一种基于BP神经网络的水轮发电机组轴瓦温度预警方法与流程

一种基于bp神经网络的水轮发电机组轴瓦温度预警方法
技术领域
1.本发明属于温度监测预警技术领域，具体涉及水轮发电机组轴瓦温度监测预警方法。


背景技术：

2.水轮发电机组是多个机器设备的组合，主要由多种形式的水轮机和发电机组成，水轮发电机的作用主要是将流动的水所携带的动能转化为电能，从而能够达到利用水利发电的目的。而且水利发电所获得的电能是一种清洁能源，符合当今时代发展的趋势。在水轮发电机组中，水轮机导轴承与推力轴承是水轮机组的重要机械结构，导轴承通过承受主轴传递的径向力，防止机组转动部分的机械不平衡和电磁不平衡，维持主轴在轴承间隙范围内稳定运行；推力轴承受水轮机组转动部分重量及部分轴向推力。导轴承与推力轴承的工作状态直接影响到水轮机组的运行稳定性，而其最常见的故障是轴瓦过热，严重时轴瓦甚至会被烧坏，因此对水轮发电机组轴瓦温度监测具有非常重要的实用意义，通过实时监测水轮发电机组轴瓦温度能够在轴瓦温度过高时及时发出响应，以提醒工作人员采取相对应的解决措施，从而能够对水轮发电机做出保护以延长其使用寿命。
3.现有技术中多是利用测温电阻测量实时监测轴瓦的温度，测温电阻是一种非常灵敏的传感器，能够在轴瓦温度达到设定值时及时发出信号提醒工作人员。虽然，通过利用测温电阻能够实时监测轴瓦的温度，但是测温电阻只会在达到该温度设定值时才会发出信号抱紧，如果该温度设定值较高，且工作人员接收到信号并作出反应需要一定的时间，所以在该温度条件下也容易对轴瓦造成损坏，如果该温度设定值较低，测温电阻就会在发电机组正常工作的状态下经常发出信号而影响发电机组的正常工作。所以，可见现有技术中缺少对轴瓦温度的预测，无法准确预测到轴瓦正常工作时温度的最大值，使其难以在合适的时机提醒工作人员对运行着的轴瓦进行检修，从而会影响轴瓦的性能与发电机组的正常工作。


技术实现要素：

4.本发明的目的在于提供一种基于bp神经网络的水轮发电机组轴瓦温度预警方法，以解决现有技术中由于缺乏对轴瓦温度的预测导致的影响轴瓦的性能与发电机组的正常工作的问题。
5.为达到上述目的，本发明所采用的技术方案是：
6.本发明提供了一种基于bp神经网络的水轮发电机组轴瓦温度预警方法，包括：
7.每隔时间段t获取水轮发电机组的实时工作参数和本时间段t内水轮发电机组的最大轴瓦温度的监测实际值；
8.将实时工作参数进行归一化处理后，输入至训练好的bp神经网络温度预测模型；获取bp神经网络温度预测模型对未来时间段t内最大轴瓦温度的监测预测值，根据监测预测值对水轮发电机组轴瓦温度进行预警；
9.所述bp神经网络温度预测模型的训练过程，包括：
10.获取所述样本数据集，所述样本数据集包括样本工作参数和最大轴瓦温度的样本实际值yk；将样本工作参数进行归一化处理后，输入至bp神经网络温度预测模型；
11.采用误差反向传播方法训练水电机组轴瓦的bp神经网络温度预测模型，计算出最大轴瓦温度的样本预测值c；根据样本预测值c与样本实际值yk之间的误差，对bp神经网络温度预测模型进行校正，重复迭代至输出误差小于误差阈值，完成bp神经网络温度预测模型的建立。
12.优选的，采用误差反向传播方法训练水电机组轴瓦的bp神经网络温度预测模型，计算出最大轴瓦温度的样本预测值，包括：
13.初始化bp神经网络温度预测模型的各阈值与各权值，并将bp神经网络温度预测模型的线性系数矩阵w和偏移向量b设置为随机数；
14.将m组训练样本s的各项样本工作参数进行归一化处理,得到输入向量xk，xk的表达公式为：其中，xk表示具体参数项归一化处理的结果值；
15.bp神经网络温度预测模型隐含层的神经元数量为p个，隐含层各神经元的激活值sj为：
16.公式中，α
ij
为输入层至隐含层的连接权值，θj为隐含层单元的阈值；
17.将激活值sj代入sigmod函数f(x)；公式为
[0018][0019]
得隐含层神经元的输出值bj，计算公式为：
[0020][0021]
bp神经网络温度预测模型输出层的激活值o，激活值o公式为：
[0022][0023]
式中，wj为隐含层至输出层的权值；θ为输出层单元阈值；bj为隐含层第j个节点的输出值；
[0024]
将激活值o代入sigmod函数f(x)内，得到输出层的样本预测值c。
[0025]
优选的，bp神经网络温度预测模型输出层的误差dk，计算公式为：
[0026]dk
＝(y
k-ck)f
′
(sk)，k＝1,2...m；
[0027]
式中，y为最大轴瓦温度的样本实际值，c为最大轴瓦温度的样本预测值，k表示训练样本s组的序列号，f
′
(
·
)是sigmod函数的导函数；
[0028]
bp神经网络温度预测模型隐含层各神经元的误差计算公式为：
[0029][0030]
优选的，根据连接权值校正量δvj、阈值校正量δγ、隐含层校正量δα
ij
和输入层
校正量δθj对bp神经网络温度预测模型进行校正；
[0031]
计算输出层至隐含层的连接权值校正量δvj和输出层的阈值校正量δγ，公式为：
[0032][0033]
δγ＝μdk，
[0034]
公式中，是隐含层j神经元的输出，dk是输出层的校正误差；μ＞0，μ是输出层到隐含层的学习率；
[0035]
计算隐含层校正量δα
ij
和输入层校正量δθj，公式为：
[0036][0037][0038]
公式中，为隐含层j神经元的校正误差，是标准输入；0＜β＜1，β是隐含层至输入层的学习率。
[0039]
优选的，所述实时工作参数和样本工作参数包括机组功率p、机组转速r、环境温度t、轴承摆度s。
[0040]
优选的，所述归一化处理公式为：
[0041][0042][0043][0044]
其中，x表示实时工作参数或样本工作参数的具体参数项数据，是本参数项的数据均值，δ为本参数项的数据标准差；x
*
为本参数项的归一化处理的结果值，m为本参数项数据的数量。
[0045]
优选的，对比最大值轴瓦温度的预测值和实际值，当预测值和实际值的差值连续n次大于设定差值时，认定bp神经网络温度预测模型为非正常，重新训练的bp神经网络温度预测模型；否则，认定bp神经网络温度预测模型为正常，认定正常的bp神经网络温度预测模型输出的预测值大于温度阈值时进行预警。
[0046]
与现有技术相比，本发明所达到的有益效果：
[0047]
本发明每隔时间段t获取水轮发电机组的实时工作参数和本时间段t内水轮发电机组的最大轴瓦温度的实际值；将实时工作参数输入至训练好的bp神经网络温度预测模型；bp神经网络温度预测模型输出对未来时间段t内最大轴瓦温度的预测值，本发明提出的温度预测方法，可较准确的预测轴瓦运行时的最大温度，根据预测值对水轮发电机组轴瓦温度进行预警，，从而能够为减少水电机组轴承故障，保证轴瓦的正常运行。
附图说明
[0048]
图1为本发明提供的bp神经网络的结构图。
具体实施方式
[0049]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0050]
如图1所示，一种基于bp神经网络的水轮发电机组轴瓦温度预警方法，包括：
[0051]
所述bp神经网络温度预测模型的训练过程，包括：
[0052]
获取所述样本数据集，所述样本数据集包括样本工作参数和最大轴瓦温度的样本实际值，
[0053]
采用误差反向传播方法训练水电机组轴瓦的bp神经网络温度预测模型，计算出最大轴瓦温度的样本预测值，包括：
[0054]
初始化bp神经网络温度预测模型的各阈值与各权值，并将bp神经网络温度预测模型的线性系数矩阵w和偏移向量b设置为随机数；
[0055]
将m组训练样本s的各项样本工作参数进行归一化处理,得到输入向量xk，xk的表达公式为：其中，xk表示具体参数项归一化处理的结果值；
[0056]
所述归一化处理公式为：
[0057][0058][0059][0060]
其中，x表示实时工作参数或样本工作参数的具体参数项数据，是本参数项的数据均值，δ为本参数项的数据标准差；x
*
为本参数项的归一化处理的结果值，m为本参数项数据的数量。
[0061]
bp神经网络温度预测模型隐含层的神经元数量为p个，隐含层各神经元的激活值sj为：
[0062]
公式中，α
ij
为输入层至隐含层的连接权值，θj为隐含层单元的阈值；
[0063]
将激活值sj代入sigmod函数f(x)；公式为
[0064][0065]
得隐含层神经元的输出值bj，计算公式为：
[0066]
[0067]
bp神经网络温度预测模型输出层的激活值o，激活值o公式为：
[0068][0069]
式中，wj为隐含层至输出层的权值；θ为输出层单元阈值；bj为隐含层第j个节点的输出值；
[0070]
将激活值o代入sigmod函数f(x)，得到最大轴瓦温度的样本预测值c；
[0071]
训练样本s中与输入向量xk对应的最大轴瓦温度为样本实际值yk；根据样本预测值c与样本实际值yk之间的误差，对bp神经网络温度预测模型进行校正，包括：
[0072]
计算校正输出层的误差dk，公式为：
[0073]dk
＝(y
k-ck)f
′
(sk)，k＝1,2...m；
[0074]
式中，y为最大轴瓦温度的样本实际值，c为最大轴瓦温度的样本预测值，k表示训练样本s组的序列号，f
′
(
·
)是sigmod函数的导函数；
[0075]
计算隐含层各神经元的误差公式为：
[0076][0077]
计算输出层至隐含层的连接权值校正量δvj和输出层的阈值校正量δγ，公式为：
[0078][0079]
δγ＝μdk，
[0080]
公式中，是隐含层j神经元的输出，dk是输出层的校正误差；μ＞0，μ是输出层到隐含层的学习率；
[0081]
计算隐含层校正量δα
ij
和输入层校正量δθj，公式为：
[0082][0083][0084]
公式中，为隐含层j神经元的校正误差，是标准输入；0＜β＜1，β是隐含层至输入层的学习率；
[0085]
根据连接权值校正量δvj、阈值校正量δγ、隐含层校正量δα
ij
和输入层校正量δθj对bp神经网络温度预测模型进行校正，重复迭代至输出误差小于误差阈值，完成bp神经网络温度预测模型的建立。
[0086]
水轮发电机组的轴瓦实时监测过程包括：
[0087]
每隔时间段t获取水轮发电机组的实时工作参数和本时间段t内水轮发电机组的最大轴瓦温度的监测实际值；
[0088]
所述实时工作参数和样本工作参数包括机组功率p、机组转速r、环境温度t、轴承摆度s；将实时工作参数进行归一化处理，将归一化处理的结果值输入bp神经网络温度预测模型；bp神经网络温度预测模型输出对未来时间段t内最大轴瓦温度的监测预测值；
[0089]
对比最大值轴瓦温度的监测预测值和监测实际值，当监测预测值和监测实际值的
差值连续n次大于设定差值时，认定bp神经网络温度预测模型为非正常，则利用数据库中存储的最新的m组历史数据重新训练的bp神经网络温度预测模型；否则，认定bp神经网络温度预测模型为正常，认定正常的bp神经网络温度预测模型输出的预测值大于温度阈值时进行预警。
[0090]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0091]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0092]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0093]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0094]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。