CN113530619A - 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法 - Google Patents

基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法 Download PDF

Info

Publication number
CN113530619A
CN113530619A CN202110951241.4A CN202110951241A CN113530619A CN 113530619 A CN113530619 A CN 113530619A CN 202110951241 A CN202110951241 A CN 202110951241A CN 113530619 A CN113530619 A CN 113530619A
Authority
CN
China
Prior art keywords
lubricating oil
correlation
trip
parameters
temperature
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
Application number
CN202110951241.4A
Other languages
English (en)
Inventor
吴奕嬉
徐正国
熊勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110951241.4A priority Critical patent/CN113530619A/zh
Publication of CN113530619A publication Critical patent/CN113530619A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/14—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for responsive to other specific conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/18—Lubricating arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，该方法可根据润滑油系统润滑油压力及与其相关的运行参数历史数据，在线捕捉到可能发生的跳机异常。而且由于本发明的基于润滑油系统运行参数相关性分析的汽轮机润滑油压低跳机征兆捕捉方法是根据运行参数的相关关系是否发生异常变化来进行跳机前异常征兆捕捉的，计算简单，容易实现，泛化能力强。这种基于相关性系数的方法不需要增加额外的检测设备，也不需要针对汽轮机润滑油系统建立复杂的物理模型，只需要润滑油压力和与润滑油压力相关的机组运行参数的历史数据就能完成跳机前异常征兆捕捉模型的建立，大大提高首次检测到跳机异常的时间。

Description

基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法
技术领域
本发明涉及大型火力发电机组润滑油压低跳机前异常检测技术领域，更确切地说涉及一种基于润滑油系统运行参数相关性分析的汽轮机润滑油压低跳机征兆捕捉方法。
背景技术
润滑油系统是汽轮机的主要辅助系统之一，它用于向汽轮机的各个部件提供油源，如支撑转子的轴承，联轴器以及密封装置等。一旦其发生异常跳机，不仅会造成安全事故，而且对电厂将造成巨大的经济损失。然而由于其特殊的工作条件，汽轮机的润滑油系统极易产生异常甚至发生故障，因此，如果能够提前检测出可能发生的跳机故障，就可以做好准备，甚至能够阻止故障的发生。目前，越来越多的研究将目光投向火电机组的异常检测，方法主要分为基于模型和基于数据两大类。基于模型的方法需要能够充分理解火电机组的机理，并建立准确的模型，这在复杂的工况下是十分困难的。基于数据的方法有如基于机器学习的方法，通过大量的案例数据，训练出一个合适的模型用于异常的检测。但是大量的用于训练模型的异常案例数据一般是难以获得的。
发明内容
本发明要解决的技术问题是，提出一种基于润滑油系统运行参数相关性分析的汽轮机润滑油压低跳机征兆捕捉方法，根据润滑油系统润滑油压力及与其相关的运行参数历史数据，在线捕捉到可能发生的跳机异常。
本发明的技术解决方案如下：
一种基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其包括如下步骤：
S1、获取待监测汽轮机在未出现跳机异常的正常时刻从润滑油系统中采集的润滑油压、轴承排油温度和冷油器后润滑油温度的历史采样数据，其中所述历史采样数据所涵盖的时段包含多个时间窗；
S2、以润滑油压和轴承排油温度作为线性相关参数组合，基于所述历史采样数据，计算每个时间窗内两个线性相关参数之间的相关性系数作为线性相关特征，得到正常时刻的线性相关特征范围；
S3、以轴承排油温度和冷油器后润滑油温度作为非线性相关参数组合，对所述历史采样数据中两个非线性相关参数的采样数据进行Box-Cox变换，再用变换后的数据计算每个时间窗内两个非线性相关参数之间的相关性系数作为非线性相关性特征，得到正常时刻的非线性相关性特征范围；
S4、对待监测汽轮机润滑油系统中的润滑油压、轴承排油温度和冷油器后润滑油温度进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算所述线性相关特征和所述非线性相关性特征，若根据线上采样数据得到的线性相关特征超过正常时刻的线性相关特征范围，同时根据线上采样数据得到的非线性相关性特征超过正常时刻的非线性相关性特征范围，则判定为会有跳机异常发生。
作为优选，所述两个线性相关参数之间的相关性系数和两个非线性相关参数之间的相关性系数均采用皮尔逊相关性系数。
作为优选，所述的历史采样数据预先经过数据清洗，剔除汽轮机非正常运行状态下的采样数据和其他异常值。
作为优选，所述的历史采样数据按照设定步长用时间窗进行数据提取，每一个时间窗内的数据用于计算一组线性相关特征和非线性相关性特征。
作为优选，所述Box-Cox变换中，通过极大似然估计法确定变换参数λ。
作为优选，所述S4中，线上实时采集待监测汽轮机润滑油系统中最近一个时间窗内的润滑油压、轴承排油温度和冷油器后润滑油温度的数据后，计算该时间窗内润滑油压和轴承排油温度之间的相关性系数作为线性相关特征，同时对该时间窗内的轴承排油温度和冷油器后润滑油温度采样数据进行Box-Cox变换，再计算Box-Cox变换后的轴承排油温度数据和Box-Cox变换后的冷油器后润滑油温度数据之间的相关性系数作为非线性相关性特征。
作为优选，所述的正常时刻的线性相关特征范围为[-1,-0.95]。
作为优选，所述的正常时刻的非线性相关特征范围为[0.9,1]。
相对于现有技术而言，本发明的有益效果如下：
本发明提出了一种基于润滑油系统运行参数相关性分析的汽轮机润滑油压低跳机征兆捕捉方法，该方法可根据润滑油系统润滑油压力及与其相关的运行参数历史数据，在线捕捉到可能发生的跳机异常。而且由于本发明的基于润滑油系统运行参数相关性分析的汽轮机润滑油压低跳机征兆捕捉方法是根据运行参数的相关关系是否发生异常变化来进行跳机前异常征兆捕捉的，计算简单，容易实现，泛化能力强。基于相关性系数的方法不需要增加额外的检测设备，也不需要针对汽轮机润滑油系统建立复杂的物理模型，只需要润滑油压力和与润滑油压力相关的机组运行参数的历史数据就能完成跳机前异常征兆捕捉模型的建立。基于该方法可以相对于实际发生的跳机更早捕捉到跳机的异常征兆，大大提高首次检测到异常的时间。
附图说明
图1为本发明案例中的润滑油压力原始曲线图。
图2为本发明案例中的润滑油压力和轴承排油温度的相关性系数曲线图。
图3为本发明案例中的Box-Cox变换后冷油器后润滑油温度和轴承排油温度的相关性系数曲线图。
图4为本发明案例中的归一化后的润滑油压力与异常指示时间段对照图。
具体实施方式
为了更好得理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。
下面本具体实施例用一个火力发电厂汽轮机润滑油压低的真实案例来阐述具体操作步骤以及验证所提出方法的有效性。
在该实施例中，提供了一种基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其具体实现步骤如下：
S1、采集机组运行参数的历史采样数据
本步骤主要是获取待监测汽轮机在未出现跳机异常的正常时刻的多种机组运行参数，然后分析参数间的相关性关系，进而构建历史采样数据集，具体步骤如下：
S101、挑选汽轮机的润滑油系统中与润滑油压力相关的机组运行参数，包括轴承排油温度、冷油器后润滑油温度(即经过冷油器冷却后的润滑油温度)。
S102、不断从汽轮机的润滑油系统中采样润滑油压、轴承排油温度和冷油器后润滑油温度的数据，采样的频率为1秒钟，建立历史采样数据库。
S103、识别汽轮机在上述采样时段内的运行状态，从历史采样数据中剔除汽轮机非正常运行状态下的采样数据和其他异常值。
S104、对历史采样数据中各运行参数之间的相关关系进行分析，润滑油压和轴承排油温度两者呈线性相关关系，轴承排油温度和冷油器后润滑油温度呈非线性相关关系。因此，以润滑油压和轴承排油温度作为线性相关参数组合，以轴承排油温度和冷油器后润滑油温度作为非线性相关参数组合。
本实施例中，根据步骤S1，历史采样数据集一共包含了3个运行参数的历史采样数据。其中润滑油压力如图1所示，其中灰色阴影部分表示异常时段，通过图1可以看出，仅通过润滑油压力曲线并不能及时有效的发现可能的异常，即使后面出现润滑油压偏低的现象，但此时已经太晚了。因此还需选取与润滑油压力相关的参数，即轴承排油温度和冷油器后润滑油温度，用于与润滑油压一起进行辅助判断。最终，为了满足后续的统计分析的要求，历史采样数据所涵盖的时段应当足够长，这些时段的历史采样数据按照设定步长用时间窗进行数据提取，每一个时间窗内的数据作为单个时段样本进行统计分析，用于计算一组线性相关特征和非线性相关性特征。由于这些历史采样数据中已经剔除了汽轮机非正常时刻运行时刻的数据，因此剩余的数据均为正常运行时刻的数据。
在本实施例中，时间窗的大小设置为3000滑动步长设置为1，后续S2和 S3中可将每个滑窗内的计算得到的相关性系数组成相关性系数曲线，并以滑窗的最后一个时刻作为计算当前窗口内相关性系数的时刻。
S2、计算正常时刻的线性相关特征范围
本步骤主要以润滑油压和轴承排油温度作为线性相关参数组合，基于前述历史采样数据，计算每个时间窗内两个线性相关参数之间的相关性系数作为线性相关特征，由此根据大量的正常时刻历史数据得出正常情况下线性相关系数的取值范围，即得到正常时刻的线性相关特征范围。具体包括以下步骤：
S201、针对历史采样数据的每个时间窗内采样数据，计算润滑油压力和轴承排油温度之间的相关性系数作为线性相关特征，相关性系数采用皮尔逊相关性系数，计算公式为
Figure BDA0003218712790000051
其中X,Y分别为润滑油压力和轴承排油温度运行参数时间序列，E表示期望，ρX,Y为其之间的相关性系数，范围为-1至1，负数表示负相关，0表示不相关，相关性系数绝对值越大，相关性越强；
S202、每一个时间窗均获得一个正常时刻的线性相关特征后，即可根据这些正常时刻的历史数据确定没有跳机异常发生时润滑油压力和轴承排油温度的线性相关特征范围。
本实施例中，如图2所示，是润滑油压力和轴承排油温度的相关性系数曲线图，可以看出，在正常时段，润滑油压力和轴承排油温度之间的相关性系数约为 -1，在发生异常前，二者的相关性系数突然出现一个向上的小波峰，在一定的回落后，相关性系数呈增大趋势变为正相关。在这期间，相关性系数发生了突变，而在正常的时段内，相关性系数变化平缓且在一个较小的范围内，因此满足S202 提出的作为指示变量的要求。然后再根据大量的历史数据，取正常时段润滑油压力和轴承排油温度的相关性系数取值范围为-0.95至-1，即当相关性系数大于 -0.95的时候判定为润滑油压力和轴承排油温度相关关系发生了异常。
S3、计算正常时刻的非线性相关特征范围
本步骤主要以轴承排油温度和冷油器后润滑油温度作为非线性相关参数组合，对前述历史采样数据中两个非线性相关参数的采样数据进行Box-Cox变换，再用变换后的数据计算每个时间窗内两个非线性相关参数之间的相关性系数作为非线性相关性特征，由此根据大量的正常时刻历史数据得出没有跳机异常情况下线性相关系数的取值范围，即得到正常时刻的非线性相关性特征范围。具体包括以下步骤：
S301、针对前述历史采样数据的每个时间窗内采样数据，先使用Box-Cox 变换对冷油器后润滑油温度和轴承排油温度进行变换。
Box-Cox变换的公式为
Figure BDA0003218712790000052
其中y为变换之前的参数值，λ为超参数。其中Box-Cox变换过程中采用的超参数λ，可以通过极大似然估计法确定。极大似然估计法属于现有技术，本实施例中，通过极大似然估计法确定超参数λ的步骤如下：
S3011、变换参数λ满足公式Yλ＝βX+e，e～N(0,δ2I)，这意味着通过 Box-Cox变换之后，向量X和Y具有线性关系，且误差服从正态分布；
S3012、通过极大似然估计法确定λ，β和δ2的似然函数为
Figure BDA0003218712790000061
其中J(λ,y)表示从y到y(λ) 的变换，具有如下的形式：
Figure BDA0003218712790000062
S3013、通过对似然函数求导，运用导数为0，得出β和δ2，通过β(λ)＝(XTX)-1XTYλ和
Figure BDA0003218712790000063
得到极大似然方程，再通过Lmax(λ)＝(2π)-2/n[δ2(λ)]-n/ 2J(λ,y)得到λ的值。
S302、然后求每个时间窗内经过Box-Cox变换之后的轴承排油温度和冷油器后润滑油温度之间的相关性系数作为非线性相关特征，相关性系数也采用皮尔逊相关性系数，计算公式与S201相同。
S303、根据S302计算得到每个正常时段的时间窗内非线性相关特征的值后，即可根据这些正常时刻的历史数据确定没有跳机异常发生时轴承排油温度和冷油器后润滑油温度的非线性相关特征范围。
本实施例中，根据上述步骤S3，先对冷油器后润滑油温度和轴承排油温度进行Box-Cox变换，然后再求得二者的相关性系数曲线，如图3所示。从图3 中可以看出，在正常时段，变换之后的冷油器后润滑油温度和轴承排油温度的相关性几乎为1，出现小的波动也在0.9以上，而在异常前，二者的相关性突然减弱，表现在相关性系数上为从1突变成0.5，并在较短的时间内出现回升，之后二者的相关性系数再突然减弱。异常前后，相关性系数有明显的变化，符合S303 中指示变量的要求。然后再根据大量的历史数据，取正常时段轴承的冷油器后润滑油温度和轴承排油温度相关性系数取值范围为1至0.9。
S4、基于线上采样数据的跳机异常征兆捕捉
本步骤主要对待监测汽轮机润滑油系统中的润滑油压、轴承排油温度和冷油器后润滑油温度进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算所述线性相关特征和所述非线性相关性特征，若根据线上采样数据得到的线性相关特征超过正常时刻的线性相关特征范围，同时根据线上采样数据得到的非线性相关性特征超过正常时刻的非线性相关性特征范围，则判定为会有跳机异常发生。因此，本步骤实际是结合S2和S3的两种特征量，使用逻辑与得到结果并作为最终的跳机异常判断指示量，采用这样的方式可以有效的减少误报的发生。具体包括以下步骤：
S401、对待监测汽轮机润滑油系统中的润滑油压和轴承排油温度进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算润滑油压力和轴承排油温度之间的皮尔逊相关性系数即线性相关特征，计算方法与S201相同。然后根据计算得到的线性相关特征，判断该线性相关特征是否超过正常时刻的线性相关特征范围[-1,-0.95]，如果超过记为1，未超过记为0。
S402、对待监测汽轮机润滑油系统中的冷油器后润滑油温度和轴承排油温度进行实时线上采样，并基于最近一个时间窗内的线上采样数据(所谓最近一个时间窗是指以当前时刻为基准的最近一段采样时间，该时段内的数据可以代表待监测汽轮机润滑油系统最新的运行状态，时间窗大小可以根据实际进行调整)，根据S301中得到的超参数λ对冷油器后润滑油温度和轴承排油温度进行Box-Cox 变换，再计算变换之后的冷油器后润滑油温度和轴承排油温度之间的皮尔逊相关性系数即非线性相关特征，计算方法与S301和S302相同。然后根据计算得到的非线性相关特征，判断该非线性相关特征是否超过正常时刻的非线性相关特征范围[0.9,1]，如果超过记为1，未超过记为0。
S403、结合S401和S402的结果进行“逻辑与”的运算，如果两者同时为1 则最终的结果为1，表示有异常，否则为0，表示没有异常。
本实施例中，根据上述S4，对之前的两种相关性特征进行综合，即在二者 同时超过阈值的时候才判定为有异常发生。我们用1表示此时为异常状态，0表 示为正常状态，检测出异常的曲线如图4所示，为了便于观察，我们将归一化后 的润滑油压曲线也绘制在图中，归一化的公式为
Figure RE-GDA0003268108500000071
其中ynew为归 一化后的值，ymax为原始一段润滑油压最大值，ymin为原始一段润滑油压最小值， y为需要归一化的润滑油压。通过图4可以读出，首次检测到异常的时间约在第 14110秒的时候。而通过电厂的现场记录报警的时间在第15340秒，提前了1230 秒，约0.34小时，相较于最终的跳机时间第16970秒提前了2860秒，约0.79 小时。
本发明基于皮尔逊相关性系数和Box-Cox变换方法，利用汽轮机润滑油压力和与润滑油压力相关的参数历史运行数据。在数据预处理阶段，本发明将历史运行参数中的异常数据进行剔除。根据相关性关系，将参数之间的相关性分为线性相关和非线性相关，对于线性相关的参数，使用皮尔逊相关性系数计算公式求得线性相关特征，最终选取的特征为润滑油压力和轴承排油温度相关性特征；对于非线性相关的参数，先使用Box-Cox变换对运行参数转换，然后再使用皮尔逊相关性系数得到非线性相关特征，最终选取的特征为Box-Cox变换之后的冷油器后润滑油温度和轴承排油温度相关性特征。最后结合两种特征作为最终的异常判断结果，即只有两种特征同时超过阈值发生异常的时候，才可以判断为有跳机异常发生。
需注意的是，两个线性相关参数之间的相关性系数和两个非线性相关参数之间的相关性系数均采用皮尔逊相关性系数，但事实上也可以采用其他的相关性系数代替。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，包括如下步骤：
S1、获取待监测汽轮机在未出现跳机异常的正常时刻从润滑油系统中采集的润滑油压、轴承排油温度和冷油器后润滑油温度的历史采样数据，其中所述历史采样数据所涵盖的时段包含多个时间窗；
S2、以润滑油压和轴承排油温度作为线性相关参数组合，基于所述历史采样数据，计算每个时间窗内两个线性相关参数之间的相关性系数作为线性相关特征，得到正常时刻的线性相关特征范围；
S3、以轴承排油温度和冷油器后润滑油温度作为非线性相关参数组合，对所述历史采样数据中两个非线性相关参数的采样数据进行Box-Cox变换，再用变换后的数据计算每个时间窗内两个非线性相关参数之间的相关性系数作为非线性相关性特征，得到正常时刻的非线性相关性特征范围；
S4、对待监测汽轮机润滑油系统中的润滑油压、轴承排油温度和冷油器后润滑油温度进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算所述线性相关特征和所述非线性相关性特征，若根据线上采样数据得到的线性相关特征超过正常时刻的线性相关特征范围，同时根据线上采样数据得到的非线性相关性特征超过正常时刻的非线性相关性特征范围，则判定为会有跳机异常发生。
2.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述两个线性相关参数之间的相关性系数和两个非线性相关参数之间的相关性系数均采用皮尔逊相关性系数。
3.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述的历史采样数据预先经过数据清洗，剔除汽轮机非正常运行状态下的采样数据和其他异常值。
4.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述的历史采样数据按照设定步长用时间窗进行数据提取，每一个时间窗内的数据用于计算一组线性相关特征和非线性相关性特征。
5.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述Box-Cox变换中，通过极大似然估计法确定变换参数λ。
6.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述S4中，线上实时采集待监测汽轮机润滑油系统中最近一个时间窗内的润滑油压、轴承排油温度和冷油器后润滑油温度的数据后，计算该时间窗内润滑油压和轴承排油温度之间的相关性系数作为线性相关特征，同时对该时间窗内的轴承排油温度和冷油器后润滑油温度采样数据进行Box-Cox变换，再计算Box-Cox变换后的轴承排油温度数据和Box-Cox变换后的冷油器后润滑油温度数据之间的相关性系数作为非线性相关性特征。
7.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述的正常时刻的线性相关特征范围为[-1,-0.95]。
8.如权利要求1所述的基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法，其特征在于，所述的正常时刻的非线性相关特征范围为[0.9,1]。
CN202110951241.4A 2021-08-18 2021-08-18 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法 Pending CN113530619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110951241.4A CN113530619A (zh) 2021-08-18 2021-08-18 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110951241.4A CN113530619A (zh) 2021-08-18 2021-08-18 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法

Publications (1)

Publication Number Publication Date
CN113530619A true CN113530619A (zh) 2021-10-22

Family

ID=78122661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110951241.4A Pending CN113530619A (zh) 2021-08-18 2021-08-18 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法

Country Status (1)

Country Link
CN (1) CN113530619A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114718670A (zh) * 2022-02-28 2022-07-08 西安热工研究院有限公司 汽轮机润滑油位低低保护自智适应识别方法及系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6111499A (en) * 1998-08-03 2000-08-29 Suzuki Motor Corporation Warning system for an outboard motor
US20120130617A1 (en) * 2010-11-24 2012-05-24 Techspace Aero S.A. Method for monitoring the oil system of a turbomachine
EP3070279A1 (en) * 2015-03-20 2016-09-21 FPT Motorenforschung AG System for detecting a failure in a combustion engine lubricating oil system provided with an adjustable oil source
CN110397476A (zh) * 2019-08-16 2019-11-01 苏州热工研究院有限公司 一种核电用汽轮机油品在线监测分析系统与方法
CN112983570A (zh) * 2021-03-22 2021-06-18 浙江大学 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6111499A (en) * 1998-08-03 2000-08-29 Suzuki Motor Corporation Warning system for an outboard motor
US20120130617A1 (en) * 2010-11-24 2012-05-24 Techspace Aero S.A. Method for monitoring the oil system of a turbomachine
EP3070279A1 (en) * 2015-03-20 2016-09-21 FPT Motorenforschung AG System for detecting a failure in a combustion engine lubricating oil system provided with an adjustable oil source
CN110397476A (zh) * 2019-08-16 2019-11-01 苏州热工研究院有限公司 一种核电用汽轮机油品在线监测分析系统与方法
CN112983570A (zh) * 2021-03-22 2021-06-18 浙江大学 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114718670A (zh) * 2022-02-28 2022-07-08 西安热工研究院有限公司 汽轮机润滑油位低低保护自智适应识别方法及系统及设备
CN114718670B (zh) * 2022-02-28 2024-01-30 西安热工研究院有限公司 汽轮机润滑油位低低保护自智适应识别方法及系统及设备

Similar Documents

Publication Publication Date Title
CN111597682B (zh) 预测风力机齿轮箱轴承剩余寿命的方法
Yang An intelligent condition-based maintenance platform for rotating machinery
CN112784373A (zh) 一种风电机组齿轮箱的故障预警方法
Jammu et al. A review on prognosis of rolling element bearings
CN111537219B (zh) 一种基于温度参数的风机齿轮箱性能检测与健康评估方法
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
US11120350B2 (en) Multilevel pattern monitoring method for industry processes
CN112633614A (zh) 一种基于特征提取的实时故障程度诊断系统及方法
Cui et al. An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes
Dao Condition monitoring of wind turbines based on cointegration analysis of gearbox and generator temperature data
CN112598144A (zh) 基于相关性分析的cnn-lstm突发故障预警方法
CN112284521A (zh) 一种汽轮发电机组振动故障特征的量化及应用方法
CN110969185A (zh) 基于数据重构的设备异常状态检测方法
CN114878172B (zh) 一种船舶主机气缸温度信号特征提取方法及系统
CN115060491A (zh) 一种基于多源数据的风机轴承运行健康度评估方法及系统
CN113530619A (zh) 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法
CN112983570B (zh) 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
CN112308391A (zh) 一种基于神经网络的设备状态实时监测与异常探测方法
CN116383750A (zh) 一种基于加窗差分健康指标的滚动轴承早期异常检测方法
CN116070368A (zh) 一种海上风电机组高速轴承剩余寿命预测方法
De Oliveira-Filho et al. Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation
CN111814325B (zh) 燃煤发电装备非平稳运行的单变量报警阈值优化方法
EP4127465B1 (en) Method for predictive monitoring of the condition of wind turbines

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: 20211022