汽轮机各部件之间的润滑油膜可以减少摩擦并提供额外的传热途径,从而有助于汽轮机保持机械效率,延长使用寿命并保证其正常运转。汽轮机高度依赖润滑油才能正常运转,因此油品对机组的工作状态有着重要的影响。与此同时,润滑油中也悬浮着许多由汽轮机零部件摩擦产生的磨损颗粒。显然获取实时机油质量和磨损金属元素信息并采取及时措施可以确保汽轮机处于良好的状态。大型机械设备的广泛应用已经使得油液监测成为故障诊断的重要工具,然而目前大部分油液监测系统通常利用参数阈值越限报警,报警模式单一,不具备预防劣化的功能。因此,本文基于机器学习提出了滑油参数异常识别模型及滑油理化性能评估模型。主要研究内容如下:
(1)对滑油监测参数异常辨识进行了研究。本节首先利用后向迭代对随机森林优化进行特征选择,随机森林算法可以对输入的每个特征进行重要度排序,然后进行后向搜索序列逐步删除重要度较小的特征参数,挖掘影响功率的相关特征。这种方法避免了单独使用随机森林只能机械删除与功率无关特征的缺点,使得整个过程更加简洁高效。特征选择之后再利用网格搜索和交叉验证对参数 进行寻优,建立支持向量回归(Support Vector Regression,SVR)模型。通过与BP神经网络的预测效果对比,验证了SVR对于本数据的适用性。最后通过回归模型预测值与实际监测值偏差的信息熵对滑油的状态进行评估。经过实例验证本节所建立的基于SVR与信息熵相结合的模型具有较好的异常辨识能力。
(2)对滑油理化性能进行综合评估与预测。本节提出了基于多参数分析的滑油理化性能评估模型,当存在多个监测参数时,需要首先利用主成分分析消除参数之间的相关性,从而避免以往采用主观方法对各参数权重的判断。然后分别计算降维后得到的各个主成分的偏差度,各主成分的偏差度按其权重相加便得到此次的滑油性能评估指标。同时提出了基于门限循环单元模型(Gated Recurrent Unit,GRU)的滑油性能趋势预测模型,通过与LSTM神经网络以及ARIMA模型的预测效果对比验证了本模型的可行性及适用性。对滑油理化性能评估,可及早发现滑油状态恶化,避免或减少事故的发生,保障机组安全、可靠运行。