本發(fā)明屬于電力大數(shù)據(jù)，特別是涉及到一種基于深度置信網(wǎng)絡(luò)的水輪發(fā)電機組軸承異常狀態(tài)預(yù)測方法。

背景技術(shù)：

1、隨著水電機組單機容量不斷增加、機組結(jié)構(gòu)日趨復(fù)雜，機組運行穩(wěn)定性的問題逐步凸顯。如何在機組不停機狀態(tài)下，實時監(jiān)測并評估其運行狀態(tài)，實現(xiàn)早期狀態(tài)異常預(yù)警，避免機組發(fā)生重大停機事故，是最小化水電企業(yè)經(jīng)濟損失的關(guān)鍵問題。發(fā)電機軸承作為承受機組轉(zhuǎn)動部分徑向力和作用于水輪機輪上軸向力的關(guān)鍵部件，其運行狀態(tài)直接影響機組的安全可靠。然而，由于目前水輪機組軸承運行狀態(tài)是基于單變量靜態(tài)閾值進行監(jiān)測，使得受隨機因素影響較大，且無法對異常進行事前預(yù)警。因此，研究軸承運行狀態(tài)異常預(yù)測對保障機組安穩(wěn)運行具有重要意義。

2、水輪發(fā)電機組各部件協(xié)同工作程度高，特征間關(guān)聯(lián)關(guān)系復(fù)雜，引起軸承異常的原因較多，如軸瓦受力不均、鏡板波浪都不合格、冷卻水中斷、潤滑油摻有雜質(zhì)。因此，提取軸承狀態(tài)關(guān)鍵特征可有效降低數(shù)據(jù)維度，降低計算復(fù)雜度。軸承運行工況的變化和長時間投運造成的設(shè)備損耗，都對閾值造成波動影響。因此，綜合考慮工況和自身健康因素確定特征的動態(tài)閾值，可降低預(yù)測誤差。由于軸承數(shù)據(jù)分布較分散，且難以擬合為函數(shù)。因此，預(yù)測模型應(yīng)在未知數(shù)據(jù)分布情況下，仍具有較好的學(xué)習(xí)能力?；谏鲜龇矫骈_展水輪發(fā)電機組軸承狀態(tài)異常預(yù)測能夠有效提升預(yù)測準(zhǔn)確度。迄今未見與本發(fā)明基于深度置信網(wǎng)絡(luò)的水輪發(fā)電機組軸承異常狀態(tài)預(yù)測方法相關(guān)的文獻報道和實際應(yīng)用。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是：提供基于深度置信網(wǎng)絡(luò)的水輪發(fā)電機組軸承異常狀態(tài)預(yù)測方法，解決水輪發(fā)電機組軸承異常預(yù)測中軸承關(guān)鍵特征提取不全或過多導(dǎo)致軸承運行狀態(tài)統(tǒng)計特性發(fā)生畸變的問題，數(shù)據(jù)維度過高導(dǎo)致預(yù)測模型準(zhǔn)確下降的問題，靜態(tài)閾值設(shè)置寬泛的不足、為綜合考慮軸承健康狀態(tài)和運行工況導(dǎo)致預(yù)測誤差增加的問題，數(shù)據(jù)分布未知時難以有效分析軸承不同運行狀態(tài)對預(yù)測結(jié)果的影響、易陷入局部最優(yōu)的問題。

2、基于深度置信網(wǎng)絡(luò)的水輪發(fā)電機組軸承異常狀態(tài)預(yù)測方法，包括以下步驟，

3、步驟一、采用灰色關(guān)聯(lián)分析算法進行軸承關(guān)鍵特征提取，根據(jù)軸承工作機理定義推力平均瓦溫為參考序列，其余特征為比較序列；計算各比較序列與參考序列的灰色關(guān)聯(lián)度；基于灰色關(guān)聯(lián)度提取軸承運行狀態(tài)強關(guān)聯(lián)特征；

4、步驟二、步驟一所述的強關(guān)聯(lián)特征為非線性關(guān)聯(lián)，采用基于非線性估計進行動態(tài)閾值確定；根據(jù)時序數(shù)據(jù)間的歐氏距離，分析實測數(shù)據(jù)和設(shè)備正常運行時健康數(shù)據(jù)間的相似程度，判斷設(shè)備的運行狀態(tài)，更新動態(tài)特征閾值；

5、步驟三、構(gòu)建基于改進的pso優(yōu)化深度置信網(wǎng)絡(luò)dbn的軸承異常狀態(tài)預(yù)測模型，預(yù)測模型由兩部分構(gòu)成，分別是基于自適應(yīng)方法的粒子群pso參數(shù)尋優(yōu)和基于pso-dbn模型預(yù)測軸承異常狀態(tài)；對發(fā)電機軸承運行狀態(tài)進行預(yù)測，綜合評估平均絕對誤差、平均絕對百分比誤差和均方根誤差，驗證該模型能夠有效降低預(yù)測誤差。

6、所述灰色關(guān)聯(lián)度采用均值法表示：

7、

8、式中，ηm為關(guān)聯(lián)度值，v為關(guān)聯(lián)系數(shù)個數(shù)，γm(k)表示k時刻第m個特征與參考序列的關(guān)聯(lián)系數(shù)；

9、關(guān)聯(lián)度值ηm越高代表對應(yīng)的第m個比較序列與參考序列關(guān)聯(lián)性越大，其特征與發(fā)電機軸承平均瓦溫的關(guān)聯(lián)性越強，與軸承運行狀態(tài)的關(guān)聯(lián)性越強。

10、所述歐氏距離計算公式為：

11、

12、其中，為非線性運算符，zji表人示第j個某列向量中第i個值，表示向量apre中第i個值，表示z和apre之間的歐氏距離，通過空間距離反映兩者之間的關(guān)聯(lián)程度，距離越小關(guān)聯(lián)程度越大。

13、所述相似程度sim的計算公式為：

14、

15、其中，當(dāng)當(dāng)估計值與記憶矩陣中某一列值相等時，sim(z,apre)＝1，當(dāng)兩向量偏差較大時，sim(z,apre)趨向0；

16、n個相似度sim值構(gòu)成n維相似度矩陣sim，如公式(15)所示：

17、sim＝[sim1?sim2?…?simn]?(15)

18、過程記憶矩陣z由軸承正常狀態(tài)下的運行數(shù)據(jù)構(gòu)成，當(dāng)軸承處于正常狀態(tài)時，輸入的新觀測向量與z矩陣中某一列向量值相近，估計值計算精度較高，殘差值較??；但當(dāng)軸承發(fā)生異常時，動態(tài)特性的改變，輸入的新觀測向量偏離正常工作空間，該向量與z矩陣中歷史數(shù)據(jù)向量差別較大，估計值計算精度下降，相似度值減小。

19、所述更新動態(tài)特征閾值的方法為：

20、①初始化動態(tài)閾值向量mu和參數(shù)向量sigma；

21、基于平均值和標(biāo)準(zhǔn)差計算置信區(qū)間，用高置信水平區(qū)間內(nèi)數(shù)據(jù)的平均值初始化動態(tài)閾值；置信區(qū)間設(shè)定方法如公式(16)所示：

22、

23、

24、cii＝mean±i*s(i＝1,2,3)

25、式(16)中，mean表示相似度矩陣sim的總體平均值，simj表示第j個相似度值，s表示相速度矩陣sim的總體標(biāo)準(zhǔn)差，cii表示第i個置信區(qū)間；計算三個置信區(qū)間內(nèi)置信水平，選取置信水平最高區(qū)間的數(shù)據(jù)平均值初始化動態(tài)閾值初始值；

26、②逐個判斷相似度與動態(tài)閾值的大小，若相似度大于動態(tài)閾值，且大于默認值0.8，則更新動態(tài)閾值，判定條件如公式(17)所示，更新方法如公式(18)所示：

27、

28、

29、式(17)、式(18)中，simi為相似度sim矩陣中第i個相似度值，d為滑動窗口大小，由于采用區(qū)間統(tǒng)計思想確定閾值，用sigma反映數(shù)據(jù)區(qū)間統(tǒng)計特性；當(dāng)不滿足式(17)所示的判定條件時，則不更新，如公式(19)所示：

30、

31、采用基于估計值與過程記憶矩陣相似度的閾值確定方法，每一時刻的新觀測向量都是由n個關(guān)鍵特征構(gòu)成的一維向量，對應(yīng)一個n維相似度矩陣sim，通過遍歷n個相似度值，按公式(17)-(19)計算后確定該時刻的閾值；其中，每個關(guān)鍵特征對閾值的影響通過累計誤差貢獻率得出；累計誤差貢獻率如公式(20)所示：

32、

33、式(20)中，表示測試樣本中第j個特征第t個預(yù)測值，表示測試樣本中第j個特征第t個實際值，errorratej為第j個特征的累計誤差貢獻率，影響越大，累計誤差貢獻率越大；

34、③所有相似度值均完成計算后，輸出動態(tài)閾值threshold，如公式(21)所示：

35、threshold＝mu-d*sigma??????(21)

36、通過上述步驟，采用軸承正常狀態(tài)下的健康數(shù)據(jù)構(gòu)建過程記憶矩陣，計算新輸入向量在過程矩陣下的估計向量，通過歐氏距離衡量估計值與實際值的相似程度，基于相似度確定動態(tài)閾值，實現(xiàn)根據(jù)軸承運行工況和自身健康狀態(tài)更新關(guān)鍵特征閾值，使其更貼合設(shè)備實際情況，以降低軸承異常預(yù)測的誤差。

37、所述基于自適應(yīng)方法的粒子群pso參數(shù)尋優(yōu)方法為：

38、根據(jù)上一次迭代結(jié)果動態(tài)調(diào)整pso算法參數(shù)的取值，迭代更新學(xué)習(xí)因子c1、c2，如公式(22)所示：

39、

40、其中，cmax為最大加速系數(shù)，cmin為最小加速系數(shù)，p為當(dāng)前迭代次數(shù)，pmax為最大迭代次數(shù)；

41、慣性權(quán)重ω用于調(diào)節(jié)對解空間的搜索范圍；ω越大，移動的范圍就越廣，越容易找到全局最優(yōu)解；ω越小，局部搜索能力更強；ω的迭代更新方法如公式(23)所示：

42、

43、其中，ωmax為最大慣性權(quán)重，ωmin為最小慣性權(quán)重；

44、基于此計算輸出dbn各隱含層節(jié)點數(shù)和權(quán)重為最優(yōu)解，使軸承狀態(tài)異常預(yù)測結(jié)果更貼合軸承歷史數(shù)據(jù)波動形態(tài)，降低預(yù)測誤差。

45、所述基于pso-dbn模型預(yù)測軸承異常狀態(tài)的方法為：

46、①劃分軸承關(guān)鍵特征數(shù)據(jù)集，按照4:1比例劃分出訓(xùn)練集和測試集；

47、②確定dbn網(wǎng)絡(luò)結(jié)構(gòu)；包括訓(xùn)練次數(shù)、隱含層層數(shù)、隱含層節(jié)點的取值范圍；并將軸承關(guān)鍵特征和動態(tài)閾值輸入dbn中；

48、③初始化pso神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置最大迭代次數(shù)kmax、學(xué)習(xí)因子的取值范圍，以及慣性權(quán)重的取值范圍；

49、④計算粒子的動態(tài)適應(yīng)度值，并迭代更新粒子的個體最優(yōu)位置和適應(yīng)度值；

50、⑤更新群體極值最優(yōu)位置；比較當(dāng)前個體適應(yīng)度值與全局最優(yōu)適應(yīng)度值，若當(dāng)前值更優(yōu)，則更新全局最優(yōu)適應(yīng)度值；反之不更新適應(yīng)度值，并執(zhí)行④，直到達到最大迭代次數(shù)；

51、⑥pso輸出尋優(yōu)結(jié)果，dbn軸承異常預(yù)測模型每個隱層最優(yōu)節(jié)點數(shù)和權(quán)重；

52、⑦基于pso的尋優(yōu)結(jié)果型構(gòu)建dbn軸承異常狀態(tài)預(yù)測模型，預(yù)測軸承異常運行狀態(tài)。

53、通過上述設(shè)計方案，本發(fā)明可以帶來如下有益效果：基于深度置信網(wǎng)絡(luò)的水輪發(fā)電機組軸承異常狀態(tài)預(yù)測方法，采用灰色關(guān)聯(lián)理論解析發(fā)電機軸承相關(guān)特征量間的耦合關(guān)系，根據(jù)關(guān)聯(lián)度強弱提取出軸承運行狀態(tài)關(guān)鍵特征，降低數(shù)據(jù)維度；確定軸承關(guān)鍵特征動態(tài)閾值，采用非線性狀態(tài)評估方法綜合分析軸承運行工況和軸承健康狀態(tài)，動態(tài)更新軸承關(guān)鍵特征閾值；將軸承關(guān)鍵特征數(shù)據(jù)集和動態(tài)閾值輸入基于pso-dbn的預(yù)測模型，用自適應(yīng)方法動態(tài)更新pso學(xué)習(xí)因子和慣性權(quán)重，提升pso對dbn參數(shù)的尋優(yōu)性能，降低預(yù)測模型誤差，提高設(shè)備故障規(guī)避風(fēng)險的能力，保證機組的安穩(wěn)運行。