[发明专利]一种基于卷积自编码器的发电机异常状态监测方法

说明书

本发明公开了一种基于卷积自编码器的发电机异常状态监测方法，其特征在于，具体步骤为：步骤1、采集发电机在正常工况下运行的状态数据；步骤2、建立卷积自编码器；步骤3、卷积自编码器的训练；步骤4、基于卷积自编码器的发电机异常检测；本发明的方法是基于无监督学习的，无需对训练样本人为标注样本的标签，这在实际的应用中更易于实现。本发明的方法是由发电机的运行大数据驱动的，其对发电机的异常检测标准完全是从运行参数中统计得到的，并且在长期的发电机状态监测过程中对于一些突发的异常状态有很好的监测效果。本发明的方法计算速度快，完全可以做到在线实时的检测。

技术领域

本发明涉及一种基于卷积自编码器的发电机异常状态监测方法，用于发电机和大型电机的运行状态监测，属于发电机监测与诊断技术领域。

背景技术

汽轮发电机组是电站关键设备。为了适应现代电力工业的发展，发电机组往往需要在严苛的工作环境(高温、高压、高转速、高负荷)下长期运行。由于大量难以避免的因素影响，汽轮发电机组在服役过程中或多或少地会出现种种故障导致降低或失去其本身的功能，严重的将造成发电事故甚至人员伤亡。此外，随着机组不断朝大型化和高参数方向发展，单台机组的投资规模和影响更大，一旦出现故障引起的非计划停机、中断发电，将带来巨大的社会影响和经济损失。因此，及时准确地检测出发电机中出现的异常和故障状况，对于保证机组的安全稳定运行，提升电厂管理水平，具有重要的现实意义。

目前，国内外大型汽轮发电机组都配备了监测仪表系统，对机组运行时的各种性能参数进行监测。这些系统具备简单的超限报警功能，比如当振动值超过规定限值时，系统将发出报警或启动停机自动保护功能。这种超限报警的方式敏感性较差，通常只有在机组故障发展到一定程度导致运行参数严重超标时，才能探知设备异常的发生。为了能够提高发电机运行异常监测的及时性和准确性，本发明专利提出了一种基于卷积自编码器的发电机异常状态监测方法。

发明内容

本发明要解决的技术问题是如何实现发电机运行异常状态的自动监测。

为了解决上述技术问题，本发明的技术方案是提供了一种基于卷积自编码器的发电机异常状态监测方法，步骤为：

步骤1.采集发电机在初始正常工况下运行数据。

发电机的状态会反映在各种运行参数中，当发电机发生异常时其运行参数会发生变化。在发电机初始的正常运行状态下，对各种运行参数进行记录，这些数据将用于卷积自编码的无监督学习，以便卷积自编码器能够从数据中挖掘出设备正常状态下的特征。

步骤2.建立卷积自编码器。

自编码器是一种特殊的人工神经网络，其基本结构由一个编码器和解码器组成。编码器首先对数据进行特征编码，解码器再尝试根据编码特征重构原始的输入数据。由于自编码器的中间层维度小于输入的维度，迫使编码器对数据编码时需要进行数据压缩，抛弃数据中一些冗余的信息并保留更有意义的信息，因此自编码器可以通过无监督的学习模式获取数据特征提取的能力。本专利中提出的自编码器还结合了卷积层的使用，使得其更适合于处理振动类的时序信号。

步骤3.卷积自编码器的训练。

将步骤1中采集得到的发电机在正常状态下的运行数据用于训练步骤2中建立的卷积自编码器。将自编码器的重构数据与原始的输入数据之间均方误差作为自编码器训练的损失函数，并利用反向传播算法对网络模型进行训练。损失函数的具体表达式如下

上式中，W代表自编码的权重参数，m为训练样本的数量，x⁽ⁱ⁾为第i个训练样本的输入，为第i个样本的重构数据。当解码信号与输入信号之间均方误差在训练中的变化小于某一容差ε时，则卷积自编码器的训练完成。训练完成的卷积自编码器具备以很小的误差重构设备在正常状态下的运行数据的能力，这是因为卷积自编码器通过训练掌握了正常数据的特征并作为模型的内部参数记录了下来。