專利名稱：汽輪機組振動與過程信號異常搜索分析方法
技術領域：
本發明屬于汽輪機組振動監測與控制技術領域，尤其涉及一種汽輪機組振動與過 程信號異常搜索分析方法。
背景技術：
20世紀以來，汽輪機組在工業生產和科學技術的發展中，起著越來越重要的作用。 同時，汽輪機組作為大型旋轉機械直接處于高溫高壓及持續振動的工作條件下，這使得機 組的參數信號監測分析技術成為影響發電生產安全和可靠運行的最重要因素，并成為評價 汽輪發電機組運行狀況優劣的重要標志之一，更是機組設計、制造、安裝、檢修質量的綜合 反映。當前，汽輪機組在運行及控制過程中，振動及過程信號監測已實現在線采集，并通 過簡單比較監測參數的測量值與規范閾值來進行機組特性分析，進而據此指導機組的運行 控制。顯然，與現代高精度數據采集技術相比，該監測分析技術相對落后，這造成大量的數 據面臨“來的容易，卻無從下手”的局面。同時，傳統信號采集系統往往專注于對全局信號的采集分析，而缺乏對信號中隱 藏的異動數據的二次搜索及挖掘分析，而對汽輪機組這類大型高風險設備而言，與異常及 故障相關聯的異動數據顯然更加具有研究價值。
發明內容
本發明的目的在于，提供一種汽輪機組振動與過程信號異常搜索分析方法，對汽 輪機組監測的異常信號進行搜索，并通過異動分析處理對異常進行深入挖掘分析，為汽輪 機組振動預警及故障診斷提供依據。技術方案是，一種汽輪機組振動與過程信號異常搜索分析方法，其特征是所述方 法包括下列步驟步驟1 以汽輪機組正常狀態的歷史數據作為訓練對象，對設定組數的歷史數據， 根據采集時間的先后順序組成設定組數的時間序列；步驟2 將每組時間序列劃分為時間子序列，計算時間子序列的模式特征值并進 行規范化處理；步驟3 將經過步驟2處理的模式特征值組成模式特征值集合；步驟4:從模式特征值集合中抽取各類模式特征的極大值，按從大到小的順序排 列，形成模式特征極值序列；步驟5 求取模式特征極值序列的異常特征邊界；步驟6 確定異常時間子序列；步驟7 判斷異常時間子序列是否超過異常特征邊界，如果是，則將該異常時間子 序列存儲到異動序列中；步驟8 對異動序列進行基于確定系數的優選回歸分析，根據預警機制規則找到匹配的預警等級。所述將每組時間序列劃分為時間子序列包括步驟101 設定檢測窗口的大小為m，設定時間序列的維度為n，所述維度η為時間 序列的序列點的個數；步驟102:設定時間序列X= (Xai)5Xa2),... ,x(tn)}的每個序列點所對應的閥 門編碼為Mixn = (0,0, ... ,0)；其中，Xai)為、時刻采集的信號記錄值，1彡i彡η，η為 時間序列的維度，即時間序列的序列點個數；步驟103 當時間序列X中的序列點為其所在的檢測窗口內的極大值或極小值時，
則按公式
權利要求
1.一種汽輪機組振動與過程信號異常搜索分析方法，其特征是所述方法包括下列步驟步驟1 以汽輪機組正常狀態的歷史數據作為訓練對象，對設定組數的歷史數據，根據 采集時間的先后順序組成設定組數的時間序列；步驟2 將每組時間序列劃分為時間子序列，計算時間子序列的模式特征值并進行規 范化處理；步驟3 將經過步驟2處理的模式特征值組成模式特征值集合； 步驟4:從模式特征值集合中抽取各類模式特征的極大值，按從大到小的順序排列，形 成模式特征極值序列；步驟5 求取模式特征極值序列的異常特征邊界； 步驟6:確定異常時間子序列；步驟7 判斷異常時間子序列是否超過異常特征邊界，如果是，則將該異常時間子序列 存儲到異動序列中；步驟8 對異動序列進行基于確定系數的優選回歸分析，根據預警機制規則找到匹配 的預警等級。
2.根據權利要求1所述的一種汽輪機組振動與過程信號異常搜索分析方法，其特征是 所述將每組時間序列劃分為時間子序列包括步驟101 設定檢測窗口的大小為m，設定時間序列的維度為n，所述維度η為時間序列 的序列點的個數；步驟102 設定時間序列X = IxU1)，x(t2)，. . .，x(tn)}的每個序列點所對應的閥門編 碼為Mixn= (0,0,.. ,0)；其中，Χ(、)為、時刻采集的信號記錄值，1彡i彡η，η為時間序 列的維度，即時間序列的序列點個數；步驟103 當時間序列X中的序列點為其所在的檢測窗口內的極大值或極小值時，則按公式M(V) = I M(()，x(() emaxX (j)或! ~ [M(Z1), X(Z1) ^ max XJj)并且 xft.) IninJTm(j)對閥門編碼進行變異操作；其中，j表示時間序列的檢測窗口，1 ^ j ^ m ； max Xffl(J)表示第j個檢測窗口的最大序列值序列，min Xffl(J)表示第j個檢測窗口的 最小序列值序列；步驟104 將閥門編碼Mixn為1的序列點設為時間序列分割點，時間序列的首尾兩個序 列點也被定義為分割點，之后將時間序列X= (XU1),x(t2),...,x(tn)}劃分為時間子序列 (XU1)K x(tdl)}，{x(t dl)L x(td2)}，L，{χ (tdk) L X (tn)}。
3.根據權利要求2所述的一種汽輪機組振動與過程信號異常搜索分析方法，其特征是 所述計算時間子序列的模式特征值并進行規范化處理包括步驟201 計算時間子序列Ix (tn)，x(ti2)，...，x(tiv)}的模式特征值，所述模式特征 值包括模式高度sph、模式長度spt、模式斜率spk、模式均值ψ[和模式標準差sp σ ；其 中，ν為時間子序列的序列點的個數；計算模式高度sph利用公式sph = χα ν)-χαα)；計算模式長度spl利用公式spl = iv-il+1計算模式斜率spk利用公式
4.根據權利要求1所述的一種汽輪機組振動與過程信號異常搜索分析方法，其特征是所述求取模式特征極值序列的異常特征邊界具體是設定ε >0，選取滿足不等式祁勺最小整數P，將模式特征極值序列前P位的平均值作為異常特征邊界；或者直接將模式特征 極值序列的第P位的模式特征值作為異常特征邊界；其中，N為時間序列的設定組數。
5.根據權利要求1所述的一種汽輪機組振動與過程信號異常搜索分析方法，其特征是 所述確定異常時間子序列包括步驟301 將分割后的時間子序列映射到五維特征空間C、sph, spl, spk, spx, spa) 中，對C中的每一點u，分別在特征空間C和它的每一個特征值的特征子空間上求解 其k-MD (u)，并且將求解后的值規范化后分別記為:k-MD0 (u)，HDO1 (u)，k_MD02 (u)， k-MD03(u)，k-MD04(u)和k-MD05(u)；其中，k_MD(u)是指對象u的k平均模式特征距離，
6.根據權利要求1所述的一種汽輪機組振動與過程信號異常搜索分析方法，其特征是 所述步驟8包括步驟401 按照預定分布趨勢模型分別對異動序列進行回歸分析擬合，得到回歸分析 模型；步驟402 計算步驟401中各回歸分析模型的確定系數； 步驟403 選取確定系數最大的回歸分析模型作為異動參數演繹分布形式； 步驟404 以上述確定的回歸分析模型作為判斷條件，結合當前汽輪機組運行規程中 限定的特征參數閾值，找到相匹配的異動預警等級。
全文摘要
本發明屬于汽輪機組振動監測與控制技術領域，尤其涉及一種汽輪機組振動與過程信號異常搜索分析方法。所述方法包括將設定組數的歷史數據，組成時間序列；將每組時間序列劃分為時間子序列，計算時間子序列的模式特征值并進行規范化處理；將經過處理的模式特征值組成模式特征值集合；從模式特征值集合中抽取各類模式特征的極大值，按從大到小的順序排列，形成模式特征極值序列；求取模式特征極值序列的異常特征邊界；確定異常時間子序列；將超出異常特征邊界的異常時間子序列存儲到異動序列中；對異動序列進行基于確定系數的優選回歸分析，根據預警機制規則找到匹配的預警等級。本發明提高了振動及過程參數預警精度和深度。
文檔編號G06F17/30GK102129525SQ20111007132
公開日2011年7月20日 申請日期2011年3月24日 優先權日2011年3月24日
發明者何成兵, 鄒麗潔, 陳昆亮, 顧煜炯 申請人:華北電力大學