王博維， 劉愛蓮， 杜景琦

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院， 云南 昆明 650500；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院， 云南 昆明 650504)

0 引言

水輪機(jī)作為水電站中最重要的發(fā)電設(shè)備，一直以來都是水電研究的重點(diǎn)。隨著狀態(tài)監(jiān)測(cè)在電力系統(tǒng)中的廣泛應(yīng)用，特別是近些年來狀態(tài)監(jiān)測(cè)在水利發(fā)電系統(tǒng)中的快速發(fā)展，越來越多的研究者將目光投入到水力發(fā)電狀態(tài)監(jiān)測(cè)[1～4]上來。文獻(xiàn)[5]中，李輝等人使用的集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)和 自組織特征映射網(wǎng)絡(luò)(Self-organizing Feature Map, SOM)神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷方法，該方法使用小波神經(jīng)網(wǎng)絡(luò)和自適應(yīng)差分進(jìn)化法對(duì)振動(dòng)信號(hào)進(jìn)行識(shí)別分析，能在網(wǎng)絡(luò)運(yùn)算中顧及全局并優(yōu)化局部，可以準(zhǔn)確地找到問題所在；但僅限于少量數(shù)據(jù)輸入的預(yù)測(cè)，無法將大量的數(shù)據(jù)有效地利用起來。

水電機(jī)組振動(dòng)特征和故障類型之間具有復(fù)雜的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性映射能力[6,7]。使用神經(jīng)網(wǎng)絡(luò)能夠建立水電機(jī)組振動(dòng)特征和故障類型之間的關(guān)系，很好地處理復(fù)雜系統(tǒng)中存在的問題。但神經(jīng)網(wǎng)絡(luò)的復(fù)雜度與輸入數(shù)量有著緊密的關(guān)系，實(shí)際應(yīng)用中往往是由于神經(jīng)網(wǎng)絡(luò)的輸入太多而導(dǎo)致系統(tǒng)無法運(yùn)行[8～12]。

針對(duì)上述問題，本文以水電機(jī)組的劣化速度和運(yùn)行狀態(tài)作為主要研究?jī)?nèi)容，使用并行神經(jīng)網(wǎng)絡(luò)來處理大數(shù)據(jù)，使系統(tǒng)的運(yùn)行速度得到大幅度的提升，并在預(yù)測(cè)后給出檢修建議。最后使用歷史數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，確定其可以準(zhǔn)確有效地反映設(shè)備的情況。

1 狀態(tài)監(jiān)測(cè)方法設(shè)計(jì)

目前大多數(shù)關(guān)于水電振動(dòng)故障診斷均傾向于故障類型和故障定位，而忽視了檢修的重要性，通過維護(hù)可以避免大多數(shù)故障[13～15]。針對(duì)水電設(shè)備所處的不同運(yùn)行狀態(tài)，需要進(jìn)行的維護(hù)也不同。當(dāng)水電設(shè)備運(yùn)行到一定年限時(shí)，由于其設(shè)備自身的原因發(fā)出預(yù)警需要進(jìn)行維護(hù)檢修，此時(shí)需要一種快速、直觀的診斷方法對(duì)此作出反應(yīng)，而不是等發(fā)生故障時(shí)給出定性的分析診斷。

基于以上問題，本文設(shè)計(jì)了一種基于并行神經(jīng)網(wǎng)絡(luò)的狀態(tài)監(jiān)測(cè)方法，流程如圖1所示。

圖1 狀態(tài)監(jiān)測(cè)方法流程

傳感器采集到數(shù)據(jù)后，首先對(duì)數(shù)據(jù)送入原始數(shù)據(jù)處理，在此進(jìn)行異常值分析、對(duì)比分析、缺失值分析；然后將處理完的數(shù)據(jù)送入狀態(tài)監(jiān)測(cè)模型中進(jìn)行預(yù)測(cè)，得到水電設(shè)備當(dāng)前的運(yùn)行狀態(tài)和劣化速度，并給出狀態(tài)檢修參考建議。

2 原始數(shù)據(jù)預(yù)處理

傳感器在使用的時(shí)候由于環(huán)境干擾、人為操作等經(jīng)常出現(xiàn)數(shù)據(jù)不精確等問題，這些由于干擾產(chǎn)生的數(shù)據(jù)會(huì)使預(yù)測(cè)變的極為不準(zhǔn)確。所以需要對(duì)數(shù)據(jù)進(jìn)行篩選，再進(jìn)行下一步的預(yù)測(cè)。首先對(duì)數(shù)據(jù)進(jìn)行異常值分析，排除部分干擾造成的數(shù)據(jù)異常；其次進(jìn)行缺失值分析，補(bǔ)充由于干擾造成的部分?jǐn)?shù)據(jù)丟失；最后進(jìn)行對(duì)比分析，減少數(shù)據(jù)量。

2.1 異常值分析和缺失值分析

傳感器在受到干擾時(shí)可能會(huì)出現(xiàn)突然急速增大到最大值或減小到最小值，即出現(xiàn)跳變，針對(duì)這樣的數(shù)據(jù)需要進(jìn)行刪除。

設(shè)水電站某設(shè)備上傳感器U在一段時(shí)間內(nèi)采集到的數(shù)據(jù)為st1，st2，…，stn。

如果

|st2-st1|≤α|st3-st2|

(1)

|st3-st2|≤α|st4-st3|

(2)

…

|stn+1-stn|≤α|stn+2-stn+1|

(3)

不成立，則參照同組傳感器在同一時(shí)間的數(shù)據(jù)進(jìn)行判斷，如果同組傳感器在這一時(shí)間均不成立，則保留該數(shù)據(jù)；如果僅該組數(shù)據(jù)不成立，則刪除不成立的那組數(shù)據(jù)并視情況決定是否補(bǔ)充數(shù)據(jù)，其中α為異常數(shù)據(jù)判斷因子，由歷史數(shù)據(jù)決定其取值。補(bǔ)充的數(shù)據(jù)為:

(4)

2.2 對(duì)比分析

電廠在進(jìn)行狀態(tài)監(jiān)測(cè)時(shí)經(jīng)常會(huì)在重要的設(shè)備上安裝多個(gè)傳感器進(jìn)行監(jiān)控，以防止單個(gè)傳感器出問題而導(dǎo)致監(jiān)測(cè)異常。另外還有一些設(shè)備體積比較大，需要取多個(gè)點(diǎn)同時(shí)進(jìn)行監(jiān)測(cè)。如果將同一監(jiān)測(cè)點(diǎn)的多個(gè)傳感器同時(shí)輸入到網(wǎng)絡(luò)中，網(wǎng)絡(luò)的復(fù)雜度將會(huì)呈指數(shù)增長，所以需要對(duì)這些數(shù)據(jù)進(jìn)行對(duì)比分析，使用一組或幾組代替更多組數(shù)據(jù)進(jìn)行預(yù)測(cè)[16～18]。

設(shè)水電站某重要設(shè)備上安裝有U組傳感器(u1，u2，u3，…，uk)，ui表示U組傳感器中的一組。x(x1，x2，x3，…，xn)表示傳感器ui在某一時(shí)間點(diǎn)T采集到的數(shù)據(jù)。

方差

(5)

式中：x為平均值；a為經(jīng)驗(yàn)數(shù)據(jù)。如果這些數(shù)據(jù)的方差s2≤a，則用其平均值來代替這一組數(shù)據(jù)，否則根據(jù)具體設(shè)備決定使用幾組數(shù)據(jù)進(jìn)行代替。將相關(guān)性高的幾組數(shù)據(jù)進(jìn)行合并處理，刪除了部分無用數(shù)據(jù)，提高系統(tǒng)的運(yùn)行速度。

3 狀態(tài)監(jiān)測(cè)模型建立

隨著運(yùn)行時(shí)間的增加，設(shè)備會(huì)逐步劣化，性能也會(huì)越來越差，直到產(chǎn)生故障損壞。設(shè)備的劣化遵循圖2曲線，該曲線也可反映出設(shè)備的運(yùn)行狀態(tài)，根據(jù)不同的運(yùn)行狀態(tài)和劣化速度采用的應(yīng)對(duì)措施也不盡相同。

圖2 設(shè)備性能劣化曲線

針對(duì)設(shè)備的劣化，本文使用水電廠中各部位的傳感器作為故障預(yù)警的基本條件，通過并行神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，為水電站提供更加可靠的預(yù)警方法。

3.1 并行神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)復(fù)雜的映射，一般的神經(jīng)網(wǎng)絡(luò)包含有輸入層、隱含層、輸出層，這3層相互作用可以以任意精度來逼近連續(xù)函數(shù)，適用于非線性函數(shù)的擬合。神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于其隱含層的相互作用，但在使用神經(jīng)網(wǎng)絡(luò)的時(shí)候經(jīng)常會(huì)出現(xiàn)輸入過多的情況，針對(duì)某只需要單一輸出問題的求解，其影響因素經(jīng)常是十多條或者更多。而神經(jīng)網(wǎng)絡(luò)的復(fù)雜度是隨著輸入的增加呈指數(shù)級(jí)增長的，這會(huì)造成神經(jīng)網(wǎng)絡(luò)的建立變得極為復(fù)雜，具體表現(xiàn)為學(xué)習(xí)時(shí)間大大增加、網(wǎng)絡(luò)不穩(wěn)定，甚至在一些多輸入上建立的網(wǎng)絡(luò)甚至無法正確地?cái)M合原有曲線，這就是所謂的過擬合現(xiàn)象。

針對(duì)這種多輸入單一輸出的問題，提出并行神經(jīng)網(wǎng)絡(luò)的方法[19～21]。并行神經(jīng)網(wǎng)絡(luò)可以從結(jié)構(gòu)和數(shù)據(jù)兩個(gè)方向來實(shí)現(xiàn)，由于數(shù)據(jù)量的龐大性，若要從結(jié)構(gòu)上實(shí)現(xiàn)并行，所需運(yùn)算量將會(huì)極為龐大，難以實(shí)現(xiàn)。當(dāng)然，也可通過物理方法來實(shí)現(xiàn)結(jié)構(gòu)上的并行神經(jīng)網(wǎng)絡(luò)，但這種方法需要建立專用的設(shè)備，實(shí)現(xiàn)起來不僅麻煩而且實(shí)用性差，費(fèi)用也很大。另一方面，數(shù)據(jù)并行的神經(jīng)網(wǎng)絡(luò)可以通過算法來實(shí)現(xiàn)，其總體結(jié)構(gòu)框架如圖3所示。圖中每組數(shù)據(jù)都有自己完整的神經(jīng)網(wǎng)絡(luò)，在各自達(dá)到收斂條件后產(chǎn)生多個(gè)中間量，對(duì)這些運(yùn)行出的中間量進(jìn)行匯總分析，判斷是否再次進(jìn)行分組重新訓(xùn)練，最終得出結(jié)果。相比之下，數(shù)據(jù)并行的方式更加容易實(shí)現(xiàn)。針對(duì)具體的神經(jīng)網(wǎng)絡(luò)而言，并行化處理之后，其泛化能力依然很好。

圖3 并行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2 并行神經(jīng)網(wǎng)絡(luò)模型

水輪機(jī)的振動(dòng)故障分為機(jī)械振動(dòng)故障、水力振動(dòng)故障、和電磁振動(dòng)故障3大類。機(jī)械振動(dòng)故障包含轉(zhuǎn)動(dòng)部分質(zhì)量不平衡、軸線不對(duì)中、轉(zhuǎn)動(dòng)部分與固定部件發(fā)生碰磨及其他；水力振動(dòng)故障包含導(dǎo)葉和導(dǎo)輪開口不均、水封間隙不等、轉(zhuǎn)輪葉片斷裂、尾水管產(chǎn)生的低頻偏心渦帶、轉(zhuǎn)輪葉片出水邊后的卡門旋渦等；電磁振動(dòng)故障包含發(fā)電機(jī)轉(zhuǎn)子不圓、繞組匝間短路、定子鐵心松動(dòng)、分辨機(jī)座合縫處鐵心間隙大、定轉(zhuǎn)子間隙不均勻、不平衡負(fù)載等。對(duì)這些故障，需要逐一建立相應(yīng)的狀態(tài)監(jiān)測(cè)神經(jīng)網(wǎng)絡(luò)；除此之外還需要對(duì)正常運(yùn)行狀態(tài)和其沒有提出的故障建立一個(gè)專門的神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測(cè)。

通常情況下大型水電站中所安置的監(jiān)控測(cè)點(diǎn)有數(shù)千個(gè)，一些超大型的水電站其中監(jiān)控測(cè)點(diǎn)更是有可能有上萬個(gè)，對(duì)一個(gè)運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)顯然并不需要全部的監(jiān)控測(cè)點(diǎn)，但某些必須的監(jiān)控測(cè)點(diǎn)必不可少；其中可能含有不能用傳感器直接進(jìn)行測(cè)量的監(jiān)控測(cè)點(diǎn)，這種重要的監(jiān)測(cè)數(shù)據(jù)水電站一般會(huì)使用間接測(cè)量的方法進(jìn)行監(jiān)控。這些間接測(cè)量的測(cè)點(diǎn)數(shù)據(jù)必須放在同一組中進(jìn)行學(xué)習(xí)。

并行神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：

1)設(shè)某個(gè)故障狀態(tài)大訓(xùn)練集為M，共有S(s1，s2，s3，…，sn)個(gè)關(guān)聯(lián)數(shù)據(jù)測(cè)點(diǎn)。其中sa，…，sb個(gè)數(shù)據(jù)測(cè)點(diǎn)為間接測(cè)點(diǎn)，需將sa，…，sb每個(gè)單獨(dú)分為一組。其他數(shù)據(jù)采用隨機(jī)分組，每個(gè)分組數(shù)據(jù)包含3～5個(gè)測(cè)點(diǎn)，具體分組數(shù)據(jù)個(gè)數(shù)根據(jù)總體確定。用這樣的方法將大訓(xùn)練集M分成t個(gè)子集，每個(gè)子集都是并行神經(jīng)網(wǎng)絡(luò)中的一個(gè)訓(xùn)練樣本，子集的輸出為中間值y1，y2，y3，…，yt。

2)在每個(gè)子集都訓(xùn)練完后，比較每個(gè)子集中的測(cè)點(diǎn)權(quán)值，若某個(gè)數(shù)據(jù)所占有的權(quán)值小于該子集其他任意數(shù)據(jù)權(quán)值的0.5%，即

(6)

則可認(rèn)定該數(shù)據(jù)對(duì)應(yīng)測(cè)點(diǎn)對(duì)該故障的影響因子可忽略，刪除該測(cè)點(diǎn)并標(biāo)記該子集為失敗訓(xùn)練子集，執(zhí)行第三步。

3)比較各個(gè)子集的誤差值δ1，δ2，δ3，…，δt是否達(dá)到設(shè)定值。如果各個(gè)子集的訓(xùn)練均比較合適，達(dá)到預(yù)期誤差標(biāo)準(zhǔn)且沒有出現(xiàn)失敗訓(xùn)練子集，則執(zhí)行第五步；若某個(gè)子集不能正常進(jìn)行預(yù)測(cè)，訓(xùn)練失敗或無法達(dá)到預(yù)期的誤差標(biāo)準(zhǔn)，則將該子集標(biāo)記為失敗訓(xùn)練子集，執(zhí)行第四步。

4)檢查失敗訓(xùn)練子集，若失敗訓(xùn)練子集中含有間接測(cè)量的子集，拆分為兩個(gè)子集；然后將剩余失敗訓(xùn)練子集分組進(jìn)行合并，執(zhí)行第一步。

5)子集的訓(xùn)練完成后，需要將子集輸出的中間值進(jìn)行合并，在此選用加權(quán)平均值的合并方式，按照

(7)

(8)

進(jìn)行合并，其中fi為各子集所占權(quán)重，Y為最終的合并結(jié)果。

每個(gè)子集網(wǎng)絡(luò)同步進(jìn)行，對(duì)于已經(jīng)訓(xùn)練好的子集將保持其原有的網(wǎng)絡(luò)結(jié)構(gòu)不變，只重復(fù)訓(xùn)練適應(yīng)性不好的網(wǎng)絡(luò)。

3.3 設(shè)備故障風(fēng)險(xiǎn)評(píng)估

由圖2可知，設(shè)備在使用中劣化程度隨時(shí)間不斷的增加，最終發(fā)生故障被替換。設(shè)備從使用到報(bào)廢之間總共可以劃分為4個(gè)階段，正常運(yùn)行階段、輕微損傷運(yùn)行階段、中度損傷運(yùn)行階段、高損傷運(yùn)行階段。與之相對(duì)應(yīng)，在正常運(yùn)行階段，設(shè)備可認(rèn)定設(shè)備發(fā)生故障為極小概率事件；輕微損傷和中度損傷階段，設(shè)備發(fā)生故障為小概率事件；到高損傷運(yùn)行階段，設(shè)備的使用壽命已經(jīng)達(dá)到極限，繼續(xù)使用將隨時(shí)可能發(fā)生故障，需要馬上進(jìn)行停機(jī)維修。

當(dāng)然，設(shè)備的風(fēng)險(xiǎn)不能僅僅通過當(dāng)前運(yùn)行狀態(tài)來進(jìn)行評(píng)估。假設(shè)設(shè)備在使用期間沒有進(jìn)行嚴(yán)重的違規(guī)操作，那么從安裝開始，其在每一個(gè)運(yùn)行狀態(tài)都有著固定的時(shí)間范圍。設(shè)備從前一個(gè)運(yùn)行狀態(tài)到下一個(gè)運(yùn)行狀態(tài)的時(shí)間也是作為風(fēng)險(xiǎn)評(píng)估的一個(gè)重要參考量，若設(shè)備從前一個(gè)狀態(tài)加速劣化到達(dá)了下一個(gè)狀態(tài)，則說明該設(shè)備一定存在問題，需要馬上對(duì)其進(jìn)行分析檢查。

設(shè)備風(fēng)險(xiǎn)評(píng)估使用設(shè)備運(yùn)行狀態(tài)和設(shè)備當(dāng)前劣化速度進(jìn)行評(píng)估，具體評(píng)估方法參照?qǐng)D4進(jìn)行。當(dāng)處在無風(fēng)險(xiǎn)時(shí)，設(shè)備正常運(yùn)行，無需進(jìn)行檢修；在低風(fēng)險(xiǎn)時(shí)，由具體故障來決定檢修的緊急性；處于中風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)時(shí)必須馬上進(jìn)行檢修，查明原因，防止故障發(fā)生。

圖4 評(píng)估方法

4 實(shí)例分析

4.1 轉(zhuǎn)輪葉片斷裂并行網(wǎng)絡(luò)建立

本文基于多數(shù)據(jù)并行神經(jīng)網(wǎng)絡(luò)，擬合劣化曲線進(jìn)行預(yù)測(cè)診斷，結(jié)合水電站在運(yùn)行過程中難以察覺的故障進(jìn)行分析驗(yàn)證，具有較好的適用性。如轉(zhuǎn)輪葉片斷裂這種故障，通常情況下應(yīng)力過于集中是主要原因，可通過對(duì)水輪機(jī)葉片進(jìn)行有限元分析來進(jìn)行診斷。但也存在其他一些情況，如某水電站因轉(zhuǎn)輪葉片卡門渦共振，引起轉(zhuǎn)輪葉片出現(xiàn)裂紋的現(xiàn)象。該故障很難在設(shè)備運(yùn)行的時(shí)候進(jìn)行準(zhǔn)確監(jiān)測(cè)，當(dāng)監(jiān)控發(fā)出預(yù)警時(shí)故障往往已經(jīng)發(fā)生。

本節(jié)使用本文方法對(duì)轉(zhuǎn)輪葉片斷裂這一具體故障進(jìn)行分析說明。取水電站6個(gè)月內(nèi)每10分鐘內(nèi)收集到的溫度、油位、擺度、振動(dòng)、脈動(dòng)數(shù)據(jù)來建立模型。圖5(a)，為發(fā)生轉(zhuǎn)輪葉片損傷事故前1周前的水導(dǎo)X向擺度數(shù)據(jù)，圖5(b)為按照異常值分析、缺失值分析、對(duì)比分析后的未歸一化處理數(shù)據(jù)。

圖5 傳感器數(shù)據(jù)圖

建立模型總共使用了43項(xiàng)數(shù)據(jù)，共30 000多組數(shù)據(jù)，表1給出模型構(gòu)建中使用的部分?jǐn)?shù)據(jù)集。建立的模型結(jié)構(gòu)如圖6所示。

表1 并行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)

續(xù)表1

圖6 并行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

4.2 水輪機(jī)預(yù)測(cè)結(jié)果和建議

基于本文所提出的預(yù)警模型對(duì)新采集到的數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到表2和圖7的預(yù)測(cè)結(jié)果，表2為設(shè)備當(dāng)前的運(yùn)行狀態(tài)預(yù)測(cè)，圖7為設(shè)備劣化速度預(yù)測(cè)。預(yù)測(cè)的數(shù)值越大表示設(shè)備的劣化程度越嚴(yán)重。

表2 水輪機(jī)葉片狀態(tài)預(yù)測(cè)

圖7 水輪機(jī)劣化速度預(yù)測(cè)

通過對(duì)設(shè)備運(yùn)行狀態(tài)和劣化速度進(jìn)行分析，現(xiàn)給出的檢修建議如下：

從運(yùn)行狀態(tài)可以很明顯地看出設(shè)備從基本無風(fēng)險(xiǎn)階段轉(zhuǎn)變到了中故障風(fēng)險(xiǎn)階段；且劣化速度急劇增加，結(jié)合設(shè)備故障評(píng)估表來看，此時(shí)應(yīng)馬上組織緊急檢修來查找故障的具體原因。檢修時(shí)可將重點(diǎn)放在轉(zhuǎn)輪葉片斷裂這一故障上，首先對(duì)轉(zhuǎn)輪相關(guān)設(shè)備進(jìn)行查找故障出處。

5 方法驗(yàn)證

本文選取水輪機(jī)正常運(yùn)行時(shí)一周的1 000組數(shù)據(jù)和故障前一周的1 000組數(shù)據(jù)來進(jìn)行預(yù)測(cè)，通過與真實(shí)的運(yùn)行狀態(tài)和劣化速度進(jìn)行對(duì)比分析來進(jìn)行驗(yàn)證。

5.1 準(zhǔn)確度驗(yàn)證

取水電站正常運(yùn)行時(shí)的1 000組數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖8所示，可見預(yù)測(cè)結(jié)果始終在真實(shí)值之間波動(dòng)，僅僅有20組數(shù)據(jù)出現(xiàn)在誤差范圍外，準(zhǔn)確率高達(dá)98%。取故障前一周的1 000組數(shù)據(jù)進(jìn)行預(yù)測(cè)，出現(xiàn)234組數(shù)據(jù)預(yù)測(cè)不準(zhǔn)確，預(yù)測(cè)不準(zhǔn)確的數(shù)據(jù)多出現(xiàn)在狀態(tài)轉(zhuǎn)換期間。其總體的預(yù)測(cè)準(zhǔn)確率為87.5%。

圖8 劣化狀態(tài)預(yù)測(cè)結(jié)果

5.2 劣化速度驗(yàn)證

取準(zhǔn)確度驗(yàn)證中的數(shù)據(jù)，其劣化速度如圖9所示，再根據(jù)實(shí)際的檢修結(jié)果進(jìn)行對(duì)比，預(yù)測(cè)的結(jié)果可較好地反映設(shè)備的劣化速度。

圖9 劣化速度預(yù)測(cè)結(jié)果

6 結(jié)論

本文以設(shè)備運(yùn)行狀態(tài)為重點(diǎn)研究對(duì)象，設(shè)計(jì)了一種通過并行神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷預(yù)測(cè)的方法，通過對(duì)某水電站振動(dòng)狀態(tài)的實(shí)際預(yù)測(cè)，可實(shí)現(xiàn)提前預(yù)警，再配合預(yù)測(cè)的結(jié)果給出設(shè)備檢修建議，減少故障發(fā)生。該方法主要有以下幾點(diǎn)優(yōu)點(diǎn)：

1)通過有效的數(shù)據(jù)預(yù)處理，從輸入層面上提高了數(shù)據(jù)可靠性，更加有效地使用傳感器。

2)使用并行神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，這樣水電站的大多數(shù)數(shù)據(jù)都可以使用到該方法中，從而提高了傳感器的利用率，也提高了預(yù)測(cè)的準(zhǔn)確率。

3)通過劣化速度的引入，對(duì)檢修提出更好的建議，具有更加廣泛的實(shí)用性，對(duì)縮短檢修時(shí)間有著明顯作用。

該方法在使用中有著較好的結(jié)果，但需要大量的歷史數(shù)據(jù)來進(jìn)行學(xué)習(xí)，而且針對(duì)某一具體故障需要一定量的故障歷史數(shù)據(jù)。該方法仍然可以在預(yù)測(cè)時(shí)進(jìn)行改進(jìn)。