一种水轮发电机组振摆数据分析方法与流程

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


背景技术：

2.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。
3.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。


技术实现要素：

4.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。在本部分以及本技术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。
5.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。
6.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。
7.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；
8.采用小波能量特征算法对所述振摆信号进行特征提取；
9.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；
10.建立相应的网络模型，并判断振摆是否正常；
11.若正常，则返回正常信息，若不正常，则发出报警信息。
12.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。
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。
14.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；
15.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。
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如下：
[0017][0018]
其中，h
k-2j
、g
k-2j
为小波包函数，c
v,j,2n
、c
v,j,2n+1
和c
v+j,k,n
为经分解的小波包系数。
[0019]
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：
[0020]
获取振摆信号f(t)在原时域上的能量：
[0021][0022]
其中，∫r为积分环节，dt为微分环节；
[0023]
所述振摆信号f(t)在时域内的能量为：
[0024][0025]
其中，c
v，k
为所述小波包分析算法分解得到的系数；
[0026]
所述小波包分解后，获取各频带的能量：
[0027][0028]
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。
[0029]
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。
[0030]
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。
[0031]
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。
[0032]
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；
[0033]
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；
[0034]
若实际摆振信号模型与所述摆振信号包相符，则判定正常。
[0035]
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。
附图说明
[0036]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本
领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0037]
图1为本发明水轮发电机组振摆数据分析方法的流程图。
具体实施方式
[0038]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0039]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0040]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0041]
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0042]
实施例1
[0043]
参照图1，一种水轮发电机组振摆数据分析方法包括：
[0044]
s1：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。需要说明的是：
[0045]
各项数据包括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。
[0046]
其中，振摆历史数据为某一时刻的信号量，采用二进制表示，负荷历史数据、水头历史数据和蜗壳压力历史数据均为模拟量，采用十进制表示。
[0047]
s2：采用小波能量特征算法对振摆信号进行特征提取。需要说明的是：
[0048]
小波能量特征算法包括小波包分解算法，采用三层小波包分解算法，提取出水轮发电机组的振摆数据特征。
[0049]
小波包分析算法如下：
[0050][0051]
其中，h
k-2j
、g
k-2j
为小波包函数，c
v,j,2n
、c
v,j,2n+1
和c
v+j,k,n
为经分解的小波包系数。
[0052]
小波包分析算法三层分解如下：
[0053]
获取振摆信号f(t)在原时域上的能量：
[0054][0055]
其中，∫r为积分环节，dt为微分环节。
[0056]
振摆信号f(t)在时域内的能量为：
[0057][0058]
其中，c
v，k
为小波包分析算法分解得到的系数。
[0059]
小波包分解后，获取各频带的能量：
[0060][0061]
s3：经过小波包三层分解后，即可得到振动信号能量特征向量e。需要说明的是：
[0062]
水发电机组发生振动时，由于其运行工况、振动原因不同，其振动信号频带的能量也不同；因此，可以建立起振动故障类型与能量的映射关系，对能量谱进行分析，以确定水轮发电机组振动的特征。
[0063]
s4：将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。
[0064]
需要说明的是：
[0065]
小波神经网络的激励函数为小波函数，这种结构形式能够发挥小波分析处理时频域信息特性的能力，使得网络具有更快的收敛速度与更强的泛化能力。
[0066]
s5：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。需要说明的是：
[0067]
对经过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。
[0068]
经过上述步骤后，即可得到水轮发电机组全负荷段、全工况下的振摆数据网络模型，该模型下，形成了负荷、水头、蜗壳压力与振摆信号的模型，获取常态下的数据使其进入模型进行计算，获取摆振信号包。
[0069]
将摆振信号包作为对比数据，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，则通过报警模块发出报警信息。
[0070]
实施例2
[0071]
本实施例为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种水轮发电机组振摆数据分析方法的验证测试，对本方法中采用的技术效果加以验证说明。
[0072]
本方法：首先获取一个振摆信号，对其进行小波分解，得到变换后的小波包，接着提取其能量特征。
[0073]
从上述分析结果表明，在相同的分解尺度下，本方法可以把信号的特征信息转变为幅值特征，因此不同信号相对频段对应的幅值不同。
[0074]
将正常状态下的机组负荷、水头、蜗壳压力数据作为参数，与此时分解得到的能量包一起作为神经网络学习的初始数据，提取大量常态下的初始数据进行神经网络学习并得到神经网络学习模型；接着将实际数据导入模型与初始化的模型进行比对，从而判断是否异常。
[0075]
采用本方法与原有技术的结果对比见下表：
[0076]
传统方法本发明计算速度较慢较快收敛速度一般较快
计算精度较差较准是否方便调用否是
[0077]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

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，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。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；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。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：其中，h
k-2j
、g
k-2j
为小波包函数，c
v,j,2n
、c
v,j,2n+1
和c
v+j,k,n
为经分解的小波包系数。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：获取振摆信号f(t)在原时域上的能量：其中，∫
r
为积分环节，dt为微分环节；所述振摆信号f(t)在时域内的能量为：其中，c
v，k
为所述小波包分析算法分解得到的系数；所述小波包分解后，获取各频带的能量：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，其振动信号频带的能量也不同。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；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；若实际摆振信号模型与所述摆振信号包相符，则判定正常。

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。省时省力且精度较高。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：2022.09.07
技术公布日：2023/8/1