一种基于联合分析的发电机组故障诊断方法及系统与流程
本发明涉及数据处理,特别涉及一种基于联合分析的发电机组故障诊断方法及系统。
背景技术:
1、发电机组作为电力系统中的核心能量转换设备,其运行状态直接关系到电网供电的安全性与稳定性。在长期连续运行过程中,发电机组会受到机械振动、电磁扰动、热应力变化以及负载波动等多种因素的综合影响,容易产生轴承磨损、转子不平衡、绕组绝缘老化及电磁异常等多类型故障。
2、发电机组的故障往往不是单一因素独立引起,而是多源物理量相互耦合、逐步演化并最终诱发系统性能退化,因此对其运行状态进行精准监测与故障识别是必须要解决的难题。
3、然而,现有发电机组故障诊断技术多依赖单一信号特征或简单统计相关性分析方法,例如基于皮尔逊相关系数、互信息或欧氏距离的特征关联建模方法。这类方法通常仅能反映特征之间的线性相关性或弱统计依赖关系,难以刻画故障特征之间的非线性耦合关系、协同增强效应以及异常传播机制。同时,传统方法大多停留在特征相关性分析层面,无法有效描述多故障源共同作用下的级联演化过程,因此,在复杂工况下往往存在诊断精度不足、鲁棒性较差以及可解释性有限等问题。
技术实现思路
1、鉴于以上现有技术的不足,本发明实施例的目的在于提供一种基于联合分析的发电机组故障诊断方法及系统,能够解决现有发电机组故障诊断方法主要基于单一特征或简单相关性分析,难以全面刻画多源故障特征之间的非线性耦合关系,无法有效描述多故障源共同作用下的级联演化过程,在复杂工况下存在诊断精度不足、鲁棒性较差以及可解释性有限的技术问题。
2、本发明实施例的第一方面,提出了一种基于联合分析的发电机组故障诊断方法,包括:
3、s1:获取待诊断发电机组的多源运行状态数据;
4、s2:根据所述多源运行状态数据,构建联合效用三元组网络;
5、s3:通过因果发现算法,对所述联合效用三元组网络进行故障传播因果建模,得到联合因果传播网络;
6、s4:对所述联合因果传播网络进行稀疏化优化,得到目标传播网络;
7、s5:对所述目标传播网络进行高维近似推理,得到所述目标传播网络中所有节点的后验概率;
8、s6:根据所述后验概率,计算故障传播熵;
9、s7:根据所述故障传播熵,判断所述待诊断发电机组是否存在级联故障风险;若是,进入步骤s8;否则,返回步骤s1;
10、s8:根据所述故障传播熵,确定所述待诊断发电机组的故障诊断结果。
11、本发明实施例的第二方面,提出了一种基于联合分析的发电机组故障诊断系统,包括:处理器和存储器;
12、所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的基于联合分析的发电机组故障诊断方法的步骤。
13、本发明实施例的第三方面,提出了一种可读存储介质,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的基于联合分析的发电机组故障诊断方法的步骤。
14、本发明实施例提供的技术方案带来的有益效果至少包括:
15、在本发明实施例中,通过构建多源运行状态数据驱动的联合效用三元组网络,并进一步引入因果发现算法对故障传播关系进行结构化建模,从而由传统的相关性分析提升为具有方向性的因果传播分析,有效刻画发电机组多故障特征之间的耦合传播机制。同时,通过对联合因果传播网络进行稀疏化优化,能够去除冗余传播边并突出关键故障传播路径,降低网络复杂度并提升建模效率,利用高维近似推理方法获取各节点后验概率,实现对复杂高阶依赖关系的概率解耦与可计算化表达。在此基础上,通过引入故障传播熵对系统级联传播程度进行统一量化表征,并据此实现级联故障风险的定量评估与预警判断,使得本发明能够在保证较强可解释性的同时,提高复杂工况下故障诊断的准确性、鲁棒性及工程适用性。
1.一种基于联合分析的发电机组故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于联合分析的发电机组故障诊断方法,其特征在于,所述多源运行状态数据具体包括:电气运行数据、机械振动数据、热工状态数据以及电磁特征数据。
3.根据权利要求1所述的基于联合分析的发电机组故障诊断方法,其特征在于,所述s2具体包括:
4.根据权利要求1所述的基于联合分析的发电机组故障诊断方法,其特征在于,所述s3具体包括:
5.根据权利要求4所述的基于联合分析的发电机组故障诊断方法,其特征在于,所述s303具体包括:
6.根据权利要求1所述的基于联合分析的发电机组故障诊断方法,其特征在于,所述s505具体包括:
7.根据权利要求1所述的基于联合分析的发电机组故障诊断方法,其特征在于,所述s7具体包括:
8.一种基于联合分析的发电机组故障诊断系统,其特征在于,包括:处理器和存储器;
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的基于联合分析的发电机组故障诊断方法的步骤。
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