[發明專利]一種基于多尺度縮放學習框架的調相機故障診斷方法

在審

• 申請號: 202211380431.6
• 申請日: 2022-11-04
• 公開（公告）號: CN115754709A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 王開科;朱霄珣;錢白云;楊興;董利江;林翔;王魯東;吳玉華;高佳
• 申請（專利權）人: 國網新疆電力有限公司電力科學研究院;華北電力大學（保定）;新疆新能集團有限責任公司烏魯木齊電力建設調試所
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06F30/27;G06F18/24
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于多尺度縮放學習框架的調相機故障診斷方法。該方法包含以下步驟:S1建立調相機物理模型S2通過振動監測分析儀采集實驗數據。S3對故障模式進行分類。S4搭建一個多尺度縮放學習框架。S5構造一個數據采集模塊。S6構造一個特征學習模塊。S7構造一個全連接分類模塊。S8網絡結構探索，確定多尺度縮放學習框架的具體層數和尺度數。S9學習框架實驗驗證。本發明綜合考慮同步調相機的故障研究的工程價值，研究了一種基于多尺度縮放學習框架故障診斷方法，實驗結果表明，該方法與現有的模型相比具有一定的優勢。

技術領域

本發明涉及一種故障診斷方法，特別涉及一種基于多尺度縮放學習框架的調相機故障診斷方法。

背景技術

隨著特高壓直流輸電系統的快速發展，電力系統送電端的薄弱問題日益凸顯。一旦輸送系統出現問題，例如機械故障，換相失敗以及直流閉鎖等。特高壓直流電系統內會出現強烈的無功波動，造成電網電壓大幅變化，甚至影響系統的輸電能力，給電網帶來巨大的安全隱患。因此，為了特高壓輸電系統以及電網的安全運行，提升系統的動態無功補償至關重要。具備動態無功支撐的調相機調節響應快，相較于其他補償器具有較大的容量和過載能力。尤其對抑制系統中由直流引起的電壓波動有較好的效果。調相機是一種不帶機械負載的同步電機，廣泛應用于改善電網功率因數，在維持電網電壓水平中扮演重要角色。其運行狀態直接影響折電網系統的安全性和經濟性，因此展開對調相機的故障研究具有一定工程價值。

發明內容

有鑒于此，為了增強信號的特征提取、學習和識別能力，本發明提出了一種基于多尺度縮放學習框架(MSZLF)作為診斷模型，目的是提高多重擾動條件下故障診斷模型的識別效率。

為了實現上述目的，本發明所采取的技術方案如下：

S1根據實際的調相機構建物理模型，方便實驗探究。

S2通過振動監測分析儀采集實驗數據，主要包括固定在調相機四個點位的震動信息。

S3對故障模式進行分類，分為動態碰摩、靜態碰磨和動態不平衡。

S4搭建一個多尺度縮放學習框架(MSZLF)，采用特征信息縮放功能，更全面地反映了調相機的故障信息。

S5構造一個數據采集模塊，進行數據采集和數據集制作。

S6構造一個特征學習模塊，運用卷積神經網絡進行特征提取學習。

S7構造一個全連接分類模塊，運用softmax模塊對特征進行分類。

S8網絡結構探索，確定多尺度縮放學習框架的具體層數和尺度數。

S9實驗驗證，在多尺度縮放學習框架中輸入震動信號，驗證故障診斷情況。

進一步地，所述步驟S4中多尺度縮放學習框架的步驟為：

本發明的創新點在于，將特征提取、特征學習和特征識別結合成新模塊。

首先，在模型中引入了多尺度學習機制，重點在于在全方位的學習理念上，從故障數據中不同角度表達信息。

其次，能量運算器被用來估計深度模型框架內的能量，以增加后續學習單元有效地學習重要特征的概率。

最后，通過改變映射規則和設置縮放數據映射流程，可以有效地增強故障特征的顯示。

進一步地，所述步驟S5中數據采集的步驟為：

首先，規定采集信號為一維信號，更能完整的體現故障類別信息。

其次，振動傳感器固定在盤車端和勵磁端的x、y方向上，通過SKVMA振動監測分析儀進行采集，采集頻率為6666Hz。

最后，獲取振動信號，為實驗提供數據。