基于人工智能算法的汽轮机诊断方法
文献发布时间:2024-05-31 01:29:11
技术领域
本发明涉及汽轮机技术领域,尤其涉及一种基于人工智能算法的汽轮机诊断方法。
背景技术
汽轮机也称蒸汽透平发动机,是一种旋转式蒸汽动力装置,高温高压蒸汽穿过固定喷嘴成为加速的气流后喷射到叶片上,使装有叶片排的转子旋转,同时对外做功。汽轮机是现代火力发电厂的主要设备,因此,汽轮机的运行工况直接影响发电机组的发电效率。
在实际场景中,由于发电机组追求变负荷运行,保证经济效益以及发电效率,因此,在这种情况下,常见的对汽轮机的运行工况是通过设置参数基准值进行评估的,但是传统的参数基准值是由技术人员根据试验或实际需要设置的,因此传统的参数基准值在长时间内对汽轮机的运行工控进行评估时,会由于机组的变负荷运行而存在误差较大的情况。
发明内容
本发明提供一种基于人工智能算法的汽轮机诊断方法及装置,用以解决现有技术中固定的运行参数基准值不满足汽轮机长时间运行工况下的诊断需求,汽轮机工况诊断结果存在较大误差的缺陷。
本发明提供一种基于人工智能算法的汽轮机诊断方法,所述汽轮机诊断方法包括:
采集汽轮机的历史运行数据;
将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间;
通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值;
基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断。
根据本发明提供的一种基于人工智能算法的汽轮机诊断方法,所述历史运行数据包括以下至少一项:
主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、汽轮机的转速和功率。
根据本发明提供的一种基于人工智能算法的汽轮机诊断方法,所述历史运行数据是从所述汽轮机的历史原始数据、在线实时数据与离线数据中获取的。
根据本发明提供的一种基于人工智能算法的汽轮机诊断方法,在所述将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间之前,还包括包括:
获取各子区间内的同一类型的历史运行数据的最大值与最小值,若所述最大值与所述最小值之间的差值超过预设阈值,则滤除该子区间的该类型的历史运行数据,并重新采样与当前子区间时间段一致的同一类型的历史运行数据,直到当前子区间内的同一类型的历史运行数据的最大值与最小值之间的差值低于预设阈值。
根据本发明提供的一种基于人工智能算法的汽轮机诊断方法,所述通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值,包括:
通过所述谱聚类算法对各子区间内的历史运行数据进行聚类处理,得到多个聚类簇与聚类中心,各聚类簇与各聚类中心一一对应;
将供电煤耗最低对应的聚类簇作为目标聚类簇,并将目标聚类簇对应的聚类中心作为该子区间内的运行参数基准值。
根据本发明提供的一种基于人工智能算法的汽轮机诊断方法,是通过基于人工智能算法的汽轮机诊断设备实现的,其特征在于,所述汽轮机诊断设备包括:
采集模块,用于采集汽轮机的历史运行数据;
拆分模块,用于将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间;
谱聚类模块,用于通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值;
诊断模块,用于基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断。
本发明还提供一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现如上任意一项所述基于人工智能算法的汽轮机诊断方法的步骤。
本发明还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现如上任意一项所述基于人工智能算法的汽轮机诊断方法的步骤。
本发明提供的一种基于人工智能算法的汽轮机诊断方法,所述汽轮机诊断方法包括:采集汽轮机的历史运行数据;将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间;通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值;基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断,通过谱聚类算法确定汽轮机不同运行区间内的最优运行参数基准值,满足在重点行业领域中汽轮机长时间运行过程中不允许出现间断情况的需要,提高在长时间运行时的各运行区间内的工况诊断结果的准确性,最终提高汽轮机运行过程中安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于人工智能算法的汽轮机诊断方法的流程示意图;
图2是本发明实施例提供的电气设备的故障诊断装置的结构示意图;
图3是本发明实施例提供的计算设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的一种基于人工智能算法的汽轮机诊断方法。
图1是本发明实施例提供的基于人工智能算法的汽轮机诊断方法的流程示意图。
如图1所示,本实施例提供的一种基于人工智能算法的汽轮机诊断方法,基于人工智能算法的汽轮机诊断方法主要包括以下步骤:
步骤S101,采集汽轮机的历史运行数据。
在一个具体的实现过程中,本方案是面向重点行业领域国产化的汽轮机人工智能诊断,为了满足对汽轮机在长时间运行下的工况诊断,历史运行数据的采集应该为一段连续时间内的运行数据,历史运行数据可以是从发电机组或汽轮机的服务器中获取的。
步骤S102,将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间。
具体的,同一个子区间内的历史运行数据应该满足同一预设条件,该预设条件可以是汽轮机的负荷、或者煤耗等,因此,上述预设拆分方式可以是监测汽轮机的预设条件的变化情况,将满足同一预设条件的一段连续时间的历史数据作为同一子区间,因此,可以在汽轮机的运行数据发生突变时的第一时刻作为该子区间内的起始点,下一次发生突变时的第二时刻作为该子区间的结束点,完成该子区间的划分。
步骤S103,通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值。
对于数据的异常检测,使用改进的谱聚类算法,谱聚类算法是一种基于图论的聚类算法,其主要特点是能在任意形状的样本空间上聚类且收敛于全局最优解,对数据分布的适应性强、算法计算量小。针对电力数据的海量性,对谱聚类算法进行了改进,采用小批量k均值聚类代替原始谱聚类中的k均聚类。小批量k均值聚类通过在各类数据中抽取部分数据进行聚类操作,既能够减少样本数据,又能够提高异常数据检测的运行效率。
通过采集各子区间内的聚类中心,并将聚类中心作为该子区间内的运行参数基准值,可以实现汽轮机在变负荷或复杂工况下灵活调节运行参数基准值,保证汽轮机的运行工况的诊断准确。
步骤S104,基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断。
具体的,为了进一步对汽轮机的实际运行工况进行诊断,可以在上述基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断的基础上,结合对汽轮机的负荷预测结果,得出最终的工况诊断,即根据上述运行参数基准值及负荷预测结果综合评价运行工况,其中可以给运行参数基准值及负荷预测结果分别赋予不同权重。
进一步的,负荷预测过程可以使用支持向量机和灰关联分析,但是模型泛化性不强,经过实践,也可以基于粒子群优化BP神经网络算法对负荷进行预测,能够提高负荷的预测经度,同时提高了运行效率。粒子群算法是通过不断迭代粒子位置后,计算粒子群的整体适应度函数值,通过更新前后适应度函数值的比较获取最优粒子位 置,最终实现全局最优解的搜索。
进一步的,在上述实施例的基础上,本实施例中的所述历史运行数据包括以下至少一项:
主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、汽轮机的转速和功率。
可以理解的是,上述仅为本实施例提供的历史运行数据的类型的一种具体实例,因此,本领域技术人员可以根据实际需要拓展历史运行数据的种类,这些均属于本申请的保护范围。
进一步的,在上述实施例的基础上,本实施例中的所述历史运行数据是从所述汽轮机的历史原始数据、在线实时数据与离线数据中获取的。
进一步的,在上述实施例的基础上,本实施例中的在所述将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间之前,还包括包括:
获取各子区间内的同一类型的历史运行数据的最大值与最小值,若所述最大值与所述最小值之间的差值超过预设阈值,则滤除该子区间的该类型的历史运行数据,并重新采样与当前子区间时间段一致的同一类型的历史运行数据,直到当前子区间内的同一类型的历史运行数据的最大值与最小值之间的差值低于预设阈值。
具体的,在获取到考虑到机组测点数据受到测量仪器精度、测量手段的影响,所获得的数据不可避免会存在误差较大或者错误的数据。所以需要随数据的稳态处理清洗。对数据进行稳定筛选条件可以是:在同一子区间内参数最大值与最小值之差小于某一阈值。否则,采样时间向后递推。
进一步的,在上述实施例的基础上,本实施例中的所述通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值,包括:
通过所述谱聚类算法对各子区间内的历史运行数据进行聚类处理,得到多个聚类簇与聚类中心,各聚类簇与各聚类中心一一对应;
将供电煤耗最低对应的聚类簇作为目标聚类簇,并将目标聚类簇对应的聚类中心作为该子区间内的运行参数基准值。
具体的,基准值是指机组在同一运行条件下,机组供电煤耗最低时对应的工质参数指标值。只有准确确定各工况下各工质参数的基准值,才能保证诊断的实际意义,随着外部环境条件的不断变化,机组运行时间的增加,各设备系统寿命的衰减,需要对基准值确定函数进行不断地修正,动态计算每一时刻的基准值。采用改进的K-means算法采用轮廓系数法来确定 k-means 聚类算法的聚类中心。
进一步的,在上述实施例的基础上,所述的基于人工智能算法的汽轮机诊断方法,是通过基于人工智能算法的汽轮机诊断设备实现的,其特征在于,所述汽轮机诊断设备包括:
采集模块10,用于采集汽轮机的历史运行数据;
拆分模块20,用于将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间;
谱聚类模块30,用于通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值;
诊断模块40,用于基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断。
本发明提供的一种基于人工智能算法的汽轮机诊断方法,所述汽轮机诊断方法包括:采集汽轮机的历史运行数据;将所述历史运行数据按照预设拆分方式拆分为多个历史运行数据子区间;通过谱聚类算法确定各子区间内的聚类中心,并将所述聚类中心作为所述汽轮机在该子区间内的运行参数基准值;基于所述运行参数基准值对所述汽轮机的实际运行工况进行诊断,通过谱聚类算法确定汽轮机不同运行区间内的最优运行参数基准值,满足在重点行业领域中汽轮机长时间运行过程中不允许出现间断情况的需要,提高在长时间运行时的各运行区间内的工况诊断结果的准确性,最终提高汽轮机运行过程中安全性。
图3示出了根据本说明书一个实施例提供的一种计算设备400的结构框图。该计算设备400的部件包括但不限于存储器410和处理器420。处理器420与存储器410通过总线430相连接,数据库450用于保存数据。
计算设备400还包括接入设备440,接入设备440使得计算设备400能够经由一个或多个网络460通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备440可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC,networkinterface controller))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,WirelessLocal Area Network)无线接口、全球微波互联接入(Wi-MAX,WorldwideInteroperability for Microwave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near FieldCommunication)。
在本说明书的一个实施例中,计算设备400的上述部件以及图3中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图3所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备400可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或个人计算机(PC,Personal Computer)的静止计算设备。计算设备400还可以是移动式或静止式的服务器。
其中,处理器420用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述基于人工智能算法的汽轮机诊断方法的步骤。上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的基于人工智能算法的汽轮机诊断方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述基于人工智能算法的汽轮机诊断方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述基于人工智能算法的汽轮机诊断方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的基于人工智能算法的汽轮机诊断方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述基于人工智能算法的汽轮机诊断方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述基于人工智能算法的汽轮机诊断方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的基于人工智能算法的汽轮机诊断方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述基于人工智能算法的汽轮机诊断方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
- 一种基于人工智能算法的辅助预测诊断方法
- 一种基于人工智能算法的风机齿轮箱故障诊断方法