基于ARMA算法的进汽阀门卡涩预测方法与流程

基于arma算法的进汽阀门卡涩预测方法
技术领域
1.本发明属于汽轮机故障诊断技术领域，涉及一种基于arma算法的进汽阀门卡涩预测方法。


背景技术：

2.随着科学技术的不断发展，工业生产中各个领域的系统自动化程度日益提高,系统设备的复杂程度也越来越高。这也使得影响系统运行的因素大大增加，生产故障出现的可能性愈来愈高。尤其对于投资巨大并且具有特殊性的设备，其可靠性、可维修性和有效性显得极为关键。特别是电力行业中，设备的特殊工作环境，再加上其不可替代的作用，一旦出现故障，必然会造成财产损失。因此，确保设备的正常运转，减少甚至消除事故的产生，具有相当重要的意义。
3.汽轮机进汽阀门是机组快速变负荷的一种有效途径，阀门开启﹑关闭的灵活性对机组安全稳定运行至关重要，一旦发生故障将造成机组无法正常运行或引发机组超速﹑机毁人亡的严重后果。由于汽轮机阀门部件长期工作于高温、高应力和高湿度的条件下，发生异常或故障的概率较高，其稳定性和可靠性直接影响到发电机组的安全稳定运行。此外，对于阀门卡涩故障，在实际运行过程中，当卡涩严重程度较低时，特征不明显，不易发现，缺乏有效预测手段。当发生问题时，被动应对故障的局面给实际运行和检修人员带来很多额外繁琐工作。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供了一种基于arma算法的进汽阀门卡涩预测方法，该方法能够较为准确的预测进汽阀门的卡涩情况。
5.为达到上述目的，本发明所述的基于arma算法的进汽阀门卡涩预测方法包括：
6.基于arma算法建立预测模型；
7.对所述预测模型进行训练及测试；
8.获取当前时刻的进汽阀门指令值及进汽阀门反馈值，将当前时刻的进汽阀门指令值与进汽阀门反馈值输入到训练及测试后的预测模型中，得m时刻后进汽阀门指令值与进汽阀门反馈值之间的偏差，再根据m时刻后进汽阀门指令值与进汽阀门反馈值之间的偏差确定m时刻后进汽阀门的卡涩情况。
9.所述预测模型为在线预测模型或者离线预测模型。
10.当所述预测模型为离线预测模型时，还包括：
11.收集进汽阀门指令值及进汽阀门反馈值的历史数据，计算进汽阀门指令值与其对应进汽阀门反馈值的偏差，并以此构建离线训练集及离线测试集；
12.基于arma1(p1,q1)算法构建离线预测模型，通过所述离线训练集及离线测试集对所述离线预测模型进行训练及测试，以确定离线预测模型中的参数p1,q1，得训练及测试后的离线预测模型。
13.当所述预测模型为在线预测模型时，还包括：
14.实时获取进汽阀门指令值s及进汽阀门反馈值p，数据长度为当前时刻及之前n个采样点，计算进汽阀门指令值s与对应进汽阀门反馈值p之间的偏差，并以此构建在线训练集及在线测试集；
15.基于利用arma2(p2,q2)算法构建在线预测模型，利用在线训练集及在线测试集对在线预测模型进行训练及测试，以确定在线预测模型中的参数p1,q1，得训练及测试后的在线预测模型。
16.p1,q1取值范围为(1,50]。
17.p2,q2的取值范围为(1,5]。
18.本发明具有以下有益效果：
19.本发明所述的基于arma算法的进汽阀门卡涩预测方法在具体操作时，基于arma算法建立预测模型，再对预测模型进行训练及测试，然后利用训练及测试后的预测模型预测m时刻后进汽阀门指令值与进汽阀门反馈值之间的偏差，并以此评估m时刻后进汽阀门的卡涩情况，以保证设备运行的可靠性。
附图说明
20.图1为本发明的流程图；
21.图2为本发明中预测模型的建立流程图；
22.图3为预测模型得到的预测数据分布图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
24.在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
25.实施例一
26.参考图1及图2，本发明所述的基于arma算法的进汽阀门卡涩预测方法包括以下步骤：
27.1)收集进汽阀门指令值及进汽阀门反馈值的历史数据，所述历史数据包含0～100％开度区间，计算进汽阀门指令值与其对应进汽阀门反馈值的偏差，即阀门指令值-阀门反馈值，并以此构建离线训练集及离线测试集；
28.2)基于arma1(p1,q1)算法构建离线预测模型，通过步骤1)得到的离线训练集及离
线测试集对所述离线预测模型进行训练及测试，以确定离线预测模型中的参数p1,q1，得训练及测试后的离线预测模型；
29.3)实时获取进汽阀门指令值q及进汽阀门反馈值p，数据长度为当前时刻及之前n个采样点，计算进汽阀门指令值s与进汽阀门反馈值p的偏差，即阀门指令值s－阀门反馈值p，并以此构建在线训练集及在线测试集；
30.4)基于利用arma2(p2,q2)算法构建在线预测模型，利用步骤3)得到的在线训练集及在线测试集对在线预测模型进行训练及测试；
31.5)当在线预测模型存在时，则利用在线预测模型预测m时刻后的阀门偏差；当在线预测模型不存在，则利用离线预测模型预测m时刻后的阀门偏差，并根据m时刻后的阀门偏差确定进汽阀门的卡涩情况。
32.p1,q1的取值范围直接影响离线预测模型的训练速度，因此在设置p1,q1取值范围时，不宜取较大范围，一般宜选(1,50]。
33.采样点的数量n直接在线预测模型的训练速度，不宜设置过长，因此n不大于500，当数据的采样间隔为1s，即数据采样时长不超过5min。
34.步骤3)中p2,q2的取值范围直接影响在线预测模型的训练速度，因此在设置p2,q2的取值范围时，不宜取较大范围，一般宜选(1,5]。
35.在线预测模型及离线预测模型的机理方程为：
[0036][0037]
其中，x
t
为当前时刻的观察值，θj为预测模型的滑动平均系数，为预测模型的自回归系数，a
t
为白噪声序列，p为预测模型自回归部分的阶数；q为预测模型滑动平均部分的阶数。
[0038]
如图2中所示，arma算法时间序列模型的建立过程为：
[0039]
11)对数据进行差分及零均值化处理；
[0040]
12)计算数据的协方差、自相关函数及偏相关函数；
[0041]
设有限序列符合x(t)的采样值，因此求其均值估计为：
[0042][0043]
设定则y1,y2,
…yn
为一个零均值的有限样本，其协方差估计式为：
[0044][0045]
根据自相关函数的定义，采用下列公式计算自相关函数为：
[0046][0047]
计算偏相关函数的估值为：
0.92,-0.53,-0.85,-1.03,-1.02,-0.98,-1.18,-0.98,-0.98,-0.92,-1.02,-1.12,-1,-0.98,-0.87,-0.9,-0.68,-0.6,-1.17,-0.88,-0.99,-0.87,-0.64,-0.9,-1.05,-0.93,-1.14,-1.3,-1.04,-0.81,-0.84,-0.84,-0.87,-1.06,-0.9,-1.16,-0.94,-0.89,-0.96,-0.82,-0.83,-1.04,-1.06,-0.85,-1.26,-0.99,-0.92,-0.89,-0.73,-1.11,-1.09,-0.73,-0.86,-0.64,-0.9,-0.88,-0.8,-0.97,-0.84,-1.07,-0.69,-0.79,-0.71,-1,-0.6,-1.05,-0.84,-0.82,-0.64,-0.8,-1.28,-0.67,-0.86,-0.92,-1.09,-0.84,-1.09,-1.14,-0.84,-0.99,-1.01,-0.88,-1.01,-0.81,-0.88,-1.15,-1.13,-0.95,-0.47,-0.91,-1.14,-0.93,-1.12,-1.15,-1.05,-0.92,-1.16,-1.21,-1.2,-0.88,-0.84,-0.88,-1.07,-1.24,-0.67,-0.92,-1.15,-1.02,-0.39,-0.35,-0.05,-0.31,-1.35,-2.46,-0.32,-0.32,0.07,-1.92,-3.38,-0.54,-0.21,-0.11,-1.14,-3.27,-2.35,-3.23,-2.4,-3.35,-1.4,0.63,-2.03,-1.13,-0.3,-0.73,-1.5,-0.3,0.76,-2.15,-0.75,-0.89,-0.38,-0.51,-1.16,-1.11,-1.95,-0.76,-0.75,-0.41,-0.08,-0.68,-1.01,-0.64,-2.33,-1.95,-0.96,-0.72,-1.06,-1.88,-1.4,-0.82,-0.9,-0.84,-0.91,-1.06,-1.05,-0.71,-0.89,-0.9,-1.09,-0.65,-0.75,-1,-1.06,-1.09,-1,-1.08,-1,-1.01,-0.93,-0.93,-0.83,-0.96,-1.14,-0.89,-0.78,-0.77,-1.01,-0.98,-0.94,-0.94,-1.05,-1.04,-0.93,-0.79,-0.76,-0.93,-0.75,-0.79,-0.84,-0.75,-0.98,-0.76,-0.77,-0.84,-1.07,-0.81,-0.92,-0.8,-0.97,-1.15,-0.37,-0.93,-0.85,-0.92,-0.86,-0.69,-0.75,-0.55,-0.55,-1.17,-0.72,-0.69,-0.72,-0.79,-0.64,-0.87,-0.81,-0.74,-0.9,-1.21,-0.53,-0.77,-0.93,-1.03,-0.81,-0.72,-1.13,-1.06,-1.16,-0.87,-0.95,-0.8,-1.07,-0.75,-0.91,-0.75,-0.87,-0.97,-0.96,-0.34,-0.65,-0.59,-1.04,-1.04,-0.85,-1.19,-0.8,-0.63,-1.23,-0.74,-0.64,-1.08,-0.95,-0.76,-0.99,-0.72,-0.85,-0.69,-0.77,-0.98,-0.85,-0.91,-0.87,-0.56,-1.06,-0.89,-0.76,-0.56,-0.95,-0.56,-0.81,-0.74,-1,-0.67,-0.91,-0.72,-0.94,-0.64,-1.14,-0.47,-0.82,-0.86,-0.63,-0.78,-0.93,-0.73,-0.76,-1.06,-0.59,-0.57,-0.8,-0.62,-0.72,-0.81,-0.95,-0.77,-0.83,-0.58,-0.65,-0.73,-0.73,-0.82,-0.73,-0.74,-0.6,-0.94,-0.78,-0.59,-0.88,-0.67,-0.72,-0.79,-0.95,-0.93,-1.01,-0.78,-0.75,-0.73,-0.44,-0.66,-1.05,-0.71,-0.61,-0.73,-0.72,-0.41,-0.79]
[0061]
取m＝60，即预测实时数据时后60s的数据得到预测数据为：
[0062]
[-0.88,-0.88,-0.5,-0.81,-0.98,-0.85,-0.72,-1.06,-0.79,-1,-0.77,-0.88,-0.81,-1.06,-0.95,-0.78,-0.69,-1.09,-0.82,-0.73,-0.96,-0.95,-0.93,-0.75,-0.79,-0.84,-0.75,-0.98,-0.76,-0.77,-0.84,-1.07,-0.81,-0.92,-0.8,-0.97,-1.15,-0.37,-0.93,-0.85,-0.92,-0.86,-0.69,-0.75,-0.55,-0.55,-1.17,-0.72,-0.69,-0.72,-0.79,-0.64,-0.87,-0.81,-0.74,-0.9,-1.21,-0.53,-0.77,-0.93]
[0063]
根据上述数据绘制得到实时数据及基于本发明建立的预测模型得到的预测数据，如图3所示，其中，前500s为实时数据，后60s为预测数据，可以图3可以看出，预测模型的预测精度满足使用需求。
[0064]
根据上述实际验证结果，实际测试试验验证了本发明的有效性及实际工程应用价值，具有极大的实际推广应用价值。
[0065]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在
不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。