畴;其三,由于水电机组具备极高的安全性要求,实际生产中必须尽可能避免任何故障和异常状态的发生,因此实际生产中积累的机组异常样本,因此对其工况开展智能辨识研究通常面临样本不均衡、样本不足等问题。
为了提高水电机组智能运维水平,解决上述困难和瓶颈,本发明依托决策层信息融合理论和小样本深度学习理论,公开了一种基于决策层信息融合的水电机组小样本工况辨识方法。同时,考虑到振动信号是当前大型机电设备状态监测与故障诊断研究中最为可靠、敏感、常用的信息类型,因此本发明以水电机组多通道振动信号为信息依据进行实施,最终达到机组工况智能识别的目标。
发明内容
本发明目的在于提供基于多通道信息融合的水电机组小样本工况辨识方法,解决了实际工况中的异常样本数量有限问题。
本发明所采用的技术方案是:基于多通道信息融合的水电机组小样本工况辨识方法,获取水电机组多个监测点的振动信息,形成多通道振动信号;将采集到的多通道信号在相同的时间尺度下进行截断、加窗处理以及快速傅里叶变换,取幅度值平方构成能量谱并进行归一化,将每个通道的多个能量谱进行组合,拼接成一幅时频图像并压缩,将所有压缩后图像进行交叉组合形成的样本对作为训练数据集;构建用于识别机组工况孪生网络模型,对模型进行训练后开展工况辨识应用和监测预警应用,实现智能工况辨识功能。
本发明的特点还在于,
基于多通道信息融合的水电机组小样本工况辨识方法,具体操作步骤如下:
步骤S1:利用传感器获取机组上多个监测点的振动信息,至少应当包括11路通道振动信号;
步骤S2:将采集到的多通道信号在相同的时间尺度下进行截断,对截断后信号分别进行加窗处理,加窗后对一个数据样本中的每个通道信号进行快速傅里叶变换成单边谱,取单边谱幅度值平方构成能量谱,对能量谱进行归一化;
步骤S3:将每个通道的连续60个能量谱进行组合,拼接成一幅时频图像;
步骤S4:对所述时频图像进行预处理,统一将时频图像压缩到60像素×60像素,形成压缩图像;
步骤S5:针对每路通道振动信号构建多个的孪生网络模型;
步骤S6:训练时对所有压缩图像进行交叉组合以形成样本对,利用所有样本对构成训练集,初始化模型参数后利用所述训练集对多个孪生网络模型进行训练,完成训练的孪生网络模型具备的功能为:能够识别两个子网络输入图片的差异化信息,根据输出层结果判断两个输入是否属于同类别工况;
步骤S7:将多个孪生网络模型所有识别结果写为独热编码形式,记下所有孪生网络模型的输出独热编码并组成一个矩阵,综合评估所有结果确定识别工况;
步骤S8:按照S1-S7完成建模和训练工作后,对模型开展工况辨识和监测预警实际应用。
步骤2形成能量谱的方法如下:
对于某一段信号而言,信号先被转化成单边谱,再计算单边谱里每个数值的平方,这样单边谱成为幅值平方序列,幅值的平方和、序列维度和数据结构与单边谱一致,即得到了单边谱的能量谱,随后将连续60秒的多个能量谱组合成为1个矩阵形式,进而转化成时频图像信息。
加窗处理的窗函数选用汉宁窗以减小频率泄漏。
时频图像获取中需要对幅值平方序列进行归一化处理,转化为0-255数值范围,计算方法如式(1)所示:
其中,xi代表某个通道振动信号在60秒内单边谱能量数值,xmax为某个通道振动信号在60秒内能量谱的最大值,X计算结果经过取整计算得到。
步骤S2-S4中图像尺寸变化过程为:每1秒单边谱包含1×0.5f个数据点,60秒单边谱包含60×0.5f个数据点,经过转置和组合变换后的时频图像横轴包含0.5f×60像素点,f为采样频率,图像中每个像素点的亮度值即为对应单边谱归一化后数值,因此每个监测样本对应的时频图像是一副大小为0.5f×60像素的256级灰度图;随后将0.5f×60像素的图像压缩到60×60像素大小,压缩时采用下采样并沿着0.5f像素方向等间隔距离从0.5f个像素中抽取60个像素点。
记需要识别的工况数量为A,则模型训练至少需要的压缩图像数量为A×通道数×10张60像素×60像素的时频图像。
孪生网络模型包含2个子网络单元和1个主网络单元,两个子网络单元各自输入一个压缩图片,各自输出一个128维度特征向量,主网络单元最终输出两个压缩图片的相似度,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类;2个子网络单元的特点为:结构相同且参数权值共享;所述主网络单元还包含1个全连接层和1个输出层;所述主网络单元中先计算两个子网络的特征向量的相似度向量,相似度向量大小也为128×1,它由两个128×1维特征向量中每个相应数值的差的绝对值组成;将128×1维相似度向量输入主网络的全连接层,后接一个输出层且仅有一个输出神经元,输出层输出一个0-1之间的数值,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类。
子网络单元包含2个卷积层、2个池化层、1个Flatten层、1个全连接层;所述卷积层和池化层算子大小均为3×3,卷积步长1,池化步长3,输入层神经元个数为60×60个,第1个卷积层输出尺寸为5858×32,第1个池化层输出尺寸为19×19×32,第2个卷积层输出图像特征尺寸为17×17×64,第2个池化层输出尺寸为5×5×64,两个池化层均选用最大池化,Flatten层输出特征尺寸为1600×1,全连接层经过降维之后输出特征向量维度为128×1,两个子网络模型将输出两个128×1维特征向量;所述孪生网络子网络,卷积层激活函数选用ReLU激活函数,池化层采用最大值池化,全连接层激活函数采用Sigmoid函数,数学表达式如式(2)所示
模型训练选取了交叉熵作为损失函数。
工况类型包括:30%以下额定功率运行、30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、异常机械振动、电磁不平衡、机组启动、机组停机、甩负荷、轴系转子不对中、轴系转子不平衡、轴系转子弯曲、尾水管低频涡带、卡门涡列。
所述步骤6训练时对样本进行交叉配对,记工况类型一共有A类,每类工况有B个样本,根据排列组合两两配对,则组成样本对总个数如式(3)所示
Total=A×B×(A×B-1)(3)
所有样本对构成训练集,对模型进行参数初始化后开始训练模型。
步骤S7,对于A类工况,孪生网络模型的输出结果用1至A共A个自然数表示;将所有工况写为独热编码形式,编码长度为A,记下所有孪生网络模型的输出独热编码并组成一个矩阵,按列求和后得到一个A维向量,其中数值最大的对应工况即为主网络识别工况。
步骤S8的工况辨识为:将未知机组状态的多通道振动信号转化为压缩图像,通过训练后模型计算未知样本的特征向量进行识别,判定未知振动信号所对应的工况,实现智能工况辨识功能;
监测预警为:将未知振动信号转化为压缩图像,通过训练后模型计算未知样本的特征向量进行预警,将识别结果为30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、机组启动、机组停机样本归为正常样本,此时***不进行预警,将其余样本设定为异常样本并进行预警。
对于功率大于300MW的常规混流式机组、大于150MW的轴流式机组,可增加传感器数量并建立更多孪生网络模型;根据实际工况进行调整监测诊断与建模预警方案时,采取增加或减少通道数、改变识别的样本工况类型、改变预警的样本工况类型。
本发明对于不同测点的振动信号提出了一种基于多通道信息融合的水电机组小样本工况辨识方法。所公开内容能够解决样本不均或样本不足时机组工况的识别问题,该发明通过挖掘多组振动摆度监测信息的时频联合分布规律,构建智能化决策层工况辨识模型,实现了水电机组工况智能辨识和异常预警功能。
本发明主要优势在于:一方面,所建立孪生网络模型策略适用于各种小样本学习工况,能够有效解决实际工况中的异常样本数量有限问题;另一方面,所提出决策层信息融合方法能够有效发挥机组不同测点的信息优势,经过各个通道的独立分析决策后,评价汇总结果以提高辨识与预警精度,能够有效避免信息层和特征层融合所造成的遗漏现象。
本发明的有益效果是:
1)本发明基于多通道信息融合方法,发挥了多测点优势,综合考虑了各通道模型识别结果从而提高了模型整体辨识预警精度。
2)本发明从时频图像识别角度对振动信号进行了识别,充分利用了多通道监测信息的时频信息变化规律,实现了多通道振动信号的时频信息的同步建模及应用,充分发挥了信息价值。
3)本发明构建的基于孪生网络模型架构的两个子网络模型并对其进行了集成,子模型通过卷积神经网络提高了时频图像信息解析能力,具有很好的适配性。
4)孪生网络模型通过样本对交叉配对的形式,实现了小样本条件下的训练建模,解决了实际工况中机组异常样本数量不足、分布不均等问题。
5)本发明所提出的方法具有普遍适应性,由于轴流式水轮机和混流式水轮机振动信号监测方案较为接近,因此本发明同时适用于两种机型,且不受工作水头和工作环境等因素的制约。
6)本发明所提出的方法具有极强的扩展性,可以根据机组工况样本数据量和数据类型的不断累积和丰富,实现分类数量与正确率的持续丰富和提升。
7)以往水电机组状态判别多依据水头、有功、导叶开度等状态量确定,本发明提供了基于振动信号的新型工况判断方法和理论依据,扩宽了机组监测途径。
附图说明
图1是本发明基于多通道信息融合的水电机组小样本工况辨识方法***结构图;
图2是本发明各通道振动信号转化为压缩图像的详细流程图。
图3是本发明振动信号转化为时频图像的过程与维度变化流程图。
图4是本发明所提出孪生网络模型结构。
图5是本发明实施例3所提出的信息融合步骤。
图6是本发明实施例3关于决策层融合的算例。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例1
本发明提出的基于多通道信息融合的水电机组小样本工况辨识方法,获取水电机组多个监测点的振动信息,形成多通道振动信号;将采集到的多通道信号在相同的时间尺度下进行截断、加窗处理以及快速傅里叶变换,取幅度值平方构成能量谱并进行归一化,将每个通道的多个能量谱进行组合,拼接成一幅时频图像并压缩,将所有压缩后图像进行交叉组合形成的样本对作为训练数据集;构建用于识别机组工况孪生网络模型,对模型进行训练后开展工况辨识应用和监测预警应用,实现智能工况辨识功能。
实施例2
步骤S1:利用传感器获取机组上多个监测点的振动信息,至少应当包括11路通道振动信号;
步骤S2:将采集到的多通道信号在相同的时间尺度下进行截断,对截断后信号分别进行加窗处理,加窗后对一个数据样本中的每个通道信号进行快速傅里叶变换成单边谱,取单边谱幅度值平方构成能量谱,对能量谱进行归一化;加窗处理的窗函数选用汉宁窗以减小频率泄漏;
形成能量谱的方法如下:
对于某一段信号而言,信号先被转化成单边谱,再计算单边谱里每个数值的平方,这样单边谱成为幅值平方序列,幅值的平方和、序列维度和数据结构与单边谱一致,即得到了单边谱的能量谱,随后将连续60秒的多个能量谱组合成为1个矩阵形式,进而转化成时频图像信息;
时频图像获取中需要对幅值平方序列进行归一化处理,转化为0-255数值范围,计算方法如式(1)所示:
其中,xi代表某个通道振动信号在60秒内单边谱能量数值,xmax为某个通道振动信号在60秒内能量谱的最大值,X计算结果经过取整计算得到。
步骤S3:将每个通道的连续60个能量谱进行组合,拼接成一幅时频图像;记需要识别的工况数量为A,则模型训练至少需要的压缩图像数量为A×通道数×10张60像素×60像素的时频图像;
步骤S4:对所述时频图像进行预处理,统一将时频图像压缩到60像素×60像素,形成压缩图像;
步骤S2-S4中图像尺寸变化过程为:每1秒单边谱包含1×0.5f个数据点,60秒单边谱包含60×0.5f个数据点,经过转置和组合变换后的时频图像横轴包含0.5f×60像素点,f为采样频率,图像中每个像素点的亮度值即为对应单边谱归一化后数值,因此每个监测样本对应的时频图像是一副大小为0.5f×60像素的256级灰度图;随后将0.5f×60像素的图像压缩到60×60像素大小,压缩时采用下采样并沿着0.5f像素方向等间隔距离从0.5f个像素中抽取60个像素点。
步骤S5:针对每路通道振动信号构建多个的孪生网络模型;
孪生网络模型包含2个子网络单元和1个主网络单元,两个子网络单元各自输入一个压缩图片,各自输出一个128维度特征向量,主网络单元最终输出两个压缩图片的相似度,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类;2个子网络单元的特点为:结构相同且参数权值共享;所述主网络单元还包含1个全连接层和1个输出层;所述主网络单元中先计算两个子网络的特征向量的相似度向量,相似度向量大小也为128×1,它由两个128×1维特征向量中每个相应数值的差的绝对值组成;将128×1维相似度向量输入主网络的全连接层,后接一个输出层且仅有一个输出神经元,输出层输出一个0-1之间的数值,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类。
子网络单元包含2个卷积层、2个池化层、1个Flatten层、1个全连接层;所述卷积层和池化层算子大小均为3×3,卷积步长1,池化步长3,输入层神经元个数为60×60个,第1个卷积层输出尺寸为5858×32,第1个池化层输出尺寸为19×19×32,第2个卷积层输出图像特征尺寸为17×17×64,第2个池化层输出尺寸为5×5×64,两个池化层均选用最大池化,Flatten层输出特征尺寸为1600×1,全连接层经过降维之后输出特征向量维度为128×1,两个子网络模型将输出两个128×1维特征向量;所述孪生网络子网络,卷积层激活函数选用ReLU激活函数,池化层采用最大值池化,全连接层激活函数采用Sigmoid函数,数学表达式如式(2)所示
模型训练选取了交叉熵作为损失函数。
步骤S6:训练时对所有压缩图像进行交叉组合以形成样本对,利用所有样本对构成训练集,初始化模型参数后利用所述训练集对多个孪生网络模型进行训练,完成训练的孪生网络模型具备的功能为:能够识别两个子网络输入图片的差异化信息,根据输出层结果判断两个输入是否属于同类别工况;
步骤6训练前对样本进行交叉配对,记工况类型一共有A类,每类工况有B个样本,根据排列组合两两配对,则组成样本对总个数如式(3)所示
Total=A×B×(A×B-1)(3)
所有样本对构成训练集,对模型进行参数初始化后开始训练模型;
工况类型包括:30%以下额定功率运行、30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、异常机械振动、电磁不平衡、机组启动、机组停机、甩负荷、轴系转子不对中、轴系转子不平衡、轴系转子弯曲、尾水管低频涡带、卡门涡列。
步骤S7:孪生网络模型将所有识别结果写为独热编码形式,记下所有孪生网络模型的输出独热编码并组成一个矩阵,综合评估所有结果确定识别工况;
对于A类工况,孪生网络模型的输出结果用1至A共A个自然数表示;将所有工况写为独热编码形式,编码长度为A,记下所有孪生网络模型的输出独热编码并组成一个矩阵,按列求和后得到一个A维向量,其中数值最大的对应工况即为主网络识别工况;
步骤S8:按照S1-S7完成建模和训练工作后,对模型开展工况辨识和监测预警实际应用。
工况辨识为:将未知机组状态的多通道振动信号转化为压缩图像,通过训练后模型计算未知样本的特征向量进行识别,判定未知振动信号所对应的工况,实现智能工况辨识功能;
监测预警为:将未知振动信号转化为压缩图像,通过训练后模型计算未知样本的特征向量进行预警,将识别结果为30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、机组启动、机组停机样本归为正常样本,此时***不进行预警,将其余样本设定为异常样本并进行预警。
实施例3
本发明的基于多通道信息融合的水电机组小样本工况辨识方法,具体操作步骤如下:
参考图1和图2,步骤S1水电机组多通道信号采集:利用加速度传感器获取机组上多个监测点的振动信息,至少应当包括上机架、下机架和顶盖处三处的水平相互垂直方向各2个测点和垂直方向各1个测点,共9个测点,同时还包括定子机座设定1个水平测点和1个垂直测点,合计至少11通道振动信号,对于功率大于300MW的混流式机组、大于150MW的轴流式机组,要考虑增加一定数量的测点,对于采样频率没有特殊要求。
参考图1和图2,步骤S1实施过程中可以根据情况增加传感器数量,但不应该减少上述的11组基本振动信号,采集数据在时间上必须对齐,以保证每组数据的时间同步性,所有获取的振动信号必须具有一样的采样频率。
参考图1和图2,步骤S2信号预处理:将采集到的多通道信号在相同的时间尺度下进行截断,截取后每段信号长度对应时间为1秒,对信号进行加窗处理,窗函数选用汉宁窗以减小频率泄漏;加窗后对每段信号进行快速傅里叶变换并计算单边谱,计算11组信号的幅值平方序列,作为转换图像信息的重要数据源。
参考图1、图2和图3,步骤S3时频图像获取:将连续采集的60段信号记为一个监测样本,这样以来每个监测样本包含至少11通道振动信号,且监测样本的长度为采样频率数值的60倍,即对应时间为60秒,在后续模型训练和监测识别中以同样监测样本规格进行操作。
参考图1、图2和图3,步骤S3时频图像获取:连续积累11组信号的60秒的时频图幅值平方序列,对能量谱进行归一化至0-255数值范围内,并以此为依据实现灰度图像的构建,计算方法如式(1)所示
其中xi代表某个通道振动信号在60秒内单边谱能量数值,xmax为某个通道振动信号在60秒内能量谱的最大值,X计算结果经过取整计算得到。转换后的数值可作为对应灰度值依据,从而实现时频图幅值平方序列向数值图像的转换。
参考图1、图2和图3,步骤S3中对于每个通道而言,随着时间的累加道信号都会产生新的单边谱,在积累60秒后的所有单边谱组合成一副时频图像,根据S2和S3步骤可知:每1秒单边谱包含1×0.5f个数据点,60秒单边谱包含60×0.5f个数据点,经过转置和组合变换后的频谱图像横轴包含0.5f×60像素点,f为采样频率,图像中每个像素点的亮度值即为对应单边谱归一化后数值,因此每个监测样本对应的时频图像是一副大小为0.5f×60像素的256级灰度图。
参考图1、图2和图3,S3步骤执行过程中需要严格遵守时间、样本长度的要求,在后续对机组状态进行工况辨识应用和监测预警应用中,同样需要保证待识别的监测样本仍具有同样的规格,即满足待识别信号同样应当包含60秒、采样频率与训练样本保持一致、采集通道数与训练模型所用信号保持一致。
参考图1、图2和图3,步骤S4图像预处理:在建立辨识模型前对数字图像进行预处理,由于频谱图像的尺寸之前由采样频率和时间总长决定,需要将0.5f×60像素的图像压缩到60×60像素大小以适用于卷积神经网络模型,这里通过设定了60像素简化了图像压缩中一个维度的工作,仅对0.5f像素进行压缩即可,压缩时采用下采样即可完成该工作,沿着0.5f像素方向等间隔距离从0.5f个像素中抽取60个像素点。
参考图1、图2和图3,S4在完成了图像预处理后,每种待识别工况至少具备10组监测样本作为训练集用于模型训练,记需要识别的工况数量为A,则模型建立是至少需要的压缩图像数量为A×11×10张60像素×60像素的图像,这些图像构成的集合用于建立模型,可称之为训练集;上述的11即表示所选用机组振动信号的组数,也表示了建立孪生网络模型的个数,10组样本的选择也可以根据实际情况进行调整,建议控制在10至20之间以发挥小样本学习优势。
参考图1和图4,步骤S5构建孪生网络模型:构建11组孪生网络模型用于识别机组工况,在面对功率较大机组时可以适当增加该数量,在S1~S9步骤中保持相对应的变化即可;构建完后利用压缩图像进行训练,所有孪生网络模型结构相同,完成训练后其各自参数均相互独立。
参考图1和图4,步骤S5构建孪生网络模型:孪生网络模型包含2个子网络模型和1个主网络模型,两个子网络模型各自输入1个压缩图片,各自输出一个128维度特征向量,主网络模型最终输出2个压缩图片的相似度,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类,2个子网络模型的特点为:结构相同且参数权值共享。
参考图1和图4,步骤S5构建孪生网络模型包含2个子网络单元,每个子网络单元包含2个卷积层、2个池化层、1个Flatten层、1个全连接层,在主网络中还额外包含1个全连接层和1个输出层。在每个子网络中,卷积层和池化层算子大小均为3×3,卷积步长1,池化步长3,输入层神经元个数为60×60个,第1个卷积层输出尺寸为58×58×32,第1个池化层输出尺寸为19×19×32,第2个卷积层输出图像特征尺寸为17×17×64,第2个池化层输出尺寸为5×5×64,2个池化层均选用最大池化,1个Flatten层输出特征尺寸为1600×1,1个全连接层经过降维之后输出特征向量维度为128×1,2个子网络模型将输出两个128×1维特征向量,特征向量是判断后续两个输入图像是否属于同类工况的重要依据。
参考图1和图4,步骤S5构建孪生网络模型包含1个主网络模型,主网络模型中先计算两个子网络的特征向量的相似度向量,相似度向量大小也为128×1,它由两个128×1维特征向量中每个相应数值的差的绝对值组成;随后将128×1维相似度向量输入主网络的全连接层,后接1个输出层且仅有1个输出神经元,输出层输出1个0-1之间的数值,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类。
参考图1和图4,步骤S5所建立子网络模型卷积层激活函数选用ReLU激活函数,池化层采用最大值池化,全连接层激活函数采用Sigmoid函数,数学表达式如式(2)所示
模型训练选取了交叉熵作为损失函数。
参考图1和图4,步骤S6训练多组孪生网络模型:训练的样本类型包括:30%以下额定功率运行、30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、异常机械振动、电磁不平衡、机组启动、机组停机、甩负荷、轴系转子不对中、轴系转子不平衡、轴系转子弯曲、尾水管低频涡带、卡门涡列等工况,涵盖了机组正常运行调节工况以及由机械振动、电磁振动、水力振动引发的典型异常工况;实际中根据企业实际需求对样本类型进行调整。
参考图1和图4,步骤S6中的训练集以样本对的形式出现,训练时对样本进行交叉配对,记考虑工况类型一共有A种,每类工况有B个样本,则原始数据集一共有A×B个样本,根据排列组合两两配对,则组成样本队总个数如式(3)所示
Total=A×B×(A×B-1)(3)
利用所有样本对构成训练集,对模型进行参数初始化后开始训练模型;采用同样的流程以此训练所有11组孪生网络模型。
参考图4,步骤S6中完成训练的孪生网络模型具备的功能为:能够根据两个子网络模型输出特征向量的比较和计算,进而识别两个子网络输入图片信息的差异化信息,根据输出层结果判断两个输入是否属于同类别工况;基于上述原理,在使用每个孪生网络模型识别未知样本所归属的工况时,需要在每种工况中选取1幅模板图像,将待识别图像与每种工况图像分别输入两个子网络,输出数值最接近1时所对应的具体工况图像即为识别类型,例如待识别图像相当于图4中“图像1”,每种工况图像相当于图4中“图像2”,模型每次识别时1幅未知工况的图像时,都会依次对比所有工况对应的1幅模板图像,共计比对A张。
参考图1、图4和图5,步骤S7决策层信息融合:假设一共有A类工况,每个孪生网络模型的输出结果可以用1至A共A个自然数表示,将其写为独热编码形式,则编码长度为A。
将所有11组孪生网络模型的输出独热编码共同组成一个A行11列矩阵,按列求和后得到1个A维向量,其中数值最大的对应工况即为主网络识别工况;在实际应用中,模型可能会将某种工况误判成多种工况或其它工况,但本发明所提出的上述决策层融合方法能够解决主网络同时输出多个1从而导致无法判定具体工况的问题,也能够通过11组模型比对解决误判问题;这里的11组模型在机组功率较大时根据实际需求进行增加,工况类型A也可根据实际需求进行增减。
参考图5和图6,图6中给出了一个决策层融合的算例,其中包含了11组振动信号测点和9种待识别工况,在识别某个监测样本过程中:模型1至模型9输出结果为第2类工况,模型10输出为第8类工况,模型11输出为第9类工况,将其转换为相应的热独编码分别为9个“010000000”、1个“000000010”和1个“000000001”,对独热编码矩阵求和得到“090000011”,其中第2位(从左往右计数)数值最大故判断第2种工况为识别结果。由于孪生网络模型数大于11,会导致某一位求和的数值大于9,所以当数值大于9以后采取16进制A~F进行表示。通过上述算例,说明决策层融合能够有效抑制模型误判,综合发挥所有模型的作用,进而在小样本条件下保证识别准确度。
参考图1,步骤S8工况辨识应用:按照S1-S7完成建模和训练工作后,对模型开展工况辨识应用,将未知机组状态的多通道振动信号转化为压缩图像,通过已完成训练的模型对未知样本通过模型进行识别,判定未知振动信号所对应的工况,实现智能工况辨识功能。
参考图1,步骤S9监测预警应用:按照S1-S7完成建模和训练工作后,对模型开展监测预警应用,将未知振动信号转化为压缩图像,对未知样本通过模型进行预警,与工况辨识关键差异在于:将识别结果为“30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、机组启动、机组停机”等样本归为正常样本,此时***不进行预警,其余所有工况判断成异常样本,此时***进行预警;功率不同时的运行状态是否为异常,可根据实际需求进行调整工况样本类型和异常标准,按照本发明方法更新模型参数即可。
Claims (14)
1.基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,获取水电机组多个监测点的振动信息,形成多通道振动信号;将采集到的多通道信号在相同的时间尺度下进行截断、加窗处理以及快速傅里叶变换,取幅度值平方构成能量谱并进行归一化,将每个通道的多个能量谱进行组合,拼接成一幅时频图像并压缩,将所有压缩后图像进行交叉组合形成的样本对作为训练数据集;构建用于识别机组工况孪生网络模型,对模型进行训练后开展工况辨识应用和监测预警应用,实现工况辨识功能。
2.根据权利要求1所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,具体操作步骤如下:
步骤S1:利用传感器获取机组上多个监测点的振动信息,至少应当包括11路通道振动信号;
步骤S2:将采集到的多通道信号在相同的时间尺度下进行截断,对截断后信号分别进行加窗处理,加窗后对一个数据样本中的每个通道信号进行快速傅里叶变换成单边谱,取单边谱幅度值平方构成能量谱,对能量谱进行归一化;
步骤S3:将每个通道的连续60个能量谱进行组合,拼接成一幅时频图像;
步骤S4:对所述时频图像进行预处理,统一将时频图像压缩到60像素×60像素,形成压缩图像;
步骤S5:针对每路通道振动信号构建多个的孪生网络模型;
步骤S6:训练时对所有压缩图像进行交叉组合以形成样本对,利用所有样本对构成训练集,初始化模型参数后利用所述训练集对多个孪生网络模型进行训练,完成训练的孪生网络模型具备的功能为:能够识别两个子网络输入图片的差异化信息,根据输出层结果判断两个输入是否属于同类别工况;
步骤S7:将多个孪生网络模型所有识别结果写为独热编码形式,记下所有孪生网络模型的输出独热编码并组成一个矩阵,综合评估所有结果确定识别工况;
步骤S8:按照S1-S7完成建模和训练工作后,对模型开展工况辨识和监测预警实际应用。
3.根据权利要求2所述的基于决策层信息融合的水电机组小样本工辨识方法,其特征在于,步骤2形成能量谱的方法如下:
对于某一段信号而言,信号先被转化成单边谱,再计算单边谱里每个数值的平方,这样单边谱成为幅值平方序列,幅值的平方和序列维度和数据结构与单边谱一致,即构成了单边谱的能量谱,随后将连续60秒的多个能量谱组合成为一个矩阵形式,进而转化成时频图像信息。
4.根据权利要求3所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,所述加窗处理的窗函数选用汉宁窗以减小频率泄漏。
5.根据权利要求4所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,时频图像获取中需要对幅值平方序列进行归一化处理,转化为0-255数值范围,计算方法如式(1)所示:
其中,xi代表某个通道振动信号在60秒内单边谱能量数值,xmax为某个通道振动信号在60秒内能量谱的最大值,X计算结果经过取整计算得到。
6.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,步骤S2-S4中图像尺寸变化过程为:每1秒单边谱包含1×0.5f个数据点,60秒单边谱包含60×0.5f个数据点,经过转置和组合变换后的时频图像横轴包含0.5f×60像素点,f为采样频率,图像中每个像素点的亮度值即为对应单边谱归一化后数值,因此每个监测样本对应的时频图像是一副大小为0.5f×60像素的256级灰度图;随后将0.5f×60像素的图像压缩到60×60像素大小,压缩时采用下采样并沿着0.5f像素方向等间隔距离从0.5f个像素中抽取60个像素点。
7.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,记需要识别的工况类型的数量为A,则模型训练至少需要的压缩图像数量为A×通道数×10张60像素×60像素的时频图像。
8.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于,所述孪生网络模型包含2个子网络单元和1个主网络单元,两个子网络单元各自输入一个压缩图片,各自输出一个128维度特征向量,主网络单元最终输出两个压缩图片的相似度,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类;2个子网络单元的特点为:结构相同且参数权值共享;所述主网络单元还包含1个全连接层和1个输出层;所述主网络单元中先计算两个子网络的特征向量的相似度向量,相似度向量大小也为128×1,它由两个128×1维特征向量中每个相应数值的差的绝对值组成;将128×1维相似度向量输入主网络的全连接层,后接一个输出层且仅有一个输出神经元,输出层输出一个0-1之间的数值,输出接近1代表两个子网络的输入图像属于同类,输出接近0代表两个子网络的输入图像属于异类。
9.根据权利要求8所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于:所述子网络单元包含2个卷积层、2个池化层、1个Flatten层、1个全连接层;所述卷积层和池化层算子大小均为3×3,卷积步长1,池化步长3,输入层神经元个数为60×60个,第1个卷积层输出尺寸为5858×32,第1个池化层输出尺寸为19×19×32,第2个卷积层输出图像特征尺寸为17×17×64,第2个池化层输出尺寸为5×5×64,两个池化层均选用最大池化,Flatten层输出特征尺寸为1600×1,全连接层经过降维之后输出特征向量维度为128×1,两个子网络模型将输出两个128×1维特征向量;所述孪生网络子网络,卷积层激活函数选用ReLU激活函数,池化层采用最大值池化,全连接层激活函数采用Sigmoid函数,数学表达式如式(2)所示
模型训练选取了交叉熵作为损失函数。
10.根据权利要求1所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于:所述工况类型包括:30%以下额定功率运行、30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、异常机械振动、电磁不平衡、机组启动、机组停机、甩负荷、轴系转子不对中、轴系转子不平衡、轴系转子弯曲、尾水管低频涡带、卡门涡列。
11.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于:所述步骤6训练时对样本进行交叉配对,记工况类型一共有A类,每类工况有B个样本,根据排列组合两两配对,则组成样本对总个数如式(3)所示
Total=A×B×(A×B-1)(3)
所有样本对构成训练集,对模型进行参数初始化后开始训练模型。
12.根据权利要求11所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于:所述步骤S7,对于A类工况,孪生网络模型的输出结果用1至A共A个自然数表示;将所有工况写为独热编码形式,编码长度为A,记下所有孪生网络模型的输出独热编码并组成一个矩阵,按列求和后得到一个A维向量,其中数值最大的对应工况即为主网络识别工况。
13.根据权利要求10所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于:步骤S8所述工况辨识为:将未知机组状态的多通道振动信号转化为压缩图像,通过训练后模型计算未知样本的特征向量进行识别,判定未知振动信号所对应的工况,实现工况辨识功能;
所述监测预警为:将未知振动信号转化为压缩图像,通过训练后模型计算未知样本的特征向量进行预警,将识别结果为30%~70%额定功率运行、70%~90%额定功率运行、90%以上额定功率运行、机组启动、机组停机样本归为正常样本,此时***不进行预警,将其余样本设定为异常样本并进行预警。
14.根据权利要求2所述的基于多通道信息融合的水电机组小样本工况辨识方法,其特征在于:对于功率大于300MW的混流式机组、大于150MW的轴流式机组,可增加传感器数量并建立更多孪生网络模型;根据实际工况进行调整监测诊断与建模预警方案时,采取增加或减少通道数、改变识别的样本工况类型、改变预警的样本工况类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310693912.0A CN116778272A (zh) | 2023-06-12 | 2023-06-12 | 基于多通道信息融合的水电机组小样本工况辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310693912.0A CN116778272A (zh) | 2023-06-12 | 2023-06-12 | 基于多通道信息融合的水电机组小样本工况辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778272A true CN116778272A (zh) | 2023-09-19 |
Family
ID=88007374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310693912.0A Pending CN116778272A (zh) | 2023-06-12 | 2023-06-12 | 基于多通道信息融合的水电机组小样本工况辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778272A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540326A (zh) * | 2024-01-09 | 2024-02-09 | 深圳大学 | 钻爆法隧道施工装备的施工状态异常辨识方法及*** |
CN117997690A (zh) * | 2024-04-03 | 2024-05-07 | 厦门大学 | 一种类对比学习式水声信号调制识别***及识别方法 |
-
2023
- 2023-06-12 CN CN202310693912.0A patent/CN116778272A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540326A (zh) * | 2024-01-09 | 2024-02-09 | 深圳大学 | 钻爆法隧道施工装备的施工状态异常辨识方法及*** |
CN117540326B (zh) * | 2024-01-09 | 2024-04-12 | 深圳大学 | 钻爆法隧道施工装备的施工状态异常辨识方法及*** |
CN117997690A (zh) * | 2024-04-03 | 2024-05-07 | 厦门大学 | 一种类对比学习式水声信号调制识别***及识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
CN110849626A (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断*** | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN113128338A (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN110555478A (zh) | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
CN113639993A (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN114298080A (zh) | 一种基于摆度数据挖掘的水轮发电机组的监测方法 | |
CN113669246B (zh) | 一种跨工况条件下水泵故障智能诊断方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及*** | |
CN115659249B (zh) | 一种智能测站控制***异常检测方法 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护***及方法 |
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 |