一种基于深度学习的水电站红外热像故障预测方法与流程
本发明属于水电站设备状态监测与故障预测,尤其涉及一种基于深度学习的水电站红外热像故障预测方法。
背景技术:
1、红外热成像技术因具有非接触、不停机、大面积监测等优势,已被广泛应用于水电站发电机、变压器、水轮机轴承等关键设备的状态监测与故障诊断。现有基于红外热像的设备状态评估方法主要包括以下几类:第一类是温度阈值检测法,通过在红外热像中识别温度超过预设阈值的区域判定设备存在过热缺陷;第二类是温度分布对比法,将设备不同区域的温度分布与历史正常运行数据或同类设备进行对比,识别温度分布异常;第三类是时序温度预测法,采集设备表面温度的时间序列数据,利用循环神经网络或长短期记忆网络等时序模型预测未来温度变化趋势。此外,部分研究尝试利用红外热像序列中连续帧之间的温度变化率作为辅助判据,以判断设备运行状态的稳定性。上述方法已在电力行业得到一定程度的推广应用。
2、然而,上述现有技术仍存在以下不足:现有方法仅关注红外热像中温度数值的静态分布或单一时间序列,未从热力学系统响应角度挖掘设备的热弹性效应、热惯量响应等深层热响应特征,无法捕捉设备在故障萌芽期的微弱热力学信号。现有方法忽略了水电站设备负荷频繁波动、工况变化对热像特征的耦合影响,将工况正常变化导致的热像改变误判为故障前兆,导致误报率高企。现有预测模型为纯数据驱动架构,缺乏物理规律约束,在故障样本稀缺时预测精度显著下降,且预测结果无法溯源至具体物理机理。现有方法仅能输出“是否存在过热”的二元判定或单一温度预测值,无法判别故障的具体物理类型,也无法定位故障发生的空间区域。现有分析多局限于稳态运行条件下的温度场分析,未能利用水电站设备负荷频繁变化和机械旋转产生的天然热激励和力学激励,对设备在动态激励下的热响应行为缺乏有效利用。深度学习模型参数庞大,难以在水电站现场边缘端部署,在线预测的实时性和带宽经济性不足。上述缺陷制约了红外热像技术在水电站设备故障超前预警中的应用效果。
技术实现思路
1、为了克服现有技术的上述缺陷,本发明提供了一种基于深度学习的水电站红外热像故障预测方法,解决了现有技术中现有红外热像故障预测仅关注静态温度信息,忽略动态热响应特征及工况耦合影响,缺乏物理约束,无法判别故障类型与位置,难以边缘端实时部署的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于深度学习的水电站红外热像故障预测方法,包括以下步骤:
4、s1:获取水电站设备在运行状态下的红外热像序列及与所述红外热像序列同步的工况数据;
5、s2:从所述红外热像序列中提取与设备力学状态对应的第一类特征、与设备热扩散特性对应的第二类特征、以及与设备累积退化对应的第三类特征;
6、s3:利用所述工况数据对所述第一类特征、第二类特征和第三类特征分别进行工况解耦;
7、s4:将工况解耦后的所述第一类特征、第二类特征和第三类特征融合为表征设备热响应特性的综合特征;
8、s5:根据所述综合特征在连续时间窗口内的演化趋势预测所述设备的故障时间和故障类型。
9、优选的,所述第一类特征的提取方法为:以所述设备的旋转频率或流体脉动频率作为参考频率,通过锁相放大技术从所述红外热像序列中提取与该参考频率同频的热响应信号分量,根据所述热响应信号分量计算每个像素的热弹性响应幅值和相位滞后,得到高频特征图。
10、优选的,所述第二类特征的提取方法为:从所述工况数据中识别负荷变化事件,以所述负荷变化事件作为热激励信号,提取每个负荷变化事件前后预设时间窗口内的红外热像子序列,从该红外热像子序列中提取预设低频段的热响应曲线,通过对所述热响应曲线进行系统辨识计算每个像素的热时间常数和稳态增益,得到中频特征图。
11、优选的,所述第三类特征的提取方法为:将所述第一类特征和第二类特征在历史时间窗口内的序列输入分布估计模型,建立设备健康状态下的基线分布,计算当前时刻所述第一类特征和第二类特征的分布相对于所述基线分布的偏离程度、偏离方向及偏离速率,得到低频漂移特征。
12、优选的,所述s3中,利用所述工况数据对所述第一类特征、第二类特征和第三类特征分别进行工况解耦的具体方法为:将所述工况数据编码为工况条件向量,利用所述工况条件向量生成仿射变换参数,所述仿射变换为基于所述工况条件向量生成的缩放变换和平移变换,分别对所述第一类特征、第二类特征和第三类特征进行所述缩放变换和所述平移变换,以消除工况变化对各类特征的影响,提取工况无关的故障特征。
13、优选的,所述s4中,所述将工况解耦后的三类特征融合为表征设备热响应特性的综合特征的具体方法为:将工况解耦后的所述第一类特征、第二类特征和第三类特征在特征空间进行拼接或加权融合,通过跨特征注意力机制输出热响应传递函数矩阵,所述热响应传递函数矩阵包含设备在高频频段、中频频段和低频频段的增益响应和相位响应特性。
14、优选的,所述s5中,根据所述综合特征在连续时间窗口内的演化趋势预测所述设备的故障时间和故障类型的具体方法为:将所述综合特征在连续时间窗口内的序列输入时序神经网络,所述时序神经网络的损失函数包含数据拟合项和物理约束项,所述物理约束项基于热传导物理方程构建,根据所述综合特征到达预设失效边界的时间预测剩余寿命,并根据所述第一类特征、第二类特征和第三类特征各自的偏离程度分别判定对应的故障模式。
15、优选的,所述热传导物理方程为傅里叶热传导定律∂t/∂t=α∇2t,其中t为温度,t为时间,α为热扩散率,∇2为拉普拉斯算子;所述时序神经网络为transformer网络、循环神经网络或时序卷积网络中的任意一种。
16、优选的,还包括s6:对故障预测结果进行溯源定位,所述溯源定位包括:根据所述第一类特征、第二类特征和第三类特征中触发预警的特征类别确定故障的物理根源类型,根据触发预警的特征图的空间位置确定故障发生区域;所述物理根源类型包括:当所述第一类特征的热弹性响应幅值偏离所述基线分布超过第一阈值时判定为机械应力异常故障,当所述第二类特征的热时间常数偏离所述基线分布超过第二阈值时判定为热扩散特性异常故障,当所述第三类特征的偏离速率超过第三阈值时判定为累积性损伤故障。
17、优选的,所述s1中,获取红外热像序列后还包括对所述红外热像序列进行预处理的步骤:对所述红外热像序列进行非均匀性校正、坏像素替换和滤波去噪,将预处理后的红外热像序列与所述工况数据进行时间对齐和空间配准;所述工况数据包括所述设备的运行负荷、转速、水压力和温度中的一种或多种;所述水电站设备为水轮机、发电机、变压器、轴承或管道中的任意一种或多种。
18、本发明一种基于深度学习的水电站红外热像故障预测方法的技术效果和优点:
19、1、该发明通过对红外热像序列进行多频段热响应解耦,分别提取与设备力学状态对应的第一类特征、与设备热扩散特性对应的第二类特征、以及与设备累积退化对应的第三类特征,将传统红外热像分析中单一的温度场信息拓展为包含热弹性效应、热惯量响应和热记忆漂移的多维度热响应特征空间。相比于现有技术仅关注温度绝对值或温度分布的静态分析方法,本发明从热力学系统响应的高度实现了对设备健康状态的全频谱刻画,能够同时捕捉瞬时应力异常、热传导特性退化和长期累积损伤三种不同物理机理的故障前兆信号。
20、2、该发明水电站设备运行工况(负荷、转速、水头、环境温度等)的频繁变化会导致设备表面温度场发生显著改变,现有技术将工况变化引起的温度波动误判为故障前兆,导致误报率居高不下。本发明通过将工况数据编码为工况条件向量并生成仿射变换参数,对三类热响应特征分别进行工况归一化处理,剥离了工况变化对热响应特征的影响,提取出工况无关的纯故障特征。工况解耦使得故障判定基准能够随工况自适应调整,大幅降低了变工况运行条件下的误报率和漏报率。
21、3、该发明在时序预测模型的损失函数中引入了基于傅里叶热传导定律的物理约束项,将热传导偏微分方程作为先验知识嵌入深度学习模型的训练过程。相比于纯数据驱动的黑箱预测模型,物理约束的引入使模型预测结果始终符合基本热物理学规律,在故障样本稀缺的水电站场景下仍能保持稳定的预测性能,同时使每一次预测结果均具有可追溯至具体物理方程的数学基础,显著提升了模型的可解释性。
22、4、该发明通过对三类特征偏离健康基线的程度进行联合判定,能够同步判别机械应力异常、热扩散特性异常和累积性损伤三种不同物理根源的故障模式,并进一步根据触发预警的特征图空间位置精确定位故障发生区域。相比现有技术仅能判断“是否过热”的单一输出模式,本发明提供了故障类型和故障位置的双重信息,为运维人员制定针对性的检修方案提供了直接依据。
23、5、该发明利用水电站设备运行过程中固有的负荷变化作为热激励源获取中频热惯量响应特征,利用设备旋转产生的周期性机械应力作为力学激励源获取高频热弹性响应特征,无需外加任何激励装置或改变设备运行状态。现有技术实现热惯量或热弹性分析通常需要在实验室条件下施加可控的周期性热激励或力学激励,本发明将其拓展至在役设备的在线监测场景,实现了零附加成本、零运行风险的在线故障预测。
24、6、该发明通过模型剪枝和量化压缩将深度学习模型部署至水电站现场的边缘计算终端,实现了红外热像的实时采集与故障预测的端侧推理,无需将大量热像数据上传至云端,降低了带宽消耗和传输延迟。在线增量学习机制使部署后的模型能够利用累积的现场数据持续更新,实现模型的自我进化。
25、7、该发明的方法步骤不依赖于特定设备的内部结构参数或故障模式先验知识,可适用于水电站的水轮机、发电机、变压器、轴承和管道等全部主要设备类型。三类特征的提取方法可根据设备特性进行适应性调整(如参考频率的选择、时间窗口的设定等),无需针对不同设备重新设计算法框架,具有良好的通用性和可推广性。
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