System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及计算机,特别是涉及一种水轮机组故障发生度测度方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着计算机技术的发展,出现了潜在故障模式及影响分析(failure mode andeffect analysis, fmea)技术,其作为一种故障分析技术,通过系统分析设备的潜在故障模式,评估其风险优先数,识别潜在故障风险,进而给出改进或维护措施,从而提高设备使用可靠性。而将该技术应用在水轮机组,则可以有效实现水轮机组的精确故障风险评估,保障水轮机组的高效、可靠运行。
2、然而,目前的潜在故障模式及影响分析技术,在进行故障发生度测度的时候,一般会通过语义规则结合专家经验得出的,具有较强的主观性,使得水轮机组风险评估与实际情况差异较大,从而影响故障发生度测度的准确性。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够有效提高故障发生度测度准确性的水轮机组故障发生度测度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本申请提供了一种水轮机组故障发生度测度方法,包括:
3、获取待评估水轮机组的实时运行数据;
4、对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集;
5、对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据;
6、基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度,所述预设自组
7、在其中一个实施例中,所述对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集包括:
8、对水轮机组进行结构分析、功能分析和失效分析,构建应用于所述水轮机组的设备结构-功能-故障映射模型;
9、基于所述设备结构-功能-故障映射模型识别所述水轮机组的潜在故障模式和故障机理;
10、基于所述潜在故障模式和所述故障机理,确定所述水轮机组的故障影响因素和故障表征参数;
11、基于确定的所述故障影响因素和所述故障表征参数,对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集。
12、在其中一个实施例中,所述对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据包括:
13、对所述故障征兆参数数据集进行异常值剔除处理和时间对齐处理,得到预处理数据;
14、对所述预处理数据进行稳态数据筛选处理,得到稳态数据;
15、对所述稳态数据进行特征提取处理,得到测度特征数据。
16、在其中一个实施例中,所述对所述稳态数据进行特征提取处理,得到测度特征数据包括:
17、基于所述稳态数据的数据来源对所述稳态数据进行分类处理,得到所述稳态数据中的同源参数数据;
18、分别提取每类同源参数数据中的统计特征,得到特征提取结果;
19、通过主成分分析算法对所述特征提取结果进行降维处理,得到测度特征数据。
20、在其中一个实施例中,所述基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度包括:
21、将所述测度特征数据输入所述基于预设自组织映射网络,基于所述预设自组织映射网络的输入层权重确定所述测度特征数据对应的最小量化误差;
22、对所述最小量化误差进行故障发生度映射,得到水轮机组故障发生度。
23、在其中一个实施例中,所述方法还包括:
24、获取所述待评估水轮机组的历史运行数据;
25、提取所述历史运行数据中的非故障发生时刻数据;
26、对所述非故障发生时刻数据进行特征提取处理,得到模型训练数据;
27、基于所述模型训练数据,通过kohonen算法对初始自组织映射网络进行权重参数更新处理,得到预设自组织映射网络。
28、第二方面,本申请还提供了一种水轮机组故障发生度测度装置,所述装置包括:
29、数据获取模块,用于获取待评估水轮机组的实时运行数据;
30、参数筛选模块,用于对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集;
31、特征提取模块,用于对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据;
32、发生度映射模块,用于基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度,所述预设自组织映射网络为以所述待评估水轮机组的历史运行数据中的非故障发生时刻数据为训练样本,建立的故障概率评估模型。
33、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
34、获取待评估水轮机组的实时运行数据;
35、对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集;
36、对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据;
37、基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度,所述预设自组织映射网络为以所述待评估水轮机组的历史运行数据中的非故障发生时刻数据为训练样本,建立的故障概率评估模型。
38、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
39、获取待评估水轮机组的实时运行数据;
40、对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集;
41、对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据;
42、基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度,所述预设自组织映射网络为以所述待评估水轮机组的历史运行数据中的非故障发生时刻数据为训练样本,建立的故障概率评估模型。
43、第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
44、获取待评估水轮机组的实时运行数据;
45、对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集;
46、对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据;
47、基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度,所述预设自组织映射网络为以所述待评估水轮机组的历史运行数据中的非故障发生时刻数据为训练样本,建立的故障概率评估模型。
48、上述水轮机组故障发生度测度方法、装置、计算机设备、存储介质和计算本文档来自技高网...
【技术保护点】
1.一种水轮机组故障发生度测度方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据包括:
4.根据权利要求3所述的方法,其特征在于,所述对所述稳态数据进行特征提取处理,得到测度特征数据包括:
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度包括:
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
7.一种水轮机组故障发生度测度装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种水轮机组故障发生度测度方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对所述待评估水轮机组的实时运行数据进行数据筛选处理,得到故障征兆参数数据集包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述故障征兆参数数据集进行特征提取处理,得到测度特征数据包括:
4.根据权利要求3所述的方法,其特征在于,所述对所述稳态数据进行特征提取处理,得到测度特征数据包括:
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述基于预设自组织映射网络对所述测度特征数据进行故障发生度映射处理,得到水轮机组故障发生度包括:...
【专利技术属性】
技术研发人员:刘振国,张春辉,蒋诗新,徐铬,李友平,胡宁,易万爽,冉毅川,杨峰,王涛,
申请(专利权)人:中国电子产品可靠性与环境试验研究所工业和信息化部电子第五研究所中国赛宝实验室,
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。