一种水轮发电机组故障预测方法与流程

1.本发明涉及水轮发电技术领域，具体为一种水轮发电机组故障预测方法。


背景技术：

2.水轮发电机组在故障形成原因复杂，造成故障预测的准确性方面很难保障。通常对于同一组故障数据可以预测出多种故障，这些故障具有相似的故障现象，但是处理措施却大不相同。对于传统的故障判定手段往往将判定具体故障的方法交给有经验的运维人员，但是即使是有经验的运维人员也很难在未拆机检修的状态下，确定机组是否具有系统判定的故障。
3.目前，大型水轮发电机组在故障预测方面有两种模式，一种是依靠精密仪器和技术十分成熟的算法，这种模式虽然可以得到较为准确的故障，但是无法运用到水电机组多数故障预测中。


技术实现要素：

4.本发明的目的是：针对现有技术中对水电机组进行故障判定的准确率低的问题，提出一种水轮发电机组故障预测方法。
5.本发明为了解决上述技术问题采取的技术方案是：
6.一种水轮发电机组故障预测方法，包括以下步骤：
7.步骤一：获取水轮发电机组运行数据；
8.步骤二：对水轮发电机组故障进行分类；
9.步骤三：按照水轮发电机组故障类别将水轮发电机组运行数据中的测点进行划分；
10.步骤四：获取每个测点的测点数据，并使所有测点数据的数组长度一致；
11.步骤五：若故障对应的测点大于等于10个，则对该故障对应的全部测点中的测点数据进行特征值提取，然后执行步骤六，若故障对应的测点小于10个，则直接获取该故障对应的全部测点中的测点数据，然后执行步骤六；
12.步骤六：将得到的数据进行标记，分成故障数据和非故障数据，并将标记后的数据作为训练集训练神经网络；
13.步骤七：利用训练好的神经网络进行水轮发电机组故障预测。
14.进一步的，所述步骤二中对故障进行分类通过机组部套分类进行。
15.进一步的，所述步骤四中使所有测点数据的数组长度一致通过对测点数据进行最近临法插补进行。
16.进一步的，所述对测点数据进行最近临法插补的具体步骤为：
17.从数组长度最大的测点中选一个数组作为参考，从起始时刻起，每5分钟记录一次测点数据的个数，如果个数相同，则不需要插值，如果个数不同，则在所取数据时间中位数处插值，将时间中位数前后1分钟的数据取出，剔除最大值和最小值，计算剩余数据的均值。
18.进一步的，所述步骤五中特征值提取采用主成分分析法。
19.进一步的，所述步骤六中将得到的数据进行标记通过k均值聚类进行。
20.本发明的有益效果是：
21.(1)降低机组运维成本。一般的故障预测需要借助精密的设备，采集高精度的数据。本申请只需机组监控的常规测点，无需增加高精度的设备即可对水电机组进行故障判定，减少了运维成本。
22.(2)提升故障预测的准确性。由于常规测点的故障预测具有不确定性，故障预测置信度是从专家经验的角度出发，利用统计学和人工智能算法降低故障预测的不确定性，提升故障预测的准确性。
附图说明
23.图1为本申请的整体流程图。
具体实施方式
24.需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。
25.具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种水轮发电机组故障预测方法，包括以下步骤：
26.步骤一：获取水轮发电机组运行数据；
27.步骤二：对水轮发电机组故障进行分类；
28.步骤三：按照水轮发电机组故障类别将水轮发电机组运行数据中的测点进行划分；
29.步骤四：获取每个测点的测点数据，并使所有测点数据的数组长度一致；
30.步骤五：若故障对应的测点大于等于10个，则对该故障对应的全部测点中的测点数据进行特征值提取，然后执行步骤六，若故障对应的测点小于10个，则直接获取该故障对应的全部测点中的测点数据，然后执行步骤六；
31.步骤六：将得到的数据进行标记，分成故障数据和非故障数据，并将标记后的数据作为训练集训练神经网络；
32.步骤七：利用训练好的神经网络进行水轮发电机组故障预测。
33.按照机组部套分类将故障分成n种类别，并分配类别编号ci，按照故障类别划分测点数据，假设故障编号ci对应的测点编号为p1,p2…
pj，水电机组故障数据的趋势变化是一个缓慢的过程，当数据到达一定的阈值时，故障数据会在某时间段内数据产生明显的趋势变化，数据样本的数量很大，需要对庞大的数据集进行抽样，来降低数据处理的复杂程度，对数据抽样采用等距抽样。当不同pj的数组长度不一致时，需要对测点数据进行最近临法插补，来保证pj的数组长度一致。当p1,p2…
pj的长度超过10个时，需要对数据进行特征值提取，特征值提取采用主成分分析法，来降低数据的维度。对数据的故障状态进行初步筛选，假设特征提取后的数据有m个维度，数据集的个数是n个，将n
×
m维数据进行k均值聚类，将故障和非故障的测点筛选出来。利用神经网络算法训练故障模型。
34.具体实施方式二：本实施方式是对具体实施方式一的进一步说明，本实施方式与
具体实施方式一的区别是所述步骤二中对故障进行分类通过机组部套分类进行。
35.具体实施方式三：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是所述步骤四中使所有测点数据的数组长度一致通过对测点数据进行最近临法插补进行。
36.具体实施方式四：本实施方式是对具体实施方式三的进一步说明，本实施方式与具体实施方式三的区别是所述对测点数据进行最近临法插补的具体步骤为：
37.从数组长度最大的测点中选一个数组作为参考，从起始时刻起，每5分钟记录一次测点数据的个数，如果个数相同，则不需要插值，如果个数不同，则在所取数据时间中位数处插值，将时间中位数前后1分钟的数据取出，剔除最大值和最小值，计算剩余数据的均值。
38.具体实施方式五：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是所述步骤五中特征值提取采用主成分分析法
39.具体实施方式六：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是所述步骤六中将得到的数据进行标记通过k均值聚类进行。
40.需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。


技术特征：
1.一种水轮发电机组故障预测方法，其特征在于包括以下步骤：步骤一：获取水轮发电机组运行数据；步骤二：对水轮发电机组故障进行分类；步骤三：按照水轮发电机组故障类别将水轮发电机组运行数据中的测点进行划分；步骤四：获取每个测点的测点数据，并使所有测点数据的数组长度一致；步骤五：若故障对应的测点大于等于10个，则对该故障对应的全部测点中的测点数据进行特征值提取，然后执行步骤六，若故障对应的测点小于10个，则直接获取该故障对应的全部测点中的测点数据，然后执行步骤六；步骤六：将得到的数据进行标记，分成故障数据和非故障数据，并将标记后的数据作为训练集训练神经网络；步骤七：利用训练好的神经网络进行水轮发电机组故障预测。2.根据权利要求1所述的一种水轮发电机组故障预测方法，其特征在于所述步骤二中对故障进行分类通过机组部套分类进行。3.根据权利要求1所述的一种水轮发电机组故障预测方法，其特征在于所述步骤四中使所有测点数据的数组长度一致通过对测点数据进行最近临法插补进行。4.根据权利要求3所述的一种水轮发电机组故障预测方法，其特征在于所述对测点数据进行最近临法插补的具体步骤为：从数组长度最大的测点中选一个数组作为参考，从起始时刻起，每5分钟记录一次测点数据的个数，如果个数相同，则不需要插值，如果个数不同，则在所取数据时间中位数处插值，将时间中位数前后1分钟的数据取出，剔除最大值和最小值，计算剩余数据的均值。5.根据权利要求1所述的一种水轮发电机组故障预测方法，其特征在于所述步骤五中特征值提取采用主成分分析法。6.根据权利要求1所述的一种水轮发电机组故障预测方法，其特征在于所述步骤六中将得到的数据进行标记通过k均值聚类进行。

技术总结
一种水轮发电机组故障预测方法，涉及水轮发电技术领域，针对现有技术中对水电机组进行故障判定的准确率低的问题，本申请降低机组运维成本。一般的故障预测需要借助精密的设备，采集高精度的数据。本申请只需机组监控的常规测点，无需增加高精度的设备即可对水电机组进行故障判定，减少了运维成本。提升故障预测的准确性。由于常规测点的故障预测具有不确定性，故障预测置信度是从专家经验的角度出发，利用统计学和人工智能算法降低故障预测的不确定性，提升故障预测的准确性。提升故障预测的准确性。提升故障预测的准确性。


技术研发人员：王冠峰 孙永鑫 王润鹏 刘忠仁 石二楼 张锴
受保护的技术使用者：哈动国家水力发电设备工程技术研究中心有限公司 哈尔滨电机厂有限责任公司
技术研发日：2022.04.20
技术公布日：2022/8/8