CN116976191A - 一种水轮发电机组轴系稳定性劣化趋势预测方法 - Google Patents
一种水轮发电机组轴系稳定性劣化趋势预测方法 Download PDFInfo
- Publication number
- CN116976191A CN116976191A CN202310714372.XA CN202310714372A CN116976191A CN 116976191 A CN116976191 A CN 116976191A CN 202310714372 A CN202310714372 A CN 202310714372A CN 116976191 A CN116976191 A CN 116976191A
- Authority
- CN
- China
- Prior art keywords
- data
- degradation
- parameters
- noise
- shafting
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 160
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000036541 health Effects 0.000 claims abstract description 76
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000010349 pulsation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004092 self-diagnosis 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种水轮发电机组轴系稳定性劣化趋势预测方法。所述方法包括以下步骤:进行数据采集,获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据;对采集的数据进行数据预处理,获取水轮发电机组健康数据样本;建立水轮发电机组轴系的标准健康状态模型;根据采集到的实时数据,获取劣化趋势时间序列;建立时间序列预测模型,基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测;根据劣化趋势预测结果,进行劣化等级评定。本发明解决了水轮发电机组需要凭借停机检修规程进行劣化判断的问题;本发明解决了机器学习方法直接套用从而导致样本需求大、特征冗余的问题。
Description
技术领域
本发明涉及设备监测技术领域,具体涉及一种水轮发电机组轴系稳定性劣化趋势预测方法。
背景技术
水轮发电机组是水力发电厂的重要关键设备,水轮发电机组轴系则包括上轴端、转子中心体、下端轴、发电机主轴、水轮机轴和转轮等动部件,状态监测系统需要对机组设备的工作状态进行实时监视和测量,以了解其运行状态是否正常。水轮发电机组的健康运行主要是指机组运行平稳且无异常,主要表现为振摆类参数幅值与波动均较小。水轮发电机组在投运过程中会不断积累磨损、部件劣化,结合数据进行设备状态预测和劣化评定,以便及时发现危害,保障水轮发电机组的正常运行。目前机器学习技术和大数据技术的深度应用,水力发电厂普遍实现了高度的自动化,往少人值守、一人一席多厂站的智能与智慧化方向发展。
现有技术中,对水电站设备进行趋势预测的方法具体如下:
贵州北盘江电力股份有限公司光照分公司谌洪江等人公布了一种水轮发电机组数据趋势的预测分析方法及系统,基于水电机组的运行监测数据,根据数据异常进行分析和分类,结合监测指标和趋势预测算法,获得预测结果并确定报警等级(谌洪江,陈国锋,姚本培等.一种水轮发电机组数据趋势的预测分析方法及系统[P].贵州省:CN115423158A,2022-12-02.);西安热工研究院有限公司杜灿勋等人根据联轴螺栓的疲劳裂纹尺寸,提出了基于扩散速率的疲劳寿命预测模型,获取实际螺栓的疲劳扩展寿命(杜灿勋,刘德翼,阙培中等.一种轴流式水轮发电机组联轴螺栓疲劳寿命预测方法及系统[P].陕西省:CN115544691A,2022-12-30.);哈尔滨电机厂有限责任公司王润鹏等人公布了一种基于故障信息的水轮发电机组健康评估方法,利用故障信息和激励模型建立发电机组的健康评价体系,通过故障发生频次和关键部件的运行状态并结合时间修正,评估了机组的运行健康状态(王润鹏,范寿孝,孙永鑫等.一种基于故障信息的水轮发电机组健康评估方法[P].黑龙江省:CN115062965A,2022-09-16.);西安热工研究院有限公司吴可可等人公布了一种水轮发电机组运行故障监测方法,建立设备激励模型和大数据AI模型,通过智能感知、数据处理、故障建模、智能分析、智能分析、智能预警和综合诊断等模块实现设备故障自诊断(吴可可,熊高鑫,孙仕辉等.一种水轮发电机组运行故障监测方法及系统[P].陕西省:CN115034483A,2022-09-09.);中国水利水电科学研究院尚毅梓等人基于水轮发电机组轴系振动有限元计算,根据振动运动方程,计算转频是否偏离轴系临界转速的阈值范围(尚毅梓,王武昌,李晓飞等.一种水轮发电机组轴系振动预测分析方法[P].北京市:CN115618664A,2023-01-17.)。
以上的方法均一定程度上实现了水轮发电机组相关设备的状态诊断或预测,但上述对比文件均没有建立以轴系部件之间多维信息组成的健康状态模型。
发明内容
本发明结合水轮发电机组轴系稳定性特性,提出了一种水轮发电机组轴系稳定性劣化趋势预测方法,对水轮发电机组轴系劣化趋势进行分析与等级评定。本发明方法根据相关性特性对监测参数进行了数据选择,减少了数据运算,同时解决了机器学习样本训练时间长、特征冗余的问题;本发明方法提出健康状态模型和劣化趋势预测模型共同实现趋势预测,可靠性更高;本发明专利构建了以工况参数、振动数据和噪声数据为数据源的单部件健康劣化度,并通过欧氏距离融合构成了轴系劣化趋势时间序列,结合了深度学习预测模型对劣化趋势时间序列进行了预测,最终通过健康状态模型和预测模型完成了轴系劣化判断;因此本发明方法具有创新性。
本发明的目的至少通过如下技术方案之一实现。
一种水轮发电机组轴系稳定性劣化趋势预测方法,包括以下步骤:
S1、进行数据采集,获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据;
S2、对步骤S1中采集的数据进行数据预处理,获取水轮发电机组健康数据样本;
S3、建立水轮发电机组轴系的标准健康状态模型;
S4、根据采集到的实时数据,获取劣化趋势时间序列;
S5、建立时间序列预测模型,基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测;
S6、根据劣化趋势预测结果,进行劣化等级评定。
进一步地,步骤S1中,通过机组轴系监测系统,采集设备的振动、摆度、压力脉动、液位、温度、压力、流量、机组抬机量状态监测参量和过程量参数,同时获取水头/扬程、机组转速或频率、有功功率、无功功率、机组出力、功率因数和导叶开度工况参数、发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声的声音数据。
进一步地,步骤S2中,对步骤S1中采集到的数据进行预处理,包括数据误差处理、数据选择及数据归一化:
所述数据误差处理主要是对历史数据存在的数据缺失或异常值,进行数据检查和纠正;对于包括数据缺失、随机数据、不合理数据(超出范围)的数据问题,可以直观地识别,或通过数据清洗实用程序监测到,这类实用程序可以剔除坏的数据或使用前后补值程序,得到可能的数据替代坏数据;前后补值程序纠正方法为将需要进行数据误差处理的值设为前后两值的均值;
所述数据选择是通过计算设备工况过程参数、噪声数据与水轮机设备监测数据的相关系数,选择与水轮机设备状态高相关性的工况过程参量;利用时间序列相关性分析原理,以设备工况过程参数、噪声数据与机组状态参数作为分析目标,采用皮尔逊相关系数法计算两者与机组状态之间相关系数,得到高相关度的设备过程工况参数、噪声数据和机组状态参数具体类型;
所述数据归一化主要是将所需数据映射到同一尺度;采用离差标准化的方法,公式如(1)所示:
其中,x*表示样本标准化数据;x表示样本原始数据;xmax表示样本数据最大值;xmin表示样本数据最小值。
进一步地,设备过程工况参数、噪声数据和机组状态参数具体类型,具体如下:
设备过程工况参数包括导叶开度、有功功率、无功功率、水头、励磁电流、励磁电压、空气冷却器最高温度、转轮与顶盖间压力脉动、开机时间;
机组状态参数包括上机架振动、下机架振动、顶盖振动的振动时频域信号数据、上导轴承摆度、下导轴承摆度、水导轴承摆度的摆度时频域信号数据;
机组噪声参数包括发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声。
进一步地,步骤S3中,所述水轮发电机组轴系标准健康状态模型,具体如下:
通过将水轮发电机组工况参数、噪声数据作为健康状态模型的自变量,将机组健康状态下的振动摆度状态参数作为健康状态模型因变量,分别建立n个单通道健康状态模型,健康状态模型数学表达式如式(2)所示:
fi:Xt→Vi,t,i∈[1,...,n] (2)
其中,Xt表示t时刻水轮发电机组工况参数、噪声数据;Vi,t表示t时刻第i维振动摆度测点;fi表示需要求解的第i维单通道健康状态模型。
进一步地,步骤S4中,根据采集到的实时数据,获取水轮发电机组轴系劣化趋势时间序列,具体如下:
将水轮发电机组未来运行过程中的工况参数、噪声数据Xt'输入到式(2)所示的单通道健康状态模型中,计算获得t'时刻下运行工况下水轮发电机组各通道的振摆健康状态值Vi,t',与t'时刻水轮发电机组实时振摆状态参数Ri,t'对比,得到t'时刻通道i下的劣化度DCi,t',计算公式如式(3)所示:
其中,ReLU表示线性整流函数,是神经网络中常用的激活函数,其严格意义上保证了水轮发电机组单监测参数劣化度不小于0;t'时刻是指未来运行过程中的某个时刻,对应的工况参数、噪声数据Xt'通过预测得出;
针对每一个部件,根据每个部件的所有监测参数,求取其欧式距离:
其中,摆度部件包括X、Y向,振动部件则包括X、Y和Z向;Dj,t'为t'时刻的第j个单部件健康劣化度。
然后,将水轮发电机组稳态运行过程中的单部件健康劣化度进行时间融合,获得可以描述机组整个稳态过程的每个部件健康劣化度Dj,通过公式(6)所示求取均值获得;
其中,T表示从开机至停机过程中机组稳态运行时间;Dj为第j个单部件稳态健康劣化度;
最后,将机组轴系的n个部件的健康劣化度进行空间融合,获得水轮发电机组融合劣化度D,从而构成水轮发电机组轴系劣化趋势时间序列。
其中,D为由机组轴系劣化趋势时间序列。
进一步地,步骤S5中,基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测,具体包括以下步骤:
S5.1、建立趋势预测模型:
对水轮发电机组轴系劣化趋势时间序列进行重构,并定义预测模型输入为10个时间步,预测模型输出为1个时间步;构建基于深度学习的劣化趋势预测模型,初始化预测模型参数,训练预测模型,使预测模型性能达到最优;
S5.2、预测模型性能评价:
对预测模型性能进行评价,通常采用均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean AbsolutePercentage Error,MAPE)的指标对预测模型预测结果的有效性进行量化评价,各指标具体公式如下:
其中,ya表示劣化趋势时间序列的真实值;表示预测模型的预测值;a代表数据编号,N表示数据的个数。
进一步地,步骤S6中,根据劣化趋势预测结果进行劣化等级评定,具体如下:
根据相关标准及运行规程等技术资料可获取绝大多数性能指标的阈值;对于没有资料可参考的性能指标,应根据设备运行经验确定其劣化等级划分阈值;将性能指标与阈值比较,如果超过警告阈值,则根据越限等级进行劣化等级评估;劣化等级评定过程如下:
根据相关标准及运行规程等技术资料划分劣化等级;
根据劣化趋势预测结果,综合评定机组劣化等级;
根据水轮发电机组劣化趋势,分为正常、警告、严重警告三个等级,宜分别赋予其相应的劣化阈值;
若评定结果为正常状态,正常检修或适当延后检修;若评定结果为警告,正常检修或适当增加相关部件检修项目;若评定结果为严重警告,注意监测相关设备,适时安排检修,可对其它部件维护。
相比与现有技术,本发明的优点在于:
本发明提出的方法解决了水轮发电机组需要凭借停机检修规程进行劣化判断的问题;
本发明提出的方法解决了机器学习方法直接套用从而导致样本需求大、特征冗余的问题;
本发明提出的劣化等级划分阈值,结合设备相关部件的监测状态,对指导设备检修项目起到了实际有效的作用。
附图说明
图1为本发明实施例中一种水轮发电机组轴系稳定性劣化趋势预测方法流程图;
图2为本发明实施例1中的顶盖-水导水轮发电机组轴系劣化趋势图;
图3为本发明实施例2中的上导-水导水轮发电机组轴系劣化趋势图;
图4为本发明实施例3中的顶盖-上导水轮发电机组轴系劣化趋势图。
具体实施方式
上述识别和跟踪方法组合为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化,均应为等效的置换方式,都应包含在本发明的保护范围之内。
实施例1:
一种水轮发电机组轴系稳定性劣化趋势预测方法,有效解决了水轮发电机组需要凭借停机检修规程进行劣化判断的问题,实现了在劣化进一步严重前安排检修预防,包括以下步骤:
S1、进行数据采集,获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据;
通过机组轴系监测系统,采集设备的振动、摆度、压力脉动、液位、温度、压力、流量、机组抬机量状态监测参量和过程量参数,同时获取水头/扬程、机组转速或频率、有功功率、无功功率、机组出力、功率因数和导叶开度工况参数、发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声的声音数据。
S2、对步骤S1中采集的数据进行数据预处理,获取水轮发电机组健康数据样本,包括数据误差处理、数据选择及数据归一化:
所述数据误差处理主要是对历史数据存在的数据缺失或异常值,进行数据检查和纠正;对于包括数据缺失、随机数据、不合理数据(超出范围)的数据问题,可以直观地识别,或通过数据清洗实用程序监测到,这类实用程序可以剔除坏的数据或使用前后补值程序,得到可能的数据替代坏数据;前后补值程序纠正方法为将需要进行数据误差处理的值设为前后两值的均值;
所述数据选择是通过计算设备工况过程参数、噪声数据与水轮机设备监测数据的相关系数,选择与水轮机设备状态高相关性的工况过程参量;利用时间序列相关性分析原理,以设备工况过程参数、噪声数据与机组状态参数作为分析目标,采用皮尔逊相关系数法计算两者与机组状态之间相关系数,得到高相关度的设备过程工况参数、噪声数据和机组状态参数具体类型;
所述数据归一化主要是将所需数据映射到同一尺度;采用离差标准化的方法,公式如(1)所示:
其中,x*表示样本标准化数据;x表示样本原始数据;xmax表示样本数据最大值;xmin表示样本数据最小值。
设备过程工况参数、噪声数据和机组状态参数具体类型,具体如下:
设备过程工况参数包括导叶开度、有功功率、无功功率、水头、励磁电流、励磁电压、空气冷却器最高温度、转轮与顶盖间压力脉动、开机时间;
机组状态参数包括上机架振动、下机架振动、顶盖振动的振动时频域信号数据、上导轴承摆度、下导轴承摆度、水导轴承摆度的摆度时频域信号数据;
机组噪声参数包括发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声。
S3、建立水轮发电机组轴系的标准健康状态模型,具体如下:
通过将水轮发电机组工况参数、噪声数据作为健康状态模型的自变量,将机组健康状态下的振动摆度状态参数作为健康状态模型因变量,分别建立n个单通道健康状态模型,健康状态模型数学表达式如式(2)所示:
fi:Xt→Vi,t,i∈[1,...,n] (2)
其中,Xt表示t时刻水轮发电机组工况参数、噪声数据;Vi,t表示t时刻第i维振动摆度测点;fi表示需要求解的第i维单通道健康状态模型。
S4、根据采集到的实时数据,获取劣化趋势时间序列,具体如下:
将水轮发电机组未来运行过程中的工况参数、噪声数据Xt'输入到式(2)所示的单通道健康状态模型中,计算获得t'时刻下运行工况下水轮发电机组各通道的振摆健康状态值Vi,t',与t'时刻水轮发电机组实时振摆状态参数Ri,t'对比,得到t'时刻通道i下的劣化度DCi,t',计算公式如式(3)所示:
其中,ReLU表示线性整流函数,是神经网络中常用的激活函数,其严格意义上保证了水轮发电机组单监测参数劣化度不小于0;t'时刻是指未来运行过程中的某个时刻,对应的工况参数、噪声数据Xt'通过预测得出;
针对每一个部件,根据每个部件的所有监测参数,求取其欧式距离:
其中,摆度部件包括X、Y向,振动部件则包括X、Y和Z向;Dj,t'为t'时刻的第j个单部件健康劣化度。
然后,将水轮发电机组稳态运行过程中的单部件健康劣化度进行时间融合,获得可以描述机组整个稳态过程的每个部件健康劣化度Dj,通过公式(6)所示求取均值获得;
其中,T表示从开机至停机过程中机组稳态运行时间;Dj为第j个单部件稳态健康劣化度;
最后,将机组轴系的n个部件的健康劣化度进行空间融合,获得水轮发电机组融合劣化度D,从而构成水轮发电机组轴系劣化趋势时间序列。
其中,D为由机组轴系劣化趋势时间序列;
S5、建立时间序列预测模型,基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测,具体包括以下步骤:
S5.1、建立趋势预测模型:
对水轮发电机组轴系劣化趋势时间序列进行重构,并定义预测模型输入为10个时间步,预测模型输出为1个时间步;构建基于深度学习的劣化趋势预测模型,初始化预测模型参数,训练预测模型,使预测模型性能达到最优;
S5.2、预测模型性能评价:
对预测模型性能进行评价,通常采用均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean AbsolutePercentage Error,MAPE)的指标对预测模型预测结果的有效性进行量化评价,各指标具体公式如下:
其中,ya表示劣化趋势时间序列的真实值;表示预测模型的预测值;a代表数据编号,N表示数据的个数。
S6、根据劣化趋势预测结果,进行劣化等级评定,具体如下:
根据相关标准及运行规程等技术资料可获取绝大多数性能指标的阈值;对于没有资料可参考的性能指标,应根据设备运行经验确定其劣化等级划分阈值;将性能指标与阈值比较,如果超过警告阈值,则根据越限等级进行劣化等级评估;劣化等级评定过程如下:
根据相关标准及运行规程等技术资料划分劣化等级;
根据劣化趋势预测结果,综合评定机组劣化等级;
根据水轮发电机组劣化趋势,分为正常、警告、严重警告三个等级,宜分别赋予其相应的劣化阈值;
若评定结果为正常状态,正常检修或适当延后检修;若评定结果为警告,正常检修或适当增加相关部件检修项目;若评定结果为严重警告,注意监测相关设备,适时安排检修,可对其它部件维护。
本实施例中,构建回归健康状态模型,采用有功功率、无功功率、导叶开度的工况参数与水车室噪声数据作为健康状态模型的输入,输出为顶盖X向、顶盖Y向的振动数据,数据长度均为170,数据输入前均经过归一化,得到顶盖部件健康状态模型。
利用欧式距离公式得到顶盖部件健康劣化度,同理,建立水导部件健康状态模型,得到水导部件健康劣化度,一起构成轴系劣化趋势时间序列。
本实施例中,顶盖部件健康状态模型:
DC顶盖X向=0.04237-0.09419X有功+0.1046X无功+0.1996X导叶开度+0.7218X水车室噪声
DC顶盖Y向=-0.003362-0.00057X有功+0.08343X无功+0.2683X导叶开度+0.8730X水车室噪声
本实施例中,水导部件健康状态模型:
DC水导X向=0.06785-0.03981X有功-0.1199X无功+0.1082X导叶开度+0.2706X水车室噪声
DC水导Y向=0.007537+0.01698X有功-0.03160X无功+0.07587X导叶开度+0.3672X水车室噪声
构建LSTM劣化趋势预测模型,以均方根误差为评价函数,预测模型输入为10个时间步,输出为1个时间步。根据预测的劣化趋势时间序列,进行劣化等级的划分,结果如下图2所示。
表1顶盖-水导轴系劣化等级表
劣化等级 | 正常 | 警告 | 严重警告 |
劣化阈值 | 0.55 | 0.70 | 1.00 |
本实施例中,由图2可以看出预测的劣化度都在0.55以内,故判断水轮发电机组劣化趋势正常。
实施例2:
本实施例中,构建回归健康状态模型,采用有功功率、无功功率、导叶开度的工况参数与水车室噪声数据作为健康状态模型的输入,输出为上导X向、上导Y向的振动数据,数据长度均为170,数据输入前均经过归一化,得到顶盖部件健康状态模型。
利用欧式距离公式得到上导部件健康劣化度,同理,建立水导部件健康状态模型,得到水导部件健康劣化度,一起构成轴系劣化趋势时间序列。
本实施例中,上导部件健康状态模型:
DC上导X向=0.007212+0.02976X有功-0.03787X无功+0.08959X导叶开度+0.4391X水车室噪声
DC上导Y向=-0.002440+0.03428X有功-0.03142X无功+0.08283X导叶开度+0.4207X水车室噪声
本实施例中,水导部件健康状态模型:
DC水导X向=0.06785-0.03981X有功-0.1199X无功+0.1082X导叶开度+0.2706X水车室噪声
DC水导Y向=0.007537+0.01698X有功-0.03160X无功+0.07587X导叶开度+0.3672X水车室噪声
构建LSTM劣化趋势预测模型,以均方根误差为评价函数,预测模型输入为10个时间步,输出为1个时间步。根据预测的劣化趋势时间序列,进行劣化等级的划分,结果如下图3所示。
表2上导-水导轴系劣化等级表
劣化等级 | 正常 | 警告 | 严重警告 |
劣化阈值 | 0.30 | 0.40 | 0.7 |
本实施例中,由图3可以看出预测的劣化度都在0.30以内,故判断水轮发电机组劣化趋势正常。
实施例3:
本实施例中,构建回归健康状态模型,采用有功功率、无功功率、导叶开度的工况参数与水车室噪声数据作为健康状态模型的输入,输出为顶盖X向、顶盖Y向的振动数据,数据长度均为170,数据输入前均经过归一化,得到顶盖部件健康状态模型。
本实施例中,利用欧式距离公式得到顶盖部件健康劣化度,同理,建立上导部件健康状态模型,得到上导部件健康劣化度,一起构成轴系劣化趋势时间序列。
本实施例中,顶盖部件健康状态模型:
DC顶盖X向=0.04237-0.09419X有功+0.1046X无功+0.1996X导叶开度+0.7218X水车室噪声
DC顶盖Y向=-0.003362-0.00057X有功+0.08343X无功+0.2683X导叶开度+0.8730X水车室噪声
本实施例中,上导部件健康状态模型:
DC上导X向=0.007212+0.02976X有功-0.03787X无功+0.08959X导叶开度+0.4391X水车室噪声
DC上导Y向=-0.002440+0.03428X有功-0.03142X无功+0.08283X导叶开度+0.4207X水车室噪声
本实施例中,构建LSTM劣化趋势预测模型,以均方根误差为评价函数,预测模型输入为10个时间步,输出为1个时间步。根据预测的劣化趋势时间序列,进行劣化等级的划分,结果如下图4所示。
表3顶盖-上导轴系劣化等级表
劣化等级 | 正常 | 警告 | 严重警告 |
劣化阈值 | 0.50 | 0.60 | 0.90 |
本实施例中,由图4可以看出预测的劣化度都在0.50以内,故判断水轮发电机组劣化趋势正常。
Claims (10)
1.一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,包括以下步骤:
S1、进行数据采集,获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据;
S2、对步骤S1中采集的数据进行数据预处理,获取水轮发电机组健康数据样本;
S3、建立水轮发电机组轴系的标准健康状态模型;
S4、根据采集到的实时数据,获取劣化趋势时间序列;
S5、建立时间序列预测模型,基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测;
S6、根据劣化趋势预测结果,进行劣化等级评定。
2.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S1中,通过机组轴系监测系统,采集设备的振动、摆度、压力脉动、液位、温度、压力、流量、机组抬机量状态监测参量和过程量参数,同时获取水头/扬程、机组转速或频率、有功功率、无功功率、机组出力、功率因数和导叶开度工况参数、发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声的声音数据。
3.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S2中,对步骤S1中采集到的数据进行预处理,包括数据误差处理、数据选择及数据归一化:
所述数据误差处理主要是对历史数据存在的数据缺失或异常值,进行数据检查和纠正;对于包括数据缺失、随机数据、不合理数据的数据问题,直观地识别,或通过数据清洗实用程序监测到,数据清洗实用程序剔除坏的数据或使用前后补值程序,得到可能的数据替代坏数据;前后补值程序纠正方法为将需要进行数据误差处理的值设为前后两值的均值;
所述数据选择是通过计算设备工况过程参数、噪声数据与水轮机设备监测数据的相关系数,选择与水轮机设备状态高相关性的工况过程参量;利用时间序列相关性分析原理,以设备工况过程参数、噪声数据与机组状态参数作为分析目标,采用皮尔逊相关系数法计算两者与机组状态之间相关系数,得到高相关度的设备过程工况参数、噪声数据和机组状态参数具体类型;
所述数据归一化主要是将所需数据映射到同一尺度;采用离差标准化的方法,公式如(1)所示:
其中,x*表示样本标准化数据;x表示样本原始数据;xmax表示样本数据最大值;xmin表示样本数据最小值。
4.根据权利要求3所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,设备过程工况参数、噪声数据和机组状态参数具体类型,具体如下:
设备过程工况参数包括导叶开度、有功功率、无功功率、水头、励磁电流、励磁电压、空气冷却器最高温度、转轮与顶盖间压力脉动、开机时间;
机组状态参数包括上机架振动、下机架振动、顶盖振动的振动时频域信号数据、上导轴承摆度、下导轴承摆度、水导轴承摆度的摆度时频域信号数据;
机组噪声参数包括发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声。
5.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S3中,所述水轮发电机组轴系标准健康状态模型,具体如下:
通过将水轮发电机组工况参数、噪声数据作为健康状态模型的自变量,将机组健康状态下的振动摆度状态参数作为健康状态模型因变量,分别建立n个单通道健康状态模型,健康状态模型数学表达式如式(2)所示:
fi:Xt→Vi,t,i∈[1,,n] (2)
其中,Xt表示t时刻水轮发电机组工况参数、噪声数据;Vi,t表示t时刻第i维振动摆度测点;fi表示需要求解的第i维单通道健康状态模型。
6.根据权利要求5所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S4中,根据采集到的实时数据,获取水轮发电机组轴系劣化趋势时间序列,具体如下:
将水轮发电机组未来运行过程中的工况参数、噪声数据Xt'输入到式(2)所示的单通道健康状态模型中,计算获得t'时刻下运行工况下水轮发电机组各通道的振摆健康状态值Vi,t',与t'时刻水轮发电机组实时振摆状态参数Ri,t'对比,得到t'时刻通道i下的劣化度DCi,t',计算公式如式(3)所示:
其中,ReLU表示线性整流函数,是神经网络中常用的激活函数,其严格意义上保证了水轮发电机组单监测参数劣化度不小于0;t'时刻是指未来运行过程中的某个时刻,对应的工况参数、噪声数据Xt'通过预测得出;
针对每一个部件,根据每个部件的所有监测参数,求取其欧式距离:
其中,摆度部件包括X、Y向,振动部件则包括X、Y和Z向;Dj,t'为t'时刻的第j个单部件健康劣化度;
然后,将水轮发电机组稳态运行过程中的单部件健康劣化度进行时间融合,获得可以描述机组整个稳态过程的每个部件健康劣化度Dj,通过公式(6)所示求取均值获得;
其中,T表示从开机至停机过程中机组稳态运行时间,Dj为第j个单部件稳态健康劣化度;
最后,将机组轴系的n个部件的健康劣化度进行空间融合,获得水轮发电机组融合劣化度D,从而构成水轮发电机组轴系劣化趋势时间序列;
其中,D为由机组轴系劣化趋势时间序列。
7.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S5中,基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测,具体包括以下步骤:
S5.1、建立趋势预测模型;
S5.2、预测模型性能评价。
8.根据权利要求7所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S5.1中,建立趋势预测模型,具体如下:
对水轮发电机组轴系劣化趋势时间序列进行重构,并定义预测模型输入为10个时间步,预测模型输出为1个时间步;构建基于深度学习的劣化趋势预测模型,初始化预测模型参数,训练预测模型,使预测模型性能达到最优。
9.根据权利要求8所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S5.2中,预测模型性能评价,具体如下:
对预测模型性能进行评价,采用均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean Absolute PercentageError,MAPE)的指标对预测模型预测结果的有效性进行量化评价,各指标具体公式如下:
其中,ya表示劣化趋势时间序列的真实值;表示预测模型的预测值;a代表数据编号,N表示数据的个数。
10.根据权利要求1~9任一项所述的一种水轮发电机组轴系稳定性劣化趋势预测方法,其特征在于,步骤S6中,根据劣化趋势预测结果进行劣化等级评定,具体如下:
根据相关标准及运行规程等技术资料可获取绝大多数性能指标的阈值;对于没有资料可参考的性能指标,应根据设备运行经验确定其劣化等级划分阈值;将性能指标与阈值比较,如果超过警告阈值,则根据越限等级进行劣化等级评估;劣化等级评定过程如下:
根据相关标准及运行规程等技术资料划分劣化等级;
根据劣化趋势预测结果,综合评定机组劣化等级;
根据水轮发电机组劣化趋势,分为正常、警告、严重警告三个等级,宜分别赋予其相应的劣化阈值;
若评定结果为正常状态,正常检修或延后检修;若评定结果为警告,正常检修或增加相关部件检修项目;若评定结果为严重警告,注意监测相关设备,安排检修,对其它部件维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310714372.XA CN116976191A (zh) | 2023-06-15 | 2023-06-15 | 一种水轮发电机组轴系稳定性劣化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310714372.XA CN116976191A (zh) | 2023-06-15 | 2023-06-15 | 一种水轮发电机组轴系稳定性劣化趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976191A true CN116976191A (zh) | 2023-10-31 |
Family
ID=88473957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310714372.XA Pending CN116976191A (zh) | 2023-06-15 | 2023-06-15 | 一种水轮发电机组轴系稳定性劣化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976191A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787065A (zh) * | 2024-02-23 | 2024-03-29 | 南方电网调峰调频发电有限公司 | 发电机轴系稳定性优化方案生成方法、装置及计算机设备 |
-
2023
- 2023-06-15 CN CN202310714372.XA patent/CN116976191A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787065A (zh) * | 2024-02-23 | 2024-03-29 | 南方电网调峰调频发电有限公司 | 发电机轴系稳定性优化方案生成方法、装置及计算机设备 |
CN117787065B (zh) * | 2024-02-23 | 2024-05-03 | 南方电网调峰调频发电有限公司 | 发电机轴系稳定性优化方案生成方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
Pandarakone et al. | Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis | |
Jin et al. | Anomaly detection of cooling fan and fault classification of induction motor using Mahalanobis–Taguchi system | |
Cui et al. | An anomaly detection approach based on machine learning and scada data for condition monitoring of wind turbines | |
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 | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN108801641B (zh) | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 | |
CN113516273B (zh) | 一种发电用柴油机增压器故障预测方法 | |
CN111398823B (zh) | 基于效率及损耗的水电机组发电机故障诊断方法 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
Li et al. | Unsupervised machine anomaly detection using autoencoder and temporal convolutional network | |
Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN113742932A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
CN110928248A (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
CN112597607A (zh) | 风力发电机高速轴承的预测性维修方法及系统 | |
CN116071053B (zh) | 基于数字孪生的往复式压缩机状态预警系统 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN116338451A (zh) | 一种深度调峰工况下汽轮发电机安全评价诊断系统及方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
Qi et al. | Gear faults identification based on big data analysis and CatBoost model |
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 |