【技术实现步骤摘要】
本申请涉及数字孪生及虚拟传感领域，特别是涉及高温转动装备不可监测区域弱点识别、虚拟传感方法与系统。
技术介绍
1、大型高温转动装备如汽轮机转子是火电汽轮机组的关键部件，其服役环境极为严苛，运行方式在调峰背景下逐渐灵活。为了保障高温转动装备的安全可靠服役，工程人员通常在其内部布置了大量测点来实时监测装备运行状态。但是现有物理传感器仅能测量常见的状态数据如温度、压力、转速及振动等，在高温转动装备裂纹萌生阶段该类数据并不会出现退化趋势，因此无法通过使用该类传感数据评估高温转动装备的健康状态。
2、虚拟传感技术可有效弥补物理传感的不足，通过结合成熟的物理模型与机器学习智能算法，虚拟传感对物理传感器所采集的有限数据进行扩展与延伸，从而获取物理传感无法直接测量的参量。
3、高温转动装备在启动-稳态-停机循环过程中将持续积累损伤，当累积损伤达到损伤阈值时产生宏观裂纹并最终快速断裂。由此可见，如何基于已有数据和模型实现高温转动装备的实时损伤虚拟传感对于保障高温转动装备服役安全及运维管理优化具有重要意义。
技术实现思路
1、本申请的目的是提供高温转动装备不可监测区域弱点识别、虚拟传感方法与系统，可实现高温转动装备的实时损伤虚拟传感，保障高温转动装备服役安全及运维管理优化。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了高温转动装备不可监测区域弱点识别、虚拟传感方法，包括：
4、实时获取目标高温转动装备的服役工况数据；
5、对所述服役工况数据进行预处理，得到服役工况处理数据；所述预处理包括：数据清洗、滤波处理和标准化处理；
6、获取目标高温转动装备在任意时刻的循环周次数；
7、对任一所述循环周次，将所述循环周次对应的服役工况处理数据输入至深度神经网络预测模型中，输出单周次损伤数据；所述深度神经网络预测模型是基于已知单周次损伤数据的服役工况数据，进行训练得到的；所述深度神经网络预测模型包括依次连接的输入层、隐藏层和输出层；所述单周次损伤数据对应所述目标高温转动装备的任意一个组成部位上，受到的疲劳损伤以及蠕变损伤的数值；
8、对任一所述循环周次，根据所述单周次损伤数据确定弱点部位；所述弱点部位为在所述单周次损伤数据中，对所述疲劳损伤与蠕变损伤求和并进行数值比较后，数值最大的损伤值，对应的目标高温转动装备的组成部位；
9、基于线性损伤累积准则，根据当前时刻的循环周次数和所述单周次损伤数据确定各个所述弱点部位的累积损伤数据；所述累积损伤数据用于实现实时损伤状态的传感，以保障目标高温转动装备的服役安全。
10、可选地，采用剔除异常值方法或者补全缺失值方法，进行数据清洗。
11、可选地，采用中值滤波或者卡尔曼滤波的方法，进行滤波处理。
12、可选地，所述累积损伤数据的计算公式为：
13、
14、其中，dn为累积损伤数据；n为当前时刻高温转动装备的循环周次数；i为循环周次的序号；di为单周次损伤数据；xi为循环周次对应的服役工况处理数据。
15、可选地，采用物理传感器实时获取目标高温转动装备的服役工况数据；所述物理传感器包括：温度传感器、压力传感器和转速传感器。
16、第二方面，本申请提供了高温转动装备不可监测区域弱点识别、虚拟传感系统，包括：
17、数据获取模块，用于实时获取目标高温转动装备的服役工况数据；所述服役工况数据包括每个循环周次下的工况参数；所述工况参数包括：转子初始温度、升转速率、升负荷速率、初始主蒸汽温度和主蒸汽温升速率；所述目标高温转动装备每完成一次启动-稳态-停机的服役过程，记为一个循环周次；
18、预处理模块，用于对所述服役工况数据进行预处理，得到服役工况处理数据；所述预处理包括：数据清洗、滤波处理和标准化处理；
19、循环周次数获取模块，用于获取目标高温转动装备在任意时刻的循环周次数；
20、单周次损伤数据确定模块，用于对任一所述循环周次，将所述循环周次对应的服役工况处理数据输入至深度神经网络预测模型中，输出单周次损伤数据；所述深度神经网络预测模型是基于已知单周次损伤数据的服役工况数据，进行训练得到的；所述深度神经网络预测模型包括依次连接的输入层、隐藏层和输出层；所述单周次损伤数据对应所述目标高温转动装备的任意一个组成部位上，受到的疲劳损伤以及蠕变损伤的数值；
21、弱点部位确定模块，用于对任一所述循环周次，根据所述单周次损伤数据确定弱点部位；所述弱点部位为在所述单周次损伤数据中，对疲劳损伤与蠕变损伤求和并进行数值比较后，数值最大的损伤值，对应的目标高温转动装备的组成部位；
22、累积损伤数据确定模块，用于基于线性损伤累积准则，根据当前时刻的循环周次和所述单周次损伤数据确定各个所述弱点部位的累积损伤数据；所述累积损伤数据用于实现实时损伤状态的传感，以保障目标高温转动装备的服役安全。
23、根据本申请提供的具体实施例，本申请公开了以下技术效果：
24、本申请提供了高温转动装备不可监测区域弱点识别、虚拟传感方法与系统，实时采集高温转动装备服役工况数据，经数据清洗、滤波与标准化处理，以进行实时损伤状态虚拟传感。本申请的高温转动装备弱点部位实时损伤虚拟传感方法实现了对高温转动装备现有物理传感的信息延拓，间接获得了决定高温转动装备裂纹萌生阶段服役寿命的关键状态特征参量，为高温转动装备服役前期健康状态评估及视情维修管理提供了技术解决途径。本申请实现对有限物理传感器采集数据的延拓，在不增加额外物理传感器的基础上实现了高温转动装备服役过程中实时的损伤状态感知。
本文档来自技高网...【技术保护点】
1.高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，所述高温转动装备不可监测区域弱点识别、虚拟传感方法包括：
2.根据权利要求1所述的高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，采用剔除异常值方法或者补全缺失值方法，进行数据清洗。
3.根据权利要求1所述的高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，采用中值滤波或者卡尔曼滤波的方法，进行滤波处理。
4.根据权利要求1所述的高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，所述累积损伤数据的计算公式为：
5.根据权利要求1所述的高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，采用物理传感器实时获取目标高温转动装备的服役工况数据；所述物理传感器包括：温度传感器、压力传感器和转速传感器。
6.高温转动装备不可监测区域弱点识别、虚拟传感系统，其特征在于，所述高温转动装备不可监测区域弱点识别、虚拟传感系统包括：
【技术特征摘要】
1.高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，所述高温转动装备不可监测区域弱点识别、虚拟传感方法包括：
2.根据权利要求1所述的高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，采用剔除异常值方法或者补全缺失值方法，进行数据清洗。
3.根据权利要求1所述的高温转动装备不可监测区域弱点识别、虚拟传感方法，其特征在于，采用中值滤波或者卡尔曼滤波的方法，进行滤波处理。
4.根据权利要...
【专利技术属性】
技术研发人员：张显程，谷行行，聂文睿，蔡小兵，唐源泽，王润梓，涂善东，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。