基于大數(shù)據(jù)的水輪機(jī)導(dǎo)葉開(kāi)口不勻故障智能預(yù)警

李太斌 張沖 顏天成 延帥 杜俊邑

摘? 要：隨著人工智能的發(fā)展，目前中國(guó)各大水電廠水輪機(jī)各部件設(shè)備的監(jiān)視還停留在監(jiān)視階段，通過(guò)人工對(duì)實(shí)時(shí)數(shù)據(jù)的分析，來(lái)判斷設(shè)備的狀態(tài)。不僅誤判的幾率高，而且針對(duì)設(shè)備的老化和設(shè)備漸變的故障，實(shí)時(shí)監(jiān)視可能無(wú)法捕捉。由于傳感器精度等各方面干擾因素導(dǎo)致測(cè)點(diǎn)的跳變，對(duì)設(shè)備的劣化監(jiān)測(cè)可能會(huì)出現(xiàn)頻繁的誤報(bào)等情況，基于大數(shù)據(jù)人工智能的檢測(cè)算法可較為及時(shí)的實(shí)現(xiàn)故障的預(yù)警。

關(guān)鍵詞：人工智能;劣化;神經(jīng)網(wǎng)絡(luò);遺傳算法

中圖分類號(hào)：TP273? ? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）11-0120-02

Abstract： With the development of artificial intelligence， the monitoring of hydraulic turbine components and equipment of major hydropower plants in China is still in the monitoring stage， through the manual analysis of real-time data to judge the status of the equipment. Not only the probability of misjudgment is high， but also real-time monitoring may not be able to capture the aging and gradual failure of the equipment. Due to the change of measuring points caused by various interference factors such as sensor accuracy， frequent false positives may occur in the monitoring of equipment deterioration. The detection algorithm based on big data artificial intelligence can achieve fault early warning in a more timely manner.

Keywords： artificial intelligence; deterioration; neural network; genetic algorithm

1 目的

針對(duì)水輪機(jī)導(dǎo)葉開(kāi)口不勻故障的數(shù)據(jù)分析方法多種多樣，國(guó)內(nèi)大多數(shù)水電站大多還是人工分析。這樣不僅分析效率比較慢，而且準(zhǔn)確率和誤判率比較高。為了打破傳統(tǒng)的數(shù)據(jù)分析方法，針對(duì)水輪機(jī)導(dǎo)葉開(kāi)口不勻故障需要開(kāi)發(fā)出一套能實(shí)現(xiàn)智能分析、智能故障監(jiān)測(cè)、智能故障預(yù)測(cè)的模塊，實(shí)現(xiàn)水輪機(jī)導(dǎo)葉開(kāi)口不勻故障的智能預(yù)警。

2 設(shè)計(jì)思路

2.1 總體設(shè)計(jì)

針對(duì)水輪發(fā)電機(jī)組水輪機(jī)開(kāi)口不勻故障的判斷方法，本文采用對(duì)單臺(tái)水輪機(jī)設(shè)備所有水輪機(jī)工況量和在線監(jiān)測(cè)振動(dòng)擺度桑珊建立一個(gè)完整的生態(tài)圈，每個(gè)數(shù)據(jù)種群中數(shù)據(jù)個(gè)體都攜帶有機(jī)組各個(gè)部位的信息（由于外界干擾，比如信號(hào)干擾，傳感器精度等因素），該信息的可信度會(huì)有影響。在一時(shí)間段內(nèi)選取水輪機(jī)開(kāi)口不勻相關(guān)量（比如：頂蓋振動(dòng)，蝸殼壓力脈動(dòng)，尾水錐管壓力脈動(dòng)，水導(dǎo)擺度，導(dǎo)葉開(kāi)度等）進(jìn)入智能算法模塊，通過(guò)遺傳算法和神經(jīng)網(wǎng)絡(luò)的相結(jié)合，得出在該時(shí)間段內(nèi)水輪機(jī)開(kāi)口不勻的最優(yōu)解。選取最優(yōu)解用來(lái)評(píng)估水輪機(jī)開(kāi)口不勻故障的指標(biāo)量，通過(guò)對(duì)該指標(biāo)量的報(bào)警及變化趨勢(shì)，對(duì)水輪機(jī)開(kāi)口不勻故障實(shí)現(xiàn)預(yù)測(cè)的功能。

2.2 算法設(shè)計(jì)

本文針對(duì)這一思路對(duì)電廠數(shù)據(jù)采用當(dāng)今流行的智能算法（比如：神經(jīng)網(wǎng)絡(luò)算子，遺傳算法算子等主流算法），對(duì)每個(gè)數(shù)據(jù)個(gè)體進(jìn)行特殊的處理，從一個(gè)數(shù)據(jù)群體中挑選最優(yōu)點(diǎn)。一方面達(dá)到數(shù)據(jù)清洗的效果，另一方面從一組數(shù)據(jù)中提取能表達(dá)設(shè)備狀態(tài)的特征值。這樣既解決了數(shù)據(jù)的誤報(bào)問(wèn)題，又可以對(duì)設(shè)備狀態(tài)實(shí)現(xiàn)故障預(yù)警，以及設(shè)備老化實(shí)現(xiàn)劣化預(yù)警。

2.2.1 神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)方法，特別是多層神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，給各種不同預(yù)測(cè)物理模型的研究提供了新的方法。多層神經(jīng)網(wǎng)絡(luò)能夠不斷地學(xué)習(xí)新的知識(shí)并能處理復(fù)雜的非線性映射，其中BP模型是一種使用最為成熟和最為有效的模型。對(duì)于一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)理論的預(yù)測(cè)方法，必須在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合預(yù)測(cè)前的數(shù)據(jù)預(yù)處理、影響因素量化處理及預(yù)測(cè)后對(duì)少量數(shù)據(jù)的修正，才能使預(yù)測(cè)模型達(dá)到理想的精度，如圖2是一個(gè)簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)圖。

2.2.2 遺傳算法

遺傳算法是從代表問(wèn)題可能潛在的解集的一個(gè)種群開(kāi)始的，而一個(gè)種群則由經(jīng)過(guò)基因編碼的一定數(shù)目的個(gè)體組成。每個(gè)個(gè)體實(shí)際上是染色體帶有特征的實(shí)體。

初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代演化產(chǎn)生出越來(lái)越好的近似解，在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小選擇個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。

這個(gè)過(guò)程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼，可以作為問(wèn)題近似最優(yōu)解。

3 算例驗(yàn)證

根據(jù)現(xiàn)場(chǎng)經(jīng)驗(yàn)當(dāng)水輪機(jī)導(dǎo)葉開(kāi)口不勻可能對(duì)擺度、振動(dòng)、壓力脈動(dòng)在時(shí)域上會(huì)有明顯的增大。將其波形數(shù)據(jù)FFT解析后在頻域會(huì)有轉(zhuǎn)輪葉片數(shù)量（軸流式3片4片，混流10幾片不等）的整數(shù)倍頻率存在（見(jiàn)公式1）。

P=r*s*n? ? ? ? ? ? ?（1）

r-轉(zhuǎn)速頻率;s-轉(zhuǎn)輪葉片數(shù);n-整數(shù);P-導(dǎo)葉開(kāi)口不勻在頻譜中的頻率。

圖4為正常情況下振動(dòng)量在頻域下的頻譜只有一倍轉(zhuǎn)速頻率下有分量。

圖5為有異常頻率下的頻譜圖，除了一倍轉(zhuǎn)速頻率還有40倍轉(zhuǎn)頻存在，正好符合上面的公式，這段時(shí)間的數(shù)據(jù)說(shuō)明導(dǎo)葉在這段時(shí)間內(nèi)有異常振動(dòng)導(dǎo)致。

選取現(xiàn)場(chǎng)三個(gè)月的歷史數(shù)據(jù)（點(diǎn)值和波形）輸入到本系統(tǒng)中并將計(jì)算結(jié)果繪制成曲線如圖6所示發(fā)現(xiàn)機(jī)組檢修前該趨勢(shì)有明顯的階梯升高，發(fā)現(xiàn)趨勢(shì)有兩次上升，說(shuō)明在第一次上升的時(shí)候現(xiàn)場(chǎng)沒(méi)做任何處理當(dāng)?shù)诙紊叩臅r(shí)候后經(jīng)過(guò)檢修發(fā)現(xiàn)該指標(biāo)量降下來(lái)，同時(shí)波形中高頻分量消失，該算法在應(yīng)用方面符合現(xiàn)場(chǎng)機(jī)理模型。

4 結(jié)束語(yǔ)

通過(guò)結(jié)合神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)點(diǎn)對(duì)現(xiàn)場(chǎng)導(dǎo)葉開(kāi)口不勻數(shù)據(jù)進(jìn)行了算法運(yùn)算，可以看出該指標(biāo)量的變化從而通過(guò)趨勢(shì)能判斷出設(shè)備的健康狀態(tài)，通過(guò)趨勢(shì)能計(jì)算出設(shè)備的劣化程度，從而能夠在故障發(fā)生的前期實(shí)現(xiàn)預(yù)警。

參考文獻(xiàn)：

[1]中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫局.水輪發(fā)電機(jī)組安裝技術(shù)規(guī)范[S].北京：標(biāo)準(zhǔn)出版社，2004.

[2]梁武科，趙道利，馬薇，等.基于粗糙集-RBF神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷[J].儀器儀表學(xué)報(bào)，2017，28（10）：1806-1809.

[3]彭文季，羅興，逯鵬，等.基于對(duì)向傳播神經(jīng)網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷研究[J].西安理工大學(xué)學(xué)報(bào)，2016，22（4）：365-368.

[4]張?jiān)?，孟祥萍，王瑾，?基于分級(jí)模糊神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷[J].河海大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，37（3）：335-340.