1.本发明涉及汽轮机技术领域，尤指一种汽轮机振动监测方法及装置。
背景技术：2.汽轮机作为能量转换的重要媒介，被广泛应用于各类工程实践中。在大型火力发电厂中，汽轮机实现蒸汽内能向电能的转换，其正常运转直接关系着电网的安全稳定；对于北方常见的热电厂，其在输出电能的同时，还为周边城镇提供冬季供暖。因此，供热工况下汽轮机的安全运行在民生保障方面具有重要的现实意义。
3.汽轮机运行监测日趋完备，汽轮机监视系统可以实时监控、记录汽轮机转速、振动、膨胀、偏心、轴向位移等机械参数，当出现参数越限时，可以快速完成保护动作。振动参数(轴振、瓦振)作为重要的主保护参数，往往能够反映汽轮机转子的某些运行特征。通过频谱分析，可以推测出转子平衡状态恶化、动静碰摩、自激振动等故障。因此，若能实现汽轮机振动参数的准确预测，则可有效监测机组运转状态。在实际应用中，一方面通过振动预警，提醒工作人员关注机组振动状态变化，提前完成准备措施，减少非停事故；另一方面则可量化机组运转的健康状态，为状态检修提供数据支撑。目前，国内对于主机的振动预测研究存在监测不准确的问题。
技术实现要素：4.针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种汽轮机振动监测方法及装置，实现对汽轮机振动准确、高效的监测。
5.为了实现上述目的，本发明实施例提供一种汽轮机振动监测方法，方法包括：
6.获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集；
7.利用训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，并利用测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；
8.将获取的实时运行状态特征参数，输入至振动预测模型中进行处理，得到汽轮机振动预测结果；
9.将汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。
10.可选的，在本发明一实施例中，获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集包括：
11.获取纯凝工况下的历史振动目标参数及历史运行状态特征参数，以及获取供热工况下的历史振动目标参数及历史运行状态特征参数；
12.将所述历史振动目标参数及历史运行状态特征参数，划分为纯凝工况下的训练样本集与测试样本集，以及供热工况下的训练样本集与测试样本集。
13.可选的，在本发明一实施例中，利用训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型包括：
14.对纯凝工况下的训练样本集与供热工况下的训练样本集分别进行有放回的随机抽样，得到不同工况下所述初始随机森林模型中单棵决策树对应的训练样本集；
15.根据初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对初始随机森林模型中各决策树进行构建，得到纯凝工况下训练后的随机森林模型与供热工况下训练后的随机森林模型。
16.可选的，在本发明一实施例中，根据所述初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对所述初始随机森林模型中各决策树进行构建包括：
17.根据单棵决策树对应的训练样本集，确定单棵决策树对应的属性集及属性数量；
18.根据所述初始随机森林模型中预设的生长深度、单棵决策树对应的训练样本集、属性集与属性数量，确定单棵决策树对应的基尼指标；
19.根据单棵决策树对应的基尼指标，确定单棵决策树对应的叶节点，以完成单棵决策树的构建，并根据初始随机森林模型中预设的决策树数量，对初始随机森林模型中各决策树进行构建。
20.可选的，在本发明一实施例中，利用所述测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型包括：
21.利用纯凝工况下的测试样本集，对纯凝工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到纯凝工况下振动预测模型；
22.利用供热工况下的测试样本集，对供热工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到供热工况下振动预测模型。
23.本发明实施例还提供一种汽轮机振动监测装置，所述装置包括：
24.样本获取模块，用于获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将所述历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集；
25.预测模型模块，用于利用所述训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，并利用所述测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；
26.预测结果模块，用于将获取的实时运行状态特征参数，输入至所述振动预测模型中进行处理，得到汽轮机振动预测结果；
27.振动监测模块，用于将所述汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。
28.可选的，在本发明一实施例中，样本获取模块包括：
29.参数获取单元，用于获取纯凝工况下的历史振动目标参数及历史运行状态特征参数，以及获取供热工况下的历史振动目标参数及历史运行状态特征参数；
30.样本集划分单元，用于将所述历史振动目标参数及历史运行状态特征参数，划分为纯凝工况下的训练样本集与测试样本集，以及供热工况下的训练样本集与测试样本集。
31.可选的，在本发明一实施例中，预测模型模块包括：
32.工况训练集单元，用于对纯凝工况下的训练样本集与供热工况下的训练样本集分别进行有放回的随机抽样，得到不同工况下所述初始随机森林模型中单棵决策树对应的训练样本集；
33.模型训练单元，用于根据所述初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对所述初始随机森林模型中各决策树进行构建，得到纯凝工况下训练后的随机森林模型与供热工况下训练后的随机森林模型。
34.可选的，在本发明一实施例中，模型训练单元包括：
35.属性集子单元，用于根据单棵决策树对应的训练样本集，确定单棵决策树对应的属性集及属性数量；
36.基尼指标子单元，用于根据所述初始随机森林模型中预设的生长深度、单棵决策树对应的训练样本集、属性集与属性数量，确定单棵决策树对应的基尼指标；
37.决策树子单元，用于根据单棵决策树对应的基尼指标，确定单棵决策树对应的叶节点，以完成单棵决策树的构建，并根据初始随机森林模型中预设的决策树数量，对所述初始随机森林模型中各决策树进行构建。
38.可选的，在本发明一实施例中，预测模型模块还包括：
39.第一预测模型单元，用于利用纯凝工况下的测试样本集，对纯凝工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到纯凝工况下振动预测模型；
40.第二预测模型单元，用于利用供热工况下的测试样本集，对供热工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到供热工况下振动预测模型。
41.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
42.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
43.本发明通过建立不同工况下的振动预测模型，结合不同工况下实时运行参数，实现对汽轮机振动长期准确、高效的监测。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明实施例一种汽轮机振动监测方法的流程图；
46.图2为本发明实施例中划分样本集的流程图；
47.图3为本发明实施例中模型训练的流程图；
48.图4为本发明实施例中决策树构建的流程图；
49.图5为本发明实施例中模型参数优化的流程图；
50.图6为本发明一具体实施例中汽轮机振动监测的流程图；
51.图7为本发明实施例中汽轮机轴系示意图；
52.图8a-图8b为本发明实施例中模型参数变化示意图；
53.图9为本发明实施例一种汽轮机振动监测装置的结构示意图；
54.图10为本发明实施例中样本获取模块的结构示意图；
55.图11为本发明实施例中预测模型模块的结构示意图；
56.图12为本发明实施例中模型训练单元的结构示意图；
57.图13为本发明另一实施例中预测模型模块的结构示意图；
58.图14为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
59.本发明实施例提供一种汽轮机振动监测方法及装置。
60.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.如图1所示为本发明实施例一种汽轮机振动监测方法的流程图，本发明实施例提供的汽轮机振动监测方法的执行主体包括但不限于计算机。图中所示方法包括：
62.步骤s1，获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集；
63.步骤s2，利用训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，并利用测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；
64.步骤s3，将获取的实时运行状态特征参数，输入至振动预测模型中进行处理，得到汽轮机振动预测结果；
65.步骤s4，将汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。
66.其中，汽轮机的工况包括纯凝工况及供热工况，本发明针对纯凝运行工况与供热运行工况分别建模，并进行汽轮机振动长周期关键参数监测。
67.进一步的，采集不同工况下历史参数，历史参数分为历史振动目标参数与历史运行状态特征参数。具体的，两种运行工况的振动目标参数均为汽轮机振动相关参数，包括各个轴承的瓦振与轴振，运行状态特征参数根据机组运行状态分别选取。
68.进一步的，针对纯凝工况及供热工况，将采集的历史参数划分为纯凝工况对应的训练样本集与测试样本集，及供热工况对应的训练样本集与测试样本集。
69.进一步的，利用不同工况对应的训练样本集对预设的初始随机森林进行模型训练，在利用对应的测试样本集对训练后的模型进行参数优化，由此得到纯凝工况对应的振动预测模型，及供热工况对应的振动预测模型。
70.其中，随机森林是多棵决策树的集成，通常采用样本放回的方法进行训练。同其他模型一样，随机森林可以解释若干自变量(x1、x2、
…
、xk)对因变量y的作用。如果因变量y有n个观测值，有k个自变量与之相关，在构建分类树时，随机森林会随机地在原数据中重新选择n个观测值，其中有的观测值被选择多次，有的没有被选到。同时，随机森林随机地从k个自变量选择部分变量进行分类树节点的确定。这样，每次构建的分类树都可能不一样。一般
情况下，随机森林随机地生成几百个至几千个分类树，对于离散结果选择重复程度最高的树作为最终结果，对于连续结果则根据每棵决策树预测结果平均得到回归结果。
71.进一步的，利用训练样本集对初始随机森林模型进行训练，完成随机森林模型中预设个数的决策树的构建，完成构建决策树，即完成初始随机森林模型的训练。进而利用测试样本集对训练后的随机森林模型进行参数优花，由此得到对应于不同工况的振动预测模型。
72.其中，采集汽轮机实时的运行状态特征参数，输入至振动预测模型中进行处理后可以得到汽轮机振动预测结果，由此实现对汽轮机振动预测。
73.进一步的，为了更好的实现对汽轮机振动的长期准确的监测，将汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。此外，根据对比的结果，可以进一步对振动预测模型进行优化。
74.作为本发明的一个实施例，如图2所示，获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集包括：
75.步骤s21，获取纯凝工况下的历史振动目标参数及历史运行状态特征参数，以及获取供热工况下的历史振动目标参数及历史运行状态特征参数；
76.步骤s22，将历史振动目标参数及历史运行状态特征参数，划分为纯凝工况下的训练样本集与测试样本集，以及供热工况下的训练样本集与测试样本集。
77.其中，不同工况下的历史参数中，运行状态特征参数选取机组主要运行参数以及汽机本体相关参数。纯凝工况包括：发电机有功功率、无功功率、主汽流量、主汽温度、主汽压力、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度等汽轮机运行状态特征参数。供热工况包括：发电机有功功率、无功功率、主汽流量、主汽温度、主汽压力、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度等汽轮机运行状态特征参数。
78.进一步的，获取的历史参数过程，例如选取机组两个月供热工况及两个月抽凝工况的稳定运行参数，每隔一分钟读取一组运行状态特征参数及目标预测参数。将数据分为训练样本集与测试样本集两部分，训练样本集用于算法训练及调参，测试样本集用作算法泛化验证。具体的，随机选取数据集中75％的数据做为训练样本集，剩余的数据作为测试样本集。
79.进一步的，针对纯凝工况及供热工况，将采集的历史参数划分为纯凝工况对应的训练样本集与测试样本集，及供热工况对应的训练样本集与测试样本集。
80.在本实施例中，如图3所示，利用训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型包括：
81.步骤s31，对纯凝工况下的训练样本集与供热工况下的训练样本集分别进行有放回的随机抽样，得到不同工况下初始随机森林模型中单棵决策树对应的训练样本集；
82.步骤s32，根据初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对初始随机森林模型中各决策树进行构建，得到纯凝工况下训练后的随机森林模型与供热工况下训练后的随机森林模型。
83.在本实施例中，如图4所示，根据初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对初始随机森林模型中各决策树进行构建包括：
84.步骤s41，根据单棵决策树对应的训练样本集，确定单棵决策树对应的属性集及属性数量；
85.步骤s42，根据所述初始随机森林模型中预设的生长深度、单棵决策树对应的训练样本集、属性集与属性数量，确定单棵决策树对应的基尼指标；
86.步骤s43，根据单棵决策树对应的基尼指标，确定单棵决策树对应的叶节点，以完成单棵决策树的构建，并根据所述初始随机森林模型中预设的决策树数量，对所述初始随机森林模型中各决策树进行构建。
87.在本实施例中，如图5所示，利用测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型包括：
88.步骤s51，利用纯凝工况下的测试样本集，对纯凝工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到纯凝工况下振动预测模型；
89.步骤s52，利用供热工况下的测试样本集，对供热工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到供热工况下振动预测模型。
90.其中，振动预测模型的训练与优化过程具体包括：
91.1、确立决策树数量
92.随机森林算法是决策树计算的综合结果，提前设定决策树数量，设定决策树数量为400棵。
93.2、单棵决策树抽样
94.采用bagging有放回抽样法从训练集随机抽取训练样本集，训练样本集为整体训练集的三分之二，由此得到单个树的训练样本s。
95.3、单棵决策树构建
96.对于单个决策树m1(s,q)，其中q为样本中的属性集，属性数量为m。构建单棵决策树时，预先设定树的最大深度为n，采用cart算法对树节点进行分类、生长。流程如下：
97.1)判断各叶子节点满足：当前数据集中样本均为一类属性数据，或者决策树深度达到最大深度n。若满足上述条件，则停止生长。
98.2)计算不同分类属性下分类的集合基尼(gini)指标，gini指标如下：
[0099][0100]
其中：p
i2
为某一分类属性在集合中出现的概率。
[0101]
根据gini指数最小的原则选取属性进行分类，根节点分类后得到了两个叶节点，两个叶节点分别作为根节点如上进行分类，由此，决策树得以生长。
[0102]
3)通过对每个分类后的叶节点进行1)步骤中的停止条件对比，如满足条件后，叶节点即停止生长。若全部分类的叶节点均不生长后，则形成单棵决策树。
[0103]
4、全部决策树构建
[0104]
根据事先确定的400棵决策树数量，建立完成400棵决策树，得到m1、m2、m3、m4,...,m
400
。
[0105]
5、决策树结果计算
[0106]
对于某一工况，例如用纯凝工况，数据包括：发电机有功功率、无功功率、主汽流量、主汽温度、主汽压力、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度等汽轮机运行状态特征参数，带入各决策树，得到计算结果y1、y2、y3、y4,...,y
400
。最终，随机森林预测结果对上述结果取均，得到：y＝∑yi/400
[0107]
6、特征参数优化
[0108]
对于随机森林回归算法进行训练，以均方误差作为成本函数，研究森林中树的个数及树的最大深度对预测结果的影响，如图8a及图8b所示。基于单一变量原则，在分析最大深度对预测精度的影响时，固定森林中树的个数，研究最大深度参数的预测精度变化，采用交叉验证。在分析树的个数对预测精度影响时，固定最大深度参数，研究树的个数对预测精度的影响。最终确定合适的树的个数及树的最大深度等参数，选择树的个数为400，最大深度为15。
[0109]
在本发明一具体实施例中，如图6所示的汽轮机振动监测的流程图，图中流程具体包括：
[0110]
1、参数确立
[0111]
将机组分为纯凝运行工况与抽凝运行工况分别建模，研究开展汽轮机振动长周期监测关键参数。参数分为振动目标参数与运行状态特征参数，其中两种运行工况的目标参数均为汽轮机振动相关参数，包括：各个轴承的瓦振与轴振(如图7所示，分别确定1、2、3、4、5号轴承的瓦振与轴振参数)。运行状态特征参数根据机组运行状态分别选取。
[0112]
运行状态特征参数选取机组主要运行参数以及汽机本体相关参数。纯凝工况包括：发电机有功功率、无功功率、主汽流量、主汽温度、主汽压力、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度等汽轮机运行状态特征参数。供热工况包括：发电机有功功率、无功功率、主汽流量、主汽温度、主汽压力、热再温度、热再压力、各个调门开度、轴封压力、润滑油温度、各个轴承的进油与回油温度、背压、各级抽汽压力与温度等汽轮机运行状态特征参数。
[0113]
2、样本收集
[0114]
选取机组两个月供热工况及两个月抽凝工况的稳定运行参数，每隔一分钟读取一组运行状态特征参数及目标预测参数，参数形式如表1、表2所示，其中，表1所示为纯凝工况特征参数样本，表2所示为供热工况特征参数样本。将数据分为训练样本集与测试样本集两部分，训练样本集用于算法训练及调参，测试样本集用作算法泛化验证。随机选取数据集中75％的数据作为训练样本集，剩余的数据作为测试样本集。
[0115]
表1
[0116][0117]
表2
[0118][0119]
3、随机森林算法模型训练
[0120]
随机森林是多棵决策树的集成，通常采用样本放回的方法进行训练。同其他模型一样，随机森林可以解释若干自变量(x1、x2、
…
、xk)对因变量y的作用。如果因变量y有n个观测值，有k个自变量与之相关，在构建分类树时，随机森林会随机地在原数据中重新选择n个观测值，其中有的观测值被选择多次，有的没有被选到。同时，随机森林随机地从k个自变量选择部分变量进行分类树节点的确定。这样，每次构建的分类树都可能不一样。一般情况下，随机森林随机地生成几百个至几千个分类树，对于离散结果选择重复程度最高的树作为最终结果，对于连续结果则根据每棵决策树预测结果平均得到回归结果。
[0121]
具体的，对初始的随机森林模型进行训练的过程包括：确立决策树数量；单棵决策树抽样；单棵决策树构建；全部决策树构建；决策树结果计算；特征参数优化。过程的具体说明参考上一实施例，不再赘述。
[0122]
4、振动预测
[0123]
判断机组待测运行工况为供热工况或纯凝工况，采用不同的工况预测模型对待测工况分开预测。将实时的机组运行状态特征参数代入建立的相应预测模型中，得到该时刻的预测振动结果。
[0124]
5、振动监测
[0125]
将实时运行振动参数与预测得到的振动结果对比，进行各项振动参数偏差计算，得到各预测偏差。基于预测偏差进行供热工况下汽轮机振动长周期监测。
[0126]
本发明通过建立不同工况下的振动预测模型，结合不同工况下实时运行参数，实现对汽轮机振动长期准确、高效的监测。
[0127]
如图9所示为本发明实施例一种汽轮机振动监测装置的结构示意图，图中所示装置包括：
[0128]
样本获取模块10，用于获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集；
[0129]
预测模型模块20，用于利用训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，并利用所述测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；
[0130]
预测结果模块30，用于将获取的实时运行状态特征参数，输入至振动预测模型中进行处理，得到汽轮机振动预测结果；
[0131]
振动监测模块40，用于将汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。
[0132]
作为本发明的一个实施例，如图10所示，样本获取模块10包括：
[0133]
参数获取单元11，用于获取纯凝工况下的历史振动目标参数及历史运行状态特征参数，以及获取供热工况下的历史振动目标参数及历史运行状态特征参数；
[0134]
样本集划分单元12，用于将历史振动目标参数及历史运行状态特征参数，划分为纯凝工况下的训练样本集与测试样本集，以及供热工况下的训练样本集与测试样本集。
[0135]
在本实施例中，如图11所示，预测模型模块20包括：
[0136]
工况训练集单元21，用于对纯凝工况下的训练样本集与供热工况下的训练样本集分别进行有放回的随机抽样，得到不同工况下初始随机森林模型中单棵决策树对应的训练样本集；
[0137]
模型训练单元22，用于根据所述初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对初始随机森林模型中各决策树进行构建，得到纯凝工况下训练后的随机森林模型与供热工况下训练后的随机森林模型。
[0138]
在本实施例中，如图12所示，模型训练单元22包括：
[0139]
属性集子单元221，用于根据单棵决策树对应的训练样本集，确定单棵决策树对应的属性集及属性数量；
[0140]
基尼指标子单元222，用于根据初始随机森林模型中预设的生长深度、单棵决策树对应的训练样本集、属性集与属性数量，确定单棵决策树对应的基尼指标；
[0141]
决策树子单元223，用于根据单棵决策树对应的基尼指标，确定单棵决策树对应的叶节点，以完成单棵决策树的构建，并根据初始随机森林模型中预设的决策树数量，对所述初始随机森林模型中各决策树进行构建。
[0142]
在本实中，如图13所示，预测模型模块20还包括：
[0143]
第一预测模型单元23，用于利用纯凝工况下的测试样本集，对纯凝工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到纯凝工况下振动预测模型；
[0144]
第二预测模型单元24，用于利用供热工况下的测试样本集，对供热工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到供热工况下振动预测模型。
[0145]
基于与上述一种汽轮机振动监测方法相同的申请构思，本发明还提供了上述一种汽轮机振动监测装置。由于该一种汽轮机振动监测装置解决问题的原理与一种汽轮机振动监测方法相似，因此该一种汽轮机振动监测装置的实施可以参见一种汽轮机振动监测方法的实施，重复之处不再赘述。
[0146]
本发明通过建立不同工况下的振动预测模型，结合不同工况下实时运行参数，实
现对汽轮机振动长期准确、高效的监测。
[0147]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
[0148]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
[0149]
如图14所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图14中所示的所有部件；此外，电子设备600还可以包括图14中没有示出的部件，可以参考现有技术。
[0150]
如图14所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
[0151]
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
[0152]
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0153]
该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
[0154]
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0155]
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0156]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
[0157]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0158]
本发明是参照根据本发明实施例的方法、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。
[0159]
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。
[0160]
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。
[0161]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
技术特征：1.一种汽轮机振动监测方法，其特征在于，所述方法包括：获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将所述历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集；利用所述训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，并利用所述测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；将获取的实时运行状态特征参数，输入至所述振动预测模型中进行处理，得到汽轮机振动预测结果；将所述汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。2.根据权利要求1所述的方法，其特征在于，所述获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将所述历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集包括：获取纯凝工况下的历史振动目标参数及历史运行状态特征参数，以及获取供热工况下的历史振动目标参数及历史运行状态特征参数；将所述历史振动目标参数及历史运行状态特征参数，划分为纯凝工况下的训练样本集与测试样本集，以及供热工况下的训练样本集与测试样本集。3.根据权利要求2所述的方法，其特征在于，所述利用所述训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型包括：对纯凝工况下的训练样本集与供热工况下的训练样本集分别进行有放回的随机抽样，得到不同工况下所述初始随机森林模型中单棵决策树对应的训练样本集；根据所述初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对所述初始随机森林模型中各决策树进行构建，得到纯凝工况下训练后的随机森林模型与供热工况下训练后的随机森林模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对所述初始随机森林模型中各决策树进行构建包括：根据单棵决策树对应的训练样本集，确定单棵决策树对应的属性集及属性数量；根据所述初始随机森林模型中预设的生长深度、单棵决策树对应的训练样本集、属性集与属性数量，确定单棵决策树对应的基尼指标；根据单棵决策树对应的基尼指标，确定单棵决策树对应的叶节点，以完成单棵决策树的构建，并根据所述初始随机森林模型中预设的决策树数量，对所述初始随机森林模型中各决策树进行构建。5.根据权利要求3所述的方法，其特征在于，所述利用所述测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型包括：利用纯凝工况下的测试样本集，对纯凝工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到纯凝工况下振动预测模型；利用供热工况下的测试样本集，对供热工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到供热工况下振动预测模型。
6.一种汽轮机振动监测装置，其特征在于，所述装置包括：样本获取模块，用于获取不同工况下的历史振动目标参数及历史运行状态特征参数，并将所述历史振动目标参数及历史运行状态特征参数划分为训练样本集与测试样本集；预测模型模块，用于利用所述训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，并利用所述测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；预测结果模块，用于将获取的实时运行状态特征参数，输入至所述振动预测模型中进行处理，得到汽轮机振动预测结果；振动监测模块，用于将所述汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。7.根据权利要求6所述的装置，其特征在于，所述样本获取模块包括：参数获取单元，用于获取纯凝工况下的历史振动目标参数及历史运行状态特征参数，以及获取供热工况下的历史振动目标参数及历史运行状态特征参数；样本集划分单元，用于将所述历史振动目标参数及历史运行状态特征参数，划分为纯凝工况下的训练样本集与测试样本集，以及供热工况下的训练样本集与测试样本集。8.根据权利要求7所述的装置，其特征在于，所述预测模型模块包括：工况训练集单元，用于对纯凝工况下的训练样本集与供热工况下的训练样本集分别进行有放回的随机抽样，得到不同工况下所述初始随机森林模型中单棵决策树对应的训练样本集；模型训练单元，用于根据所述初始随机森林模型中预设的决策树数量及生长深度，利用单棵决策树对应的训练样本集，对所述初始随机森林模型中各决策树进行构建，得到纯凝工况下训练后的随机森林模型与供热工况下训练后的随机森林模型。9.根据权利要求8所述的装置，其特征在于，所述模型训练单元包括：属性集子单元，用于根据单棵决策树对应的训练样本集，确定单棵决策树对应的属性集及属性数量；基尼指标子单元，用于根据所述初始随机森林模型中预设的生长深度、单棵决策树对应的训练样本集、属性集与属性数量，确定单棵决策树对应的基尼指标；决策树子单元，用于根据单棵决策树对应的基尼指标，确定单棵决策树对应的叶节点，以完成单棵决策树的构建，并根据所述初始随机森林模型中预设的决策树数量，对所述初始随机森林模型中各决策树进行构建。10.根据权利要求8所述的装置，其特征在于，所述预测模型模块还包括：第一预测模型单元，用于利用纯凝工况下的测试样本集，对纯凝工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到纯凝工况下振动预测模型；第二预测模型单元，用于利用供热工况下的测试样本集，对供热工况下训练后的随机森林模型中的决策树数量及生长深度进行参数更新，得到供热工况下振动预测模型。11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利
要求1至5任一项所述方法的计算机程序。
技术总结本发明提供了一种汽轮机振动监测方法及装置，方法包括：获取不同工况下的历史振动目标参数及历史运行状态特征参数，并划分为训练样本集与测试样本集；利用训练样本集对预先建立的初始随机森林模型进行训练，得到训练后的随机森林模型，利用测试样本集，对训练后的随机森林模型进行参数优化，得到振动预测模型；将获取的实时运行状态特征参数，输入至振动预测模型中进行处理，得到汽轮机振动预测结果；将汽轮机振动预测结果与获取的实时振动目标参数进行对比，得到汽轮机振动监测结果。本发明通过建立不同工况下的振动预测模型，结合不同工况下实时运行参数，实现对汽轮机振动长期准确、高效的监测。高效的监测。高效的监测。
技术研发人员：吴昕 谢昌亚 宋亚军 张晓斌 郝向中 王德鹏 李祥勇 王维萌
受保护的技术使用者：国家电网有限公司
技术研发日：2022.03.29
技术公布日：2022/7/5
