[发明专利]汽轮机组振动与过程信号异常搜索分析方法

说明书

技术领域

本发明属于汽轮机组振动监测与控制技术领域，尤其涉及一种汽轮机组振动与过程信号异常搜索分析方法。

背景技术

20世纪以来，汽轮机组在工业生产和科学技术的发展中，起着越来越重要的作用。同时，汽轮机组作为大型旋转机械直接处于高温高压及持续振动的工作条件下，这使得机组的参数信号监测分析技术成为影响发电生产安全和可靠运行的最重要因素，并成为评价汽轮发电机组运行状况优劣的重要标志之一，更是机组设计、制造、安装、检修质量的综合反映。

当前，汽轮机组在运行及控制过程中，振动及过程信号监测已实现在线采集，并通过简单比较监测参数的测量值与规范阈值来进行机组特性分析，进而据此指导机组的运行控制。显然，与现代高精度数据采集技术相比，该监测分析技术相对落后，这造成大量的数据面临“来的容易，却无从下手”的局面。

同时，传统信号采集系统往往专注于对全局信号的采集分析，而缺乏对信号中隐藏的异动数据的二次搜索及挖掘分析，而对汽轮机组这类大型高风险设备而言，与异常及故障相关联的异动数据显然更加具有研究价值。

发明内容

本发明的目的在于，提供一种汽轮机组振动与过程信号异常搜索分析方法，对汽轮机组监测的异常信号进行搜索，并通过异动分析处理对异常进行深入挖掘分析，为汽轮机组振动预警及故障诊断提供依据。

技术方案是，一种汽轮机组振动与过程信号异常搜索分析方法，其特征是所述方法包括下列步骤：

步骤1：以汽轮机组正常状态的历史数据作为训练对象，对设定组数的历史数据，根据采集时间的先后顺序组成设定组数的时间序列；

步骤2：将每组时间序列划分为时间子序列，计算时间子序列的模式特征值并进行规范化处理；

步骤3：将经过步骤2处理的模式特征值组成模式特征值集合；

步骤4：从模式特征值集合中抽取各类模式特征的极大值，按从大到小的顺序排列，形成模式特征极值序列；

步骤5：求取模式特征极值序列的异常特征边界；

步骤6：确定异常时间子序列；

步骤7：判断异常时间子序列是否超过异常特征边界，如果是，则将该异常时间子序列存储到异动序列中；

步骤8：对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级。

所述将每组时间序列划分为时间子序列包括：

步骤101：设定检测窗口的大小为m，设定时间序列的维度为n，所述维度n为时间序列的序列点的个数；

步骤102：设定时间序列X＝{x(t₁)，x(t₂)，...，x(t_n)}的每个序列点所对应的阀门编码为M_1×n＝(0，0，...，0)；其中，x(t_i)为t_i时刻采集的信号记录值，1≤i≤n，n为时间序列的维度，即时间序列的序列点个数；

步骤103：当时间序列X中的序列点为其所在的检测窗口内的极大值或极小值时，则按公式

对阀门编码进行变异操作；其中，j表示时间序列的检测窗口，1≤j≤m；

max X_m(j)表示第j个检测窗口的最大序列值序列，min X_m(j)表示第j个检测窗口的最小序列值序列；

步骤104：将阀门编码M_1×n为1的序列点设为时间序列分割点，时间序列的首尾两个序列点也被定义为分割点，之后将时间序列X＝{x(t₁)，x(t₂)，...，x(t_n)}划分为时间子序列{x(t₁)K x(t_d1)}，{x(t_d1)L x(t_d2)}，L，{x(t_dk)L x(t_n)}。

所述计算时间子序列的模式特征值并进行规范化处理包括：

步骤201：计算时间子序列{x(t_i1)，x(t_i2)，...，x(t_iv)}的模式特征值，所述模式特征值包括：模式高度sph、模式长度spl、模式斜率spk、模式均值和模式标准差spσ；其中，v为时间子序列的序列点的个数；

计算模式高度sph利用公式sph＝x(t_iv)-x(t_il)；