CN111879522A - 基于时序概率的汽轮机运行监测和故障判别方法及系统 - Google Patents

Abstract

本发明公开了基于时序概率的汽轮机运行监测和故障判别方法及系统，包括以下步骤：获取汽轮机运行监测数据，构建时序样本空间；计算样本空间满足正态分布设定概率的数据区间；继续获取汽轮机运行监测数据，并判断监测数据是否位于数据区间，若监测数据位于数据区间内，则更新时序样本空间，若监测数据位于数据区间外，则判断汽轮机是否出现故障。

Description

基于时序概率的汽轮机运行监测和故障判别方法及系统

技术领域

本发明属于汽轮机振动监测领域，具体涉及一种基于时序概率的汽轮机运行监测和故障判别方法及系统。

背景技术

这里的陈述仅提供与本发明相关的背景技术，而不必然地构成现有技术。

在对汽轮机的长期监测过程中，设备的正常运行值往往难以确定，这是由于时间的推移和工况的改变都会改变汽轮机运行监测数据的正常值。发明人发现，通过设定正常运行指标对汽轮机进行故障判断的传统方法，监测效果不理想，主要表现为频发的故障漏报误报，故障判断的及时性也难以保证。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于时序概率的汽轮机运行监测和故障判别方法及系统，该装置可以解决目前汽轮机状态监测过程中频发的故障漏报警、误报警、故障发现不及时的问题，该方法流程简洁，计算量小，实用价值较强。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明的实施例提供了一种基于时序概率的汽轮机运行监测和故障判别方法，包括以下步骤：

获取汽轮机运行监测数据，构建时序样本空间；

计算样本空间满足正态分布设定概率的数据区间；

继续获取汽轮机运行监测数据，并判断监测数据是否位于数据区间，若监测数据位于数据区间内，则更新时序样本空间，若监测数据位于数据区间外，则判断汽轮机是否出现故障。

作为进一步的技术方案，汽轮机的运行监测数据包括轴振数据、温度数据。

作为进一步的技术方案，时序样本空间的构建过程为：

初始化样本空间，将获取的汽轮机运行监测数据填入样本空间，直至样本空间内数据量达到设定值。

作为进一步的技术方案，更新时序样本空间的过程为：

若时序样本空间已达最大数据容量，将位于数据区间的监测数据填入时序样本空间，并剔除最前端时间点监测数据，或为不同时间点监测数据设置随时间衰减的权值。

作为进一步的技术方案，更新时序样本空间的过程为：

若时序样本空间未达最大数据容量，但时序样本空间已达最低初始化数据容量，则将位于时序样本空间标准差范围内的监测数据填入时序样本空间。

作为进一步的技术方案，更新时序样本空间的过程为：

若时序样本空间未达最大数据容量，但时序样本空间已达最低初始化数据容量，且监测数据位于时序样本空间标准差范围外，则将位于经验容许标准差范围内的监测数据填入时序样本空间。

作为进一步的技术方案，更新时序样本空间的过程为：

若时序时序样本空间未达最大数据容量，且时序样本空间未达最低初始化数据容量，则将满足经验容许均值范围的监测数据填入时序样本空间。

作为进一步的技术方案，判断汽轮机是否出现故障时，将位于数据区间外的监测数据作为异常点，当连续异常点数量超过设定值时，判定为汽轮机出现故障，则进行报警并清空时序样本空间，并重新构建时序样本空间。

作为进一步的技术方案，若连续异常点数量未超过设定值，则将异常点数据删除。

第二方面，本发明实施例还提供了一种基于时序概率的汽轮机运行监测和故障判别系统，包括：

构建模块，用以获取汽轮机运行监测数据，构建时序样本空间；

计算模块，用以计算样本空间满足正态分布设定概率的数据区间；

判断模块，用以继续获取汽轮机运行监测数据，并判断监测数据是否位于数据区间，若监测数据位于数据区间内，则更新时序样本空间，若监测数据位于数据区间外，则判断汽轮机是否出现故障。

上述本发明的实施例的有益效果如下：

本发明的汽轮机故障判别方法，通过由监测数据构建时序样本空间，并以样本空间满足正态分布设定概率的作为数据区间，由监测数据与数据区间的比对分析异常情况，使得服役过程中状态参数不断变化的汽轮机运行出现异常时可以被及时准确地监测到，同时有效避免误报，并具备一定的故障预测能力。

本发明的汽轮机故障判别方法，将监测数据与数据区间进行比对，若位于数据区间外则作为异常点，当异常点数量超出设定值时，判定为汽轮机故障，可以快速完成故障判别，监测程序简洁，实现了计算量小，适应性强，有利于实际工业应用。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明根据一个或多个实施方式的故障判别方法的基本流程图；

图2为2018年4月27日8号机组2号轴承X方向的轴振数据图；

图3为2018年4月27日8号机组2号轴承X方向的轴振数据的概率密度曲线图；

图4为2018年5月21日8号机组2号轴承X方向轴振与功率的相关关系图；

图5为2018年5月21日8号机组2号轴承X方向轴振数据光顺前后对比图；

图6为2018年12月8号机组2号轴承X方向轴振数据图；

图7为2018年12月13日8号机组2号轴承X方向轴振数据图；

图8为2018年12月的8号机组2号轴承X方向轴振数据故障判别情况图；

图9为12月13日附近的8号机组2号轴承X方向轴振数据故障判别情况图；

图10为数字序列日期信息转换图；

图11为报警时实际监控界面的模拟图；

图12为2019年2月的8号机组2号轴承X方向轴振数据故障判别情况图；

图13为2月26日附近的8号机组2号轴承X方向轴振数据故障判别情况图；

图14为2018年4月的8号机组10号轴承X方向轴振数据故障判别情况图；

图15为4月9日附近的8号机组10号轴承X方向轴振数据故障判别情况图；

图16为故障判别方法具体实施流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；

为了方便叙述，本发明中如果出现“上”、“下”、“左”“右”字样，仅表示与附图本身的上、下、左、右方向一致，并不对结构起限定作用,仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

正如背景技术所介绍的，现有技术中存在不足，为了解决如上的技术问题，本发明提出了一种基于时序概率的汽轮机运行监测和故障判别方法及系统。

本发明的一种典型的实施方式中，首先基于典型实例找出符合汽轮机运行过程中的故障判断逻辑，进而得到基于时序概率故障判别方法的基本思路和判别流程。对基本思路下的数据饱和现象、异常点的识别、容许均值与容许标准差范围的设定、报警后样本空间的重建等问题进行具体分析并解决。基于以上分析，设计汽轮机故障判别验证程序。最后提取计算出的故障判别结果与汽轮机实际运行历史记录做对比，验证程序识别判断的准确性和有效性。

本发明基于时序概率的汽轮机故障判别方法基于以下基本假设：

(1)汽轮机正常运行时，在转速、功率变化不大的情况下其轴振、温度数据基本符合正态分布，其概率分布区间在任意选取的时段内具有一定的稳定性。

(2)汽轮机正常运行时，因工况的变化(功率、进气压力、机械载荷等的变化)而使轴振、温度等监测数据的概率分布区间具有平缓的时变性。

(3)若有故障发生，汽轮机的轴振或温度等参数会发生较为明显且突然的变动、跳出。

以上三条假设都是符合逻辑且易于说明的：

对于假设(1)，可任取一段较为平稳的数据进行分析。以某日期日8号机组2号轴承X方向的轴振数据为例，如图2所示；

可见在图示的几个小时中，数据具有一定的波动但总体上较为平稳。对其作出概率密度曲线，如图3所示。在概率分布上，它表现出较为明显的中间高，两边低的正态分布特性，基本符合正态分布，可利用其性质进行分析。

此外，该段数据具有一定的一般性，既无剧烈波动也不过分平滑，在功率变化不大的情况下其他时间段汽轮机的正常运行数据也会表现出相似的性质，由此可知假设(1)是合理的。

对于假设(2)，可选取一段功率变化较为显著的轴振数据进行说明。以某日期的8号机组2号轴承X方向的一段轴振数据为例，如图4所示。可见以功率为代表的直接受控量变动过程中，轴振数据会发生相应的改变。但该过程是缓慢的，变化往往持续几十分钟以至数个小时，经历数十数百个数据点。具体到其中靠近的少量监测数据依然是较为平稳的。

为更清晰的说明图4中轴振和功率的相关关系，其中的轴振数据进行了光顺处理。光顺前后轴振数据的对比如图5所示，可见光顺处理其较好的体现了轴振的变化趋势，应用在图4中是合理的。

对于假设(3)，可以从有明确记录的运行异常中进行说明。根据记录的《2018年轴系异常案例》，2018年12月13日8号机组2号轴瓦发生振动波动。

首先取12月的数据进行观察，如图6所示。可见其中有多处出现异常凸起，其中12月13日的与记录的故障相吻合。单独取12月13日异常凸起附近数小时的数据放大进行观察，如图7所示。

经观察，在变化最快的时段中，轴振数据从17:20的28um经短短17分钟猛增至17:37的63um。这与正常状况下功率变动仅使轴振数据在数小时中发生数微米的变动形成了鲜明的对比。与此类似，观察其他故障记录也有相近的表现，故假设(3)也是合理的。

根据上述三条假设，可以得到以下推论：若汽轮机正常运行不发生故障，则在一段时间内其数据应符合正态分布。同样，若汽轮机的运行发生了异常，则监测数据会超出正态分布的3sigma范围。

基于此，如图1所示，本发明基于时序概率故障判别方法的基本流程为：

从任意时刻开始采集某测点的监测数据并填入样本空间，当样本空间的数据量达到一定规模后将表现出正态分布特性。此时可计算样本数据的平均值miu和标准差sigma，并可由此形成[miu-3*sigma，miu+3*sigma]的正常数据区间(即本实施例中选用满足正态分布概率99.74％作为数据区间)。之后，每获得一数据点，都进行一次判断。若该数据点在之前求得的正常数据区间中，则将此数据点添加至样本空间，并重新求其均值和标准差，更新正常数据区间；若不在该区间，则认为此点存在异常，需要进一步确认。在确定是汽轮机出现故障或运行状态发生较大改变后，则进行报警并清空样本空间，重新进行样本数据的收集，重复之前的步骤。

在此流程下，若汽轮机运行数据基本平稳，则正常区间建立后将不会发生大的改变。若汽轮机功率调整等因素使监测数据出现缓慢变化，正常区间将随数据变化自动的做出改变。若监测数据出现剧烈变化，超出建立的正常区间，程序将报警并建立新的样本空间。

针对故障判别方法流程中的各问题进行以下处理：

(1)数据饱和现象：当样本空间中旧数据量过大时，新数据点将难以对样本整体的均值和方差造成影响，使判别系统失去对汽轮机状态缓慢变化的适应能力。

针对此问题有两种解决办法，一是为数据设置随时间衰减的权值，二是设置样本空间的最大数据容量，超过则作清空处理。第一种方法可保证正常区间更新的连续性，但计算稍显复杂。本发明中采用简便快捷的第二种方法，当然后期还可通过设置样本空间数据点的部分清除或改进为方法一来加以完善。

(2)异常点的识别：在监测数据中存在一些孤立的异常点，其表现为仅有单独的一个或两个数据点在正常区间外。它们可能来自于传感器的测量错误，也可能是在极短时间内汽轮机发生运转异常并随即恢复正常。对于此类数据若无相应处理会产生大量的误报。

针对此问题的解决方法，只要设置需要两个或更多连续的异常点才能报警即可。这会导致[(连续点数-1)*数据点间隔]的反应时间延长，在数据点之间间隔1min的实验数据集中有较明显的延时。但在实际监测系统中，更新一个数据点仅需数秒，这时设置多个连续异常点才可报警并不会造成的明显的反应延迟。

(3)经验容许均值与经验容许标准差范围的设定：在如前所述的流程中，故障点的识别完全依赖于与样本空间中数据点的对比。这就会造成一个显而易见的问题：故障的识别标准具有很强的随机性。若在样本空间的初始化过程中刚好采集到一群分布非常集中的数据，就会造成样本的标准差特别小，确定出的正常范围相应的也会过小，进而导致很多的误报。同样，若最初的数据过于分散，将导致样本标准差过大，难以识别故障的发生。样本均值也面临类似的易偏离真值的问题。

因此，判别方法中经验加入容许均值和经验容许标准差，样本空间中数据求得的均值和标准差不在经验容许范围时强制将其更改为临近的经验容许极值是很有必要的，这将保证参与正常区间确定的标准差和均值不会偏离实际太远。一般来说，预测未来一段时间监测数据的均值和方差是非常困难的，但它们的合理范围可以轻易地由历史经验数据加以确定，进而我们可以给出经验容许均值与经验容许标准差的范围。

(4)报警后样本空间的重建：如前所述，确定数据异常并报警后，样本空间中的数据会被全部清空并自报警点开始填入新的数据。若不做相应处理，新的样本空间中将包含大量故障数据。因此必须对故障后新产生的数据做相应判别，保证样本空间中的数据都是故障已排除、运行恢复正常后产生的。这可以通过添加类似初始化容许均值和初始化容许标准差的参数来实现，在样本空间初始化的过程中就对其均值和标准差进行监测，若超过经验允许值即清空样本空间并重新开始采集数据点。初始化容许范围应稍小于经验容许均值和经验容许标准差。

本发明的基于时序概率的汽轮机运行监测和故障判别方法，具体实施流程如图16所示，其基于汽轮机的动态监测数据对其运行值的正常概率区间进行实时判别：

汽轮机的动态监测数据包括轴振、温度数据；

整个方法流程分为样本空间初始化和样本空间实时更新两个阶段；

样本空间初始化阶段用于在方法实施之初，样本空间0数据的情形，或触发报警后样本空间清零重构的情形。随着汽轮机实时运行，将实时监测数据逐个填入样本空间，构建初始样本空间数据。其中采用设置经验容许均值范围和经验容许标准差范围的方法进行辅助判别，以克服因初始样本空间数据量过少而不能支持有效的概率统计计算，或初始样本数据的偶然性造成标准差或均值过多偏离其真值的情况；

在样本空间实时更新阶段，在新数据点填入样本空间的同时，剔除最前端时间点数据，或为不同时间点数据设置随时间衰减的权值，保证基于动态样本空间的时序概率统计判别对汽轮机状态缓慢变化的适应能力和故障预警能力；

设定多连续异常点报警策略以克服时序概率统计计算中的偶然性影响因素，孤立异常点不进入样本空间。

具体的流程为：

从任意时刻开始采集汽轮机某测点的监测数据；

判断样本空间是否已达最大数据容量，若已达最大数据容量，则判断获取的新数据点是否在正常概率区间，若在正常概率区间，则剔除最前端时间点数据，将新数据填入样本空间，更新样本空间数据标准差及运行状态判据；若新数据点不在正常概率区间，则判断是否为故障，若是故障，则报警并清空样本空间，若不是故障，则为异常点，将该异常点抛弃；

若样本空间未达最大数据容量，则判断样本空间是否已达最低初始化数据容量，若已达最低初始化数据容量，则判断新数据点是否在样本空间标准差规定范围，若在样本空间标准差规定范围内，则更新样本空间数据标准差及运行状态判据；若不在样本空间标准差规定范围内，则判断新数据点是否在经验容许标准差规定范围内，若在该范围内，则更新样本空间数据标准差及运行状态判据；若不在经验容许标准差规定范围内，则判断是否为故障，若是故障，则报警并清空样本空间，若不是故障，则为异常点，将该异常点抛弃；

若样本空间未达最低初始化数据容量，则判断新数据点是否满足经验容许均值范围，若满足该范围，则将新数据填入样本空间并计算当前样本空间数据标准差；若不满足该范围，则判断是否为故障，若是故障，则报警并清空样本空间，若不是故障，则为异常点，将该异常点抛弃；

采集下一监测数据，重复以上步骤。

为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以汽轮机故障判别程序验证为具体算例来说明本申请的技术方案。

对数据饱和的处理采用设置样本空间最大值的方法，最大值为720。设置连续两异常点触发报警。容许标准差、样本空间重建的容许标准差均根据具体情况确定，且为使验证简洁没有引入容许均值。认为样本空间中有60数据点后已具有充足数据，样本空间重建过程中在10-20数据点阶段进行故障判别。

以下为针对2018年12月8号机组8号轴承X方向轴振进行故障判别的验证程序，对其他测点和时间段的验证仅需在此程序基础上做简单修改，程序运行于MATLAB：

针对其故障识别结果说明如下：

对照8号机组2018年3月-2019年3月的轴系故障记录资料，我们以上述验证程序为基础，做适当调整后对记录在案的故障进行了识别。验证结果如下：

(1)2018年12月8号机组2号轴瓦振动波动；

相关记录显示，2018年12月13日，8号机组2号轴瓦出现轴振波动，波动发生在17：20分左右，18:46分基本恢复正常，期间发生了轴振的突升并在高位保持一段时间。

用验证程序对2018年12月的8号机组2号轴承X方向轴振数据进行了故障判别，设置验证程序的容许标准差为[1.5,5]，重置阶段最大容许标准差为3，判别结果如图8所示。

首先对12月13日附近的判别情况做进一步观察，如图9所示。用数据游标选出当天的三个报警点，并将其横坐标由包含日期信息的数字序列重新转换为以字符串表示的日期形式，如图10所示。(该图对于结果的说明并无实际影响且较占篇幅，后续示例中将省略该图直接引用转换后的日期坐标)。

可见在大幅的轴振波动发生前夕，在16:10左右就验证程序已经识别出系统的异常，并且在一小时有余的样本空间重置后，验证程序恢复识别，并立即再次报警。此时的轴振数值是31um左右，且可知2号轴承处存在故障。若在此时采取恰当的措施无疑可以提前确定故障位置并寻求解决方案，避免轴振的进一步提升。

此外，需要注意的是，若不依赖此验证程序，依靠人工检查是很难在此时间点发现故障的。可以将报警点之后的数据隐藏以模拟实际的监控界面，如图11所示。

无疑，若既无标红的报警点，又无正常值上下限曲线、均值曲线用做参考，仅仅面对一条实际振幅曲线，工作人员是很难在报警时刻就意识到轴振即将发生突升的，而就是此判断程序对故障提前预警的实际价值所在。

除13日的故障外，观察整个十二月的故障识别情况，可见在几次大的轴承震荡过程中程序都做出了及时的预警，且在实际应用中若数据的刷新率加快，预警时间还能有最高两分钟的提前。这说明对于这部分故障该验证程序的判断是准确的。

在非常明显的故障之外，验证程序还对多处轴振的异常降低进行了示警。因缺乏相关记录，暂无法确定该处是否可被视为故障。但考虑到其频次较低且确实发生了状态的改变，认为对这些部分引起重视也是有意义的。若将这部分变动视作正常的轴振波动也可通过适当调高标准差的许可下限来将其消除。

(2)2019年2月8号机组2、3、4轴振异常波动；

根据相关记录，2019年2月26日7时15分-7时39分，因8号机组2-4号轴瓦振动持续上升，运行人员将汽轮机负荷降低，振动稳定后运行人员将负荷升高，振动未再异常变化。

用验证程序对2019年2月的8号机组2号轴承X方向轴振数据进行了故障判别，因肉眼可见2号轴承的振幅波动增大，故适当增大容许标准差的最低值，设置验证程序的容许标准差为[2,5]，重置阶段最大容许标准差为3，判别结果如图12所示。

可见其对记录在案的26日的轴振波动做出了报警。放大观察并标注报警点、轴振最低点，如图13所示。可见第一次报警时间为06:34，轴振最低点出现时间为06:47，第二次报警时间为07:36。

具体识别过程为6:34分监测到异常数据并报警，样本空间重置。一小时的重置完成后立即在7:36再次报警。对比操作人员在7:15注意到数据的异常，验证程序的识别提前了近一小时。在真实的运行过程中，这可以帮助操作人员及早做好相应的处置准备。

观察2月其他的报警点，对于其他数次较大的轴振波动也都做出了准确预警。对于其他报警点报警后也出现了较明显的轴振变动，发出提醒具有一定的意义。

(3)2018年4月10号轴承异常振动；

根据相关记录，4月9日11时19分58，10号轴承盖振开始异常增大，11时29分达到最大值，相邻的8、9号轴承轴振、盖振、温度未发生明显变化。

用验证程序对2018年4月的8号机组10号轴承X方向轴振数据进行了故障判别。因10号轴承本身振幅较小，波动也较小，故为其设置小的最小容许标准差[0.5,5]，重置阶段最大容许标准差也设为0.5。判别结果如图14所示。

可见验证程序在4月9日进行了报警。放大观察并标注报警点，如图15所示。可见报警时间为11:21，从11:19：58出现轴振异常增大到发出报警仅用时两分钟，且在更高刷新率的数据点输入下此用时可进一步缩小。

观察10号轴承X轴振在四月的其他报警信息，可见除升功率阶段出现数次报警外均显示为正常，与较平稳的振动曲线相吻合，相应的此段时间也没有异常故障的记录。这说明该验证程序的识别是切实有效的，并不会在运行正常阶段出现较多数量的不合理误报。

针对以上具体实施的几点说明：

1.上述提供的验证程序示例仅作为本发明有益效果和实施方式的证明材料，具体实施于汽轮机运行监测时应根据现场情况进行调整完善。

2.样本空间的初始化过程需要采集到足够多的数据量(本验证程序设置最低初始化数据量为60，可视具体情况调整)，才能支持有效的时序概率统计判别。本验证程序中数据更新频率是1min/数据点，故最初的1小时内将无法依据时序概率方法进行运行状况判断。最低初始化数据量的设置，主要考虑尽快进入有效的时序概率统计判别工作流程，但样本空间初始化的数据积累过程是不可避免的。

3.在达到最低初始化数据量之后，初始样本数据的偶然性仍可能导致其标准差或均值过多地偏离其真值，因此设置经验容许标准差范围或经验容许均值范围作为辅助性判据，来帮助渡过样本空间初始化过程。在样本空间数据量足够多之后(本验证程序设置为720，可视具体情况调整)，经验容许标准差范围或经验容许均值范围失去效用。上述提供验证程序中的经验容许标准差范围设定，系依据特定的汽轮机上特定监测点的历史数据统计结果。

4.通过设置样本空间的最大数据量来保证时序概率统计判别对汽轮机状态缓慢变化的适应能力。在样本空间达到最大数据量后，纳入最新时间点数据的同时，将最前端时间点的数据剔除出样本空间。设置最大数据容量值的主要参考依据是汽轮机运行时间和数据更新频率，本验证程序以汽轮机每运行12小时为一个周期更新样本空间的全部数据，在常规的汽轮机监测数据更新频率为1min/数据点的情况下，最大数据容量设置为720，可以实现有效的运行状态判别；但如果认为汽轮机运行状态变化较快，可将样本空间数据的更新周期缩短，则最大数据容量亦随之减少，如又认为最大数据容量不足以维持有效的时序概率统计判别(标准差或均值过多地偏离经验容许标准差范围或经验容许均值范围)，则应考虑提高数据更新频率。

5.监测数据中的孤立异常点频次较高，带有明显的偶然性，因此应设置多连续异常点触发报警；孤立的异常点数据不进入样本空间。本验证程序设定两连续异常点报警，主要考虑在消除了大量误报警的同时减少报警反映延迟；数据更新频率较高的情况中，也可考虑采用三连续异常点或更多连续异常点报警，在提高报警准确率的同时，并不会造成明显的报警反映延迟。

6.本验证程序中有关最低初始化数据量、经验容许标准差范围或经验容许均值范围、样本空间最大数据量、连续异常点报警等的取值，是参考性的，仍存在进一步优化的余地。可以在具体实施中结合汽轮机运行监测人员的经验进行修正，也可以将一系列备选数值带入历史数据，通过试运行其漏报警率和误报警率来优化参数设置。此外，也可以采用为监测数据设置随时间衰减的权值的方法取代样本空间最大数据量设置，同样可以保证时序概率统计判别对汽轮机状态缓慢变化的适应能力，但算法较为复杂。

7.本验证程序同时表明本方法具有一定的故障预警能力，即在明显的轴振突变前夕连续报警，预测故障即将发生。

相较于目前设定正常运行指标对汽轮机进行故障判断的传统方法，本发明通过暂时放弃困难的运行数据正常值确定工作，仅需大致指定数据的容许标准差和均值范围即可完成故障判别，且易于实现，具有较强的实用价值，在验证程序中表现出了较为理想的故障识别效果和一定的故障预测能力。本方法对设计除使用汽轮机以外的其它船舶的动力设备故障监测方案提供了理论基础。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于时序概率的汽轮机运行监测和故障判别方法，其特征是，包括以下步骤：

获取汽轮机运行监测数据，构建时序样本空间；

计算样本空间满足正态分布设定概率的数据区间；

继续获取汽轮机运行监测数据，并判断监测数据是否位于数据区间，若监测数据位于数据区间内，则更新时序样本空间，若监测数据位于数据区间外，则判断汽轮机是否出现故障。

2.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，汽轮机的运行监测数据包括轴振数据、温度数据。

3.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，时序样本空间的构建过程为：

初始化样本空间，将获取的汽轮机运行监测数据填入样本空间，直至样本空间内数据量达到设定值。

4.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，更新时序样本空间的过程为：

若时序样本空间已达最大数据容量，将位于数据区间的监测数据填入时序样本空间，并剔除最前端时间点监测数据，或为不同时间点监测数据设置随时间衰减的权值。

5.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，更新时序样本空间的过程为：

若时序样本空间未达最大数据容量，但时序样本空间已达最低初始化数据容量，则将位于时序样本空间标准差范围内的监测数据填入时序样本空间。

6.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，更新时序样本空间的过程为：

若时序样本空间未达最大数据容量，但时序样本空间已达最低初始化数据容量，且监测数据位于时序样本空间标准差范围外，则将位于经验容许标准差范围内的监测数据填入时序样本空间。

7.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，更新时序样本空间的过程为：

若时序时序样本空间未达最大数据容量，且时序样本空间未达最低初始化数据容量，则将满足经验容许均值范围的监测数据填入时序样本空间。

8.如权利要求1所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，判断汽轮机是否出现故障时，将位于数据区间外的监测数据作为异常点，当连续异常点数量超过设定值时，判定为汽轮机出现故障，则进行报警并清空时序样本空间，并重新构建时序样本空间。

9.如权利要求8所述的基于时序概率的汽轮机运行监测和故障判别方法，其特征是，若连续异常点数量未超过设定值，则将异常点数据删除。

10.一种基于时序概率的汽轮机运行监测和故障判别系统，其特征是，包括：

构建模块，用以获取汽轮机运行监测数据，构建时序样本空间；

计算模块，用以计算样本空间满足正态分布设定概率的数据区间；

判断模块，用以继续获取汽轮机运行监测数据，并判断监测数据是否位于数据区间，若监测数据位于数据区间内，则更新时序样本空间，若监测数据位于数据区间外，则判断汽轮机是否出现故障。

Images