CN112132394B - 一种电厂循环水泵预测性状态评估方法及系统 - Google Patents
一种电厂循环水泵预测性状态评估方法及系统 Download PDFInfo
- Publication number
- CN112132394B CN112132394B CN202010851267.7A CN202010851267A CN112132394B CN 112132394 B CN112132394 B CN 112132394B CN 202010851267 A CN202010851267 A CN 202010851267A CN 112132394 B CN112132394 B CN 112132394B
- Authority
- CN
- China
- Prior art keywords
- data
- water pump
- circulating water
- predicted
- operation data
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 238000011156 evaluation Methods 0.000 title claims description 22
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 24
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000001272 neurogenic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开了一种电厂循环水泵预测性状态评估方法及系统，对循环水泵机组的原始运行数据进行离群点剔除和去噪，将去噪后的原始运行数据进行分类，基于分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组在未来时间段内的预测运行数据，采用在线状态监测方法根据预测运行数据计算循环水泵机组在未来时间段内的期望数据，根据期望数据和预测运行数据的残差了解设备状态，实现预测性状态评估。利用数据驱动的经验模型代替传统物理模型建立困难且精度不足的问题，直观有效地实现循环水泵的状态预报，实现核电厂循环水泵的事后维修制度向预测性维修制度转换，从而提高核电设备运行的安全性和经济性。
Description
技术领域
本发明属于电厂设备状态评估领域，特别涉及一种电厂循环水泵预测性状态评估方法及系统。
背景技术
循环水系统作为核电厂的最后热阱，称之为核电厂的血液，其设备运行状态直接影响核电厂机组能否正常运行。循环水泵是该系统的关键设备，目前国内核电厂对循环水泵的维修处于事后维修和定期检修，存在解体工期长、过度维修、费效比高，智能化水平低下等问题，急需完成预测性维修制度改革。而国内核电技术起步较晚，现有的在线状态监测评估技术(AAKR等)时效性差，远不能满足核电厂预防性维护的需求。同时，目前国内对核电厂设备预测性维护的研究极少，亟需研究一种科学有效、高精度的预测性状态评估方法。
发明内容
本发明的目的在于提供一种电厂循环水泵预测性状态评估方法及系统，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种电厂循环水泵预测性状态评估方法，包括以下步骤：
步骤1)，对循环水泵机组的原始运行数据进行离群点剔除和去噪，将去噪后的原始运行数据进行分类；
步骤2)，建立循环水泵运行状态预测模型，基于分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组在未来时间段内的预测运行数据；
步骤3)，采用在线状态监测方法根据预测运行数据计算循环水泵机组在未来时间段内的期望数据；
步骤4)，计算步骤2)中的预测运行数据与步骤3)中的期望数据的残差值，如果残差值小于预警阈值，则判定循环水泵机组运行正常；如果残差值大于等于预警阈值，则进行预警。
进一步的，基于动态更新的3σ准则对循环水泵机组的原始运行数据进行离群点剔除和去噪。
进一步的，具体包括以下步骤：利用分类后的原始运行数据中前60％-65％的原始运行数据进行训练，后35％-40％的原始运行数据作为预测。
进一步的，循环水泵运行状态预测模型中损失函数采用MAE，采用Adam优化算法进行优化。
进一步的，使用长短期记忆网络(LSTM)进行循环水泵预测模型训练。对循泵数据进行划分，用前60％-65％的数据来训练循泵预测模型，最终输出后40％-35％的循环水泵预测运行数据，即未来一段时间循环水泵运行的预测运行数据。
进一步的，根据循环水泵机组的历史正常数据集，使用自联想核回归方法，对预测运行数据和正常历史数据进行回归分析，得到预测运行数据对应在未来时间段内的期望数据。
进一步的，1)、从循环水泵机组的原始运行数据中获取正常运行的历史数据样本X，计算步骤2)预测运行数据与历史数据样本X的距离矩阵d；
其中，dj是预测运行数据与历史数据样本第j个时刻的距离，是预测运行数据xq的第i个传感器的预测值，/>是历史数据样本第j个时刻第i个传感器的样本值，/>是待测向量与历史数据样本中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
2)、根据距离矩阵d计算权重矩阵：
其中，为核函数的带宽，用于控制范围相近的有效距离；
3)、综合核函数分配待测数据的权重矩阵w：
4)、输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
式中，即循环水泵运行状态预测模型的输出值，即预测运行数据x的期望数据；wi为第i个样本的权重，Xi,j是历史数据样本中第j个传感器的第i个时刻的样本。
进一步的，设定预警阈值和故障阈值，如果预测运行数据和期望数据的残差值小于预警阈值，则判定循环水泵机组在所预测的未来这段时间状态正常；如果残差值介于预警阈值和故障阈值之间，则判断该循环水泵机组在未来这段时间运行异常，进行检测预警；如果残差值大于等于故障阈值，进行故障预警。
一种电厂循环水泵预测性状态评估系统，包括数据获取模块、数据去噪分类模块、循环水泵运行状态预测模块、循环水泵运行期望数据计算模块和评估预测模块。
数据获取模块用于获取循环水泵机组的原始运行数据，并将获取的原始运行数据传送至数据去噪分类模块；
数据去噪分类模块对获取的原始运行数据进行离群点剔除、去噪以及分类，并将分类后的原始运行数据传送至循环水泵运行状态预测模块；
循环水泵运行状态预测模块根据分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组在未来时间段内的预测运行数据，并将预测运行数据传输至循环水泵运行期望数据计算模块和评估预测模块；
循环水泵运行期望数据计算模块根据预测运行数据计算循环水泵机组在未来时间段内的期望数据；
评估预测模块根据评估预测模块和期望数据进行循环水泵状态评估，并将评估参数进行输出。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种电厂循环水泵预测性状态评估方法，对循环水泵机组的原始运行数据进行离群点剔除和去噪，将去噪后的原始运行数据进行分类，基于分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组在未来时间段内的预测运行数据，采用在线状态监测方法根据预测运行数据计算循环水泵机组在未来时间段内的期望数据，根据期望数据和预测运行数据得到状态预测值，解决了传统RNN由于训练长序列数据的梯度消失问题，非常适用于时间序列数据海量的电厂设备预测，利用数据驱动的经验模型代替传统物理模型建立困难且精度不足的问题，直观有效地实现循环水泵的状态预报，实现核电厂循环水泵的事后维修制度向预测性维修制度转换，从而提高核电设备运行的安全性和经济性。
进一步的，设定预警阈值和故障阈值，提高了预警判断精度。
本发明一种核电厂循环水泵预测性状态评估系统，能够充分利用电厂循环水泵海量监测数据，直观有效实现电厂循环水泵的预防性维护，减少不必要的维修造成的设备损伤以及突发故障导致的电厂紧急停机具有重要意义。
附图说明
图1为本发明实施例中方法流程图。
图2为本发明实施例中LSTM内部数据传递方式说明图。
图3为本发明实施例中仪表A LSTM模型预测值传感器实测值对比图。
图4为本发明实施例中仪表B LSTM模型预测值传感器实测值对比图。
图5为本发明实施例中仪表B LSTM预测运行数据和期望数据对比图。
图6为本发明实施例中仪表B期望数据和预测运行数据的残差图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
循环水泵机组的体积和重量庞大(高20余米，直径约8米，重约超过100吨)。机组核心设备和仪表繁多，相关系统包括电机、齿轮箱、叶轮以及润滑油系统等20余项，仪表80余块。大修解体的维修工期数月，未知的全部解体检修耗时长，投入大量的人力和物力，成本极高，这种事后维修方式人力物力花费巨大。通过本发明，可预测循环水泵在未来一段时间的运行数据，并将该数据进行回归估计，评估未来这段时间循环水泵的运行状态。根据预测的设备状态，判断是否需要调整未来一段时间的检修排程。
循环水泵由传感器测得的数据点是在时间上是具有相关性的海量时间序列数据，称为循环水泵机组的原始运行数据，本发明利用数据驱动的经验模型代替传统物理模型建立困难、精度不足且无法实现在线状态预测评估的问题。
如图1所示，一种电厂循环水泵预测性状态评估方法，包括以下步骤：
步骤1)，对循环水泵机组的原始运行数据进行离群点剔除以及去噪，将去噪后的原始运行数据进行分类；
循环水泵机组的原始运行数据由循环水泵仪表采集得到，按标签对去噪后的原始运行数据进行分类；
具体的，基于动态更新的3σ准则对循环水泵机组的原始运行数据进行离群点剔除和去噪，具体包括以下步骤：
1)、获取当前i时刻之前循环水泵仪表采集的循环水泵机组的原始运行数据x(1)，x(2)，…，x(i)，计算原始运行数据相邻时间点间变化量的标准差σi；
2)、检验时刻x(i)是否为离群点的检验：计算当前时刻与前一相邻时间点间循环水泵机组运行数据的变化量δx(i)，若|δx(i)|>3σi，进入步骤3)，否则返回步骤1)，进行下一时刻x(i+1)是否为离群点的检验；
3)、重构传感器测量值中离群点x(i)：x(i)＝(x(i-1)+x(i+1))/2。
步骤2)，建立循环水泵运行状态预测模型，基于分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组未来时间段运行数据；
具体的，本申请循环水泵运行状态预测模型采用长短期记忆网络(LSTM)模型，进行未来一段时间的预测；获得预测运行数据。
LSTM的核心是细胞状态——最上层的横穿整个细胞的水平线，它通过门来控制信息的增加或者删除。门是一种让信息选择式通过的方法，它由一个Sigmoid层和点乘操作组成。Sigmoid层输出0到1之间的数值，描述每个部分有多少量可以通过。0代表“不许任何量通过”，1就指“允许任意量通过”。LSTM共有三个门，分别是遗忘门，输入门和输出门。
遗忘门决定丢弃哪些信息，输入是上一个神经元细胞的计算结果ht-1以及当前的输入向量xt，二者联接并通过遗忘门后(Sigmoid会决定哪些信息留下，哪些信息丢弃)，会生成一个值为0到1向量(维度与上一个神经元细胞的输出向量ct-1相同)，/>与ct-1进行点乘操作后，就会获取上一个神经元细胞经过计算后保留的信息。
输入门表示要保存的信息或者待更新的信息，(如图2所示)，是ht-1与xt的连接向量，经过Sigmoid层后得到输入们的输出结果计算该神经元细胞的输出结果，即新细胞的更新状态：ct，有
其中，即输入门的计算结果点乘ht-1与xt的连接向量经过tanh层计算的结果后，再与上一个神经元细胞经过计算后保留的信息进行相加，则是最终要输出的ct。
输出门决定当前神经原细胞输出的隐向量ht，ht与ct不同，ht是ct进过tanh计算后与输出门的计算结果进行点乘操作后的结果，用公式描述是：
步骤2)的具体实施方法如下：
a)、对数据进行适配处理，其中包括将数据集(分类后的原始运行数据)转化为监督学习问题和归一化变量(包括输入和输出值)，使其能够实现通过前一个时刻(i-1)的运行数据预测当前时刻(i)的运行数据；
b)、加载“运行训练数据.csv”文件，并利用预处理模块对原始运行数据的类别特征进行编码，所有的特征进行归一化处理，然后将数据集(分类后的原始运行数据)转化为有监督学习问题，同时将需要预测的当前时刻(i)的运行情况特征移除。
c)、构造模型：将分类后的原始运行数据划分为训练集和测试集，采用训练集的数据前60％-65％时刻的数据进行训练，对后40％的数据进行预测。LSTM模型中，隐藏层有50个神经元，输出层1个神经元(回归问题)，输入变量是一个时间步(i-1)的特征，损失函数采用Mean Absolute Error(MAE)，优化算法采用Adam，设置神经网络纪元(epochs)以及batch的大小；利用优化训练和测试后绘制预测图，输出预测运行数据。
步骤3)，利用步骤2)中预测运行数据，对该数据进行在线状态评估：根据循环水泵机组的历史正常数据集，使用自联想核回归方法(AAKR)，对预测出的预测运行数据和正常历史数据进行回归分析，得到这组预测运行数据对应在未来时间段内的期望数据。
进一步地，步骤3)具体实施方法如下：
1)、从循环水泵机组的原始运行数据中获取正常运行的历史数据样本X，计算步骤2)预测运行数据与历史数据样本X的距离矩阵d；
其中，dj是预测运行数据与历史数据样本第j个时刻的距离，是预测运行数据xq的第i个传感器的预测值，/>是历史数据样本第j个时刻第i个传感器的样本值，/>是待测向量与历史数据样本中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
2)、根据距离矩阵d计算权重矩阵：
其中，为核函数的带宽，用于控制范围相近的有效距离；
3)、综合核函数分配待测数据的权重矩阵w：
4)、输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
式中，即循环水泵运行状态预测模型的输出值，即预测运行数据x的期望数据；wi为第i个样本的权重，Xi,j是历史数据样本中第j个传感器的第i个时刻的样本。
步骤4)，计算步骤3)中求得的期望数据和步骤2)中所得的预测运行数据的残差值，如果残差值小于预警阈值，则判定循环水泵机组运行正常；如果残差值大于等于预警阈值，则进行预警。
本申请设定预警阈值和故障阈值，为了提高预警判断精度，具体判断过程中，将残差值及设定的预警阈值及故障阈值进行对比分析，判断预测值和期望值的残差是否小于预警阈值。如果预测运行数据和期望数据的残差值小于预警阈值，则判定循环水泵机组在所预测的未来这段时间(即预测运行数据的时间段)状态基本正常，取消近期检修计划；如果残差值介于预警阈值和故障阈值之间，则判断该循环水泵机组在未来这段时间运行异常，存在风险，触发预警，并根据仪表代号定位未来预警位置，安排定期检修，防止故障发展；如果残差值大于等于故障阈值，判定该循环水泵机组设备预测范围内出现故障，需要尽快检修或更换仪表定位的部件，防止紧急停机。
通过上述方法，对于循环水泵A、B两个仪表进行未来状态预测和状态评估。对比实测值和预测值可得出，模型预测的精度较好，满足实际工程需求。(如图3、4所示)。再将仪表B的LSTM模型输出的预测运行数据输入到自联想核回归(AAKR)模型中去，获得仪表B假设运行正常时的期望数据。(如图5所示)图中可见预测值和期望值有波动但误差较小。对仪表B进行残差计算(如图6所示)，残差范围在(-0.003，0.003)之间，属于正常范围内，即可判断未来既定时间范围内仪表以及该部件不需要安排检修。
本发明基于数据驱动的核电厂循环水泵预测性状态评估方案，能充分利用核电厂海量监测数据隐含信息，直观有效实现核电厂循环水泵的预防性维护，有效弥补了现有AAKR技术时效性差的不足，扩大了AAKR等在线监测技术的工程使用范围。同时，本发明对改变目前国内核电厂基于结果的维修策略，减少不必要的维修造成的设备损伤以及突发故障导致的核电厂紧急停机具有重要意义。
本发明方法为检修排程提供有效建议：模型结果显示正常时，在预测的时间范围内该部件应取消检修以免过度检修；模型结果属于预警时，在预测的时间范围内该部件应提前检修防止故障发生；模型结果属于故障时，在预测的时间范围内该部件建议提前更换以免紧急停机。
本方法结合附图充分展示了其在预测性状态评估领域的有效性，对于实现核电厂循环水泵的预测性维修及安排检修排程具有重要理论意义和工程价值。
Claims (7)
1.一种电厂循环水泵预测性状态评估方法，其特征在于，包括以下步骤：
步骤1)，对循环水泵机组的原始运行数据进行离群点剔除和去噪，将去噪后的原始运行数据进行分类；
步骤2)，建立循环水泵运行状态预测模型，基于分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组在未来时间段内的预测运行数据；
步骤3)，采用在线状态监测方法根据预测运行数据计算循环水泵机组在未来时间段内的期望数据；
根据循环水泵机组的历史正常数据集，使用自联想核回归方法，对预测运行数据和正常历史数据进行回归分析，得到预测运行数据对应在未来时间段内的期望数据；具体的：
1)、从循环水泵机组的原始运行数据中获取正常运行的历史数据样本X，计算步骤2)预测运行数据与历史数据样本X的距离矩阵d；
其中，dj是预测运行数据与历史数据样本第j个时刻的距离，是预测运行数据xq的第i个传感器的预测值，/>是历史数据样本第j个时刻第i个传感器的样本值，/>是待测向量与历史数据样本中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
2)、根据距离矩阵d计算权重矩阵：
其中，h为核函数的带宽，用于控制范围相近的有效距离；
3)、综合核函数分配待测数据的权重矩阵w：
4)、输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
式中，即循环水泵运行状态预测模型的输出值，即预测运行数据x的期望数据；wi为第i个样本的权重；
步骤4)，计算步骤2)中的预测运行数据与步骤3)中的期望数据的残差值，如果残差值小于预警阈值，则判定循环水泵机组运行正常；如果残差值大于等于预警阈值，则进行预警。
2.根据权利要求1所述的一种电厂循环水泵预测性状态评估方法，其特征在于，基于动态更新的3σ准则对循环水泵机组的原始运行数据进行离群点剔除和去噪。
3.根据权利要求2所述的一种电厂循环水泵预测性状态评估方法，其特征在于，具体包括以下步骤：利用分类后的原始运行数据中前60％-65％的原始运行数据进行训练，后35％-40％的原始运行数据作为预测。
4.根据权利要求3所述的一种电厂循环水泵预测性状态评估方法，其特征在于，循环水泵运行状态预测模型中损失函数采用MAE，采用Adam优化算法进行优化。
5.根据权利要求4所述的一种电厂循环水泵预测性状态评估方法，其特征在于，使用长短期记忆网络(LSTM)进行循环水泵预测模型训练，对循泵数据进行划分，用前60％-65％的数据来训练循泵预测模型，最终输出后40％-35％的循环水泵预测运行数据，即未来一段时间循环水泵运行的预测运行数据。
6.根据权利要求1所述的一种电厂循环水泵预测性状态评估方法，其特征在于，设定预警阈值和故障阈值，如果预测运行数据和期望数据的残差值小于预警阈值，则判定循环水泵机组在所预测的未来这段时间状态正常；如果残差值介于预警阈值和故障阈值之间，则判断该循环水泵机组在未来这段时间运行异常，进行检测预警；如果残差值大于等于故障阈值，进行故障预警。
7.一种电厂循环水泵预测性状态评估系统，其特征在于，包括数据获取模块、数据去噪分类模块、循环水泵运行状态预测模块、循环水泵运行期望数据计算模块和评估预测模块；
数据获取模块用于获取循环水泵机组的原始运行数据，并将获取的原始运行数据传送至数据去噪分类模块；
数据去噪分类模块对获取的原始运行数据进行离群点剔除、去噪以及分类，并将分类后的原始运行数据传送至循环水泵运行状态预测模块；
循环水泵运行状态预测模块根据分类后的原始运行数据对循泵运行状态预测模型进行训练优化，并根据优化后的循泵运行状态预测模型预测得到循环水泵机组在未来时间段内的预测运行数据，并将预测运行数据传输至循环水泵运行期望数据计算模块和评估预测模块；
循环水泵运行期望数据计算模块根据预测运行数据计算循环水泵机组在未来时间段内的期望数据；
根据循环水泵机组的历史正常数据集，使用自联想核回归方法，对预测运行数据和正常历史数据进行回归分析，得到预测运行数据对应在未来时间段内的期望数据；具体的：
1)、从循环水泵机组的原始运行数据中获取正常运行的历史数据样本X，计算步骤2)预测运行数据与历史数据样本X的距离矩阵d；
其中，dj是预测运行数据与历史数据样本第j个时刻的距离，是预测运行数据xq的第i个传感器的预测值，/>是历史数据样本第j个时刻第i个传感器的样本值，/>是待测向量与历史数据样本中第j个时刻向量的最大平方差；计算n个输入示例的距离的结果是n个距离的向量，即距离矩阵d：
2)、根据距离矩阵d计算权重矩阵：
其中，h为核函数的带宽，用于控制范围相近的有效距离；
3)、综合核函数分配待测数据的权重矩阵w：
4)、输出被预测为无误差样本向量的加权平均，将其转化为方程式形式，得到以下输出方程式：
式中，即循环水泵运行状态预测模型的输出值，即预测运行数据x的期望数据；wi为第i个样本的权重；
评估预测模块根据评估预测模块和期望数据进行循环水泵状态评估，并将评估参数进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010851267.7A CN112132394B (zh) | 2020-08-21 | 2020-08-21 | 一种电厂循环水泵预测性状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010851267.7A CN112132394B (zh) | 2020-08-21 | 2020-08-21 | 一种电厂循环水泵预测性状态评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132394A CN112132394A (zh) | 2020-12-25 |
| CN112132394B true CN112132394B (zh) | 2024-03-29 |
Family
ID=73851076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010851267.7A Active CN112132394B (zh) | 2020-08-21 | 2020-08-21 | 一种电厂循环水泵预测性状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132394B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926656A (zh) * | 2021-02-25 | 2021-06-08 | 西安交通大学 | 一种核电厂循环水泵状态预测方法、系统及设备 |
| CN113719446A (zh) * | 2021-08-31 | 2021-11-30 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种基于数据挖掘的汽动给水泵状态监测系统 |
| CN114091811A (zh) * | 2021-10-14 | 2022-02-25 | 中国核电工程有限公司 | 一种核电厂循环水泵维修决策系统及设计方法 |
| CN113985735A (zh) * | 2021-10-26 | 2022-01-28 | 华能重庆两江燃机发电有限责任公司 | 一种基于lstm神经网络的联合循环机组冷端综合节能优化系统 |
| CN114418163A (zh) * | 2021-11-30 | 2022-04-29 | 三门核电有限公司 | 一种核电设备冷却水热交换器预测性运维方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104153981A (zh) * | 2014-02-19 | 2014-11-19 | 东南大学 | 一种用于电站循环水泵启停时背压数据的预估方法 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
| CN111461551A (zh) * | 2020-04-01 | 2020-07-28 | 未必然数据科技(北京)有限公司 | 一种基于深度学习和spc准则的电潜泵故障预警方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
-
2020
- 2020-08-21 CN CN202010851267.7A patent/CN112132394B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104153981A (zh) * | 2014-02-19 | 2014-11-19 | 东南大学 | 一种用于电站循环水泵启停时背压数据的预估方法 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
| CN111461551A (zh) * | 2020-04-01 | 2020-07-28 | 未必然数据科技(北京)有限公司 | 一种基于深度学习和spc准则的电潜泵故障预警方法 |
Non-Patent Citations (4)
| Title |
|---|
| 1050 MW超超临界机组循环水泵运行方式及节能效益分析;夏金玲;宋吉虎;吴鲁东;;华电技术(第02期);全文 * |
| Experimental short-term investigation of model predictive heat pump control in residential buildings;Sebastian Kuboth等;Energy and Buildings;全文 * |
| 基于E-LSTM循环神经网络的制冷设备状态预测;徐晨蕊;贾克斌;刘鹏宇;;测控技术(第12期);全文 * |
| 基于大数据技术的电厂设备状态评估和预警应用研究;胡杰;唐静;谢仕义;王云;;华电技术(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132394A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| Liu et al. | A new hybrid model based on secondary decomposition, reinforcement learning and SRU network for wind turbine gearbox oil temperature forecasting | |
| CN116050665B (zh) | 供热设备故障预测方法 | |
| KR102156858B1 (ko) | 로봇 팔의 고장 진단 및 예측 방법 | |
| Liu et al. | Model fusion and multiscale feature learning for fault diagnosis of industrial processes | |
| CN115658671B (zh) | 基于深度学习的集装箱港口装卸设备故障数据补全方法 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 | |
| CN114002597A (zh) | 基于gru网络定子电流分析的电机故障诊断方法与系统 | |
| CN117010263A (zh) | 一种基于卷积神经网络和长短期记忆网络的剩余寿命预测方法 | |
| Velasco-Gallego et al. | Mar-RUL: A remaining useful life prediction approach for fault prognostics of marine machinery | |
| CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
| CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
| CN118035866A (zh) | 基于专家网络的铝挤压设备故障诊断方法 | |
| CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
| CN118296516A (zh) | 一种基于层级时间记忆的在线工控异常检测算法 | |
| Andryushin et al. | Application of neural network technologies in power engineering | |
| Dhiman et al. | Enhancing wind turbine reliability through proactive high speed bearing prognosis based on adaptive threshold and gated recurrent unit networks | |
| Liu et al. | Wind turbine spindle operating state recognition and early warning driven by SCADA data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |