本發(fā)明涉及發(fā)電機，尤其涉及發(fā)電機測速制動系統(tǒng)。

背景技術(shù)：

1、在水輪機發(fā)電領(lǐng)域，精確的轉(zhuǎn)速測量對于保障發(fā)電機組的安全、高效運行至關(guān)重要。傳統(tǒng)的測速方法主要分為機械測速和殘壓測速兩種。機械測速通過接觸式探頭直接測量轉(zhuǎn)子轉(zhuǎn)速，而殘壓測速則通過分析發(fā)電機輸出電壓的頻率來間接測量轉(zhuǎn)速。然而，這兩種方法各自存在局限性：機械測速可能因磨損、污染而受影響，而殘壓測速則可能受到電氣干擾的影響，在測速出現(xiàn)問題時，機組在停機時會在高速轉(zhuǎn)動中停機，從而引起發(fā)電機轉(zhuǎn)子、制動閘損壞或金屬部件脫離。

2、特別是在水位環(huán)境較為復雜的環(huán)境中，殘壓測速的數(shù)據(jù)量較大，且由于干擾變多，其準確率以及測算效率均無法滿足現(xiàn)實需要，在現(xiàn)有技術(shù)中，雖有多種測速方式并行使用，但均為單獨測速，沒有實現(xiàn)數(shù)據(jù)融合，無法通過互補的方式，實現(xiàn)精準高效的測速，無法保證系統(tǒng)的安全性和穩(wěn)定性。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的在于提供發(fā)電機測速制動系統(tǒng)，以解決上述問題。

2、本發(fā)明通過下述技術(shù)方案實現(xiàn)：

3、發(fā)電機測速制動系統(tǒng)，包括測速模塊、制動閘模塊、信號處理模塊、控制模塊，其中所述的信號處理模塊接收所述的測速模塊的信號，進行處理和分析，所述的制動閘模塊接收控制模塊的指令，控制制動閘的投入和退出，所述的信號處理模塊向控制模塊發(fā)送制動的控制指令，且信號處理模塊接收控制模塊的數(shù)據(jù)信息。

4、優(yōu)選的，信號處理模塊中，通過如下步驟實現(xiàn)數(shù)據(jù)的處理：

5、s1：數(shù)據(jù)預處理，將機械測速單元采集到的數(shù)據(jù)以及殘壓測速單元采集到的數(shù)據(jù)進行預處理，其中機械測速單元采集到的數(shù)據(jù)通過rc濾波器進行濾波，殘壓測速單元采集到的數(shù)據(jù)通過低通濾波器進行濾波；

6、本發(fā)明的機械測速單元和殘壓測速單元采集到的數(shù)據(jù)通過特定的濾波器進行處理，以消除噪聲和干擾。rc濾波器和低通濾波器的應用有效地平滑了信號，減少了高頻噪聲的影響，使得后續(xù)的信號分析更加準確。這一預處理不僅提高了數(shù)據(jù)的信噪比，還為后續(xù)的信號調(diào)理和數(shù)模轉(zhuǎn)換打下了堅實的基礎(chǔ)，從而在整個系統(tǒng)中實現(xiàn)了更高精度的轉(zhuǎn)速測量。

7、s2：信號調(diào)理與數(shù)模轉(zhuǎn)化，調(diào)整濾波后信號的幅值和阻抗，然后將模擬信號轉(zhuǎn)化為數(shù)字信號，最后通過數(shù)字低通濾波器和帶通濾波器進行進一步的濾波；

8、本發(fā)明的濾波后的信號經(jīng)過幅值和阻抗的調(diào)整，然后通過模數(shù)轉(zhuǎn)換器轉(zhuǎn)化為數(shù)字信號。這一過程不僅提高了信號的穩(wěn)定性，還使得信號能夠被數(shù)字系統(tǒng)處理，從而提高了信號處理的靈活性和精確度。數(shù)字低通濾波器和帶通濾波器的進一步應用，進一步去除了不必要的頻率成分，確保了信號的純凈度，為特征提取和后續(xù)分析提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

9、s3：特征提取，對于機械測速單元采集到的數(shù)據(jù)，提取得到信號中的與轉(zhuǎn)速計算有關(guān)的特征，其中包括發(fā)電機轉(zhuǎn)子的旋轉(zhuǎn)方向、時間標記、狀態(tài)標記、脈沖數(shù)據(jù)；

10、對于殘壓測速單元采集到的數(shù)據(jù)，提取與轉(zhuǎn)速計算有關(guān)的特征，其中包括殘壓頻率，累計運行時間，時間標記；

11、本發(fā)明通過對機械測速單元和殘壓測速單元采集到的數(shù)據(jù)進行深入分析，系統(tǒng)能夠提取出與轉(zhuǎn)速計算密切相關(guān)的關(guān)鍵特征。這些特征包括發(fā)電機轉(zhuǎn)子的旋轉(zhuǎn)方向、時間標記、狀態(tài)標記和脈沖數(shù)據(jù)，以及殘壓頻率和累計運行時間。這些特征的提取不僅提高了轉(zhuǎn)速計算的準確性，還增強了系統(tǒng)對發(fā)電機運行狀態(tài)的監(jiān)測能力，使得系統(tǒng)能夠更有效地響應各種運行條件，提高了整個系統(tǒng)的可靠性和安全性。

12、s4：將機械測速單元與殘壓測速單元的數(shù)據(jù)進行分析處理，對殘壓測速單元的轉(zhuǎn)速去噪以及轉(zhuǎn)速數(shù)據(jù)融合，并通過設置輸出決策，輸出轉(zhuǎn)子的轉(zhuǎn)速信息；

13、本發(fā)明通過接收測速模塊的信號并進行深入處理和分析，確保了數(shù)據(jù)的準確性和可靠性。這種優(yōu)化不僅提高了信號處理的效率，還增強了系統(tǒng)對異常情況的響應能力。通過精確的數(shù)據(jù)處理，系統(tǒng)能夠更準確地控制制動閘的投入和退出，從而保障了發(fā)電機的安全運行。此外，信號處理模塊與控制模塊之間的數(shù)據(jù)交互也更加流暢，使得整個系統(tǒng)的決策和執(zhí)行過程更加迅速和精確。

14、優(yōu)選的，s4中，分析處理包括如下步驟：

15、s4.1：奇異譜分析；

16、將殘壓測速單元的數(shù)據(jù)中原始的時間序列數(shù)據(jù)分解為兩個成分序列，具體為殘壓頻率信號序列、隨機噪聲序列，并融合重構(gòu)時間序列；

17、其中融合重構(gòu)后的殘壓測速單元的時間序列數(shù)據(jù)的軌跡矩陣由下式獲得：

18、

19、其中是選定的左奇異向量構(gòu)成的矩陣，代表了原始的時間序列數(shù)據(jù)在不同頻率下的強度變化分布情況；

20、是對應的奇異值構(gòu)成的對角矩陣，其對角線上的元素是奇異值，其中較大的奇異值與真實信號相關(guān)，較小的奇異值與噪聲信號相關(guān)，此表達式中，通過比對殘壓測速單元在時間序列上的殘壓頻率數(shù)據(jù)與機械測速單元在時間序列上的轉(zhuǎn)速數(shù)據(jù)，通過殘差的方式確定奇異值的閾值，得到隨機噪聲序列；

21、是選定的右奇異向量構(gòu)成的矩陣的共軛轉(zhuǎn)置，代表了殘壓信號序列數(shù)據(jù)在頻率與幅度特征向量上的投影；

22、是重構(gòu)的軌跡矩陣，其包含了殘壓測速單元的原始數(shù)據(jù)的主要特征，同時去除了噪聲的影響，并通過殘壓頻率與轉(zhuǎn)速的轉(zhuǎn)換公式，，得到轉(zhuǎn)速時間序列信息，其中是轉(zhuǎn)子的轉(zhuǎn)速，是殘壓頻率，是轉(zhuǎn)子上旋轉(zhuǎn)磁場的極對數(shù)；

23、s4.2：利用決策輸出方法，綜合提取殘壓測速單元的原始轉(zhuǎn)速信息、機械測速單元的原始轉(zhuǎn)速信息以及s4.1中得到的融合后的轉(zhuǎn)速信息，并輸出最終決策；

24、本發(fā)明通過將殘壓測速單元的數(shù)據(jù)分解為兩個成分序列，有效地分離了殘壓頻率信號和隨機噪聲。這種分析方法不僅提高了轉(zhuǎn)速數(shù)據(jù)的準確性，還增強了系統(tǒng)對異常情況的識別能力。通過比對殘壓測速單元和機械測速單元的數(shù)據(jù)，系統(tǒng)能夠確定奇異值的閾值，從而識別并去除噪聲信號。這一過程不僅提高了轉(zhuǎn)速測量的精度，還增強了系統(tǒng)對發(fā)電機運行狀態(tài)的監(jiān)測能力，為系統(tǒng)的穩(wěn)定運行提供了有力保障。

25、優(yōu)選的，s4.2中，決策輸出方法包括如下步驟：

26、s4.2.1：數(shù)據(jù)對齊，通過對齊殘壓測速單元的原始轉(zhuǎn)速信息、機械測速單元的原始轉(zhuǎn)速信息以及s4.1中得到的融合后的轉(zhuǎn)速信息，使得三個來源的轉(zhuǎn)速在時間上是對齊的；

27、s4.2.2：異常檢測，通過異常檢測算法，標記異常值；

28、s4.2.3：優(yōu)先級決策，根據(jù)可靠性和精度，設置決策輸出的優(yōu)先級，融合后的轉(zhuǎn)速信息>機械測速單元的原始轉(zhuǎn)速信息>殘壓測速單元的原始轉(zhuǎn)速信息；

29、s4.2.4：輸出決策結(jié)果，根據(jù)設定的優(yōu)先級，當異常檢測步驟未檢測到異?；驒z測到異常為低優(yōu)先級的數(shù)據(jù)時，按照優(yōu)先級順序輸出轉(zhuǎn)速信息，當檢測到最高優(yōu)先級出現(xiàn)異常時，則根據(jù)優(yōu)先級選擇下一優(yōu)先級中未出現(xiàn)異常的作為最終輸出，如三項數(shù)據(jù)均出現(xiàn)異常，則通過比較，選擇可信度最高的數(shù)據(jù)作為最終輸出；

30、本發(fā)明中的決策輸出方法是提高系統(tǒng)魯棒性的關(guān)鍵。通過數(shù)據(jù)對齊、異常檢測、優(yōu)先級決策和輸出決策結(jié)果的步驟，系統(tǒng)能夠綜合多個來源的轉(zhuǎn)速信息，確保在不同情況下都能輸出最可靠的轉(zhuǎn)速信息。數(shù)據(jù)對齊確保了不同來源的轉(zhuǎn)速信息在時間上的一致性，異常檢測算法能夠標記出異常值，優(yōu)先級決策則根據(jù)可靠性和精度設定了決策的順序。這一綜合決策過程不僅提高了系統(tǒng)的響應速度，還增強了系統(tǒng)在面對復雜運行條件時的穩(wěn)定性和準確性。

31、優(yōu)選的，測速模塊還包括發(fā)電機物理信息采集單元，其中通過傳感器采集發(fā)電機的振動幅度、振動頻率、溫度、內(nèi)部壓力信息；

32、發(fā)電機物理信息采集單元的引入，為測速制動系統(tǒng)提供了更多的數(shù)據(jù)支持，特別是當機械測速與殘壓測速均失效時，通過傳感器采集發(fā)電機的振動幅度、振動頻率、溫度、內(nèi)部壓力信息，系統(tǒng)依然可以監(jiān)測發(fā)電機的運行速度。這些額外的數(shù)據(jù)不僅增強了轉(zhuǎn)速測量的準確性，還提高了整個系統(tǒng)的可靠性和安全性。

33、優(yōu)選的，信號處理模塊的步驟中，還包括s5：通過神經(jīng)網(wǎng)絡算法，將發(fā)電機的振動幅度、振動頻率、溫度、內(nèi)部壓力信息與發(fā)電機轉(zhuǎn)子的轉(zhuǎn)速信息進行融合，當輸入發(fā)電機的振動幅度、振動頻率、溫度、內(nèi)部壓力信息時，輸出發(fā)電機轉(zhuǎn)子的轉(zhuǎn)速。

34、如s4得到的融合后的轉(zhuǎn)速信息、機械測速單元的原始轉(zhuǎn)速信息、殘壓測速單元的原始轉(zhuǎn)速信息數(shù)據(jù)均出現(xiàn)異常，則在此步驟中切斷s4的轉(zhuǎn)速輸出，并單獨輸出s5中得到的轉(zhuǎn)速信息。

35、優(yōu)選的，s5中的神經(jīng)網(wǎng)絡算法具體包括如下步驟：

36、s5.1構(gòu)建輸入層；

37、構(gòu)建節(jié)點特征矩陣：，其中是節(jié)點數(shù)，包括了所有的特征節(jié)點和目標轉(zhuǎn)速節(jié)點，是每個節(jié)點的特征維度，其中特征向量包括振動幅度、振動頻率、溫度、內(nèi)部壓力，r為實數(shù)集，表示一個具有行和列的實數(shù)矩陣；

38、構(gòu)建領(lǐng)接矩陣：，表示圖的連接結(jié)構(gòu)；

39、s5.2：構(gòu)建第一層傅里葉圖運輸符；

40、對節(jié)點特征矩陣進行離散傅里葉變換：，其中dft為離散傅里葉變換，表示對節(jié)點特征矩陣進行離散傅里葉變換；

41、引入可學習的權(quán)重矩陣：，其中指的是第一層的權(quán)重矩陣；

42、在傅里葉空間中執(zhí)行元素-wise乘法，然后應用逆傅里葉變換（idft）得到：

43、

44、其中為第一層的輸出，表示對鄰接矩陣進行離散傅里葉變換，為逐元素乘法；

45、s5.3：構(gòu)建后續(xù)層；

46、對于每一層k，重復s5.1-s5.2：，其中是第k層的可學習權(quán)重矩陣，其中k=2,3，...，k；

47、s5.4：得到輸出層；

48、通過整合s5.1-s5.3，得到最后一層的輸出為：

49、

50、其中，為模型的第一層輸入；

51、是第k-1層節(jié)點特征表示的傅里葉變換；

52、s5.5：模型訓練；

53、通過最小化預測輸出和真實轉(zhuǎn)速之間的損失函數(shù)來優(yōu)化權(quán)重矩陣。

54、優(yōu)選的，在模型訓練中，具體包括如下步驟：

55、s5.5.1：定義損失函數(shù)；

56、定義一個損失函數(shù)來衡量模型預測結(jié)果與真實轉(zhuǎn)速之間的差異，其數(shù)學表達式為：

57、

58、其中，是模型對樣本的預測概率，對于正樣本，是預測為正的概率；對于負樣本，是預測為負的概率的補集；

59、是調(diào)節(jié)正負樣本權(quán)重的參數(shù)；

60、是調(diào)節(jié)難易樣本權(quán)重的參數(shù)；

61、s5.5.2：向前傳播；

62、建立訓練集，得到不同轉(zhuǎn)速下的特征參數(shù)，具體為振動幅度、振動頻率、溫度、內(nèi)部壓力參數(shù)，然后將這些特征參數(shù)作為輸出層向前傳播，計算出每個節(jié)點的輸出，最終輸出轉(zhuǎn)速；

63、s5.5.3：計算損失；

64、使用s5.5.1的損失函數(shù)，計算輸出轉(zhuǎn)速與真實轉(zhuǎn)速的差值，這個差值就是損失函數(shù)的值；

65、s5.5.4：反向傳播；

66、計算損失函數(shù)關(guān)于權(quán)重矩陣的梯度，這一過程通過鏈式法則實現(xiàn)，即通過計算損失對權(quán)重矩陣的偏導數(shù)（梯度），并將這些梯度傳遞回網(wǎng)絡的每一層；

67、s5.5.5：參數(shù)更新與迭代訓練；

68、根據(jù)梯度信息更新網(wǎng)絡中的參數(shù)，使損失函數(shù)的值繼續(xù)下降，并重復s5.5.1-s5.5.4，直到模型在驗證集上的性能不再提升。

69、s5.1至s5.5步驟詳細描述了神經(jīng)網(wǎng)絡的構(gòu)建和訓練過程。構(gòu)建輸入層、傅里葉圖運輸符、后續(xù)層、輸出層，并進行模型訓練，優(yōu)化了權(quán)重矩陣，提高了轉(zhuǎn)速預測的準確性。這一過程不僅提高了模型的泛化能力，還增強了系統(tǒng)對不同運行條件下發(fā)電機轉(zhuǎn)速的預測能力。通過最小化預測輸出和真實轉(zhuǎn)速之間的損失函數(shù)，系統(tǒng)能夠不斷優(yōu)化模型參數(shù)，提高了預測的準確性和系統(tǒng)的穩(wěn)定性。

70、優(yōu)選的，控制模塊包括制動控制單元、通信接口單元和輸出指令單元，其中通信接口單元接收s4中融合后的轉(zhuǎn)速以及信號處理模塊下達的制動的指令，當制動指令下達后，制動控制單元比對實時的轉(zhuǎn)子轉(zhuǎn)速是否超過制動閾值，如未超過閾值，則向輸出指令單元下達制動的指令，如超過制動閾值，則制動控制單元下達報錯指令到信號處理模塊中，此時需要信號處理模塊二次確認是否制動，當制動控制單元再次收到制動指令時，無論是否超過制動閾值，均通過輸出指令單元向制動模塊下達制動指令。

71、本發(fā)明中的制動控制單元、通信接口單元和輸出指令單元的協(xié)同工作，實現(xiàn)了對制動指令的精確控制。通信接口單元接收融合后的轉(zhuǎn)速和制動指令，制動控制單元根據(jù)實時的轉(zhuǎn)子轉(zhuǎn)速判斷是否需要制動。這一過程不僅提高了系統(tǒng)的響應速度，還增強了系統(tǒng)的安全性。當轉(zhuǎn)子轉(zhuǎn)速超過制動閾值時，系統(tǒng)能夠及時下達報錯指令，需要信號處理模塊二次確認，確保了系統(tǒng)的穩(wěn)定運行。

72、優(yōu)選的，當機械測速單元的原始轉(zhuǎn)速信息出現(xiàn)異常時，需要通知運營維護人員，及時校準和維修，如在未維修期間，殘壓測速單元也出現(xiàn)異常，則通過發(fā)電機物理信息采集單元實時采集發(fā)電機的信息，并通過神經(jīng)網(wǎng)絡得到發(fā)電機的轉(zhuǎn)速，為制動提供多層轉(zhuǎn)速信息保護。

73、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點和有益效果：

74、1、本發(fā)明通過對機械測速單元和殘壓測速單元采集到的數(shù)據(jù)進行深入分析，系統(tǒng)能夠提取出與轉(zhuǎn)速計算密切相關(guān)的關(guān)鍵特征。這些特征包括發(fā)電機轉(zhuǎn)子的旋轉(zhuǎn)方向、時間標記、狀態(tài)標記和脈沖數(shù)據(jù)，以及殘壓頻率和累計運行時間。這些特征的提取不僅提高了轉(zhuǎn)速計算的準確性，還增強了系統(tǒng)對發(fā)電機運行狀態(tài)的監(jiān)測能力，使得系統(tǒng)能夠更有效地響應各種運行條件，提高了整個系統(tǒng)的可靠性和安全性；

75、2、本發(fā)明中的決策輸出方法是提高系統(tǒng)魯棒性的關(guān)鍵。通過數(shù)據(jù)對齊、異常檢測、優(yōu)先級決策和輸出決策結(jié)果的步驟，系統(tǒng)能夠綜合多個來源的轉(zhuǎn)速信息，確保在不同情況下都能輸出最可靠的轉(zhuǎn)速信息。數(shù)據(jù)對齊確保了不同來源的轉(zhuǎn)速信息在時間上的一致性，異常檢測算法能夠標記出異常值，優(yōu)先級決策則根據(jù)可靠性和精度設定了決策的順序。這一綜合決策過程不僅提高了系統(tǒng)的響應速度，還增強了系統(tǒng)在面對復雜運行條件時的穩(wěn)定性和準確性；

76、3、s5.1至s5.5步驟詳細描述了神經(jīng)網(wǎng)絡的構(gòu)建和訓練過程。構(gòu)建輸入層、傅里葉圖運輸符、后續(xù)層、輸出層，并進行模型訓練，優(yōu)化了權(quán)重矩陣，提高了轉(zhuǎn)速預測的準確性。這一過程不僅提高了模型的泛化能力，還增強了系統(tǒng)對不同運行條件下發(fā)電機轉(zhuǎn)速的預測能力。通過最小化預測輸出和真實轉(zhuǎn)速之間的損失函數(shù)，系統(tǒng)能夠不斷優(yōu)化模型參數(shù)，提高了預測的準確性和系統(tǒng)的穩(wěn)定性。