CN108416386A - 一种用于水电机组轴承温度异常判断的方法及系统 - Google Patents
一种用于水电机组轴承温度异常判断的方法及系统 Download PDFInfo
- Publication number
- CN108416386A CN108416386A CN201810189131.7A CN201810189131A CN108416386A CN 108416386 A CN108416386 A CN 108416386A CN 201810189131 A CN201810189131 A CN 201810189131A CN 108416386 A CN108416386 A CN 108416386A
- Authority
- CN
- China
- Prior art keywords
- sample
- statistic
- principal component
- weighs
- sample vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000000540 analysis of variance Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种用于水电机组轴承温度异常判断的方法及系统，属于电力系统领域，通过构建PCA主元模型，计算出指标衡量样本向量SPE和统计量衡量样本向量T2的统计量，将指标衡量样本向量SPE和T2的统计量与预设控制限进行比较，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常，当轴承工作异常时，系统提供给运行人员警示信息，督促检查水电机组轴承状态，本申请利用轴承不同位置轴承温度相关性较高的特性，解决了分类算法不能解决轴承测点数量较多，从而导致轴承温度异常判断不准确的问题。
Description
技术领域
本申请涉及电力系统领域，尤其涉及一种用于水电机组轴承温度异常判断的方法及系统。
背景技术
随着水电机组单机容量的不断增大，对水电机组的检修、维护、运行、管理提出了更高的要求，实施水电机组运行状况的状态监测，对水电机组故障进行及时预测预报、分析原因，对于大中型水电机组的安全运行具有重要的意义。水电机组运行状态的好坏直接影响水电厂的安全运行。
轴承温度监测是水电机组的状态监测之一，当轴系失中、润滑不畅、轴系振动、轴承制造缺陷、异物进入等情况出现时，会迅速产生大量热量，引起轴温升高，严重时会造成热损坏和热切轴，从而导致安全事故和重大经济损失发生。因此，轴承温度是水电机组报警系统的主要监测对象。
目前已有的水电机组轴承温度异常的判断方法是采用分类算法进行样本训练并进行异常类的识别，或实时监测设备的运行状态，并利用数据驱动建模技术产生温度的估计值，通过估计值与事先设定的报警残差可以确定轴承温度正常范围，做出水电机组设备状态异常状态的判断。然而由于轴承不同位置会预设不同的传感器，同一根轴承测点数量非常多，数量较多的测点进入异常诊断算法会造成“维度灾难”问题，严重影响轴承温度异常判断的效果。
发明内容
本申请提供了一种用于水电机组轴承温度异常判断的方法及系统，以解决分类算法不能解决轴承测点数量较多，从而导致轴承温度异常判断不准确的问题。
第一方面，本申请提供了一种用于水电机组轴承温度异常判断的方法，包括：
步骤S1，获取监控变量，所述监控变量为水电机组各轴承正常工况下的温度，将监控变量构建成典型样本集；
步骤S2，根据典型样本集，将典型样本集中的数据归一化处理，得到标准典型样本集；
步骤S3，根据标准典型样本集，构建PCA主元模型；
步骤S4，获取实时待检测样本；
步骤S5，将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本；
步骤S6，根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量；
步骤S7，判断指标衡量样本向量SPE和统计量衡量样本向量T2的统计量是否超过预设控制限，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
优选的是，所述根据标准典型样本集，构建PCA主元模型包括：
步骤S31，根据标准典型样本集，通过协方差分解，选择主元的个数；
步骤S32，根据主元个数，将标准典型样本数据集进行分解，得到主元子空间和残差子空间；
步骤S33，根据主元子空间和残差子空间，构建PCA主元模型。
优选的是，所述根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量包括：
步骤S61，根据PCA主元模型，计算得到指标衡量样本向量SPE的统计量；
步骤S62，根据PCA主元模型，计算得到统计量衡量样本向量T2的统计量。
第二方面，本申请还提供了一种用于水电机组轴承温度异常判断的系统，包括：典型样本集构建模块、标准典型样本集构建模块、PCA主元模型构建模块、实时待检测样本获取模块、标准实时待检测样本获取模块、计算模块和判断模块，其中，
所述典型样本集构建模块、所述标准典型样本集构建模块、所述PCA主元模型构建模块、所述实时待检测样本获取模块、所述标准实时待检测样本获取模块、所述计算模块和所述判断模块依次连接；
所述典型样本集构建模块，用于获取监控变量，将监控变量构建成典型样本集；
所述标准典型样本集构建模块，用于将典型样本集中的数据归一化处理，得到标准典型样本集；
所述PCA主元模型构建模块，用于根据标准典型样本集，构建PCA主元模型；
所述实时待检测样本获取模块，用于获取实时待检测样本；
所述标准实时待检测样本获取模块，用于将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本；
所述计算模块，用于根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量；
所述判断模块，用于判断指标衡量样本向量SPE和统计量衡量样本向量T2的统计量是否超过预设统计量，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量超过预设统计量，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
优选的是，所述PCA主元模型构建模块包括：主元获取单元、计算单元和PCA主元模型构建单元，其中，
所述主元获取单元、所述计算单元和所述PCA主元模型构建单元依次连接；
所述主元获取单元，用于根据标准典型样本集，通过协方差分解，获取主元的个数；
所述计算单元，用于根据主元个数，将标准典型样本数据集进行分解，得到主元子空间和残差子空间；
所述PCA主元模型构建单元，用于根据主元子空间和残差子空间，构建PCA主元模型。
优选的是，所述计算模块包括：指标衡量样本向量SPE统计量计算单元和统计量衡量样本向量T2统计量计算单元，其中，
所述指标衡量样本向量SPE统计量计算单元和所述统计量衡量样本向量T2统计量计算单元依次连接；
所述指标衡量样本向量SPE统计量计算单元，用于计算指标衡量样本向量SPE的统计量；
所述统计量衡量样本向量T2统计量计算单元，用于计算统计量衡量样本向量T2的统计量。
由以上技术方案可知，本申请提供了一种用于水电机组轴承温度异常判断的方法及系统，通过构建PCA主元模型，计算出指标衡量样本向量SPE和统计量衡量样本向量T2的统计量，将指标衡量样本向量SPE和统计量衡量样本向量T2的统计量与预设控制限进行比较，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常，当轴承工作异常时，系统提供给运行人员警示信息，督促检查水电机组轴承状态，本申请利用轴承不同位置轴承温度相关性较高的特性，解决了分类算法不能解决轴承测点数量较多，从而导致轴承温度异常判断不准确的问题。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一种用于水电机组轴承温度异常判断的方法的流程图；
图2为本申请一种用于水电机组轴承温度异常判断的方法的流程图；
图3为本申请一种用于水电机组轴承温度异常判断的方法的正常状态轴温指标衡量样本向量SPE统计量图；
图4为本申请一种用于水电机组轴承温度异常判断的方法的正常状态轴温统计量衡量样本向量T2统计量图；
图5为本申请一种用于水电机组轴承温度异常判断的方法的正常状态诸测点贡献图；
图6为本申请一种用于水电机组轴承温度异常判断的方法的异常状态轴温指标衡量样本向量SPE统计量图；
图7为本申请一种用于水电机组轴承温度异常判断的方法的异常状态轴温统计量衡量样本向量T2统计量图；
图8为本申请一种用于水电机组轴承温度异常判断的方法的异常状态诸测点贡献图；
图9为本申请一种用于水电机组轴承温度异常判断的系统的结构示意图；
图10为本申请一种用于水电机组轴承温度异常判断的系统的PCA主元模型构建模块的结构示意图；
图11为本申请一种用于水电机组轴承温度异常判断的系统的计算模块的结构示意图。
具体实施方式
下面结合本申请中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于再次描述的其他方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
参见图1，为本申请提供了一种用于水电机组轴承温度异常判断的方法的流程图。
本申请的一实施例提供一种用于水电机组轴承温度异常判断的方法，包括：
步骤S11，获取监控变量，所述监控变量为水电机组各轴承正常工况下的温度，将监控变量构建成典型样本集。
上述监控变量应当包括各轴承正常工况下温度变化的过程，不包含异常状态下的温度。
步骤S12，根据典型样本集，将典型样本集中的数据归一化处理，得到标准典型样本集。
上述归一化处理，为将典型样本集中的数据的值域按照如下公式标准化至[0,1]：
式中，j表示第j个变量、n表示典型样本集中数据的个数、xjmax为变量xj的最大值，xjmin为变量xj的最小值。
步骤S13，根据标准典型样本集，构建PCA主元模型。
步骤S14，获取实时待检测样本。
步骤S15，将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本。
步骤S16，根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量。
步骤S17，判断指标衡量样本向量SPE和统计量衡量样本向量T2的统计量是否超过预设控制限，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
如果水电机组轴承温度异常，则计算统计量衡量样本向量T2统计量的贡献率，贡献率最大的变量就是可能引起故障的变量，贡献率按照如下公式计算得到：
式中，表示变量i对指标衡量样本向量SPE统计量的贡献值、ξi表示单位矩阵I的第i列。
由以上技术方案可知，本申请提供了一种用于水电机组轴承温度异常判断的方法及系统，通过构建PCA主元模型，计算出指标衡量样本向量SPE和统计量衡量样本向量T2的统计量，将指标衡量样本向量SPE和统计量衡量样本向量T2的统计量与预设控制限进行比较，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常，当轴承工作异常时，系统提供给运行人员警示信息，督促检查水电机组轴承状态，本申请利用轴承不同位置轴承温度相关性较高的特性，解决了分类算法不能解决轴承测点数量较多，从而导致轴承温度异常判断不准确的问题。
参见图2，为本申请提供了一种用于水电机组轴承温度异常判断的方法的流程图。
本申请的另一实施例提供一种用于水电机组轴承温度异常判断的方法，包括：
步骤S21，获取监控变量，所述监控变量为水电机组各轴承正常工况下的温度，将监控变量构建成典型样本集。
步骤S22，根据典型样本集，将典型样本集中的数据归一化处理，得到标准典型样本集。
步骤S23，根据标准典型样本集，通过协方差分解，选择主元的个数。
协方差分解步骤如下：
设定协方差矩阵为对其进行特征值分解，并且按照特征值的大小降序排序，如下：
式中，Λ表示一个对角阵Λ＝diag{λ1,λ2,...,λm}，也是S的特征值矩阵，而且其对角线上的元素满足λ1≥λ2≥...≥λm，V表示S的特征向量矩阵，维数为m×m，P表示V的前k列，包含所有主元的信息，表示V余下的m-k列，包含残差信息。
若前k个主元的累积方差贡献率为：当前k个主元的累积方差贡献率达到95％，则主元个数取k值。
步骤S24，根据主元个数，将标准典型样本数据集进行分解，得到主元子空间和残差子空间。
上述将标准典型样本数据集按照如下公式分解：
式中，表示主元子空间；表示残差子空间；Tn×A＝Xn×m·Pm×A，表示得分矩阵；Pm×A表示负载矩阵，由S的前k个特征向量构成。
步骤S25，根据主元子空间和残差子空间，构建PCA主元模型
步骤S26，获取实时待检测样本。
步骤S27，将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本。
步骤S28，根据PCA主元模型，按照如下公式计算得到指标衡量样本向量SPE的统计量：
式中，I表示单位阵、表示置信度为α的控制限、x表示待测数据、P表示协方差特征向量矩阵的前k项。
按照如下公式计算得到：
式中，表示协方差矩阵的特征值、Cα为标准正态分布在置信度为α下的阈值。
步骤S29，根据PCA主元模型，按照如下公式计算得到统计量衡量样本向量T2的统计量：
式中，Λk＝diag{λ1,λ2,...,λk}，为置信度为α的控制限。
步骤S210，判断指标衡量样本向量SPE和统计量衡量样本向量T2的统计量是否超过预设控制限，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
以某水电机组的发电机定子轴承绕组温度为例，对其构建轴承温度异常诊断的实例，包括以下步骤:
步骤一，提取正常工况下定子轴承绕组温度共30个传感器测点，测点与测点之间相互独立且线性关系良好，满足PCA模型的基本要求。提取该机组四个月的历史运行数据作为训练样本集，经过数据预处理以及样本选择过程，提取1500条样本数据，构成矩阵规模为1500*300的典型样本集。
步骤二，对于经过上述步骤处理的典型样本集，用下式将典型样本集中各各数据的值域标准化至[0,1]：
其中，xjmax为变量xj的最大值，xjmin为变量xj的最小值。标准化处理后，各变量在数值上具有可比性，不会受到变量量纲及性质的影响。由此，得到标准典型样本数据集X∈R1500×30，代表一个包含了30个温度传感器的典型样本集，每个传感器各有1500个样本，其中每一列代表一个测量变量，每一行代表一个样本。
步骤三，对步骤二中的标准典型样本数据集，建立PCA主元模型。首先对标准典型样本数据集进行协方差分解以及特征值矩阵，并选择主元的个数。
本例中设定累积方差贡献率需达到99％，最终得到的主元个数为8个。
将标准典型样本数据集进行分解，得到主元子空间和残差子空间。
步骤四，计算指标衡量样本向量SPE统计量与统计量衡量样本向量T2统计量，本例中计算的指标衡量样本向量SPE控制限以及统计量衡量样本向量控制限分别为0.012与23.5。
步骤五，基于标准典型样本数据集的PCA模型进行在线故障检测与诊断。
本例采集的测试数据集都是正常数据，参见图3，指标衡量样本向量SPE统计量,几乎始终未超限(仅有一处误报)，为正常状态。
参见图4，统计量衡量样本向量T2统计量有少数超限误报但持续时间很短，仍可认为是正常状态。
参见图5，最终计算的贡献图,未发现有明显异常的测点。
假定第二传感器测点位置发生异常，在1251～1500时刻在第二传感器测点的实际值基础上，线性渐变的提升5℃。
参见图6，指标衡量样本向量SPE统计量在1～1250时刻始终未超限，为正常状态。
参见图7，统计量衡量样本向量T2统计量有少数超限误报但持续时间很短，仍可认为是正常状态。
在异常段1251～1500时刻，指标衡量样本向量SPE统计量与统计量衡量样本向量T2统计量显著上升，最终指标衡量样本向量SPE统计量1294时刻超限报警，而统计量衡量样本向量T2统计量在1321时刻超限报警，此时异常温升大概在1℃左右。
最终计算的贡献图参见图8，测点2的贡献量远大于其它，可见PCA正确的识别了发生异常的测点位置。
参见图9，为本申请还提供的一种用于水电机组轴承温度异常判断的系统的结构示意图，本申请还提供的一种用于水电机组轴承温度异常判断的系统包括：典型样本集构建模块、标准典型样本集构建模块、PCA主元模型构建模块、实时待检测样本获取模块、标准实时待检测样本获取模块、计算模块和判断模块，其中，
所述典型样本集构建模块、所述标准典型样本集构建模块、所述PCA主元模型构建模块、所述实时待检测样本获取模块、所述标准实时待检测样本获取模块、所述计算模块和所述判断模块依次连接。
所述典型样本集构建模块，用于获取监控变量，将监控变量构建成典型样本集。
所述标准典型样本集构建模块，用于将典型样本集中的数据归一化处理，得到标准典型样本集。
所述PCA主元模型构建模块，用于根据标准典型样本集，构建PCA主元模型。
所述实时待检测样本获取模块，用于获取实时待检测样本。
所述标准实时待检测样本获取模块，用于将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本。
所述计算模块，用于根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量。
所述判断模块，用于判断指标衡量样本向量SPE和T2的统计量是否超过预设统计量，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量超过预设统计量，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
优选的是，参见图10，所述PCA主元模型构建模块包括：主元获取单元、计算单元和PCA主元模型构建单元，其中，
所述主元获取单元、所述计算单元和所述PCA主元模型构建单元依次连接。
所述主元获取单元，用于根据标准典型样本集，通过协方差分解，获取主元的个数。
所述计算单元，用于根据主元个数，将标准典型样本数据集进行分解，得到主元子空间和残差子空间。
所述PCA主元模型构建单元，用于根据主元子空间和残差子空间，构建PCA主元模型。
优选的是，参见图11，所述计算模块包括：指标衡量样本向量SPE统计量计算单元和统计量衡量样本向量T2统计量计算单元，其中，
所述指标衡量样本向量SPE统计量计算单元和所述统计量衡量样本向量T2统计量计算单元依次连接。
所述指标衡量样本向量SPE统计量计算单元，用于计算指标衡量样本向量SPE的统计量。
所述统计量衡量样本向量T2统计量计算单元，用于计算统计量衡量样本向量T2的统计量。
由以上技术方案可知，本申请提供了一种用于水电机组轴承温度异常判断的方法及系统，通过构建PCA主元模型，计算出指标衡量样本向量SPE和统计量衡量样本向量T2的统计量，将指标衡量样本向量SPE和统计量衡量样本向量T2的统计量与预设控制限进行比较，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常，当轴承工作异常时，系统提供给运行人员警示信息，督促检查水电机组轴承状态，本申请利用轴承不同位置轴承温度相关性较高的特性，解决了分类算法不能解决轴承测点数量较多，从而导致轴承温度异常判断不准确的问题。
以上仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (6)
1.一种用于水电机组轴承温度异常判断的方法，其特征在于，所述方法包括：
步骤S1，获取监控变量，所述监控变量为水电机组各轴承正常工况下的温度，将监控变量构建成典型样本集；
步骤S2，根据典型样本集，将典型样本集中的数据归一化处理，得到标准典型样本集；
步骤S3，根据标准典型样本集，构建PCA主元模型；
步骤S4，获取实时待检测样本；
步骤S5，将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本；
步骤S6，根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量；
步骤S7，判断指标衡量样本向量SPE和统计量衡量样本向量T2的统计量是否超过预设控制限，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量未超过预设控制限，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
2.如权利要求1所述的方法，其特征在于，所述根据标准典型样本集，构建PCA主元模型包括：
步骤S31，根据标准典型样本集，通过协方差分解，选择主元的个数；
步骤S32，根据主元个数，将标准典型样本数据集进行分解，得到主元子空间和残差子空间；
步骤S33，根据主元子空间和残差子空间，构建PCA主元模型。
3.如权利要求1所述的方法，其特征在于，所述根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量包括：
步骤S61，根据PCA主元模型，计算得到指标衡量样本向量SPE的统计量；
步骤S62，根据PCA主元模型，计算得到统计量衡量样本向量T2的统计量。
4.一种用于水电机组轴承温度异常判断的系统，其特征在于，所述系统包括：典型样本集构建模块、标准典型样本集构建模块、PCA主元模型构建模块、实时待检测样本获取模块、标准实时待检测样本获取模块、计算模块和判断模块，其中，
所述典型样本集构建模块、所述标准典型样本集构建模块、所述PCA主元模型构建模块、所述实时待检测样本获取模块、所述标准实时待检测样本获取模块、所述计算模块和所述判断模块依次连接；
所述典型样本集构建模块，用于获取监控变量，将监控变量构建成典型样本集；
所述标准典型样本集构建模块，用于将典型样本集中的数据归一化处理，得到标准典型样本集；
所述PCA主元模型构建模块，用于根据标准典型样本集，构建PCA主元模型；
所述实时待检测样本获取模块，用于获取实时待检测样本；
所述标准实时待检测样本获取模块，用于将实时待检测样本里的数据进行归一化处理，得到标准实时待检测样本；
所述计算模块，用于根据标准实时待检测样本和PCA主元模型，计算得到指标衡量样本向量SPE和统计量衡量样本向量T2的统计量；
所述判断模块，用于判断指标衡量样本向量SPE和统计量衡量样本向量T2的统计量是否超过预设统计量，如果指标衡量样本向量SPE和统计量衡量样本向量T2的统计量超过预设统计量，则水电机组轴承温度正常，反之，则水电机组轴承温度异常。
5.如权利要求4所述的系统，其特征在于，所述PCA主元模型构建模块包括：主元获取单元、计算单元和PCA主元模型构建单元，其中，
所述主元获取单元、所述计算单元和所述PCA主元模型构建单元依次连接；
所述主元获取单元，用于根据标准典型样本集，通过协方差分解，获取主元的个数；
所述计算单元，用于根据主元个数，将标准典型样本数据集进行分解，得到主元子空间和残差子空间；
所述PCA主元模型构建单元，用于根据主元子空间和残差子空间，构建PCA主元模型。
6.如权利要求4所述的系统，其特征在于，所述计算模块包括：指标衡量样本向量SPE统计量计算单元和统计量衡量样本向量T2统计量计算单元，其中，
所述指标衡量样本向量SPE统计量计算单元和所述统计量衡量样本向量T2统计量计算单元依次连接；
所述指标衡量样本向量SPE统计量计算单元，用于计算指标衡量样本向量SPE的统计量；
所述统计量衡量样本向量T2统计量计算单元，用于计算统计量衡量样本向量T2的统计量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810189131.7A CN108416386A (zh) | 2018-03-08 | 2018-03-08 | 一种用于水电机组轴承温度异常判断的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810189131.7A CN108416386A (zh) | 2018-03-08 | 2018-03-08 | 一种用于水电机组轴承温度异常判断的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108416386A true CN108416386A (zh) | 2018-08-17 |
Family
ID=63130343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810189131.7A Pending CN108416386A (zh) | 2018-03-08 | 2018-03-08 | 一种用于水电机组轴承温度异常判断的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416386A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
| CN113807211A (zh) * | 2021-08-31 | 2021-12-17 | 武汉理工大学 | 设备运行状态预警方法、计算机设备及存储介质 |
| CN114576102A (zh) * | 2020-12-02 | 2022-06-03 | 新疆金风科技股份有限公司 | 风电机组轴承状态的预测方法、装置、设备及存储介质 |
| CN116226239A (zh) * | 2023-05-06 | 2023-06-06 | 成都瑞雪丰泰精密电子股份有限公司 | 一种基于数据驱动的加工中心主轴系统状态监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824137A (zh) * | 2014-03-20 | 2014-05-28 | 北京信息科技大学 | 一种复杂机械设备多工况故障预测方法 |
| CN104914854A (zh) * | 2015-05-29 | 2015-09-16 | 东北大学 | 一种基于kpca的工业过程故障诊断方法 |
| CN105373110A (zh) * | 2015-12-16 | 2016-03-02 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
-
2018
- 2018-03-08 CN CN201810189131.7A patent/CN108416386A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824137A (zh) * | 2014-03-20 | 2014-05-28 | 北京信息科技大学 | 一种复杂机械设备多工况故障预测方法 |
| CN104914854A (zh) * | 2015-05-29 | 2015-09-16 | 东北大学 | 一种基于kpca的工业过程故障诊断方法 |
| CN105373110A (zh) * | 2015-12-16 | 2016-03-02 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱奇 等: "基于PCA 多变量统计的故障检测与诊断", 《控制工程》 * |
| 杜景琦 等: "电厂发电设备故障诊断方法综述", 《云南电力技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114576102A (zh) * | 2020-12-02 | 2022-06-03 | 新疆金风科技股份有限公司 | 风电机组轴承状态的预测方法、装置、设备及存储介质 |
| CN112836431A (zh) * | 2021-02-05 | 2021-05-25 | 河北工业大学 | 基于pso-lstm的青霉素发酵过程故障预测方法 |
| CN113807211A (zh) * | 2021-08-31 | 2021-12-17 | 武汉理工大学 | 设备运行状态预警方法、计算机设备及存储介质 |
| CN116226239A (zh) * | 2023-05-06 | 2023-06-06 | 成都瑞雪丰泰精密电子股份有限公司 | 一种基于数据驱动的加工中心主轴系统状态监测方法 |
| CN116226239B (zh) * | 2023-05-06 | 2023-07-07 | 成都瑞雪丰泰精密电子股份有限公司 | 一种基于数据驱动的加工中心主轴系统状态监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110320892B (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及系统 | |
| CN110646194B (zh) | 一种换流阀冷却能力多维度分析预警方法及系统 | |
| CN100489870C (zh) | 用于过程统计控制的方法和多维系统 | |
| CN109933905B (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| CN112415947B (zh) | 一种基于dtu设备的cnc机床数据采集与管理方法及系统 | |
| CN112067335A (zh) | 一种基于多元状态估计的电厂送风机故障预警方法 | |
| CN113050019B (zh) | 数据驱动评估结果和检定规程融合的电压互感器评估方法及系统 | |
| CN110414154A (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| WO2015026166A1 (ko) | 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
| CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
| CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
| CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
| CN110363404A (zh) | 一种干式空心电抗器状态数据分析方法 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
| JPWO2018051568A1 (ja) | プラント異常診断装置及びプラント異常診断システム | |
| CN113979257A (zh) | 一种电梯健康度实时监测系统 | |
| CN116519054A (zh) | 一种热力站设备健康状态监测系统及方法 | |
| CN116542121A (zh) | 一种基于机器学习与神经网络的水轮机轴瓦温度预测方法 | |
| CN117850375B (zh) | 一种生产线的多维度监测系统 | |
| CN118088666A (zh) | 一种风电齿轮箱分布式智能润滑监测与故障预警系统 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
| CN117474527B (zh) | 一种建筑施工安全标准评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180817 |