[发明专利]一种火电厂汽动给水泵组故障特征的早期识别方法

权利要求书

1.一种火电厂汽动给水泵组故障特征的早期识别方法，其特征在于，包括以下步骤：

1)收集统计与本火电厂汽动给水泵组相关测点在SIS数据库中存储的时间序列数据即测点的基本运行参数、轴承温度及油温参数、振动参数；

2)收集统计与本火电厂汽动给水泵组相关的典型故障检修记录，包括叶片断裂、断轴、轴承损坏、给水泵芯包损坏的检修记录；

3)对步骤1)中获得的基本运行参数、轴承温度及油温参数、振动参数进行数据预处理及样本划分，得到样本划分后的初级样本数据Data1；

4)利用步骤2)中获得的火电厂汽动给水泵组典型故障检修记录对步骤3)中获得的样本划分后的初级样本数据Data1进行分类类别标定，得到类别数据集Label；

5)对步骤3)中获得的样本划分后的初级样本数据Data1的每个参数维度的数据都进行特征提取，并在每个样本中都将提取后的特征按固定顺序排列，得到特征提取后的样本数据Data2；

6)对步骤5)中获得的特征提取后的样本数据Data2进行归一化处理，将各特征维度的数据都归一化到(0，1)区间内，得到归一化后的样本数据Data3；

7)使用ReliefF算法对步骤6)中获得的归一化后的样本数据Data3进行特征选择，剔除掉对分类无用的冗余特征，得到特征选择后的样本数据Data4；

8)根据步骤7)中获得的特征选择后的样本数据Data4的特征数量以及步骤4)中获得的类别数据集Label确定神经网络分类模型的输入层、隐藏层及输出层的神经元数量，并确定神经网络的参数；

9)根据步骤8)中获得的神经网络分类模型的输入层、隐藏层及输出层的神经元数量及参数，建立初步的神经网络分类模型，输入步骤7)中获得的特征选择后的样本数据Data4以及步骤4)中获得的类别数据集Label，得到火电厂汽动给水泵组故障特征的早期识别模型；

10)根据步骤9)中获得的故障特征早期识别模型对不同故障的识别率，建立各故障的识别阈值σ₁、σ₂……σ_n，n为故障类别数量，作为火电厂汽动给水泵组故障特征早期识别的判定指标；

11)将汽动给水泵组的当前实时监测数据按步骤3)、5)、6)、7)分别进行样本划分、特征提取、归一化处理、特征选择，得到预测样本，并将预测样本输入步骤9)中获得的早期识别模型进行分类预测，得到预测样本和模型中各故障的匹配度y_i(i＝1,2,…n)；

12)将步骤11)中得到的预测样本和模型中各故障的匹配度y_i(i＝1,2,…n)与各故障的识别阈值σ_i(i＝1,2,…n)相比较，如果y_i≥σ_i(i＝1,2,…n)，则表明该设备已经具有i故障的早期特征，应该择时进行检验检修，如果y_i<σ_i(对于任意i＝1,2,…n)，则表明该设备的状态在正常范围内，安全系数较高，不需实施检验检修。

2.根据权利要求1所述火电厂汽动给水泵组故障特征的早期识别方法，其特征在于，所述步骤1)的基本运行参数包括：

表1 基本运行参数

所述轴承温度及油温参数包括：

表2 轴承温度及油温参数

所述的振动参数包括：

表3 振动参数

3.根据权利要求1所述的火电厂汽动给水泵组故障特征的早期识别方法，其特征在于：所述步骤2)的典型故障检修记录对应的为具有发展变化过程的缓变故障，缓变故障的特征在其发展历程中会在监测数据中体现，先将待识别的故障及对应数据在步骤9)产生的模型中进行训练，若模型结果表明其能够被显著识别，则将其放入模型中，否则将其剔除。

4.根据权利要求1所述的火电厂汽动给水泵组故障特征的早期识别方法，其特征在于：所述步骤3)的数据预处理及样本划分：包括剔除掉明显的错误数据；剔除掉机组或设备启动或停机过程中及机组或设备停运期间的数据；每隔5分钟，将此时刻至其半小时前的各测点维度的数据划分为一个样本，样本数据中包含各测点的数据和各数据对应的时标，所述的时标以秒为单位。