本发明属于火电厂汽轮机组测量技术领域,尤其涉及一种火电厂汽轮机组瞬态等效热应力在线软测量方法。
背景技术:
火电厂汽轮机在工作参数不断提高和单机功率不断增大的同时,其寿命和可靠性管理问题也越来越为人们所关注。转子是汽轮机最重要的耐用部件,工作条件最恶劣。运行中,转子要承受叶片、叶轮和主轴等因高速旋转而产生的巨大离心应力、因高压蒸汽作用而产生的压应力、因传递扭矩而产生的剪应力以及因轴系振动而产生的动应力,还要承受因启动、停机和变工况等过程温度的大幅变动而引起的热应力。这些应力或多或少都影响转子的寿命,从而影响汽轮机的寿命和安全性。因此,要解决汽轮机的寿命和可靠性管理问题,首先必须解决其转子应力的瞬态应力分析与预测问题。
然而,汽轮机转子由于工作时始终处在高速旋转中,结构复杂且工作条件恶劣,所以其直接应力目前还难以通过直接测量获得,多数情况下只能借助于计算来间接获取等效应力来对生产进行指导。对于影响转子寿命的关键部位,目前主要还是采用瞬态有限元计算方法获取其应力分布,还没有针对汽轮机转子关键部位瞬态等效热应力分析的在线高精度分析与预测方法。
技术实现要素:
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种火电厂汽轮机组瞬态等效热应力在线软测量方法,解决当前电厂不能针对汽轮机转子关键部位瞬态应力实现在线高精度分析与测量的问题,为火电厂汽轮机组故障的及时发现与解决提供了技术支持。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种火电厂汽轮机组瞬态等效热应力在线软测量方法,包括以下步骤:
101,通过opc协议与电厂dcs系统实时数据库相连接;
102,获取汽轮机组在线运行状态下的每个预先确定的特征变量所对应的测点的实时数据作为软测量模型的输入值;
103,将软测量模型的输入值代入到预先训练的汽轮机组瞬态等效热应力软测量模型中,通过预先训练的汽轮机组瞬态等效热应力软测量模型输出汽轮机组的瞬态等效热应力软测量结果;
104,将预先训练的汽轮机组瞬态等效热应力软测量模型输出的汽轮机组瞬态等效热应力值与预先设定好的等效热应力值上限、下限进行对比,若汽轮机组瞬态等效热应力值超出上、下限范围,则提示报警;
其中,预先训练的汽轮机组瞬态等效热应力软测量模型为,使用bas算法对以汽轮机组的剔除异常值并进行特征变量筛选的第一预设历史时间段内的正常运行状态数据作为训练数据的svr进行优化之后得到的预先训练的汽轮机组瞬态等效热应力软测量模型。
具体地,汽轮机组的运行状态数据包括主蒸汽温度、主蒸汽压力、主蒸汽流量、汽轮机功率、转速信号、高压缸排气温度、高压缸排气压力、高压缸内缸温度测点、中压缸排气温度、中压缸排气压力、1级抽气温度、1级抽气压力、3级抽气温度、3级抽气压力、4级抽气温度、4级抽气压力、5级抽气温度、5级抽气压力、6级抽气温度、6级抽气压力测点。
具体地,在步骤101之前,火电厂汽轮机组瞬态等效热应力在线软测量方法还包括,
获取预先训练的汽轮机瞬态等效热应力软测量模型,其包括以下步骤:
101a-1,收集汽轮机组的第一预设历史时间段内的正常运行状态数据;
101a-2,对收集的汽轮机组的第一预设历史时间段内的正常运行状态数据进行k-means聚类分析后筛选出异常值并剔除;
101a-3,对进行k-means聚类分析筛选剔除异常值之后的汽轮机组的第一预设历史时间段内的正常运行状态数据通过bp神经网络的平均影响值(miv)分析进行特征变量选择并筛选;
101a-4,以剔除异常值并进行特征变量筛选的汽轮机组的第一预设历史时间段内的正常运行状态数据作为训练数据对svr进行训练,在训练时通过使用天牛须(bas)算法对svr的惩罚因子c和核函数参数g进行优化寻优,经过优化惩罚因子c和核函数参数g之后获得的svr即为预先训练的汽轮机瞬态等效热应力软测量模型。
具体地,101a-2步骤中,k-means聚类分析后筛选出异常值并剔除的计算方法为,
101a-2-1,从收集的第一预设历史时间段内的正常运行状态数据中随机确定k个初始聚类中心;
101a-2-2,令k=1,分别计算每个样本与k个聚类中心的相似度,即为样本到聚类中心的直线距离,使用j表示,根据距离j最近原则,将样本中相近的对象划分到相应的类中心,形成新的k个聚类中心;
101a-2-3,计算所获得的新聚类中心位置,为每个聚类的样本均值;
101a-2-4,重复步骤101a-2-2和101a-2-3,直至聚类中心的位置稳定不再发生大的变化,并对样本点进行归类;
101a-2-5,计算每个聚类中心与该类样本之间的距离,并累加每个类的距离均值以得到总体距离dis,将其作为k-means算法的代价函数;
101a-2-6,由上述过程分别计算k=1~20的情形,基于代价函数寻找最优的k值,随着k的增加,样本中各点总能被纳入距离更近的类中,总距离会不断减小,选取总体距离下降减缓处的k值作为最终聚类中心的数目;
101a-2-7,分别计算样本数据点与该聚类中心之间的欧氏距离d,当d大于设定值时,则该数据点为异常点,将其剔除出数据集;
其中n为第一预设历史时间段内的正常运行状态数据的维数,(x11,x12,…,x1n)为样本点坐标,(x1,x2,…,xn)为聚类中心坐标。
具体地,101a-3步骤中,通过bp神经网络的平均影响值(miv)分析进行特征变量选择并筛选具体包括以下步骤,
101a-3-1,令自变量矩阵为x=[x1,x2,x3,…,xm]t,其中xm=[xm1,xm2,…,xmn]。xm代表第一预设历史时间段内的正常运行状态数据中的第m组数据,xmn代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据中的第n个特征变量值,y=[y1,y2,y3,…,ym]t,ym代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据对应的实际等效应力值;
101a-3-2,构建神经网络,其中x作为输入变量,y作为输出变量对神经网络进行训练,当神经网络模型迭代次数到达设定值或输出误差满足设定的允许范围时停止训练,得到神经网络模型;
101a-3-3,将自变量矩阵x中每组数据的第i个特征变量值在原有的基础上分别增加、减少10%,得到新的训练样本xi1,xi2,xmi代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据的第i个特征变量的值;
101a-3-4,将xi1,xi2代入步骤2中得到的神经网络模型进行仿真,分别得到输出矩阵yi1,yi2;
yi1=[yi11yi12…yi1m]i=1,2,……,n
yi2=[yi21yi22…yi2m]i=1,2,……,n
101a-3-5,将yi1与yi2做差,得到ivi,则可通过计算得到第i个变量对应平均影响值mivi
ivi=[yi11-yi21yi12-yi22…yi1m-yi2m]i=1,2,……,n;
101a-3-6,分别令i=1,2,3,…,n,重复步骤101a-3-3,101a-3-4,101a-3-5,计算出每个特征变量对应输出的平均影响值miv1,miv2,…,mivn,对mivi的绝对值大小进行排序,删除影响值小于设定值的变量,完成特征变量的筛选。
具体地,101a-4步骤中,使用天牛须(bas)算法对svr的惩罚因子c和核函数参数g进行优化的具体步骤包括,
101a-4-1,对bas算法进行初始化,具体参数包括变步长参数eta,天牛须两须之间的距离do,天牛步长step,迭代次数n,随机初始解x=rands(d,1);
101a-4-2,建立天牛须朝向的随机向量并做归一化处理,其中rand()代表随机向量,2代表空间维度为2,
101a-4-3,在一个空间中随机生成一只天牛,天牛所在位置的坐标为(x0,y0),计算此时天牛须左须的坐标xl=x0-dodirx/2,yl=y0-dodiry/2,天牛须右须的坐标xr=x0+dodirx/2,yr=y0+dodiry/2,其中do为天牛须两须之间的距离,dirx,diry分别为天牛须朝向的随机向量的x,y坐标值;
101a-4-4,将(xl,yl),(xr,yr)分别作为svr中的参数(c,g),带入svr模型进行训练验证获取结果,把结果与历史数据的真实值进行对比,将svr最终训练结果的最小均方误差mes作为bas算法的适应度函数f(x),分别计算左须和右须对应的适应度函数值fl和fr;
101a-4-5,fl和fr的结果即为左右须的气味强度,根据气味强度,采用变步长法计算天牛的下一步要走的位置,天牛下一步所在位置(x*,y*)的计算公式如下:
101a-4-6,判断迭代次数是否到达最大迭代次数或者模型输出结果误差是否在预设范围内,如果两种条件满足其一,则计算终止,此时天牛所在位置的(x,y)坐标即为svr的最优惩罚因子c和核函数参数g,如果没有满足条件,则继续返回步骤101a-4-3,进行下一次寻优,直到得到svr的最优惩罚因子c和核函数参数g。
具体地,步骤101a-4-6中,模型输出结果误差的确定方法为,将剔除异常值并进行特征变量筛选的第一预设历史时间段内的正常运行状态数据划分为互不相交的k组子集,每个子集数据作为测试集,其余k-1组子集作为训练集,最终会得到k个模型,用k个模型最终测试结果与真实值的误差的平均数作为模型输出结果误差。
具体地,汽轮机组的第一预设历史时间段内的正常运行状态数据应为剔除掉设备故障运行时间段内的数据之后的数据。
(三)有益效果
本发明的有益效果是:本发明提供的火电厂汽轮机组瞬态等效热应力在线软测量方法,通过运用bas算法,优化惩罚因子c和核函数参数g,提高了测量结果的准确度,同时与生产实时数据库相连接,可以做到在线实时测量,为技术人员了解汽轮机组的实时运行状况提供了数据支持。
附图说明
图1为所述火电厂汽轮机组瞬态等效热应力在线软测量方法的步骤图;
图2为使用所述bas算法对svr的惩罚因子c和核函数参数g进行优化的具体步骤图;
图3为所述基于bas优化svr的汽轮机组瞬态等效热应力软测量的实施框架图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一:
该火电厂汽轮机组瞬态等效热应力在线软测量方法,具体包括以下步骤,如图1所示,
1、获取预先训练的汽轮机瞬态等效热应力软测量模型,其包括以下步骤:
1-1,收集汽轮机组的第一预设历史时间段内的正常运行状态数据;
1-2,对收集的汽轮机组的第一预设历史时间段内的正常运行状态数据进行k-means聚类分析后筛选出异常值并剔除;
1-3,对进行k-means聚类分析筛选剔除异常值之后的汽轮机组的第一预设历史时间段内的正常运行状态数据通过bp神经网络的平均影响值(miv)分析进行特征变量选择;
1-4,以剔除异常值并进行特征变量筛选后的汽轮机组的第一预设历史时间段内的正常运行状态数据作为训练数据对svr进行训练,在训练时通过使用bas算法对svr的惩罚因子c和核函数参数g进行优化寻优,经过优化惩罚因子c和核函数参数g之后获得的svr即为预先训练的汽轮机瞬态等效热应力软测量模型。
其中,步骤1-1中收集到的汽轮机组的第一预设历史时间段内的正常运行状态数据应为剔除掉设备故障运行时间段内的数据之后的数据。
其中,步骤1-2中,k-means聚类分析后筛选出异常值并剔除的计算方法为,
1-2-1,从收集的第一预设历史时间段内的正常运行状态数据中随机确定k个初始聚类中心;
1-2-2,令k=1,分别计算每个样本与k个聚类中心的相似度,即为样本到聚类中心的直线距离,使用j表示,根据距离j最近原则,将样本中相近的对象划分到相应的类中心,形成新的k个聚类中心;
1-2-3,计算所获得的新聚类中心位置,为每个聚类的样本均值;
1-2-4,重复步骤1-2-2和1-2-3,直至聚类中心的位置稳定不再发生大的变化,并对样本点进行归类;
1-2-5,计算每个聚类中心与该类样本之间的距离,并累加每个类的距离均值以得到总体距离dis,将其作为k-means算法的代价函数;
1-2-6,由上述过程分别计算k=1~20的情形,基于代价函数寻找最优的k值,随着k的增加,样本中各点总能被纳入距离更近的类中,总距离会不断减小,选取总体距离下降减缓处的k值作为最终聚类中心的数目;
1-2-7,分别计算样本数据点与该聚类中心之间的欧氏距离d,当d大于设定值时,则该数据点为异常点,将其剔除出数据集;
其中n为第一预设历史时间段内的正常运行状态数据的维数,(x11,x12,…,x1n)为样本点坐标,(x1,x2,…,xn)为聚类中心坐标。
其中,步骤1-3中,通过bp神经网络的平均影响值(miv)分析进行特征变量选择具体包括以下步骤,
1-3-1,令自变量矩阵为x=[x1,x2,x3,…,xm]t,其中xm=[xm1,xm2,…,xmn]。xm代表第一预设历史时间段内的正常运行状态数据中的第m组数据,xmn代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据中的第n个特征变量值,y=[y1,y2,y3,…,ym]t,ym代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据对应的实际等效应力值;
1-3-2,构建神经网络,其中x作为输入变量,y作为输出变量对神经网络进行训练,当神经网络模型迭代次数到达设定值或输出误差满足设定的允许范围时停止训练,得到神经网络模型;
1-3-3,将自变量矩阵x中每组数据的第i个特征变量值在原有的基础上分别增加、减少10%,得到新的训练样本xi1,xi2,xmi代表汽轮机组的第一预设历史时间段内的正常运行状态数据中的第m组数据的第i个特征变量的值;
1-3-4,将xi1,xi2代入步骤2中得到的神经网络模型进行仿真,分别得到输出矩阵yi1,yi2;
yi1=[yi11yi12…yi1m]i=1,2,……,n
yi2=[yi21yi22…yi2m]i=1,2,……,n
1-3-5,将yi1与yi2做差,得到ivi,则可通过计算得到第i个变量对应平均影响值mivi
ivi=[yi11-yi21yi12-yi22…yi1m-yi2m]i=1,2,……,n;
1-3-6,分别令i=1,2,3,…,n,重复步骤1-3-3,1-3-4,1-3-5,计算出每个特征变量对应输出的平均影响值miv1,miv2,…,mivn,对mivi的绝对值大小进行排序,删除影响值小于设定值的变量,完成特征变量的筛选。
其中,步骤1-4中,使用bas算法对svr的惩罚因子c和核函数参数g进行优化的具体步骤如图2所示,具体包括,
1-4-1,对bas算法进行初始化,具体参数包括变步长参数eta,天牛须两须之间的距离do,天牛步长step,迭代次数n,随机初始解x=rands(d,1);
1-4-2,建立天牛须朝向的随机向量并做归一化处理,其中rand()代表随机向量,2代表空间维度为2,
1-4-3,在一个空间中随机生成一只天牛,天牛所在位置的坐标为(x0,y0),计算此时天牛须左须的坐标xl=x0-dodirx/2,yl=y0-dodiry/2,天牛须右须的坐标xr=x0+dodirx/2,yr=y0+dodiry/2,其中do为天牛须两须之间的距离,dirx,diry分别为天牛须朝向的随机向量的x,y坐标值;
1-4-4,将(xl,yl),(xr,yr)分别作为svr中的参数(c,g),带入svr模型进行训练验证获取结果,把结果与历史数据的真实值进行对比,将svr最终训练结果的最小均方误差mes作为bas算法的适应度函数f(x),分别计算左须和右须对应的适应度函数值fl和fr;
1-4-5,fl和fr的结果即为左右须的气味强度,根据气味强度,采用变步长法计算天牛的下一步要走的位置,天牛下一步所在位置(x*,y*)的计算公式如下:
1-4-6,判断迭代次数是否到达最大迭代次数或者模型输出结果误差是否在预设范围内,如果两种条件满足其一,则计算终止,此时天牛所在位置的(x,y)坐标即为svr的最优惩罚因子c和核函数参数g,如果没有满足条件,则继续返回步骤1-4-3,进行下一次寻优,直到得到svr的最优惩罚因子c和核函数参数g。
具体地,步骤1-4-6中,模型输出结果误差的确定方法为,将剔除异常值并进行特征变量筛选的第一预设历史时间段内的正常运行状态数据划分为互不相交的k组子集,每个子集数据作为测试集,其余k-1组子集作为训练集,最终会得到k个模型,用k个模型最终测试结果与真实值的误差的平均数作为模型输出结果误差。
2、通过opc协议与电厂dcs系统相连接,;获取所述汽轮机组在线运行状态下的每个所述预先确定的特征变量所对应的测点的实时数据作为软测量模型的输入值;将软测量模型的输入值代入到预先训练的汽轮机组瞬态等效热应力软测量模型中,通过预先训练的汽轮机组瞬态等效热应力软测量模型输出汽轮机组的瞬态等效热应力软测量结果;将预先训练的汽轮机组瞬态等效热应力软测量模型输出的汽轮机组瞬态等效热应力值与预先设定好的等效热应力值上限、下限进行对比,若所述汽轮机组瞬态等效热应力值超出上、下限范围,则提示报警。
其中,汽轮机组的运行状态数据包括但不限于主蒸汽温度、主蒸汽压力、主蒸汽流量、汽轮机功率、转速信号、高压缸排气温度、高压缸排气压力、高压缸内缸温度测点、中压缸排气温度、中压缸排气压力、1级抽气温度、1级抽气压力、3级抽气温度、3级抽气压力、4级抽气温度、4级抽气压力、5级抽气温度、5级抽气压力、6级抽气温度、6级抽气压力测点。
该火电厂汽轮机组瞬态等效热应力在线软测量方法,应用于火力发电厂中对汽轮机组设备的瞬态热应力的在线实时软测量,方便技术人员及时发现问题,从而为快速解决故障提供可靠的技术支持。
实施例二:
如图3所示,在某企业旗下火电厂中,通过连接电厂内部sis系统历史数据库服务器,采集出汽轮机组中能够从侧面反映瞬态热应力的主要参数的历史数据,具体包括主蒸汽温度、主蒸汽压力、主蒸汽流量、汽轮机功率、转速信号、高压缸排气温度、高压缸排气压力、高压缸内缸温度测点、中压缸排气温度、中压缸排气压力、1级抽气温度、1级抽气压力、3级抽气温度、3级抽气压力、4级抽气温度、4级抽气压力、5级抽气温度、5级抽气压力、6级抽气温度、6级抽气压力测点等22条特征参数。
选取一个月时间段内传感器的历史数据,输出到本地服务器中。然后根据电厂内部sis系统中记录的历史设备故障信息,剔除掉所有汽轮机组的传感器历史数据中设备故障时间段内的运行数据,所得到的数据为设备正常运行状态下的生产历史数据,将该历史数据作为测试数据。
对以上由22条特征参数组成的测试数据进行清洗剔除异常值并进行特征选择处理,最后筛选出由6条对汽轮机组热应力软测量结果影响最大的特征参数组成的测试数据作为svr的训练数据。
对svr进行训练,在训练时通过使用bas算法对svr的惩罚因子c和核函数参数g进行优化寻优,获取经过bas算法优化后的惩罚因子c和核函数参数g的值,得到基于bas优化svr的汽轮机瞬态等效热应力软测量模型。
通过连接电厂底层dcs系统,实时读取汽轮机组的生产数据,经预处理后输入基于bas优化svr的汽轮机瞬态等效热应力软测量模型中,计算结果返回本地服务器数据库。同时电厂sis系统通过服务器数据库,获取汽轮机组瞬态等效热应力软测量最终结果,配合电厂内部已有的监控系统,完成展示功能,技术人员可以对热应力测量结果进行随时调看,为技术人员了解汽轮机组的实时运行状况提供了数据支持。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。