CN114818127B - 一种汽轮机劣化程度的量化方法 - Google Patents
一种汽轮机劣化程度的量化方法 Download PDFInfo
- Publication number
- CN114818127B CN114818127B CN202210406679.9A CN202210406679A CN114818127B CN 114818127 B CN114818127 B CN 114818127B CN 202210406679 A CN202210406679 A CN 202210406679A CN 114818127 B CN114818127 B CN 114818127B
- Authority
- CN
- China
- Prior art keywords
- vibration
- parameter set
- steam turbine
- parameter
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种汽轮机劣化程度的量化方法,该量化方法包括:首先,获取汽轮机的历史运行参数,以及与历史运行参数对应的历史振动参数,构成样本参数集,将样本参数集划分为训练参数集和验证参数集;其中,运行参数至少包括汽轮机转速;其次,构建振动参数回归模型,利用训练参数集和验证参数集训练和优化振动参数回归模型,得到振动预测模型;再次,将获取的汽轮机待测运行参数输入至振动预测模型,得到振动预测值;最后,根据振动预测值和振动实际值计算出振动预测偏差,并根据振动预测偏差确定汽轮机的劣化程度。本发明中的量化方法能准确地量化出汽轮机的劣化程度,进而便于对汽轮机进行维护和修理。
Description
技术领域
本发明属于汽轮机劣化量化技术领域,特别涉及一种汽轮机劣化程度的量化方法。
背景技术
汽轮机组在运行过程中会存在或缓或急的劣化,这对汽轮机组的定速、并网可能产生潜在影响,尤其是大型机组,例如火电厂汽轮机、供热机组等。并且,由于机组长时间处于运行状态,往往不易确定其劣化程度,尤其是当汽轮机组的振动随运行工况波动明显时,更是难以量化其劣化程度。
发明内容
针对上述问题,本发明公开了一种汽轮机劣化程度的量化方法,以克服上述问题或者至少部分地解决上述问题。
为了实现上述目的,本发明采用以下技术方案:
本发明公开一种汽轮机劣化程度的量化方法,所述量化方法包括:
获取汽轮机的历史运行参数,以及与所述历史运行参数对应的历史振动参数,构成样本参数集,将所述样本参数集划分为训练参数集和验证参数集;其中,所述历史运行参数至少包括汽轮机转速;
构建振动参数回归模型,利用所述训练参数集和所述验证参数集训练和优化所述振动参数回归模型,得到振动预测模型;
将获取的汽轮机待测运行参数输入至所述振动预测模型,得到振动预测值;
根据所述振动预测值和振动实际值计算出振动预测偏差,并根据所述振动预测偏差确定汽轮机的劣化程度。
进一步地,所述构建振动参数回归模型,利用所述训练参数集和所述验证参数集训练和优化所述振动参数回归模型具体为:
在特征空间内构建振动参数回归模型:
y=f(x)=WTg(x)+b···················(1)
式(1)中,x为运行参数,y为振动参数,W为权重向量,b为偏置项,g(x)为输入空间到特征空间的映射函数;
使所述训练参数集和所述验证参数集到所述振动参数回归模型在特征空间内形成的超平面的距离最小,即:
|yi-f(xi)|≤ε····················(2)
式(2)中:ε为误差,且ε≥0。
进一步地,所述使所述训练参数集和所述验证参数集到所述振动参数回归模型在特征空间内形成的超平面的距离最小具体为:
引入惩罚系数C和非负松弛变量ξ和ξ*,将所述振动参数回归模型转化为优化函数:
式(3)中,M为训练参数集的数量;
将所述振动参数回归模型变为以下形式:
引入核函数k(xi,x)代替gT(xi)g(x),式(5)可简化为:
将所述训练参数集多次迭代入式(6)中,训练得到振动预测模型;
通过所述验证参数集对所述振动预测模型进行优化,得到优化后的振动预测模型。
进一步地,所述量化方法还包括:
在汽轮机的预设转速区间内,当所述振动预设偏差大于预设阀值且持续预设时间时,发出预警提示。
进一步地,所述根据所述振动预测值和振动实际值计算出振动预测偏差具体为:
p=|yy-ys|÷ys····················(7)
式(7)中,yy为振动预测值,ys为振动实际振动。
进一步地,所述预设阀值为40%。
本发明的优点及有益效果是:
本发明的量化方法中,首先,通过汽轮机的历史运行参数,以及与历史运行参数对应的历史振动参数训练和优化振动参数回归模型,得到振动预测模型,再将获取的汽轮机待测运行参数输入至振动预测模型,得到振动预测值,最后,根据振动预测值和振动实际值计算出振动预测偏差,并根据振动预测偏差确定汽轮机的劣化程度;本发明能够准确地量化出汽轮机的劣化程度,进而便于对汽轮机进行维护和修理。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明的一个实施例中汽轮机劣化程度的量化方法的实施步骤图;
图2为本发明的一个实施例中根据振动预测值与振动实际值得到动预测偏差的测试结果图;
图3为本发明的一个实施例中不同转速下汽轮机的振动变化趋势示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
以下结合附图,详细说明本发明各实施例提供的技术方案。
由于汽轮机组劣化容易引起机组振动大幅变化,并且汽轮机组在冲转期间振动参数的数值及变化规律基本相同,因此,本发明通过汽轮机组启停振动数据来判断机组的劣化程度。
本发明的一个实施例中公开一种汽轮机劣化程度的量化方法,如图1所示,该量化方法包括:
步骤S01,获取汽轮机在冲转期间的历史运行参数x,以及与历史运行参数x对应的历史振动参数y,构成样本参数集D(x,y),样本参数集D(x,y)中历史各运行参数x与该运行参数x对应的振动参数y对应。将样本参数集D(x,y)划分为训练参数集D1(x1,y1)和验证参数集D2(x2,y2),例如随机抓取75%的样本参数集D(x,y)作为训练参数集D1(x1,y1),剩余作为验证参数集D2(x2,y2);其中,历史运行参数x至少包括汽轮机转速;当然,历史运行参数x还可以包括主汽流量、主汽温度、主汽压力、高旁开度、低旁开度、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度等汽轮机运行状态的参数。
步骤S02,构建振动参数回归模型,利用训练参数集D1(x1,y1)和验证参数集D2(x2,y2)训练和优化振动参数回归模型,得到振动预测模型。
步骤S03,将获取的汽轮机待测运行参数输入至振动预测模型,得到振动预测值。其中,可以将实时获取的汽轮机待测运行参数输入至振动预测模型,这样能够及时得到振动预测值。
步骤S04,根据振动预测值和振动实际值计算出振动预测偏差,并根据振动预测偏差确定汽轮机的劣化程度。其中,振动预测偏差为振动预测值与振动实际值的偏差情况。
本实施例量化方法中,首先,通过汽轮机的历史运行参数,以及与历史运行参数对应的历史振动参数训练和优化振动参数回归模型,得到振动预测模型,再将获取的汽轮机待测运行参数输入至振动预测模型,得到振动预测值,最后,根据振动预测值和振动实际值计算出振动预测偏差,并根据振动预测偏差确定汽轮机的劣化程度;本发明能够准确地量化出汽轮机的劣化程度,便于了解汽轮机的运行状况,进而便于对汽轮机进行维护和修理。
在一个实施例中,构建振动参数回归模型,利用训练参数集和验证参数集训练和优化振动参数回归模型具体为:
根据支持向量回归方法,在特征空间内构建振动参数回归模型:
y=f(x)=WTg(x)+b······················(1)
式(1)中,x为运行参数,y为振动参数,W为权重向量,b为偏置项,g(x)为输入空间到特征空间的映射函数,即可通过函数g(x)将m维的输入向量映射到l(l>m)维的特征空间中。
使训练参数集和验证参数集到振动参数回归模型在特征空间内形成的超平面的距离最小,进而确定最优超平面,即:
|yi-f(xi)|≤ε····················(2)
式(2)中:ε为误差,且ε≥0。
进一步地,使训练参数集和验证参数集到振动参数回归模型在特征空间内形成的超平面的距离最小具体为:
首先,引入惩罚系数C和非负松弛变量ξ和ξ*,将振动参数回归模型转化为优化函数,即将求解最优超平面转化为求解凸二次优化问题。
优化函数为:
式(3)中,M为训练参数集的数量。
将振动参数回归模型变为以下形式:
引入核函数k(xi,x)代替gT(xi)g(x),式(5)可简化为:
最后,类似于训练参数训练振动参数回归模型的方式,通过验证参数集对振动预测模型进行优化,得到优化后的振动预测模型。
在一个实施例中,汽轮机劣化程度的量化方法还包括:
步骤S05,在汽轮机的预设转速区间内,当振动预设偏差大于预设阀值且持续预设时间时,发出预警提示。其中,预设阀值为40%,即当汽轮机在某一转速对应的振动预测偏差持续预设时间超过40%时,则认定汽轮机振动变化明显,表明汽轮机劣化程度较高,此时需要对汽轮机进行检查维修。并且,预设转速区间和预设时间的设置可以防止振动预测发生偶然误差,导致错误警报的发生。
进一步地,基于上述计算得到的振动预测模型,通过实时获取的运行参数,对汽轮机在冲转期间的振动进行实时预测,得到汽轮机的振动预测值yy,然后将振动预测值yy与汽轮机的振动实际值ys对比,得到振动预测偏差P:
P=|yy-ys|÷ys····················(7)
式(7)中,yy为振动预测值,ys为振动实际振动。
将待测运行参数带入优化后的振动预测模型中,得到振动预测值,再通过振动检测仪获得振动实际值,然后将振动预测值与振动实际值进行对比,从图2可以看出,振动预测值和振动实际值基本一致,进而表明通过振动预测模型进行振动预测的准确性。
另外,在汽轮机冲转期间,由于汽轮机处于转速变化,不同转速的振动表现有所区别,振动变化状态也不尽相同,因此,选取特定的转速进行分类,通过不同转速的振动预测偏差变化趋势来表明机组振动情况,如图3所示,本实施例选取2000rpm、2400rpm和4800rpm这三种转速进行分类,可以发现本申请在不同转速下均可实现对振动情况的准确预测。
以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种汽轮机劣化程度的量化方法,其特征在于,所述量化方法包括:
获取汽轮机的历史运行参数,以及与所述历史运行参数对应的历史振动参数,构成样本参数集,将所述样本参数集划分为训练参数集和验证参数集;其中,所述历史运行参数至少包括汽轮机转速;所述历史运行参数还包括主汽流量、主汽温度、主汽压力、高旁开度、低旁开度、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度;
构建振动参数回归模型,利用所述训练参数集和所述验证参数集训练和优化所述振动参数回归模型,得到振动预测模型;
将获取的汽轮机待测运行参数输入至所述振动预测模型,得到振动预测值;
根据所述振动预测值和振动实际值计算出振动预测偏差,并根据所述振动预测偏差确定汽轮机的劣化程度;选取特定的汽轮机转速进行分类,通过不同转速的振动预测偏差变化趋势来表明汽轮机的振动情况;
所述量化方法还包括:
在汽轮机的预设转速区间内,当所述振动预设偏差大于预设阀值且持续预设时间时,发出预警提示。
2.根据权利要求1所述的量化方法,其特征在于,所述构建振动参数回归模型,利用所述训练参数集和所述验证参数集训练所述振动参数回归模型具体为:
在特征空间内构建振动参数回归模型:
y=f(x)=WTg(x)+b…………………………………………………(1)
式(1)中,x为运行参数,y为振动参数,W为权重向量,b为偏置项,g(x)为输入空间到特征空间的映射函数;
使样本参数集到所述振动参数回归模型在特征空间内形成的超平面的距离最小,即:
|yi-f(xi)|≤ε................................................(2)
式(2)中:ε为误差,且ε≥0。
4.根据权利要求1~3任一项所述的量化方法,其特征在于,所述根据所述振动预测值和振动实际值计算出振动预测偏差具体为:
P=|yy-ys|÷ys………………………………………………………(7)
式(7)中,yy为振动预测值,ys为振动实际振动。
5.根据权利要求1所述的量化方法,其特征在于,所述预设阀值为40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406679.9A CN114818127B (zh) | 2022-04-18 | 2022-04-18 | 一种汽轮机劣化程度的量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406679.9A CN114818127B (zh) | 2022-04-18 | 2022-04-18 | 一种汽轮机劣化程度的量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818127A CN114818127A (zh) | 2022-07-29 |
CN114818127B true CN114818127B (zh) | 2023-04-28 |
Family
ID=82536227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210406679.9A Active CN114818127B (zh) | 2022-04-18 | 2022-04-18 | 一种汽轮机劣化程度的量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818127B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452067B (zh) * | 2023-06-12 | 2023-09-05 | 昆山工业大数据创新中心有限公司 | 一种工业设备参数的劣化度评估方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007652A (zh) * | 2019-03-22 | 2019-07-12 | 华中科技大学 | 一种水电机组劣化趋势区间预测方法与系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1706718A2 (en) * | 2004-01-14 | 2006-10-04 | ABB Inc. | Method and apparatus to diagnose mechanical problems in machinery |
CN108241900A (zh) * | 2016-12-26 | 2018-07-03 | 北京金风科创风电设备有限公司 | 工程项目建设周期预测方法、装置和系统 |
CN108089078A (zh) * | 2017-12-07 | 2018-05-29 | 北京能源集团有限责任公司 | 设备劣化预警方法及系统 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN109871980A (zh) * | 2018-12-26 | 2019-06-11 | 河北工程大学 | 一种水泵水轮机机组振动趋势预测方法 |
CN110210459A (zh) * | 2019-06-24 | 2019-09-06 | 北京航空航天大学 | 一种发动机气门间隙的预测方法及预测装置 |
CN213149750U (zh) * | 2020-09-04 | 2021-05-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种汽轮发电机组状态评价与故障预测系统 |
CN112836941B (zh) * | 2021-01-14 | 2024-01-09 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN113806346A (zh) * | 2021-08-25 | 2021-12-17 | 浙江浙能台州第二发电有限责任公司 | 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机 |
CN113901719A (zh) * | 2021-10-11 | 2022-01-07 | 中国工业互联网研究院 | 一种锅炉蒸汽温度预测方法及装置 |
-
2022
- 2022-04-18 CN CN202210406679.9A patent/CN114818127B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007652A (zh) * | 2019-03-22 | 2019-07-12 | 华中科技大学 | 一种水电机组劣化趋势区间预测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114818127A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An enhanced PCA-based chiller sensor fault detection method using ensemble empirical mode decomposition based denoising | |
EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
Baraldi et al. | A Kalman filter-based ensemble approach with application to turbine creep prognostics | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
KR20110005893A (ko) | 기어박스의 모델 기반 진단을 위한 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
CN114818127B (zh) | 一种汽轮机劣化程度的量化方法 | |
EP2400118A2 (en) | Turbomachine airfoil life management system and method | |
CN112611584B (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN113469230B (zh) | 一种转子系统深度迁移故障诊断方法、系统及介质 | |
CN109060351A (zh) | 自润滑关节轴承寿命模型评价方法 | |
CN110361193A (zh) | 用于风力发电机组变桨轴承故障识别的方法 | |
CN108869174A (zh) | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 | |
AU2019438487A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
Peng et al. | Digital twins-based online monitoring of TFE-731 turbofan engine using Fast orthogonal search | |
GB2555010B (en) | Determining loads on a wind turbine | |
US20190384240A1 (en) | Evaluation apparatus, evaluation system, and evaluation method | |
CN114705432A (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN112131780B (zh) | 一种基于数据挖掘的火电厂循环水系统控制方法 | |
CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |