[发明专利]一种基于大数据分析的汽轮机劣化趋势测量方法及终端机

权利要求书

1.一种基于大数据分析的汽轮机劣化趋势测量方法，其特征在于，方法包括：

步骤1、根据预设的时间段，以预设的时间间隔，从数据库中获取目标设备的相关参数构建各时间段的矩阵F_t；

步骤2、对采集到的各时间段的矩阵F_t进行数据清洗，剔除不合格数据，获得正常数据集F_zt；

步骤3、进行稳态及非稳态判定，过滤其中非稳态数据得到剩余稳态数据集；

步骤4、对稳态数据集通过测点逐条计算高压缸效率，并将算得的缸效率值存入稳态数据集中，合并得到整合数据集F_{tb_}；

步骤5、将整合数据集F_{tb_}按照机组负荷和调阀开度进行分割，均匀的划分出i×j个区间；

步骤6、对各个区间下数据集F分别抽取其下高压缸效率最大最小值，计算其最大值与最小值之间的差值与均值的百分比，作为区间下数据的离散度；

步骤7、选取各个区间下离散度MOD值最大的前N个区间，将这N个区间内的数据通过高压缸效率的最大最小值等间距的进行分割出m层，并将处于同一层的数据组合成分层数据集F_tfc，共m个；

步骤8、分别对每一层的数据F_tfc进行非线性拟合；

步骤9、将各个区间内的数据分别代入每一层的非线性拟合模型中，得到高压缸缸效效预测值，并与实际值做差比较，距离最近的点划分入于该层数据中，并再次将同一层的数据重新组合成分层数据集F_tfc；

步骤10、重复步骤8、9直到分层数据集F_tfc保持不变；

步骤11、对稳定的分层数据集F_tfc分别再次进行非线性拟合，再对不同层在各个区间下的高压缸效率进行分界阈值划分，得到阈值矩阵L；

步骤12、对历年数据集F_t分别通过步骤10中的阈值矩阵L进行分层划分，分别计算不同层中历年数据的均值，最终统计合适层的均值得出劣化值。

2.根据权利要求1所述的基于大数据分析的汽轮机劣化趋势测量方法，其特征在于，步骤1中，构建各时间段的矩阵F_t包括：分别构建各时间段m₁×n的F_t矩阵，其中m₁为当前年份数据的条数，n为目标设备相关参数测点数，v为个点数值；

3.根据权利要求1或2所述的基于大数据分析的汽轮机劣化趋势测量方法，其特征在于，步骤3中，

步骤3.1、从矩阵F_t中抽取与机组稳态非稳态判定相关测点N的数据F_tN；

步骤3.2、对数据F_tN按照时间窗口长度T1进行2阶多项式滤波，得到滤波后的测点N的数据F_{tN_L}；

步骤3.3、对滤波后数据F_{tN_L}按照时间窗口长度T2进行一阶线性拟合，得到时间窗口长度T2内各段数据的斜率表L_g；

步骤3.4、对测点N的原始数据F_tN按照时间窗口长度T2计算其时间窗口长度内的方差表L_v；

步骤3.5、通过设置合适的斜率与方差阈值分别从L_g与L_v中过滤都在阈值内的数据序号，按照序号索引F_t，得到当年处于稳态时段下的数据F_{t_W}。