基于大数据的水轮机导叶开口不匀故障智能预警

来源:用户上传      作者:

　　摘  要：随着人工智能的发展，目前中国各大水电厂水轮机各部件设备的监视还停留在监视阶段，通过人工对实时数据的分析，来判断设备的状态。不仅误判的几率高，而且针对设备的老化和设备渐变的故障，实时监视可能无法捕捉。由于传感器精度等各方面干扰因素导致测点的跳变，对设备的劣化监测可能会出现频繁的误报等情况，基于大数据人工智能的检测算法可较为及时的实现故障的预警。
　　关键词：人工智能;劣化;神经网络;遗传算法
　　中图分类号：TP273         文献标志码：A         文章编号：2095-2945（2020）11-0120-02
　　Abstract： With the development of artificial intelligence， the monitoring of hydraulic turbine components and equipment of major hydropower plants in China is still in the monitoring stage， through the manual analysis of real-time data to judge the status of the equipment. Not only the probability of misjudgment is high， but also real-time monitoring may not be able to capture the aging and gradual failure of the equipment. Due to the change of measuring points caused by various interference factors such as sensor accuracy， frequent false positives may occur in the monitoring of equipment deterioration. The detection algorithm based on big data artificial intelligence can achieve fault early warning in a more timely manner.
　　Keywords： artificial intelligence; deterioration; neural network; genetic algorithm
　　1 目的
　　针对水轮机导叶开口不匀故障的数据分析方法多种多样，国内大多数水电站大多还是人工分析。这样不仅分析效率比较慢，而且准确率和误判率比较高。为了打破传统的数据分析方法，针对水轮机导叶开口不匀故障需要开发出一套能实现智能分析、智能故障监测、智能故障预测的模块，实现水轮机导叶开口不匀故障的智能预警。
　　2 设计思路
　　2.1 总体设计
　　针对水轮发电机组水轮机开口不匀故障的判断方法，本文采用对单台水轮机设备所有水轮机工况量和在线监测振动摆度桑珊建立一个完整的生态圈，每个数据种群中数据个体都携带有机组各个部位的信息（由于外界干扰，比如信号干扰，传感器精度等因素），该信息的可信度会有影响。在一时间段内选取水轮机开口不匀相关量（比如：顶盖振动，蜗壳压力脉动，尾水锥管压力脉动，水导摆度，导叶开度等）进入智能算法模块，通过遗传算法和神经网络的相结合，得出在该时间段内水轮机开口不匀的最优解。选取最优解用来评估水轮机开口不匀故障的指标量，通过对该指标量的报警及变化趋势，对水轮机开口不匀故障实现预测的功能。
　　2.2 算法设计
　　本文针对这一思路对电厂数据采用当今流行的智能算法（比如：神经网络算子，遗传算法算子等主流算法），对每个数据个体进行特殊的处理，从一个数据群体中挑选最优点。一方面达到数据清洗的效果，另一方面从一组数据中提取能表达设备状态的特征值。这样既解决了数据的误报问题，又可以对设备状态实现故障预警，以及设备老化实现劣化预警。
　　2.2.1 神经网络算法
　　人工神经网络方法，特别是多层神经网络技术的发展，给各种不同预测物理模型的研究提供了新的方法。多层神经网络能够不断地学习新的知识并能处理复杂的非线性映射，其中BP模型是一种使用最为成熟和最为有效的模型。对于一个基于BP神经网络理论的预测方法，必须在BP神经网络的基础上，结合预测前的数据预处理、影响因素量化处理及预测后对少量数据的修正，才能使预测模型达到理想的精度，如图2是一个简单的BP神经网络图。
　　2.2.2 遗传算法
　　遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。
　　初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。
　　这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
　　3 算例验证
　　根据现场经验当水轮机导叶开口不匀可能对摆度、振动、压力脉动在时域上会有明显的增大。将其波形数据FFT解析后在频域会有转轮叶片数量（轴流式3片4片，混流10几片不等）的整数倍频率存在（见公式1）。
　　P=r*s*n             （1）
　　r-转速频率;s-转轮叶片数;n-整数;P-导叶开口不匀在频谱中的频率。
　　图4为正常情况下振动量在频域下的频谱只有一倍转速频率下有分量。
　　图5为有异常频率下的频谱图，除了一倍转速频率还有40倍转频存在，正好符合上面的公式，这段时间的数据说明导叶在这段时间内有异常振动导致。
　　选取现场三个月的历史数据（点值和波形）输入到本系统中并将计算结果绘制成曲线如图6所示发现机组检修前该趋势有明显的阶梯升高，发现趋势有两次上升，说明在第一次上升的时候现场没做任何处理当第二次升高的时候后经过检修发现该指标量降下来，同时波形中高频分量消失，该算法在应用方面符合现场机理模型。
　　4 結束语
　　通过结合神经网络和遗传算法的优点对现场导叶开口不匀数据进行了算法运算，可以看出该指标量的变化从而通过趋势能判断出设备的健康状态，通过趋势能计算出设备的劣化程度，从而能够在故障发生的前期实现预警。
　　参考文献：
　　[1]中华人民共和国国家质量监督检验检疫局.水轮发电机组安装技术规范[S].北京：标准出版社，2004.
　　[2]梁武科，赵道利，马薇，等.基于粗糙集-RBF神经网络的水电机组故障诊断[J].仪器仪表学报，2017，28（10）：1806-1809.
　　[3]彭文季，罗兴，逯鹏，等.基于对向传播神经网络的水电机组振动故障诊断研究[J].西安理工大学学报，2016，22（4）：365-368.
　　[4]张允，孟祥萍，王瑾，等.基于分级模糊神经网络的水电机组故障诊断[J].河海大学学报（自然科学版），2019，37（3）：335-340.
转载注明来源:https://www.xzbu.com/1/view-15182219.htm