【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于旋轉(zhuǎn)機械故障檢測，具體涉及一種基于非侵入式量測的水輪機可解釋故障檢測方法。
技術(shù)介紹
1、水輪機作為水電站的核心設(shè)備，其通過將水體的重力勢能轉(zhuǎn)換為動能從而帶動發(fā)電機旋轉(zhuǎn)產(chǎn)生電能，在電網(wǎng)系統(tǒng)中起到調(diào)峰、調(diào)相和事故備用的作用。由于水輪機長時間服役于復(fù)雜惡劣水流工況環(huán)境下，水流中的泥沙等雜質(zhì)不可避免的會對葉片表面造成沖蝕磨損，使葉片表面變得粗糙，降低水輪機的發(fā)電效率。此外，葉片表面長期磨損將導(dǎo)致葉片厚度減小，影響葉片的結(jié)構(gòu)強度，使得葉片發(fā)生變形，進(jìn)而導(dǎo)致水輪機發(fā)生故障。一旦機組出現(xiàn)故障，輕則停機，影響電站經(jīng)濟(jì)效益，重則導(dǎo)致巨大的財產(chǎn)損失與人員傷亡。因此，研究一種有效可靠的水輪機故障檢測方法，對于及時發(fā)現(xiàn)水輪機潛在故障，保障機組動態(tài)性能和維持電網(wǎng)安全具有重要工程意義。
2、現(xiàn)有的水輪機故障檢測方法大致可分為基于信號處理方法，例如參考文獻(xiàn)：y.xin,?s.?li,?z.?zhang,?z.?an?and?j.?wang,?adaptive?reinforced?empirical?morletwavelet?transform?and?its?application?in?fault?diagnosis?of?rotatingmachinery（自適應(yīng)增強經(jīng)驗型莫萊特小波變換及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用）,?inieee?access,?vol.?7,?pp.?65150-65162,?2019和基于數(shù)據(jù)驅(qū)動方法，例如參考文獻(xiàn)：wang?h,?liu?x,?ma?l,?et?al.?anomaly?detec
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于非侵入式量測的水輪機可解釋故障檢測方法，增強了模型的可解釋性，并且提高了故障檢測在變工況條件下的泛化能力和適用性。
2、為實現(xiàn)上述目的，本專利技術(shù)所采取的技術(shù)方案為：
3、一種基于非侵入式量測的水輪機可解釋故障檢測方法，所述基于非侵入式量測的水輪機可解釋故障檢測方法，包括：
4、獲取樣本數(shù)據(jù)集中水輪機的原始三相電流監(jiān)測時間序列作為輸入樣本；
5、利用基于小波核卷積自編碼器的壓縮網(wǎng)絡(luò)，壓縮正常工況下的原始三相電流監(jiān)測時間序列，獲得低維時序依賴特征表示以及重構(gòu)特征；
6、根據(jù)重構(gòu)特征得到重構(gòu)輸入樣本，并基于輸入樣本和重構(gòu)輸入樣本，得到樣本重構(gòu)誤差；
7、構(gòu)建高斯混合隱馬爾可夫模型，利用單獨的估計網(wǎng)絡(luò)分別預(yù)測混合隸屬度矩陣與狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)混合隸屬度矩陣和狀態(tài)轉(zhuǎn)移概率矩陣的預(yù)測值估計高斯混合隱馬爾可夫模型的參數(shù)，并基于高斯混合隱馬爾可夫模型的參數(shù)計算低維時序依賴特征表示的能量；
8、基于樣本重構(gòu)誤差、低維時序依賴特征表示的能量以及罰函數(shù)構(gòu)建聯(lián)合優(yōu)化損失函數(shù)，并基于聯(lián)合優(yōu)化損失函數(shù)更新壓縮網(wǎng)絡(luò)和估計網(wǎng)絡(luò)的參數(shù)進(jìn)行訓(xùn)練；
9、針對新采集的水輪機的原始三相電流監(jiān)測時間序列，通過訓(xùn)練完成的壓縮網(wǎng)絡(luò)和估計網(wǎng)絡(luò)獲得對應(yīng)的能量，并與閾值進(jìn)行比較，得到水輪機故障檢測結(jié)果。
10、以下還提供了若干可選方式，但并不作為對上述總體方案的額外限定，僅僅是進(jìn)一步的增補或優(yōu)選，在沒有技術(shù)或邏輯矛盾的前提下，各可選方式可單獨針對上述總體方案進(jìn)行組合，還可以是多個可選方式之間進(jìn)行組合。
11、作為優(yōu)選，所述利用基于小波核卷積自編碼器的壓縮網(wǎng)絡(luò)，壓縮正常工況下的原始三相電流監(jiān)測時間序列，獲得低維時序依賴特征表示以及重構(gòu)特征，包括：
12、給定樣本數(shù)據(jù)集中水輪機的原始三相電流監(jiān)測時間序列，經(jīng)過小波核卷積的特征提取過程表示為：
13、；
14、其中，表示樣本數(shù)據(jù)集中的第個輸入樣本，表示樣本數(shù)據(jù)集中輸入樣本的總個數(shù)，表示輸入樣本經(jīng)過小波核卷積后的樣本特征，表示小波核卷積層，表示小波核卷積層內(nèi)的權(quán)值參數(shù)；
15、小波核卷積后的樣本特征經(jīng)過1-d卷積操作后被映射到高維特征空間，用公式表示為：
16、；
17、其中，表示1-d卷積神經(jīng)網(wǎng)絡(luò)，表示1-d卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)，表示1-d卷積神經(jīng)網(wǎng)絡(luò)針對樣本特征提取到的樣本顯著特征；
18、對于樣本顯著特征，經(jīng)過壓縮網(wǎng)絡(luò)獲得的低維時序依賴特征表示和重構(gòu)特征表示為：
19、；
20、；
21、其中，是壓縮網(wǎng)絡(luò)在低維空間上學(xué)習(xí)到樣本顯著特征的低維時序依賴特征表示，低維時序依賴特征表示的維數(shù)記為，和分別是壓縮網(wǎng)絡(luò)中編碼器和解碼器的權(quán)重參數(shù)，表示樣本顯著特征的重構(gòu)特征，表示編碼器，表示解碼器。
22、作為優(yōu)選，所述根據(jù)重構(gòu)特征得到重構(gòu)輸入樣本，并基于輸入樣本和重構(gòu)輸入樣本，得到樣本重構(gòu)誤差，包括：
23、對于樣本顯著特征的重構(gòu)特征，則輸入樣本的重構(gòu)表示為：
24、；
25、式中，表示1-d轉(zhuǎn)置卷積神經(jīng)網(wǎng)絡(luò)，表示1-d轉(zhuǎn)置卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)，表示重構(gòu)輸入樣本；
26、則計算原始三相電流監(jiān)測時間序列對應(yīng)的樣本重構(gòu)誤差如下：
27、；
28、式中，表示第個輸入樣本對應(yīng)的樣本重構(gòu)誤差。
29、作為優(yōu)選，所述構(gòu)建高斯混合隱馬爾可夫模型，包括：
30、將變工況條件下的水輪機運轉(zhuǎn)過程描述為有隱藏狀態(tài)的隱馬爾可夫鏈和服從高斯混合分布隨機觀測序列的雙重隨機過程，取觀測序列長度為，隱藏狀態(tài)的數(shù)量為，高斯分布的數(shù)量為，則高斯混合隱馬爾可夫模型的參數(shù)集表示為：
31、；
32、其中，表示高斯混合隱馬爾可夫模型的初始狀態(tài)概率矩陣，表示高斯混合隱馬爾可夫模型的狀態(tài)轉(zhuǎn)移概率矩陣，表示高斯混合隱馬爾可夫模型的混合概率矩陣，表示高斯混合隱馬爾可夫模型的均值矩陣，表示高斯混合隱馬爾可夫模型的協(xié)方差矩陣，表示高斯混合隱馬爾可夫模型的參數(shù)集。
33、作為優(yōu)選，所述估計網(wǎng)絡(luò)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.一種基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述基于非侵入式量測的水輪機可解釋故障檢測方法，包括：
2.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述利用基于小波核卷積自編碼器的壓縮網(wǎng)絡(luò)，壓縮正常工況下的原始三相電流監(jiān)測時間序列，獲得低維時序依賴特征表示以及重構(gòu)特征，包括：
3.根據(jù)權(quán)利要求2所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述根據(jù)重構(gòu)特征得到重構(gòu)輸入樣本，并基于輸入樣本和重構(gòu)輸入樣本，得到樣本重構(gòu)誤差，包括：
4.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述構(gòu)建高斯混合隱馬爾可夫模型，包括：
5.根據(jù)權(quán)利要求4所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述估計網(wǎng)絡(luò)為多層神經(jīng)網(wǎng)絡(luò)，所述利用單獨的估計網(wǎng)絡(luò)分別預(yù)測混合隸屬度矩陣與狀態(tài)轉(zhuǎn)移概率矩陣，包括：
6.根據(jù)權(quán)利要求5所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述根據(jù)混合隸屬度矩陣和狀態(tài)轉(zhuǎn)移概率矩陣的預(yù)測值估計高
7.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述基于高斯混合隱馬爾可夫模型的參數(shù)計算低維時序依賴特征表示的能量，包括：
8.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述基于樣本重構(gòu)誤差、低維時序依賴特征表示的能量以及罰函數(shù)構(gòu)建聯(lián)合優(yōu)化損失函數(shù)，包括：
9.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述閾值取樣本數(shù)據(jù)集中所有樣本的第5個百分位數(shù)，若新采集的水輪機的原始三相電流監(jiān)測時間序列對應(yīng)的能量大于閾值，則判定處于正常工況；反之則處于異常工況。
...【技術(shù)特征摘要】
1.一種基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述基于非侵入式量測的水輪機可解釋故障檢測方法，包括：
2.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述利用基于小波核卷積自編碼器的壓縮網(wǎng)絡(luò)，壓縮正常工況下的原始三相電流監(jiān)測時間序列，獲得低維時序依賴特征表示以及重構(gòu)特征，包括：
3.根據(jù)權(quán)利要求2所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述根據(jù)重構(gòu)特征得到重構(gòu)輸入樣本，并基于輸入樣本和重構(gòu)輸入樣本，得到樣本重構(gòu)誤差，包括：
4.根據(jù)權(quán)利要求1所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述構(gòu)建高斯混合隱馬爾可夫模型，包括：
5.根據(jù)權(quán)利要求4所述的基于非侵入式量測的水輪機可解釋故障檢測方法，其特征在于，所述估計網(wǎng)絡(luò)為多層神經(jīng)網(wǎng)絡(luò)，所述利用單獨的估計網(wǎng)絡(luò)分別預(yù)測混合...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張寶康，吳麒，劉嘉帥，陳陽，王瑤為，付明磊，張文安，
申請(專利權(quán))人：浙江工業(yè)大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。