一種基于小波包分解的電廠設備故障檢測方法
【技術領域】
[0001]本發(fā)明涉及一種電廠設備故障檢測方法，尤其涉及一種基于小波包分解的電廠設備故障檢測方法。
【背景技術】
[0002]保證電廠設備安全、穩(wěn)定地運行是電廠設備管理中的一項很重要的工作。隨著社會的發(fā)展，火力發(fā)電在國民經濟中占據(jù)越來越重要的比例和位置，火電廠設備一旦發(fā)生故障或停機會造成巨大的經濟損失和社會影響。進入21世紀后，電廠設備運行的智能化、遠程化、網絡化以及實時監(jiān)測和集中控制技術不但具有迫切的需要，而且逐漸成為可能。
[0003]電廠設備故障檢測技術的研究，重點關注設備狀態(tài)的監(jiān)測技術和早期故障的識別技術，建立以狀態(tài)監(jiān)測為主，故障檢測為輔的設備智能預警系統(tǒng)。由于電廠設備工作狀態(tài)的復雜性，并不是所有的設備測點都能夠通過狀態(tài)監(jiān)測技術發(fā)現(xiàn)明顯的劣化趨勢，為了保證設備正?？煽康倪\行，故障檢測技術必不可少。
[0004]故障檢測就是通過各種檢查和測試方法，在數(shù)據(jù)集中區(qū)分正常數(shù)據(jù)狀態(tài)的異常數(shù)據(jù)狀態(tài)的過程。故障檢測的問題在于如何通過正常數(shù)據(jù)集建立模型，選擇合理的特征參數(shù)精確的識別出異常數(shù)據(jù)。
[0005]目前故障檢測方法主要有以下三種:基于解析模型的故障檢測、基于知識的故障檢測和基于信號處理的故障檢測。基于解析模型是按照檢測對象建立一個精確的數(shù)學模型，當其處于正常的狀態(tài)時，模型的輸出在一個穩(wěn)定的范圍內，當其進入異常狀態(tài)時，模型的輸出會超出正常范圍。基于知識的故障檢測方法不需要為檢測對象構建精確的數(shù)學模型，該方法通過添加檢測對象的大量信息，充分利用專家診斷信息對故障進行檢測，在很多領域尤其是非線性系統(tǒng)中得到廣泛應用?；谛盘柼幚淼墓收蠙z測方法常用于檢測對象狀態(tài)復雜無法建立系統(tǒng)的數(shù)學模型，同時在時域上無法精確的發(fā)現(xiàn)故障場合。該方法的優(yōu)點是規(guī)避了構建系統(tǒng)數(shù)學模型的難點，轉而利用信號模型檢測故障。常用的模型有高階統(tǒng)計量和相關函數(shù)、自回歸滑動平均過程以及小波分解技術等。
[0006]由于電廠設備的工作狀態(tài)復雜，很難用精確的數(shù)學模型表征，利用專家診斷信息也難以實現(xiàn)，故難以使用基于解析模型的故障檢測模型和基于知識的故障檢測模型。但是在使用基于信號的檢測模型時，電廠設備數(shù)據(jù)在時域上較難發(fā)現(xiàn)故障初期的細微特征，故要想精確判斷電廠設備故障具有一定的挑戰(zhàn)性。
[0007]針對上述問題，迫切需要發(fā)明提供一種基于小波包分解的電廠設備故障檢測方法。本發(fā)明針對電廠設備復雜的工作環(huán)境，選擇基于信號處理的故障檢測方法，采用小波包分解技術將時域上的數(shù)據(jù)信息轉換到頻域上的信號進行分析，構建了基于小波包分解的故障檢測模型，并利用電廠實時數(shù)據(jù)進行仿真實驗。

【發(fā)明內容】

[0008]針對電廠設備數(shù)據(jù)在時域上較難發(fā)現(xiàn)故障初期的細微特征的問題，本發(fā)明研制一種基于小波包分解的電廠設備故障檢測方法。
[0009]本發(fā)明其特征在于，包括以下步驟:
[0010](1)從經過數(shù)據(jù)預處理的正常狀態(tài)數(shù)據(jù)集中構建訓練數(shù)據(jù)集；
[0011](2)利用狀態(tài)檢測模型獲得數(shù)據(jù)集的評估值；
[0012](3)計算殘差，并對其進行小波包分解；
[0013](4)分析分解后各頻段能量信息檢測故障；
[0014](5)選取測試數(shù)據(jù)集，將測試數(shù)據(jù)集作為故障檢測模型的輸入，根據(jù)經小波包分解后各頻段的能量比例作為判斷故障狀態(tài)的特征。
[0015]所述評估值是將訓練數(shù)據(jù)集作為狀態(tài)監(jiān)測模型的輸入，利用狀態(tài)監(jiān)測模型計算模型的假設輸出；
[0016]所述殘差計算是求假設輸出即評估值與實時狀態(tài)數(shù)據(jù)之間的差值；
[0017]所述小波包分解是利用滑動窗口將殘差數(shù)據(jù)分割成一個個的子模式后，將這個些子模式作為故障檢測模型的輸入進行小波包分解；
[0018]所述分析頻段是對小波包分解后的信號進行分析，記錄信號在各個頻段上的能量占整個信號能量的比例的閾值上下限。
【附圖說明】
[0019]圖1是基于小波包分解的電廠設備故障檢測方法的流程圖；
[0020]圖2是超閾值異常故障檢測；
[0021]圖3是頻率異常故障檢測；
[0022]圖4是頻率和超閾值異常故障檢測；
[0023]圖5是拉直異常故障檢測。
【具體實施方式】
[0024]下面結合【附圖說明】本發(fā)明的實施方式。
[0025]從實時狀態(tài)數(shù)據(jù)的采樣發(fā)現(xiàn)，一次風機A的測點主要會存在4種故障狀態(tài):
[0026](1)超閾值異常:異常狀態(tài)數(shù)據(jù)的值超過正常狀態(tài)數(shù)據(jù)的上下限閾值。
[0027](2)頻率異常:本來密集變化的狀態(tài)數(shù)據(jù)在某一段時間內變得稀疏。
[0028](3)超閾值并且頻率異常:在一段時間段內，數(shù)據(jù)變得稀疏同時數(shù)據(jù)值超出正常范圍。
[0029](4)拉直異常:在某一段時間內，實時狀態(tài)數(shù)據(jù)成一條直線，該故障是由于在實時獲取數(shù)據(jù)時，遇到空值，將其用前一個時刻的值填充引起的。
[0030]對于基于小波包分解的故障檢測模型來說，當分解后的能量比例超出正常范圍的閾值上限時，檢測結果在此時刻的值為1;當分解后的能量比例低于正常范圍的閾值下限時，檢測結果在此時刻的值為-1;當分解后的能量比例處于正常范圍的閾值內時，檢測結果在此時刻的值為0。
[0031]據(jù)的方差、均值或斜率小于正常數(shù)據(jù)閾值下限時，檢測結果在此時可的值為-1。
[0032]對于每種異常狀況，選取測試結果中的一個測點的檢測結果展示，對于超閾值異常來說，兩個故障檢測模型在一個測點上的檢測結果如圖2所示，從圖2中可以看出，對于超閾值異常，兩種故障檢測模型都有很好的檢測結果，但是基于滑動窗口加時間窗的方法與基于小波包分解的方法相比可能會產生更多的誤報(不應該是報警信息的檢測為報警狀態(tài))現(xiàn)象。
[0033]對于頻率異常來說，兩個故障檢測模型對于選取的一個測點的故障檢測效果圖，如圖3所示，對于頻率異常模型，在選取的一個測點中，基于小波包分解的故障檢測模型能夠很好的檢測到故障的發(fā)生，而滑動窗口 +方差斜率的檢測模型檢測結果相對較差，甚至對于前兩個測點，后者幾乎沒有檢測到故障的發(fā)生。
[0034]對于頻率和超閾值異常來說，兩個故障檢測模型對于選取的一個測點的故障檢測效果圖，如圖4所示，對于頻率和超閾值異常，兩種檢測模型都能較好的檢測到故障的發(fā)生，但是基于小波包分解的故障檢測模型相對與基于滑動窗口加方差斜率的故障檢測模型來說具有更高的準確率和更好的檢測效果。
[0035]對于拉直異常來說，兩個故障檢測模型對于選取的一個測點的故障檢測效果圖，如圖5所示，對于拉直異常，兩種檢測模型在異常開始發(fā)生時都有一定時間的延遲，這是由于滑動窗口的選取引起的，在故障狀態(tài)結束時，前者可以及時的檢測到狀態(tài)恢復到正常狀態(tài)，后者還有時間延遲。
[0036]盡管上面對本發(fā)明說明性的【具體實施方式】進行了描述，但應當清楚，本發(fā)明不限于【具體實施方式】的范圍，對本技術領域的普通技術人員來講，只要各種變化在所附的權利要求限定和確定的本發(fā)明的精神和范圍內，這些變化是顯而易見的，一切利用本發(fā)明構思的發(fā)明創(chuàng)造均在保護之列。
【主權項】
1.一種基于小波包分解的電廠設備故障檢測方法，其特征在于，包括以下步驟: (1)從經過數(shù)據(jù)預處理的正常狀態(tài)數(shù)據(jù)集中構建訓練數(shù)據(jù)集； (2)利用狀態(tài)檢測模型獲得數(shù)據(jù)集的評估值； (3)計算殘差，并對其進行小波包分解； (4)分析分解后各頻段能量信息檢測故障； (5)選取測試數(shù)據(jù)集，將測試數(shù)據(jù)集作為故障檢測模型的輸入，根據(jù)經小波包分解后各頻段的能量比例作為判斷故障狀態(tài)的特征。2.根據(jù)權利要求1所述的一種基于小波包分解的電廠設備故障檢測方法其特征在于所述評估值是將訓練數(shù)據(jù)集作為狀態(tài)監(jiān)測模型的輸入，利用狀態(tài)監(jiān)測模型計算模型的假設輸出； 所述殘差計算是求假設輸出與實時狀態(tài)數(shù)據(jù)之間的差值； 所述小波包分解是利用滑動窗口將殘差數(shù)據(jù)分割成一個個的子模式后，將這些子模式作為故障檢測模型的輸入進行小波包分解； 所述分析頻段是對小波包分解后的信號進行分析，記錄信號在各個頻段上的能量占整個信號能量的比例的閾值上下限。
【專利摘要】本發(fā)明提供一種基于小波包分解的電廠設備故障檢測方法。首先利用已有的狀態(tài)檢測模型得到假設輸出于實際狀態(tài)數(shù)據(jù)間的差值；然后利用滑動窗口將差值數(shù)據(jù)分割成一個個的子模式，再將分割后的子模式作為故障檢測模型的輸入進行小波包分解，對分解后的信號進行分析，并記錄信號在各個頻段上的能量占整個信號能量的比例的閾值上下限。最后根據(jù)經小波包分解后各頻段的能量比例作為判斷故障狀態(tài)的特征。本發(fā)明充分考慮了電廠設備工作狀態(tài)的復雜，及其數(shù)據(jù)故障的初期特征在時域上較難發(fā)現(xiàn)的因素，可以精確的檢測電廠設備故障的發(fā)生，準確的識別故障特征。
【IPC分類】G06F19/00, G06F17/50, G06F17/14
【公開號】CN105389475
【申請?zhí)枴緾N201510970441
【發(fā)明人】龔安, 鄭君, 張建, 唐永紅, 牛博
【申請人】中國石油大學(華東)
【公開日】2016年3月9日
【申請日】2015年12月22日