CN113719446A - 一种基于数据挖掘的汽动给水泵状态监测系统 - Google Patents

Abstract

本发明涉及一种基于数据挖掘的汽动给水泵状态监测系统，包括数据采集模块、性能监测模块、故障诊断模块和界面展示模块；数据采集模块包括数据采集单元、数据传输单元和数据存储单元，数据采集单元采集汽动给水泵数的运行数据集，并通过数据传输单元存储至数据存储单元；性能监测模块根据运行数据集计算性能数据集；故障诊断模块包括参数筛选单元和故障预测单元，参数筛选单元通过KPCA算法对运行数据集进行降维处理，获得降维数据集，故障预测单元将降维数据集输入训练好的故障预测模型，获得汽动给水泵的故障预测结果；界面展示模块用于显示性能数据集和故障预测结果。与现有技术相比，本发明满足汽动给水泵实时状态监测与故障诊断的需求。

Description

一种基于数据挖掘的汽动给水泵状态监测系统

技术领域

本发明涉及一种汽动给水泵状态监测技术，尤其是涉及一种基于数据挖掘的汽动给水泵状态监测系统。

背景技术

一方面，大型火力发电机组带来巨大效益的同时，由于设备之间的复杂性增加、关联性增多以及运行参数要求的提高，火力发电机组设备的故障率不断增加，火力发电厂年非计划停机次数也不断增加。这就导致了火力发电厂每年需要投入相当一部分成本用于发电厂设备的维修，直接影响了火力发电厂生产的安全性和经济性。对于汽动给水泵检修一般采用计划性检修，存在检修针对性不强、分不清主次、检修方式僵化等问题，不仅浪费了大量的人力、物力、财力，还降低了相关设备的利用率，严重影响到燃煤发电企业的整体经济效益。另一方面，随着智能化在线监测设备的快速发展，火力发电厂所监测的数据呈几何增长趋势，与汽动给水泵运行状态相关的状态监测数据呈现出井喷式增长，每时每刻都有新的数据生成，呈现出数据价值密度低、数据类型繁多以及数据量巨大等大数据的典型特征，形成了丰富的历史数据库和实时数据库。面对这些高参数、强相关、多维度的历史数据，采用人工分析的方法很难何从这些海量、丰富的数据中挖掘出有价值的信息。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数据挖掘的汽动给水泵状态监测系统，满足汽动给水泵实时状态监测与故障诊断的需求。

本发明的目的可以通过以下技术方案来实现：

一种基于数据挖掘的汽动给水泵状态监测系统，包括数据采集模块、性能监测模块、故障诊断模块和界面展示模块；

所述的数据采集模块包括数据采集单元、数据传输单元和数据存储单元，所述的数据采集单元采集汽动给水泵数的运行数据集，并通过数据传输单元将运行数据集存储至数据存储单元；

所述的性能监测模块根据运行数据集计算汽动给水泵的性能数据集；

所述的故障诊断模块包括参数筛选单元和故障预测单元，所述的参数筛选单元通过KPCA算法对运行数据集进行降维处理，获得降维数据集，所述的故障预测单元将降维数据集输入训练好的故障预测模型，获得汽动给水泵的故障预测结果；

所述的界面展示模块用于显示汽动给水泵的性能数据集和故障预测结果；

所述的数据采集模块采集和存储运行数据集，所述的性能监测模块根据运行数据集获取性能数据集，参数筛选单元通过KPCA算法对运行数据集进行降维，获得降维数据集，极大降低了故障预测模型的工作量，解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题，弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题，满足汽动给水泵实时状态监测与故障诊断的需求，所述的界面展示模块能够实时显示汽动给水泵的性能数据集和故障预测结果，便于对汽动给水泵进行实时的性能监测与专业分析。

进一步地，所述的性能监测模块包括体积流量监测单元，所述的体积流量监测单元用于计算汽动给水泵的体积流量，计算公式为：

其中，Q为汽动给水泵的体积流量，i为抽点前级数，I为给水泵的总级数，Q_in为汽动给水泵进口流量，Q_out为汽动给水泵出口流量。

进一步地，所述的性能监测模块包括功率监测单元，所述的功率监测单元用于计算汽动给水泵的功率，计算公式为：

其中，W为汽动给水泵的功率，n和n₀分别为汽动给水泵的实时转速和额定转速，ρ₁为转速n下汽动给水泵内水的平均密度，ρ₀为转速n₀下汽动给水泵内水的平均密度，k₄和k₅为设定系数。

进一步地，所述的性能监测模块包括前置泵扬程监测单元，所述的前置泵扬程监测单元用于计算前置泵扬程。进一步地，所述的前置泵扬程的计算公式为：

H_qz＝z₁N_qz ²+z₂N_qzQ+z₃Q²

其中，H_qz为前置泵扬程，z₁、z₂和z₃为设定系数，N_qz为前置泵比转速，Q为汽动给水泵的体积流量。

进一步地，所述的前置泵扬程的计算公式为：

其中，H_qz为前置泵扬程，p_qz,in为前置泵进口压力，p_qz,out为前置泵出口压力，ρ_qz为前置泵中介质的平均密度，g为地球重力加速度。

进一步地，所述的性能监测模块包括滤网压损监测单元，所述的滤网压损监测单元用于计算滤网的实时压损，计算公式为：

Δp_lw＝a₁+a₂Q+a₃Q²

其中，Δp_lw为滤网的实时压损，Q为汽动给水泵的体积流量，a₁、a₂和a₃为设定系数。

进一步地，所述的性能监测模块包括扬程监测单元，所述的扬程监测单元用于计算汽动给水泵的扬程，计算公式为：

其中，H为汽动给水泵的扬程，p_in为汽动给水泵进口压力，p_out为汽动给水泵出口压力，ρ为给水平均密度，g为地球重力加速度。

进一步地，所述的性能监测模块包括截止阀压损监测单元，所述的截止阀压损监测单元用于计算截止阀的实时压损，计算公式为：

其中，Δp_fm为截止阀的实时压损，Δp_open为截止阀全开时的压损，Q_m为实时通过截止阀的质量流量，Q_m,open为截止阀允许通过的最大质量流量，k_fm为截止阀开度。

通过性能监测模块，对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测，实现对汽动给水泵的多层次监测与分析。

进一步地，所述的故障预测模型为LSTM模型，所述的LSTM模型具有长时记忆功能，能够充分挖掘数据中隐含、潜在的价值信息。

与现有技术相比，本发明具有以如下有益效果：

(1)本发明数据采集模块采集和存储运行数据集，性能监测模块根据运行数据集获取性能数据集，参数筛选单元通过KPCA算法对运行数据集进行降维，获得降维数据集，极大降低了故障预测模型的工作量，解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题，弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题，满足汽动给水泵实时状态监测与故障诊断的需求，界面展示模块能够实时显示汽动给水泵的性能数据集和故障预测结果，便于对汽动给水泵进行实时的性能监测与专业分析；

(2)本发明通过性能监测模块，对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测，实现对汽动给水泵的多层次监测与分析。

(3)本发明故障预测模型为LSTM模型，LSTM模型具有长时记忆功能，能够充分挖掘数据中隐含、潜在的价值信息，可以提前、准确的预知汽动给水泵故障的发生，保证汽动给水泵始终处于安全稳定的运行状态。

附图说明

图1为本发明的系统结构示意图；

图2为KPCA算法的流程构示意图；

图3为LSTM模型的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

一种基于数据挖掘的汽动给水泵状态监测系统，如图1，包括数据采集模块1、性能监测模块3、故障诊断模块4和界面展示模块2；

数据采集模块1包括数据采集单元11、数据传输单元12和数据存储单元13，数据采集单元11采集汽动给水泵数的运行数据集，并通过数据传输单元12将运行数据集存储至数据存储单元13，运行数据集包括汽动给水泵进出口压力、汽泵进出口温度、汽泵前置泵出口流量、汽泵进口滤网差压、给水泵汽轮机转速、除氧器压力和再热器减温水量；

性能监测模块3根据运行数据集计算汽动给水泵的性能数据集；

故障诊断模块4包括参数筛选单元41和故障预测单元42，参数筛选单元41通过KPCA算法对运行数据集进行降维处理，获得降维数据集，故障预测单元42将降维数据集输入训练好的故障预测模型，获得汽动给水泵的故障预测结果；

界面展示模块2用于显示汽动给水泵的性能数据集和故障预测结果；

数据采集模块1采集和存储运行数据集，性能监测模块3根据运行数据集获取性能数据集，参数筛选单元41通过KPCA算法对运行数据集进行降维，获得降维数据集，极大降低了故障预测模型的工作量，解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题，弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题，满足汽动给水泵实时状态监测与故障诊断的需求，界面展示模块2能够实时显示汽动给水泵的性能数据集和故障预测结果，便于对汽动给水泵进行实时的性能监测与专业分析。

性能监测模块3包括体积流量监测单元36，体积流量监测单元36用于计算汽动给水泵的体积流量，计算公式为：

其中，Q为汽动给水泵的体积流量，i为抽点前级数，I为给水泵的总级数，Q_in为汽动给水泵进口流量，Q_out为汽动给水泵出口流量。

性能监测模块3包括功率监测单元31，功率监测单元31用于计算汽动给水泵的功率，计算公式为：

其中，W为汽动给水泵的功率，n和n₀分别为汽动给水泵的实时转速和额定转速，ρ₁为转速n下汽动给水泵内水的平均密度，ρ₀为转速n₀下汽动给水泵内水的平均密度，k₄和k₅为设定系数。

性能监测模块3包括前置泵扬程监测单元32，前置泵扬程监测单元32用于计算前置泵扬程。前置泵扬程的计算公式为：

H_qz＝z₁N_qz ²+z₂N_qzQ+z₃Q² (4)

其中，H_qz为前置泵扬程，z₁、z₂和z₃为设定系数，N_qz为前置泵比转速，Q为汽动给水泵的体积流量。

性能监测模块3包括滤网压损监测单元33，滤网压损监测单元34用于计算滤网的实时压损，计算公式为：

Δp_lw＝a₁+a₂Q+a₃Q² (5)

其中，Δp_lw为滤网的实时压损，Q为汽动给水泵的体积流量，a₁、a₂和a₃为设定系数。

性能监测模块3包括扬程监测单元34，扬程监测单元33用于计算汽动给水泵的扬程，计算公式为：

其中，H为汽动给水泵的扬程，p_in为汽动给水泵进口压力，p_out为汽动给水泵出口压力，ρ为给水平均密度，g为地球重力加速度。

性能监测模块3包括截止阀压损监测单元35，截止阀压损监测单元35用于计算截止阀的实时压损，计算公式为：

其中，Δp_fm为截止阀的实时压损，Δp_open为截止阀全开时的压损，Q_m为实时通过截止阀的质量流量，Q_m,open为截止阀允许通过的最大质量流量，k_fm为截止阀开度。

通过性能监测模块3，对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测，实现对汽动给水泵的多层次监测与分析。

如图2，KPCA算法包括：

设运行数据集构成原始空间R，通过非线性映射函数映射到高维度空间F，则F中的映射数据的协方差矩阵如下：

其中，

为高维度空间F的映射向量，n为运行数据集的维度，x_i代表运行数据集中的第i个特征参数；

协方差矩阵C的特征方差如下：

Cv＝λv (9)

其中，λ代表协方差矩阵C的特征值，v代表对应的特征向量。

将式(7)代入式(6)中得：

同时式(10)又可表示为：

λ＜φ(x_i),v＞＝＜φ(x_i),Cv＞ (11)

存在系数β_j使得：

由式(9)、(10)、(11)可得：

定义矩阵K_n×n：

则式(14)可表示为：

nλβ＝Kβ (15)

式中，nλ代表K的特征值，β代表K的特征向量，K则通过选取合适的核函数进行确定，将矩阵K进行对角化处理得特征值λ_k(k＝1,2,...p)，即λ₁≥λ₂≥···≥λ_p，由公式(15)得：

最终可得v^k在空间F上的映射投影：

式中，t_k代表所求的非线性主元，β_ki代表第k个特征值对应的第i个系数，

代表高维空间的映射向量。

KPCA算法本质上是采用非线性映射函数将原始数据投影到高维空间，达到数据属性约简的目的，利用KPCA算法可以实现对汽动给水泵的运行数据集进行参数重要性的排名，根据权重系数的大小选择出涵盖样本数据集大部分信息的综合特征参数，达到数据约简的目的，KPCA算法得到的映射投影即综合特征参数。

如图3，故障预测模型为LSTM模型，LSTM模型通过遗忘门f_t决定删除记忆单元C_t-1中的哪些信息，并由σ(·)激活函数决定遗忘门f_t的激活状态，遗忘门f_t的表达式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (18)

其中，W_f为遗忘门的权值矩阵，h_t-1为前一时刻隐藏状态输出，x_t为当前输入，b_f为偏置向量。

其次，LSTM使用输入门i_t来决定将要储存到新的记忆单元状态C_t的信息，输入门i_t的表达式为：

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (19)

其中，W_i为输入门的权值矩阵，h_t-1为前一时刻隐藏状态输出，x_t为当前输入，b_i为偏置向量。

其中，

为候选状态，W_c为tanh的权值矩阵，h_t-1为前一时刻隐藏状态输出，x_t为当前输入，b_c为tanh的偏置向量。

然后LSTM将前一记忆单元状态C_t-1更新为新状态C_t，C_t的表达式为：

最后LSTM使用输出门o_t计算隐藏状态h_t-1和y_t，输出门o_t的表达式为：

o_t＝σ(W_O·[h_t-1,x_t]+b_o) (22)

其中，W_o为输出门的权值矩阵，b_o为偏置向量。

h_t＝o_t*tanh(C_t) (23)

其中，h_t为当前时刻输出。

实施例2

本实施例中，前置泵扬程的计算公式为：

其中，H_qz为前置泵扬程，p_qz,in为前置泵进口压力，p_qz,out为前置泵出口压力，ρ_qz为前置泵中介质的平均密度，g为地球重力加速度；

其他与实施例1相同。

实施例1和实施例2提出了一种基于数据挖掘的汽动给水泵状态监测系统，系统以LSTM预测模型为主，KPCA算法为辅，解决了故障预测模型在长序列训练过程中存在的梯度爆炸和梯度消失的问题，弥补了汽动给水泵计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题，满足汽动给水泵实时状态监测与故障诊断的需求，通过性能监测模块3，对汽动给水泵的扬程、体积流量、功率、前置泵扬程、滤网的实时压损以及截止阀的压损进行实时监测，实现对汽动给水泵的多层次监测与分析。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，包括数据采集模块(1)、性能监测模块(3)、故障诊断模块(4)和界面展示模块(2)；

所述的数据采集模块(1)包括数据采集单元(11)、数据传输单元(12)和数据存储单元(13)，所述的数据采集单元(11)采集汽动给水泵数的运行数据集，并通过数据传输单元(12)将运行数据集存储至数据存储单元(13)；

所述的性能监测模块(3)根据运行数据集计算汽动给水泵的性能数据集；

所述的故障诊断模块(4)包括参数筛选单元(41)和故障预测单元(42)，所述的参数筛选单元(41)通过KPCA算法对运行数据集进行降维处理，获得降维数据集，所述的故障预测单元(42)将降维数据集输入训练好的故障预测模型，获得汽动给水泵的故障预测结果；

所述的界面展示模块(2)用于显示汽动给水泵的性能数据集和故障预测结果。

2.根据权利要求1所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的性能监测模块(3)包括体积流量监测单元(36)，所述的体积流量监测单元(36)用于计算汽动给水泵的体积流量，计算公式为：

其中，Q为汽动给水泵的体积流量，i为抽点前级数，I为给水泵的总级数，Q_in为汽动给水泵进口流量，Q_out为汽动给水泵出口流量。

3.根据权利要求2所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的性能监测模块(3)包括功率监测单元(31)，所述的功率监测单元(31)用于计算汽动给水泵的功率，计算公式为：

其中，W为汽动给水泵的功率，n和n₀分别为汽动给水泵的实时转速和额定转速，ρ₁为转速n下汽动给水泵内水的平均密度，ρ₀为转速n₀下汽动给水泵内水的平均密度，k₄和k₅为设定系数。

4.根据权利要求2所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的性能监测模块(3)包括前置泵扬程监测单元(32)，所述的前置泵扬程监测单元(32)用于计算前置泵扬程。

5.根据权利要求4所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的前置泵扬程的计算公式为：

H_qz＝z₁N_qz ²+z₂N_qzQ+z₃Q²

其中，H_qz为前置泵扬程，z₁、z₂和z₃为设定系数，N_qz为前置泵比转速，Q为汽动给水泵的体积流量。

6.根据权利要求4所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的前置泵扬程的计算公式为：

其中，H_qz为前置泵扬程，p_qz,in为前置泵进口压力，p_qz,out为前置泵出口压力，ρ_qz为前置泵中介质的平均密度，g为地球重力加速度。

7.根据权利要求2所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的性能监测模块(3)包括滤网压损监测单元(33)，所述的滤网压损监测单元(34)用于计算滤网的实时压损，计算公式为：

Δp_lw＝a₁+a₂Q+a₃Q²

其中，Δp_lw为滤网的实时压损，Q为汽动给水泵的体积流量，a₁、a₂和a₃为设定系数。

8.根据权利要求1所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的性能监测模块(3)包括扬程监测单元(34)，所述的扬程监测单元(33)用于计算汽动给水泵的扬程，计算公式为：

其中，H为汽动给水泵的扬程，p_in为汽动给水泵进口压力，p_out为汽动给水泵出口压力，ρ为给水平均密度，g为地球重力加速度。

9.根据权利要求1所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的性能监测模块(3)包括截止阀压损监测单元(35)，所述的截止阀压损监测单元(35)用于计算截止阀的实时压损，计算公式为：

其中，Δp_fm为截止阀的实时压损，Δp_open为截止阀全开时的压损，Q_m为实时通过截止阀的质量流量，Q_m,open为截止阀允许通过的最大质量流量，k_fm为截止阀开度。

10.根据权利要求1所述的一种基于数据挖掘的汽动给水泵状态监测系统，其特征在于，所述的故障预测模型为LSTM模型。

Images