多源异构数据的排水系统故障预警方法与流程

本发明涉及排水系统多种监测数据来源的故障预警领域，尤其是涉及一种多源异构数据的排水系统故障预警方法。

背景技术：

1、当前水电站排水系统面临着复杂的运维挑战，尤其是在确保安全高效运行方面。传统监测手段往往依赖于人工定期巡检和单一参数监测，这种方式不仅效率低下，而且难以及时发现潜在故障，特别是在面对排水泵运行状态异常、来水量突变等复杂情形时更为明显。现有的监测系统大多缺乏对排水泵多源监测数据的综合分析能力，比如三相电流、电压、功率因素、振动、声学信号及启停时间等关键参数的联动分析，导致对排水泵故障及系统异常的预警不够精准和及时。

技术实现思路

1、本发明的主要目的在于提供一种多源异构数据的排水系统故障预警方法，解决三相电流、电压、功率因素、振动、声学信号及启停时间等关键参数的联动分析，导致对排水泵故障及系统异常的预警不够精准和及时的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：一种多源异构数据的排水系统故障预警方法，预警方法包括：

3、s1、采集排水泵启动后的三相电流、三相电压、功率因数、排水泵运行时的振动波形数据、声音数据、排水泵启停的开关量数据；

4、s2、采集排水泵启动后10秒的三相电流、电压中位数，功率因素，振动峰峰值，泵启动时间的历史数据；

5、采用历史数据，利用gbdt梯度决策提升树对预测模型进行训练，对排水泵启动后10秒的三相电流、电压中位数，功率因素，振动峰峰值，泵启动时间的当前值进行预测，通过数据正态分布的3σ原则确定预测值的上下限，当实际运行的三相电流、电压中位数，功率因素，振动峰峰值超出基于预测值的上下限确定的预警带时进行预警。

6、优选方案中，步骤s2还进一步包括：

7、s2.1、计算排水泵电流偏差率δi和排水泵电压偏差率δu；

8、包括：

9、

10、其中，ia,ib,ic分别代表三相电流的a、b、c相值；median表示中位数函数，即三相电流的中间值；

11、

12、其中，ua,ub,uc分别代表三相电压的a、b、c相值；

13、如果δi＞5％和/或δu＞5％,则判定当前电流或电压存在显著偏差，视为异常情况，并立即触发预警信号。

14、优选方案中，步骤s2还进一步包括：

15、s2.2、gbdt梯度决策提升树对预测模型进行训练的具体步骤为：

16、原始数据为xi，最小值为xmin，最大值为xmax，归一化后的数据为xi′，则归一化公式为：

17、

18、gbdt模型训练后，对于输入特征x＝[x1,x2,...,xn]；其中n为特征数量，为三相电流中位数或者为三相电压中位数；

19、模型输出预测值可以是一个或多个目标变量的预测值，预测公式为：

20、

21、其中，fgbdt表示gbdt模型的预测函数，θ代表模型参数；

22、3σ原则确定预测值的上下限的步骤为：

23、对于预测目标y，其预测值集合为预测值集合测试阶段获得；

24、首先计算均值μ和标准差σ；计算均值μ和标准差σ公式为：

25、

26、设定预警上下限为：

27、预警下限＝μ-3σ；

28、预警上限＝μ+3σ；

29、对于新测量的实际值yactual，若满足以下条件，则触发预警：

30、yactual＜预警下限或yactual＞预警上限；

31、直接偏差率判断和基于gbdt预测的预警结果分别为ddirect和dpredict，其中ddirect为1表示异常，0表示正常；同样，dpredict也为1或0；

32、设计一个的融合规则，“或”逻辑，只要有一个判断为异常即触发预警：

33、dfinal＝ddirect∨dpredict       (7)；

34、综合判断dfinal若为1，则执行相应的预警或维护措施。

35、优选方案中，步骤s2还进一步包括：监测排水泵振动异常，具体为：

36、采集来自正常工作状态下的排水泵的振动数据，所述振动数据覆盖各种正常工作条件和操作阶段；

37、对采集到的振动数据进行预处理，预处理步骤包括去噪、滤波、降采样或者归一化预处理；

38、从振动数据中提取与排水泵状态相关的特征，所述相关的特征包括振动的频率、振幅、时域特性、频域特性的至少一种；

39、对提取的特征进行统计分析，计算其均值、标准差、范围；

40、基于正常工作状态下的振动特征统计数据，建立基线模型，所述基线模型用于描述正常振动特征的典型范围；

41、对所述基线模型进行验证，以确保它能够准确地反映正常工作状态下的振动特征；

42、使用高斯混合模型来描述数据的分布；gmm的概率密度函数是多个高斯分布的加权和：

43、

44、其中αi是混合系数，ui和σi分别是第i个高斯分布的均值和协方差矩阵，n(x∣ui,σi)表示均值为ui、协方差为σi的高斯分布；

45、使用交叉验证或者轮廓系数方法来评估基线模型的性能，确保其能够准确反映正常工作状态下的振动特征；

46、持续监测排水泵的振动信号，并采集实时数据；

47、使用建立的振动特征的所述基线模型，对实时振动数据进行异常检测；如果检测到振动异常，生成警报，通知相关人员进行维护和检修；

48、该方法包括：

49、对于新的振动数据点x，使用马氏距离来判断其是否异常，马氏距离考虑了数据的协方差结构，计算公式为：

50、

51、其中μ和σ分别是数据的均值和协方差矩阵。如果dm(x)超过阈值，则认为数据点x是异常的；

52、根据历史数据和实际需求设定合适的阈值，择选基于正态分布的3σ原则来设定阈值。

53、优选方案中，步骤s2中还进一步包括：监测排水泵声音异常，具体为：

54、从排水泵中采集声音数据，对采集到的声音数据进行预处理，包括去噪、滤波、归一化；

55、从声音数据中提取相关的特征，所述相关的特征包括声音的频率、振幅、时间特性的至少一种；

56、基于正常工作状态下的声音数据，建立声音特征的基线模型，所述声音特征的基线模型描述了正常声音的特征范围；

57、持续监测排水泵的声音，并采集实时数据；

58、使用建立的所述声音特征的基线模型，对实时声音数据进行异常检测，如果检测到声音异常,生成警报，通知相关人员进行维护和检修。

59、优选方案中，监测排水泵声音异常的基线模型建立方法为：

60、从声音数据中提取频率、振幅和时间特性特征。使用快速傅里叶变换来分析声音的频率成分：

61、

62、其中，x[k]是频域表示，x[n]是时域信号，n是信号长度；

63、对提取的特征向量x进行降维，得到主成分y＝wx，其中w是pca的转换矩阵，且yy按照方差从大到小排列，设pca后的主成分y符合多元高斯分布，其概率密度函数为：

64、

65、其中，x是特征向量，μ是均值向量，σ是协方差矩阵，d是特征的维度；

66、使用历史数据来验证基线模型的准确性，通过计算模型与实际数据的r-squared值拟合度来评估模型的性能；

67、对于实时监测到的声音数据yreal-time，通过pca逆变换得到原始特征空间的近似xapprox＝wtyreal-time，然后计算重构误差e＝∣∣xreal-time-xapprox∣∣2，其中xreal-time是实时数据对应的特征向量；

68、高斯分布假设下，利用马氏距离来度量实时数据点与分布中心的距离，异常评分ss可定义为：

69、

70、分数值较大表明数据点越偏离正常范围，设定阈值θ，若s＞θ，则触发警报。

71、优选方案中，步骤s2中还进一步包括：

72、s3.1、计算来水量，计算公式如下：

73、1小时来水量＝(当前水位值-10分钟前水位值)×集水井面积×6；

74、其中，当10分钟前的状态为所有排水泵未启动，当前排水泵未启动，上述1小时来水量为正确的来水量；

75、s3.2、将停止时间、来水量作为预测值，将机组检修数、机组备用数、机组运行数作为因变量进行训练，将训练好的模型进行预测，确定预测值的上下限，当当前来水量超过基于预测值的上下限确定的预警带后进行预警，显示来水量超过了历史正常范围，进行预警；

76、根据来水量、排水泵停止时间、同一时间排水泵启动数量、机组运行数、机组检修数、机组备用数判断渗漏井的来水是否异常。

77、优选方案中，步骤s3.2中构建预测模型的方法为：

78、有历史数据集d＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中xi＝(xi1,xi2,...,xim)表示第i个样本的特征向量，包含排水泵停止时间、同一时间排水泵启动数量、机组运行数、机组检修数、机组备用数，而yi表示对应的来水量；

79、拟合一个多元线性回归模型y＝β0+β1x1+β2x2+...+βmxm+ò，其中β0,β1,...,βm是待求系数，ò是随机误差；

80、模型训练目标是最小化残差平方和，即求解：

81、

82、其中β0,β1,...,βm是模型的系数，其中β0是截距项，β1至βm分别对应于自变量xi1到xim的系数；

83、yi是第i个观察的因变量的实际值；

84、n是样本的数量；

85、损失函数是所有样本预测误差的平方和，目标是最小化这个和，以找到最优的系数β值，模型准确地拟合数据；

86、检测来水量是否异常，使用支持向量机进行一对一分类，将预测的来水量与历史正常范围进行对比；

87、基于训练集d使用svm建立一个分类边界，然后对新的来水量预测值进行分类，判断其是否落在正常范围内，svm的基本形式为：

88、

89、s.t.yi(wtxi+b)≥1-ξi,i＝1,…,n,ξi≥0    (14)；

90、其中，w是权重向量，b是偏置项，ξ是松弛变量，c是惩罚系数；

91、通过训练得到的支持向量机模型，对预测值进行分类，得到其属于正常范围的概率pnormal，预测值表示为；

92、

93、pnormal<δ→来水量异常预警。

94、本发明提供了一种多源异构数据的排水系统故障预警方法，本发明针对上述问题，提供了一套集成多参数监测与智能预警的解决方案，显著提升了排水系统故障诊断与预警的效率与准确性。具体有益效果包括：

95、综合监测与分析：通过集成排水泵的三相电流、电压、功率因素等电气参数，结合振动、声学信号的物理监测，以及排水泵启停记录的时间序列数据，实现了对排水泵运行状态的全方位监测。这种方法突破了单一监测手段的局限，能够更全面地捕捉到排水泵及排水系统的微小变化，为故障早期识别提供了丰富的数据基础。

96、异常预警精确性提升：利用先进的数据处理算法，如机器学习模型，对收集到的多维度数据进行深度分析，能够准确识别排水泵运行异常，如电流电压波动、不正常振动、声学特征偏离等，以及来水量的异常变化，从而及时发出预警，减少因故障导致的停机时间和维修成本。

97、适应性强，应用场景广泛：本发明不仅适用于水电站的检修排水、渗漏排水、大坝泵站排水等常规场景，还能灵活应用于具有集水井、蓄水池自动控制排水泵启停的多种水处理设施，甚至拓展到其他需要精密监控排水系统的工业环境，展现出良好的通用性和扩展性。

98、智能化管理：实现了排水系统运维的智能化升级，通过自动化预警机制，减轻了人工监测负担，提高了运维效率，确保了排水系统的稳定运行，避免了因设备故障导致的安全风险和经济损失。

99、本发明通过集成多源监测数据与智能分析，不仅提升了排水系统故障预警的准确性和及时性，而且为排水系统运维提供了更加智能化、精细化的管理手段，对保障水电站及类似设施的安全高效运行具有重要的实践价值。