CN119532231A 风机运行状态异常检测方法 (北京华控智加科技有限公司)_第1页
CN119532231A 风机运行状态异常检测方法 (北京华控智加科技有限公司)_第2页
CN119532231A 风机运行状态异常检测方法 (北京华控智加科技有限公司)_第3页
CN119532231A 风机运行状态异常检测方法 (北京华控智加科技有限公司)_第4页
CN119532231A 风机运行状态异常检测方法 (北京华控智加科技有限公司)_第5页
已阅读5页,还剩33页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

本发明公开了一种风机运行状态异常检测每个风机运行状态簇中进一步使用分层聚类算声纹信号特征数据建立风机正常运行声纹信号特征数据建立风机潜在异常状态声纹信号特征发明在风机运行状态监控和异常检测方面具有2S4、基于特征数据集使用分层聚类算法对风机S5、在每个风机运行状态簇中进一步使用分层聚类中的微小特征变化进行识别和聚类将每个运行状态簇中的声纹信号特征数据进一步细分S6、基于正常状态子簇的风机声纹信号特征数据建立风机正常运行声纹信号特征模与风机正常运行声纹信号特征模型之间存在显著差异时,系统判断风机进入异常运行状;l;b;v3bppppS32、从时频特征矩阵S(f,t)中提取能量谱密度P(f)和梅尔频率倒谱系数M(n)关键特i)为频率fi处的能量谱密度,M(ni)为第ni个梅i为第i个时刻的风机运行声纹信号特征向量;S41、基于最终的风机运行声纹信号特征数据集Cf计算特征向量之间的相似度矩阵D=ij表示特征向量ci与cj之间的马氏距离,通过马氏距离的计算消除不同特征量纲和i和cj为风机在不同时间点采集到的声纹信号特征向量,Σ为特征数据集Cf的协T表示向量转置操作;S42、利用相似度矩阵D进行分层聚类分析,采用4S43、对于每个风机运行状态簇Gi计算其特征中心G,作为该运行状态簇的代表声纹特iS44、基于不同状态簇的特征中心为每个状态簇Gi对应的风机运行模式赋予具体含S51、对于每个风机运行状态簇Gi计算簇内特征向量之间的加权余弦距离相似度矩阵D;=[,其中表示特征向量与之间的加权余弦距离,用于衡量簇内声纹信号特征向量之间的微小差异:i为针对状态簇Gi的特征权重向量,根据各声学特征对异常检测的重要程度进行加值聚类算法识别簇内数据的密度峰值点捕捉声纹信号中的ik表示特征向量与所有密度比其高的特征向量之间的最小距离,当具有最5高的局部密度时,令δk为相似度矩阵Di中的最大距离值,δk用于衡量特征向量c?'是否处于iN协方差矩阵ΣiN构成风机正常运行声纹信号特征模型MY=(GW,EN),用于描述正常运行状值向量GA和协方差矩阵ΣiA构成风机潜在异常状态声纹信号特征模型MA=(Gia,ZA),用于S72、从当前运行的预处理声纹信号数据集中提取特征向量构建当前风机运行声纹信6N;7规模和复杂性不断增加传统的物理传感器监测方法和基于阈值判断的异常检测手段已难机声纹监测技术缺乏完善的模型建立和异常识别能力难以实现对不同风机运行状态的准8信号中的微小特征变化进行识别和聚类将每个运行状态簇中的声纹信号特征数据进一步;;;9pppp[0037]S32、从时频特征矩阵S(f,t)中提取能量谱密[0042]S41、基于最终的风机运行声纹信号特征数据集Cf计算特征向量之间的相似度矩[0049]S43、对于每个风机运行状态簇Gi计算其特征中心G,作为该运行状态簇的代表声[0055]S51、对于每个风机运行状态簇Gi计算簇内特征向量之间的加权余弦距离相似度度峰值聚类算法识别簇内数据的密度峰值点捕捉声纹信号中的微进一步优化对声纹信号特征数据中微小异常的识Gn和协方差矩阵ΣiN构成风机正常运行声纹信号特征模型MN=(GW,En),用于描述正常运声纹信号特征模型MA,计算潜在异常状态子簇GiA中特征向量的均值Gn和协方差矩阵ΣiA,[0077]S72、从当前运行的预处理声纹信号数据集中提取特征向量构建当前风机运行声[0078]S73、计算当前运行的风机声纹信号特征向量与风机正常运行声纹信号特征模型[0085](1)本发明引入了短时傅里叶变换和梅尔频率倒谱系数相结合的声纹信号特征提传感器方法相比本发明在无需接触设备的情况下实现了对风机运行状态的高灵敏度检测,通过对提取的声纹信号进行标准化和信号增强处理克服了不同环境下信号幅度不一致的[0086](2)本发明采用了分层聚类算法和密度峰值聚类算法的创新组合能够对风机运行故障检测中能够提前识别出潜在异常减少误报和漏[0087](3)本发明通过建立风机正常运行声纹信号特征模型和潜在异常状态声纹信号特[0090]图2为本发明提出的一种风机运行状态异常检测方法中基于声纹信号特征提取与信号中的微小特征变化进行识别和聚类将每个运行状态簇中的声纹信号特征数据进一步;;;pppp[0122]S32、从时频特征矩阵S(f,t)中提取能量谱密[0127]S41、基于最终的风机运行声纹信号特征数据集Cf计算特征向量之间的相似度矩[0140]S51、对于每个风机运行状态簇Gi计算簇内特征向量之间的加权余弦距离相似度矩阵其中表示特征向量与之间的加权余弦距离,用于衡量簇内和"为状态簇Gi中的声纹信号特征向量,反映风机在不同时间点的运行度峰值聚类算法识别簇内数据的密度峰值点捕捉声纹信号中的微进一步优化对声纹信号特征数据中微小异常的识GW和协方差矩阵ΣiN构成风机正常运行声纹信号特征模型MN=(GW,EW),用于描述正常运声纹信号特征模型MA,计算潜在异常状态子簇GiA中特征向量的均值Gn和协方差矩阵ΣiA,将均值向量Ga和协方差矩阵ΣiA构成风机潜在异常状态声纹信号特征模型[0162]S72、从当前运行的预处理声纹信号数据集中提取特征向量构建当前风机运行声[0163]S73、计算当前运行的风机声纹信号特征向量与风机正常运行声纹信号特征模型直接影响到电力的输出效率以及运行成本,为提高风机的故障检测精度和降低维护成本,[0174]从2023年6月1日至2023年6月30日,系统每天采集风机正常运行时的声纹信号数[0185]从上表1数据可以看出传统的振动传感器方法在检测风机早期故障时表现出漏报于声纹信号特征提取和分层聚类算法的检测方法,检测准确率高达96误报率显著降低[0187]本发明引入了短时傅里叶变换和梅尔频率倒谱系数相结合的声纹信号特征提取过对提取的声纹信号进行标准化和信号增强处理克服了不同环境下信号幅度不一致的问[0188]本发明采用了分层聚类算

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论