本發(fā)明實施例涉及水電廠運維管理，且更為具體地，涉及一種水電廠自動化運行維護管理系統(tǒng)及方法。

背景技術(shù)：

1、隨著電力工業(yè)的快速發(fā)展，水電作為清潔可再生能源，在全球能源結(jié)構(gòu)中的比重逐漸增加。水電站的穩(wěn)定運行對于保障電網(wǎng)安全、提高能源利用效率具有重要意義。然而，水電站，特別是大型水電站，其內(nèi)部設備復雜，運行環(huán)境惡劣，一旦發(fā)生設備故障不僅可能導致巨大的經(jīng)濟損失，還可能帶來嚴重的安全隱患。因此，如何有效監(jiān)測設備運行狀態(tài)，及時發(fā)現(xiàn)并處理潛在故障成為水電站運行維護管理的關(guān)鍵問題之一。

2、傳統(tǒng)的水電廠運維管理方式主要依賴于人工巡檢和定期維護，這種方式不僅存在效率低下，而且容易受到人為因素的影響，無法實現(xiàn)對設備的全面、實時監(jiān)控，難以保證故障判斷的準確性和一致性。此外，水電廠的特殊環(huán)境對巡檢人員的安全也構(gòu)成了潛在威脅。

3、因此，期待一種水電廠自動化運行維護管理系統(tǒng)及方法。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，提出了本發(fā)明。本發(fā)明實施例提供一種水電廠自動化運行維護管理系統(tǒng)及方法，其能夠?qū)崿F(xiàn)對水輪機工作狀態(tài)的實時監(jiān)測和精準判斷，從而提高運維效率，降低人為因素帶來的干擾和安全隱患。

2、第一方面，本發(fā)明實施例提供了一種水電廠自動化運行維護管理方法，包括：

3、通過智能移動巡檢機器人的聲音探測模塊采集水輪機的運行聲音信號，并從聲音數(shù)據(jù)庫提取被標注為運行狀態(tài)正常的運行聲音參考信號；

4、對所述水輪機的運行聲音信號進行基于局部粒度的聲音幅度特征提取以得到運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列；

5、提取所述被標注為運行狀態(tài)正常的運行聲音參考信號的聲音幅度特征以得到運行聲音參考信號幅度時序關(guān)聯(lián)特征向量；

6、對所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量和所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行注意力查詢匹配以得到運行聲音反向查詢匹配隱含表示向量，其中，對所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量和所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行注意力查詢匹配，包括：對所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行局部鄰域關(guān)聯(lián)優(yōu)化以得到運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列；將所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量與所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列、所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列進行注意力匹配查詢和多粒度查詢特征融合以得到所述運行聲音反向查詢匹配隱含表示向量；

7、基于所述運行聲音反向查詢匹配隱含表示向量，確定是否生成運行維護提示。

8、在一些可能的實施例中，對所述水輪機的運行聲音信號進行基于局部粒度的聲音幅度特征提取以得到運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列，包括：

9、對所述水輪機的運行聲音信號進行聲音片段分割以得到運行聲音信號片段的序列；

10、將所述運行聲音信號片段的序列中的各個運行聲音信號片段分別輸入基于1d-cnn模型的聲音幅度特征提取器以得到所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列。

11、在一些可能的實施例中，提取所述被標注為運行狀態(tài)正常的運行聲音參考信號的聲音幅度特征以得到運行聲音參考信號幅度時序關(guān)聯(lián)特征向量，包括：

12、將所述被標注為運行狀態(tài)正常的運行聲音參考信號輸入所述基于1d-cnn模型的聲音幅度特征提取器以得到所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量。

13、在一些可能的實施例中，對所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行局部鄰域關(guān)聯(lián)優(yōu)化以得到運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列，包括：

14、對所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行一維卷積編碼以得到所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列，其中，所述一維卷積編碼的尺度等于所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的長度的整數(shù)倍。

15、在一些可能的實施例中，將所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量與所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列、所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列進行注意力匹配查詢和多粒度查詢特征融合以得到所述運行聲音反向查詢匹配隱含表示向量，包括：

16、將所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量與所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列、所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列分別進行基于多頭自注意力機制的查詢匹配以得到運行聲音語義查詢隱含向量的序列和運行聲音局部鄰域粒度語義查詢隱含向量的序列；

17、分別計算所述運行聲音語義查詢隱含向量的序列和所述運行聲音局部鄰域粒度語義查詢隱含向量的序列的按位置均值向量以得到運行聲音語義查詢匹配特征向量和運行聲音局部鄰域粒度語義查詢匹配特征向量；

18、對所述運行聲音語義查詢匹配特征向量和所述運行聲音局部鄰域粒度語義查詢匹配特征向量進行多維度交互融合以得到所述運行聲音反向查詢匹配隱含表示向量。

19、在一些可能的實施例中，將所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量與所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列、所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列分別進行基于多頭自注意力機制的查詢匹配以得到運行聲音語義查詢隱含向量的序列和運行聲音局部鄰域粒度語義查詢隱含向量的序列，包括：

20、使用值嵌入編碼矩陣對所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量進行處理以得到值特征向量；

21、以所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量作為查詢向量、所述值特征向量作為值向量和所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列作為鍵向量的序列，將所述查詢向量、所述值向量和所述鍵向量的序列輸入基于轉(zhuǎn)換器結(jié)構(gòu)的第一多頭注意力查詢模塊以得到所述運行聲音語義查詢隱含向量的序列；

22、以所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量作為查詢向量、所述值特征向量作為值向量和所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列作為鍵向量的序列，將所述查詢向量、所述值向量和所述鍵向量的序列輸入基于轉(zhuǎn)換器結(jié)構(gòu)的第二多頭注意力查詢模塊以得到所述運行聲音局部鄰域粒度語義查詢隱含向量的序列。

23、在一些可能的實施例中，對所述運行聲音語義查詢匹配特征向量和所述運行聲音局部鄰域粒度語義查詢匹配特征向量進行多維度交互融合以得到所述運行聲音反向查詢匹配隱含表示向量，包括：

24、計算所述運行聲音語義查詢匹配特征向量和所述運行聲音局部鄰域粒度語義查詢匹配特征向量之間的按位置點加、按位置點減和按位置點乘以得到第一運行聲音多粒度查詢特征融合表示向量、第二運行聲音多粒度查詢特征融合表示向量和第三運行聲音多粒度查詢特征融合表示向量；

25、將所述第一運行聲音多粒度查詢特征融合表示向量、所述第二運行聲音多粒度查詢特征融合表示向量和所述第三運行聲音多粒度查詢特征融合表示向量級聯(lián)為運行聲音多粒度多尺度語義融合特征向量后，對其進行一維卷積處理和最大值池化處理以得到所述運行聲音反向查詢匹配隱含表示向量。

26、在一些可能的實施例中，基于所述運行聲音反向查詢匹配隱含表示向量，確定是否生成運行維護提示，包括：

27、將所述運行聲音反向查詢匹配隱含表示向量輸入基于分類器的運行維護管理模塊以得到運行維護管理結(jié)果，所述運行維護管理結(jié)果用于表示水輪機的工作狀態(tài)是否存在異常；

28、響應于所述運行維護管理結(jié)果為水輪機的工作狀態(tài)存在異常，生成所述運行維護提示。

29、第二方面，本發(fā)明實施例提供了一種水電廠自動化運行維護管理系統(tǒng)，包括：

30、運行聲音信號獲取模塊，用于通過智能移動巡檢機器人的聲音探測模塊采集水輪機的運行聲音信號，并從聲音數(shù)據(jù)庫提取被標注為運行狀態(tài)正常的運行聲音參考信號；

31、聲音幅度特征提取模塊，用于對所述水輪機的運行聲音信號進行基于局部粒度的聲音幅度特征提取以得到運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列；

32、聲音參考信號幅度特征提取模塊，用于提取所述被標注為運行狀態(tài)正常的運行聲音參考信號的聲音幅度特征以得到運行聲音參考信號幅度時序關(guān)聯(lián)特征向量；

33、注意力查詢匹配模塊，用于對所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量和所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行注意力查詢匹配以得到運行聲音反向查詢匹配隱含表示向量，其中，對所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量和所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行注意力查詢匹配，包括：對所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列進行局部鄰域關(guān)聯(lián)優(yōu)化以得到運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列；將所述運行聲音參考信號幅度時序關(guān)聯(lián)特征向量與所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列、所述運行聲音信號片段幅度局部鄰域時序關(guān)聯(lián)特征向量的序列進行注意力匹配查詢和多粒度查詢特征融合以得到所述運行聲音反向查詢匹配隱含表示向量；

34、運行維護提示生成模塊，用于基于所述運行聲音反向查詢匹配隱含表示向量，確定是否生成運行維護提示。

35、在一些可能的實施例中，所述聲音幅度特征提取模塊，包括：

36、聲音片段分割單元，用于對所述水輪機的運行聲音信號進行聲音片段分割以得到運行聲音信號片段的序列；

37、聲音幅度特征提取單元，用于將所述運行聲音信號片段的序列中的各個運行聲音信號片段分別輸入基于1d-cnn模型的聲音幅度特征提取器以得到所述運行聲音信號片段幅度時序關(guān)聯(lián)特征向量的序列。

38、本技術(shù)提供的一種水電廠自動化運行維護管理系統(tǒng)及方法，其使用智能移動巡檢機器人采集水輪機的運行聲音信號，并利用基于深度學習的信號處理技術(shù)對所述運行聲音信號進行細粒度分析，提取出信號中各個局部片段的聲音幅度特征，進而，以聲音數(shù)據(jù)庫中被標注為運行狀態(tài)正常的運行聲音參考信號作為基準，通過多粒度的特征查詢匹配分析，智能判斷水輪機的工作狀態(tài)是否存在異常，生成相應的運行維護提示。這樣，能夠?qū)崿F(xiàn)對水輪機工作狀態(tài)的實時監(jiān)測和精準判斷，從而提高運維效率，降低人為因素帶來的干擾和安全隱患。