一种水电机组供油设备健康状态评估方法和系统与流程

1.本发明属于水力发电机组数据监测与状态分析技术领域，具体涉及一种水电机组供油设备健康状态评估方法和系统。


背景技术：

2.水电机组是水电厂的关键设备，机组运行状态的好坏直接影响水电厂安全运行。当前，随着监测技术和管理模式不断发展和完善，现代化电厂的设备维修方式正在逐渐从过去的以时间为基础的定期“预防性维修”向今天以状态监测为基础的“预测性维修”方式过渡，但是现有水电机组供油设备健康状态评估方法存在评估指标单一和评估不准确的问题。推力轴承是水电机组最重要的部件之一，它承受着发电机组转子质量及轴向水推力等轴向负荷，其工作性能不仅影响机组的出力和效率，而且还直接关系到机组能否安全运行。由于推力轴承在水力发电机组中的重要性，无论是对于机组设计，还是运行管理，推力轴承工作特性的预估都极为重要。供油设备在机组启停过程中为推力轴承提供润滑油，润滑油在高压作用下在推力轴承瓦块间形成油膜，保证机组高速旋转运行。运行中，注油泵出口压力突变降低，对推力轴承的运行造成不良影响，轻则导致轴瓦温度升高，重则导致机组事故停机。


技术实现要素：

3.为克服上述现有技术的不足，本发明提出一种水电机组供油设备健康状态评估方法，包括：
4.获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；
5.将所述与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数对机组供油设备健康状态进行评估；
6.其中，所述供油设备健康状态模型是基于极限学习机对关联性超过预设阈值的正常状态的正常运行时的机组运行状态参数和推力轴承状态参数进行训练，并对正常状态的供油设备状态参数进行预测。
7.优选的，所述供油设备健康状态模型的构建包括：
8.获取水电机组在启停过程中正常运行的机组运行状态参数、推力轴承状态参数和供油设备状态参数；
9.并将与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数作为所述供油设备健康状态模型输入值；
10.将供油设备状态参数作为所述供油设备健康状态模型的输出值，对构建的所述供油设备健康状态模型进行训练；
11.当供油设备健康状态模型训练次数与预设训练次数相等时，结束训练，获取训练
完成的供油设备健康状态模型。
12.优选的，所述机组运行状态参数包括下述中的一种或多种：水头、导叶开度、转速、励磁电流、轴电流和有功功率；
13.所述推力轴承状态参数包括下述中的一种或多种：推力轴承油管流量、推力和上导外循环冷却水排水流量、推力和上导轴承外置油箱油位、推力轴承油槽油位、推力轴瓦最高温度和推力轴瓦最低温度；
14.所述供油设备状态参数包括：出口压力。
15.优选的，所述关联性计算式如下：
[0016][0017]
式中，r表示皮尔逊相关系数；xi表示第i个供油设备状态参数，其中i＝1，2，
…
，n；yi表示第i个离散变量机组运行状态参数或推力轴承状态参数；表示供油设备状态参数的均值；表示机组运行状态参数或推力轴承状态参数的均值。
[0018]
优选的，所述将所述与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数对机组供油设备健康状态进行评估，包括：
[0019]
将获取的水电机组在启停过程中待评估的与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入至所述预先构建的供油设备健康状态模型中，得到供油设备的正常运行时的供油设备状态参数；
[0020]
将所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数进行对比，当对比结果显示所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数一致，则机组供油设备运行状态正常，若不一致，则机组供油设备运行状态异常。
[0021]
基于同一发明构思，本发明还提供一种水电机组供油设备健康状态评估系统，包括：
[0022]
参数获取模块，用于获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；
[0023]
设备评估模块，用于将所述与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数对机组供油设备健康状态进行评估；
[0024]
其中，所述供油设备健康状态模型是基于极限学习机对关联性超过预设阈值的正常状态的正常运行时的机组运行状态参数和推力轴承状态参数进行训练，并对正常状态的供油设备状态参数进行预测。
[0025]
优选的，所述设备评估模块中的供油设备健康状态模型的构建，包括：
[0026]
参数采集子单元，用于获取水电机组在启停过程中正常运行的机组运行状态参
数、推力轴承状态参数和供油设备状态参数；
[0027]
模型输入子单元，用于将与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数作为所述供油设备健康状态模型输入值；
[0028]
模型训练子单元，用于将供油设备状态参数作为所述供油设备健康状态模型的输出值，对构建的所述供油设备健康状态模型进行训练；
[0029]
模型获取子单元，用于当供油设备健康状态模型训练次数与预设训练次数相等时，结束训练，获取训练完成的供油设备健康状态模型。
[0030]
优选的，所述参数获取模块中的机组运行状态参数包括下述中的一种或多种：水头、导叶开度、转速、励磁电流、轴电流和有功功率；
[0031]
所述推力轴承状态参数包括下述中的一种或多种：推力轴承油管流量、推力和上导外循环冷却水排水流量、推力和上导轴承外置油箱油位、推力轴承油槽油位、推力轴瓦最高温度和推力轴瓦最低温度；
[0032]
所述供油设备状态参数包括：出口压力。
[0033]
优选的，所述关联性计算式如下：
[0034][0035]
式中，r表示皮尔逊相关系数；xi表示第i个供油设备状态参数，其中i＝1，2，
…
，n；yi表示第i个离散变量机组运行状态参数或推力轴承状态参数；表示供油设备状态参数的均值；表示机组运行状态参数或推力轴承状态参数的均值。
[0036]
优选的，所述设备评估模块具体用于：
[0037]
将获取的水电机组在启停过程中待评估的与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入至所述预先构建的供油设备健康状态模型中，得到供油设备的正常运行时的供油设备状态参数；
[0038]
将所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数进行对比，当对比结果显示所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数一致，则机组供油设备运行状态正常，若不一致，则机组供油设备运行状态异常。
[0039]
与最接近的现有技术相比，本发明具有的有益效果如下：
[0040]
1、本发明提供了一种水电机组供油设备健康状态评估方法和系统，包括：获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；将所述与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数对机组供油设备健康状态进行评估；本发明根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数判断机组供油设备健康状态，可以及时发现供油设备的异常状态，并能及时对机组进行维护，避免设备出现故障，从而造成更大的经济损失。
[0041]
2、本发明使用关联性分析方法，分析机组运行状态参数和推力轴承状态参数中与
供油设备状态参数的关联性，筛选出与供油设备状态参数关联程度比较大的机组运行状态参数和推力轴承状态参数，通过筛选出关联大的参数，可以提高对供油设备健康状态评估的准确性，对机组的安全运行和状态维护有着重要的指导意义。
附图说明
[0042]
图1为本发明提供的一种水电机组供油设备健康状态评估方法流程示意图；
[0043]
图2为本发明提供的单层极限学习机网络图；
[0044]
图3为本发明提供的一种水电机组供油设备健康状态评估系统结构连接图；
[0045]
图4为本发明提供的供油设备健康状态评估结果示意图。
具体实施方式
[0046]
下面结合附图对本发明的具体实施方式做进一步的详细说明。
[0047]
实施例1：
[0048]
如图1所示，本发明提供的一种水电机组供油设备健康状态评估方法，包括：
[0049]
步骤1：获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；
[0050]
步骤2：将所述与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数对机组供油设备健康状态进行评估；
[0051]
其中，所述供油设备健康状态模型是基于极限学习机对关联性超过预设阈值的正常状态的正常运行时的机组运行状态参数和推力轴承状态参数进行训练，并对正常状态的供油设备状态参数进行预测；
[0052]
具体的，步骤1包括：获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；
[0053]
使用皮尔逊相关系数法判断其他状态参数与供油设备状态参数之间的相关程度。对于离散的时间序列，皮尔逊相关系数的求解公式为：式中，r表示皮尔逊相关系数；xi表示第i个供油设备状态参数，其中i＝1，2，
…
，n；yi表示第i个离散变量机组运行状态参数或推力轴承状态参数；表示供油设备状态参数的均值；表示机组运行状态参数或推力轴承状态参数的均值。通过上式计算然后根据表1筛选出与供油设备状态参数相关程度为强相关和极强相关的机组运行状态参数和推力轴承状态参数。
[0054]
表1相关程度判断标准表
[0055]
[0056]
其中，机组运行状态参数包括下述中的一种或多种：水头、导叶开度、转速、励磁电流、轴电流和有功功率；
[0057]
所述推力轴承状态参数包括下述中的一种或多种：推力轴承油管流量、推力和上导外循环冷却水排水流量、推力和上导轴承外置油箱油位、推力轴承油槽油位、推力轴瓦最高温度和推力轴瓦最低温度；
[0058]
所述供油设备状态参数包括：出口压力；
[0059]
构建水电机组启停过程中涉及供油设备的运行状态数据体系，包含机组工况状态参数、推力轴承状态参数与供油设备状态参数的现场实测数据，如表2所示：
[0060]
表2具体状态参数汇集需求列表
[0061][0062]
使用皮尔逊相关系数法判断供油设备状态参数与机组工况状态参数和推力轴承状态参数之间的相关程度，判断结果如表3和4所示：
[0063]
表3供油设备状态参数与机组工况状态参数相关关系
[0064][0065]
表4供油设备状态参数与推力轴承状态参数相关关系
[0066][0067]
选择与供油设备状态参数有“强相关”以上的相关程度的状态参数，分别是水头、转速、励磁电流、轴电流和有功功率；
[0068]
使用关联性分析方法，分析机组运行状态参数和推力轴承状态参数中与供油设备状态参数的关联性，筛选出与供油设备状态参数关联程度比较大的机组运行状态参数和推力轴承状态参数，通过筛选出关联大的参数，可以提高对供油设备健康状态评估的准确性。
[0069]
具体的，步骤2包括：将获取的水电机组在启停过程中待评估的与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入至所述预先构建的
供油设备健康状态模型中，得到供油设备的正常运行时的供油设备状态参数；
[0070]
将所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数进行对比，当对比结果显示所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数一致，则机组供油设备运行状态正常，若不一致，则机组供油设备运行状态异常；
[0071]
其中，所述供油设备健康状态模型的构建包括：获取水电机组在启停过程中正常运行的机组运行状态参数、推力轴承状态参数和供油设备状态参数；
[0072]
并将与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数作为所述供油设备健康状态模型输入值；
[0073]
将供油设备状态参数作为所述供油设备健康状态模型的输出值，对构建的所述供油设备健康状态模型进行训练；
[0074]
当供油设备健康状态模型训练次数与预设训练次数相等时，结束训练，获取训练完成的供油设备健康状态模型；
[0075]
使用极限学习机构建供油设备健康评估模型，把正常运行时的水头、转速、励磁电流、轴电流和有功功率作为模型输入，把正常运行时的出口压力作为模型输出，训练供油设备健康模型，模型设置有15个隐含层，每个隐含层有20个节点，最大训练次数为1000次；
[0076]
如图2所示，极限学习机是一种新型的快速学习算法，对于单隐含层神经网络，极限学习机可以随机初始化输入权重和偏置并得到相应的输出权重。
[0077]
对于一个单隐含层神经网络，如图1所示，假设有n个任意的样本(xi,ti)，其中xi＝[x1,x2,
…
xn]。对于一个有l个节点的单隐含层神经网络可以表示为：
[0078][0079]
其中，g(x)为激活函数，wi＝[w
i1
,w
i2
,
…win
]
t
为输入权重，βi为输出权重，bi是第i个隐含层单元的偏置。wi·
xj表示wi和xj的内积。
[0080]
单隐含层神经网络学习的目标是使得输出的误差最小，可以表示为：
[0081][0082]
即存在βi，wi和bi，使得
[0083][0084]
可以矩阵表示为：
[0085]
hβ＝t
[0086]
其中，h是隐含层节点的输出，β为输出权重，t为期望输出，
[0087]
为了能够训练单隐含层神经网络，我们希望得到和使得
[0088]
[0089]
这等价于最小化损失函数
[0090][0091]
在极限学习机算法中,输入权重和隐含层的偏置是被随机确定的。
[0092]
使用供油设备健康模型预测供油设备的运行状态，与供油设备的真实运行状态对比，判断机组供油设备健康状态；
[0093]
使用供油设备健康模型来预测供油设备的运行状态，与供油设备的真实运行状态对比，判断机组供油设备健康状态，有利于及时的发现供油设备的异常状态，并能够及时的对机组进行维护，避免设备出现故障，从而造成更大的经济损失。
[0094]
实施例2：
[0095]
如图3所示，本发明提供的一种水电机组供油设备健康状态评估系统，包括：
[0096]
参数获取模块，用于获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；
[0097]
设备评估模块，用于将所述与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数对机组供油设备健康状态进行评估；
[0098]
其中，所述供油设备健康状态模型是基于极限学习机对关联性超过预设阈值的正常状态的正常运行时的机组运行状态参数和推力轴承状态参数进行训练，并对正常状态的供油设备状态参数进行预测；
[0099]
具体的，参数获取模块包括：用于获取水电机组在启停过程中待评估的供油设备状态参数以及与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数；
[0100]
使用皮尔逊相关系数法判断其他状态参数与供油设备状态参数之间的相关程度。对于离散的时间序列，皮尔逊相关系数的求解公式为：式中，r表示皮尔逊相关系数；xi表示第i个供油设备状态参数，其中i＝1，2，
…
，n；yi表示第i个离散变量机组运行状态参数或推力轴承状态参数；表示供油设备状态参数的均值；表示机组运行状态参数或推力轴承状态参数的均值。通过上式计算然后根据表1筛选出与供油设备状态参数相关程度为强相关和极强相关的机组运行状态参数和推力轴承状态参数。
[0101]
表1相关程度判断标准表
[0102][0103]
其中，机组运行状态参数包括下述中的一种或多种：水头、导叶开度、转速、励磁电
流、轴电流和有功功率；
[0104]
所述推力轴承状态参数包括下述中的一种或多种：推力轴承油管流量、推力和上导外循环冷却水排水流量、推力和上导轴承外置油箱油位、推力轴承油槽油位、推力轴瓦最高温度和推力轴瓦最低温度；
[0105]
所述供油设备状态参数包括：出口压力；
[0106]
构建水电机组启停过程中涉及供油设备的运行状态数据体系，包含机组工况状态参数、推力轴承状态参数与供油设备状态参数的现场实测数据，如表2所示：
[0107]
表2具体状态参数汇集需求列表
[0108][0109][0110]
使用皮尔逊相关系数法判断供油设备状态参数与机组工况状态参数和推力轴承状态参数之间的相关程度，判断结果如表3和4所示：
[0111]
表3供油设备状态参数与机组工况状态参数相关关系
[0112][0113]
表4供油设备状态参数与推力轴承状态参数相关关系
[0114][0115]
选择与供油设备状态参数有“强相关”以上的相关程度的状态参数，分别是水头、转速、励磁电流、轴电流和有功功率；
[0116]
使用关联性分析方法，分析机组运行状态参数和推力轴承状态参数中与供油设备状态参数的关联性，筛选出与供油设备状态参数关联程度比较大的机组运行状态参数和推力轴承状态参数，通过筛选出关联大的参数，可以提高对供油设备健康状态评估的准确性。
[0117]
具体的，设备评估模块具体用于：将获取的水电机组在启停过程中待评估的与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入至所述预先构建的供油设备健康状态模型中，得到供油设备的正常运行时的供油设备状态参
数；
[0118]
将所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数进行对比，当对比结果显示所述供油设备正常运行时的供油设备状态参数与待评估的供油设备状态参数一致，则机组供油设备运行状态正常，若不一致，则机组供油设备运行状态异常；
[0119]
其中，所述供油设备健康状态模型的构建包括：获取水电机组在启停过程中正常运行的机组运行状态参数、推力轴承状态参数和供油设备状态参数；
[0120]
并将与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数作为所述供油设备健康状态模型输入值；
[0121]
将供油设备状态参数作为所述供油设备健康状态模型的输出值，对构建的所述供油设备健康状态模型进行训练；
[0122]
当供油设备健康状态模型训练次数与预设训练次数相等时，结束训练，获取训练完成的供油设备健康状态模型；
[0123]
使用极限学习机构建供油设备健康评估模型，把正常运行时的水头、转速、励磁电流、轴电流和有功功率作为模型输入，把正常运行时的出口压力作为模型输出，训练供油设备健康模型，模型设置有15个隐含层，每个隐含层有20个节点，最大训练次数为1000次；
[0124]
如图2所示，极限学习机是一种新型的快速学习算法，对于单隐含层神经网络，极限学习机可以随机初始化输入权重和偏置并得到相应的输出权重。
[0125]
对于一个单隐含层神经网络，如图1所示，假设有n个任意的样本(xi,ti)，其中xi＝[x1,x2,
…
xn]。对于一个有l个节点的单隐含层神经网络可以表示为：
[0126][0127]
其中，g(x)为激活函数，wi＝[w
i1
,w
i2
,
…win
]
t
为输入权重，βi为输出权重，bi是第i个隐含层单元的偏置。wi·
xj表示wi和xj的内积。
[0128]
单隐含层神经网络学习的目标是使得输出的误差最小，可以表示为：
[0129][0130]
即存在βi，wi和bi，使得
[0131][0132]
可以矩阵表示为：
[0133]
hβ＝t
[0134]
其中，h是隐含层节点的输出，β为输出权重，t为期望输出，
[0135]
为了能够训练单隐含层神经网络，我们希望得到和使得
[0136]
[0137]
这等价于最小化损失函数
[0138][0139]
在极限学习机算法中,输入权重和隐含层的偏置是被随机确定的。
[0140]
使用供油设备健康模型预测供油设备的运行状态，与供油设备的真实运行状态对比，判断机组供油设备健康状态；
[0141]
通过将水电机组的水头、转速、励磁电流、轴电流和有功功率等状态参数的历史数据，代入到供油设备健康模型中，预测供油设备未来的运行状态，与供油设备的真实运行状态对比，如图4所示，若偏离真实运行状态，则供油设备运行异常，若与真实状态一致，则供油设备运行正常，出口压力预测值和真实值拟合较好，供油设备为健康状态；
[0142]
通过与供油设备状态参数关联性超过预设阈值的机组运行状态参数和推力轴承状态参数输入预先构建的供油设备健康状态模型，并根据模型输出的正常运行时的供油设备状态参数和待评估的供油设备状态参数判断机组供油设备健康状态，有利于及时的发现供油设备的异常状态，并能够及时的对机组进行维护，避免设备出现故障，从而造成更大的经济损失。
[0143]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0144]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。