一种水电站转子不对中故障诊断方法、系统及电子设备与流程

1.本发明属于故障检测技术领域，具体涉及一种水电站转子不对中故障诊断方法、系统及电子设备。


背景技术：

2.由于转轴之间连接的不精确、机械安装的误差、承载后出现变形等原因，在旋转机械运行过程中容易出现不对中的故障。相关数据显示，转子所出现故障中约60％与它有关。当旋转机械运行过程出现该故障时，往往会造成许多对机械设备危害极大的影响，如油膜失稳、轴承的早期破损、联轴器偏转等。故本技术提出一种水电站转子不对中故障诊断方法。


技术实现要素：

3.本发明为了解决以上问题，提出了一种水电站转子不对中故障诊断方法、系统及电子设备。
4.本发明的技术方案是：一种水电站转子不对中故障诊断方法包括以下步骤：
5.s1：采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；
6.s2：针对转子数据样本集，构建并训练转子不对中故障诊断模型；
7.s3：将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。
8.进一步地，步骤s1包括以下子步骤：
9.s11：采集初始转子振动数据集，对初始转子振动数据集进行一次剔除，得到第一转子振动数据集；
10.s12：根据第一转子振动数据集生成转子振动矩阵；
11.s13：对转子振动矩阵进行二次剔除，得到第二转子振动数据集；
12.s14：对第二转子振动数据集的各个振动数据进行归一化处理，将归一化处理后的各个振动数据作为转子数据样本集。
13.进一步地，步骤s11中，进行一次剔除的具体方法为：将初始转子振动数据集的转子振动数据从小到大排列，得到转子振动数据序列，选择三个转子振动数据将转子振动数据序列均分为四份，根据三个转子振动数据确定异常转子振动数据区间[n1,nu]，将属于异常转子振动数据区间[n1,nu]的转子振动数据剔除，得到第一转子振动数据集；其中，异常转子振动数据区间的上限值n1和下限值nu的计算公式分别为：
[0014]
n1＝n
1-ω1(n
3-n1)
[0015]
n2＝n
2-ω2(n
3-n1)
[0016]
其中，n1表示选择的转子振动数据的最小值，n2表示选择的转子振动数据的最大值，ω1表示第一权重，ω2表示第二权重。
[0017]
进一步地，步骤s12中，生成转子振动矩阵的具体方法为：根据第一转子振动数据集的各个转子振动数据，随机生成m
×
n的转子振动矩阵x，其中，转子振动矩阵x中空位处用零补齐，m表示转子振动矩阵的行数，n表示转子振动矩阵的列数。
[0018]
进一步地，步骤s13包括以下子步骤：
[0019]
s131：从转子振动矩阵中随机选择一列，确定该列对应的剔除阈值；
[0020]
s132：将步骤s131随机选择的一列中小于剔除阈值的转子振动数据剔除；
[0021]
s133：重复步骤s131，确定各列对应的剔除阈值，并重复步骤s132，将各列中小于剔除阈值的转子振动数据剔除，将剩余的转子振动数据作为第二转子振动数据集。
[0022]
进一步地，步骤s131中，剔除阈值t的计算公式为：
[0023][0024]
其中，xj表示转子振动矩阵x中随机选择的列向量，α表示0-1之间的随机数。
[0025]
进一步地，步骤s2中，转子不对中故障诊断模型包括卷积层、全连接层和输出层；
[0026]
卷积层用于提取转子数据样本集的各个特征，生成特征差异；全连接层用于根据特征差异获取特征向量；输出层用于根据特征向量调整转子不对中故障诊断模型的参数。
[0027]
进一步地，卷积层生成特征差异d(p)的计算公式为：
[0028][0029]
式中，sim(
·
)表示相似度函数，y(
·
)表示转子数据样本集的特征，y表示转子数据样本集的特征个数。
[0030]
进一步地，全连接层利用向量转换损失函数获取特征向量，其中，向量转换损失函数c的表达式为：
[0031][0032]
式中，m表示特征差异个数，d(p)表示特征差异，αm表示特征差异的均值，βm表示超参数。
[0033]
进一步地，输出层调整转子不对中故障诊断模型的参数的具体方法为：利用输出层的softmax函数对特征向量进行分类，得到每一类的分类概率，并根据每一类的分类概率逐层更新转子不对中故障诊断模型的参数；其中，每一类的分类概率p的计算公式为：
[0034][0035]
式中，wk表示第k类的权重矩阵，bk表示第k类的偏置，x表示特征向量。
[0036]
本发明还提供了一种水电站转子不对中故障诊断系统，包括依次连接的数据采集处理模块、模型训练模块和故障诊断模块；
[0037]
所述数据采集处理模块用于采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；所述模型训练模块用于针对转子数据样本集，构建并训练
转子不对中故障诊断模型；所述故障诊断模块用于将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。
[0038]
进一步地，所述数据采集处理模块采用若干个振动信号采集传感器。
[0039]
进一步地，若干个所述振动信号采集传感器固定设置于水电站转子上，用于采集水电站转子的振动数据，得到初始转子振动数据集。
[0040]
进一步地，所述模型训练模块设置有算力资源子模块，所述算力资源子模块用于利用输出层的softmax函数对特征向量进行分类，得到每一类的分类概率，并根据每一类的分类概率逐层更新转子不对中故障诊断模型的参数。
[0041]
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现水电站转子不对中故障诊断方法的步骤。
[0042]
本发明的有益效果是：
[0043]
(1)本发明对采集的数据进行预处理，克服转子不对中诊断结果易受采集数据影响而不准确的缺陷，大大优化了故障诊断模型的构建过程；
[0044]
(2)本发明针对水电站转子不对中的情况，利用神经网络构建不对中故障诊断模型，可有效检测转子在运行过程中是否发生了不对中故障，提高了转子不对中状态的识别准确度。
附图说明
[0045]
图1为水电站转子不对中故障诊断方法的流程图。
[0046]
图2为水电站转子不对中故障诊断系统的示意图。
具体实施方式
[0047]
下面结合附图对本发明的实施例作进一步的说明。
[0048]
如图1所示，本发明提供了一种水电站转子不对中故障诊断方法，包括以下步骤：
[0049]
s1：采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；
[0050]
s2：针对转子数据样本集，构建并训练转子不对中故障诊断模型；
[0051]
s3：将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。
[0052]
在本发明实施例中，步骤s1包括以下子步骤：
[0053]
s11：采集初始转子振动数据集，对初始转子振动数据集进行一次剔除，得到第一转子振动数据集；
[0054]
s12：根据第一转子振动数据集生成转子振动矩阵；
[0055]
s13：对转子振动矩阵进行二次剔除，得到第二转子振动数据集；
[0056]
s14：对第二转子振动数据集的各个振动数据进行归一化处理，将归一化处理后的各个振动数据作为转子数据样本集。
[0057]
在本发明实施例中，步骤s11中，进行一次剔除的具体方法为：将初始转子振动数据集的转子振动数据从小到大排列，得到转子振动数据序列，选择三个转子振动数据将转
子振动数据序列均分为四份，根据三个转子振动数据确定异常转子振动数据区间[n1,nu]，将属于异常转子振动数据区间[n1,nu]的转子振动数据剔除，得到第一转子振动数据集；其中，异常转子振动数据区间的上限值n1和下限值nu的计算公式分别为：
[0058]
n1＝n
1-ω1(n
3-n1)
[0059]
n2＝n
2-ω2(n
3-n1)
[0060]
其中，n1表示选择的转子振动数据的最小值，n2表示选择的转子振动数据的最大值，ω1表示第一权重，ω2表示第二权重。
[0061]
在本发明实施例中，步骤s12中，生成转子振动矩阵的具体方法为：根据第一转子振动数据集的各个转子振动数据，随机生成m
×
n的转子振动矩阵x，其中，转子振动矩阵x中空位处用零补齐，m表示转子振动矩阵的行数，n表示转子振动矩阵的列数。
[0062]
在本发明实施例中，步骤s13包括以下子步骤：
[0063]
s131：从转子振动矩阵中随机选择一列，确定该列对应的剔除阈值；
[0064]
s132：将步骤s131随机选择的一列中小于剔除阈值的转子振动数据剔除；
[0065]
s133：重复步骤s131，确定各列对应的剔除阈值，并重复步骤s132，将各列中小于剔除阈值的转子振动数据剔除，将剩余的转子振动数据作为第二转子振动数据集。
[0066]
在本发明实施例中，步骤s131中，剔除阈值t的计算公式为：
[0067][0068]
其中，xj表示转子振动矩阵x中随机选择的列向量，α表示0-1之间的随机数。
[0069]
在本发明实施例中，步骤s2中，转子不对中故障诊断模型包括卷积层、全连接层和输出层；
[0070]
卷积层用于提取转子数据样本集的各个特征，生成特征差异；全连接层用于根据特征差异获取特征向量；输出层用于根据特征向量调整转子不对中故障诊断模型的参数。
[0071]
在本发明实施例中，卷积层生成特征差异d(p)的计算公式为：
[0072][0073]
式中，sim(
·
)表示相似度函数，y(
·
)表示转子数据样本集的特征，y表示转子数据样本集的特征个数。
[0074]
在本发明实施例中，全连接层利用向量转换损失函数获取特征向量，其中，向量转换损失函数c的表达式为：
[0075][0076]
式中，m表示特征差异个数，d(p)表示特征差异，αm表示特征差异的均值，βm表示超参数。
[0077]
在本发明实施例中，输出层调整转子不对中故障诊断模型的参数的具体方法为：利用输出层的softmax函数对特征向量进行分类，得到每一类的分类概率，并根据每一类的分类概率逐层更新转子不对中故障诊断模型的参数；其中，每一类的分类概率p的计算公式
为：
[0078][0079]
式中，wk表示第k类的权重矩阵，bk表示第k类的偏置，x表示特征向量。
[0080]
如图2所示，在本发明实施例中，一种水电站转子不对中故障诊断系统，包括依次连接的数据采集处理模块、模型训练模块和故障诊断模块；
[0081]
所述数据采集处理模块用于采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；所述模型训练模块用于针对转子数据样本集，构建并训练转子不对中故障诊断模型；所述故障诊断模块用于将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。
[0082]
所述数据采集处理模块采用若干个振动信号采集传感器。
[0083]
若干个所述振动信号采集传感器固定设置于水电站转子上，用于采集水电站转子的振动数据，得到初始转子振动数据集。
[0084]
所述模型训练模块设置有算力资源子模块，所述算力资源子模块用于利用输出层的softmax函数对特征向量进行分类，得到每一类的分类概率，并根据每一类的分类概率逐层更新转子不对中故障诊断模型的参数。
[0085]
在本发明实施例中，一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现水电站转子不对中故障诊断方法的步骤。
[0086]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.一种水电站转子不对中故障诊断方法，其特征在于，包括以下步骤：s1：采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；s2：针对转子数据样本集，构建并训练转子不对中故障诊断模型；s3：将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。2.根据权利要求1所述的水电站转子不对中故障诊断方法，其特征在于，所述步骤s1包括以下子步骤：s11：采集初始转子振动数据集，对初始转子振动数据集进行一次剔除，得到第一转子振动数据集；s12：根据第一转子振动数据集生成转子振动矩阵；s13：对转子振动矩阵进行二次剔除，得到第二转子振动数据集；s14：对第二转子振动数据集的各个振动数据进行归一化处理，将归一化处理后的各个振动数据作为转子数据样本集。3.根据权利要求2所述的水电站转子不对中故障诊断方法，其特征在于，所述步骤s11中，进行一次剔除的具体方法为：将初始转子振动数据集的转子振动数据从小到大排列，得到转子振动数据序列，选择三个转子振动数据将转子振动数据序列均分为四份，根据三个转子振动数据确定异常转子振动数据区间[n1,n
u
]，将属于异常转子振动数据区间[n1,n
u
]的转子振动数据剔除，得到第一转子振动数据集；其中，异常转子振动数据区间的上限值n1和下限值n
u
的计算公式分别为：n1＝n
1-ω1(n
3-n1)n2＝n
2-ω2(n
3-n1)其中，n1表示选择的转子振动数据的最小值，n2表示选择的转子振动数据的最大值，ω1表示第一权重，ω2表示第二权重。4.根据权利要求2所述的水电站转子不对中故障诊断方法，其特征在于，所述步骤s12中，生成转子振动矩阵的具体方法为：根据第一转子振动数据集的各个转子振动数据，随机生成m
×
n的转子振动矩阵x，其中，转子振动矩阵x中空位处用零补齐，m表示转子振动矩阵的行数，n表示转子振动矩阵的列数。5.根据权利要求2所述的水电站转子不对中故障诊断方法，其特征在于，所述步骤s13包括以下子步骤：s131：从转子振动矩阵中随机选择一列，确定该列对应的剔除阈值；s132：将步骤s131随机选择的一列中小于剔除阈值的转子振动数据剔除；s133：重复步骤s131，确定各列对应的剔除阈值，并重复步骤s132，将各列中小于剔除阈值的转子振动数据剔除，将剩余的转子振动数据作为第二转子振动数据集。6.根据权利要求5所述的水电站转子不对中故障诊断方法，其特征在于，所述步骤s131中，剔除阈值t的计算公式为：
其中，x
j
表示转子振动矩阵x中随机选择的列向量，α表示0-1之间的随机数。7.根据权利要求1所述的水电站转子不对中故障诊断方法，其特征在于，所述步骤s2中，转子不对中故障诊断模型包括卷积层、全连接层和输出层；所述卷积层用于提取转子数据样本集的各个特征，生成特征差异；所述全连接层用于根据特征差异获取特征向量；所述输出层用于根据特征向量调整转子不对中故障诊断模型的参数。8.根据权利要求7所述的水电站转子不对中故障诊断方法，其特征在于，所述卷积层生成特征差异d(p)的计算公式为：式中，sim(
·
)表示相似度函数，y(
·
)表示转子数据样本集的特征，y表示转子数据样本集的特征个数。9.根据权利要求7所述的水电站转子不对中故障诊断方法，其特征在于，所述全连接层利用向量转换损失函数获取特征向量，其中，向量转换损失函数c的表达式为：式中，m表示特征差异个数，d(p)表示特征差异，α
m
表示特征差异的均值，β
m
表示超参数。10.根据权利要求7所述的水电站转子不对中故障诊断方法，其特征在于，所述输出层调整转子不对中故障诊断模型的参数的具体方法为：利用输出层的softmax函数对特征向量进行分类，得到每一类的分类概率，并根据每一类的分类概率逐层更新转子不对中故障诊断模型的参数；其中，每一类的分类概率p的计算公式为：式中，w
k
表示第k类的权重矩阵，b
k
表示第k类的偏置，x表示特征向量。11.一种根据权利要求1～10所述的方法的水电站转子不对中故障诊断系统，其特征在于，包括依次连接的数据采集处理模块、模型训练模块和故障诊断模块；所述数据采集处理模块用于采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；所述模型训练模块用于针对转子数据样本集，构建并训练转子不对中故障诊断模型；所述故障诊断模块用于将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。12.根据权利要求11所述的水电站转子不对中故障诊断系统，其特征在于，所述数据采集处理模块采用若干个振动信号采集传感器。13.根据权利要求12所述的水电站转子不对中故障诊断系统，其特征在于，若干个所述振动信号采集传感器固定设置于水电站转子上，用于采集水电站转子的振动数据，得到初始转子振动数据集。14.根据权利要求11所述的水电站转子不对中故障诊断系统，其特征在于，所述模型训
练模块设置有算力资源子模块，所述算力资源子模块用于利用输出层的softmax函数对特征向量进行分类，得到每一类的分类概率，并根据每一类的分类概率逐层更新转子不对中故障诊断模型的参数。15.一种根据权利要求1～10所述的方法的电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10任一项所述的水电站转子不对中故障诊断方法的步骤。

技术总结
本发明公开了一种水电站转子不对中故障诊断方法、系统及电子设备，属于故障检测技术领域，方法包括以下步骤：S1：采集初始转子振动数据集，对初始转子振动数据集进行预处理，得到转子数据样本集；S2：针对转子数据样本集，构建并训练转子不对中故障诊断模型；S3：将最新采集的转子振动数据作为转子不对中故障诊断模型的输入，进行水电站转子不对中故障诊断。本发明针对水电站转子不对中的情况，利用神经网络构建不对中故障诊断模型，可有效检测转子在运行过程中是否发生了不对中故障，提高了转子不对中状态的识别准确度。子不对中状态的识别准确度。子不对中状态的识别准确度。


技术研发人员：王勇飞 李晓飞 冯治国 蔡银辉 李昂 郑治国
受保护的技术使用者：国能大渡河检修安装有限公司
技术研发日：2023.05.24
技术公布日：2023/10/15