CN112487910A - 核电汽轮机***故障预警方法及*** - Google Patents
核电汽轮机***故障预警方法及*** Download PDFInfo
- Publication number
- CN112487910A CN112487910A CN202011329125.0A CN202011329125A CN112487910A CN 112487910 A CN112487910 A CN 112487910A CN 202011329125 A CN202011329125 A CN 202011329125A CN 112487910 A CN112487910 A CN 112487910A
- Authority
- CN
- China
- Prior art keywords
- data
- signal data
- state prediction
- steam turbine
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000005452 bending Methods 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000012942 design verification Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及了一种核电汽轮机***故障预警方法及***,该核电汽轮机***故障预警方法包括:获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;根据所述参数预测信息,实时输出状态预测结果;根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。实施本发明的技术方案,可提前对汽轮机***的劣化状态进行预警,而且,预测精度高、可靠性强。
Description
技术领域
本发明涉及核电领域,尤其涉及一种核电汽轮机***故障预警方法及***。
背景技术
汽轮机是将蒸汽的热能转换成机械能的蜗轮式机械,是核电厂重要设备之一,其运行状态直接影响电厂的经济性和安全性,对汽轮机***的状态监测和故障预警一直被高度关注。如何提高汽轮机运行的稳定性和安全性,提升故障预测水平,是亟需解决和研究的问题。
汽轮机是高速旋转设备,它的转子和定子间隙很小,是既庞大又精密的设备。为保证汽轮机安全运行,核电站汽轮机***均配有一套自动保护***,以便在异常情况下发出警报,在危急情况下自动关闭主汽阀,使之停运。汽轮机保护***由汽轮机仪表监视***(TSI)、汽轮机危急遮断***(ETS)和机械超速保护***共同组成。其中,TSI负责对有关参数如振动、胀差、轴向位移等进行监测;ETS***对监测参数或设备状态进行逻辑判断,发出跳闸指令;机械超速保护***仅对转速形成保护。
目前,针对核电站汽轮机***的故障报警***只有实时的参数监测功能,或者简单的在线故障诊断功能,未发现真正提供故障预警、诊断和预测一体化,且具有通用性的智能监测服务。
上述技术方案的缺陷主要包括以下两点:
1)采取基于实时数据的简单的在线超阈值故障报警,在故障发生时或发生后发生报警,无法实现设备劣化状态的提前预警,导致只能采用事后维修方式和计划性检修结合,效率低、成本高且比较被动。
2)汽轮机结构复杂,属于多参数耦合复杂***,现有的监测***大多基于单一振动信号进行故障监测诊断,并不能很好地涵盖设备运行诸多类型的非振动故障,且建立的模型结构较简单,预测的可靠性、精度较差,很难反应设备的真实运行状态。
发明内容
本发明要解决的技术问题在于,针对现有技术存在的上述缺陷,提供一种核电汽轮机***故障预警方法及***。
本发明解决其技术问题所采用的技术方案是:构造一种核电汽轮机***故障预警方法,包括:
数据处理步骤:获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;
模型预测步骤:将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;
状态输出步骤:根据所述参数预测信息,实时输出状态预测结果;
异常判断步骤:根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。
优选地,所述状态预测模型通过以下方式建立:
在训练时,对汽轮机的多个监测参数的信号数据分别进行处理,并根据处理后的多个监测参数的信号数据生成多维矩阵数据;
将所述多维矩阵数据作为样本数据,并将样本数据按预设比例拆分成训练样本数据、验证样本数据和测试样本数据;
构造径向基神经网络模型,并以径向基函数作为神经网络激活函数,及采用模糊C均值聚类算法确定各个神经元中心;
利用所述训练样本数据构造输入输出向量,并使用自然梯度下降法对所述径向基神经网络模型进行训练,以获取所述径向基神经网络模型的最优参数,而且,根据所述最优参数确定状态预测模型;
利用所述验证样本数据对所确定的状态预测模型进行精度验证,并判断是否符合预设精度要求,若不符合预设精度要求,则继续训练直至符合预设精度要求;
利用测试样本数据对验证后的状态预测模型进行测试,并采用贝叶斯检验法计算其置信度。
优选地,对每个监测参数的信号数据进行处理,包括:
对每个监测参数的信号数据进行异常值过滤处理;
对每个监测参数的信号数据进行缺失填充处理;
对每个监测参数的信号数据进行降噪处理;
对每个监测参数的信号数据进行中心化处理。
优选地,对每个监测参数的信号数据进行异常值过滤处理,包括:
采用箱型图法对每个监测参数的信号数据进行处理,以筛掉异常值。
优选地,对每个监测参数的信号数据进行降噪处理,包括:
采用小波包阈值去噪法对每个监测参数的信号数据进行降噪处理。
优选地,在生成多维矩阵数据之后,还包括:
根据概率主成分分析法,对数据处理后的多维矩阵数据进行降维处理。
优选地,所述状态预测模型的嵌入维数为5。
优选地,利用所述训练样本数据构造输入输出向量,包括:
在所述训练样本数据中,将每个时间节点及其后面的四个时间节点的数据归为一组,并将其作为输入向量,以及,将每组最后一个时间节点的下一节点的数据作为输出向量。
本发明还构造一种核电汽轮机***故障预警***,包括:
数据处理模块,用于获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;
模型预测模块,用于将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;
状态输出模块,用于根据所述参数预测信息,实时输出状态预测结果;
异常判断模块,用于根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。
优选地,还包括:
模型构建模块,用于在训练时,根据汽轮机的多个监测参数的信号数据构建状态预测模型,并对所构建的状态预测模型进行验证及测试。
本发明所提供的技术方案,利用预先构建的状态预测模型来预测汽轮机下一时刻的状态,并判断是否出现异常,从而达到预警的效果。而且,由于是基于多维度的监测参数信号进行预测的,所以能涵盖设备运行诸多类型的非振动故障,具有预测精度高、可靠性强等特点。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。附图中:
图1是本发明核电汽轮机***故障预警方法实施例一的流程图;
图2是本发明状态预测模型建立步骤实施例一的流程图;
图3是本发明核电汽轮机***故障预警***实施例一的逻辑结构图;
图4是本发明核电汽轮机***故障预警***实施例二的逻辑结构图。
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。
针对现有技术无法实现核电汽轮机***劣化状态的提前预警,及不能很好地涵盖设备运行诸多类型的非振动故障,本发明构造一种核电汽轮机***故障预警方法,利用多维度信号数据分析处理技术,在各种运行工况下持续监测汽轮机运行状态,在到达临界点之前发现那些蠕变的缺陷。同时还可实现对汽轮机故障的诊断分析,以及汽轮机失效时间的预测,从而为运行和维修人员提供有效的指导。
图1是本发明核电汽轮机***故障预警方法实施例一的流程图,该实施例的核电汽轮机***故障预警方法包括以下步骤:
数据处理步骤S10:获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;
在该步骤中,所采集的监测参数信号包括:转速、轴向位移、胀差、振动、偏心、热膨胀等。其中:
关于转速:汽轮机转速过高时将可能造成转子断裂、飞车等恶性事故,因此汽轮机转速设计了多层汽轮机转速高保护,如103%超速限制保护,108%、110%电超速保护,机械式危急遮断保护等等;
关于轴向位移:以机械零位为基准,监测汽轮机转子在轴向的窜动量。汽轮机轴向位移过大时,轻则可能造成烧瓦、轴颈局部弯曲事故,重则会导致汽轮机动静部分发生摩擦、碰撞,从而造成叶片折断、大轴弯曲、隔板和叶轮碎裂等恶性事故。汽轮机轴向位移设计报警限值、停机保护限值,越过停机限值时ETS动作停机;
关于胀差:以机械零位为基准,监测汽轮机转子膨胀量与汽缸膨胀量的差值,因而又称为相对膨胀,胀差=转子膨胀量-汽缸膨胀量。热膨胀通常是指汽缸的膨胀量,因而又称为绝对膨胀。汽轮机正胀差或者负胀差过大时,将导致汽轮机动静间隙过小而发生动静摩擦甚至碰撞,加剧汽轮机振动,甚至损坏转子叶片或者汽缸隔板。汽轮机胀差设计报警、停机限值,但一般不设置停机保护,胀差越过停机限值时,要求手动打闸停机;
关于振动:分为轴振动和轴承振动。轴承振动用来测量汽轮机轴承的振动量,因此又称为绝对振动,俗称瓦振。轴承振动可采用振动速度和振动位移两种测量方式,同时水平、垂直两种方向可选。轴振动则是测量轴承振动与大轴振动之间的相对值,因此又称为相对振动,俗称轴振。轴振动也可采用速度和位移、水平和垂直多种测量方式。汽轮机振动过大时会发生轴封/汽封磨损、滑销磨损、转动部件疲劳强度降低等危害,严重时会发生烧瓦、轴弯曲等恶性事故;
关于偏心:又称为轴弯曲,主要用来监测大轴的弯曲度。汽轮机大轴弯曲为弹性弯曲时,可通过连续盘车等手段逐渐恢复;当产生永久弯曲时则无法恢复,需要将转子抽出进行直轴工作。偏心监测在机组盘车状态时有效,同时需要提供键相信号(转子旋转一圈的标记)作为测量基准。轴弯曲度过大时,将引起汽轮机振动加剧甚至动静部分发生摩擦。偏心监测一般要设置报警值;
关于热膨胀:测量汽缸的绝对膨胀量。汽缸膨胀不畅时将导致正胀差过大、轴承箱上抬/变形等危害。
模型预测步骤S20:将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;
状态输出步骤S30:根据所述参数预测信息,实时输出状态预测结果;
异常判断步骤S40:根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。
该实施例的技术方案利用预先构建的状态预测模型来预测汽轮机下一时刻的状态,并判断是否出现异常,从而达到预警的效果。而且,由于是基于多维度的监测信号进行预测的,所以能涵盖设备运行诸多类型的非振动故障,具有预测精度高、可靠性强等特点。
进一步地,状态预测模型通过以下方式建立:
步骤S51.在训练时,对汽轮机的多个监测参数的信号数据分别进行处理,并根据处理后的多个监测参数的信号数据生成多维矩阵数据;
在该步骤中,需说明的是,前期的数据可来源于工程仿真设计验证平台,后期可在实际电站应用推广时连接核电厂实时信息监控***,并从核电厂实时信息监控***采集信号数据。另外,对每个监测参数的信号数据的处理主要包括缺失数据、异常数据、噪声数据等处理。
步骤S52.将所述多维矩阵数据作为样本数据,并将样本数据按预设比例拆分成训练样本数据、验证样本数据和测试样本数据;
步骤S53.构造径向基神经网络模型,并以径向基函数作为神经网络激活函数,及采用模糊C均值聚类算法确定各个神经元中心;
步骤S54.利用所述训练样本数据构造输入输出向量,并使用自然梯度下降法对所述径向基神经网络模型进行训练,以获取所述径向基神经网络模型的最优参数,而且,根据所述最优参数确定状态预测模型;
在该步骤中,状态预测模型的嵌入维数例如可为5,而且,在训练样本数据中,可将每个时间节点及其后面的四个时间节点的数据归为一组,并将其作为输入向量,以及,将每组最后一个时间节点的下一节点的数据作为输出向量。
步骤S55.利用所述验证样本数据对所确定的状态预测模型进行精度验证,并判断是否符合预设精度要求,若不符合预设精度要求,则继续训练直至符合预设精度要求;
步骤S56.利用测试样本数据对验证后的状态预测模型进行测试,并采用贝叶斯检验法计算其置信度。
在一个可选实施例中,对每个监测参数的信号数据进行处理包括以下步骤:
对每个监测参数的信号数据进行异常值过滤处理,例如,可采用箱型图法对每个监测参数的信号数据进行处理,以筛掉异常值;
对每个监测参数的信号数据进行缺失填充处理;
对每个监测参数的信号数据进行降噪处理,例如,可采用小波包阈值去噪法对每个监测参数的信号数据进行降噪处理;
对每个监测参数的信号数据进行中心化处理,例如,可采用正态化的方法实现中心化,即将数据处理成服从均值为0的正态化数据。
进一步地,在生成多维矩阵数据之后,还包括:根据概率主成分分析法,对数据处理后的多维矩阵数据进行降维处理。
关于上述数据处理,应理解,在状态预测阶段,可按照上述方式对实际监测参数的信号数据进行处理;在模型建立阶段,可按照上述方式对所获取的信号数据进行处理。
图2是本发明状态预测模型建立步骤实施例一的流程图,下面说明状态预测模型建立步骤:
首先,读取d维n组时间序列数据,并处理成d维矩阵Xd*n,以方便进行信号处理。
在处理时,由于数据可能因为人为或者硬件故障导致出现明显的异常值或者数据缺失,可选用箱型图法对数据进行处理,筛掉异常值,并利用缺失值前后数据对缺失值进行填补。另外,所采集的信号数据还有可能包含各种噪声,不经处理,使用在预测模型中会影响预测精度,可采用小波包阈值(DWPT)去噪对信号进行分解,过滤小波系数后重构,可以有效地去除噪声。
对于处理后的d维样本数据,各个维度并不一定都能独立代表汽轮机***状况,也可能每个维度之间相互关联,为了降低维度提高效率,对样本数据进行概率主成分分析(PPCA),将样本数据降至q维矩阵Xd*n,即,处理成q维n组时间序列数据。
接着,将样本数据按比例5:3:2分成训练、验证与测试数据,方便对预测模型进行训练、验证与测试。在构建模型时,可构造径向基神经网络模型,以径向基函数作为神经网络激活函数,采用模糊C均值聚类算法确定各个神经元中心,利用训练样本构造输入输出向量,使用自然梯度下降法进行训练,得到模型最优参数。利用验证样本对模型精度进行验证,判断是否符合应用条件,不满足精度要求,则继续训练。利用测试样本应用模型,对模型预测出的数据,采用贝叶斯假设检验方法求其置信度,输出异常情况的时间节点。
最后,便可继续收集汽轮机***信号,处理信号后可直接运用模型进行预测。
图3是本发明核电汽轮机***故障预警***实施例一的逻辑结构图,该实施例的核电汽轮机***故障预警***包括数据处理模块10、模型预测模块20、状态输出模块30和异常判断模块40,其中,数据处理模块10用于获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;模型预测模块20用于将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;状态输出模块30用于根据所述参数预测信息,实时输出状态预测结果;异常判断模块40用于根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。
进一步地,本发明的核电汽轮机***故障预警***还包括模型构建模块,该模型构建模块用于在训练时,根据汽轮机的多个监测参数的信号数据构建状态预测模型,并对所构建的状态预测模型进行验证及测试。
图4是本发明核电汽轮机***故障预警***实施例二的逻辑结构图,该实施例的核电汽轮机***故障预警***包括数据处理服务器(数据处理模块)、模型服务器(模型预测模块)及用户终端。在该实施例中,关于数据采集,需说明的是,本***的数据前期主要来源于工程仿真设计验证平台,后期在实际电站应用推广时可连接核电厂实时信息监控***,例如,可从DCS、PLC、RTU或其它***获取监测参数的信号数据。数据处理服务器主要用于采集数据的加工处理,包括缺失数据、异常数据、噪声数据等处理。模型服务器主要用于状态预测模型的搭建、验证、以及利用状态预测模型,根据输入数据进行状态预测。用户终端(应用接口层)主要用于提供相关的人机接口界面,实现具体的***业务功能,对专业人员管理大型机械设备提供辅助。
下面以一个具体实施例来说明核电汽轮机***故障预警过程,该过程包括:数据处理、主成因分析、预测模型应用、UI设计。
1.数据处理
获取汽轮机的监测参数的信号数据,如表1所示。明晰数据特征后,将对这份数据按照上文所描述的方法进行处理。
表1
在对数据信号进行数据处理前,需对监测信号进行筛选,因为:在汽轮机的监测信号中,共有322个信号,包括了231个逻辑信号和91个时序信号,其中逻辑信号如振动、压力、位移等信号的异常判断,其通过设置阈值的方式来判断,在阈值之内则输出0,超出阈值输出1。而本申请的技术方案是针对时间序列的预测,所以在数据处理之前要剔除掉这些逻辑信号。可采用以下方式对监测信号进行筛选:预先提取逻辑信号名称作为变量名保存在程序中,在新数据进入后可按保存的变量名进行筛选,就能得到全部的时序信号。
当对监测信号进行筛选后,可对信号数据进行以下处理:(1)对数据进行填补:例如,在分析第一份汽轮机数据情况时,发现了少量的数据缺失情况,主要分布在测量轴偏心量的信号上,假设轴偏心量的4月2日16:00至4月3日0:00数据丢失,信号输出结果为0,导致数据变化不连续,如果直接使用,势必会影响模型精度,因此,需要利用事件段前后的数据变化趋势进行填补;(2)对数据进行小波包阈值降噪处理:在基于小波技术的消噪过程中,小波基函数的选择和分解尺度的确定是两个比较关键的问题,不同性质的信号应该选择不同的小波基函数,才能取得更好的消噪效果,优选地,对于轴偏心量信号采用Daubechies8小波基比较合适;(3)对数据进行中心化处理:数据正态化在涉及多维度信号数据时,为了消除量纲的影响,通常要将信号进行中心化处理,以便进行综合处理,可采用正态化的方法实现中心化,即将数据处理成服从均值为0的正态化数据。
2.主成因分析
为了保证主成分充分保留原始数据信息,主成分累积贡献率要超过90%,假如主成分累计贡献率过低,例如,第一主成分只包含了信号23.6%的信息,累计贡献超过90%需要26个主成分,主成分分析效果差。经分析,主成分效果差的原因主要是信号间相关性小或者信号变化小。鉴于这些原因,又将信号分别按所测参数类别和所测对象进行分类后再进行主成分分析。为了解决主成分的代表性不够的问题,在该技术方案中,采用主成分与关键信号组合预测,其中,所谓的关键信号即使能够代表机械设备状态的信号,例如例如胀差,胀差过大会增大摩擦,从而导致机体温度、振动等一系列信号的变化,说明机体出现故障。通过主成分信号与关键信号协同预测,相互验证,从而保证预测模型整体的可靠性。
3.状态预测模型应用
当按上述方式对监测参数的信号数据进行清洗后,可进入模型搭建步骤:(1)确定模型的输入输出向量:对经过数据处理之后的时序信号采用C-C算法进行了相空间重构,优选地,嵌入维数m=5,延迟时间τ=1预测精度最好,因此最佳嵌入维数和延迟时间分别为m=5,τ=1,此时神经网络输入层有5个节点。时序信号经过重构后,以每个时间节点后四个时间点的信号数据归为一组,并作为神经网络的输入向量,以每组最后一个时间点的下一个时间点的信号数据作为输出向量。例如,假设汽轮机的信号数据共有720个时间点,可以分成716组输入,715个输出。(2)预测模型:将样本数据分成三份,50%数据用于预测,30%数据用于验证,20%用于测试。然后经过贝叶斯检验确认可靠的最终预测模型,假设经计算其贝叶斯置信度高达93.2%,此外其均方误差为0.033,使用机器学习拟合参数指标其决定系数R^2为0.811,该指标越接近于1说明曲线拟合效果越好。以上指标说明了验证模型具有相当的精确性,而且这也说明均方误差与决定系数两个指标与贝叶斯假设检验方法的置信度是吻合的,验证了贝叶斯假设检验的可靠性。改段数据的贝叶斯置信度达到91.95%,总体发生故障可能性为1.25%,其均方误差为0.012,决定系数R^2为0.932。因为测试时间段内没有发生故障,所以其预测的效果基本贴合时间监测数据,总体故障的可能性只有1.25%,可以判断设备运行十分可靠。
4.UI设计
关于UI设计,需说明的是,可采用Python的PyQt5模块集成以上数据处理与预测模型程序,将参数选择、工作日志等元素放入到人机交互界面,该软件能够实现数据的导入、参数的选择、预测程序的运行与停止、故障疑点的记录以及实时预测情况显示。主界面显示了第一主成分的预测结果,每小时采集的信号导入软件后,界面会实时更新预测结果,在界面上形成滚动窗口。此外,本发明的技术方案涉及到主成分与关键信号的同时预测,所以程序要能够实现并行处理,在用户界面中设置了多个界面,可供用户按需求调出,以显示数据处理情况、关键信号的预测结果等信息。
上述技术方案具有以下有益效果:
1.基于数据处理技术,通过汽轮机多维度采集信号,并对汽轮机不良数据进行综合分析处理,具体地,针对核电厂汽轮机***的监测信号提出了一种时间序列预测模型,该模型不仅可以对时间序列进行数据清洗,如存在一些缺失值、噪声等情况,还能够全自动地预测时间序列未来的走势,即预测监测信号未来的响应值,从而与实际信号相比较,通过残差来判断故障是否发生。针对缺失值采用填补的方法进行处理,利用空缺值前后的数据进行线性回归得到空缺值数据;针对信号噪声提出小波包阈值降噪的方法,结合开发的贝叶斯统计假设检验及数据处理方法,提升了降噪效果;
2.通过动态模糊随机神经网络,构造一种基于时间序列的状态预测模型,该状态预测模型通过径向基神经网络(RBFNN)来实现,利用C-C算法进行相空间重构得到输入输出层数据,再利用模糊C均值聚类算法(FCM)确定隐藏层,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残差,设定警戒线来判断故障是否发生;最后设计UI界面,提供实时反馈。因此,对于汽轮机***的故障具有预测精度高、可靠性强等特点。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何纂改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种核电汽轮机***故障预警方法,其特征在于,包括:
数据处理步骤:获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;
模型预测步骤:将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;
状态输出步骤:根据所述参数预测信息,实时输出状态预测结果;
异常判断步骤:根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。
2.根据权利要求1所述的核电汽轮机***故障预警方法,其特征在于,所述状态预测模型通过以下方式建立:
在训练时,对汽轮机的多个监测参数的信号数据分别进行处理,并根据处理后的多个监测参数的信号数据生成多维矩阵数据;
将所述多维矩阵数据作为样本数据,并将样本数据按预设比例拆分成训练样本数据、验证样本数据和测试样本数据;
构造径向基神经网络模型,并以径向基函数作为神经网络激活函数,及采用模糊C均值聚类算法确定各个神经元中心;
利用所述训练样本数据构造输入输出向量,并使用自然梯度下降法对所述径向基神经网络模型进行训练,以获取所述径向基神经网络模型的最优参数,而且,根据所述最优参数确定状态预测模型;
利用所述验证样本数据对所确定的状态预测模型进行精度验证,并判断是否符合预设精度要求,若不符合预设精度要求,则继续训练直至符合预设精度要求;
利用测试样本数据对验证后的状态预测模型进行测试,并采用贝叶斯检验法计算其置信度。
3.根据权利要求1或2所述的核电汽轮机***故障预警方法,其特征在于,对每个监测参数的信号数据进行处理,包括:
对每个监测参数的信号数据进行异常值过滤处理;
对每个监测参数的信号数据进行缺失填充处理;
对每个监测参数的信号数据进行降噪处理;
对每个监测参数的信号数据进行中心化处理。
4.根据权利要求3所述的核电汽轮机***故障预警方法,其特征在于,对每个监测参数的信号数据进行异常值过滤处理,包括:
采用箱型图法对每个监测参数的信号数据进行处理,以筛掉异常值。
5.根据权利要求3所述的核电汽轮机***故障预警方法,其特征在于,对每个监测参数的信号数据进行降噪处理,包括:
采用小波包阈值去噪法对每个监测参数的信号数据进行降噪处理。
6.根据权利要求1或2所述的核电汽轮机***故障预警方法,其特征在于,在生成多维矩阵数据之后,还包括:
根据概率主成分分析法,对数据处理后的多维矩阵数据进行降维处理。
7.根据权利要求6所述的核电汽轮机***故障预警方法,其特征在于,所述状态预测模型的嵌入维数为5。
8.根据权利要求2所述的核电汽轮机***故障预警方法,其特征在于,利用所述训练样本数据构造输入输出向量,包括:
在所述训练样本数据中,将每个时间节点及其后面的四个时间节点的数据归为一组,并将其作为输入向量,以及,将每组最后一个时间节点的下一节点的数据作为输出向量。
9.一种核电汽轮机***故障预警***,其特征在于,包括:
数据处理模块,用于获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;
模型预测模块,用于将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;
状态输出模块,用于根据所述参数预测信息,实时输出状态预测结果;
异常判断模块,用于根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。
10.根据权利要求9所述的核电汽轮机***故障预警***,其特征在于,还包括:
模型构建模块,用于在训练时,根据汽轮机的多个监测参数的信号数据构建状态预测模型,并对所构建的状态预测模型进行验证及测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329125.0A CN112487910A (zh) | 2020-11-24 | 2020-11-24 | 核电汽轮机***故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329125.0A CN112487910A (zh) | 2020-11-24 | 2020-11-24 | 核电汽轮机***故障预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112487910A true CN112487910A (zh) | 2021-03-12 |
Family
ID=74933743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011329125.0A Pending CN112487910A (zh) | 2020-11-24 | 2020-11-24 | 核电汽轮机***故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487910A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238530A (zh) * | 2021-04-25 | 2021-08-10 | 中国核电工程有限公司 | 监测***显示功能设计方法及***、验证方法、显示方法 |
CN113361823A (zh) * | 2021-07-16 | 2021-09-07 | 同济大学 | 一种基于预测数据的燃料电池故障预测方法及*** |
CN113658415A (zh) * | 2021-07-30 | 2021-11-16 | 南京凡科信息科技有限公司 | 一种智能网关的预警方法和*** |
CN113746817A (zh) * | 2021-08-20 | 2021-12-03 | 太原向明智控科技有限公司 | 一种煤矿井下通讯控制监控***及方法 |
CN114115197A (zh) * | 2021-11-24 | 2022-03-01 | 浙大城市学院 | 燃气轮机状态维修决策***、方法以及存储介质 |
CN114239885A (zh) * | 2022-01-11 | 2022-03-25 | 中国科学院深圳先进技术研究院 | 一种运行故障预测方法及装置 |
CN114483221A (zh) * | 2021-12-01 | 2022-05-13 | 上海发电设备成套设计研究院有限责任公司 | 核电汽轮机转子与轴承***的轴系振动在线安全监控方法 |
CN115290832A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132001A1 (en) * | 2010-07-23 | 2013-05-23 | Soumaya Yacout | Tool and method for fault detection of devices by condition based maintenance |
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理***的配电网故障分类方法 |
CN107832729A (zh) * | 2017-11-22 | 2018-03-23 | 桂林电子科技大学 | 一种轴承锈蚀智能诊断方法 |
CN108664949A (zh) * | 2018-05-21 | 2018-10-16 | 江苏信息职业技术学院 | 利用径向基神经网络对癫痫脑电图信号进行分类的方法 |
CN109472288A (zh) * | 2018-10-08 | 2019-03-15 | 华中科技大学 | 一种抽水蓄能机组振动混合特征提取与分类方法 |
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 |
-
2020
- 2020-11-24 CN CN202011329125.0A patent/CN112487910A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132001A1 (en) * | 2010-07-23 | 2013-05-23 | Soumaya Yacout | Tool and method for fault detection of devices by condition based maintenance |
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理***的配电网故障分类方法 |
CN107832729A (zh) * | 2017-11-22 | 2018-03-23 | 桂林电子科技大学 | 一种轴承锈蚀智能诊断方法 |
CN108664949A (zh) * | 2018-05-21 | 2018-10-16 | 江苏信息职业技术学院 | 利用径向基神经网络对癫痫脑电图信号进行分类的方法 |
CN109472288A (zh) * | 2018-10-08 | 2019-03-15 | 华中科技大学 | 一种抽水蓄能机组振动混合特征提取与分类方法 |
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 |
Non-Patent Citations (3)
Title |
---|
XIAO YUN WANG: "Fault Diagnosis on Transmission System of Wind Turbines Based on Wavelet Packet Transform and RBF Neural Networks", APPLIED MECHANICS AND MATERIALS, vol. 2594, pages 1102 - 1105 * |
荣命哲等: "《电器设备状态检测》", 31 March 2020, 北京:机械工业出版社, pages: 163 - 171 * |
赵志强: "基于集合经验模式分解与径向基函数神经网络的齿轮故障诊断", pages 029 - 62 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238530A (zh) * | 2021-04-25 | 2021-08-10 | 中国核电工程有限公司 | 监测***显示功能设计方法及***、验证方法、显示方法 |
CN113361823A (zh) * | 2021-07-16 | 2021-09-07 | 同济大学 | 一种基于预测数据的燃料电池故障预测方法及*** |
CN113658415A (zh) * | 2021-07-30 | 2021-11-16 | 南京凡科信息科技有限公司 | 一种智能网关的预警方法和*** |
CN113658415B (zh) * | 2021-07-30 | 2024-03-26 | 江苏湛德医疗用品有限公司 | 一种智能网关的预警方法和*** |
CN113746817A (zh) * | 2021-08-20 | 2021-12-03 | 太原向明智控科技有限公司 | 一种煤矿井下通讯控制监控***及方法 |
CN114115197A (zh) * | 2021-11-24 | 2022-03-01 | 浙大城市学院 | 燃气轮机状态维修决策***、方法以及存储介质 |
CN114483221A (zh) * | 2021-12-01 | 2022-05-13 | 上海发电设备成套设计研究院有限责任公司 | 核电汽轮机转子与轴承***的轴系振动在线安全监控方法 |
CN114483221B (zh) * | 2021-12-01 | 2023-12-26 | 上海发电设备成套设计研究院有限责任公司 | 核电汽轮机转子与轴承***的轴系振动在线安全监控方法 |
CN114239885A (zh) * | 2022-01-11 | 2022-03-25 | 中国科学院深圳先进技术研究院 | 一种运行故障预测方法及装置 |
CN115290832A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
CN115290832B (zh) * | 2022-09-30 | 2022-12-13 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487910A (zh) | 核电汽轮机***故障预警方法及*** | |
Ayo-Imoru et al. | A survey of the state of condition-based maintenance (CBM) in the nuclear power industry | |
CN108069308B (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 2: Application examples | |
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 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
Chen et al. | Diagnosing planetary gear faults using the fuzzy entropy of LMD and ANFIS | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
Márquez et al. | An overview of wind turbine maintenance management | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN112633614A (zh) | 一种基于特征提取的实时故障程度诊断***及方法 | |
Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
Wang et al. | Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及*** | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
CN111563685A (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
Karadayi et al. | Fault-related Alarm Detection of a Wind Turbine SCADA System | |
CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
Ma | Methods and systems for fault diagnosis in nuclear power plants | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Polyakov et al. | Overview of turbogenerator monitoring and diagnostic systems | |
Dehghanabandaki et al. | Fault Detection of Wind Turbine System Based on Deep Learning and System Identification |
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 |