一种水电机组球阀密封圈磨损寿命评估方法及应用与流程

本技术涉及水电站智能运维，尤其涉及一种水电机组球阀密封圈磨损寿命评估方法及应用。

背景技术：

1、高水头水电机组进水球阀是电站输水系统关键截断设备，球阀密封圈失效会引发管路渗水、机组效率下降，严重时造成承压部件损坏，密封圈长期承受交变水压、往复滑动摩擦作用，磨损渗漏是机组停机故障的主要诱因。现有的密封圈寿命评估技术存在以下显著缺陷：

2、接触应力获取效率低：密封区域接触应力是磨损计算的核心输入，传统方案依靠有限元仿真求解密封区域接触应力，然而由于机组运行压力工况实时波动，每一组压力参数均需单独开展有限元计算，多工况迭代仿真耗时巨大，无法满足在线实时评估需求；磨损与寿命评估割裂：现有技术仅能单独计算瞬时磨损深度，未建立磨损深度、密封间隙、渗水率、失效阈值的耦合关联，无法连续量化剩余使用寿命；缺少统一量化安全评级标准，检修决策缺少直观量化依据；无法实现在线计算：现有方案数据链断裂，不能直接由机组实时运行压力参数一键输出密封磨损量、渗水率、剩余使用寿命、安全状态等级，难以适配现场在线监测系统。

3、因此，现有技术存在仿真效率低、寿命评估不连续、工程可操作性差等问题，亟需一套兼顾预测精度、效率、在线实时计算能力的球阀密封圈磨损寿命评估方法。

技术实现思路

1、有鉴于此，本技术提出了一种水电机组球阀密封圈磨损寿命评估方法及应用，其可以解决现有的密封圈寿命评估技术存在仿真效率低、寿命评估不连续、工程可操作性差的问题。

2、第一方面，本技术提供了一种水电机组球阀密封圈磨损寿命评估方法，包括：

3、获取目标水电机组球阀密封圈历史的运行压力数据，根据所述运行压力数据和与所述运行压力数据对应的接触应力基准值构建接触应力样本数据集；

4、构建初始神经网络模型，根据所述接触应力样本数据集对所述初始神经网络模型进行训练，得到目标神经网络模型；

5、将所述球阀密封圈实时的运行压力数据输入所述目标神经网络模型，输出实时等效接触应力，根据所述等效接触应力和预设的磨损迭代模型计算预设时间内的累计磨损深度；

6、根据所述累计磨损深度和间隙流动理论计算得到实时渗水率，并根据所述实时渗水率预测得到所述球阀密封圈的剩余使用寿命。

7、在一实施例中，所述构建初始神经网络模型包括：

8、设置数据驱动损失项和物理先验损失项进行加权，构建得到所述初始神经网络模型的复合损失函数；

9、其中，所述数据驱动损失项约束初始神经网络模型预测值与所述接触应力基准值之间的偏差，所述物理先验损失项构建所述运行压力数据与所述初始神经网络模型预测值的比例约束。

10、在一实施例中，所述复合损失函数表达式为：；式中，为模型总损失；为数据驱动损失项；为物理先验损失项；为物理先验损失项权重；

11、其中，所述数据驱动损失项的表达式为：；式中，为第i个样本的网络归一化预测值；为归一化基准值；

n为样本数量；

12、所述物理先验损失项的表达式为：；式中，为平均运行压力，

c为模型训练得到的平均比例系数。

13、在一实施例中，所述根据所述等效接触应力和预设的磨损迭代模型计算预设时间内的累计磨损深度，包括：

14、构建所述球阀密封圈单次启闭磨损深度计算公式为：；式中，为单次磨损深度；为磨损系数；为密封接触应力；为单次启闭滑动距离，；为密封圈行程长度；为密封圈材料硬度；

15、逐日累加磨损深度，得到第n天累计磨损深度为：；式中，为第n天累计磨损深度；为第i天磨损深度。

16、在一实施例中，所述根据所述累计磨损深度和间隙流动理论计算得到实时渗水率，包括：

17、构建实时渗水率计算表达式为：；式中，为渗水率；为球阀密封接触区域等效直径；为流体动力黏度；为累计磨损深度；为球阀运行压力。

18、在一实施例中，所述根据所述实时渗水率预测得到所述球阀密封圈的剩余使用寿命，包括：

19、预设工程临界渗水率，根据所述实时渗水率与所述累计磨损深度的关系得到达到所述预设工程临界渗水率时的最小累计磨损深度；

20、基于所述最小累计磨损深度计算得到所述球阀密封圈的最小运行总天数，根据所述球阀密封圈的当前已运行天数和所述最小运行总天数得到所述球阀密封圈的剩余使用寿命。

21、在一实施例中，所述水电机组球阀密封圈磨损寿命评估方法还包括：

22、根据所述实时渗水率与所述预设工程临界渗水率的关系构建分段非线性安全评分模型，并根据所述安全评分模型中相应的安全评分确定所述球阀密封圈的密封状态等级，用于实现实时预警与检修指导。

23、第二方面，本技术还提供了一种水电机组球阀密封圈磨损寿命评估装置，包括：

24、数据集构建模块，用于获取目标水电机组球阀密封圈历史的运行压力数据，根据所述运行压力数据和与所述运行压力数据对应的接触应力基准值构建接触应力样本数据集；

25、模型训练模块，用于构建初始神经网络模型，根据所述接触应力样本数据集对所述初始神经网络模型进行训练，得到目标神经网络模型；

26、累计磨损深度计算模块，用于将所述球阀密封圈实时的运行压力数据输入所述目标神经网络模型，输出实时等效接触应力，根据所述等效接触应力和预设的磨损迭代模型计算预设时间内的累计磨损深度；

27、剩余使用寿命预测模块，用于根据所述累计磨损深度和间隙流动理论计算得到实时渗水率，并根据所述实时渗水率预测得到所述球阀密封圈的剩余使用寿命。

28、第三方面，本技术还提供了一种电子设备，包括处理器和存储器；所述存储器有存储计算机程序，其中，所述计算机程序在被所述处理器执行时实现如第一方面所述的水电机组球阀密封圈磨损寿命评估方法。

29、第四方面，本技术还提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面所述的水电机组球阀密封圈磨损寿命评估方法。

30、本技术的一种水电机组球阀密封圈磨损寿命评估方法相对于相关技术而言至少具有以下有益效果：

31、1、通过获取水电机组球阀密封圈历史的运行压力数据并根据对应的接触应力基准值构建接触应力样本数据集，以此训练得到目标神经网络模型，实现仅输入压力参数即可瞬时输出接触应力，解决多工况迭代仿真耗时过长的问题，满足在线实时评估需求，并且建立了接触应力、累计磨损深度、渗水率、失效阈值的耦合数学模型，能够完整实现从运行压力到剩余寿命的自动计算。

32、2、通过构建物理约束的神经网络模型，设计复合损失函数同时约束数据拟合精度与压力-应力变化规律，相比bp神经网络、回归树、岭回归等模型的预测误差更低，工程可信度更高，能够兼顾预测精度与物理合理性。

33、3、通过构建分段非线性安全评分模型，可以连续输出累计磨损深度、实时渗水率、剩余寿命、安全评分、密封状态等级，接入电站在线监测系统实现实时预警与检修指导。