一种基于神经网络的水轮机转轴状态监测方法和系统与流程

本发明属于人工智能、水力发电领域，涉及一种监测方法，具体涉及一种基于神经网络的水轮机转轴状态监测方法和系统。

背景技术：

随着我国电力事业的不断发展，水电能源已进入了大机组、特高压输送、智能化控制与管理的新时代。一方面，水力发电在我国发电供应段中所占结构比例逐渐增多，且更多的承担调峰、调频任务。而作为水电厂关键发电设备的水轮机组也朝着大容量、高比转速、高负载等方向不断发展，其部件结构及布置形式复杂程度越来越高，而水力、机械、电气等振源之间的耦合作用日益凸显，从而导致了水轮机故障的非计划停运和突发冲击性故障的日趋增多，并直接影响了对电网的安全稳定。

因此，传统的水轮机转轴状态评估与故障诊断方法无法满足当前水电厂对于故障快速定位和及时处理的工程实际需求。如何在准确获知水轮机实际运行数据的基础上，构建水轮机转轴健康状态高精度评估模型，精确识别故障类型及其严重程度、变化趋势，提供高效合理的检修方案，为水轮机突发故障提供相应的决策建议，是目前急需解决的问题。

技术实现要素：

为了实时监测水轮机转轴的工作状态以便及时发现异常行为，本发明以水轮机转轴为切入点，运用机器学习神经网络，以预训练和微调的方式进行训练，克服了传统神经网络存在过拟合、易陷入局部最小等不足，提出新的水轮机转轴状态监测方法。

本发明通过选取合适的建模变量，建立基于神经网络的转轴温度预测模型，采用指数加权移动平均滤波器对残差序列进行平滑处理，并运用核密度估计方法确定转轴的故障阈值。

本发明采用的技术方案如下：

一种基于神经网络的水轮机转轴状态监测方法，包括以下步骤：

1)根据水轮机转轴的历史数据，建立并训练基于神经网络的转轴温度预测模型；

2)通过核密度估计方法确定水轮机转轴的故障阈值；

3)利用水轮机转轴的实时数据，通过训练好的所述转轴温度预测模型预测转轴温度残差分布特性，并将其与所述故障阈值进行比较以判断是否发生故障。

进一步地，所述转轴温度预测模型包括深度信念神经网络和反向传播神经网络，所述深度信念神经网络的最后一层的输出作为所述反向传播神经网络的输入。

进一步地，所述转轴温度预测模型的训练过程包括：

a)利用转轴历史数据，采用无监督贪婪逐层方式对深度信念神经网络各层间的连接权值和偏置值初始化，通过训练，第一层完成后，将其隐含层的参数作为第二层的输入来训练第二层，以此类推，直至完成整个深度信念神经网络的预训练；

b)通过反向传播神经网络对深度信念神经网络进行优化调整，由上而下进行有监督的训练，用来优化训练阶段的参数。

进一步地，对于转轴历史数据，步骤1)利用相关系数法选取与转轴温度具有一定关联性的参数进行建模，以降低建模难度并减少训练时间。

进一步地，步骤1)在计算各相关系数之前剔除数据中的无效值并进行平滑和归一化处理。

进一步地，步骤1)使用指数加权移动平均滤波器对残差序列进行平滑处理，以实时反映转轴温度残差分布特性的变化，消除随机因素的影响；

进一步地，步骤3)中当所述转轴温度预测模型预测的转轴温度残差分布特性超出所述故障阈值时，发出报警提示。

一种基于神经网络的水轮机转轴状态监测系统，其包括：

模型构建模块，负责根据水轮机转轴的历史数据，建立并训练基于神经网络的转轴温度预测模型；

故障阈值设定模块，负责通过核密度估计方法确定水轮机转轴的故障阈值；

状态监测模块，负责利用水轮机转轴的实时数据，通过训练好的所述转轴温度预测模型预测转轴温度残差分布特性，并将其与所述故障阈值进行比较以判断是否发生故障。

本发明的有益效果是：

本发明的方法可有效地实现转轴潜在故障的预测，以防机组发生严重破坏性事故的不良后果。水轮机是任何水电站的心脏，它将水的势能转化为机械能。水轮发电机组是水电厂最关键的主设备，它的安全运行是水电厂确保安全、优质、经济发供电的根本保障，直接关系到电网的安全稳定运行，决定着水电厂的经济效益和社会效益。。

附图说明

图1为本发明的方法流程图。

图2为受限制玻尔兹曼机结构示意图。

图3为深度信念网络结构示意图。

具体实施方式

为了便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

图1是本发明的系统框架结构图。下面将根据附图并结合实际情况，来详细说明本发明。如图1所示的预测流程图。

转轴历史数据包括了转轴的温度、转速和环境温度等众多连续量参数。对这些数据进行预训练，采用无监督贪婪逐层方式对神经网络各层间的连接权值和偏置值初始化，通过训练，第一层完成后，将其隐含层的参数作为第二层的输入来训练第二层，以此类推，直至完成整个深度信念神经网络(dbn)的预训练。深度信念神经网络是由多个受限制玻尔兹曼机(restrictedbotlzmannmachine，rbm)组成的多隐含层神经网络，通过rbm的逐层堆叠，深度信念神经网络可从原始数据中逐层提取特征，获得一些高层次表达。图2示意了受限制玻尔兹曼机结构(其中h表示隐藏层，v表示可视层)，图3示意了深度信念网络结构。

因为深层网络很容易陷入局部最优，初始参数的选择对网络最终收敛在哪个位置有很大影响，所以深度信念神经网络的训练分为预训练和微调两个阶段。即经过训练之后，还需要对神经网络进行优化调整，具体通过反向传播神经网络来实现，在深度信念神经网络的最后一层设置反向传播神经网络，将最后一层的输出作为反向传播神经网络的输入，由上而下进行有监督的训练，用来优化训练阶段的参数，此方法实现了无监督学习和有监督学习的有机结合，能够提高预测精度。上述神经网络模型的输出为转轴温度残差特性。

由于转轴历史数据中连续量参数众多，为了降低建模难度并减少训练时间，利用相关系数法选取与转轴温度具有一定关联性的参数进行建模，包括以下步骤：

首先对某个时间段的数据进行分析，相关系数r的计算公式为：

式中，n表示样本个数，x、y分别表示变量参数。

利用上述公式，计算数据中转轴温度与其他连续量参数两两之间的相关系数。本发明选择相关系数的绝对值大于0.4(本系数可根据经验自行调整)的变量作为模型的最终输入变量。其中|r|的值如果越接近于1，相关性则越强。

为了更好地表示转轴温度与其他变量之间的关系，减小数据随机性以及降低各参数间对计算结果造成的影响，在计算各相关系数之前剔除数据中的无效值(譬如零值)并进行平滑和归一化处理(剔除数据中的无效值、平滑、归一化处理等过程一方面是数据处理过程，同时用于确定故障阈值)。同时也为了能够实时反映转轴温度残差分布特性(以样本个数为横坐标，残差序列为纵坐标形成的预测残差序列的分布曲线图)的变化，消除随机因素的影响，可使用指数加权移动平均滤波器对残差序列(实际测量值与预测的值之差)进行平滑处理，其表达式为：

a(t)＝λu(t)+(1-λ)a(t-1)，t＝1，2，3….，n，

其中，a(t)为滤波器的输出，λ为平滑因子，0<λ≤1，λ越小，滤波器输出的平稳性越强，u(t)为第t个样本值。

其中引入核密度估计方法来确定故障阈值，当通过训练好的神经网络模型预测的转轴温度残差分布特性超出预先设定的阈值时，发出报警提示。其中核密度估计算子为：

其中,^fq(x)表示点x处的核密度估计，x表示样本空间的任意一点，xi为给定样本，q为平滑参数，k为核函数且满足：

通过上述方法建立预测模型，不仅预测精度优于传统神经网络和支持向量机方法，而且能够及时检测出转轴工作状态的异常变化，及时提供运维决策。

本实施例中，平滑因子λ取0.32，初始值u(0)设置为残差序列的平均值，核密度函数选用高斯核函数，置信度设为99％，利用本方法实现转轴的异常监测因为所测数据中没有故障数据，故用故障模拟的方式，即实测数据基础上模拟转轴温度升高的情形。为了使转轴故障从发生到故障程度加重，故将某一个时间段测试样本内转轴温度变量的2050～3690点逐点加入0.007的累计温度偏移。为了进行比较，分别使用本方法和单隐层神经网络及支持向量机进行故障预测。根据残差分布可以得出，基于本方法的预测首先在2170～2180超出预先设定的阈值，且自2190点后连续超出阈值，而单隐层神经网络和支持向量机方法分别从2310点和2411点之后开始连续超出预先设定的阈值。相比较基于本方法可及时发现转轴的异常行为，能够避免发生事故。

本发明另一实施例提供一种基于神经网络的水轮机转轴状态监测系统，其包括：

模型构建模块，负责根据水轮机转轴的历史数据，建立并训练基于神经网络的转轴温度预测模型；

故障阈值设定模块，负责通过核密度估计方法确定水轮机转轴的故障阈值；

状态监测模块，负责利用水轮机转轴的实时数据，通过训练好的所述转轴温度预测模型预测转轴温度残差分布特性，并将其与所述故障阈值进行比较以判断是否发生故障。

以上包含了本发明优选实施例的说明，这是为了详细说明本发明的技术特征，并不是想要将发明内容限制在实施例所描述的具体形式中，依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定，而非有实施例的具体描述所界定。