CN110006552B - 一种机组设备温度异常检测方法 - Google Patents
一种机组设备温度异常检测方法 Download PDFInfo
- Publication number
- CN110006552B CN110006552B CN201910266851.3A CN201910266851A CN110006552B CN 110006552 B CN110006552 B CN 110006552B CN 201910266851 A CN201910266851 A CN 201910266851A CN 110006552 B CN110006552 B CN 110006552B
- Authority
- CN
- China
- Prior art keywords
- temperature
- river
- unit equipment
- model
- stream
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种机组设备温度异常检测方法,其包括以下步骤:(1)基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型,其中,机组设备的历史数据包括机组在不同环境因素和运行工况下的温度状态监测数据;(2)获取当前工况下机组设备的环境参数、运行工况参数以及对应的温度实测值,并将当前工况下机组设备的环境参数、运行工况参数输入机组设备温度异常状态辨识模型,得到模型输出的健康标准值;(3)将当前工况下机组设备的温度实测值与健康标准值进行比较,根据比较结果确定当前工况下机组设备的温度运行状态。本发明可以广泛应用于机组设备的温度异常检测领域。
Description
技术领域
本发明涉及一种机组设备温度异常检测方法,特别是涉及一种基于Shepard曲面和水循环算法的机组设备温度异常检测方法。
背景技术
在机组设备运行过程中,由于表面摩擦、热辐射以及电气等原因,使得机组部件温度的变化规律较为复杂,难以对其建立数学模型。为及时获取机组设备的运行温度状态和发展趋势,防止突发事故的发生,需要对温度参数的影响因素进行充分研究,建立合理可靠的机组设备温度异常检测模型。
传统的温度监测报警值采用统一的静态报警阈值,有两个缺陷:(1)设备温度值出现报警,但检修发现是环境温度,或设备工作转速高导致。当环境温度或转速下降后,温度不再报警。(2)设备温度监测值一直没有报警,但大修时却发现设备已经严重损坏。这充分说明传统静态报警不能很好地反映设备的运行健康状况。
Shepard插值模型(谢别德插值模型)按相似的原因产生相似结果的原则,从历史样本集中找出与预测对象最相似的一个或几个的组合作为预测结果。该模型具有很高的计算速度和计算精度。但在应用该方法时,模型参数α常人为确定,不能得到最佳的拟合精度。
发明内容
针对上述问题,本发明的目的是提供一种机组设备温度异常检测方法,该方法充分考虑机组设备的环境因素和运行工况,能有效地对机组设备温度异常进行在线状态评估,实现设备异常的早期预警。
为实现上述目的,本发明采取以下技术方案:一种机组设备温度异常检测方法,其包括以下步骤:
(1)基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型,其中,机组设备的历史数据包括机组在不同环境因素和运行工况下的温度状态监测数据;
(2)获取当前工况下机组设备的环境参数、运行工况参数以及对应的温度实测值r(t),并将当前工况下机组设备的环境参数、运行工况参数输入机组设备温度异常状态辨识模型,得到模型输出的健康标准值;
(3)将当前工况下机组设备的温度实测值r(t)与健康标准值p(t)进行比较,根据比较结果确定当前工况下机组设备的温度运行状态。
进一步的,所述步骤(1)中,基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型的方法,包括以下步骤:
(1.1)对机组设备在不同环境因素和运行工况下的温度状态监测数据进行分析,确定机组设备的标准健康状态,并选取能够反映机组标准健康状态的特征参数;
(1.2)将机组设备处于标准健康状态下,其在各种环境因素和运行工况下的特征参数输入Shepard模型,建立三维曲面模型P=f(V,U);
(1.3)采用WCA算法对建立三维曲面模型P=f(V,U)进行优化,得到Shepard模型的参数α的最优结果,并将优化后的Shepard模型作为机组设备温度异常状态辨识模型。
进一步的,所述步骤(1.2)中,将机组设备处于标准健康状态下,其在各种环境因素和运行工况下的特征参数输入Shepard模型,建立三维曲面模型P=f(V,U)的方法,包括以下步骤:
(1.2.1)从特征参数中随机挑选m个样本(Pt,Vt,Ut)中的(Vt,Ut)作为试验样本点,将设备的运行温度Pt作为试验样本点对应的响应值,建立由m个样本(Pt,Vt,Ut)构成的m×(2+1)维矩阵;其中,Vt是机舱环境温度、Ut是发电机转速,t=1,2,…,m;
(1.2.2)将选取的特征参数中剩余的数据作为新样本点(v,u),并基于步骤(1.2.1)中建立的m×(2+1)维矩阵,采用Shepard曲面插值方法计算各新样本点(v,u)对应的响应值p(v,u);
(1.2.3)基于新样本点(v,u,p(v,u))与m个试验样本点(Vt,Ut)之间的关系,计算使得欧氏距离E最小的响应值p(v,u)的估计值其中响应值p(v,u)与估计值的映射关系,即为建立的Shepard模型。
进一步的,所述步骤(1.3)中,采用WCA算法对建立的Shepard模型进行优化,得到其Shepard模型的参数α的最优结果,并将优化后的Shepard模型作为机组设备温度异常状态辨识模型,包括以下步骤:
(1.3.1)确定代价函数,用于计算每个种群的代价函数值;
(1.3.2)设定水循环算法控制参数,包括降雨层个数Npop,河流和海洋总数Nsr,极小值dmax和水循环算法最大迭代次数T;
(1.3.3)随机生成初始种群,形成初始溪流、河流和海洋;
(1.3.4)将溪流种群划分为多个溪流层作为模型参数分别输入到Shepard模型,并根据步骤(1.3.1)计算每个溪流层的代价函数值Ji;
(1.3.5)比较每个溪流层代价函数值的大小,选择最小的代价函数值Ji对应的溪流层作为海洋,选择N河个次小的Ji对应的溪流层作为河流,并确定流向指定河流和海洋的溪流个数;
(1.3.6)分别对溪流流向河流的位置、溪流流向海洋的位置以及河流流向海洋的位置进行更新,并根据更新后每个溪流、河流、海洋的代价函数值进行位置对换;
(1.3.7)判断是否满足蒸发条件:如果满足则进入步骤(1.3.8),否则进入步骤(1.3.9);
(1.3.8)河流和溪流是否足够接近海洋,采用不同的方式进行降雨过程,形成新的降水;
(1.3.9)对当前次迭代的极小值进行更新;
(1.3.10)判断是否达到最大迭代次数,如果是,则结束迭代,输出Shepard模型的参数α的最优结果,否则,返回步骤(1.3.6),直到迭代结束。
进一步的,所述步骤(1.3.6)中,分别对溪流流向河流的位置、溪流流向海洋的位置以及河流流向海洋的位置进行更新,并根据更新后每个溪流、河流、海洋的代价函数值进行位置对换的方法,包括以下步骤:
(1.3.6.1)分别对溪流流向河流的位置和溪流流向海洋的位置进行更新;
(1.3.6.2)将溪流新的位置输入到Shepard模型,计算出此时溪流对应的代价函数值,若溪流的代价函数小于河流的代价函数,则河流和溪流的位置对换;若溪流的代价函数小于海洋的代价函数,则海洋和溪流的位置对换;
(1.3.6.3)对河流流向海洋的位置进行更新;
(1.3.6.4)将河流新的位置输入到Shepard模型,计算出此时河流对应的代价函数值,若河流的代价函数值小于海洋的代价函数值,则海洋和河流的位置对换。
进一步的,所述步骤(1.3.7)中,蒸发条件为:
进一步的,所述步骤(1.3.8)中,根据河流和溪流是否足够接近海洋,采用不同的方式进行降雨过程,形成新的降水的方法为:
式中:randn是正态分布的随机数;μ表示海洋附近搜索区域范围的系数。
进一步的,所述步骤(3)中,对机组设备当前工况下温度实测值r(t)与健康标准值p(t)进行比较的计算公式为:
式中:t表示机组设备运行时刻;w为预警阈值。
本发明由于采取以上技术方案,其具有以下优点:1、本发明综合考虑机组设备环境温度和发电机转速对设备温度的影响,通过建立基于WCA和Shepard插值的设备温度异常的状态辨识模型,充分利用这两种方法的优势,相比常规温度监测报警值采用统一的静态报警阈值导致不报警和误报警的缺陷,能有效地对机组设备温度异常进行在线状态评估,实现设备异常的早期预警。2、本发明设备温度异常辨识模型能实时追踪机组设备运行过程中状态参数的变化趋势,真实客观的自适应识别设备健康状态,对设备异常状态进行提前预警,有很好的实用性。因此,本发明可以广泛应用于机组设备温度异常检测领域。
附图说明
图1是本发明实施例中设备运行温度实测值与标准值比较图;
图2是本发明实施例中设备温度偏差辨识结果。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提出的一种机组设备温度异常检测方法,首先选取WCA优化算法对Shepard曲面运算参数进行调整,进而获取高精度的拟合模型,然后通过该拟合模型实时计算出机组在各种环境因素和运行工况下设备对应的健康标准值,最后根据当前环境因素和运行工况的实测值和健康标准值的差异来实时获得机组设备的真实运行状态,具体的,包括以下步骤:
(1)基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型,其中,机组设备的历史数据包括机组在不同环境因素和运行工况下的温度状态监测数据;
(2)获取当前工况下机组设备的环境参数、运行工况参数以及对应的温度实测值r(t),并将当前工况下机组设备的环境参数、运行工况参数输入机组设备温度异常状态辨识模型,得到模型输出的健康标准值p(t);
(3)将当前工况下机组设备的温度实测值r(t)与健康标准值p(t)进行比较,根据比较结果确定当前工况下机组设备的温度运行状态。
对机组设备当前温度的实测值与健康标准值进行比较时的计算公式为:
式中:t表示机组设备运行时刻;w为预警阈值,预设为50%(可根据不同机组设备、不同参数进行适当调整),即当实测值超过健康标准值的50%时,进行故障预警,这样可以及时发现设备的异常状态和早期故障。
上述步骤(1)中,基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型的方法,包括以下步骤:
(1.1)对机组设备在不同环境因素和运行工况的海量温度状态监测数据进行深入分析,确定机组设备的标准健康状态,并选取能够反映机组设备标准健康状态的特征参数。
(1.2)将机组设备处于标准健康状态下,它在各种环境因素和运行工况下的特征参数输入Shepard模型,得到Shepard模型P=f(V,U)。
(1.3)采用WCA算法对建立的Shepard模型进行优化,得到Shepard模型的参数α的最优结果,并将优化后的Shepard模型作为机组设备温度异常状态辨识模型。
上述步骤(1.2)中,将机组设备处于标准健康状态下,它在各种环境因素和运行工况下的特征参数输入Shepard模型,建立三维曲面模型P=f(V,U)。基于Shepard曲面插值方法,根据标准样本建立机组设备运行温度标准模型P=f(V,U),该温度标准模型综合考虑了机舱环境温度、发电机转速等多源信息,其中P为设备温度,V为机舱环境温度,U为发电机转速;该建模方法能更实际地反映影响设备温度状态的环境因素和工况因素(机舱环境温度、发电机转速),从而有效的利用设备现有运行正常数据。具体的,机组设备的温度标准模型P=f(V,U)建立方法包括以下步骤:
(1.2.1)从步骤1.2)选取的特征参数中随机挑选m个样本(Pt,Vt,Ut)中的(Vt,Ut)作为试验样本点,将设备的运行温度Pt作为试验样本点对应的响应值,建立由m个样本(Pt,Vt,Ut)构成的m×(2+1)维矩阵;其中,Vt是机舱环境温度、Ut是发电机转速,t=1,2,…,m:
(3.2)将选取的特征参数中剩余的数据作为新样本点(v,u),基于步骤(1.2.1)中建立的m×(2+1)维矩阵,采用Shepard曲面插值方法计算各新样本(v,u)对应的响应值p(v,u),即对应的设备的温度。
(3.3)基于新样本点(v,u,p(v,u))与m个试验样本点(Vt,Ut)之间的关系,计算响应值p(v,u)的估计值使得欧氏距离E最小,响应值p(v,u)与估计值的映射关系,即为设备的温度标准模型。
其中,欧氏距离E为:
式中,ωt为权重,表示新样本点(v,u)和试验样本点(Vt,Ut)对响应值的估计值的贡献大小,参数α采用WCA方法进行优化,使得Shepard模型达到最佳的拟合精度;γt=[(v-Vt)2+(u-Ut)2]0.5表示新样本点(v,u)与试验样本点(Vt,Ut)之间的距离。
上述步骤(1.3)中,采用WCA算法对建立的三维曲面模型进行优化,获得Shepard曲面模型的最优参数α,使Shepard模型达到最优的回归性能的方法,包括以下步骤:
(1.3.1)确定代价函数,用于计算每个种群的代价函数值。
(1.3.2)设定水循环算法控制参数,包括降雨层个数Npop,河流和海洋总数Nsr,极小值初始值dmax和水循环算法最大迭代次数T,优化参数个数Nvar=1。
(1.3.3)确定待辨识参数α的辨识范围,并随机生成初始种群,形成初始溪流(雨滴)、河流和海洋。其中,待辨识参数α的辨识范围根据经验确定。
其中,初始溪流、河流和海洋的计算公式为:
Nsr=N河+1 (9)
N溪=Npop-Nsr (10)
式中:Nvar为搜索空间的维数,即是一个Nvar维优化问题;N河为河流个数;Nsr为河流和海洋总数;N溪为溪流个数。
(1.3.4)将溪流种群划分为多个雨滴层作为模型参数输入到Shepard模型,以机组设备在标准健康状态下的各种环境因素和运行工况作为Shepard模型的输入信号,得到Shepard模型的仿真输出量结果,基于得到的仿真输出量结果和机组设备的实际温度数据,根据步骤(1.3.1)计算每个雨滴层的代价函数值Ji。其中,各雨滴层的表达式为:
(1.3.5)比较每个雨滴层代价函数值的大小,选择最小的代价函数值Ji对应的雨滴层作为海洋,选择N河个次小的Ji对应的雨滴层作为河流,并确定流向指定河流和海洋的溪流个数。
式中:NSn为流向特定河流或海洋的溪流数目,round{f}取f四舍五入后的整数值,n=1,2,…,Nsr。
(1.3.6)分别对溪流流向河流的位置、溪流流向海洋的位置以及河流流向海洋的位置进行更新,并根据更新后每个溪流、河流、海洋的代价函数值进行位置对换。
具体的,包括以下步骤:
(1.3.6.1)分别对溪流流向河流的位置和溪流流向海洋的位置进行更新。
(1.3.6.2)将溪流新的位置输入到Shepard模型,以机组设备在标准健康状态下的各种环境因素和运行工况作为Shepard模型的输入信号,得到Shepard模型的仿真输出量结果,基于得到的仿真输出量结果和机组设备的实际温度数据,并根据步骤(1.3.1)计算出此时溪流对应的代价函数值。若溪流的代价函数小于河流的代价函数,则河流和溪流的位置对换;若溪流的代价函数小于海洋的代价函数,则海洋和溪流的位置对换。
(1.3.6.3)对河流流向海洋的位置进行更新。
(1.3.6.4)将河流新的位置输入到Shepard模型,以机组设备在标准健康状态下的各种环境因素和运行工况作为Shepard模型的输入信号,得到Shepard模型的仿真输出量结果,基于得到的仿真输出量结果和机组设备的实际温度数据,利用式(7)计算出此时河流对应的代价函数值,若河流的代价函数值小于海洋的代价函数值,则海洋和河流的位置对换。
(1.3.7)判断是否满足蒸发条件:如果满足则进入步骤(1.3.8),否则进入步骤(1.3.9)。
其中,蒸发条件为:
(1.3.8)根据河流和溪流是否足够接近海洋,采用不同的方式进行降雨过程,形成新的降水的方法为:
式中:randn是正态分布的随机数;μ表示海洋附近搜索区域范围的系数,μ越小,则搜索范围离海洋(最优解)越近,一般μ取0.1。
(1.3.9)采用公式(18)对当前次迭代的极小值进行更新,更新公式为:
(1.3.10)判断是否达到最大迭代次数,如果是,则结束迭代,输出Shepard模型的参数α的最优结果,否则,返回步骤(1.3.6),直到迭代结束。
实施例一
本实施例采用某风场的某台风电机组(额定功率:4MW,发电机额定转速:1600r/min)的在线监测数据作为样本,来验证基于WCA和Shepard插值的设备温度异常检测模型的有效性。风电机组运行的机舱环境温度和发电机的转速决定了机舱内部机组设备的运行温度,由于这些工况参数的不断转换,使得设备运行温度的变化及其复杂,不能直接从设备温度数据中获取设备真实的健康状态及其演变趋势。因此,需要机组设备的自身特性,建立能自适应机组工况变化的、精细的设备温度异常检测模型。
(1)选取标准样本数据
选取该机组运行初期、运行状态良好时,不同季节、不同运行工况时的在线监测数据作为机组设备健康时的运行温度标准状态数据。
(2)建立设备运行温度标准模型
在设备1700组健康标准数据中,抽取900组建立运行温度标准模型(此时,采用WCA方法优化Shepard模型的参数α,使得该模型达到最佳的拟合精度。优化结果为α=5.68。),获得设备运行正常时,输入参数(机舱环境温度、发电机转速)和输出参数(设备运行温度)的精确映射关系;将剩下的800组数据作为测试样本进行模型验证。为了能使Shepard插值模型具有很好的异常辨识能力,所选取的1700组健康标准数据要尽量覆盖机组设备可能的机舱环境温度和发电机转速变化区间。
将800测试样本中的机舱环境温度和发电机转速输入运行温度标准模型,模型输出设备运行温度标准值p(i),p(i)与实测数据r(i)的比较如表1所示,由于篇幅关系,表1只给出了20组测试样本。从表中可以看出,设备运行温度标准值和实测值基本吻合,所建模型平均相对误差为1.97%,具有非常高的精度。
表1基于Shepard插值的设备温度模型的计算结果
本实施例同时比较了Shepard插值模型和支持向量机(SVM)模型的计算精度,800组测试样本分别代入2个模型进行计算,精度如表2所示。从表中可以看出,Shepard模型具有很高的计算精度,非常适合于风电机组设备温度异常辨识的在线计算。
表2两个模型计算精度比较表
模型 | 计算精度(平均相对误差,%) |
Shepard插值 | 1.97 |
SVM | 5.40 |
(3)建立设备运行温度异常辨识模型
将机组设备状态监测***中实时获得的机舱环境温度和发电机转速数据代入设备运行温度标准模型,计算得到当前环境温度和机组运行工况下,设备运行温度的标准值,采用式(1)计算当前环境温度和机组运行工况下,设备运行温度的偏差Hd,对发生状态突变和温度偏差高于预设值的时刻进行预警,建立最终的设备运行温度异常辨识模型。
如图1、图2所示,选取该设备某运行时段,200组实测状态监测数据进行运行温度异常辨识。将该实测数据中的机舱环境温度和发电机转速输入温度标准模型,获得温度标准值,图1给出了200个待辨识样本的温度标准值以及实测值。图2给出了按照公式(1)计算出的设备温度偏差。从图中可以看出,200个待辨识样本运行温度正常,该设备没有异常发生,可继续运行。
综上所述,本发明所提出的设备异常温度辨识方法实现了外界环境温度、机组运行过程和状态参数的有机地耦合,可以实时地、充分地考虑外界环境温度、机组设备运行工况的变化过程,提高了模型的精度,基于该模型获取的设备运行温度信息更贴近实际,能较全面地描述设备运行温度的变化过程,能提早发现设备运行过程中可能出现的异常。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种机组设备温度异常检测方法,其特征在于包括以下步骤:
(1)基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型,其中,机组设备的历史数据包括机组在不同环境因素和运行工况下的温度状态监测数据;
所述步骤(1)中,基于对机组设备历史数据的分析,建立基于WCA和Shepard插值的机组设备温度异常状态辨识模型的方法,包括以下步骤:
(1.1)对机组设备在不同环境因素和运行工况下的温度状态监测数据进行分析,确定机组设备的标准健康状态,并选取能够反映机组标准健康状态的特征参数;
(1.2)将机组设备处于标准健康状态下,其在各种环境因素和运行工况下的特征参数输入Shepard模型,建立Shepard模型P=f(V,U),其中,P为设备温度,V为机舱环境温度,U为发电机转速;
包括以下步骤:
(1.2.1)从特征参数中随机挑选m个样本(Pt,Vt,Ut)中的(Vt,Ut)作为试验样本点,将设备的运行温度Pt作为试验样本点对应的响应值,建立由m个样本(Pt,Vt,Ut)构成的m×(2+1)维矩阵;其中,Pt是设备的运行温度,Vt是机舱环境温度、Ut是发电机转速,t=1,2,…,m,m为样本个数;
(1.2.2)将选取的特征参数中剩余的数据作为新样本点(v,u),并基于步骤(1.2.1)中建立的m×(2+1)维矩阵,采用Shepard插值方法计算各新样本点(v,u)对应的响应值p(v,u);
(1.2.3)基于新样本点(v,u)与m个试验样本点(Vt,Ut)之间的关系,计算使得欧氏距离E最小的响应值p(v,u)的估计值其中响应值p(v,u)与估计值的映射关系,即为建立好的Shepard模型:
式中,为新样本点的估计值,ωt为权重,表示新样本点(v,u)和试验样本点(Vt,Ut)对响应值的估计值的贡献大小,参数α为Shepard模型的参数,γt=[(v-Vt)2+(u-Ut)2]0.5,表示新样本点(v,u)与试验样本点(Vt,Ut)之间的距离;
(1.3)采用WCA算法对建立的Shepard模型进行优化,得到Shepard模型的参数α的最优结果,并将优化后的Shepard模型作为机组设备温度异常状态辨识模型;
所述步骤(1.3)中,采用WCA算法对建立的Shepard模型进行优化,得到Shepard模型的参数α的最优结果,并将优化后的Shepard模型作为机组设备温度异常状态辨识模型,包括以下步骤:
(1.3.1)确定代价函数,用于计算每个种群的代价函数值;
(1.3.2)设定水循环算法控制参数,包括降雨层个数Npop,河流和海洋总数Nsr,极小值dmax和水循环算法最大迭代次数T,并根据经验确定待辨识参数α的辨识范围;
(1.3.3)随机生成初始种群,形成初始溪流、河流和海洋;
(1.3.4)将溪流种群划分为多个溪流层作为模型参数分别输入到Shepard模型,并根据步骤(1.3.1)计算每个溪流层的代价函数值Ji;
(1.3.5)比较每个溪流层代价函数值的大小,选择代价函数值最小的溪流层作为海洋,按照代价函数值从小到大的顺序,选择N河个溪流层作为河流,并确定流向指定河流和海洋的溪流个数,其中,N河为河流个数;
(1.3.6)分别对溪流流向河流的位置、溪流流向海洋的位置以及河流流向海洋的位置进行更新,并根据更新后每个溪流、河流、海洋的代价函数值进行位置对换;
所述步骤(1.3.6)中,分别对溪流流向河流的位置、溪流流向海洋的位置以及河流流向海洋的位置进行更新,并根据更新后每个溪流、河流、海洋的代价函数值进行位置对换的方法,包括以下步骤:
(1.3.6.1)分别对溪流流向河流的位置和溪流流向海洋的位置进行更新;
(1.3.6.2)将溪流新的位置输入到Shepard模型,计算出此时溪流对应的代价函数值,若溪流的代价函数小于河流的代价函数,则河流和溪流的位置对换;若溪流的代价函数小于海洋的代价函数,则海洋和溪流的位置对换;
(1.3.6.3)对河流流向海洋的位置进行更新;
(1.3.6.4)将河流新的位置输入到Shepard模型,计算出此时河流对应的代价函数值,若河流的代价函数值小于海洋的代价函数值,则海洋和河流的位置对换;
(1.3.7)判断是否满足蒸发条件:如果满足则进入步骤(1.3.8),否则进入步骤(1.3.9);
(1.3.8)根据河流和溪流是否足够接近海洋,采用不同的方式进行降雨过程,形成新的降水;
(1.3.9)对当前次迭代的极小值进行更新;
(1.3.10)判断是否达到最大迭代次数,如果是,则结束迭代,输出Shepard模型的参数α的最优结果,否则,返回步骤(1.3.6),直到迭代结束;
(2)获取当前工况下机组设备的环境参数、运行工况参数以及对应的温度实测值r(t),并将当前工况下机组设备的环境参数、运行工况参数输入机组设备温度异常状态辨识模型,得到模型输出的健康标准值;
(3)将当前工况下机组设备的温度实测值r(t)与健康标准值p(t)进行比较,根据比较结果确定当前工况下机组设备的温度运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266851.3A CN110006552B (zh) | 2019-04-03 | 2019-04-03 | 一种机组设备温度异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266851.3A CN110006552B (zh) | 2019-04-03 | 2019-04-03 | 一种机组设备温度异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110006552A CN110006552A (zh) | 2019-07-12 |
CN110006552B true CN110006552B (zh) | 2020-07-14 |
Family
ID=67169728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910266851.3A Active CN110006552B (zh) | 2019-04-03 | 2019-04-03 | 一种机组设备温度异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110006552B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112211794B (zh) * | 2020-09-02 | 2023-01-06 | 五凌电力有限公司新能源分公司 | 风电机组的机舱温度异常预警方法、装置、设备及介质 |
CN112185070B (zh) * | 2020-09-11 | 2021-12-17 | 珠海格力电器股份有限公司 | 故障预警方法、存储介质及电子设备 |
CN112504511B (zh) * | 2020-12-15 | 2023-08-15 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN113408116A (zh) * | 2021-06-07 | 2021-09-17 | 中国神华能源股份有限公司国华电力分公司 | 设备健康状态的判断方法及装置 |
CN114415581B (zh) * | 2021-12-28 | 2022-11-04 | 广东德尔智慧工厂科技有限公司 | 一种机械设备运维方法及*** |
CN115574963B (zh) * | 2022-12-08 | 2023-03-17 | 南京智联达科技有限公司 | 一种基于iot技术的无线温采***及温采方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926079A (zh) * | 2014-04-09 | 2014-07-16 | 中国水利水电科学研究院 | 一种混流式水电机组出力异常检测方法 |
CN103940611A (zh) * | 2014-04-09 | 2014-07-23 | 中国水利水电科学研究院 | 一种风电机组变工况下滚动轴承自适应异常检测方法 |
CN107742053A (zh) * | 2017-11-28 | 2018-02-27 | 国华(河北)新能源有限公司 | 风电机组异常识别方法及装置 |
CN107844780A (zh) * | 2017-11-24 | 2018-03-27 | 中南大学 | 一种融合zed视觉的人体健康特征大数据智慧计算方法与装置 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN109034478A (zh) * | 2018-07-27 | 2018-12-18 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8392869B2 (en) * | 2010-06-15 | 2013-03-05 | California Institute Of Technology | Systems and methods for circuit lifetime evaluation |
-
2019
- 2019-04-03 CN CN201910266851.3A patent/CN110006552B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926079A (zh) * | 2014-04-09 | 2014-07-16 | 中国水利水电科学研究院 | 一种混流式水电机组出力异常检测方法 |
CN103940611A (zh) * | 2014-04-09 | 2014-07-23 | 中国水利水电科学研究院 | 一种风电机组变工况下滚动轴承自适应异常检测方法 |
CN107844780A (zh) * | 2017-11-24 | 2018-03-27 | 中南大学 | 一种融合zed视觉的人体健康特征大数据智慧计算方法与装置 |
CN107742053A (zh) * | 2017-11-28 | 2018-02-27 | 国华(河北)新能源有限公司 | 风电机组异常识别方法及装置 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN109034478A (zh) * | 2018-07-27 | 2018-12-18 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
Non-Patent Citations (3)
Title |
---|
基于三维曲面的抽水蓄能电站机组故障预警模型;安学利等;《水力发电》;20130131;第39卷(第1期);第71-74页 * |
基于实测信息的海堤PHM***框架及关键技术研究;蓝祝光等;《水土保持通报》;20170630;第37卷(第3期);第307-313页 * |
基于水循环算法的梯阶水电站短期优化调度;黄景光等;《水电能源科学》;20190131;第37卷(第1期);第65-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110006552A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
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 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
WO2018171165A1 (zh) | 预测风机的故障的方法和设备 | |
US20190072075A1 (en) | Method and device for detecting equivalent load of wind turbine | |
Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
CN113107785B (zh) | 一种风电机组功率性能异常的实时监测方法及装置 | |
CN110378042A (zh) | 基于scada数据的风电机组齿轮箱油温异常检测方法及*** | |
CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
McKay et al. | Global sensitivity analysis of wind turbine power output | |
CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN115314235A (zh) | 用于风力涡轮控制***中的网络攻击检测的***和方法 | |
CN116771610A (zh) | 一种调整风电机组变桨***故障评估值的方法 | |
CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、***及介质 | |
CN110108457B (zh) | 一种基于万有引力神经网络的一次风机轴温诊断方法 | |
CN115795999B (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
Wang et al. | Wind turbine gearbox forecast using Gaussian process model | |
CN113323823B (zh) | 基于awkelm的风机叶片结冰故障检测方法及*** | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210922 Address after: 20 Chegongzhuang West Road, Haidian District, Beijing 100038 Patentee after: China Institute of Water Resources and Hydropower Research Patentee after: Tianjin Shuike electromechanical Co.,Ltd. Address before: 20 Chegongzhuang West Road, Haidian District, Beijing 100038 Patentee before: China Institute of Water Resources and Hydropower Research |