水电厂设备远程监控方法及系统与流程

本公开涉及智能监控，特别涉及一种水电厂设备远程监控方法及系统。

背景技术：

1、随着全球能源需求的持续增长，水电作为一种清洁、可再生的能源形式，在能源结构中占据着越来越重要的地位。然而，水电厂设备的复杂性和运行环境的多样性，使得对其的维护与管理面临诸多挑战。

2、传统的水电厂设备监控方法主要依赖于人工巡检和定期维护，这种方法不仅效率低下，且无法做到对设备状态的连续监控，难以及时发现潜在的设备运行异常，从而可能导致设备故障，甚至引发安全事故，严重影响水电厂的正常运行和经济效益。

3、目前，随着物联网技术的发展，部分水电厂虽然引入了部分自动化监控系统，但大多侧重于对设备运行参数的简单监测，缺乏对运行数据深度分析和智能诊断能力，难以有效发觉设备潜在问题。

技术实现思路

1、本公开旨在至少解决现有技术中存在的问题之一，提供一种水电厂设备远程监控方法及系统。

2、本公开的一个方面，提供了一种水电厂设备远程监控方法，所述水电厂设备远程监控方法包括：

3、获取被监控水电厂设备的运行振动信号和运行声音信号；

4、将所述运行振动信号和所述运行声音信号至设备远程监控服务器；

5、利用所述设备远程监控服务器，分别提取所述运行振动信号和所述运行声音信号的时频特征，得到振动时频特征图和声音时频特征图；

6、利用所述设备远程监控服务器，对所述声音时频特征图和所述振动时频特征图分别进行特征选择优化，得到声音时频增强特征图和振动时频增强特征图；

7、利用所述设备远程监控服务器，基于所述声音时频增强特征图和所述振动时频增强特征图的注意力联合特征，确定被监控水电厂设备的工作状态是否存在异常。

8、可选地，分别提取所述运行振动信号和所述运行声音信号的时频特征，得到振动时频特征图和声音时频特征图，包括：

9、对所述运行振动信号和所述运行声音信号进行小波分析，得到振动二维时频图和声音二维时频图；

10、将所述振动二维时频图输入基于第一空洞卷积神经网络模型的振动时频特征提取器，得到所述振动时频特征图；

11、将所述声音二维时频图输入基于第二空洞卷积神经网络模型的声音时频特征提取器，得到所述声音时频特征图。

12、可选地，对所述声音时频特征图和所述振动时频特征图分别进行特征选择优化，得到声音时频增强特征图和振动时频增强特征图，包括：

13、将所述声音时频特征图和所述振动时频特征图分别输入基于特征能量分布谱的特征选择优化模块，得到所述声音时频增强特征图和所述振动时频增强特征图。

14、可选地，将所述声音时频特征图和所述振动时频特征图分别输入基于特征能量分布谱的特征选择优化模块，得到所述声音时频增强特征图和所述振动时频增强特征图，包括：

15、将所述声音时频特征图拆分为声音时频局部特征向量的集合；

16、计算所述声音时频局部特征向量的集合中各个声音时频局部特征向量的特征能量分布谱向量，得到声音时频特征能量分布谱向量的集合；

17、计算所述声音时频特征能量分布谱向量的集合的按位置均值向量作为能量谱分布中心向量；

18、计算所述能量谱分布中心向量与所述声音时频特征能量分布谱向量的集合中的各个声音时频特征能量分布谱向量之间的马氏距离作为能量分布谱跨度因子，得到能量分布谱跨度因子的集合；

19、将所述能量分布谱跨度因子的集合中的各个能量分布谱跨度因子与预设阈值进行比较，选择小于所述预设阈值的能量分布谱跨度因子对应的声音时频局部特征向量组成选择后的声音时频局部特征向量的集合；

20、将所述选择后的声音时频局部特征向量的集合按照特征拆分的方式进行反式聚合，得到所述声音时频增强特征图。

21、可选地，计算所述声音时频局部特征向量的集合中各个声音时频局部特征向量的特征能量分布谱向量，得到声音时频特征能量分布谱向量的集合，包括：

22、以逐元素取最大特征值的方式，计算所述声音时频局部特征向量的集合中的第i个声音时频局部特征向量与其他各个声音时频局部特征向量之间的特征分布能量协同表示向量，得到特征分布能量协同表示向量的集合；

23、计算所述特征分布能量协同表示向量的集合中各个特征分布能量协同表示向量的特征分布能量协同因子，得到由多个特征分布能量协同因子组成的所述第i个声音时频局部特征向量的特征能量分布谱向量。

24、可选地，计算所述特征分布能量协同表示向量的集合中各个特征分布能量协同表示向量的特征分布能量协同因子，得到由多个特征分布能量协同因子组成的所述第i个声音时频局部特征向量的特征能量分布谱向量，包括：

25、计算所述特征分布能量协同表示向量的最大特征值和其特征均值的差值的平方、所述特征分布能量协同表示向量的特征方差以及偏置项之间的加权和值，再将所述特征分布能量协同表示向量的方差和所述偏置项相加后除以所述加权和值，得到所述特征分布能量协同因子。

26、可选地，基于所述声音时频增强特征图和所述振动时频增强特征图的注意力联合特征，确定被监控水电厂设备的工作状态是否存在异常，包括：

27、将所述声音时频增强特征图和所述振动时频增强特征图输入注意力驱动的特征联合显著性感知网络，得到声音-振动时频联合显著感知特征图；

28、将所述声音-振动时频联合显著感知特征图输入基于分类器的监控结果生成模块，得到监控结果，所述监控结果用于表示被监控水电厂设备的工作状态是否存在异常。

29、可选地，将所述声音时频增强特征图和所述振动时频增强特征图输入注意力驱动的特征联合显著性感知网络，得到声音-振动时频联合显著感知特征图，包括：

30、对所述声音时频增强特征图和所述振动时频增强特征图进行特征形状重塑，得到声音时频增强特征形状重塑矩阵和振动时频增强特征形状重塑矩阵；

31、将所述声音时频增强特征形状重塑矩阵和所述振动时频增强特征形状重塑矩阵输入特征逐通道交互感知模块，得到声音-振动依赖关系矩阵和振动-声音依赖关系矩阵；

32、将所述声音-振动依赖关系矩阵和所述振动-声音依赖关系矩阵输入随机失活模块，得到剪枝化声音-振动依赖关系矩阵和剪枝化振动-声音依赖关系矩阵；

33、将所述剪枝化声音-振动依赖关系矩阵与所述振动时频增强特征形状重塑矩阵进行矩阵相乘，得到依赖关系优化振动时频增强特征矩阵；

34、将所述剪枝化振动-声音依赖关系矩阵与所述声音时频增强特征形状重塑矩阵进行矩阵相乘，得到依赖关系优化声音时频增强特征矩阵；

35、对所述依赖关系优化声音时频增强特征矩阵和所述依赖关系优化振动时频增强特征矩阵进行特征形状重塑，得到优化声音时频增强特征图和优化振动时频增强特征图；

36、计算所述优化声音时频增强特征图和所述优化振动时频增强特征图的加权和，得到所述厂区状态多尺度联合感知显著特征图。

37、可选地，将所述声音时频增强特征形状重塑矩阵和所述振动时频增强特征形状重塑矩阵输入特征逐通道交互感知模块，得到声音-振动依赖关系矩阵和振动-声音依赖关系矩阵，包括：

38、计算所述声音时频增强特征形状重塑矩阵乘以所述振动时频增强特征形状重塑矩阵的转置矩阵，得到声音-振动关联表示矩阵；

39、将所述声音-振动关联表示矩阵除以所述振动时频增强特征形状重塑矩阵的尺度后输入softmax函数，得到所述声音-振动依赖关系矩阵；

40、计算所述声音时频增强特征形状重塑矩阵的转置矩阵乘以所述振动时频增强特征形状重塑矩阵，得到厂区状态振动-声音关联表示矩阵；

41、将所述振动-声音关联表示矩阵除以所述声音时频增强特征形状重塑矩阵的尺度后输入softmax函数，得到所述振动-声音依赖关系矩阵。

42、本公开的另一个方面，提供了一种水电厂设备远程监控系统，所述水电厂设备远程监控系统包括：

43、信号获取模块，用于获取被监控水电厂设备的运行振动信号和运行声音信号；

44、信号传输模块，用于将所述运行振动信号和所述运行声音信号至设备远程监控服务器；

45、时频特征提取模块，用于利用所述设备远程监控服务器，分别提取所述运行振动信号和所述运行声音信号的时频特征，得到振动时频特征图和声音时频特征图；

46、特征选择优化模块，用于利用所述设备远程监控服务器，对所述声音时频特征图和所述振动时频特征图分别进行特征选择优化，得到声音时频增强特征图和振动时频增强特征图；

47、异常判断模块，用于利用所述设备远程监控服务器，基于所述声音时频增强特征图和所述振动时频增强特征图的注意力联合特征，确定被监控水电厂设备的工作状态是否存在异常。

48、本公开相对于现有技术而言，利用水电厂设备运行过程中的振动信号和声音信号，并结合物联网技术和深度学习技术，对水电厂设备的振动信号和声音信号进行时频特征提取以及关联交互分析，以挖掘出设备运行状态的潜在异常信息，从而实现对水电厂设备运行状态的远程监控和智能化的故障诊断，有效提高了水电厂设备的监控效率和安全性，降低了维护成本，提升了水电厂的整体运行效益。