一种水轮发电机组振摆数据分析方法与流程

本发明涉及水轮发电机组导轴承振摆监测的，尤其涉及一种水轮发电机组振摆数据分析方法。

背景技术：

1、现有水轮发电机组导轴承振摆监测采用振动传感器将数据收集，根据数据前后变化判断机组的运行状态。

2、该方法在判断振摆数据是否异常时，一方面是在软件内预先设置好的报警值，一方面是根据其变化值。但是不同机组在不同工况下的运行状态等都不同，因此无法判断不同机组工况下的振摆数据是否正常，局限性较大；且目前大数据统计采用单纯的加减算法，耗时耗力。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有水轮发电机组振摆数据分析方法存在的问题，提出了本发明。

3、因此，本发明目的是提供一种水轮发电机组振摆数据分析方法。

4、为解决上述技术问题，本发明提供如下技术方案：采集水轮发电机组的各项数据，获取发电机导轴承的振摆信号；

5、采用小波能量特征算法对所述振摆信号进行特征提取；

6、将所述水轮发电机组采集到的部分数据加入小波神经网络进行深度学习；

7、建立相应的网络模型，并判断振摆是否正常；

8、若正常，则返回正常信息，若不正常，则发出报警信息。

9、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：所述各项数据包括所述水轮发电机组各部振摆历史数据、负荷历史数据、水头历史数据和蜗壳压力历史数据。

10、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：所述振摆历史数据为某一时刻的信号量，采用二进制表示，所述负荷历史数据、所述水头历史数据和所述蜗壳压力历史数据均为模拟量，采用十进制表示。

11、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：所述小波能量特征算法包括小波包分解算法；

12、其中，采用三层小波包分解算法，提取出所述水轮发电机组的振摆数据特征。

13、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：所述小波包分析算法如下：

14、

15、其中，hk-2j、gk-2j为小波包函数，cv,j,2n、cv,j,2n+1和cv+j,k,n为经分解的小波包系数。

16、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：所述小波包分析算法三层分解如下：

17、获取振摆信号f(t)在原时域上的能量：

18、

19、其中，∫r为积分环节，dt为微分环节；

20、所述振摆信号f(t)在时域内的能量为：

21、

22、其中，cv，k为所述小波包分析算法分解得到的系数；

23、所述小波包分解后，获取各频带的能量：

24、

25、其中，经过所述小波包三层分解后，即可得到振动信号能量特征向量e，所述水发电机组发生振动时，由于其运行工况、振动原因不同，其振动信号哥频带的能量也不同。

26、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：对经过所述小波能量特征提取后的数据与运行工况数据，作为输入节点，进行小波神经网络学习，建立数据模型。

27、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：将采集到的所述负荷历史数据、水头历史数据和蜗壳压力历史数据作为影响因子加入进行小波神经网络深度学习，建立振摆数据、负荷、水头和蜗壳压力的神经网络模型。

28、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：采用所述振摆数据、负荷、水头和蜗壳压力的神经网络模型判断振摆数据是否正常。

29、作为本发明所述水轮发电机组振摆数据分析方法的一种优选方案，其中：获取正常状态下的摆振信号包，用于判断所述摆振数据是否正常；

30、若实际摆振信号模型与所述摆振信号包不符，则判定存在异常；

31、若实际摆振信号模型与所述摆振信号包相符，则判定正常。

32、本发明的有益效果：采用小波包能量特征算法与小波神经网络学习算法，对水轮发电机组的振摆数据进行提取、特征分析，对大量不同工况下的数据进行深度学习，提出统一对比模型，对水轮发电机组进行故障预测，省时省力且精度较高。

技术特征：

1.一种水轮发电机组振摆数据分析方法，其特征在于：包括，

2.如权利要求1所述的水轮发电机组振摆数据分析方法，其特征在于：所述各项数据包括所述水轮发电机组各部振摆历史数据、负荷历史数据、水头历史数据和蜗壳压力历史数据。

3.如权利要求2所述的水轮发电机组振摆数据分析方法，其特征在于：所述振摆历史数据为某一时刻的信号量，采用二进制表示，所述负荷历史数据、所述水头历史数据和所述蜗壳压力历史数据均为模拟量，采用十进制表示。

4.如权利要求3所述的水轮发电机组振摆数据分析方法，其特征在于：所述小波能量特征算法包括小波包分解算法；

5.如权利要求1或4所述的水轮发电机组振摆数据分析方法，其特征在于：所述小波包分析算法如下：

6.如权利要求5所述的水轮发电机组振摆数据分析方法，其特征在于：所述小波包分析算法三层分解如下：

7.如权利要求1、2或6任一所述的水轮发电机组振摆数据分析方法，其特征在于：对经过所述小波能量特征提取后的数据与运行工况数据，作为输入节点，进行小波神经网络学习，建立数据模型。

8.如权利要求7所述的水轮发电机组振摆数据分析方法，其特征在于：将采集到的所述负荷历史数据、水头历史数据和蜗壳压力历史数据作为影响因子加入进行小波神经网络深度学习，建立振摆数据、负荷、水头和蜗壳压力的神经网络模型。

9.如权利要求8所述的水轮发电机组振摆数据分析方法，其特征在于：采用所述振摆数据、负荷、水头和蜗壳压力的神经网络模型判断振摆数据是否正常。

10.如权利要求9所述的水轮发电机组振摆数据分析方法，其特征在于：获取正常状态下的摆振信号包，用于判断所述摆振数据是否正常；

技术总结
本发明公开了一种水轮发电机组振摆数据分析方法，其包括：采集水轮发电机组的各项数据，获取发电机导轴承的振摆信号；采用小波能量特征算法对所述振摆信号进行特征提取；将所述水轮发电机组采集到的部分数据加入小波神经网络进行深度学习；建立相应的网络模型，获取摆振信号包并以此判断振摆是否正常；将实际摆振信号模型与摆振信号包相比对，若正常，则返回正常信息，若不正常，则发出报警信息。采用小波包能量特征算法与小波神经网络学习算法，对水轮发电机组的振摆数据进行提取、特征分析，对大量不同工况下的数据进行深度学习，提出统一对比模型，对水轮发电机组进行故障预测，省时省力且精度较高。

技术研发人员：赵栋栋,张义,左述康,张玺,唐小焰
受保护的技术使用者：四川华能太平驿水电有限责任公司
技术研发日：
技术公布日：2024/1/13