基于监控参数的设备稳定性状态预测及评价方法技术

本发明专利技术公开了基于监控参数的设备稳定性状态预测及评价方法，专用于蒸汽动力船的发电汽轮机。采用MREMD分解方法对所述初始时间序列进行分解，提出了基于MREMD分解和小波阈值降噪的非平稳时间序列单参数预测模型，提高了设备的预测精度；通过将各个评价指标的参数时间序列转化为波动值序列，使得能够确定设备各个评价指标的正负理想解，再结合改进的TOPSIS算法和现有B型灰色关联分析法得到各个评价指标的加权评价参数序列的相关性权值，得到最终的各个所述预测趋势项运行稳定性状态评分，再根据该稳定性状态评分对各个评价指标进行调整，通过对相关参数的及时调整，能够保证未来一段时间内设备整体的稳定性。一段时间内设备整体的稳定性。一段时间内设备整体的稳定性。

【技术实现步骤摘要】
基于监控参数的设备稳定性状态预测及评价方法


[0001]本专利技术属于系统稳定性评价
，具体涉及基于监控参数的设备稳定性状态预测及评价方法。

技术介绍

[0002]目前系统运行状态相关的各参数之间的耦合性强，导致设备排故困难，排故成本高。目前尚没有基于系统当前运行状态预估未来参数变化的成熟方法，导致系统的状态评估和维护主要基于系统失稳或失稳瞬间记录的状态参数，实际上在失稳现象发生前，系统的相关参数往往会发生状态参数漂移、运行特性改变等先兆，如果未能及时发现、调整，设备状态可能会进一步恶化，最终导致出现各种故障。
[0003]例如，在蒸汽动力及核动力船的极限变工况、交叉供汽和特殊工作环境中，发电汽轮机的运行不稳定状况尤为明显。尽管监控系统通过对系统中各个设备的运行状态参数进行严格实时监控来保证发电汽轮机的运行状态的稳定，但是仍旧存在由于热惯性等因素造成的参数状态过渡时间偏长、预定控制参数与逻辑不能适应设备技术状态改变等问题。对于蒸汽发电系统中的发电汽轮机而言，影响其运行状况的参数众多、耦合关系复杂，目前的监控系统难以保证在所有特殊状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监控参数的设备稳定性状态预测及评价方法，其特征在于，包括以下步骤：S1、分析影响设备运行状态的不稳定性因素，选定与设备运行稳定性相关的多个评价指标，采集各个评价指标在一段时间内长度为N的数据集，并将各个数据集组成评价指标运行的初始时间序列；S2、采用MREMD分解方法对所述初始时间序列进行分解，得到n个IMF分量和一个最终残余分量；S3、设定筛选阈值对所述IMF分量进行筛选，对满足筛选阈值的IMF分量进行小波阈值降噪处理，重新组合得到新的IMF分量矩阵，对所述新的IMF分量矩阵进行处理得到最终的预测趋势项；S4、通过对所述新的IMF分量矩阵进行转化处理得到各个评价指标的参数时间序列，再利用熵权法得到各个评价指标的加权评价参数序列，并通过所述加权评价参数序列得到各个时刻点的正负理想解；S5、分别计算各评价指标的波动值与正负理想解之间的距离关系值；S6、采用B型灰色关联分析法分别计算各评价指标的波动值与正负理想解的灰色关联度；S7、分别对所述距离关系值和灰色关联度进行无量纲化处理，并将经过所述无量纲化处理后的灰色关联度与距离关系值融合为各个评价指标与设备整体运行稳定性状态的相关性权值；S8、在所述预测趋势项的基础上，建立各个评价指标运行稳定性状态评分公式，并得到各个评价指标在预测时间段上各个时刻点的评分值，根据所述各个评价指标的评分值和相关性权值，建立设备整体的预测趋势项的运行评价得分公式；S9、设定总的基准指标，通过对所述设备整体的预测趋势项的运行评价得分和总的基准指标进行比较，来判断是否需要对各个评价指标进行调整，从而确保最终所述设备整体的预测趋势项的运行评价得分高于总的基准指标。2.根据权利要求1所述的一种基于监控参数的设备稳定性状态预测及评价方法，所述步骤S2包括以下步骤：S21、利用AR预测模型对每个评价指标的初始时间序列左右端点进行预测延拓得到新序列，使得的端点处于延拓后新序列的两个极值点之间，其中所述AR预测模型表达式如下所示： ；上式中，为t时刻的预测点；分别为t
‑
1，t
‑
2，
···
，t
‑
p时刻的参数实际值，为p+1个实数，(t=p+1，p+2，
···
，N)为零均值的白噪声序列；S22、计算所述新序列中相邻极值点间的均值，新序列中所得均值点即为初始时间序列的均值点序列，其中，k为的均值点个数，极值点个数为k+1个，通过3次样条插值得到的信号均值序列，使减去 得到1阶信号分量，其表达式如下式所示：
；S23、将计算得到的信号分量作为原始信号，重复上面S21和S22进行迭代计算，直到经过r次迭代后的信号分量满足的终止条件，所述计算终止条件的判断式如下所示： ；上式中，为归一化标准差，和为分别为第r
‑
1次迭代后信号分量h
1,r
‑1(t)的均值点序列和第r次迭代后信号分量的均值点序列的标准差，P为条件概率；根据sigma原则定义为初始时间序列中极值点绝对值的有义值；和分别为初始时间序列和第r次迭代后的时间序列均值点与的比值序列；所述、和的公式分别如下式所示；；；式中：为延拓后新序列的第z个极值点；为初始时间序列的k个均值点；为经过第r
‑
1次迭代后时间序列分量的k个均值点；S24、将作为1阶本征模态函数IMF1的输出，减去 得到分量，并将作为原始信号重复上述步骤S21到S24，直到残余信号成为单调函数或分离不出新的IMF分量为止，残余信号提取过程如下式所示：；式中，n为能够分解出的IMF分量的个数；为最终残余分量；S25、经过上述分解后，初始时间序列可表示为所述n个IMF分量和最终残余分量之和，如下所示：。3.根据权利要求1所述的一种基于监控参数的设备稳定性状态预测及评价方法，所述
S3包括以下步骤：S31、根据所述各个IMF分量与初始时间序列的相关系数和均方根误差得到所述筛选阈值；S32、利用所述筛选阈值对n个IMF分量进行筛选，将所述IMF分量分成未满足筛选阈值的IMF分量和满足筛选阈值IMF分量；S33、对所述满足筛选阈值的分量进行小波阈值降噪处理，并将所述残余分量、未满足筛选阈值的IMF分...

【专利技术属性】
技术研发人员：倪何，肖鹏飞，卓越，
申请(专利权)人：中国船舶集团有限公司第七〇三研究所，
类型：发明
国别省市：