CN117436564A - 一种水电机组轴系劣化趋势预测方法及装置 - Google Patents

一种水电机组轴系劣化趋势预测方法及装置 Download PDF

Info

Publication number
CN117436564A
CN117436564A CN202310766145.1A CN202310766145A CN117436564A CN 117436564 A CN117436564 A CN 117436564A CN 202310766145 A CN202310766145 A CN 202310766145A CN 117436564 A CN117436564 A CN 117436564A
Authority
CN
China
Prior art keywords
monitoring
degradation trend
shafting
degradation
data
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
CN202310766145.1A
Other languages
English (en)
Inventor
王义国
李超顺
刘国军
陈鹏
兰家法
周玉辉
常辉
陈东君
高泽良
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.)
Guangdong Energy Group Co ltd
Huazhong University of Science and Technology
Original Assignee
Guangdong Energy Group Co ltd
Huazhong University of Science and Technology
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 Guangdong Energy Group Co ltd, Huazhong University of Science and Technology filed Critical Guangdong Energy Group Co ltd
Priority to CN202310766145.1A priority Critical patent/CN117436564A/zh
Publication of CN117436564A publication Critical patent/CN117436564A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种水电机组轴系劣化趋势预测方法，对每个监测部位获取对应的待评估数据，对每个监测部位生成对应的劣化趋势序列。精确的判断每一个监测部位的劣化趋势序列，并通过监测部位的显著性系数和信息系数更加准确的获得轴系劣化趋势序列。使得轴系劣化趋势序列更准确的体现全部监测部位的劣化程度。并由预测模型通过轴系劣化趋势序列进行预测未来的劣化趋势序列。根据历史轴系劣化趋势序列建立相适应的神经网络，以保证所述神经网络与轴系劣化趋势的拟合程度，从而提高预测的轴系劣化趋势的预测精度，并保证预测结果的稳定性。

Description

一种水电机组轴系劣化趋势预测方法及装置
技术领域
本发明涉及水电机组状态监测与故障诊断领域，尤其涉及一种水电机组轴系劣化趋势预测方法及装置。
背景技术
水电能源作为技术成熟的可再生能源，具有可调节性强、启停迅速等特点，能够起到调峰调频的作用，消纳风光等间歇性能源影响。水电机组作为水电站的核心装备，其发展趋于巨型化、集成化、复杂化，随着运行年限增加，机组关键部件逐渐磨损、老化，带来巨大安全隐患，严重影响国民经济安全。因此，亟需对水电机组开展劣化趋势评估，并在此基础上预测未来劣化趋势，为状态检修提供理论支撑，对保障机组安全运行、避免重大经济损失具有重大意义。
轴系作为水电机组最关键部件之一，其运行状态对机组安全影响重大，振摆监测量中具有轴系运行的海量信息，机组大多数异常状况均在其中有所体现；以机组轴系振摆监测量为依托，评估劣化趋势，并在此基础上开展劣化趋势预测，对保障机组运行安全、实现状态检修具有重大价值。
当前劣化趋势预测研究中均采用构建运行工况参数与振摆数据间的拟合关系，通过比较理论振摆与实际振摆差异生成劣化趋势。然而，建模拟合关系时拟合误差不可避免，为准确评估劣化趋势引入额外误差。此外，在劣化趋势预测阶段，由于劣化趋势序列是存在大量局部波动的复杂序列，使得现有技术中对水电机组轴系劣化趋势预测的精度和稳定性不足。
发明内容
本发明提供了一种水电机组轴系劣化趋势预测方法及装置，以解决对水电机组轴系劣化趋势预测精度和预测模型稳定性不足的问题。
第一方面，本申请提供了一种水电机组轴系劣化趋势预测方法，包括：
从水电机组轴系的运行监测数据中，获取水电机组轴系每个监测部位对应的待评估监测数据；
分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列；
根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重；
根据各个监测部位的劣化权重，确定水电机组总的轴系劣化趋势序列；
根据预设的预测模型和所述轴系劣化趋势序列，输出水电机组轴系劣化趋势的预测结果；其中，所述预测模型是根据历史轴系劣化趋势序列的时序性对神经网络进行训练而获得。
这样对每个监测部位获取对应的待评估数据，对每个监测部位生成对应的劣化趋势序列。精确的判断每一个监测部位的劣化趋势序列，并通过监测部位的显著性系数和信息系数更加准确的获得轴系劣化趋势序列。使得轴系劣化趋势序列更准确的体现全部监测部位的劣化程度。并由预测模型通过轴系劣化趋势序列进行预测未来的劣化趋势序列。根据历史轴系劣化趋势序列建立相适应的神经网络，以保证所述神经网络与轴系劣化趋势的拟合程度，从而提高预测的轴系劣化趋势的预测精度，并保证预测结果的稳定性。
进一步的，所述预设的深度自编码器，具体为：
获取水电机组轴系每个监测部位良好时的健康数据为对应的第一健康样本；
对每个第一健康样本集进行归一化，获取对应的第二健康样本；
由第二健康样本对对应监测部位的深度自编码器进行参数初始化；
将初始化后深度自编码器，作为预设的深度自编码器。
这样采取监测部位良好是的健康数据为健康样本，保证健康样本和待评估监测数据在数据来源和数据结构上的同一性。通过将健康样本进行归一化，排除在采集数据时所产生的采集误差，减少误差数据对后续深度自编码器训练中的影响。
进一步的，所述由第二健康样本对对应监测部位的深度自编码器进行参数初始化，具体为：
每个深度自编码器都具有多个编码层和解码层；
迭代更新各编码层和解码层的初始化参数，输出当前编码层和解码层对应的压缩样本，直到所有编码层和解码层完成初始化；其中，每次迭代更新时，根据上一次输出的压缩样本，对当前更新的编码层和解码层的初始化参数进行更新；第一次迭代更新时的压缩样本为所述第二健康样本。
这样对每一个监测部位构建对应的深度自编码器，采用编码层和解码层的设计可以识别并排除待检测数据中的无效信息，避免了传统劣化评估中拟合工况参数与振摆数据间关系所带来的误差，进一步更加准确的获取每个监测部位的劣化趋势。
这样采用两阶段训练方法，首先由浅及深训练编码层与相应解码层，初始化深度自编码器参数，在初始化参数的基础上训练整个深度自编码器。这样可以充分对新健康样本进行拟合，并且采用集成学习技术集成多个编码层和解码层，达到比单个编码层和解码层更好下学习效果。并且在本申请中将多个编码层和解码层进行嵌套训练，能够形成将拟合精度比仅多个编码层和解码层随意堆叠好的强学习器。其中所述编码层和解码层的数量都与监测部位个数相同可以方便后续对不同监测部位的劣化趋势进行权重计算，使得后续可以更加方便准确的计算获取不同监测部位的劣化趋势进行权重。
进一步的，所述获取水电机组轴系每个监测部位对应的待评估监测数据，具体为：
获取待评估时间段内水电机组轴系每个监测部位对应的各天的监测数据为第一监测数据；
对所述第一监测数据中缺失的数据进行插值，使第一监测数据和对应监测部位的第二健康样本维度相同；
将第一监测数据以对应监测部位的第二健康样本为基础进行归一化，获取对应的第二监测数据；
确定各个监测部位的第二监测数据为对应监测部位的待评估监测数据。
这样将所述待评估数据设置为二维数据，其中每个待评估数据都包括待评估时间段每一天所有监测时刻的数据结果，这样方便后续生成更加准确的劣化趋势。并且对所述监测数据中缺失的数据进行插值，使监测数据和对应监测部位的健康样本维度相同，保证每天的数据结果数量是相同的，消除偶尔停机检测时对监测数据采集产生的影响。
进一步的，所述将第一监测数据以对应监测部位的第二健康样本为基础进行归一化，获取对应的第二监测数据，具体为：
获取第一监测数据中各维度数据减去对应监测部位的第二健康样本中最小值的第一数据；
将所述第一数据除以对应监测部位的第二健康样本中最大值和最小值的差值，获取所述每个第一监测数据中各维度数据的归一化数据；
确定归一化后的第一监测数据为第二监测数据。
这样将监测数据在健康样本为基础进行归一化可以排除在监测数据获取和监测过程中个别异常数据对后续劣化趋势生成的影响。
进一步的，所述分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列，具体为：
将各个监测部位的待评估监测数据中每天的数据依次输入对应监测部位的深度自编码器中获取对应的待评估监测数据每天的误差序列；
通过待评估监测数据每天的误差序列和对应监测部位的第二健康样本，获取对应监测部位的每天的劣化度；
确定待评估监测数据对应监测部位中每天的劣化度的集合为各个监测部位的劣化趋势序列。
这样通过获取每个待评估监测数据每天的误差序列，精确的监测每个监测部位的具体情况，提高对每个监测部位劣化趋势序列数据计算的准确性，以天为单位进行数据采集和计算在减少计算量的同时，防止后续神经网络模型训练和构建过程中的过拟合或者欠拟合，以达到更好的预测效果。
进一步的，所述根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重，具体为：
根据最大信息系数法，由各个监测部位劣化趋势序列之间的相似度，分别获取各个劣化趋势序列在所有劣化趋势中的显著性系数；
对各监测部位的劣化趋势序列分别进行归一化，通过归一化后的各监测部位劣化趋势序列和熵权法，获取各监测部位的劣化趋势序列的信息系数。
这样通过相似度和显著性程度两个方面分别对各个监测部位的劣化趋势序列进行分析，增加每个劣化趋势序列融合成轴系劣化趋势序列的准确性。保证轴系劣化趋势序列可以完整的体现出每个监测部位劣化趋势序列的特征。
进一步的，所述根据历史轴系劣化趋势序列的时序性对神经网络进行训练，具体为：
每隔预设时间，根据历史轴系劣化趋势序列建立神经网络；
由偏自相关系数确定历史轴系劣化趋势序列的时见步数，设置用于所述神经网络上的训练集和预测集；
由所述训练集通过网格搜索算法确定卷积核的尺寸，通过所述卷积核构建一维神经网络为神经网络的特征提取层；
并根据所述训练集确定所述神经网络的连接层层数、神经元个数以及优化器类型，进而构建对应的神经网络；
通过所述训练集对神经网络进行训练，并使用预测集对神经网络进行预测。
这样隔预设时间，再次对神经网络进行构建和训练，可以在保证预测模型准确性和稳定性的基础上减少模型训练次数。降低计算成本，提高对水电机组轴系劣化趋势的预测效率。
进一步的，通过训练集对神经网络中的卷积核尺寸等参数进行设计和优化，使得所述神经网络对于模型的训练效果更好，进一步提高神经网络的预测精度和拟合强度。
进一步的，所述根据最大信息系数法，由各个监测部位劣化趋势序列之间的相似度，分别获取各个劣化趋势序列在所有劣化趋势中的显著性系数，具体为：
以最大信息系数生成各通道劣化度相似度矩阵，通过所述相似度矩阵计算各检测部位劣化趋势序列的显著性系数，且具体公式为：
S＝{Sij,i＝1,…,N,j＝1,…,N}；
其中相似度矩阵为S，Sij为第i个监测部位和第j个监测部位的相似度，监测部位的数量为N，各检测部位劣化趋势序列的显著性系数为K，Ki为第i个监测部位的显著性系数。
这样本申请通过对每个监测部位单独构建深度自编码器学习健康状态下振摆的数据特征，以待评估监测数据通过深度自编码器的重构误差计算劣化度，并结合显著性系数和信息系数将轴系各部位传感器构建的劣化趋势序列生成轴系劣化趋势序列；在预测阶段，构建多尺度卷积神经网络提取劣化趋势序列中的多层次特征，实现水电机组轴系劣化趋势序列的准确稳定预测。
第二方面，本申请提供了一种水电机组轴系劣化趋势预测装置，包括：数据采集模块、劣化趋势生成模块、劣化趋势结合模块和预测模块，具体为：
所述数据采集模块用于从水电机组轴系的运行监测数据中，获取水电机组轴系每个监测部位对应的待评估监测数据；
所述劣化趋势生成模块用于分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列；
所述劣化趋势结合模块用于根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重；
根据各个监测部位的劣化权重，确定水电机组总的轴系劣化趋势序列；
所述预测模块用于根据预设的预测模型和所述轴系劣化趋势序列，输出水电机组轴系劣化趋势的预测结果；其中，所述预测模型是根据历史轴系劣化趋势序列的时序性对神经网络进行训练而获得。
附图说明
图1：为本发明提供的一种水电机组轴系劣化趋势预测方法的一种实施例的流程示意图；
图2：为本发明提供的一种水电机组轴系劣化趋势预测装置的一种实施例的模块结构图；
图3：为本发明创建的深度自编码器的网络结构示意图；
图4：为本发明评估的各监测部位的劣化趋势序列；
图5：为本发明评估的轴系劣化趋势序列；
图6：为通过偏自相关系数确定时间步的结果；
图7：为本发明中多尺度卷积神经网络的结构；
图8：为本发明中劣化趋势预测效果。
具体实施方式
下面将结合本发明实施例中的附图，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作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。
实施例一
请参照图1，为本发明实施例提供的一种，包括步骤S1至步骤S4，各步骤具体如下：
步骤S1：从水电机组轴系的运行监测数据中，获取水电机组轴系每个监测部位对应的待评估监测数据；
步骤S2：分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列；
进一步的，所述预设的深度自编码器，具体为：
获取水电机组轴系每个监测部位良好时的健康数据为对应的第一健康样本；
在本实施例中监测部位良好时的选择以水电站运行报告为依准，在资料缺失时，将振摆值波动较小且幅值偏小的一段时间认为是监测部位良好时。
在本实施例中记第一健康样本为MH＝{MHi,i＝1,…,N}，其中MHi＝{MHi(t),t＝1,…,TH}。其中N为监测部位的个数，TH表示为一天中监测的数据数目。
对每个第一健康样本进行归一化，获取对应的第二健康样本；
其中在本实施例中对每个第一健康样本集进行归一化，获取对应的第二健康样本具体为：
对N个监测部位的第一健康样本分别进行归一化，对第i个监测部位，健康样本MHi归一化如下：
其中MH'i(t)为归一化后的第二健康样本，MHi(min)是第一健康样本中最小值，MHi(max)是第一健康样本中最大值。
由第二健康样本对对应监测部位的深度自编码器进行参数初始化；
将初始化后深度自编码器，作为预设的深度自编码器。
这样采取监测部位良好是的健康数据为健康样本，保证健康样本和待评估监测数据在数据来源和数据结构上的同一性。通过将第一健康样本进行归一化，排除在采集数据时所产生的采集误差，减少误差数据对后续深度自编码器训练中的影响。
进一步的，其中所述获取水电机组轴系每个监测部位对应的待评估监测数据，具体为：
获取待评估时间段内水电机组轴系每个监测部位对应的各天的监测数据为第一监测数据；
在本实施例中从水电机轴系监测数据库中选定水电机组轴系上导轴承X向摆度、上导轴承Y向摆度、水导轴承X向摆度、水导轴承Y向摆度四个监测部位的监测数据为第一监测数据。取出待评估某段时间内每个监测部位的第一监测数据Mi＝{Mi(n),n＝1,…,P}，其中P表示待评估天数，Mi(n)为第n天的监测数据，Mi(n)＝{Mi(n)(t),t＝1,…,Tn}。Tn表示为第n天中监测的数据数目。
对所述第一监测数据中缺失的数据进行插值，使第一监测数据和对应监测部位的第二健康样本维度相同；
在本实施例中对第一监测数据与第二健康样本中的缺失数据采用三次样条曲线插值。使得第一监测数据和第二健康样本中每一天的监测的数据数目相同。
将第一监测数据以对应监测部位的第二健康样本为基础进行归一化，获取对应的第二监测数据；
进一步的所述将第一监测数据以对应监测部位的第二健康样本为基础进行归一化，获取对应的第二监测数据，具体为：
获取第一监测数据中各维度数据减去对应监测部位的第二健康样本中最小值的第一数据；
将所述第一数据除以对应监测部位的第二健康样本中最大值和最小值的差值，获取所述每个第一监测数据中各维度数据的归一化数据；
确定归一化后的第一监测数据为第二监测数据。
这样将监测数据在健康样本为基础进行归一化可以排除在监测数据获取和监测过程中个别异常数据对后续劣化趋势生成的影响。
在本实施例中将第一监测样本Mi以对应的监测部位下的第二健康样本基准值进行归一化，具体为：
其中M′i(n)(t)表示第二监测数据的第n天第t个数据，MHi'(min)是第二健康样本中最小值，MHi'(max)是第二健康样本中最大值。
确定各个监测部位的第二监测数据为对应监测部位的待评估监测数据。
这样将所述待评估数据设置为二维数据，其中每个待评估数据都包括待评估时间段每一天所有监测时刻的数据结果，这样方便后续生成更加准确的劣化趋势。并且对所述监测数据中缺失的数据进行插值，使监测数据和对应监测部位的健康样本维度相同，保证每天的数据结果数量是相同的，消除偶尔停机检测时对监测数据采集产生的影响。
进一步的，所述由第二健康样本对对应监测部位的深度自编码器进行参数初始化，具体为：
每个深度自编码器都具有多个编码层和解码层；
在本实施例中第i个监测部位生成具有N层编码层E与解码层D的深度自编码器DA＝{E1,E2,…,EN,DN,…,D2,D1}。其中N为监测部位的个数。
采用滑动窗口对第二监测数据与第二健康样本进行重采样，用第二健康样本对对应监测部位的深度自编码器进行参数初始化。
在本实施例中将滑动窗口长度确定为深度自编码器的输入数，每次重采样时滑动窗口移动的步长为单个滑动窗口长度，若第二监测数据中剩余序列的长度和第二健康样本中剩余序列的长度不能被滑动窗口长度整除，将余项的样本以固定值填充。在本实施例中固定值为第二健康样本的均值。
迭代更新各编码层和解码层的初始化参数，输出当前编码层和解码层对应的压缩样本，直到所有编码层和解码层完成初始化；其中，每次迭代更新时，根据上一次输出的压缩样本，对当前更新的编码层和解码层的初始化参数进行更新；第一次迭代更新时的压缩样本为所述第二健康样本。
这样对每一个监测部位构建对应的深度自编码器，采用编码层和解码层的设计可以识别并排除待检测数据中的无效信息，避免了传统劣化评估中拟合工况参数与振摆数据间关系所带来的误差，进一步更加准确的获取每个监测部位的劣化趋势。
这样采用两阶段训练方法，首先由浅及深训练编码层与相应解码层，初始化深度自编码器参数，在初始化参数的基础上训练整个深度自编码器。这样可以充分对新健康样本进行拟合，并且采用集成学习技术集成多个编码层和解码层，达到比单个编码层和解码层更好下学习效果。并且在本申请中将多个编码层和解码层进行嵌套训练，能够形成将拟合精度比仅多个编码层和解码层随意堆叠好的强学习器。
其中所述编码层和解码层的数量都与监测部位个数相同可以方便后续对不同监测部位的劣化趋势进行权重计算，使得后续可以更加方便准确的计算获取不同监测部位的劣化趋势进行权重。
进一步的，所述分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列，具体为：
将各个监测部位的待评估监测数据中每天的数据依次输入对应监测部位的深度自编码器中获取对应的待评估监测数据每天的误差序列；
通过待评估监测数据每天的误差序列和对应监测部位的第二健康样本，获取对应监测部位的每天的劣化度；
确定待评估监测数据对应监测部位中每天的劣化度的集合为各个监测部位的劣化趋势序列。
在本实施例中将各个监测部位的待评估监测数据中每天的数据依次输入对应监测部位的深度自编码器中获取对应的待评估监测数据每天的误差序列为ERi＝{ERi(n),n＝1,…,P},ERi(n)＝{ERi(n)(t),t＝1,…,Tn},其中P为待评估监测数据的天数，Tn表示为一天中监测的数据数目。通过待评估监测数据每天的误差序列和对应监测部位的第二健康样本，获取对应监测部位的每天的劣化度具体为：
其中表示第i个监测部位第二健康样本的均值，ERi(n)(t)为第i个监测部位误差序列第n天的第t个数据，第i个监测部位第n天的劣化度为Qi(n)，第i个监测部位的劣化趋势序列为Qi。
这样通过获取每个待评估监测数据每天的误差序列，精确的监测每个监测部位的具体情况，提高对每个监测部位劣化趋势序列数据计算的准确性，以天为单位进行数据采集和计算在减少计算量的同时，防止后续神经网络模型训练和构建过程中的过拟合或者欠拟合，以达到更好的预测效果。
步骤S3：根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重；
根据各个监测部位的劣化权重，确定水电机组总的轴系劣化趋势序列；
进一步的，所述根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重，具体为：
根据最大信息系数法，由各个监测部位劣化趋势序列之间的相似度，分别获取各个劣化趋势序列在所有劣化趋势中的显著性系数；
对各监测部位的劣化趋势序列分别进行归一化，通过归一化后的各监测部位劣化趋势序列和熵权法，获取各监测部位的劣化趋势序列的信息系数。
进一步的，所述根据最大信息系数法，由各个监测部位劣化趋势序列之间的相似度，分别获取各个劣化趋势序列在所有劣化趋势中的显著性系数，具体为：
以最大信息系数生成各通道劣化度相似度矩阵，通过所述相似度矩阵计算各检测部位劣化趋势序列的显著性系数，且具体公式为：
S＝{Sij,i＝1,…,N,j＝1,…,N}；
其中相似度矩阵为S，Sij为第i个监测部位和第j个监测部位的相似度，监测部位的数量为N，各检测部位劣化趋势序列的显著性系数为K，Ki为第i个监测部位的显著性系数。
在本实施例中对第i监测部位和第j监测部位,按下式计算最大信息系数作为相似度Sij：
其中XY<B，B取序列中样本数的0.6次方。式中I(Qi,Qj)为第i监测部位和第j监测部位间劣化趋势序列的互信息。
进一步的，对各监测部位的劣化趋势序列分别进行归一化，通过归一化后的各监测部位劣化趋势序列和熵权法，获取各监测部位的劣化趋势序列的信息系数，具体为：
对各监测部位的劣化趋势序列分别进行归一化的公式为：
通过归一化后的各监测部位劣化趋势序列和熵权法，获取各监测部位的劣化趋势序列的信息系数的公式为：
其中P表示待评估天数，N为监测部位的个数，Ii为第i监测部位的信息系数。
这样通过信息系数和显著性程度两个方面分别对各个监测部位的劣化趋势序列进行分析，增加每个劣化趋势序列融合成轴系劣化趋势序列的准确性。保证轴系劣化趋势序列可以完整的体现出每个监测部位劣化趋势序列的特征。
步骤S4：根据预设的预测模型和所述轴系劣化趋势序列，输出水电机组轴系劣化趋势的预测结果；其中，所述预测模型是根据历史轴系劣化趋势序列的时序性对神经网络进行训练而获得。
进一步的，所述根据历史轴系劣化趋势序列的时序性对神经网络进行训练，具体为：
每隔预设时间，根据历史轴系劣化趋势序列建立神经网络；
由偏自相关系数确定历史轴系劣化趋势序列的时见步数，设置用于所述神经网络上的训练集和预测集；
由所述训练集通过网格搜索算法确定卷积核的尺寸，通过所述卷积核构建一维神经网络为神经网络的特征提取层；
并根据所述训练集确定所述神经网络的连接层层数、神经元个数以及优化器类型，进而构建对应的神经网络；
通过所述训练集对神经网络进行训练，并使用预测集对神经网络进行预测。
这样隔预设时间，再次对神经网络进行构建和训练，可以在保证预测模型准确性和稳定性的基础上减少模型训练次数。降低计算成本，提高对水电机组轴系劣化趋势的预测效率。
这样对每个监测部位获取对应的待评估数据，对每个监测部位生成对应的劣化趋势序列。精确的判断每一个监测部位的劣化趋势序列，并通过监测部位的显著性系数和信息系数更加准确的获得轴系劣化趋势序列。使得轴系劣化趋势序列更准确的体现全部监测部位的劣化程度。并由预测模型通过轴系劣化趋势序列进行预测未来的劣化趋势序列。根据历史轴系劣化趋势序列建立相适应的神经网络，以保证所述神经网络与轴系劣化趋势序列的拟合程度，从而提高预测的轴系劣化趋势的预测精度，并保证预测结果的稳定性。
本实施例一还给出了另一种实施方法：
步骤1：在本实施例中选定水电机组轴系上导轴承X向摆度、上导轴承Y向摆度、水导轴承X向摆度、水导轴承Y向摆度四个监测部位的监测数据，评估机组2018年3月1日至2018年9月1日共185天间的劣化状态，取出该时段下四个监测部位的数据构成第一监测数据。根据电站运检报告，2017年12月15日至2018年2月15日间机组运行状况良好，此时段下四个监测部位的监测数据取出以构建第一健康样本。将第一健康样本的数据归一化后得到第二健康样本，对第一监测数据与第二健康样本中的缺失数据采用三次样条曲线插值，第一监测数据在第二健康样本的基础上归一化获得第二监测数据。最后采用长度为300的滑动窗口对归一化后的第二监测数据和第二健康样本进行重构，使送入对应监测部位的深度自编码器的样本时间跨度为5分钟。
步骤2：为四个监测部位分别构建深度自编码器。其中，图3为本发明创建的深度自编码器的网络结构示意图。将第二健康样本集输入对应监测部位的深度自编码器，采用两阶段训练方法，首先由浅及深训练编码层与相应解码层，初始化深度自编码器参数，在初始化参数的基础上训练整个深度自编码器，最后将待评估监测数据送入相应的深度自编码器中，并以自编码器的拟合误差计算劣化度，生成各监测部位的劣化趋势序列如图4中所示。从图中可见同一监测部位不同方向的劣化趋势较为相似，不同监测部位生成的劣化趋势存在着较多差异成分；然而，四个监测部位劣化趋势序列都有显著上升的趋势，这表明随着运行时间增加，机组轴系逐渐发生了性能劣化。
步骤3：结合最大信息系数(MIC)计算各通道劣化趋势序列的显著性系数为K＝{Ki,i＝1,…,N}＝{0.309,0.438,0.225,0.393}；为各通道劣化度计算能量熵，结合熵权法确定各劣化趋势序列的信息系数I＝{Ii,i＝1,…,N}＝{0.275,0.309,0.213,0.203},[0.275,0.309,0.213,0.203]在显著性系数与信息系数的基础上，生成各通道的权重W＝{Wi,i＝1,…,N}＝{0.244,0.389,0.138,0.228}；将各通道劣化趋势序列乘以相应的权重，生成轴系轴系劣化趋势序列如图5中所示。
步骤4：以偏自相关系数确定轴系劣化趋势序列Qs重构的时间步数，如图6中所示，与Qs(i)满足偏自相关系数连续超出95％置信区间的最远样本为Qs(i-5)，即时间步为5。本发明所设计的多尺度卷积神经网络结构如7中所示。第一阶段确定的最佳参数如下：选用3尺度卷积核，卷积核大小为：1，3，4，卷积核个数均为64；之后经过一层卷积层，卷积核个数为128，卷积核大小为3；经过展平层后，最后经过3层神经元数为64，64，32的全连接层；最优优化器为Adam，最优损失函数为MSE。以上述参数重新训练多尺度卷积神经网络，最终的劣化趋势预测效果如图8中所示。可见多尺度卷积网络在训练时充分学习了劣化趋势的内在知识，在测试集上能够有效的预测劣化趋势的局部变化情况，预测误差较小，精度较高；此外，在测试集上并无较大预测误差的异常点出现，说明其预测表现较稳定。
实施例二
请参照图2，为本发明提供的一种水电机组轴系劣化趋势预测装置的一种实施例的模块结构图。
一种水电机组轴系劣化趋势预测装置，包括：数据采集模块210、劣化趋势生成模块220、劣化趋势结合模块230和预测模块240，具体为：
所述数据采集模块210用于从水电机组轴系的运行监测数据中，获取水电机组轴系每个监测部位对应的待评估监测数据；
所述劣化趋势生成模块220用于分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列；
所述劣化趋势结合模块230用于根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重；
根据各个监测部位的劣化权重，确定水电机组总的轴系劣化趋势序列
所述预测模块240用于根据预设的预测模型和所述轴系劣化趋势序列，输出水电机组轴系劣化趋势的预测结果；其中，所述预测模型是根据历史轴系劣化趋势序列的时序性对神经网络进行训练而获得。
这样对每个监测部位获取对应的待评估数据，对每个监测部位生成对应的劣化趋势序列。精确的判断每一个监测部位的劣化趋势序列，并通过监测部位的显著性系数和信息系数更加准确的获得轴系劣化趋势序列。使得轴系劣化趋势序列更准确的体现全部监测部位的劣化程度。并由预测模型通过轴系劣化趋势序列进行预测未来的劣化趋势序列。根据历史轴系劣化趋势序列建立相适应的神经网络，以保证所述神经网络与轴系劣化趋势序列的拟合程度，从而提高预测的轴系劣化趋势的预测精度，并保证预测结果的稳定性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水电机组轴系劣化趋势预测方法，其特征在于，包括以下步骤：
从水电机组轴系的运行监测数据中，获取水电机组轴系每个监测部位对应的待评估监测数据；
分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列；
根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重；
根据各个监测部位的劣化权重，确定水电机组总的轴系劣化趋势序列；
根据预设的预测模型和所述轴系劣化趋势序列，输出水电机组轴系劣化趋势的预测结果；其中，所述预测模型是根据历史轴系劣化趋势序列的时序性对神经网络进行训练而获得。
2.根据权利要求1所述的水电机组轴系劣化趋势预测方法，其特征在于，所述预设的深度自编码器，具体为：
获取水电机组轴系每个监测部位良好时的健康数据为对应的第一健康样本；
对每个第一健康样本集进行归一化，获取对应的第二健康样本；
由第二健康样本对对应监测部位的深度自编码器进行参数初始化；
将初始化后深度自编码器，作为预设的深度自编码器。
3.根据权利要求2所述的水电机组轴系劣化趋势预测方法，其特征在于，所述由第二健康样本对对应监测部位的深度自编码器进行参数初始化，具体为：
每个深度自编码器都具有多个编码层和解码层；
迭代更新各编码层和解码层的初始化参数，输出当前编码层和解码层对应的压缩样本，直到所有编码层和解码层完成初始化；其中，每次迭代更新时，根据上一次输出的压缩样本，对当前更新的编码层和解码层的初始化参数进行更新；第一次迭代更新时的压缩样本为所述第二健康样本。
4.根据权利要求2所述的水电机组轴系劣化趋势预测方法，其特征在于，所述获取水电机组轴系每个监测部位对应的待评估监测数据，具体为：
获取待评估时间段内水电机组轴系每个监测部位对应的各天的监测数据为第一监测数据；
对所述第一监测数据中缺失的数据进行插值，使第一监测数据和对应监测部位的第二健康样本维度相同；
将第一监测数据以对应监测部位的第二健康样本为基础进行归一化，获取对应的第二监测数据；
确定各个监测部位的第二监测数据为对应监测部位的待评估监测数据。
5.根据权利要求4所述的水电机组轴系劣化趋势预测方法，其特征在于，所述将第一监测数据以对应监测部位的第二健康样本为基础进行归一化，获取对应的第二监测数据，具体为：
获取第一监测数据中各维度数据减去对应监测部位的第二健康样本中最小值的第一数据；
将所述第一数据除以对应监测部位的第二健康样本中最大值和最小值的差值，获取所述每个第一监测数据中各维度数据的归一化数据；
确定归一化后的第一监测数据为第二监测数据。
6.根据权利要求4所述的水电机组轴系劣化趋势预测方法，其特征在于，所述分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列，具体为：
将各个监测部位的待评估监测数据中每天的数据依次输入对应监测部位的深度自编码器中获取对应的待评估监测数据每天的误差序列；
通过待评估监测数据每天的误差序列和对应监测部位的第二健康样本，获取对应监测部位的每天的劣化度；
确定待评估监测数据对应监测部位中每天的劣化度的集合为各个监测部位的劣化趋势序列。
7.根据权利要求1所述的水电机组轴系劣化趋势预测方法，其特征在于，所述根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重，具体为：
根据最大信息系数法，由各个监测部位劣化趋势序列之间的相似度，分别获取各个劣化趋势序列在所有劣化趋势中的显著性系数；
对各监测部位的劣化趋势序列分别进行归一化，通过归一化后的各监测部位劣化趋势序列和熵权法，获取各监测部位的劣化趋势序列的信息系数。
8.根据权利要求1所述的水电机组轴系劣化趋势预测方法，其特征在于，所述根据历史轴系劣化趋势序列的时序性对神经网络进行训练，具体为：
每隔预设时间，根据历史轴系劣化趋势序列建立神经网络；
由偏自相关系数确定历史轴系劣化趋势序列的时见步数，设置用于所述神经网络上的训练集和预测集；
由所述训练集通过网格搜索算法确定卷积核的尺寸，通过所述卷积核构建一维神经网络为神经网络的特征提取层；
并根据所述训练集确定所述神经网络的连接层层数、神经元个数以及优化器类型，进而构建对应的神经网络；
通过所述训练集对神经网络进行训练，并使用预测集对神经网络进行预测。
9.根据权利要求7所述的水电机组轴系劣化趋势预测方法，其特征在于，所述根据最大信息系数法，由各个监测部位劣化趋势序列之间的相似度，分别获取各个劣化趋势序列在所有劣化趋势中的显著性系数，具体为：
以最大信息系数生成各通道劣化度相似度矩阵，通过所述相似度矩阵计算各检测部位劣化趋势序列的显著性系数，且具体公式为：
S＝{Sij,i＝1,…,N,j＝1,…,N}；
其中相似度矩阵为S，Sij为第i个监测部位和第j个监测部位的相似度，监测部位的数量为N，各检测部位劣化趋势序列的显著性系数为K，Ki为第i个监测部位的显著性系数。
10.一种水电机组轴系劣化趋势预测装置，其特征在于，包括：数据采集模块、劣化趋势生成模块、劣化趋势结合模块和预测模块，具体为：
所述数据采集模块用于从水电机组轴系的运行监测数据中，获取水电机组轴系每个监测部位对应的待评估监测数据；
所述劣化趋势生成模块用于分别通过各个监测部位对应的预设的深度自编码器，获取各待评估监测数据的劣化趋势序列；
所述劣化趋势结合模块用于根据预设算法，分别确定各所述劣化趋势序列的显著性系数和信息系数，并根据各所述劣化趋势序列的显著性系数和信息系数，确定各个监测部位的劣化权重；
根据各个监测部位的劣化权重，确定水电机组总的轴系劣化趋势序列；
所述预测模块用于根据预设的预测模型和所述轴系劣化趋势序列，输出水电机组轴系劣化趋势的预测结果；其中，所述预测模型是根据历史轴系劣化趋势序列的时序性对神经网络进行训练而获得。
CN202310766145.1A 2023-06-27 2023-06-27 一种水电机组轴系劣化趋势预测方法及装置 Pending CN117436564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310766145.1A CN117436564A (zh) 2023-06-27 2023-06-27 一种水电机组轴系劣化趋势预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310766145.1A CN117436564A (zh) 2023-06-27 2023-06-27 一种水电机组轴系劣化趋势预测方法及装置

Publications (1)

Publication Number Publication Date
CN117436564A true CN117436564A (zh) 2024-01-23

Family

ID=89555962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310766145.1A Pending CN117436564A (zh) 2023-06-27 2023-06-27 一种水电机组轴系劣化趋势预测方法及装置

Country Status (1)

Country Link
CN (1) CN117436564A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118551206A (zh) * 2024-07-31 2024-08-27 广东鑫轩电子科技有限公司 一种用于环保设备的用电数据智能监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118551206A (zh) * 2024-07-31 2024-08-27 广东鑫轩电子科技有限公司 一种用于环保设备的用电数据智能监测方法及系统

Similar Documents

Publication Publication Date Title
CN106529814B (zh) 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN111426950B (zh) 多尺度时空卷积深度信念网络的风力发电机故障诊断方法
CN112651290A (zh) 一种水电机组振动趋势预测方法和系统
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN112070322B (zh) 基于长短期记忆网络的高压电缆线路运行状态预测方法
CN117056874B (zh) 一种基于深度孪生自回归网络的无监督窃电检测方法
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN117436564A (zh) 一种水电机组轴系劣化趋势预测方法及装置
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN110659672A (zh) 一种风电机组出力分步不确定性预测方法及装置
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN115146700A (zh) 一种基于Transformer序列到序列模型的径流预测方法
CN114037143A (zh) 一种短期风电功率组合预测方法
CN114676622A (zh) 基于自编码器深度学习模型的短期光伏功率预测方法
CN117951577A (zh) 一种虚拟电厂能源状态感知方法
CN115481666A (zh) 一种齿轮箱小样本故障诊断方法、系统及设备
CN115271225A (zh) 一种基于小波降噪和神经网络的风力-风功率建模方法
CN116826727A (zh) 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN110717623B (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN116565850A (zh) 一种基于qr-blstm的风电功率超短期预测方法
CN113537573B (zh) 基于双重时空特征提取的风电功率运行趋势预测方法

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