一种水电站机组故障检测与诊断方法及系统与流程

本发明涉及水电机组故障检测与诊断，尤其涉及一种水电站机组故障检测与诊断方法及系统。

背景技术：

1、保障水电站机组的安全稳定运行是水电站的核心工作，现有技术中，通过采集机组设备的运行工况参数，辅助管理人员对机组设备的运行状况进行分析、预判。现有技术中，水电机组故障检测与诊断技术领域中，存在以下问题。首先，水电机组包括水轮机、发电机、冷却系统、电站控制设备、励磁系统、调速和控制系统等设备，各设备又包含多种关键零部件，需要多种传感器采集工况参数，数据量较大，对工况参数的存储、查询、分析工作增加了难度，难以清晰、直观、及时地获得水电机组运行状态的总体健康情况。其次，使用支持向量机、神经网络等机器学习模型水电机组运行状态进行预测，仅仅给出预测结果，缺乏对预测结果的合理解释，难以使设备运维人员快速判断出故障原因。

技术实现思路

1、为了克服现有技术的缺点，本发明提供了一种水电站机组故障检测与诊断方法及系统，使用时序数据库分区存储传感器采集的工况参数信息，提高了数据查询效率；采用深度神经网络模型对水电机组运行状态进行分析，提高了预判的准确性；在预判结果为故障预警时，进一步结合检测数据和历史数据，对预测结果进行数据支撑，便于运维人员快速获得诊断结果。

2、第一个方面，本发明公开了一种水电站机组故障检测与诊断方法，包括以下步骤：

3、步骤s101：通过多种传感器采集水电站机组零部件的工况参数信息，并将采集到的所述工况参数信息存储到时序数据库；

4、步骤s102：从时序数据库获取工况参数信息，对获取的工况参数信息进行预处理，将预处理后的工况参数信息输入到深度神经网络模型；

5、步骤s103：如果深度神经网络模型的输出结果为故障预警，根据所述工况参数信息和历史数据库生成故障诊断报告；

6、步骤s104：根据预设的映射关系将生成的故障诊断报告发送到对应的终端，并根据预设的策略将时序数据库中的工况参数信息迁移到历史数据库；所述映射关系为故障诊断报告与故障诊断报告接收终端之间的对应关系。

7、优选地，所述通过多种传感器采集水电站机组零部件的工况参数信息，具体为：使用无线振动传感器采集机组关键轴承位置的振动信号，使用无线电压电流传感器采集机组电压、电流数据，使用温度传感器采集机组铁芯的温度、绕组的温度；

8、优选地，所述将采集到的所述工况参数信息存储到时序数据库，具体为：传感器采集得到的工况参数信息通过无线传输技术上传到时序数据库相应的数据分区；所述时序数据库预先创建多个数据分区，每个数据分区存储固定时间范围内的数据，传感器采集得到的工况参数信息根据时间戳被写入相应的数据分区；所述工况参数信息至少包括传感器标识、安装位置、测量字段、时间戳。

9、优选地，所述从时序数据库获取工况参数信息，具体为：以时间区间[ts,te)为查询时间范围从时序数据库获取工况参数信息dts,te，每个时间区间[ts,te)对应时序数据库的一个数据分区；其中，ts为查询开始时间，te为查询结束时间；

10、优选地，所述对获取的工况参数信息进行预处理，具体为：根据传感器标识获取该传感器的测量值范围，根据测量值范围统计工况参数信息dts,te中异常值的个数m，统计工况参数信息dts,te中缺失值个数n，统计工况参数信息dts,te中数据总个数total，计算工况参数信息dts,te中的异常比率ratio，如果ratio>10%，从时序数据库删除工况参数信息dts,te，并发出传感器数据采集异常报警；如果ratio<=10%，对异常值和缺失值进行最近邻插补，对工况参数信息dts,te进行时间戳对齐，获得，其中，，xk为第k个传感器的测量值；将时间戳对齐后的数据组织为输入矩阵input，，其中，为第k个传感器在时间戳t时刻的采集测量值，将矩阵input进行归一化，并输入到训练好的深度神经网络模型；所述深度神经网络模型包括第一卷积层、第一池化层，第二卷积层、第二池化层、全连接层、隐藏层、输出层，输出层输出水电机组故障预警等级；基于所述历史数据库采用有监督的方法训练获得所述深度神经网络模型；水电机组故障预警等级包括正常、故障预警。

11、优选地，根据所述工况参数信息和历史数据库生成故障诊断报告，具体为：步骤s1031，生成工况参数信息dts,te检测表格；所述检测表格包括传感器标识、安装位置、测量值、参考值区间；参考值区间为正常数值范围；如果测量值不在参考值区间，对测量值特殊标记；

12、步骤s1032，生成工况参数信息dts,te检测趋势图；生成每个传感器在时间区间[ts,te)测量值的趋势图，趋势图的横坐标为时间，纵坐标为测量值，如果趋势图异常，对趋势图特殊标记；所述趋势图异常包括持续升高超过预设时间阈值、持续降低超过预设时间阈值、波峰与波谷之差超过预设阈值；

13、步骤s1033，生成历史预警次数；遍历历史数据库中每个数据分区，将每个数据分区的数据组织为矩阵，计算该矩阵与input的矩阵相似度，如果矩阵相似度大于阈值，获取该矩阵对应的故障预警等级，并统计故障预警等级为故障预警的次数。

14、优选地，所述根据预设的映射关系将生成的故障诊断报告发送到对应的终端，具体为：

15、预先建立故障诊断报告与故障诊断报告接收终端之间的映射关系，根据映射关系将故障诊断报告推送到相应接收终端，并以弹窗的形式提醒用户查看；

16、所述根据预设的策略将时序数据库中的工况参数信息迁移到历史数据库，具体为：

17、定时遍历时序数据库的每个数据分区，如果该数据分区在时序数据库中的存储时长超过存储阈值，且该数据分区的数据已经输入深度神经网络模型，将该数据分区的数据迁移到历史数据库，并在时序数据库中删除该数据分区。

18、第二个方面，本发明公开了水电站机组故障检测与诊断系统，包括以下功能模块，

19、数据采集与存储模块：通过多种传感器采集水电站机组零部件的工况参数信息，并将采集到的所述工况参数信息存储到时序数据库；

20、故障诊断预测模块：从时序数据库获取工况参数信息，对获取的工况参数信息进行预处理，将预处理后的工况参数信息输入到深度神经网络模型；

21、诊断报告生成模块：如果深度神经网络模型的输出结果为故障预警，根据所述工况参数信息和历史数据库生成故障诊断报告；

22、诊断报告发送模块：根据预设的映射关系将生成的故障诊断报告发送到对应的终端，并根据预设的策略将时序数据库中的工况参数信息迁移到历史数据库；所述映射关系为故障诊断报告与故障诊断报告接收终端之间的对应关系。

23、优选地，所述数据采集与存储模块包括数据采集单元和数据存储单元，

24、数据采集单元：使用无线振动传感器采集机组关键轴承位置的振动信号，使用无线电压电流传感器采集机组电压、电流数据，使用温度传感器采集机组机组铁芯的温度、绕组的温度；

25、数据存储单元：将传感器采集得到的工况参数信息通过无线传输技术上传到时序数据库相应的数据分区；所述时序数据库预先创建多个数据分区，每个数据分区存储固定时间范围内的数据，传感器采集得到的工况参数信息根据时间戳被写入相应的数据分区；所述工况参数信息至少包括传感器标识、安装位置、测量字段、时间戳。

26、优选地，所述故障诊断预测模块包括数据查询单元、数据预处理单元和故障预测单元；

27、数据查询单元：以时间区间[ts,te)为查询时间范围从时序数据库获取工况参数信息dts,te，每个时间区间[ts,te)对应时序数据库的一个数据分区；其中，ts为查询开始时间，te为查询结束时间；

28、数据预处理单元：根据传感器标识获取该传感器的测量值范围，根据测量值范围统计工况参数信息dts,te中异常值的个数m，统计工况参数信息dts,te中缺失值个数n，统计工况参数信息dts,te中数据总个数total，计算工况参数信息dts,te中的异常比率ratio，如果ratio>10%，从时序数据库删除工况参数信息dts,te，并发出传感器数据采集异常报警；如果ratio<=10%，对异常值和缺失值进行最近邻插补，对工况参数信息dts,te进行时间戳对齐，获得，其中，，xk为第k个传感器的测量值；将时间戳对齐后的数据组织为输入矩阵input，，其中，为第k个传感器在时间戳t时刻的采集测量值，将矩阵input进行归一化；

29、故障预测单元：将归一化后的矩阵输入到训练好的深度神经网络模型；所述深度神经网络模型包括第一卷积层、第一池化层，第二卷积层、第二池化层、全连接层、隐藏层、输出层，输出层输出水电机组故障预警等级；基于所述历史数据库采用有监督的方法训练获得所述深度神经网络模型；水电机组故障预警等级包括正常、故障预警。

30、优选地，所述诊断报告生成模块包括检测表格生成单元、检测趋势图生成单元和历史预警次数统计单元；

31、检测表格生成单元：生成工况参数信息dts,te检测表格；所述检测表格包括传感器标识、安装位置、测量值、参考值区间；参考值区间为正常数值范围；如果测量值不在参考值区间，对测量值特殊标记；

32、检测趋势图生成单元：生成工况参数信息dts,te检测趋势图；生成每个传感器在时间区间[ts,te)测量值的趋势图，趋势图的横坐标为时间，纵坐标为测量值，如果趋势图异常，对趋势图特殊标记；所述趋势图异常包括持续升高超过预设时间阈值、持续降低超过预设时间阈值、波峰与波谷之差超过预设阈值；

33、历史预警次数统计单元：生成历史预警次数；遍历历史数据库中每个数据分区，将每个数据分区的数据组织为矩阵，计算该矩阵与input的矩阵相似度，如果矩阵相似度大于阈值，获取该矩阵对应的故障预警等级，并统计故障预警等级为故障预警的次数。

34、优选地，所述诊断报告发送模块包括映射关系建立单元、诊断报告推送单元和数据库迁移单元；

35、映射关系建立单元：用于建立故障诊断报告与故障诊断报告接收终端之间的映射关系；

36、诊断报告推送单元：根据映射关系将故障诊断报告推送到相应接收终端，并以弹窗的形式提醒用户查看；

37、数据库迁移单元：定时遍历时序数据库的每个数据分区，如果该数据分区在时序数据库中的存储时长超过存储阈值，且该数据分区的数据已经输入深度神经网络模型，将该数据分区的数据迁移到历史数据库，并在时序数据库中删除该数据分区。

38、与最接近的现有技术相比，本发明的技术效果是：

39、1）采用时序数据库存储海量地传感器采集数据，并根据事件范围对时序数据库进行分区，传感器采集得到的工况参数信息根据自身携带的时间戳上传到时序数据库相应的数据分区，在分析传感器采集数据时，每次获取一个数据分区的数据，加快了数据查询效率。

40、2）基于历史数据库，训练深度神经网络模型，用于计算机组设备运行状态，避免了人工筛选、设计工况参数特征，提高了提高了预判的准确性。

41、3）在预判结果为故障预警时，进一步对传感器采集的实时数据和历史数据进行分析，对超出阈值的工况参数、异常趋势进行特殊标记，对历史相似运行工况参数情形进行统计分析，对预测结果进行数据支撑，便于运维人员或管理人员快速获得诊断结果。