一种同步电机定子早期故障预警方法
阅读：994发布：2020-05-16
专利汇可以提供一种同步电机定子早期故障预警方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种同步 电机 定子 早期故障预警方法。该方法包括：步骤1：构建深度置信网络(Deep Belief Networks，DBN)模型；步骤2：训练深度置信网络模型；步骤3：将电机实际运行时SCADA系统采集的定子侧数据经过归一化处理后输入至训练好的深度置信网络模型中，网络输出重构误差的变化趋势图，判断重构误差的变化趋势图是否在重构误差的设定 阈值 的上方，如果是，则判断定子侧发生故障，并转向步骤4；如果否，则定子侧运行正常，然后转向步骤5；步骤4：将状态参数的重构值与实测值相减得到状态参数的残差值，判断残差值是否超过设定阈值；步骤5：结束。本发明提供的同步电机定子早期故障预警方法，实现同步电机定子故障的诊断方法，并能对定子早期故障进行预警。，下面是一种同步电机定子早期故障预警方法专利的具体信息内容。
1.一种同步电机定子早期故障预警方法，其特征在于，包含以下步骤：
步骤1：确定深度置信网络的设计参数，构建深度置信网络模型；
步骤2：训练深度置信网络模型：
(1a)采集同步电机正常运行状态下SCADA系统的定子侧数据，并将SCADA系统采集的定子侧数据分成训练样本集和测试样本集，对得到的训练样本集和测试样本集进行归一化处理；
(1b)对归一化后的训练样本集进行无监督学习，通过对比散度算法更新网络参数，待训练完成第一个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)后，将其隐含层节点数据作为下一级受限玻尔兹曼机的输入，以此类推，逐层训练得到预训练后的深度置信网络模型；
(1c)调用定子侧标签样本通过预训练后的深度置信网络模型顶层的BP网络进行自上而下的逐层参数微调，得到训练好的深度置信网络模型；
(1d)将归一化后的测试样本集输入到训练好的深度置信网络模型中，输出深度置信网络模型的重构误差，并根据自适应阈值原理输出阈值；
步骤3：将电机实际运行时SCADA系统采集的定子侧数据经过归一化处理后输入至训练好的深度置信网络模型中，网络输出重构误差的变化趋势图，判断重构误差的变化趋势图是否在重构误差的设定阈值上方，如果是，则判断定子侧发生故障，需报警，并转向步骤4；
如果否，则定子侧运行正常，然后转向步骤5；
步骤4：将各状态参数的重构值与实测值相减得到状态参数的残差值，寻找残差值超过其设定阈值的物理量，结合物理量类型可分析得出定子故障原因并报告；
步骤5：结束。
2.根据权利要求1所述的同步电机定子早期故障预警方法，其特征在于，所述步骤1：确定深度置信网络的设计参数，构建深度置信网络模型，具体包括：
以深度置信网络模型的学习率作为问题参数，以深度置信网络模型的能量函数作为目标函数，采用梯度算法对深度置信网络模型的学习率进行循环迭代，找出深度置信网络模型的最佳学习率和能量值最小情况下的网络参数，并以深度置信网络模型的最佳学习率和能量值最小情况下的网络参数作为深度置信网络模块的更新参数。
3.根据权利要求2所述的同步电机定子早期故障预警方法，其特征在于，所述以深度置信网络模型的学习率作为问题参数，以深度置信网络模型的能量函数作为目标函数，采用梯度算法对深度置信网络模型的学习率进行循环迭代，找出深度置信网络模型的最佳学习率和能量值最小情况下的网络参数，并以深度置信网络模型的最佳学习率和能量值最小情况下的网络参数作为深度置信网络模块的更新参数，具体包括：
根据能量函数 得到可见层节点和隐
含层节点的联合概率分布：
对可见层节点和隐含层节点的联合概率分布进行降维处理求解得到部分边缘分布和条件概率分布：
根据统计学的结论得到能量最低的状态发生的概率最高，由联合概率分布得到：
选取sigmoid函数作为公式(6)和(7)的激活函数，得到深度置信网络模块的更新参数：
式中，γ＝{wij,vi,hj}，能量函数描述了受限玻尔兹曼机层间单元节点的能量总和，η为初始学习速率，v表示可见层，h表示隐含层，wij表示可见层单元i与隐含层单元j的连接权重，vi表示可见层单元，hj表示隐含层单元，γ表示γ＝{wij,vi,hj}，Δwij表示权重更新准则，Δbi表示可见层单元偏置，Δcj表示隐含层单元偏置。
4.根据权利要求1所述的同步电机定子早期故障预警方法，其特征在于，所述(1d)将归一化后的样本集输入到训练好的深度置信网络模型中，输出深度置信网络模型的重构误差，并根据自适应原理输出阈值，具体包括：
从重构误差变化趋势图初始部分开始框选一小段数据，作为起始数据框；
对框选数据按照指数加权移动平均法阈值设定方法计算得到一个固定阈值，将其作为数据框最后时刻处的重构误差阈值；
从起始位置开始逐帧移动数据框，重复上面的计算过程，可得到任何一时刻的重构误差阈值，连接起来便形成了拟合重构误差变化趋势的自适应阈值图；
由于框选数据范围会影响阈值的自适应能力，在实际应用中应根据具体情况设定合适的值，鉴于起始重构误差部分变化平稳且波动小，故将起始数据框最后时刻的设定阈值也作为前面时刻处的阈值。
一种同步电机定子早期故障预警方法
技术领域
[0001] 本发明涉及电机技术领域，特别是涉及一种同步电机定子早期故障预警方法。
背景技术
[0002] 随着经济社会的发展，用电需求量激增，同步电机在冷却方式、材料品质及制造工艺方面都取得了长足进步，但大容量电机结构复杂、价格昂贵，故障影响范围广。定子作为同步电机关键部件之一，受高温、潮湿、粉尘影响等环境因素，频繁启动、调速、制动等操作因素，散热不佳、腐蚀老化、受力变形、氧化等材料因素的影响容易发生故障。
[0003] 在同步电机中，常见的定子故障有：定子绕组的匝间短路、定子绕组相间短路、定子绕组开路、定子线棒冷却水路堵塞、定子铁芯局部过热、冷却风路堵塞等等。若未在故障早期发现并采取合适措施处理，会加速故障发展，扩大故障范围，影响电机的安全稳定运行。因此，对定子故障的早期预警具有重要意义。
[0004] 常规故障预测方法存在难以分析复合故障的情况下各个故障对系统的交互作用、难以分析设备数据的复杂特征、难以实时准确预测故障等问题，本发明将人工智能方法结合大数据分析应用到故障预测技术上，提出了基于深度置信网络的故障预测技术。
发明内容
[0005] 本发明提供一种同步电机定子早期故障预警方法，实现同步电机定子故障的诊断方法，并且能够对定子早期故障进行预警。
[0006] 为实现上述目的，本发明提供了如下方案：
[0007] 一种同步电机定子早期故障预警方法，包含以下步骤：
[0008] 步骤1：确定深度置信网络的设计参数，构建深度置信网络模型；
[0009] 步骤2：训练深度置信网络模型：
[0010] (1a)采集同步电机正常运行状态下SCADA系统的定子侧数据，并将SCADA系统采集的定子侧数据分成训练样本集和测试样本集，对得到的训练样本集和测试样本集进行归一化处理；
[0011] (1b)对归一化后的训练样本集进行无监督学习，通过对比散度算法更新网络参数，待训练完成第一个受限玻尔兹曼机后，将其隐含层节点数据作为下一级受限玻尔兹曼机的输入，以此类推，逐层训练得到预训练后的深度置信网络模型；
[0012] (1c)调用定子侧标签样本通过预训练后的深度置信网络模型顶层的BP网络进行自上而下的逐层参数微调，得到训练好的深度置信网络模型；
[0013] (1d)将归一化后的测试样本集输入到训练好的深度置信网络模型中，输出深度置信网络模型的重构误差，并根据自适应阈值原理输出阈值。
[0014] 步骤3：将电机实际运行时SCADA系统采集的定子侧数据经过归一化处理后输入至训练好的深度置信网络模型中，网络输出重构误差的变化趋势图，判断重构误差的变化趋势图是否在重构误差的设定阈值的上方，如果是，则判断定子侧发生故障，需报警，并转向步骤4；如果否，则定子侧运行正常，然后转向步骤5；
[0015] 步骤4：将各状态参数的重构值与实测值相减得到状态参数的残差值，寻找残差值超过其设定阈值的物理量，结合物理量类型可分析得出定子故障原因并报告；
[0016] 步骤5：结束。
[0017] 可选的，所述步骤1：确定深度置信网络的设计参数，构建深度置信网络模型，具体包括：
[0018] 以深度置信网络模型的学习率作为问题参数，以深度置信网络模型的能量函数作为目标函数，采用梯度算法对深度置信网络模型的学习率进行循环迭代，找出深度置信网络模型的最佳学习率和能量值最小情况下的网络参数，并以深度置信网络模型的最佳学习率和能量值最小情况下的网络参数作为深度置信网络模块的更新参数。
[0019] 可选的，所述以深度置信网络模型的学习率作为问题参数，以深度置信网络模型的能量函数作为目标函数，采用梯度算法对深度置信网络模型的学习率进行循环迭代，找出深度置信网络模型的最佳学习率和能量值最小情况下的网络参数，并以深度置信网络模型的最佳学习率和能量值最小情况下的网络参数作为深度置信网络模块的更新参数，具体包括：
[0020] 根据能量函数 得到可见层节点和隐含层节点的联合概率分布：
[0021]
[0022] 对可见层节点和隐含层节点的联合概率分布进行降维处理求解得到部分边缘分布和条件概率分布：
[0023]
[0024]
[0025]
[0026]
[0027] 根据统计学的结论得到能量最低的状态发生的概率最高，由联合概率分布得到：
[0028]
[0029]
[0030] 选取sigmoid函数作为公式(6)和(7)的激活函数，得到深度置信网络模块的更新参数：
[0031]
[0032]
[0033]
[0034] 式中，γ＝{wij,vi,hj}，能量函数描述了受限玻尔兹曼机层间单元节点的能量总和，η为初始学习速率，v表示可见层，h表示隐含层，wij表示可见层单元i与隐含层单元j的连接权重，vi表示可见层单元，hj表示隐含层单元，Δwij表示权重更新准则，Δbi表示可见层单元偏置，Δcj表示隐含层单元偏置。
[0035] 所述(1d)将归一化后的样本集输入到训练好的深度置信网络模型中，输出深度置信网络模型的重构误差，并根据自适应原理输出阈值，具体包括：
[0036] 从重构误差变化趋势图初始部分开始框选一小段数据，作为起始数据框；
[0037] 对框选数据按照指数加权移动平均法阈值设定方法计算得到一个固定阈值，将其作为数据框最后时刻处的重构误差阈值；
[0039] 由于框选数据范围会影响阈值的自适应能力，在实际应用中应根据具体情况设定合适的值，鉴于起始重构误差部分变化平稳且波动小，故将起始数据框最后时刻的设定阈值也作为前面时刻处的阈值。
[0040] 该技术与现有技术相比，具有如下有益效果：
[0041] 本发明提供的一种同步电机定子早期故障预警方法，常规故障预测方法存在难以分析复合故障的情况下各个故障对系统的交互作用、难以分析设备数据的复杂特征、难以实时准确预测故障等问题，本发明将人工智能方法结合大数据分析应用到故障预测技术上，提出了基于深度学习的故障预测技术。与现有定子故障诊断方法相比有如下优点：
[0042] (1)充分考虑了与定子相关的物理量，避免了某一种变量测量不准确或信号受到干扰而造成的预测值不准确的情况。(2)DBN网络虽然仍未脱离多层神经网络的范畴，但相对于传统判决型神经网络，其兼具了判别和生成功能，可以利用输入样本数据和标签的联合概率分布来对先验概率和后验概率进行估计，是对传统模型仅能估计后验概率的突破。(3)本发明可以在故障发展至严重故障前提前发现故障，起到故障预警的作用。(4)本发明利用SCADA数据进行故障预测，不需要在同步电机内添加额外的测量装置，具有简便易行的优点，为机组的运行维护提供了可靠依据。(5)相对于传统使用的固定阈值预警，本发明采用自适应阈值预警，在预警时间上提前了200-2000s的时间，并具有局部紧凑的特性，可以提高识别故障的灵敏性并减少误报警情况的发生。
附图说明
附图说明
[0043] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0044] 图1为本发明实施例同步电机定子早期故障预警方法的流程图；
[0045] 图2为本发明实施例RBM结构模型图；
[0046] 图3为本发明实施例DBN的编码和解码过程；
[0047] 图4为本发明实施例DBN结构图；
[0048] 图5为本发明实施例DBN故障预测模型原理图；
[0049] 图6为本发明实施例定子正常运行状态下训练集的Re变化趋势图；
[0050] 图7为本发明实施例定子正常运行状态下测试集的Re变化趋势图；
[0051] 图8为本发明实施例故障状态下定子Re基于控制原理的阈值设置图；
[0052] 图9为本发明实施例正常状态下定子Re基于自适应原理的阈值设置图；
[0053] 图10为本发明实施例故障状态下定子Re基于自适应原理的阈值设置图。
具体实施方式
[0054] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055] 本发明提供一种同步电机定子早期故障预警方法，实现同步电机定子故障的诊断方法，并且能够对定子早期故障进行预警。
[0056] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0057] 图1为本发明实施例同步电机定子早期故障预警方法的流程图，如图1所示，一种基于深度置信网络的同步电机定子早期故障预警方法，包含以下步骤：
[0058] 步骤1：明确深度置信网络基本理论以及影响它本身分类效果的设计参数，构建深度置信网络模型；
[0059] 步骤2：训练深度置信网络模型：
[0060] (1a)采集同步电机正常运行状态下SCADA系统采集的定子侧数据，并将SCADA系统采集的定子侧数据分成训练样本集和测试样本集，并对得到的训练样本集和测试样本集进行归一化处理；
[0061] (1b)对归一化后的训练样本集进行无监督学习，通过对比散度算法更新网络参数，待训练完成第一个受限玻尔兹曼机后，将其隐含层节点数据作为下一级受限玻尔兹曼机的输入，以此类推，逐层训练得到预训练后的深度置信网络模型；
[0062] (1c)调用定子侧标签样本通过预训练后的深度置信网络模型顶层的BP网络进行自上而下的逐层参数微调，得到训练好的深度置信网络模型；
[0063] (1d)将归一化后的测试样本集输入到训练好的深度置信网络模型中，输出深度置信网络模型的重构误差，并根据自适应阈值原理输出阈值；
[0064] 步骤3：将电机实际运行时SCADA系统采集的定子侧数据经过归一化处理后输入至训练好的深度置信网络模型中，网络输出重构误差的变化趋势图，判断重构误差的变化趋势图是否在重构误差的设定阈值的上方，如果是，则判断定子侧发生故障，需报警，并转向步骤4；如果否，则定子侧运行正常，然后转向步骤5；
[0065] 步骤4：将各状态参数的重构值与实测值相减得到状态参数的残差值，寻找残差值超过其设定阈值的物理量，结合物理量类型可分析得出定子故障原因并报告；
[0066] 步骤5：结束。
[0067] 图2为本发明实施例RBM结构模型图，如图2所示，深度置信网络(Deep Belief Network，DBN)作为深度学习研究领域主流模型之一，广泛应用于解决高维数据非线性关系的处理问题。整个网络由作为基本单元的限制玻尔兹曼机自底向上堆叠构成，可视为一个提取样本数据内含特征和关联规律的工具。
[0068] 受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)是一类具备双层结构，对称连接且无自反馈的随机神经网络模型，它包括m个共同构成可见层的可视节点，用向量vi＝(v1,v2,…,vm)表示，n个共同构成隐含层的隐含节点，用向量hj＝(h1,h2,…,hn)表示。节点均具有独立性，可见层节点间彼此无关，其状态仅与对应的n个隐藏层节点有关，隐含节点则只与对应的m个可见层节点有关，满足层内无连接，层间全连接的结构关系。
[0069] 可见层作为数据的输入端口，隐含层则视为特征提取器，各层节点均具有相对应的偏移量，可视节点的偏移量记为向量bi＝(b1,b2,…,bm)，隐含节点的偏移量记为向量cj＝(c1,c2,…,cn)，层间通过权重矩阵wij连接，这些参数在训练前均处理成服从高斯分布的随机最小值。
[0070] 定义RBM的能量函数为：
[0071]
[0072] 式中，γ＝{wij,vi,hj}。该函数描述了RBM层间单元节点的能量总和，利用梯度法迭代求解；
[0073] 基于能量函数，定义可见层节点和隐含层节点的联合概率分布如下：
[0074]
[0075] 一个特定变量的边缘分布可由给定其他变量的条件概率分布求取，因此可以利用联合概率分布进行降维处理求解出一些边缘分布和条件概率分布：
[0076]
[0077]
[0078]
[0079]
[0080] 统计力学中有结论表示，能量最低的状态发生的概率最高，而这正是实际求解的目标。由联合概率分布可以得到：
[0081]
[0082]
[0083] 两式应用的激活函数为sigmoid函数，前式体现了将输入映射到输出的前馈编码过程，这里RBM节点实现了自动编码器的作用；后式则体现了反向传播的解码过程，输出即为输入的重构值。图3为本发明实施例DBN的编码和解码过程。
[0084] 最终得到的RBM参数更新公式如下:
[0085]
[0086]
[0087]
[0088] 式中η为初始学习速率，一般设为0.1。通过输入与其网络重构值作差来表示梯度，并进行循环迭代以使差值趋向最小，从而实现RBM网络参数γ的更新，达到令RBM表征下的输入样本分布尽可能逼近同步电机定子物理量数据实际分布的目的。
[0089] 式中，γ＝{wij,vi,hj}，能量函数描述了受限玻尔兹曼机层间单元节点的能量总和，η为初始学习速率，v表示可见层，h表示隐含层，wij表示可见层单元i与隐含层单元j的连接权重，v表示可见层，h表示隐含层，wij表示可见层单元i与隐含层单元j的连接权重，vi表示可见层单元，hj表示隐含层单元，Δwij表示权重更新准则，Δbi表示可见层单元偏置，Δcj表示隐含层单元偏置。
[0090] 重构误差
[0091] 电机处于正常状态下稳定运行时，相应的重构误差在允许范围内稳定变化。当同步电机出现定子侧故障，重构误差会出现明显的趋势变化，据此可以判断定子侧发生了故障，并可由趋势变化情况对故障的发生发展做出预测。因此可以定义重构误差(Reconstruction error,Re)为评估指标，以其变化趋势反映同步电机定子的运行状态，公式如下：
[0092] Ret＝||xt-Xt||2
[0093] 式中，xt为t时刻的输入样本重构值，Xt为t时刻的输入样本数据。
[0094] 阈值设定原理
[0095] 通过设定适当的阈值，通过重构误差Re与阈值比较，根据Re的变化趋势及程度，判定设备的运行状况，达到故障预测的目的。下面分两步进行阈值设定：
[0096] 基于控制原理的固定阈值设定
[0097] 指数加权移动平均法(Exponentially Weighted Moving-Average,EWMA)常用于统计数据处理，以设置加权系数的形式充分考虑之前所有观测值的信息，反映目标量近期变化趋势。采用基于EWMA原理的控制图跟踪监测Re的变化趋势，通过设置控制线的方式划分正常、预警、告警区间。
[0098] EWMA控制点值的表达式如下所示：
[0099] vt＝βRet+(1-β)vt-1
[0100] 式中Ret代表t时刻下的重构误差，系数β表示EWMA控制图对历史数据的权重系数，β∈(0，1]。设定β＝0.9。v0取起始一小段时间的均值。求取vt的标准差σ如下所示：
[0101]
[0102] 式中，k为重构误差的标准差，n代表采样间距，综上设置EWMA控制图阈值函数为：
[0103] v＝uvt+zσ
[0104] 式中uvt为vt的算数平均值，考虑到需留有一定裕度及模型的灵敏度，z值可取4和6，z值为4时的阈值定为提醒有定子故障初步发生的警戒线，z值为6时的阈值则作为定子故障发展至严重的告警界限。
[0105] 基于自适应原理的动态阈值设定
[0106] 采用拟合Re数据变化趋势的自适应阈值设定方法，具体步骤如下所示：
[0107] 从重构误差变化趋势图初始部分开始框选一小段数据，作为起始数据框；
[0108] 对框选数据按照上一节介绍的EWMA阈值设定方法计算得到一个固定阈值，将其作为数据框最后时刻处的Re阈值；
[0109] 从起始位置开始逐帧移动数据框，重复上面的计算过程，可得到任何一时刻的Re阈值，连接起来便形成了拟合Re变化趋势的自适应阈值图。
[0110] 由于框选数据范围会影响阈值的自适应能力，在实际应用中应根据具体情况设定合适的值。鉴于起始Re部分变化平稳且波动小，故将起始数据框最后时刻的设定阈值也作为前面时刻处的阈值。
[0111] 根据重构误差Re的变化趋势图和设定阈值便可区分定子正常运行状态和故障状态，基于DBN模型的同步电机定子故障预测步骤流程如下：
[0112] 选取同步电机正常运行状态下定子侧的SCADA数据为训练数据集，为了消除因类型不同造成的数值差异和保持同类型数据整体结构不变，帮助梯度下降算法快而准确的收敛，对SCADA数据进行归一化处理：
[0113]
[0114] 式中Tmax，Tmin分别代表整个输入样本同类型数据的最大值、最小值，t为数据T的归一化结果。
[0115] 对训练数据集进行无监督学习，通过对比散度算法更新网络参数，待训练完成第一个RBM后，将其隐含层节点数据作为下一级RBM的输入，以此类推，逐层训练得到完整的DBN网络模型，最后调用定子侧标签样本通过DBN网络顶层的BP网络进行自上而下的逐层参数微调。
[0116] 输入定子侧正常状态数据的SCADA数据进行测试，利用训练好的DBN网络重构输入向量，得到重构误差的变化趋势图，验证模型拟合效果。
[0117] 将电机实际运行时SCADA采集的定子侧数据输入训练好的DBN网络模型中，进行数据重构，得到重构误差的变化趋势图。若变化趋势越过阈值并保持在阈值上方时，则可判断定子侧发生了故障并对异常进行报警。
[0118] 若有报警信号，可依据各个状态变量的残差趋势图对故障原因进行初步判断，这里的残差指重构值与实际值之差，即xt-Xt。若某个物理量的重构残差超过其相应阈值，即可进一步判断出故障原因。
[0119] 以某热力发电厂的一台200MW水氢氢汽轮发电机作为实例说明本发明的实施过程。首先选取机组正常运行一定时间段内定子侧的SCADA数据训练DBN网络，以挖掘其正常运行状态下的特征规律，为同步电机定子故障预测提供依据。具体选择某发电厂同步电机组正常运行时某一时段定子侧SCADA状态监测数据为总的训练样本，采样间隔为10s，时长为5小时33分钟，总计2000个数据样本。同步电机定子侧SCADA参数类型选取电机定子三相电流、定子电压、冷风区温度、热风区温度、定子铁心温度、进水温度、出水温度、定子线圈出水温度、定子线圈层间温度等作为输入变量。表1为选取的同步电机定子侧SCADA参数类型，如表1所示：
[0120] 表1水氢氢汽轮发电机定子侧主要参数
[0121]
[0122] 图4和图5为其DBN模型。
[0123] 同步电机处于正常状态下稳定运行时，其定子侧SCADA系统状态监测数据随时间在合理的范围内波动，维持在一种动态平衡的状态。提取同步电机定子侧相关的SCADA数据作为训练模型的输入样本，以迭代更新模型参数至最优的形式来学习定子侧数据正常状态下的特征规律。
[0124] 输入样本后，如果网络模型性能优异并且准确度高，理论上重构值与输入值差别较小。但当同步电机定子侧出现故障，SCADA数据间的动态平衡关系就会被打破，若将此时异常状态下的数据利用正常的DBN网络重构，重构误差会出现明显的趋势变化，据此可以判断定子侧发生了故障，并可由趋势变化情况对故障的发生发展做出预测。
[0125] 图6为本发明实施例定子正常运行状态下训练集的Re变化趋势图，如图6所示，根据EWMA原理设置固定阈值，仿真曲线表明，从0s至t1的时间范围内，Re变化趋势在预警阈值范围内动态平稳变化，这说明这段时间内同步发电机定子工作情况良好。但在t1时刻，Re达到预警阈值的边界，此后便超出阈值限定范围并一直处于波动上升状态，可以判断定子处于异常状况，发出预警信号，并对其进行更密切的监控和趋势分析。当此渐变式故障发展到t2时刻超出告警阈值，并且Re变化趋势不变且梯度加快，便可以判断出定子存在故障，发出告警信号，同时需要进行停机检查维护。对于相同故障采用自适应阈值设定，如图7所示，在定子出现故障之前，即t3时刻以前，Re变化趋势在自适应阈值范围内动态平稳变化，而在t3时刻以后Re变化趋势超出设定阈值，并一直呈现上升态势。基于此可以发出故障预警信号，以检测出早期故障发生的方式达到了预测定子故障的目的。对比图6和7可以看出，相对于固定阈值的预警效果，自适应阈值在预警时间上提前了2070秒，并具有局部紧凑的特性，可以提高识别故障的灵敏性并减少误报警情况的发生。
[0126] 本发明提供的一种基于深度置信网络的同步电机定子早期故障预警方法，解决的技术问题是现有技术在故障监测的及时性、故障阈值的确定及早期故障预警等方面存在的不足。目前电厂为了实时监测发电设备的运行情况，配备了监控与数据采集(Supervisory Control and Data Acquisition,SCADA)系统，详细记录了同步发电机的各项运行数据，为机组状态监测和维护提供了可靠的依据。针对常规故障预测方法在处理复杂故障、分析故障特征、发现轻微故障、实时预测故障等方面的缺陷，可以引入深度学习算法利用设备状态监测数据提取故障特征，构建故障预警模型来实现对定子故障的在线动态预测。同时SCADA系统保留了大量的历史告警、历史故障等富含挖掘价值的信息，也有利于充分发挥深度学习对大数据的建模能力，易于构建基于深度学习的故障预测模型，为日常故障处理手段提供辅助支撑。常规故障预测方法存在难以分析复合故障的情况下各个故障对系统的交互作用、难以分析设备数据的复杂特征、难以实时准确预测故障等问题，本发明将人工智能方法结合大数据分析应用到故障预测技术上，提出了基于深度学习的故障预测技术。与现有定子故障诊断方法相比有如下优点：
[0127] (1)充分考虑了与定子相关的物理量，避免了某一种变量测量不准确或信号受到干扰而造成的预测值不准确的情况。(2)DBN网络虽然仍未脱离多层神经网络的范畴，但相对于传统判决型神经网络，其兼具了判别和生成功能，可以利用输入样本数据和标签的联合概率分布来对先验概率和后验概率进行估计，是对传统模型仅能估计后验概率的突破。(3)本发明可以在故障发展至严重故障前提前发现故障，起到故障预警的作用。(4)本发明利用SCADA数据进行故障预测，不需要在同步电机内添加额外的测量装置，具有简便易行的优点，为机组的运行维护提供了可靠依据。(5)相对于传统使用的固定阈值预警，本发明采用自适应阈值预警，在预警时间上提前了200-2000s的时间，并具有局部紧凑的特性，可以提高识别故障的灵敏性并减少误报警情况的发生。一种基于深度置信网络的同步电机定子绕组故障诊断方法，它利用深度学习在历史数据非直观关联性挖掘方面的优势，通过大量训练样本完成模型训练，将重构误差Re作为故障预测指标，以区分故障和正常状态下Re趋势图差异的形式实现故障预警和故障诊断。本发明提供一种基于深度置信网络的同步电机定子早期故障预警方法，实现同步电机定子故障的诊断方法，并且能够对定子早期故障进行预警。
[0129] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 步长预测方法、控制器、定位设备和可读存储介质 | 2020-05-08 | 182 |
| 基于泛函深度信念网络的日太阳辐射资源评估方法 | 2020-05-15 | 529 |
| 一种基于语音属性分类的交互系统及其方法 | 2020-05-19 | 590 |
| 一种语音识别方法及装置 | 2020-05-17 | 483 |
| 一种基于有限元和深度信念网络的均压环优化设计方法 | 2020-05-17 | 138 |
| 基于深度信念网络和扫描叠加的微震源自动定位方法 | 2020-05-08 | 317 |
| 一种新型的配电网运行状态画像分析方法 | 2020-05-18 | 619 |
| 一种变电站二次设备状态监测方法及可读存储介质 | 2020-05-19 | 236 |
| 结合判别式深度置信网络和主动学习的心电分类方法 | 2020-05-16 | 886 |
| 一种跨模态检索方法及系统 | 2020-05-15 | 91 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈