一种基于概率函数的水电机组分工况测值的预警方法技术

本发明专利技术公开了一种基于概率函数的水电机组分工况测值的预警方法

【技术实现步骤摘要】
一种基于概率函数的水电机组分工况测值的预警方法


[0001]本专利技术涉及水电机组故障预警
，尤其涉及一种基于概率函数的水电机组分工况测值的预警方法
。

技术介绍

[0002]振动是水电机组较为常见的现象，强烈的振动将影响水电机组的正常运行，并降低机组和一些零部件的使用寿命
。
因此，振摆信号是评价水电机组运行状态的重要指标和故障判断依据
。
现有的国家与行业标准颁布了多种行业规则和电站运行规程用于确定机组监测预警阈值
。
但有些指标的阈值随着工况变化而改变，相关规定未直接给出，同时监测值受到监测安装位置
、
机组不同工况等因素影响较大，因此仅依靠行业标准无法有效确定机组各位置的预警阈值
。
[0003]基于这个问题，目前水电站振摆预警阈值的确定方法大多都以统计机组自身历史数据阈值和专家经验判定为主，实现分工况设定不同的振摆报警值或者跳机值
。
专家通过经验确定各工况的报警定值系数，再与水电机组历史数据的峰
‑
峰值相乘获得各工况的分级报警阈值
。
如今，为了更加充分考虑机组自身实际情况和积累的海量历史数据，一些学者通过分析机组监测样本的分布情况，提出使用3σ
准则
、
高斯分布等适用于正态分布的概率函数方法来计算机组监测预警值
。
由于水电机组监测数据具有服从偏态分布规律的统计特征，而不是完全的正态分布，所以现有的方案最终输出的预警值并不精确
。。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提出一种基于概率函数的水电机组分工况测值的预警方法，能够运用合理的概率函数明确振摆预警阈值的计算方法，确定不同工况下的停机保护逻辑，保证预警信号输出的准确性
。
[0005]根据本专利技术的一个方面，提供一种基于概率函数的水电机组分工况测值的预警方法，包括：
[0006]采集水电机组各部件历史时域波形振动数据，并剔除噪声数据；
[0007]基于历史时域波形振动数据构建
、
训练神经网络模型，并基于训练好的神经网络模型预测水电机组的工况判定结果；
[0008]基于概率函数以及工况判定结果计算水电机组各部件的报警阈值；
[0009]基于报警阈值对水电机组各部件的实时振动监测值进行越限报警检测和停机保护判定
。
[0010]在上述技术方案中，利用历史数据来构建
、
推算出水电机组的工况情况，其目的在于，水电机组的运行情况较为复杂
。
因此本案中并不完全放弃传统的通过专家经验和历史数据来推算振摆预警阈值的方法，本案先利用传统的通过专家经验和历史数据来推算振摆预警阈值的方法构建一部分分析工作，能够较为快捷的完成后续的工作，同时也有利于不同水电机组的方案适配
。
进一步的，利用传统的方法得到工况结果后，引入概率函数的概
念，利用概率函数来计算得到报警阈值，通过这个报警阈值来进行越限报警检测和停机保护判定
。
在本案中采用概率函数的优点在于由于水电机组监测数据具有服从偏态分布规律的统计特征，而不是完全的正态分布，所以皮尔逊Ⅲ型频率曲线作为适用于偏态分布的概率函数，可以对监测信号进行更好的拟合，也提高环境评估的准确性和可靠性
。
因此，本案运用皮尔逊Ⅲ型频率曲线明确振摆预警阈值的计算方法，确定不同工况下的停机保护逻辑，保证预警信号输出的准确性
。
[0011]在一些实施例中，采集水电机组各部件历史时域波形振动数据，具体的：
[0012]采用电涡流传感器测量大轴径向时域波形振动数据；
[0013]采用低频速度传感器测量水轮机组各支撑部件时域波形振动数据
。
[0014]在上述技术方案中，这样设置的目的在于：根据不同的位置设定不同的振动监测传感器可以更精确的收集振动数据
。
[0015]在一些实施例中，剔除噪声数据，具体的：
[0016]计算每段历史时域波形振动数据的平均值及标准差，利用拉依达准则提出其所包含的噪声数据
。
[0017]在上述技术方案中，选用拉依达准则的原因在于，其使用简单，同时时域波形数据又呈近似正态分布的状态，利用该方法可以很快的剔除掉异常数据
。
虽然拉依达准则剔除异常值时要求有足够多的测量数据否则误差较大，但一般的水电机组都拥有着大量的历史数据，因此不会出现该情况
。
[0018]在一些实施例中，基于历史时域波形振动数据构建
、
训练神经网络模型，并基于训练好的神经网络模型预测水电机组的工况判定结果，具体的：
[0019]时域波形数据做等长切分，按照旋转周期的划分为多组，计算每组的时域特征值；
[0020]以计算得到的时域特征值作为训练集和测试集，并构建
、
训练神经网络模型，利用训练好的神经网络模型预测水电机组的工况判定结果
。
[0021]在上述技术方案中，由于波形数据的时域特征值有很多种，如最大值，最大绝对值，最小值，平均值，峰峰值，绝对平均值，均方根值，方根幅值，标准差，峭度，偏度，裕度，波形，脉冲，峰值
。
为此采用神经网络模型，利用其较强的信息综合能力，同时处理定量和定型，能够很好地协调输入的不同特征值的关系
。
相较于传统的机器学习方案，采用神经网络的自学习
、
自组织
、
自适应性更好
。
[0022]在一些实施例中，基于概率函数以及工况判定结果计算水电机组各部件的报警阈值，具体的：
[0023]基于工况判定结果，选取水电机组部件的时域波形振动数据按振幅值大小降序排列，并计算水电机组各部件的模比系数
、
离散系数；
[0024]设定水电机组各部件的偏差系数，分别绘制
Pearson
‑Ⅲ
型理论频率曲线图，并依据曲线图分别拟合对应的理论频率曲线，并计算水电机组各部件的经验累积概率以及模比系数；
[0025]基于模比系数计算水电机组各部件的最大振幅值，并依据该最大振幅值设定水电机组各部件的报警阈值
。
[0026]在上述技术方案中，这么设置的目的在于：在本案中采用概率函数的优点在于由于水电机组监测数据具有服从偏态分布规律的统计特征，而不是完全的正态分布，所以皮
尔逊Ⅲ型频率曲线作为适用于偏态分布的概率函数，可以对监测信号进行更好的拟合，也提高环境评估的准确性和可靠性
。
因此，本案运用皮尔逊Ⅲ型频率曲线明确振摆预警阈值的计算方法，确定不同工况下的停机保护逻辑，保证预警信号输出的准确性
。
[0027]在一些实施例中，基于报警阈值对水电机组各部件的实时振动监测值进行越限报警检测和停机保护判定，具体的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于概率函数的水电机组分工况测值的预警方法，其特征在于，包括：采集水电机组各部件历史时域波形振动数据，并剔除噪声数据；基于历史时域波形振动数据构建
、
训练神经网络模型，并基于训练好的神经网络模型预测水电机组的工况判定结果；基于概率函数以及工况判定结果计算水电机组各部件的报警阈值；基于报警阈值对水电机组各部件的实时振动监测值进行越限报警检测和停机保护判定
。2.
如权利要求1所述的一种基于概率函数的水电机组分工况测值的预警方法，其特征在于，采集水电机组各部件历史时域波形振动数据，具体的：采用电涡流传感器测量大轴径向时域波形振动数据；采用低频速度传感器测量水轮机组各支撑部件时域波形振动数据
。3.
如权利要求1所述的一种基于概率函数的水电机组分工况测值的预警方法，其特征在于，剔除噪声数据，具体的：计算每段历史时域波形振动数据的平均值及标准差，利用拉依达准则提出其所包含的噪声数据
。4.
如权利要求1所述的一种基于概率函数的水电机组分工况测值的预警方法，其特征在于，基于历史时域波形振动数据构建
、
训练神经网络模型，并基于训练好的神经网络模型预测水电机组的工况判定结果，具体的：时域波形数据做等长切分，按照旋转周期的划分为多组，计算每组的时域特征值；以计算得到的时域特征值作为训练集和测试集，并构建
、
训练神经网络模型，利用训练好的神经网络模型预测水电机组的工况判定结果
。5.
如权利要求1所述的一种基于概率函数的水电机组分工况测值的预警方法，其特征在于，基于概率函数以及工况判定结果计算水电机组各部件的报警阈值，具体的：基于工况判定结果，选取水电机组部件的时域波形振动数据按振幅值大小降序排列，并计算水电机组各部件的模比系数
、
离散系数；设定水电机组各部件的偏差系数，分别绘制
Pearson
‑Ⅲ
型理论频率曲线图，并依据曲线图分别拟合对应的理论频率曲线，并计算水电机组各部件的经验累积概率以及模比系数；基于模比系数计算水电机组各部件的最大振幅值，并依据该最大振幅值设定水电机组各部件的报警阈值
。6.
如权利要求5所述的一...

【专利技术属性】
技术研发人员：孔令华，胡南，林国庆，郑文强，郑宏用，丁聪，林剑艺，张紫葳，李维娇，
申请(专利权)人：福建仙游抽水蓄能有限公司，
类型：发明
国别省市：