一种基于智能感知技术的电厂设备状态监测方法技术

本发明专利技术提供了一种基于智能感知技术的电厂设备状态监测方法，包括以下步骤：S1.采集设备运行过程中的声音信号；S2.由异常检测模型对声音信号进行异常检测，当检测到异常信号时，将异常信号输入至故障诊断模型；S3.由故障诊断模型对异常信号进行故障诊断。本方案根据故障诊断模型对故障类型的概率值，进行可靠性判断，并对可靠性不高的判断结果输出等待人工标定，在使用过程中不断优化故障诊断模型，随着模型的不断使用，能够不断提高故障类型判断准确率，能够解决因故障类型数据不足而引起实际使用中故障诊断信号漏判的问题。际使用中故障诊断信号漏判的问题。际使用中故障诊断信号漏判的问题。

【技术实现步骤摘要】
一种基于智能感知技术的电厂设备状态监测方法


[0001]本专利技术属于电厂设备状态监测
，尤其是涉及一种基 于智能感知技术的电厂设备状态监测方法。

技术介绍

[0002]当前，电厂的设备常采用检测方法，通常是对设备进行周期 性的检查和维护，主要依靠人工经验和基于历史数据。由于大多 数设备、备件的故障间隔离散性较大，这种方法存在着一定的弊 端:一是维护效果受限、成本较高。固定周期的巡检若周期过于 频繁则不仅产生巨大的人力成本，还可能会产生一些不必要的， 甚至有损害性的维护活动。二是若周期不够频繁，则又会带来较 大的设备故障风险，带来更大的损失。因此，通过先进的技术手 段，对设备运行的实时参数进行监测和分析，来判断设备是否存 在异常或故障、故障的部位和原因、故障的劣化趋势，进而确定 合理检修时机，把事故消灭在萌芽状态，有效地降低维修成本， 降低事故停机率,是非常有必要的。
[0003]电厂生产环境中有很大的噪音，不同设备的声音混杂在相对 集中的空间中，由于过去针对声音信号没有很好的技术手段去处 理，所以仅仅只能依靠具有丰富专业经验的巡本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能感知技术的电厂设备状态监测方法，其特征在于，包括以下步骤：S1.采集设备运行过程中的声音信号；S2.由异常检测模型对声音信号进行异常检测，当检测到异常信号时，将异常信号输入至故障诊断模型；S3.由故障诊断模型对异常信号进行故障诊断。2.根据权利要求1所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，所述的异常检测模型为单类支持向量机，且所述的异常检测模型预先通过以下方式训练获得：A1.获取第一样本数据；A2.对第一样本数据中的声音信号进行预处理；A3.对预处理后的声音信号进行特征提取组成特征向量；A4.对所述的特征向量进行降维处理；A5.利用经过降维处理的特征训练单类支持向量机，建立异常检测模型；步骤S2中，先对采集的声音信号进行包括预处理、特征提取和降维处理的数据处理后输入异常检测模型以由异常检测模型对声音信号进行异常检测。3.根据权利要求2所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，所述的第一样本数据中的声音信号均为正常信号；或者，所述的第一样本数据中的声音信号包括打了正常标签的正常信号和打了异常标签的异常信号。4.根据权利要求2所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤A2具体为：A21.对声音信号进行滤波处理，使用高通滤波器滤除50Hz以下的低频干扰信号；A22.将声音分段，对每一段声音使用滑动窗分帧处理。5.根据权利要求4所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤A3中，所提取的特征包括时域上的裕度因子、脉冲因子、偏斜因子和频谱上的重心频率、均方频率、频率特征。6.根据权利要求2所述的基于智能感知技术的电厂设备状态监测方法，其特征在于，步骤A5中，使用蚁群算法进行参数寻优，以得到单类支持向量机的最优核函数参数和权衡参数，将最优核函数参数和权衡参数代入支持向量机后得到训练后的异常检测模型，目标函数的初始问题为：采用高斯核函数：
满足条件：H(x
i
,x
j
)＝y(x
i
)
T
y(x
...

【专利技术属性】
技术研发人员：马春林，屠海彪，李文杰，杨景焜，王灵敏，杨林豪，朱彬源，吴彦锋，严寒夕，
申请(专利权)人：浙江浙能台州第二发电有限责任公司，
类型：发明
国别省市：