【技术实现步骤摘要】
本申请涉及水电机组故障检测，具体而言，涉及一种基于声学、振动感知原理的水电机组故障检测方法及相关设备。
技术介绍
1、在水电机组的维护和状态监测过程中，声学和振动数据的采集与分析是关键的一环。通过这些数据，可以有效地监测和预测机组的运行状态及潜在故障。然而，在实际应用中，这一过程面临多种技术挑战，尤其是由于水电机组运行环境的复杂性。
2、水电机组在运行时产生的背景噪音通常是非线性的，包括水流的湍流噪音、机械摩擦声等。这些噪音源的非线性特性使得传统的声学数据处理方法难以准确提取有用的故障特征信息。传统的带通滤波器虽然能够根据预设的频率范围去除一部分无关频率的信号，但在面对复杂且变化的噪音环境时，其固定的频率范围限制了其适用性和灵活性。
3、为了克服传统带通滤波器的不足，自适应滤波器被提出并应用于动态变化的背景噪音中。自适应滤波器通过调整其参数来适应输入信号的统计特性，理论上可以更好地处理非线性和非平稳的噪音。然而，自适应滤波器需要复杂的计算过程来不断更新其参数，这在实时数据处理中可能导致延迟，同时对滤波器的初始设置也非常敏感，一旦设置不当，其性能便会大打折扣。
4、在实际应用中，单独使用声学数据或振动数据进行故障诊断往往存在一定的局限性。因此需要将两者的信号进行融合处理，才能更有效的对机组运行状态进行有效在线加测和故障识别和预警。
技术实现思路
1、本申请的实施例提供了一种基于声学、振动感知原理的水电机组故障检测方法及相关设备，以解决现有技术中存在
2、本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
3、根据本申请实施例的第一方面，提供了一种基于声学、振动感知原理的水电机组故障检测方法，包括：
4、基于历史工况数据获取滤波器参数，并基于所述滤波器参数设置不同工况下的带通滤波器；
5、基于当前工况参数选用对应工况的带通滤波器；
6、采集当前的声学数据和振动数据，并基于所述带通滤波器滤去噪声，得到真实的声学数据和振动数据；
7、基于历史采集的故障样本数据生成不同工况下故障的声学样本库；
8、基于所述真实的声学数据和振动数据以及所述声学样本库进行叶片变形和流体动力异常检测。
9、在本申请的一些实施例中，基于前述方案，所述基于历史工况数据获取滤波器参数，包括：
10、获取历史工况数据；
11、将不同的历史工况数据输入神经网络模型中进行训练，得到不同工况下的滤波器参数。
12、在本申请的一些实施例中，基于前述方案，所述基于历史采集的故障样本数据生成不同工况下故障的声学样本库，包括：
13、依据历史采集的不同负荷、不同水头下的声音振动故障样本数据，采用自相关频谱方法积累不同工况下的故障样本数据并进行预处理形成不同工况下故障的声学样本库。
14、在本申请的一些实施例中，基于前述方案，基于所述真实的声学数据和振动数据以及所述声学样本库进行叶片变形检测，包括：
15、基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据，构建叶片变形故障识别算法模型；
16、基于所述叶片变形故障识别算法模型对声学数据和振动数据进行检测。
17、在本申请的一些实施例中，基于前述方案，所述基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据，构建叶片变形故障识别算法模型，包括：
18、对声学样本库中与叶片变形故障相关的声学数据的频域进行积分计算能量后取对数，提取出能量的总体趋势ψ(s(t))；
19、对声学样本库中与叶片变形故障相关的振动数据进行指数平方逆处理，得到处理数据ω(v(t))；
20、使用深度神经网络，基于总体趋势ψ(s(t))和处理数据ω(v(t))构建得到所述叶片变形故障识别算法模型；
21、
22、公式(1)中，dnn表示为深度神经网络，α、β分别表示为声学数据与振动数据在最终特征向量中的权重。
23、在本申请的一些实施例中，基于前述方案，基于所述真实的声学数据和振动数据以及所述声学样本库进行流体动力异常检测，包括：
24、基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据，构建流体动力异常算法模型；
25、基于所述流体动力异常算法模型对声学数据和振动数据进行检测。
26、在本申请的一些实施例中，基于前述方案，所述基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据，构建流体动力异常算法模型，包括：
27、对声学样本库中与叶片变形故障相关的声学数据的能量进行加权谱均值的指数衰减，得到流体动力异常声学数据的处理函数f(s)；
28、对声学样本库中与叶片变形故障相关的振动数据的能量求和并取自然对数处理，得到流体动力异常振动数据的处理函数g(v)；
29、将处理函数f(s)和处理函数g(v)，使用随机森林进行分类，得到流体动力异常算法模型；
30、
31、公式(2)中，s(f)表示为声学数据在频域和时域的表达，v(tn)表示为振动数据在频域和时域的表达，|s(f)|、|v(tn)|表示为声学、振动数据的幅度，n表示为振动数据采样点的总数，rf表示为随机森林模型。
32、在本申请的一些实施例中，基于前述方案，还包括：
33、设定故障报警阈值；
34、当检测结果超过所述故障报警阈值时，进行故障报警。
35、根据本申请实施例的第二方面，提供了一种基于声学、振动感知原理的水电机组故障检测装置，包括：
36、获取单元，用于基于历史工况数据获取滤波器参数；
37、设置单元，用于基于所述滤波器参数设置不同工况下的带通滤波器；
38、选用单元，用于基于当前工况参数选用对应工况的带通滤波器；
39、采集单元，用于采集当前的声学数据和振动数据；
40、噪声处理单元，用于基于所述带通滤波器滤去噪声，得到真实的声学数据和振动数据；
41、生成单元，用于基于历史采集的故障样本数据生成不同工况下故障的声学样本库；
42、检测单元，用于基于所述真实的声学数据和振动数据以及所述声学样本库进行叶片变形和流体动力异常检测。
43、根据本申请实施例的第三方面，提供了一种计算机可读存储介质，所述存储介质中存储有计算机指令，所述计算机指令在计算机上运行时，使得所述计算机执行如第一方面所述的方法。
44、根据本申请实施例的第四方面，提供了一种电子设备，包括：存储器和处理器；
45、所述存储器，用于存储计算机指令；
46、所述处理器，用于调用所述存储器中存储的计算机指令，使得所述电子设备执行如第一方面所述的方法。
47、本申请的技术本文档来自技高网...
【技术保护点】
1.一种基于声学、振动感知原理的水电机组故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于历史工况数据获取滤波器参数，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于历史采集的故障样本数据生成不同工况下故障的声学样本库，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，基于所述真实的声学数据和振动数据以及所述声学样本库进行叶片变形检测，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据，构建叶片变形故障识别算法模型，包括：
6.根据权利要求1-3任一项所述的方法，其特征在于，基于所述真实的声学数据和振动数据以及所述声学样本库进行流体动力异常检测，包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据，构建流体动力异常算法模型，包括：
8.根据权利要求1所述的方法，其特征在于，还包括：
9.一种基于声学、振动感知原理
10.一种电子设备，其特征在于，包括：存储器和处理器；
...【技术特征摘要】
1.一种基于声学、振动感知原理的水电机组故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于历史工况数据获取滤波器参数，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于历史采集的故障样本数据生成不同工况下故障的声学样本库，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，基于所述真实的声学数据和振动数据以及所述声学样本库进行叶片变形检测，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述声学样本库中与叶片变形故障相关的声学数据和振动数据...
【专利技术属性】
技术研发人员：左文，刘钊，谢辉平，闫震伍，杨升文，唐泽，
申请(专利权)人：三峡金沙江川云水电开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。