一种基于多尺度缩放学习框架的调相机故障诊断方法技术

本发明专利技术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。该方法包含以下步骤:S1建立调相机物理模型S2通过振动监测分析仪采集实验数据。S3对故障模式进行分类。S4搭建一个多尺度缩放学习框架。S5构造一个数据采集模块。S6构造一个特征学习模块。S7构造一个全连接分类模块。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。S9学习框架实验验证。本发明专利技术综合考虑同步调相机的故障研究的工程价值，研究了一种基于多尺度缩放学习框架故障诊断方法，实验结果表明，该方法与现有的模型相比具有一定的优势。有的模型相比具有一定的优势。

【技术实现步骤摘要】
一种基于多尺度缩放学习框架的调相机故障诊断方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]有鉴于此，为了增强信号的特征提取、学习和识别能力，本专利技术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。
[0004]为了实现上述目的，本专利技术所采取的技术方案如下：
[0005]S1根据实际的调相机构建物理模型，方便实验探究。
[0006]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。
[0007]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。
[0008]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。
[0009]S5构造一个数据采集模块，进行数据采集和数据集制作。
[0010]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。
[0011]S7构造一个全连接分类模块，运用softmax模块对特征进行分类。
[0012]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。
[0013]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。
[0014]进一步地，所述步骤S4中多尺度缩放学习框架的步骤为：
[0015]本专利技术的创新点在于，将特征提取、特征学习和特征识别结合成新模块。
[0016]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。
[0017]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。
[0018]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。
[0019]进一步地，所述步骤S5中数据采集的步骤为：
[0020]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。
[0021]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。
[0022]最后，获取振动信号，为实验提供数据。
[0023]进一步地，所述步骤S6中搭建特征学习模块的步骤为：
[0024]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。
[0025]其次，在卷积层前后加入正则(BN)层和激活函数。
[0026]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。
[0027]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：
[0028]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。
[0029]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。
[0030]最后，得出结论，选用三通道三层结构最佳。
[0031]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。本专利技术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
[0032]为了更清楚地说明本专利技术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专利技术的实施例，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。
[0033]图1是本专利技术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；
[0034]图2是本专利技术构建的调相机物理模型；
[0035]图3是本专利技术多尺度缩放学习框架；
[0036]图4是本专利技术能量算子层结构；
[0037]图5是本专利技术原始数据下的混淆矩阵；
[0038]图6是本专利技术T
‑
SNE二维聚类图；
具体实施方式
[0039]下面结合本专利技术中的附图及具体例子，对本专利技术方法进行清楚、完整地描述。显然，所描述的仅仅是本专利技术的一种实施例子，而不是全部的实施例子。基于本专利技术中的实施
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，都属于本专利技术保护的范围。
[0040]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术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专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例子的限制。
[0041]实施例1
[0042]参照图1所示，本专利技术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：
[0043]S1根据实际的调相机构建物理模型，方便实验探究。
[0044]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。
[0045]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。
[0046]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。
[0047]S5构造一个数据采集模块，进行数据采集和数据集制作。
[0048]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。
[0049]S7构造一个全连接分类模块，运用softmax模块对特征进行分类。
[0050]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。
[0051]S9实验验证，在多尺度缩放学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度缩放学习框架的调相机故障诊断方法，其特征在于，包括以下步骤：S1根据实际的调相机构建物理模型，方便实验探究；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振动信息；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；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；S5构造一个数据采集模块，进行数据采集和数据集制作；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；S7构造一个全连接分类模块，运用softmax模块对特征进行分类；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；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。2.根据权力要求1所述的一种基于多尺度缩放学习框架的调相机故障诊断方法，其特征在于，所述步骤S4中多尺度缩放学习框架搭建的步骤为：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；首先，在模型中引入了多...

【专利技术属性】
技术研发人员：王开科，朱霄珣，钱白云，杨兴，董利江，林翔，王鲁东，吴玉华，高佳，
申请(专利权)人：华北电力大学保定新疆新能集团有限责任公司乌鲁木齐电力建设调试所，
类型：发明
国别省市：