r>[0273] featValueSeti= {featValuei，featValue2, · · ·，featValue2i}，其中
[0274] featldi=[l，· · ·，i*，· · ·，m]以及趨勢特征點所在行標
[0275] featIdSeti = {featldi，featld2，· · ·，featld2i}，其中 featValue{ =
[0276] 步驟5:生成故障知識庫
[0277] 上述是對第一種故障的第一個樣本汴:進行的建模過程的全部操作，對于 FaultSets剩余樣本采取以上同樣操作，生成了故障知識庫:包含86個故障樣本的趨勢特征 點數(shù)值
[0278] featValueAllSet= {featValueSeti，featValueSet2，· · ·，1^&1:\%111636七86}和趨 勢特征點所在行標featIdAllSet= {featIdSeti，featIdSet2, · · ·，featIdSet86} 〇
[0279] -、汽栗前置栗的故障診斷運行模型過程
[0280]在2014年12月15日03時該電廠的廠級監(jiān)測系統(tǒng)發(fā)現(xiàn)汽栗前置栗設(shè)備某參數(shù)出現(xiàn) 未知異常。為了更好幫助專業(yè)人員進行檢查和維修，電廠人員依據(jù)已知異常的起止時間以 及相關(guān)的9個異常(報警)參數(shù)[6,7,8,9，10，11，12，13，14](報警參數(shù)在氣栗前置栗21個參 數(shù)的位置)從實時數(shù)據(jù)庫中調(diào)取異常樣本數(shù)據(jù)f，并運用本發(fā)明的故障診斷方法進行提前預(yù) 判。
[0281]異常樣本數(shù)據(jù)f經(jīng)過數(shù)據(jù)平滑、歸一化后，提取了表征異常樣本數(shù)據(jù)f形態(tài)的趨勢 特征點數(shù)值，以及趨勢特征點所在行標。以上具體操作均可參見具體實施例運行模型階段 的對應(yīng)步驟。
[0282]異常樣本將與故障知識庫中的樣本一一進行匹配，匹配時，將故障知識庫中的樣 本的[6，7,8,9,10,11，12,13,14]這9個參數(shù)的特征點抽取出來，異常樣本相應(yīng)的異常參數(shù) 與這9個參數(shù)先進行一一匹配定位，再進行異常樣本與該故障樣本的整體定位，得到最終的 匹配距離。匹配距離形式如下：
[0284]在得到異常樣本與所有故障樣本的匹配距離后，將匹配距離轉(zhuǎn)化為故障相似度。 相似度形式如下：
[0286] 輸出故障相似度最高的故障樣本的故障類型標識:此次異常預(yù)判定為電機傳動端 徑向瓦溫突升故障，判定理由為:在汽栗前置栗中與異常樣本相似度最高的故障樣本為 1F6， 相似度并且相似度第二高的樣本1F!，相似度15^92.5%，也是故障類型1電機傳 動端徑向瓦溫突升故障。異常樣本在相似度最大的故障樣本 1F6的定位位置在中6的前半段 (見附圖6)，因此故障發(fā)展階段確定為故障發(fā)展中期，查詢建議采取的維修措施為冷水沖擊 電機傳動端強制降溫方法。事實表明，等專業(yè)人員及時趕到后的診斷結(jié)果確實為電機傳動 端徑向瓦溫突升故障，采用冷水降溫法強制汽栗前置栗降溫到合理溫度區(qū)間后，汽栗前置 栗設(shè)備運轉(zhuǎn)恢復正常。
[0287] 盡管為了說明的目的，已描述了本發(fā)明的示例性實施方式，但是本領(lǐng)域的技術(shù)人 員將理解，不脫離所附權(quán)利要求中公開的發(fā)明的范圍和精神的情況下，可以在形式和細節(jié) 上進行各種修改、添加和替換等的改變，而所有這些改變都應(yīng)屬于本發(fā)明所附權(quán)利要求的 保護范圍，并且本發(fā)明要求保護的產(chǎn)品各個部門和方法中的各個步驟，可以以任意組合的 形式組合在一起。因此，對本發(fā)明中所公開的實施方式的描述并非為了限制本發(fā)明的范圍， 而是用于描述本發(fā)明。相應(yīng)地，本發(fā)明的范圍不受以上實施方式的限制，而是由權(quán)利要求或 其等同物進行限定。
【主權(quán)項】
1. 一種基于趨勢特征點的電力設(shè)備故障診斷方法，其特征在于:依次包括如下步驟： 步驟1、建立診斷模型步驟，整個建立診斷模型過程具體為： 步驟1.1:從數(shù)據(jù)庫中獲取故障樣本信息； 步驟1.2:對故障樣本數(shù)據(jù)進行平滑處理； 步驟1.3:對平滑處理后的故障樣本數(shù)據(jù)進行歸一化處理； 步驟1.4:對歸一化處理后的故障樣本數(shù)據(jù)提取趨勢特征點； 步驟1.5:存儲生成故障知識庫； 步驟2、故障診斷運行步驟，具體為： 步驟2.1:從實時數(shù)據(jù)庫中獲取異常樣本數(shù)據(jù)； 步驟2.2:對異常樣本數(shù)據(jù)進行平滑； 步驟2.3:對平滑處理后的異常樣本數(shù)據(jù)進行歸一化處理； 步驟2.4:對歸一化處理后的樣本數(shù)據(jù)提取趨勢特征點； 步驟2.5:從故障知識庫抽取故障樣本趨勢特征點； 步驟2.6:異常樣本與故障樣本單測點定位:將異常樣本第一個參數(shù)與故障樣本相應(yīng)參 數(shù)定位，依次W故障樣本參數(shù)每個特征點為起點滑動一定大小的窗口，取出表征窗口內(nèi)數(shù) 據(jù)形態(tài)的趨勢特征點，將趨勢特征點歸一化，然后與異常樣本參數(shù)所有特征點計算動態(tài)時 間扭曲距離DTW距離，得到一組動態(tài)時間扭曲距離DTW距離，選出最小的距離，伸縮窗口，找 到該窗口下對應(yīng)的最小的距離，最后選出最小的距離和相應(yīng)的位置，完成異常樣本單個參 數(shù)匹配； 步驟2.7 :異常樣本與故障樣本整體定位：固定異常樣本一個參數(shù)定位位置，取故障樣 本的與其他異常樣本參數(shù)對應(yīng)參數(shù)在該位置特征點與異常樣本該參數(shù)特征點計算動態(tài)時 間扭曲距離DTW距離，所有參數(shù)在該位置處動態(tài)時間扭曲距離DTW距離求和得到一個距離 和，在所有參數(shù)位置得到多個距離和，最小的距離和即是異常樣本與故障樣本整體的匹配 位置； 步驟2.8:計算異常樣本與故障樣本相似度； 步驟2.9:得到異常樣本所屬故障類別，輸出最終故障診斷結(jié)果。2. 如權(quán)利要求1所述的方法，其特征在于:所述步驟(1.1)具體步驟為:選擇一個類滿足 故障類型數(shù)目P含2且每種故障發(fā)生次數(shù)T含1的設(shè)備，并確定能表征該設(shè)備運行狀態(tài)的η個 參數(shù)，且對運η個參數(shù)進行排序，此后順序保持不變，找出每種故障每次發(fā)生的起止時間，從 電廠實時數(shù)據(jù)庫ΡΙ中讀取故障樣本數(shù)據(jù)，獲取了屬于多個故障類型的k個故障樣本； 獲取的k個故障樣本中第一個樣本，故障開始時間與結(jié)束時間內(nèi)有m個時刻，在i時刻觀 測到的設(shè)備η個參數(shù)看成一個η維的列向量，表示為： [Xil, Xi2 , Xi3 , . . . ,Xin] 樣本看成一個m X η的矩陣，具體形式如下：行代表m個故障時間，列代表η個設(shè)備參數(shù)，且每個故障樣本的列維度相同為n，參數(shù)也 相同，行維度m值不盡相同，同時為每個故障樣本賦予其故障類型標識ID，故障類型標識ID 確定方法為若全部樣本中包含X種故障，則故障類型標識ID的數(shù)值范圍為:1~Μ。3. 如權(quán)利要求2所述的方法，其特征在于:所述步驟(1.2)具體步驟為： 抽取故障樣本數(shù)據(jù)F的第一個觀測點列向量數(shù)據(jù)XI-，形式如下： [Χ11,Χ12,Χ13, . . . ,Χ1η]Τ 將列向量看作為數(shù)字序列，滑動時間窗口大小其中round為四舍五 入取整函數(shù)，若span為偶數(shù)，則再加1; 確定完滑動窗口大小之后，進行實質(zhì)數(shù)據(jù)平滑操作，span = 5: 數(shù)值XII的平滑結(jié)果:Xii = xii數(shù)值Xlm的平滑結(jié)果:Xlm = Xlm 最終獲取的列向量數(shù)據(jù)X-1的平滑結(jié)果也為一列向量，具體形式如下： [Χ?1，Χ?2，Χ?3，...，Χ?η]Τ 故障樣本數(shù)據(jù)所有的參數(shù)依次按照上述步驟完成平滑操作，運樣故障樣本數(shù)據(jù)F轉(zhuǎn)化 為F*，形式為：4. 如權(quán)利要求3所述的方法，其特征在于:所述步驟(1.3)具體步驟為： 抽取平滑后的故障樣本數(shù)據(jù)護的第一列向量數(shù)據(jù)Χ-1，形式如下： [Xll ,Χ21 ,Χ31 , . . . ,Xml]T 然后計算X-1的平均值μι和標準差σι，那么Xi姐一化的結(jié)果：最終獲取的列向量數(shù)據(jù)X-1的歸一化結(jié)果也為一列向量，具體形式如下： [ail ,日21 ,日31 , . . . ,aml]T 故障樣本數(shù)據(jù)所有的參數(shù)依次按照上述步驟完成歸一化操作，運樣故障樣本數(shù)據(jù)護轉(zhuǎn) 化為A，形式為：5. 如權(quán)利要求1-4任一項所述的方法，其特征在于:所述步驟(2.1)具體步驟為： 通過專家或預(yù)警系統(tǒng)、集散控制系統(tǒng)DCS發(fā)現(xiàn)設(shè)備某些關(guān)鍵參數(shù)出現(xiàn)異常，進行如下的 相關(guān)操作： (2.1.1) 確定設(shè)備異常產(chǎn)生時間ti和異常發(fā)現(xiàn)時間t2; (2.1.2) 確定設(shè)備異常參數(shù)，運異常參數(shù)包含于設(shè)備的η個參數(shù)中； (2.1.3) 根據(jù)異常產(chǎn)生時間ti和異常發(fā)現(xiàn)時間t2，W及數(shù)據(jù)庫采樣頻率fs，得時間點數(shù) m = fs X (t2-ti)； (2.1.4) 獲取異常樣本數(shù)據(jù)為參數(shù)個數(shù)為時間點數(shù)目為m的樣本數(shù)據(jù)，在j時刻的全 部參數(shù)數(shù)據(jù)可看成一個11^隹的列向量，表示為：樣本數(shù)據(jù)文件包括兩部分內(nèi)容，一部分是m X 勺矩陣，具體形式如下：行代表m個故障時間，列代表nMH受備異常參數(shù)個數(shù)； 二部分是異常參數(shù)在設(shè)備η個參數(shù)中的位置，形式為：6. 如權(quán)利要求5所述的方法，其特征在于:所述步驟(2.4)具體步驟為： 對歸一化后的異常樣本數(shù)據(jù)同樣需要提取趨勢特征點包括局部重要點、極值點、拐點、 數(shù)據(jù)起點和終點，具體為 (2.4.1) 提取局部重要點：采用與建模過程相同的方法提取局部重要點，設(shè)置參數(shù)分割 塊大?。?c+l)*(化+1)(2.4.2) 提取極值點:采用與建模過程相同的方法提取極值點，設(shè)置參數(shù)分割塊大小為(2.4.3) 提取拐點:采用與建模過程相同的方法提取拐點，設(shè)置參數(shù)拐點闊值α = 〇.05; (2.4.3) 合并多類趨勢特征點：采用與建模過程相同的方法合并趨勢特征點，得到異常 樣本數(shù)據(jù)所有參數(shù)趨勢特征點數(shù)值，形式為其中ala;rmFVi=[fpi，fp2. . .，fpe] = [Aii，A*i. . .，Ami]，0為特征點個數(shù)W及趨勢特征點 所在行標，形式為幻沁r風巧縣=巧1，.口細.w巧7，…，化'("'"!巧; (2.4.4)異常樣本提取完趨勢特征點后依次與故障知識庫中每一個樣本的趨勢特征點 進行匹配操作，找出與異常樣本數(shù)據(jù)形態(tài)最接近的故障樣本，故障樣本所屬的故障類型即 為該異常樣本所屬的故障類型，從而實現(xiàn)故障診斷。7. 如權(quán)利要求6所述的方法，其特征在于:所述步驟(2.8)具體步驟為： 基于異常樣本與故障樣本的整體匹配距離向量，利用相似度轉(zhuǎn)化公式其中X = 0.1，將距離數(shù)值轉(zhuǎn)換成介于[〇，1]之間的相似度數(shù)值，最終得到相似度向量 similaritySet = [similarityisimilar!tyk]。8. 如權(quán)利要求7所述的方法，其特征在于:所述步驟(2.9)具體步驟為： 基于異常樣本與所有故障樣本的相似度，取最大的相似度對應(yīng)的故障樣本該故障樣本的故障類型標識ID即是異常樣 本的故障類別。
【專利摘要】一種基于趨勢特征點的電力設(shè)備故障診斷方法，依次包括建立診斷模型步驟和故障診斷運行步驟，基于設(shè)備數(shù)據(jù)，采用局部重要點、拐點、極值點等多種趨勢特征點進行模型表示，并依靠時間窗搜索技術(shù)解決故障樣本相似部分定位問題，并以動態(tài)時間彎曲距離度量故障樣本之間的匹配程度，從而實現(xiàn)設(shè)備診斷的功能。
【IPC分類】G06F17/50
【公開號】CN105574284
【申請?zhí)枴緾N201511004818
【發(fā)明人】邢宏偉, 張華偉, 安佰京, 趙俊
【申請人】山東魯能軟件技術(shù)有限公司
【公開日】2016年5月11日
【申請日】2015年12月29日