CN116861164A - 一种汽轮机运行故障监测系统 - Google Patents
一种汽轮机运行故障监测系统 Download PDFInfo
- Publication number
- CN116861164A CN116861164A CN202310515683.3A CN202310515683A CN116861164A CN 116861164 A CN116861164 A CN 116861164A CN 202310515683 A CN202310515683 A CN 202310515683A CN 116861164 A CN116861164 A CN 116861164A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- steam turbine
- state
- model
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 127
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种汽轮机运行故障监测系统，包括：数据处理模块、模型建立模块、状态输出模块和故障判断模块；数据处理模块，获取汽轮机运行监测数据，并对监测数据进行预处理，生成多维矩阵数据；模型建立模块，利用预处理后的监测数据，训练CNN卷积神经网络模型，建立状态监测模型，对状态监测模型进行正反向训练；状态输出模块，将多维矩阵数据输入状态监测模型，输出获取汽轮机下一时刻的预测数据信息，根据预测数据信息，实时输出汽轮机状态预测结果；故障判断模块，根据汽轮机状态预测结果判断汽轮机是否出现故障。本发明能够利用预先构建的状态监测模型来预测汽轮机下一时刻的预测数据信息，并判断是否出现异常，从而达到预警的效果。
Description
技术领域
本发明属于工业监测技术领域，更具体的说是涉及一种汽轮机运行故障监测系统。
背景技术
汽轮机是电力生产中的重要设备，其设备结构复杂、运行环境恶劣，汽轮发电机组的故障率不低，一旦发生故障就会造成极大的经济影响。对汽轮机的监测数据进行分析，可以有效评估系统的运行状态，捕捉潜在的故障演变特征。由于汽轮机的监测数据具有某种时变性，这将导致新、旧数据不满足相同的分布，并且汽轮机的机电系统结构复杂，运行状况多变，这将导致新、旧数据之间存在广泛差异性。传统汽轮机运行故障监测系统通过设定正常运行指标对汽轮机进行故障判断，导致频发的故障漏报误报，监测效果不理想。
因此，提供一种汽轮机运行故障监测系统是本领域技术人员急需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种汽轮机运行故障监测系统，能够利用预先构建的状态监测模型来预测汽轮机下一时刻的预测数据信息，并判断是否出现异常，从而达到预警的效果。
为了实现上述目的，本发明采用如下技术方案：
一种汽轮机运行故障监测系统，包括：数据处理模块、模型建立模块、状态输出模块和故障判断模块；其中，
所述数据处理模块，获取汽轮机运行监测数据，并对监测数据进行预处理，且根据预处理后的多个监测数据的信号参数生成多维矩阵数据；
所述模型建立模块，利用预处理后的监测数据，训练CNN卷积神经网络模型，根据训练的CNN卷积神经网络模型建立状态监测模型，并对状态监测模型进行正反向训练；
所述状态输出模块，将多维矩阵数据输入状态监测模型，输出获取汽轮机下一时刻的预测数据信息，根据预测数据信息，实时输出汽轮机状态预测结果；
所述故障判断模块，根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型。
进一步的，对监测数据进行预处理的方法为：采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记，对标准化数据集进行降噪处理和中心化处理。
进一步的，根据预处理后的多个监测数据的信号参数生成多维矩阵数据的方法为：
选择一段时间内监测数据中的n个变量作为备选数据，令备选数据集为W，在时刻t处采集得到的向量W(t)为各变量在时刻t的值构成的向量：
W(t)＝[w1,w2,…,wn]T
其中，wn表示第n个变量；
根据最大最小值原理，对n个变量进行筛选，使得每个变量都能在其取值范围内进行均匀采样；选出的m个数据构成多维矩阵数据V，如下所示：
其中，W(m)表示第m个数据向量；xn(m)表示第m个数据向量中的第n个变量。
进一步的，建立状态监测模型的方法为：
将预处理后的监测数据作为样本数据，将样本数据按设定比例拆分成训练样本、验证样本和测试样本；
构造CNN卷积神经网络模型，并以径向基函数作为CNN卷积神经网络激活函数，及采用模糊C均值聚类算法确定各个神经元中心；
采用训练样本构造输入输出向量，并使用自然梯度下降法对CNN卷积神经网络模型进行训练，以获取CNN卷积神经网络模型的最优参数，根据最优参数确定状态监测模型；
采用验证样本对状态预测模型进行精确度验证，并判断是否符合预设精确度要求，若不符合，则继续训练直至符合预设精确度要求；
采用测试样本对验证后的状态预测模型进行测试，并利用贝叶斯检验法计算其置信度。
进一步的，状态监测模型共分四层：输入层、模式层、求和层和决策层，输入层接收来自多维矩阵数据的样本值，其神经元数目和多维矩阵数据的样本矢量的维数相等；模式层神经元的个数等于各个类别多维矩阵数据的样本数之和；求和层，故障模式和神经元一一对应，神经元将对应模式层的一组神经元输出求和，从而得到故障模式的估计概率密度函数；决策层由简单的辨别器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率的神经元作为整个系统的输出。
进一步的，根据预测数据信息，实时输出汽轮机状态预测结果的方法为：
将数据处理模块获取的汽轮机运行监测数据构成满足正态分布的数据时序区间，判断状态监测模型输出的预测数据信息是否位于数据时序区间内，若预测数据信息位于数据区间内，则将预测数据信息添加至数据时序区间，更新数据时序区间，若预测数据信息位于数据时序区间外，输出汽轮机状态预测结果。
进一步的，更新数据时序区间的方法为：
若数据时序区间已达最大数据容量，将位于数据时序区间的监测数据填入，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；
若数据时序区间未达最大数据容量，但数据时序区间已达最低初始化数据容量，且监测数据位于数据时序区间标准差范围外，则将位于经验容许标准差范围内的监测数据填入数据时序区间；
若数据时序区间未达最大数据容量，且数据时序区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数据时序区间。
进一步的，根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型的方法为：比对状态监测模型输出的预测数据信息的正常运行信息和故障特征信息分别进行最小二乘法计算，得到多组回归方程，找出最为匹配的回归方程，根据该回归方程所对应的运行状态，从而判断汽轮机的故障类型。
进一步的，汽轮机的故障类型包括磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障和叶片高周疲劳。
进一步的，还包括控制系统安全故障监测模块，用于对汽轮机的运行以及控制程序的故障监测，判断网络异常和DPU异常对应的网络安全是否会对汽轮机的运行安全产生影响。
本发明的有益效果在于：
本发明通过数据处理模块获取汽轮机运行监测数据，并对监测数据进行预处理，且根据预处理后的多个监测数据的信号参数生成多维矩阵数据；模型建立模块利用预处理后的监测数据，训练CNN卷积神经网络模型，根据训练的CNN卷积神经网络模型建立状态监测模型，并对状态监测模型进行正反向训练；状态输出模块将多维矩阵数据输入状态监测模型，输出获取汽轮机下一时刻的预测数据信息，根据预测数据信息，实时输出汽轮机状态预测结果；故障判断模块根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型。本发明能够利用预先构建的状态监测模型来预测汽轮机下一时刻的预测数据信息，并判断是否出现异常，从而达到预警的效果，使得在汽轮机运行工作过程中状态参数不断变化出现异常时，能够被及时准确地监测，从而有效避免了误报，并且有良好的且精确度高的故障预测能力。此外，本发明还为汽轮机类复杂机电系统以及其他大型能源设备的高维数据处理，故障监测奠定了坚实的基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的结构框图。
具体实施方式
下面将结合本发明的实施例中，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
参考图1，本发明提供了一种汽轮机运行故障监测系统，包括：数据处理模块、模型建立模块、状态输出模块和故障判断模块；其中，
所述数据处理模块，获取汽轮机运行监测数据，并对监测数据进行预处理，且根据预处理后的多个监测数据的信号参数生成多维矩阵数据；
所述模型建立模块，利用预处理后的监测数据，训练CNN卷积神经网络模型，根据训练的CNN卷积神经网络模型建立状态监测模型，并对状态监测模型进行正反向训练；
所述状态输出模块，将多维矩阵数据输入状态监测模型，输出获取汽轮机下一时刻的预测数据信息，根据预测数据信息，实时输出汽轮机状态预测结果；
所述故障判断模块，根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型。
本实施例中，对监测数据进行预处理的方法为：采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记，对标准化数据集进行降噪处理和中心化处理。由于信号数据可能包含一些噪声干扰信号，若不处理，则会影响预测精度，可采用小波包阈值法去噪对信号进行分解，过滤小波系数后重构，从而有效地去除噪声干扰信号。在基于小波包阈值法的消噪过程中，小波基函数的选择和分解尺度的确定是两个重要性因素，不同性质的信号数据可以选择不同的小波基函数，这样才能取得更好的降噪处理效果。由于标准化数据集的数据正态化涉及多维度信号数据，为了消除量纲的影响，需要将信号数据进行中心化处理，以便进行综合处理，可以采用正态化方法实现中心化，将数据处理成服从均值为零的正态化数据。
根据预处理后的多个监测数据的信号参数生成多维矩阵数据的方法为：
选择一段时间内监测数据中的n个变量作为备选数据，令备选数据集为W，在时刻t处采集得到的向量W(t)为各变量在时刻t的值构成的向量：
W(t)＝[w1,w2,…,wn]T
其中，wn表示第n个变量；
根据最大最小值原理，对n个变量进行筛选，使得每个变量都能在其取值范围内进行均匀采样；选出的m个数据构成多维矩阵数据V，如下所示：
其中，W(m)表示第m个数据向量；xn(m)表示第m个数据向量中的第n个变量。
通过将多个监测数据的信号参数生成多维矩阵数据，并将多维矩阵数据输入状态监测模型，来获取汽轮机下一时刻的预测数据信息，通过预估值的偏差大小来判断各变量是否发生异常，以达到预警的目的，使得汽轮机运行状态得到有效的监控，在异常发生时能够及时进行预警，在故障发生前及时有效的采取措施，从而大大提高汽轮机运行过程的安全性和经济性。
建立状态监测模型的方法为：
将预处理后的监测数据作为样本数据，将样本数据按设定比例拆分成训练样本、验证样本和测试样本；
构造CNN卷积神经网络模型，并以径向基函数作为CNN卷积神经网络激活函数，及采用模糊C均值聚类算法确定各个神经元中心；
采用训练样本构造输入输出向量，并使用自然梯度下降法对CNN卷积神经网络模型进行训练，以获取CNN卷积神经网络模型的最优参数，根据最优参数确定状态监测模型；
采用验证样本对状态预测模型进行精确度验证，并判断是否符合预设精确度要求，若不符合，则继续训练直至符合预设精确度要求；
采用测试样本对验证后的状态预测模型进行测试，并利用贝叶斯检验法计算其置信度。
通过CNN卷积神经网络模型，构造一种基于时间序列的状态监测模型，该状态监测模型利用C-C算法进行相空间重构得到输入输出向量，再利用模糊C均值聚类算法确定各个神经元中心，对于网络优化提供线性回归与自然梯度下降法两种训练方式，最后利用贝叶斯假设检验验证模型可靠性；针对故障预警仍然利用贝叶斯假设检验方法判断，设定警戒线来判断故障是否发生，对于汽轮机系统的故障具有预测精度高、可靠性强等特点。
状态监测模型共分四层：输入层、模式层、求和层和决策层，输入层接收来自多维矩阵数据的样本值，其神经元数目和多维矩阵数据的样本矢量的维数相等；模式层神经元的个数等于各个类别多维矩阵数据的样本数之和；求和层，故障模式和神经元一一对应，神经元将对应模式层的一组神经元输出求和，从而得到故障模式的估计概率密度函数；决策层由简单的辨别器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率的神经元作为整个系统的输出。
本实施例中，根据预测数据信息，实时输出汽轮机状态预测结果的方法为：
将数据处理模块获取的汽轮机运行监测数据构成满足正态分布的数据时序区间，判断状态监测模型输出的预测数据信息是否位于数据时序区间内，若预测数据信息位于数据区间内，则将预测数据信息添加至数据时序区间，更新数据时序区间，若预测数据信息位于数据时序区间外，输出汽轮机状态预测结果。更新数据时序区间的方法为：若数据时序区间已达最大数据容量，将位于数据时序区间的监测数据填入，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；若数据时序区间未达最大数据容量，但数据时序区间已达最低初始化数据容量，且监测数据位于数据时序区间标准差范围外，则将位于经验容许标准差范围内的监测数据填入数据时序区间；若数据时序区间未达最大数据容量，且数据时序区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数据时序区间。本发明能够灵活、有效地处理汽轮机组海量、高维的监测数据，并从中准确地提取信息，进行汽轮机状态监测辨识，从而能够解决传统汽轮机运行故障监测系统通过设定正常运行指标对汽轮机进行故障判断，导致频发的故障漏报误报，监测效果不理想的问题。
本实施例中，根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型的方法为：比对状态监测模型输出的预测数据信息的正常运行信息和故障特征信息分别进行最小二乘法计算，得到多组回归方程，找出最为匹配的回归方程，根据该回归方程所对应的运行状态，从而判断汽轮机的故障类型。汽轮机的故障类型包括磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障和叶片高周疲劳。采用回归方程对汽轮机运行状态进行特征匹配和故障甄别，故障诊断结果由系统实时运行数据进行特征匹配后得到，便于分析判断，得出汽轮机的故障类型，提高了汽轮机安全性监测和寿命评估的精确性。
本发明还包括控制系统安全故障监测模块，用于对汽轮机的运行以及控制程序的故障监测，判断网络异常和DPU异常对应的网络安全是否会对汽轮机的运行安全产生影响。通过物理I/O接口接入被监测的汽轮机控制程序，并采集被监测汽轮机控制程序的DPU控制单元中特定控制逻辑的状态输入值和实时运算结果，并将被监测汽轮机控制程序的DPU控制单元中特定控制逻辑的状态输入值输入至用于在理想状态下模拟DPU控制单元运行的DPU模拟单元中，并采集DPU模拟单元模拟被监测汽轮机控制程序的DPU控制单元运行的参考运算结果；将实时运算结果与模拟运算结果进行比对误差计算，若比对误差超过预设的误差阈值则判定为DPU控制单元异常，并记录和上报DPU异常事件，以网络异常事件发生的时间点为基础，对应检查其后若干分钟内的DPU异常事件进行关联，以及以DPU异常事件发生的时间点为基础，对应检查前若干分钟内的网络异常事件进行关联，根据关联分析步骤的分析结果，判断网络异常事件和DPU异常事件对应的网络安全事件是否会对汽轮机本体安全产生影响。
本发明能够利用预先构建的状态监测模型来预测汽轮机下一时刻的预测数据信息，并判断是否出现异常，从而达到预警的效果，使得在汽轮机运行工作过程中状态参数不断变化出现异常时，能够被及时准确地监测，从而有效避免了误报，并且有良好的且精确度高的故障预测能力。此外，本发明还为汽轮机类复杂机电系统以及其他大型能源设备的高维数据处理，故障监测奠定了坚实的基础。
选取正常运行、故障异常数据各60组，作为状态监测模型的训练样本；正常运行、故障异常数据各60组作为状态监测模型的验证样本；正常运行、故障异常数据各40组作为状态监测模型的测试样本。通过实验验证可得：状态监测模型对60组样本全部诊断正确，诊断准确率达到100％。表明：本发明能够快速准确地预测汽轮机的故障情况。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种汽轮机运行故障监测系统，其特征在于，包括：数据处理模块、模型建立模块、状态输出模块和故障判断模块；其中，
所述数据处理模块，获取汽轮机运行监测数据，并对监测数据进行预处理，且根据预处理后的多个监测数据的信号参数生成多维矩阵数据；
所述模型建立模块，利用预处理后的监测数据，训练CNN卷积神经网络模型，根据训练的CNN卷积神经网络模型建立状态监测模型，并对状态监测模型进行正反向训练；
所述状态输出模块，将多维矩阵数据输入状态监测模型，输出获取汽轮机下一时刻的预测数据信息，根据预测数据信息，实时输出汽轮机状态预测结果；
所述故障判断模块，根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型。
2.根据权利要求1所述的一种汽轮机运行故障监测系统，其特征在于，对监测数据进行预处理的方法为：采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记，对标准化数据集进行降噪处理和中心化处理。
3.根据权利要求2所述的一种汽轮机运行故障监测系统，其特征在于，根据预处理后的多个监测数据的信号参数生成多维矩阵数据的方法为：
选择一段时间内监测数据中的n个变量作为备选数据，令备选数据集为W，在时刻t处采集得到的向量W(t)为各变量在时刻t的值构成的向量：
W(t)＝[w1,w2,…,wn]T
其中，wn表示第n个变量；
根据最大最小值原理，对n个变量进行筛选，使得每个变量都能在其取值范围内进行均匀采样；选出的m个数据构成多维矩阵数据V，如下所示：
其中，W(m)表示第m个数据向量；xn(m)表示第m个数据向量中的第n个变量。
4.根据权利要求3所述的一种汽轮机运行故障监测系统，其特征在于，建立状态监测模型的方法为：
将预处理后的监测数据作为样本数据，将样本数据按设定比例拆分成训练样本、验证样本和测试样本；
构造CNN卷积神经网络模型，并以径向基函数作为CNN卷积神经网络激活函数，及采用模糊C均值聚类算法确定各个神经元中心；
采用训练样本构造输入输出向量，并使用自然梯度下降法对CNN卷积神经网络模型进行训练，以获取CNN卷积神经网络模型的最优参数，根据最优参数确定状态监测模型；
采用验证样本对状态预测模型进行精确度验证，并判断是否符合预设精确度要求，若不符合，则继续训练直至符合预设精确度要求；
采用测试样本对验证后的状态预测模型进行测试，并利用贝叶斯检验法计算其置信度。
5.根据权利要求4所述的一种汽轮机运行故障监测系统，其特征在于，状态监测模型共分四层：输入层、模式层、求和层和决策层，输入层接收来自多维矩阵数据的样本值，其神经元数目和多维矩阵数据的样本矢量的维数相等；模式层神经元的个数等于各个类别多维矩阵数据的样本数之和；求和层，故障模式和神经元一一对应，神经元将对应模式层的一组神经元输出求和，从而得到故障模式的估计概率密度函数；决策层由简单的辨别器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率的神经元作为整个系统的输出。
6.根据权利要求5所述的一种汽轮机运行故障监测系统，其特征在于，根据预测数据信息，实时输出汽轮机状态预测结果的方法为：
将数据处理模块获取的汽轮机运行监测数据构成满足正态分布的数据时序区间，判断状态监测模型输出的预测数据信息是否位于数据时序区间内，若预测数据信息位于数据区间内，则将预测数据信息添加至数据时序区间，更新数据时序区间，若预测数据信息位于数据时序区间外，输出汽轮机状态预测结果。
7.根据权利要求6所述的一种汽轮机运行故障监测系统，其特征在于，更新数据时序区间的方法为：
若数据时序区间已达最大数据容量，将位于数据时序区间的监测数据填入，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；
若数据时序区间未达最大数据容量，但数据时序区间已达最低初始化数据容量，且监测数据位于数据时序区间标准差范围外，则将位于经验容许标准差范围内的监测数据填入数据时序区间；
若数据时序区间未达最大数据容量，且数据时序区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数据时序区间。
8.根据权利要求7所述的一种汽轮机运行故障监测系统，其特征在于，
根据汽轮机状态预测结果判断汽轮机是否出现故障，并判断故障类型的方法为：比对状态监测模型输出的预测数据信息的正常运行信息和故障特征信息分别进行最小二乘法计算，得到多组回归方程，找出最为匹配的回归方程，根据该回归方程所对应的运行状态，从而判断汽轮机的故障类型。
9.根据权利要求8所述的一种汽轮机运行故障监测系统，其特征在于，汽轮机的故障类型包括磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障和叶片高周疲劳。
10.根据权利要求1或9所述的一种汽轮机运行故障监测系统，其特征在于，还包括控制系统安全故障监测模块，用于对汽轮机的运行以及控制程序的故障监测，判断网络异常和DPU异常对应的网络安全是否会对汽轮机的运行安全产生影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310515683.3A CN116861164A (zh) | 2023-05-08 | 2023-05-08 | 一种汽轮机运行故障监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310515683.3A CN116861164A (zh) | 2023-05-08 | 2023-05-08 | 一种汽轮机运行故障监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861164A true CN116861164A (zh) | 2023-10-10 |
Family
ID=88232877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310515683.3A Pending CN116861164A (zh) | 2023-05-08 | 2023-05-08 | 一种汽轮机运行故障监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861164A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
| CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
| CN111695452A (zh) * | 2020-05-28 | 2020-09-22 | 国网河北省电力有限公司电力科学研究院 | 基于rbf神经网络的并联电抗器内部老化程度评估方法 |
| CN111879522A (zh) * | 2020-07-24 | 2020-11-03 | 山东大学 | 基于时序概率的汽轮机运行监测和故障判别方法及系统 |
| CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
| CN112487910A (zh) * | 2020-11-24 | 2021-03-12 | 中广核工程有限公司 | 核电汽轮机系统故障预警方法及系统 |
| CN113193551A (zh) * | 2021-04-27 | 2021-07-30 | 长安大学 | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 |
| CN113958377A (zh) * | 2020-07-03 | 2022-01-21 | 中国东方电气集团有限公司 | 一种汽轮机网络安全实时在线监测系统及方法 |
| CN115217534A (zh) * | 2022-07-18 | 2022-10-21 | 西安交通大学 | 一种汽轮机服役质量状态监测方法及系统 |
| CN115539139A (zh) * | 2022-09-05 | 2022-12-30 | 苏州热工研究院有限公司 | 一种汽轮机安全性的监测方法 |
| CN115865716A (zh) * | 2022-11-16 | 2023-03-28 | 杭州颉码能源科技有限公司 | 一种网络状态分析方法、系统及计算机可读介质 |
-
2023
- 2023-05-08 CN CN202310515683.3A patent/CN116861164A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
| CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
| CN111695452A (zh) * | 2020-05-28 | 2020-09-22 | 国网河北省电力有限公司电力科学研究院 | 基于rbf神经网络的并联电抗器内部老化程度评估方法 |
| CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
| CN113958377A (zh) * | 2020-07-03 | 2022-01-21 | 中国东方电气集团有限公司 | 一种汽轮机网络安全实时在线监测系统及方法 |
| CN111879522A (zh) * | 2020-07-24 | 2020-11-03 | 山东大学 | 基于时序概率的汽轮机运行监测和故障判别方法及系统 |
| CN112487910A (zh) * | 2020-11-24 | 2021-03-12 | 中广核工程有限公司 | 核电汽轮机系统故障预警方法及系统 |
| CN113193551A (zh) * | 2021-04-27 | 2021-07-30 | 长安大学 | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 |
| CN115217534A (zh) * | 2022-07-18 | 2022-10-21 | 西安交通大学 | 一种汽轮机服役质量状态监测方法及系统 |
| CN115539139A (zh) * | 2022-09-05 | 2022-12-30 | 苏州热工研究院有限公司 | 一种汽轮机安全性的监测方法 |
| CN115865716A (zh) * | 2022-11-16 | 2023-03-28 | 杭州颉码能源科技有限公司 | 一种网络状态分析方法、系统及计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN113657454B (zh) | 基于自回归BiGRU的核电旋转机械状态监测方法 | |
| CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
| CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN110703214A (zh) | 一种气象雷达状态评估和故障监测方法 | |
| CN111523081A (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN110865924A (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
| CN114970309A (zh) | 一种火电设备状态预警评估方法 | |
| CN117633690A (zh) | 一种基于数据驱动的旋转机械健康状态监测方法及设备 | |
| CN118014115A (zh) | 一种基于长短时记忆网络的产线损耗监测方法 | |
| CN116028849B (zh) | 基于深度自编码网络的乳化液泵故障诊断方法 | |
| CN116861164A (zh) | 一种汽轮机运行故障监测系统 | |
| Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics |
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 |