【技术实现步骤摘要】
本专利技术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。
技术介绍
1、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。
2、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。
3、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。
技术实现思路
1、本专利技术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。
2、第一方面，本申请提供了一
3、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；
4、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；
5、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；
6、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；
7、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。
8、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。
9、进一步的，所述预设的深度自编码器，具体为：
10、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；
11、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；
12、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；
13、将初始化后深度自编码器，作为预设的深度自编码器。
14、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。
15、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：
16、每个深度自编码器都具有多个编码层和解码层；
17、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。
18、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。
19、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。
20、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：
21、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；
22、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；
23、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；
24、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。
25、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。
26、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：
27、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；
28、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；
29、确定归一化后的第一监测数据为第二监测数据。
30、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。
31、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：
32、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；
33、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本文档来自技高网...
【技术保护点】
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：
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：
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：
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：
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：
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：
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
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：
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：
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：
...【技术特征摘要】
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：
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：
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：
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：
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：
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...
【专利技术属性】
技术研发人员：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，
申请(专利权)人：广东省能源集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。