一种基于多尺度缩放学习框架的调相机故障诊断方法

1.本发明涉及一种故障诊断方法，特别涉及一种基于多尺度缩放学习框架的调相机故障诊断方法。


背景技术：

2.随着特高压直流输电系统的快速发展，电力系统送电端的薄弱问题日益凸显。一旦输送系统出现问题，例如机械故障，换相失败以及直流闭锁等。特高压直流电系统内会出现强烈的无功波动，造成电网电压大幅变化，甚至影响系统的输电能力，给电网带来巨大的安全隐患。因此，为了特高压输电系统以及电网的安全运行，提升系统的动态无功补偿至关重要。具备动态无功支撑的调相机调节响应快，相较于其他补偿器具有较大的容量和过载能力。尤其对抑制系统中由直流引起的电压波动有较好的效果。调相机是一种不带机械负载的同步电机，广泛应用于改善电网功率因数，在维持电网电压水平中扮演重要角色。其运行状态直接影响折电网系统的安全性和经济性，因此展开对调相机的故障研究具有一定工程价值。


技术实现要素：

3.有鉴于此，为了增强信号的特征提取、学习和识别能力，本发明提出了一种基于多尺度缩放学习框架(mszlf)作为诊断模型，目的是提高多重扰动条件下故障诊断模型的识别效率。
4.为了实现上述目的，本发明所采取的技术方案如下：
5.s1根据实际的调相机构建物理模型，方便实验探究。
6.s2通过振动监测分析仪采集实验数据，主要包括固定在调相机四个点位的震动信息。
7.s3对故障模式进行分类，分为动态碰摩、静态碰磨和动态不平衡。
8.s4搭建一个多尺度缩放学习框架(mszlf)，采用特征信息缩放功能，更全面地反映了调相机的故障信息。
9.s5构造一个数据采集模块，进行数据采集和数据集制作。
10.s6构造一个特征学习模块，运用卷积神经网络进行特征提取学习。
11.s7构造一个全连接分类模块，运用softmax模块对特征进行分类。
12.s8网络结构探索，确定多尺度缩放学习框架的具体层数和尺度数。
13.s9实验验证，在多尺度缩放学习框架中输入震动信号，验证故障诊断情况。
14.进一步地，所述步骤s4中多尺度缩放学习框架的步骤为：
15.本发明的创新点在于，将特征提取、特征学习和特征识别结合成新模块。
16.首先，在模型中引入了多尺度学习机制，重点在于在全方位的学习理念上，从故障数据中不同角度表达信息。
17.其次，能量运算器被用来估计深度模型框架内的能量，以增加后续学习单元有效
地学习重要特征的概率。
18.最后，通过改变映射规则和设置缩放数据映射流程，可以有效地增强故障特征的显示。
19.进一步地，所述步骤s5中数据采集的步骤为：
20.首先，规定采集信号为一维信号，更能完整的体现故障类别信息。
21.其次，振动传感器固定在盘车端和励磁端的x、y方向上，通过skvma振动监测分析仪进行采集，采集频率为6666hz。
22.最后，获取振动信号，为实验提供数据。
23.进一步地，所述步骤s6中搭建特征学习模块的步骤为：
24.首先，在全连接层前部引入teager能量算子技术，构建能量算子层结构。
25.其次，在卷积层前后加入正则(bn)层和激活函数。
26.最后，加入池化层，特别的是最大池化操作设定池化尺寸为2，步长为2。
27.进一步地，所述步骤s8中确定学习框架的尺度数和层数的步骤为：
28.首先，分别对单条、双条、三条和四条通道的模型进行10次实验。
29.其次，分别对一层、二层、三层和四层框架的模型进行10次实验。
30.最后，得出结论，选用三通道三层结构最佳。
31.经由上述的技术方案可知，在“强直流电、弱交流电”的大电网背景下，具有动态无功支撑能力的同步调相机显得尤为重要。由于制造、安装等因素，而在运行条件的变化中，同步冷凝器存在着许多故障。本发明研究了一种基于多尺度缩放学习框架故障诊断方法，首先，通过能量fc层，实现同步电容特性该方法学习了摄像机故障信号的组成，增强了信号的瞬态特征。与此同时，数据自适应压缩，有效特征以分布式方式映射。有效诊断和隔离提前的缺点。其次，构建多尺度学习框架，学习振动中的多频率特征号。实验结果表明，该方法与现有的模型相比具有一定的优势。
附图说明
32.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，下面将对实施例或现有技术描述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的前提下，还可以根据公开的附图获得其他的附图。
33.图1是本发明一种基于多尺度缩放学习框架的调相机故障诊断方法流程；
34.图2是本发明构建的调相机物理模型；
35.图3是本发明多尺度缩放学习框架；
36.图4是本发明能量算子层结构；
37.图5是本发明原始数据下的混淆矩阵；
38.图6是本发明t-sne二维聚类图；
具体实施方式
39.下面结合本发明中的附图及具体例子，对本发明方法进行清楚、完整地描述。显然，所描述的仅仅是本发明的一种实施例子，而不是全部的实施例子。基于本发明中的实施
例子，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子，都属于本发明保护的范围。
40.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例子的限制。
41.实施例1
42.参照图1所示，本发明公开了一种基于多尺度缩放学习框架的调相机故障诊断方法。包括以下步骤：
43.s1根据实际的调相机构建物理模型，方便实验探究。
44.s2通过振动监测分析仪采集实验数据，主要包括固定在调相机四个点位的震动信息。
45.s3对故障模式进行分类，分为动态碰摩、静态碰磨和动态不平衡。
46.s4搭建一个多尺度缩放学习框架(mszlf)，采用特征信息缩放功能，更全面地反映了调相机的故障信息。
47.s5构造一个数据采集模块，进行数据采集和数据集制作。
48.s6构造一个特征学习模块，运用卷积神经网络进行特征提取学习。
49.s7构造一个全连接分类模块，运用softmax模块对特征进行分类。
50.s8网络结构探索，确定多尺度缩放学习框架的具体层数和尺度数。
51.s9实验验证，在多尺度缩放学习框架中输入震动信号，验证故障诊断情况。
52.在一个具体实施例中，所述步骤s1中根据新疆乌鲁木齐天山站300mvar大型同步调相机，搭建了一个调相机物理模型。
53.在一个具体实施例中，所述步骤s2中实验数据同样来自于新疆乌鲁木齐天山站300mvar大型同步调相机。
54.其中，该设备两端一端为盘车端，通过电机带动盘车齿轮进行盘车。另一端为励磁端，定子接入三相电流生成的旋转磁场以及转子接入直流电形成的稳定磁场共同维持转子转动，两端均由滑动轴承支撑。
55.具体的，该设备长期运行产生了碰磨，不对中的转子故障，震动传感器布置于1号：盘车端x方向、2号：盘车端y方向、3号：励磁端x方向、4号：励磁端y方向，通过skvma振动监测分析仪进行采集，采集频率6666hz。如图2所示。
56.在一个具体实施例中，所述步骤s3中大型调相机作为一种无功补偿装置，是运行在电动机状态下的同步电机。
57.其中，由于设计、制造、安装中转子材质不均匀、结构不对称、加工和装配误差等原因和由于机器运行时结垢、热弯曲、零部件脱落、电磁干扰力等原因而产生质量偏心，造成动不平衡故障。而由于转子弯曲、转子不对中引起轴心严重变形，间隙不足和非旋转部件弯曲变形等原因引起转子与固定件接触碰撞而引起的异常振动称为动静摩擦。这两种故障状态极大威胁调相机的安全稳定运行。
58.具体的，本发明所采用故障模式包含正常、动静碰摩、动不平衡三种状态。标签依次编码为0，1，2。每种故障状态包含250条故障样本，每条故障样本进行不同长度设置，确保输入特征具有不同的尺度。
59.值得注意的是，当对模型的结构进行灵活变化时，样本的长度需要进行分析，以确保在网络运行过程中，特征信息可以顺利的被网络学习到。将所有样本整体混合后，设计随机数打乱数据，以4：1的比例划分训练集和测试集。
60.在一个具体实施例中，所述步骤s4中本发明提出了一种多尺度缩放学习框架mszlf。
61.其中，如图3所示包含三个模块，分别为为数据采集模块，特征学习模块与全连接分类模块。
62.具体的，数据获取模块s5主要侧重于对数据的采集与数据集的制作，并不参与学习。而特征学习模块s6与全连接模块s7主要承载学习和分类的任务。本发明设计的模型将全连接作为数据的首要映射区域，扩大了模型对故障信息的学习区域。假设全连接层**层的输入为x
**-1
，则公式的表达如下：
63.x
**
＝ff(x
**-1
)＝w
**
x
**-1
+β
**
64.其中，ff(.)为全连接函数，全连接层**层的输出为x
**
，w
**
是**层全连接层的权重系数，β
**
是全连接层的偏移。全连接操作对于调相机整体的故障全局信息进行投射。对整体数据进行分布式映射，聚合特征信息，降低特征维度。
65.此外，在全连接层前引入了teager能量算子技术，如图4所示，它是一种非线性差分算子，对于信号的瞬时值和其差分的非线性组合来估计信号源产生动态信号所需的能量。根据对故障信号的各种特征成分的能量评估。增强信号的瞬态特征，冲击成分的特征重点突出。这种特定特征选择放大的方式在模型的运行中参与的计算量较少，对模型的计算复杂度影响较少。同时，它给模型提供了更好的学习资源，是一种有效的特征增强方法。
66.teager能量算子的计算过程如下：对于离散信号x*(n)n＜l,l为原始信号数据的长度，采用差分代替微分，则：
[0067][0068]
teager能量算子层与全连接层的串行传递过程，我们称为全连接层(能量全连接层),它的输出可以表示为：
[0069][0070]
其中，它可以有效地增强原始信号的判别信息成分，加强全局信息的提取，降低特征维度。
[0071]
具体的，为了保证特征间的相关性，加大重点特征的凸显，减少无关信息的干扰，本发明选择以为卷积作为特征学习的主要单元，表达式如下：
[0072][0073]
其中，
“☉”
为卷积过程，x
**
积层的特征，x
*,i*
为输出特征的第i个通道，ωi为第i个卷积核，bi为偏置。
[0074]
同时，本发明定义的卷积操作，它由卷积的输入的全部特征图只想卷积输出的全部特征图。
[0075]
此外，对于故障的局部特征的空间和位置关系，通过增加卷积层数以及卷积的感受野大小，扩大模型的学习范围，使得局部特征与全局特征都能被广泛学习到。
[0076]
具体的，本发明为了让模型更好的学习故障信息，本发明在卷积的前后分别添加了正则(bn)层和激活函数。共同构成一个卷积块fc,表达式如下：
[0077]
fc(
·
)＝relu(conv(bn(
·
)))＝max(0,conv(bn(
·
)))
[0078]
则：
[0079][0080]
其中，激活函数是relu(rectified linear units)，正则是bn(batch normalization operation)，x
*ef,p*
可能输出的特征，x
*c*
为卷积块的输出。
[0081]
具体的，当特征被卷积块提取时，有用特征与干扰信息同时被提取到，这可能会影响学习的效率，我们引入池化层，旨在对提取后的信息进行“去冗余”，提高信息流通效率，较低过拟合的风险。池化层输出为：
[0082][0083]
其中，maxpool()为最大池化操作，x
*c*
的输出特征。
[0084]
具体的，在本发明中通过对故障数据的预处理，划分为长度不同的输入时段，将信息展开多尺度映射方案。并且，原始故障信号通过标准化进行预处理。输入多条路径，扩大学习宽度。多个尺度的特征输出的聚合向量可以表示为：
[0085][0086]
其中，n代表路径数量。网络在这步以后，将信息输入全连接分类模块中，它可以对提取的特征进行分析，最终获得较高精度的诊断结果。全连接分类模块的输出可以表示为：
[0087]
r＝softmax(ff(dropout(ff(x
′
),θ)))
[0088]
其中，softmax为概率分类函数，dropout(
·
,θ)被携带在x
″
上，它是随机失活函数，θ是失活率。
[0089]
在一个具体实施例中，所述步骤s8中。
[0090]
其中，本发明的实验结果都是在windows10 64位系统上的pc端电脑实现的，模型的训练和测试在python编程语言中的tensorflow2.4的深度学习框架下进行，硬件为intel(r)core i7-8700k cpu、rtx2080ti gpu和11gb显存。
[0091]
具体的，为了更好的保证网络的运行稳定性和收敛性，本发明设定激活函数为relu，学习率为0.0001，优化器为adam，损失函数为categorical_crossentropy，批次大小为128。
[0092]
此外，网络的结构参数是灵活的，全连接层的神经元数量根据输入样本的长度和输出特征的集合等的来确定，卷积核的大小以及卷积滑动的步长等参数根据诊断任务以及信号质量等来确定，网络的深度根据预期的诊断结果等来确定。
[0093]
特别的，最大池化操作设定池化尺寸为2，步长为2，训练历程根据训练的过程来进行逐步设定，确保网络可以收敛到最佳。
[0094]
在一个具体实施例中，我们假设网络的层数为3层。
[0095]
具体的，对设定的研究模型分别进行单条输入，双条输入，三条输入和四条输入的比较，分别命名为msslf_ⅰ,msslf_ⅱ，msslf_ⅲ和msslf_ⅳ。对所有网络进行10次实验。从实验结果可以看出，当模型的尺度增加时，模型的准确率逐渐提升，其标准差也在逐渐减小。本发明认为模型的性能在进行逐步的增强。
[0096]
同时，也可以看到，随着模型的输入尺度增加，模型的准确率不断的提升。但是，与之伴随的是模型复杂度的提高和模型计算时间的增加。在使用模型时，这就需要考虑到输入特征的特性，设备运行的耦合程度等，同时还需要观测设备运行环境的噪声情况。综合这几点影响，选择最适合在某种环境下的某种模型结构，使其达到最高的模型性能。
[0097][0098]
在一个具体的实施列中，网络的路径可以影响网络对于振动信号多尺度的学习效果，而网络的深度的更侧重于网络对于振动信号中有用信息的捕获能力。
[0099]
具体的，假设模型具有3条路经，本发明分别探讨模型层数对模型的性能的影响。设定一层，两层，三层，四层分别为msslf_1，msslf_2，msslf_3，msslf_4。对所有网络进行10次实验。
[0100]
其中，实验结果如表所示，准确率随着层数的增多而逐渐提升，这是因为多层的信息编码可以更好的捕获更多的判别信息。
[0101]
最后，msslf_2和msslf_3准确率的增长量为0.24％和0.45，而msslf_4准确率的增长量仅为0.08％，说明在串行学习结构中，过多的网络层数可能会导致过度抽象映射，使得模型的学习能力太强，进而导致模型学习到故障特征之外的信息，产生过拟合现象。
[0102]
所以如图3所示，本发明构建了一个三层三个尺度的模型。
[0103][0104]
在一个具体实施例中，所述步骤s9中本发明主要探讨了mszlf的诊断性能。图5中显示了所提出的mszlf在原始数据下的混淆矩阵。
[0105]
其中行和列分别代表预测标签和真实标签。对角线单元是三种故障模型的准确度。可以看出，mszlf在正常类别中的准确率为100％，这表明该模型在实际运行环境中仍能以较高的准确率区分正常样本和故障样本。总体诊断准确率为99.56％，这表明mszlf能够在实际运行环境中准确地真多出不同的故障状态。
[0106]
在一个具体实施例中，所述图6是t-sne二维聚类图，它是一种非线性学习算法，主要反应数据的局部结构，并倾向于排除局部集群。
[0107]
具体的，它可以有效地实现高维数据可视化和降维，效果非常突出。在本发明中，由于同步调相机的原始震动故障信号是多种特性的混合体，信号的视觉分布不规则且复杂，聚类比较困难。而通过mszlf的全连接层后。图6效果图清楚地显示了特征聚类的结果。
相同的特征样本聚集在一起，三种故障信号明显的区分开来，这说明本发明的分类结果令人满意。
[0108]
基于上述结果分析，基于多尺度缩放学习框架的调相机故障诊断方法有着更加优异的性能。
[0109]
对所公开的实施例的上述说明，按照递进的方式进行，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。