一种发电机故障预警方法、装置及存储介质与流程
本发明涉及一种发电机故障预警方法、装置及存储介质,属于发电机设备状态监测与智能运维。
背景技术:
1、发电机状态监测与故障诊断领域主要存在以下几类技术方案:
2、方案一:基于传统时域/频域分析与固定阈值报警的技术
3、通过各个独立的振动传感器采集信号,经傅里叶变换提取各阶次谐波分量或时域峰值,并依据行业标准或历史经验设定固定的振动幅值报警阈值。其技术流程为"信号独立采集→fft分析求取幅值→固定阈值比对→越限报警"。
4、方案二:基于人工特征工程与传统机器学习的诊断技术
5、从各测点的振动信号中提取诸如偏度、峭度、裕度指标等统计学特征,以及包络谱、功率谱特征,经特征降维后输入支持向量机(svm)或随机森林(rf)等模型进行故障分类。其技术流程为"信号采集→单通道人工特征提取→特征降维→机器学习分类"。
6、方案三:基于单测点一维信号深度学习的诊断技术
7、直接将单点采集的一维振动时间序列信号或其频谱图输入至一维卷积神经网络(1d-cnn)等深度学习模型,进行端到端的故障特征提取与状态识别。其技术流程为"数据采集→样本切分→深度网络自适应学习→输出分类结果"。
8、现有技术存在如下缺陷:
9、方案一缺陷: 该方法计算量小,在工业界应用最广,但其本质是静态的、单维度的阈值判断,完全未考虑发电机有功功率波动对基频幅值的正常影响,也无法捕捉游离于基频之外的微弱瞬态冲击,导致系统在变工况下的误报率极高。
10、方案二缺陷: 该方案相比方案一引入了模式识别能力,但其特征提取过程极其依赖专家经验,且提取的静态特征难以抵御运行工况的剧烈变化。此外,各通道特征通常是简单拼接,未能从物理机制上建立测点间的关联模型。
11、方案三缺陷: 该方法自动化程度高,但其网络结构通常缺乏显式的工况解耦模块。当模型在固定负荷下的数据集中训练完毕后,一旦面对实际生产中未见过的变负荷工况,模型性能会急剧衰退(泛化能力差)。同时,此类模型往往仅针对单通道数据进行训练,忽略了多传感器在空间拓扑上的互联互通关系,制约了其对复杂系统全局状态的感知能力。
12、综合上述现有技术方案,其在实现发电机复杂工况下的精准预警方面,主要存在以下固有缺点和局限性:
13、(1)缺乏抗工况干扰能力,泛化与适应性能差。 发电机运行中的转速和有功功率变化会引起振动信号基线的自然漂移。方案一的静态阈值、方案二的浅层模型以及方案三的常规端到端深度网络,均缺乏对工况变量的显式建模与"工况归一化"处理机制。这导致模型在特定工况下训练得出的边界,无法适应负荷波动产生的数据分布偏移,极易将正常的工况波动误判为故障,无法满足变工况场景下的预警要求。
14、(2)特征提取维度单一且分辨率不足,对早期微弱突变不敏感。 早期故障往往只在特定极短的时间窗口或高频带内表现出微弱的冲击特征。现有方案多采用全局的时频分析或常规卷积核,缺乏多分辨率的分析手段。它们难以精准刻画信号中的瞬态冲击,容易将早期故障特征淹没在强大的旋转基频和背景噪声中,导致系统只能在故障发展到中晚期才能发出警报,失去了"早期预警"的意义。
15、(3)忽略了多测点间的空间拓扑响应关联,信息感知不完整。 现有技术无论是设定阈值还是提取特征,绝大多数都是在单测点维度上独立进行的,属于"单点盲人摸象"。发电机定转子系统的振动状态在空间上具有强相关性(如不同测点的振动相位差、振型相关系数)。现有方案未能有效利用图拓扑等手段对多源传感器的空间相关性进行建模,无法充分挖掘多维度数据协同对预警性能的提升潜力,导致对复杂复合故障的识别率受限。
技术实现思路
1、本发明的目的在于克服现有技术中的不足,提供一种发电机故障预警方法、装置及存储介质,有效克服了变工况干扰、早期微弱特征难以捕捉及多测点空间关联缺失的问题,显著提升了故障预警的准确性和鲁棒性。
2、为达到上述目的,本发明是采用下述技术方案实现的:
3、第一方面,本发明提供了一种发电机故障预警方法,包括:
4、获取发电机多源振动信号序列;
5、将所述多源振动信号序列作为输入,利用多分辨率连续小波变换进行时频分解,提取刻画微弱瞬态冲击的时频特征矩阵;
6、将所述时频特征矩阵输入至预先构建的有向图神经网络,通过节点间的消息传递与特征聚合,提取多测点协同的空间特征;
7、同步获取发电机实时运行的工况参数,根据所述工况参数构建动态校准函数,对融合所述时频特征矩阵与所述空间特征所得的时空特征进行工况分段校准与归一化处理,剥离工况波动带来的干扰,生成脱敏时空特征;
8、对所述脱敏时空特征与预先提取的传统手工特征进行动态权重自适应融合,生成多维融合特征;
9、根据所述多维融合特征输出发电机状态评估及预警结果。
10、进一步的,将所述多源振动信号序列作为输入,利用多分辨率连续小波变换进行时频分解,提取刻画微弱瞬态冲击的时频特征矩阵,包括:
11、采用多分辨率连续小波变换对所述多源振动信号序列进行多尺度空间分解,所述连续小波变换的数学表达式为:
12、;
13、式中,a为尺度因子,控制伸缩以对应频率,b为平移因子,控制时间位置,(t)为母小波函数的复共轭;
14、通过在频域和时域上对所述多源振动信号序列进行二维伸缩与平移参数寻优,提取特定高频带内由早期局部故障引发的能量微弱突变矩阵,输出所述时频特征矩阵。
15、进一步的,将所述时频特征矩阵输入至预先构建的有向图神经网络,通过节点间的消息传递与特征聚合,提取多测点协同的空间特征,包括:
16、将所述时频特征矩阵作为所述有向图神经网络中输入层的节点初始特征,所述有向图神经网络预先通过将发电机各部位传感测点映射为图数据结构中的节点来构建,图拓扑模型表示g=(v,e,a),其中节点集合代表n个振动测点,边集合e代表测点间的物理与能量传导路径,邻接矩阵a表征测点间的关联强度;
17、所述有向图神经网络通过可学习的邻接矩阵来表征测点间的物理关联与能量传导路径强度;其第层的特征状态更新规则表示为:
18、;
19、式中,为第层的节点特征矩阵,为第层的节点特征矩阵,为添加了自连接的邻接矩阵,为其对应的度矩阵,为可学习的权重参数矩阵,为非线性激活函数;
20、经多层图卷积运算后,提取包括多测点同步响应下的振动相位差及振型相关系数在内的空间特征,输出深度融合了测点空间相关性的所述空间特征。
21、进一步的,所述实时运行的工况参数包括发电机的有功功率与转速;所述工况分段校准与归一化处理是指基于所述有功功率和转速映射生成当前工况下的期望均值和方差,以此为基准对所述时空特征进行数值缩放和偏移脱敏,剥离由于负荷动态变化导致的振动响应基线非线性漂移干扰,生成脱敏时空特征。
22、进一步的,对所述脱敏时空特征与预先提取的传统手工特征进行动态权重自适应融合,生成多维融合特征,包括:
23、获取基于时域统计分析提取的时域统计量特征作为所述传统手工特征,所述时域统计量包括偏度、峭度、裕度指标;
24、通过引入注意力驱动的动态权重机制,计算所述脱敏时空特征与所述传统手工特征在不同故障演化阶段的显著度评分,利用注意力网络动态计算并输出各特征的融合权重系数,基于所述融合权重系数对异构特征进行自适应最优配比,生成所述多维融合特征。
25、进一步的,所述根据所述多维融合特征输出发电机状态评估及预警结果,包括:
26、将所述多维融合特征输入至预先训练的分类器中,输出设备级健康评估指数及对应的预警等级;所述预警等级包括正常、注意、异常、严重四个等级,所述健康评估指数为0至1之间的连续数值,用于表征发电机退化程度。
27、第二方面,本发明提供一种发电机故障预警系统,用于实现前述任意一项所述的发电机故障预警方法,包括:
28、数据采集模块,用于获取发电机多源振动信号序列及实时运行的工况参数;
29、时频特征提取模块,用于将所述多源振动信号序列作为输入,利用多分辨率连续小波变换进行时频分解,提取刻画微弱瞬态冲击的时频特征矩阵;
30、空间特征提取模块,用于将所述时频特征矩阵输入至预先构建的有向图神经网络,通过节点间的消息传递与特征聚合,提取多测点协同的空间特征;
31、工况归一化模块,用于根据所述工况参数构建动态校准函数,对融合所述时频特征矩阵与所述空间特征所得的时空特征进行工况分段校准与归一化处理,剥离工况波动带来的干扰,生成脱敏时空特征;
32、自适应融合模块,用于对所述脱敏时空特征与预先提取的传统手工特征进行动态权重自适应融合,生成多维融合特征;
33、预警输出模块,用于根据所述多维融合特征输出发电机状态评估及预警结果。
34、第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述中任一项所述方法的步骤。
35、第四方面,本发明提供一种电子设备,包括:
36、存储器,用于存储计算机程序/指令;
37、处理器,用于执行所述计算机程序/指令以实现前述中任一项所述方法的步骤。
38、第五方面,本发明提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现前述中任一项所述方法的步骤。
39、与现有技术相比,本发明所达到的有益效果:
40、1、本发明提供一种发电机故障预警方法、装置及存储介质,通过构建“时频特征提取、空间特征提取、工况归一化、动态权重融合、预警输出”的全链路闭环预警架构,对发电机多源振动信号进行从局部瞬态冲击捕捉到全局空间协同感知、从工况干扰剥离到异构特征自适应融合的系统性处理,实现了发电机在复杂变工况环境下早期微弱故障的高置信度预警,显著提升了跨场景泛化能力与运维智能化水平。
41、2、本发明通过采用多分辨率连续小波变换对发电机多源振动信号进行多尺度时频分解,并在频域和时域上进行二维伸缩与平移参数寻优,提取特定高频带内的能量微弱突变矩阵,实现对隐匿于强基频和背景噪声中的早期微弱瞬态冲击的高分辨率捕捉,突破了对早期微弱突变不敏感的瓶颈,为状态检修赢得了关键的时间窗口。
42、3、本发明通过将各部位传感测点映射为图数据结构中的节点并构建有向图神经网络,将所述时频特征矩阵作为节点初始特征输入,经多层图卷积运算进行节点间的消息传递与特征聚合,提取包括多测点同步响应下的振动相位差及振型相关系数在内的空间特征,实现了从单点孤立监测到全局空间协同的高维特征重构,克服了传统方案中“单点盲人摸象”式的信息孤岛现象,极大增强了系统对复杂耦合故障的综合识别能力。
43、4、本发明通过同步接入发电机实时有功功率与转速等工况参数,构建动态校准函数,基于当前工况下的期望均值和方差对所述时空特征进行数值缩放和偏移脱敏,从数理底层剥离了由于负荷动态变化导致的振动响应基线非线性漂移干扰,解决了变工况场景下预警系统因基准漂移而导致的频发误报与漏报问题,显著提升了模型在深度调峰等复杂运行场景下的稳健性与跨场景泛化能力。
44、5、本发明通过引入注意力驱动的动态权重机制,计算所述脱敏时空特征与传统手工特征在不同故障演化阶段的显著度评分,利用注意力网络动态输出各特征的融合权重系数并进行自适应最优配比,实现了异构特征的科学化、智能化融合,全过程无需人工干预特征选择或频繁进行阈值调整,形成了高度自动化的“感知—校准—融合—决策”闭环体系,大幅降低了对专家运维经验的依赖,显著提升了发电机组的智能运维效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com