中水三立数据技术股份有限公司 安徽合肥230000
摘要:本篇文章研究的是一种新型的故障细化诊断方法,该方法融合了深度学习和余弦相似度的理念,该方法在使用时,先利用深度学习的理念辨认和识别已经发生的故障,然后利用余弦相似度的理念对故障进行分析和诊断,依据诊断的结果采取相应的运维措施。本篇文章研究和分析了DBN的结构以及工作的原理,论述故障识别的流程,并分析了一些实验案例,结果显示故障细化诊断方法在水利工程中发挥着重要的作用,有着明显的优势,是值得推广的。
关键词:水利运维;智能化;故障分析
引言
水利工程是基础设施工程,能够推动国家的发展,同时与人们的生活密不可分,因此保障水利工程运行的平稳对于社会和国家来说至关重要。水利工程在运行过程中会发生故障,如何及时有效的分析故障,并采取相对应的措施,是当前相关部门必须高度重视的问题。
1基于DBN的故障辨识与分类
1.1DBN结构及工作原理
DBN模型是一个多约束玻尔兹曼机器的神经元网络,所以 DBN的学习过程也可以看作是一个多个模型的集合。该模型是一种双层结构的神经网络,它包括可视层 v和隐含层 h,其中可视层 v负责接收数据,隐含层负责抽取信息,而不需要任何联系。该方法以最小化能耗为目标,通过调整网络结构的参数对神经网络进行优化,使得重建结果与实际观测结果一致。在非监督学习阶段,底层的 RBM接受新的输入,并将各层的输出信息作为下一层的输入,一直到顶层,逐步将低层的数据转换为更高层次的特征表达。在此基础上,将标记信息加入到 DBN的最上层,并利用传统的错误逆向传递方法,对其进行有指导的学习,使其能够根据不同的类别特征,通过权值和偏差的调节,实现对不同类别的标记信息的匹配,从而提升 DBN故障诊断模型的识别精度。
1.2故障类型识别流程
在此基础上,将水利机电装备的故障诊断过程划分为非监督学习和有监督调整两个步骤。(1)对原始数据进行采样,去除存在异常的数据,按照规定,将数据收集统一起来,进行预处理;(2)数据预处理完以后,将这些数据按照7:3进行划分,划分为训练集和测试集两种。(3)通过对隐层单元数量的计算,构造 DBN的数学建模,采用近似为0的随机点对 BP神经网路进行初始化;(4)以故障样本维度为依据,建立 DBN网络的网络模型,并以此为基础,通过非监督的分层学习方法,将未标注的数据作为训练集的数据,应用CD-k (CD-k)来实现 DBN的底层分层学习。(5)在 DBN的最上层增加了一个软件分类器,并依据错误的类别来决定该网络的输出层的结点数目;(6)在有标记的训练集上,采用 BP算法,有指导地逆修正 DBN模型的参数,以达到最优的效果。(7)将所建立的 DBN网络存储起来,以该网络为例,对该网络的故障模式进行检测,并对其进行失效模式辨识,如果出现超拟合,再进行下一步骤。
3智能运维实现
在排除故障之后,再进行下一步的运行维护工作。本项目面向水利机电装备维修维护的实际需要,研究基于深度学习的故障精化诊断方法。在图1中可以看到。
图1运维流程
该系统的智能化维护流程由如下几个方面组成:(1)维护工作指令的制定。为运营管理工作的开展,提供了科学的支持与辅助决策。对过去发生的错误的相似度进行判定,如果超过了预定的临界值,就按照目前错误的参考事例来自动产生维护工作指令;如有错误,应向操作主管报告,并根据不同的错误状况做相应的修正。(2)运营方的验证。维护和维护人员的优化配置,达到目标维护的目的。根据目前的故障所属的专业以及维护的困难程度,将维护工作分配给相应的操作人员。(3)维护和执行。维护人员接到指令后,按照调度表,进行维修工作。在预先对员工进行适当的调配后,可以使维护工作效率提高,节省了大量的运行维护费用。(4)运行维护执行的成效评估。以运维实施结束和设备试运行启动为切入点,对设置时段的设备运行状况和参数进行监控,构建运维成效评估模型进行运行分析,从而对运维实施效果进行自动化评估。这样就可以很好地解决由人工判断所带来的不全面和不精确的问题。(5)对运行和运行的检查和处理进行了总结。通过运行维护的反馈,对故障的诊断和维修计划进行持续的改进。如果运行结果通过,就可以对当前运行状态进行日志,并对知识库进行更新;如果不能,就调节模型的参数,对位置进行再诊断。
4实验结果与案例分析
4.1故障分类
最后进行了试验研究,证明了该方法是可行和有效的。文中所用的试验资料,是由一座水电站所建的大型水电站机组所建的一套完整的故障诊断系统。各故障日志中包含了故障发生时间,故障位置,故障现象,设备工作状态值,故障类型,专业,原因等。并且,每个历史错误都会与对应的维护工作计划相关联。本文选取了水利水电工程中常用的一台变压器作为实例,分析了它的5种典型的故障形式,即T1到T3是变压器的内部故障,T4到T5是变压器的外部故障。
表1故障类型编码
故障标签 | 故障类型 |
T1 | 绕组相间短路 |
T2 | 单相绕组接地短路 |
T3 | 单相绕组匝间短路 |
T4 | 引出线间相间短路 |
T5 | 套管和引出线上接地短路 |
从以变压器为故障点的样本集合为试验样本,在对样本进行预处理后,将样本分成两个样本。试验采用了6层 DBN网络结构,以故障时段内的设备工作状况作为系统的参数。在此基础上,提出了5个输出级的结点。然后将这些样本集合送入 DBN网络中用于学习,然后用来检验一个错误的样本集合。在此基础上,对五种不同的变压器进行了检验,其正确率为98.95%,99.96%,98.66%,99.41%,98.93%。在此基础上,通过对不同类别的数据进行综合评价与运算,得到了99.12%的正确率,表明该方法可以实现对不同类别的正确辨识,且自适应能力强。
4.2细化诊断
通过对试验用例进行分类,根据辨识结果将其划分成5种不同的故障集合,并对5种不同的失效现象进行对应的相似性匹配运算,从而获得精化的诊断结果。通过将精炼后的故障成因与具体的失效原因相比较,判定精炼的正确程度。五种分型的诊断见下表2。
表2故障细化诊断结果
故障类型标签 | 细化诊断准确率/% |
T1 | 98.12 |
T2 | 99.08 |
T3 | 97.53 |
T4 | 98.96 |
T5 | 97.92 |
提出了一种基于深度学习和余弦相似性的算法。能够有效地提高系统的可靠性。为此,应尽量对 DBN的建模进行最大程度的优化,以确保识别结果的准确性,进而提高整个系统的故障识别精度。以上试验表明,该算法具有良好的诊断性能,适用于后续的扩展与发展。
结束语
针对水利机电装备维修管理中存在的问题,提出了一种智能化运维管理的新思路,在此基础上,对故障症状进行再细分;最终,基于提炼的故障诊断结果,进行有效的智能化维护。对一台变压器进行了仿真试验,结果表明该算法是有效的。但是,这篇论文仍然有一些缺陷:首先,因为样本数量的限制,没有与其它的方法进行比较试验。今后,还会对其进行更深入的研究,以便能更好地解决实际问题。另外,水利机电装备具有复杂的故障机制,单一故障可能导致其它失效,并且多个故障之间存在交互影响,构建多种故障辨识模型,为水利运行管理工作提供优化的支撑。
参考文献:
[1]王文慧,张萌.黄河水利委员会黄河机械厂水工金属结构、机电设备制造安装及运行维护[J].人民黄河,2018,40(04):159.
[2]王银东.水利泵站机电设备运行管理中存在的问题[J].农业科技与信息,2017(24):121~122.
[3]唐少华.市政水利工程中机电设备安装与土建施工的协调配合[J].门窗,2017(12):89+92.