【技术实现步骤摘要】
本专利技术属于设备监测，具体涉及一种发电厂伴热设备故障点监测系统及方法。
技术介绍
1、现阶段，发电厂的伴热设备主要用于防冻、保温以及提高特定设备的工作温度，从而确保发电厂发电设施在寒冷环境下能够稳定、安全地运行。在发电厂中，伴热设备是保障生产安全和效率的重要设施，这些设备通过提供适宜的温度条件，不仅防止了管道和仪表因冻结而损坏，还确保了生产过程的连续性和可靠性，而发电厂的伴热设备作为保障生产安全和效率的重要设施，其监测与维护尤为关键。
2、中国专利cn114040527a一种智能在线监控伴热系统，系统包括硬件系统和软件系统；所述硬件系统用于对管道的温度进行采集，然后将温度数据接入带有数据存储传输功能的温控器，温控器将有信息的光信号解调后得到沿管道的分布温度；实时监测整根管道的温度，同时长距离多测点的温度信号，传输至监控端，组态屏画面可以同将整个管道的多个测点信号显示出来，但是现有系统仅能基于温度数据对伴热系统进行监测分析，无法实现结合故障点关联的监测数据进行深层次多维度挖掘，从而降低对伴热系统的诊断评估精度，针对上述问题，我们提出了一种发电厂伴热设备故障点监测系统及方法。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供一种发电厂伴热设备故障点监测系统及方法，解决了现有系统仅能基于温度数据对伴热系统进行监测分析，无法实现结合故障点关联的监测数据进行深层次多维度挖掘，从而降低对伴热系统诊断评估精度的问题。
2、现有系统仅能基于温度数据对伴热
3、本专利技术是这样实现的，一种发电厂伴热设备故障点监测方法，所述发电厂伴热设备故障点监测方法包括：
4、获取伴热设备故障点历史数据，对历史数据进行预处理得到包络样本信息，将包络样本信息分为训练集、测试集；
5、预搭建基于支持向量机和卷积神经的故障评估模型，采用训练集对故障评估模型进行迭代训练，利用测试集对故障评估模型进行测试，基于模型优化器检验故障评估模型的诊断效果并对故障评估模型进行参数调优，得到最优配置的故障评估模型；
6、实时采集伴热设备故障点监测数据，对伴热设备故障点监测数据进行预处理得到包络监测信息，基于故障评估模型对得到的包络监测信息进行监测跟踪，得到故障点监测结果。
7、响应于故障点监测结果，识别故障点监测结果关联的故障点坐标数据，利用三维拓扑模型和可视化工具对所述故障点进行可视化标记，并搭建三维可视化模型。
8、所述对历史数据进行预处理得到包络样本信息的方法，具体包括：
9、加载历史数据，采用平滑降噪法对历史数据进行滤波降噪处理，得到降噪平均序列；
10、其中，在进行滤波降噪时，基于机器视觉设定长度为奇数的对称滑动窗口，对称滑动窗口沿历史数据时序方向移动，在移动时，计算当前窗口的平均值作为滤波值，最终得到降噪平均序列；
11、获取降噪平均序列，基于hi lbert-huang变换对降噪平均序列进行时频转换，得到多维特征时频图。
12、所述基于hi lbert-huang变换对降噪平均序列进行时频转换的方法，具体包括：
13、加载降噪平均序列，基于降噪平均序列中伴热设备工作电流、工作电压、加热温度、输出功率定义经验模态分解函数；
14、其中，经验模态分解函数表示为：
15、
16、其中，f(x)为经验模态分解函数对降噪平均序列中降噪序列信号xi的解析值，λ为经验模态分解函数的尺度参数，用于表征降噪平均序列中伴热设备工作电流、工作电压、加热温度、输出功率的异常比例，而a为二进制掩码，用于控制需要分解的降噪序列信号的空间变换范围，而b为降噪序列信号的数据维度；
17、
18、其中，n为降噪平均序列中样本的数量，xia,xiv,xit,xig分别为工作电流、工作电压、加热温度、输出功率的瞬时频率变换幅度，qa,qv,qt,qg分别为当前降噪序列信号xi中工作电流、工作电压、加热温度、输出功率的占比权重，且qa,qv,qt,qg之和设置为1；
19、基于经验模态分解函数解析值与降噪序列信号内积得到时频能量分布系数；
20、其中，时频能量分布系数通过公式(3)计算：
21、
22、为时频能量分布系数，f(x)为经验模态分解函数对降噪平均序列中降噪序列信号xi的解析值；
23、获取时频能量分布系数，将时频能量分布系数绘制成多维特征时频图。
24、所述预搭建基于支持向量机和卷积神经的故障评估模型，采用训练集对故障评估模型进行迭代训练的方法，具体包括：
25、预搭建基于支持向量机和卷积神经的故障评估模型，其中，故障评估模型包括输入层、卷积层、池化层、特征映射层、故障诊断模块以及输出层；
26、自定义模型优化器，将模型优化器置于故障诊断模块之后，用于检验故障评估模型的诊断效果并对故障评估模型进行参数调优；
27、基于训练集属性定义故障评估模型的核函数，选择径向基函数为模型核函数，设置核函数的超参数；
28、在池化层中引入特征提取网络，并向特征提取网络加入smo算法，基于smo算法度量非线性可分训练集，定义基于smo算法能量函数：
29、
30、其中，e(yi,ti)为基于smo算法能量函数的能量响应值，yi,ti是输入的多维特征时频图以及通过卷积层提取的卷积特征向量，g为基于smo算法能量函数的尺度参数，e是池化层的步长，而分别为多维特征时频图、卷积特征向量的均值；
31、基于残差改进机制以及轻量化检测结构sl im-neck改进故障诊断模块的全连接层，搭建改进全连接层以及bn层的故障诊断模块；
32、将能量响应值添加至训练集中，采用交替训练特征提取网络与故障诊断模块的方式对故障评估模型进行迭代训练，直至smo算法能量函数收敛或达到纳什平衡；
33、利用测试集对故障评估模型进行测试，判断诊断结果是否符合测试精度，若符合测试精度，输出故障评估模型。
34、所述基于故障评估模型对本文档来自技高网...
【技术保护点】
1.一种发电厂伴热设备故障点监测方法，其特征在于，所述发电厂伴热设备故障点监测方法包括：
2.如权利要求1所述的发电厂伴热设备故障点监测方法，其特征在于：所述方法，还包括：
3.如权利要求1所述的发电厂伴热设备故障点监测方法，其特征在于：所述对历史数据进行预处理得到包络样本信息的方法，具体包括：
4.如权利要求3所述的发电厂伴热设备故障点监测方法，其特征在于：所述基于Hilbert-Huang变换对降噪平均序列进行时频转换的方法，具体包括：
5.如权利要求1所述的发电厂伴热设备故障点监测方法，其特征在于：所述预搭建基于支持向量机和卷积神经的故障评估模型，采用训练集对故障评估模型进行迭代训练的方法，具体包括：
6.如权利要求5所述的发电厂伴热设备故障点监测方法，其特征在于：所述基于故障评估模型对得到的包络监测信息进行监测跟踪，得到故障点监测结果的方法，具体包括：
7.如权利要求6所述的发电厂伴热设备故障点监测方法，其特征在于：所述基于故障评估模型对得到的包络监测信息进行监测跟踪，得到故障点监测结果的方法，具体还
8.发电厂伴热设备故障点监测系统，用于实现如权利要求1-7任一所述的发电厂伴热设备故障点监测方法，其特征在于：所述发电厂伴热设备故障点监测系统，具体包括：
9.如权利要求8所述的发电厂伴热设备故障点监测系统，其特征在于：所述数据处理模块包括：
10.如权利要求8所述的发电厂伴热设备故障点监测系统，其特征在于：所述可视化模块包括：
...【技术特征摘要】
1.一种发电厂伴热设备故障点监测方法，其特征在于，所述发电厂伴热设备故障点监测方法包括：
2.如权利要求1所述的发电厂伴热设备故障点监测方法，其特征在于：所述方法，还包括：
3.如权利要求1所述的发电厂伴热设备故障点监测方法，其特征在于：所述对历史数据进行预处理得到包络样本信息的方法，具体包括：
4.如权利要求3所述的发电厂伴热设备故障点监测方法，其特征在于：所述基于hilbert-huang变换对降噪平均序列进行时频转换的方法，具体包括：
5.如权利要求1所述的发电厂伴热设备故障点监测方法，其特征在于：所述预搭建基于支持向量机和卷积神经的故障评估模型，采用训练集对故障评估模型进行迭代训练的方法，具体包括：
6.如权...
【专利技术属性】
技术研发人员：王中华，石秀刚，岳增刚，张文奎，姜召星，马俊喜，李宁，臧猛，姚连明，李冠一，张慧强，王鑫，
申请(专利权)人：济宁华源热电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。