一种用于抽水蓄能机组的振动预测方法与流程
- 国知局
- 2024-08-30 14:33:23
本发明涉及水利工程水力发电领域,尤其涉及一种用于抽水蓄能机组的振动预测方法。
背景技术:
1、抽水蓄能机组作为抽蓄电站抽水与发电的核心装置,其运行工况复杂,影响其产生振动原因多样,振动信号时间序列非线性非平稳性极强,从物理建模角度难以对异常状态进行有效预警。
2、现有技术中,如公开号为cn116956150a的专利申请公开了一种抽水蓄能机组改进振动预测方法,研究了合理有效的机组劣化状态趋势预测理论,可以满足对机组实施预防性状态预警,包括如下步骤:骤1)对上导轴承x方向摆度的采样信号进行排序,计算最大值与最小值的差值作为机组摆度信号峰峰值。对样本数据进行预处理,将输入数据转换为矩阵形式;2)对机组摆度信号峰峰值时间序列进行变分模态分解(vmd),结合多项特征获取其多尺度序列集合并构造训练输入矩阵;3)构建结合时序模式注意力(tpa)机制理论与gru神经网络优化预测模型,完成各个分量子序列矩阵的预测;4)将所有所述重构状态序列预测量相加,得到抽水蓄能机组摆度信号峰峰值预测序列。5)根据预设状态参量报警阈值与波动水平值,实现机组摆度信号峰峰值越限报警。
3、但该cn116956150a公开的预测方法仍存在可靠性与精度较差的问题。
技术实现思路
1、本发明的主要目的是提出一种用于抽水蓄能机组的振动预测方法,旨在解决传统预测方法可靠性与精度较差的问题。
2、为实现上述目的,本发明提出一种用于抽水蓄能机组的振动预测方法,包括以下步骤:
3、s10、采集机组的振动数据;
4、s20、对采集到的振动数据进行滤波和去噪处理;
5、s30、提取振动信号的频率特征参数;
6、s40、基于所提取的频率特征参数建立振动预测模型;
7、s50、使用训练好的振动预测模型对未来的振动情况进行预测。
8、优选的,所述s10步骤中从加速度传感器、速度传感器和位移传感器的输出端得到振动幅值、频率、相位振动数据。
9、优选的,所述s30步骤中的频率特征参数为融合振动幅值、频率、相位的综合数据,所述s20步骤中滤波和去噪处理包括使用数字滤波器对综合数据进行滤波处理。
10、优选的,所述s40步骤中通过特征工程方法获取融合数据中的特征参数。
11、优选的,所述特征工程方法包括以下步骤:
12、s41、对振动数据采用时间序列分析;
13、s42、基于时间序列分析结果进行长期趋势预测。
14、优选的,所述时间序列分析采用自回归积分滑动平均模型,该模型函数表达式为:
15、arima(p,d,q),
16、其中:p表示自回归阶数,d表示差分阶数,q表示滑动平均阶数。
17、优选的,所述s40步骤中使用支持向量机算法建立震动预测模型,所述支持向量机算法模型函数表达式为:
18、f(x)=sign(∑(i=1ton)αiyik(xi,x)+b)
19、其中,f(x)是预测输出的结果,x是输入向量,αi是对应的支持向量的权重,yi是支持向量的类别标签,k(xi,x)是核函数,b是偏置项;
20、该模型分支包括线性核函数、多项式核函数、径向基函数,其函数表达式为:
21、线性核函数:
22、k(xi,x)=xit*x
23、多项式核函数:
24、k(xi,x)=(γ*xit*x+r)d
25、径向基函数:
26、k(xi,x)=exp(-γ*||xi-x||2)。
27、优选的,所述s20步骤包括以下步骤:
28、s21、对振动数据进行聚类分析;
29、s22、基于聚类分析结果识别潜在的故障模式;
30、s23、将振动数据和预测结果进行可视化展示;
31、s24、实时监测机组的振动状态,并通过图形界面显示振动趋势和故障模式信息。
32、优选的,所述s22步骤中聚类分析采用k均值聚类算法。
33、优选的,所述k均值聚类算法计算步骤为:
34、s221、随机选择k个中心点,从数据集中随机选择;
35、s222、对于每个样本,计算其与每个中心点之间的距离,并将其分配到距离最近的中心点所属的簇;
36、s223、对于每个簇,计算该簇内所有样本的均值,并将该均值作为新的中心点;
37、s224、重复步骤s222和s223,直到满足停止阀值;
38、s225、最终得到k个簇,每个簇都由其内部样本的均值来表示。
39、由于采用了上述技术方案,本发明的有益效果如下:
40、1、本发明通过采集机组的振动数据,并经过滤波和去噪处理,准确获取机组的振动特征,基于聚类分析的结果,能够识别出潜在的故障模式,并进行故障诊断,通过提取频率特征参数,并建立振动预测模型,对未来的振动情况进行预测,这有助于及早发现机组的故障和异常情况,采取相应的维修和保养措施,减少停机时间和维修成本。
41、2、本发明通过实时监测机组的振动状态,并通过图形界面显示振动趋势和故障模式信息,实时掌握机组的振动情况,设置预警阈值,当振动数据超过设定的阈值时,系统发出警报提醒相关人员,以便及时采取行动,这有助于快速响应机组的异常振动,避免故障进一步扩大或引发其他问题。
42、3、本发明通过聚类分析和可视化展示,深入了解机组的振动特征和模式。聚类分析将相似的振动模式归为同一簇,通过比较不同簇之间的差异和相似性,揭示出机组振动数据的规律和特点,可视化展示以图表、图形界面等形式直观地呈现数据和结果,方便用户进行数据分析和故障诊断。
43、4、本发明基于振动预测模型的预测结果,制定合理的维护计划,进行预防性维护,通过提前预测机组的故障发生时间和可能的故障类型,及时采取相应的维护和保养措施,降低机组故障率,延长设备寿命,并提高设备的可靠性和安全性。
技术特征:1.一种用于抽水蓄能机组的振动预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述s10步骤中从加速度传感器、速度传感器和位移传感器的输出端得到振动幅值、频率、相位振动数据。
3.如权利要求1所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述s30步骤中的频率特征参数为融合振动幅值、频率、相位的综合数据,所述s20步骤中滤波和去噪处理包括使用数字滤波器对综合数据进行滤波处理。
4.如权利要求1所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述s40步骤中通过特征工程方法获取融合数据中的特征参数。
5.如权利要求4所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述特征工程方法包括以下步骤:
6.如权利要求5所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述时间序列分析采用自回归积分滑动平均模型,该模型函数表达式为:
7.如权利要求1所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述s40步骤中使用支持向量机算法建立震动预测模型,所述支持向量机算法模型函数表达式为:
8.如权利要求1所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述s20步骤包括以下步骤:
9.如权利要求8所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述s22步骤中聚类分析采用k均值聚类算法。
10.如权利要求9所述的一种用于抽水蓄能机组的振动预测方法,其特征在于,所述k均值聚类算法计算步骤为:
技术总结本发明涉及水利工程水力发电领域,尤其涉及一种用于抽水蓄能机组的振动预测方法,包括以下步骤:S10、采集机组的振动数据;S20、对采集到的振动数据进行滤波和去噪处理;S30、提取振动信号的频率特征参数;S40、基于所提取的频率特征参数建立振动预测模型;S50、使用训练好的振动预测模型对未来的振动情况进行预测。本发明通过采集机组的振动数据,并经过滤波和去噪处理,准确获取机组的振动特征,基于聚类分析的结果,能够识别出潜在的故障模式,并进行故障诊断,通过提取频率特征参数,并建立振动预测模型,对未来的振动情况进行预测,这有助于及早发现机组的故障和异常情况,采取相应的维修和保养措施,减少停机时间和维修成本。技术研发人员:曾德军,缪俊骏受保护的技术使用者:中国电建集团贵阳勘测设计研究院有限公司技术研发日:技术公布日:2024/8/27本文地址:https://www.jishuxx.com/zhuanli/20240830/282676.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表