CN118815653A - 一种高水头长短叶片水轮机监测优化方法及系统 - Google Patents

Abstract

本发明属于水轮机监测技术领域，公开了一种高水头长短叶片水轮机监测优化方法，利用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；基于多个运行参数结合高水头流动数据对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；构建运行评估模型，将多个运行参数与叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；基于多个运行评估结果对高水头长短叶片水轮机进行运行测试，根据测试结果制定监测优化方案；执行监测优化方案对高水头长短叶片水轮机进行智能运行监测。本申请解决了传统方法监测结果实时性和准确性不足的技术问题，提高了高水头长短叶片水轮机运行效率和安全性。

Description

一种高水头长短叶片水轮机监测优化方法及系统

技术领域

本发明属于水轮机监测领域，涉及一种高水头长短叶片水轮机监测优化方法及系统。

背景技术

高水头长短叶片水轮机是应用于水力发电领域的一种关键设备，其特点是能够适应不同水头和流量的工况，提高水能利用率，尤其适用于高落差水流环境。这类水轮机的设计和运行需考虑复杂的水流动力学及机械力学因素，对监测和控制提出了较高要求。

传统的监测方法多依赖于固定参数的控制算法，如PID控制，这些算法虽具有一般的稳定性和适用性，但在面对高水头长短叶片水轮机工况的动态变化时，其响应速度和自适应能力存在局限。特别是在高水头运行条件下，水流速度和压力的急剧变化要求高水头长短叶片水轮机能够快速调整叶片角度以维持最优工作状态，而传统方法对此类快速调整的支持不足。此外，对于高水头长短叶片水轮机内部的实时状态监测多依赖于定期的人工检查和维护，这种方式不仅耗时耗力，且在实时性和准确性上有明显欠缺，难以实现对潜在问题的早期识别和预防。

发明内容

本发明提供了一种高水头长短叶片水轮监测优化方法及系统，解决传统的监测技术难以应对高水头长短叶片水轮机工况的快速变化，导致监测结果实时性和准确性不足的技术问题，对高水头长短叶片水轮机运行状态的实时监控和优化，从而提高高水头长短叶片水轮机的运行效率和安全性。

为了实现上述目的，本发明采用如下技术方案：

本发明提供一种高水头长短叶片水轮监测优化方法，包括：使用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案；执行所述监测优化方案对高水头长短叶片水轮机运行监测。

进一步地，所述传感网络，包括：调取高水头长短叶片水轮机的历史运行传感信息库，基于历史运行传感信息库确定多个布设点；基于所述多个布设点布设多个传感装置，将所述多个传感装置按照传感通信链路进行连接，生成传感拓扑结构；基于所述传感拓扑结构生成所述传感网络

进一步地，所述历史运行传感信息库，包括传感频率信息、传感坐标信息、传感范围信息。

进一步地，所述获得多个运行参数，包括：基于所述传感网络按照传感监测范围进行划分，生成多个传感子网络；根据第一传感子网络对高水头长短叶片水轮机进行水流传感，生成第一运行参数；根据第二传感子网络对高水头长短叶片水轮机进行压力传感，生成第二运行参数；根据第三传感子网络对高水头长短叶片水轮机进行温度传感，生成第三运行参数；根据第四传感子网络对高水头长短叶片水轮机进行异物传感，生成第四运行参数；将所述第一运行参数、第二运行参数、第三运行参数、第四运行参数进行整合，获得所述多个运行参数。

进一步地，所述获得叶片动态运行参数集，包括：基于所述第一运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片转速信息；基于所述第二运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片汽蚀信息；基于所述第三运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片变形信息；基于所述第四运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片振动信息；将所述叶片转速信息、所述叶片汽蚀信息、所述叶片变形信息、所述叶片振动信息进行整合，获得叶片动态运行参数集。

进一步地，将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果，包括：对所述多个运行参数、叶片动态运行参数集进行特征提取，生成多个运行特征集；根据所述多个运行特征集进行数据划分，生成训练集、监督集、测试集；根据训练集、监督集对运行评估模型进行训练，根据所述测试训练结果进行交叉验证，定义多个评估指标；通过多个评估指标对运行评估模型进行性能评估，生成多个运行评估结果。

进一步地，所述所述多个运行评估结果对高水头长短叶片水轮机进行测试，包括：对所述多个运行评估结果进行预处理，生成多个运行去噪评估结果；按照高水头长短叶片水轮机的运行时序确定多个测试阶段；将所述多个运行去噪评估结果与多个测试阶段进行测试匹配，根据匹配结果进行测试。

进一步地，对所述多个运行评估结果进行预处理，生成多个运行去噪评估结果，包括：对所述多个运行评估结果的运行评估信号进行小波分解，获得信号小波系数；根据所述信号小波系数进行阈值量化，确定信号小波选取阈值；按照所述信号小波选取阈值对所述信号小波系数进行截取，对小于所述信号小波选取阈值的噪声信号置零，获得大于所述信号小波选取阈值的为有效信号信息；通过降噪滤波对所述有效信号信息进行滤波重构，获得多个运行去噪评估结果。

进一步地，所述降噪滤波的表达式为：

其中，f(x)为多个运行去噪评估结果，x为有效信号信息，μ为x的均值，σ为x的标准差，e为过程中的噪声类型。

本发明还提供了一种高水头长短叶片水轮机监测优化系统，包括：第一获取模块：用于使用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；第二获取模块：用于基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；生成模块：用于将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；测试模块：用于基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案；监测模块：用于执行所述监测优化方案对高水头长短叶片水轮机运行监测。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种高水头长短叶片水轮监测优化方法，利用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数，实时监测高水头长短叶片水轮机的运行状态，确保了对高水头长短叶片水轮机状态的全面了解和及时响应。基于多个运行参数结合高水头流动数据对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集，捕捉叶片在不同工况下的运动规律和受力情况，确保对高水头长短叶片水轮机叶片的工作状态有全面了解，为精确的性能评估提供了数据支持。将多个运行参数与叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果，为高水头长短叶片水轮机的运行提供定量评估，预测高水头长短叶片水轮机的性能表现和可能出现的问题，指导维护决策。基于多个运行评估结果对高水头长短叶片水轮机进行运行测试，根据测试结果制定监测优化方案，确保监测优化方案的科学性和实用性，提高高水头长短叶片水轮机的运行效率和可靠性。执行监测优化方案对高水头长短叶片水轮机进行智能运行监测，实现高水头长短叶片水轮机的无人值守运行，提升运行安全性。

本发明一种高水头长短叶片水轮监测优化方法，利用传感网络实时监测高水头长短叶片水轮机的运行状态，结合高水头流动数据对高水头长短叶片水轮机的长短叶片进行动态监测，然后通过构建运行评估模型，分析高水头长短叶片水轮机的运行情况并根据运行评估模型的结果对高水头长短叶片水轮机的实际运行情况进行测试，制定优化策略，对高水头长短叶片水轮机进行智能化监控，自动调整运行参数。实现了对高水头长短叶片水轮机运行状态的实时监控和智能优化，预测潜在的故障，从而提升整个高水头长短叶片水轮机的运行效率和安全性，延长高水头长短叶片水轮机的使用寿命。

附图说明

图1为本发明一种高水头长短叶片水轮监测优化方法的流程图；

图2为本发明实施例中获得多个运行参数流程图；

图3为本发明实施例中获得叶片动态运行参数集流程图；

图4为本发明实施例中生成多个运行评估结果流程图；

图5为本发明实施例中对高水头长短叶片水轮机进行测试流程图；

图6为本发明实施例中获得多个运行去噪评估结果流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如图1所示，本发明一种高水头长短叶片水轮监测优化方法，包括：使用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案；执行所述监测优化方案对高水头长短叶片水轮机运行监测。

使用传感网络对高水头长短叶片水轮机进行实时传感采集，包括：调取高水头长短叶片水轮机的历史运行传感信息库，所述历史运行传感信息库包含传感频率信息、传感坐标信息、传感范围信息；基于所述传感频率信息、所述传感坐标信息、所述传感范围信息确定多个布设点；基于所述多个布设点布设多个传感装置，将所述多个传感装置按照传感通信链路进行连接，生成传感拓扑结构；基于所述传感拓扑结构生成传感网络。

具体而言：高水头长短叶片水轮机可以是任意一个需要进行监测的高水头长短叶片水轮机。历史运行传感信息库是一个包含了高水头长短叶片水轮机以往运行期间传感器所收集的所有数据的数据库，包含传感频率信息、传感坐标信息、传感范围信息，这些信息用于分析和确定最佳的传感器布局。其中，传感频率信息指的是传感器进行数据采集的速率，即单位时间内传感器读取数据的次数，这影响着监测数据的细致程度和实时性。传感坐标信息指的是传感器在高水头长短叶片水轮机上的具体安装位置，有助于理解传感器所收集数据的来源。传感范围信息指的是每个传感器能够覆盖的监测区域或参数类型，这决定了传感器的监测能力和覆盖范围。

首先，调取高水头长短叶片水轮机水轮机的历史运行传感信息库，利用数据分析技术对历史运行传感信息库中的历史数据进行统计和分析，确定高水头长短叶片水轮机水轮机监测的关键位置，将这些位置作为布设点，同时确定每个布设点应该安装的传感器类型和数量。其中，布设点是指传感器应该安装在高水头长短叶片水轮机上的具体位置。例如，如果历史数据显示某个特定位置的振动数据经常超出正常范围，那么这里就需要安装一个振动传感器。如果历史数据表明某个区域的温度经常异常，那么就应该在这个区域增加温度传感器的布设。

接着，根据确定的多个布设点来布设传感装置，这些传感装置可以是温度传感器、振动传感器等，它们被安装在之前确定的布设点。同时考虑到传感器的通信范围和数据传输需求，将这些传感装置按照传感通信链路进行连接，生成传感拓扑结构；基于所述传感拓扑结构生成所述传感网络。传感通信链路是指传感器之间或者传感器与数据集中器之间的数据传输路径，用于构建传感器网络的通信结构。传感拓扑结构是指传感器网络的布局方式，它描述了传感器如何相互连接以及如何与中央处理系统通信。传感网络是由多个传感器组成的网络系统，用于实时监测高水头长短叶片水轮机的状态。

举例来说，如果历史数据显示高水头长短叶片水轮机底部的轴承经常出现过热的情况，那么在这个位置附近就需要布设温度传感器。这些传感器会通过无线通信模块连接到中央处理器，形成一个星型的拓扑结构，所有的数据都汇总到中心节点。在这个例子中，选择耐高温的温度传感器是必要的，同时使用无线通信可以避免复杂的布线过程。这样的传感网络能够实时监测轴承的温度，并在温度异常时发出警报，从而预防潜在的故障发生。如果涡壳内的水流压力变化是关注的重点，那么在涡壳的不同位置布设压力传感器，并通过有线方式连接，形成一个环形的拓扑结构，这样可以保证数据传输的稳定性，即使部分传感器出现问题也不会影响整个网络的运作。通过部署传感网络，可以确保高水头长短叶片水轮机的关键部位都被有效地监控，充分利用历史数据来优化传感器的位置和配置，从而提高监测系统的效能和可靠性，为后续的分析和决策提供实时数据支持。

如图2所示，获得多个运行参数包括：基于所述传感网络按照传感监测范围进行划分，生成多个传感子网络；根据第一传感子网络对高水头长短叶片水轮机进行水流传感，生成第一运行参数；根据第二传感子网络对高水头长短叶片水轮机进行压力传感，生成第二运行参数；根据第三传感子网络对高水头长短叶片水轮机进行温度传感，生成第三运行参数；根据第四传感子网络对高水头长短叶片水轮机进行异物传感，生成第四运行参数；将所述第一运行参数、第二运行参数、第三运行参数、第四运行参数进行整合，获得所述多个运行参数。

具体而言：传感监测范围指的是单个传感器或一组传感器能够有效监测的空间区域或参数类型。传感子网络是指从整个传感网络中划分出来的、负责监测特定参数的子集网络。首先，根据传感网络的覆盖范围和功能，将其划分为多个专门的子网络，每个子网络负责监测一类特定的参数。第一传感子网络用于监测水流情况，第二传感子网络用于监测压力变化，第三传感子网络用于监测温度变化，而第四传感子网络则用于检测是否有异物存在。每个子网络都是独立的，但又是整体传感网络的一部分。第一传感子网络可能包括安装在高水头长短叶片水轮机进水口和出水口的超声波传感器，第二传感子网络可能包括安装在涡壳和轴承处的压力传感器，第三传感子网络可能包括遍布高水头长短叶片水轮机各关键部位的温度传感器，第四传感子网络可能包括安装在高水头长短叶片水轮机入口处的摄像头和红外传感器。

接着，各个子网络开始工作，对高水头长短叶片水轮机进行实时监测，获取相应的运行参数。第一运行参数至第四运行参数是指由不同的传感子网络收集到的运行数据，分别对应于水流、压力、温度和异物监测。第一传感子网络监测高水头长短叶片水轮机的水流情况，生成第一运行参数，包括水流流量、水流流速等；第二传感子网络监测高水头长短叶片水轮机的压力变化，生成第二运行参数，如进出口压力差、局部压力等；第三传感子网络监测高水头长短叶片水轮机的温度分布，生成第三运行参数，如轴承温度、冷却水温度等；第四传感子网络监测可能进入高水头长短叶片水轮机的异物，生成第四运行参数，如沉积物、外来物体等。

最后，利用数据融合技术将这四个子网络收集到的数据整合在一起，将相关的数据进行配对和关联，形成一个全面的运行参数集合，即多个运行参数。例如将同一时刻的水流数据、压力数据、温度数据和异物检测数据组合在一起，形成一个综合的数据点。这些参数共同反映了高水头长短叶片水轮机的实时运行状态，为运行评估模型提供了丰富的输入信息，用于生成运行评估结果。

基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集。

具体而言：高水头流动数据指的是高水头长短叶片水轮机在较高的水头高度下运行时，水流的动力学特性，包括流速、流量和冲击力等，这些数据反映了高水头长短叶片水轮机工作环境的基本物理条件。高水头流动数据可以通过安装在引水管道或涡壳内的流速仪、压力传感器等设备来采集。长短叶片指的是高水头长短叶片水轮机中不同长度的叶片，它们各自承担不同的功能和受力情况。利用获取的多个运行参数，并结合高水头流动数据，通过使用高精度的角度传感器和加速度计等监测设备，对高水头长短叶片水轮机的长短叶片进行详细的动态监测，以收集叶片在不同工况下的运行参数，获得叶片动态运行参数集，有助于全面了解高水头长短叶片水轮机叶片的工作状态，并为后续的运行评估提供数据支持。其中，叶片动态运行参数集指的是高水头长短叶片水轮机在不同工况下的运行参数集合。

如图3所示，获得叶片动态运行参数集，包括基于所述第一运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片转速信息；基于所述第二运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片汽蚀信息；基于所述第三运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片变形信息；基于所述第四运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片振动信息；将所述叶片转速信息、所述叶片汽蚀信息、所述叶片变形信息、所述叶片振动信息进行整合，获得叶片动态运行参数集。

具体而言：叶片转速信息指的是叶片旋转的速度及其随时间的变化率，这是评估高水头长短叶片水轮机能量转换效率的关键参数。叶片汽蚀信息指的是叶片表面由于水流中的气泡或杂质引起的汽蚀或侵蚀情况，影响叶片的表面质量和性能。叶片变形信息指的是叶片在受到水流压力和其他力的作用下发生的形变，这会导致叶片与转轮室之间的间隙变化，影响效率和安全。叶片振动信息指的是叶片在运行过程中产生的振动模式和频率，过度的振动可能导致叶片疲劳损坏。

首先，利用第一运行参数中的水流数据，结合高水头流动数据，通过安装在叶片上的转速传感器实时监测叶片的旋转速度，生成叶片转速信息。接着，使用第二运行参数中的压力数据，结合高水头流动数据，通过压力传感器监测叶片表面的压力分布，从而评估叶片汽蚀情况，生成叶片汽蚀信息。然后，运用第三运行参数中的温度数据，结合高水头流动数据，通过热敏电阻或光纤传感器监测叶片的温度变化，以此推断叶片的变形情况，生成叶片变形信息。最后，利用第四运行参数中的异物检测数据，结合高水头流动数据，通过加速度计或激光多普勒测振仪监测叶片的振动模式，生成叶片振动信息。

可以使用转速传感器来监测叶片的实际转速，同时通过高速摄像技术捕捉叶片的表面情况，以分析汽蚀现象。例如，如果监测到叶片转速过快，可能会导致局部压力降低，形成气泡，这时就需要调整转速以避免汽蚀的发生。同样，通过热敏电阻或光纤传感器监测叶片的温度变化，可以及时发现由于水流冲击引起的局部高温或低温，从而判断叶片是否发生了形变。此外，通过加速度计或激光多普勒测振仪监测叶片的振动，可以了解叶片的动态响应，及时发现潜在的结构问题。

将上述获得的叶片转速信息、叶片汽蚀信息、叶片变形信息、叶片振动信息整合起来，得到叶片动态运行参数集，这是一个包含了叶片转速、汽蚀、变形和振动的综合性数据集。这个数据集提供了叶片在高水头流动条件下的全面动态视图，利用叶片动态运行参数集能够准确地评估叶片的健康状况和性能，从而进行必要的调整和优化。

将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果。

具体而言，运行评估模型是一个数学或计算模型，用于评估高水头长短叶片水轮机的运行状态和性能，通常基于物理原理、统计数据或机器学习算法构建。运行评估结果指运行评估模型输出的评估结果，包括性能指标、健康状态、故障预测等。

使用机器学习算法构建一个运行评估模型，可以是卷积神经网络、循环神经网络、随机森林模型等。通过历史数据训练模型，使其能够识别正常运行和异常运行的状态。然后将获得的多个运行参数与叶片动态运行参数集输入训练好的运行评估模型，该模型会自动对这些数据进行分析，输出对应的多个运行评估结果。通过这个过程，可以对高水头长短叶片水轮机的运行进行定量评估，预测高水头长短叶片水轮机的性能表现和可能出现的问题，指导后续的监测优化方案的制定和执行。

如图4所示，对所述多个运行参数、叶片动态运行参数集进行特征提取，生成多个运行特征集；根据所述多个运行特征集进行数据划分，生成训练集、监督集、测试集；根据训练集、监督集对运行评估模型进行训练，根据所述测试训练结果进行交叉验证，定义多个评估指标；通过多个评估指标对运行评估模型进行性能评估，生成多个运行评估结果。

特征提取指的是从原始数据中提取出对模型训练有用的信息的过程，这些信息被称为特征，能够代表数据的本质属性。运行特征集指经过特征提取后，用于运行评估模型的一组数据特征。交叉验证指在模型训练过程中，使用不同的数据子集来多次训练和测试模型，以获得更可靠的性能评估。评估指标是用于衡量模型性能的量化标准，如准确率、召回率等。

首先，使用数据挖掘技术，如主成分分析PCA或聚类算法，来识别和提取最有用的特征，从多个运行参数和叶片动态运行参数集中提取有用的特征，这些特征包括叶片转速、汽蚀程度、变形量和振动频率等，生成对应的多个运行特征集。这些特征集是运行评估模型输入的重要组成部分，能够反映高水头长短叶片水轮机的不同方面性能。

接着，将这些特征集按照一定的比例划分为训练集、监督集和测试集。训练集用于训练模型，监督集用于指导模型的学习过程，而测试集则保留用于运行评估模型的泛化能力。然后，使用这些特征集来训练一个初始的运行评估模型，可以是一个神经网络、随机森林模型或其他类型的机器学习模型。在训练过程中，使用监督学习的方法，比如支持向量机或决策树，来让模型学习如何预测高水头长短叶片水轮机的运行状态。为了确保模型的有效性，使用测试集来进行交叉验证，这是一种运行评估模型泛化能力的技术，可以防止过拟合。

通过交叉验证，可以定义多个评估指标，如准确率、召回率和F1分数等，来衡量模型的性能。例如，准确率反映模型正确预测的比例，召回率衡量模型识别出所有真正例的能力，F1分数则是准确率和召回率的调和平均。如果模型在测试集上的表现良好，就认为它具有良好的泛化能力，可以用于实际的应用。根据性能评估结果，进一步调整模型的参数或结构，直到达到满意的性能水平。最终，得到一个经过充分训练和验证的运行评估模型，它可以用于实时监控高水头长短叶片水轮机的运行状态，并输出相应的评估结果。通过上述训练过程，确保了运行评估模型具有良好的性能，能够准确地预测高水头长短叶片水轮机的运行状态和潜在问题。这有助于提高高水头长短叶片水轮机的运行效率和可靠性，减少故障风险，延长设备的使用寿命。

基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案。

具体而言，基于多个运行评估结果，对高水头长短叶片水轮机进行实际的运行测试。这一步骤的目的是验证运行评估模型的准确性和可靠性，并确保运行评估模型的预测与高水头长短叶片水轮机的实际运行情况相符。运行测试包括一系列的实验和测量，例如使用专业的测试设备和仪器，如负载测试器、振动分析仪、效率计等进行高水头长短叶片水轮机不同负荷下的性能测试、叶片的振动测试、效率测试等。例如，如果运行评估模型预测某叶片在特定负荷下可能会出现过度振动，运行测试可能会包括在该负荷下对叶片振动进行实际测量，以验证模型的预测。

在运行测试完成后，根据测试结果制定监测优化方案。监测优化方案是指根据运行测试结果制定的，用于改进高水头长短叶片水轮机监测和维护的计划或策略。这个方案可包括一系列的维护和优化措施，如更换损坏的部件、调整运行参数、改进维护计划等。例如，如果测试结果显示高水头长短叶片水轮机在特定工况下的效率低于预期，监测优化方案可能会建议重新调整导叶设置或进行叶片清洗以提高效率。或者，如果监测到某个部件的磨损速度快于预期，监测优化方案可能会更换更耐用的材料或增加润滑系统。通过这种方式，可以确保高水头长短叶片水轮机始终在最佳状态下运行，减少故障风险，提高运行效率和可靠性。

所述多个运行评估结果对高水头长短叶片水轮机进行测试，具体为：对所述多个运行评估结果进行预处理，生成多个运行去噪评估结果；按照高水头长短叶片水轮机的运行时序确定多个测试阶段；将所述多个运行去噪评估结果与多个测试阶段进行测试匹配，根据匹配结果进行测试，如图5所示。

具体而言：运行去噪评估结果指在预处理过程中去除噪声或不相关信息后得到的评估结果，这些结果更加准确地反映了高水头长短叶片水轮机的实际运行状态。测试阶段指在不同时间段或条件下对高水头长短叶片水轮机进行测试的特定阶段。测试匹配是指将预处理后的评估结果与不同的测试阶段相对应，以确定哪些阶段最能代表高水头长短叶片水轮机的真实性能。

首先，使用滤波算法对多个运行评估结果进行预处理，消除噪声和异常值，比如由于传感器故障或外部因素造成的错误读数，以确保数据的质量，得到多个运行去噪评估结果。接着，使用时间序列分析工具，如R语言的lubridate包或Python的pandas库中的datetime工具，分析高水头长短叶片水轮机的运行历史数据，根据高水头长短叶片水轮机的运行时序，比如一天中的不同时间或一年中的不同季节，确定多个测试阶段。这些阶段是为了模拟高水头长短叶片水轮机在不同工作条件下的性能。将处理后的评估结果与这些测试阶段进行匹配，以确定哪些阶段最适合进行运行测试。例如，如果高水头长短叶片水轮机在夜间负荷较轻时效率较低，那么夜间可能就是一个重要的测试阶段。

通过遍历这些去噪后的评估结果与测试阶段，执行具体的运行测试，包括在特定水头、负载或温度条件下运行高水头长短叶片水轮机。通过这些测试，观察高水头长短叶片水轮机在不同条件下的性能，生成最终的测试结果。这些结果有助于理解目标高水头长短叶片水轮机在实际运行中的表现，并为制定监测优化方案提供依据。例如，如果测试显示在高峰负荷期间振动水平显著增加，则可以调整维护计划，以确保在这些时段高水头长短叶片水轮机的稳定性。如果测试结果表明在夏季水头较高时效率有所下降，则可以调整高水头长短叶片水轮机的设计或操作参数，以提高夏季的性能。

对多个运行评估结果进行预处理，生成多个运行去噪评估结果前还包括：对所述多个运行评估结果的运行评估信号进行小波分解，获得信号小波系数；根据所述信号小波系数进行阈值量化，确定信号小波选取阈值；按照所述信号小波选取阈值对所述信号小波系数进行截取，对小于所述信号小波选取阈值的噪声信号置零，获得大于所述信号小波选取阈值的为有效信号信息；通过降噪滤波对所述有效信号信息进行滤波重构，获得多个运行去噪评估结果，如图6所示。

降噪滤波的表达式为：

其中，f(x)为多个运行去噪评估结果，x为有效信号信息，μ为x的均值，σ为x的标准差，e为过程中的噪声类型。

具体地，运行评估信号指从高水头长短叶片水轮机运行中采集到的用于评估性能的信号，如振动信号、压力信号等。小波分解指将信号分解成一系列不同频率和时间尺度的分量，这些分量称为小波系数。阈值量化指根据一定的标准或阈值，对信号小波系数进行筛选和量化处理，以去除噪声。信号小波选取阈值指用于量化处理的小波系数阈值，低于这个阈值的信号被认为是噪声，需要被去除。

首先，对多个运行评估结果的运行评估信号进行小波分解，这是一种将复杂信号分解成不同频率成分的过程，每个频率成分对应一个小波系数。这个过程可以用小波包或Daubechies小波、MATLAB的小波分析工具箱等工具实现，它们能够有效地分离信号中的高频噪声和低频信号成分。接着，根据这些小波系数的统计特性，如方差或能量分布，进行阈值量化，确定一个合适的阈值，这个阈值用于区分信号中的噪声和有用信息，例如，可以使用MATLAB的阈值量化函数来确定信号小波选取阈值。然后，按照这个阈值对小波系数进行截取，将小于阈值的噪声信号置零，只保留那些大于阈值的有效信号信息。这样做可以去除大部分的噪声，保留信号中的重要信息。最后，使用降噪滤波对这些有效信号信息进行滤波重构，恢复出较为干净的信号，即多个运行去噪评估结果。

其中，降噪滤波表达式为：

其中，f(x)为多个运行去噪评估结果，x为有效信号信息，μ为x的均值，σ为x的标准差，e为过程中的噪声类型。

具体计算过程为：首先计算有效信号的均值μ，这是有效信号的平均水平，它作为分布的对称中心，代表了信号的中心位置。然后，计算标准差σ，这个值描述了信号的变化范围，用来衡量有效信号的离散程度，即信号的波动大小。标准差越小σ，数据点越接近均值，表明信号越稳定，噪声越少。这两个统计量一起提供了信号特征的基本描述，有助于理解信号的分布情况。e代表的是过程中的噪声类型，即在信号采集或处理过程中引入的干扰或误差。x代表的是经过去噪处理的有效信号信息，即反映高水头长短叶片水轮机运行状态的信号。最后将每个有效信号依次代入降噪滤波表达式，计算得到每个有效信号对应的运行去噪评估结果。

上述预处理过程通过小波分解和滤波重构去除高水头长短叶片水轮机运行评估信号中的噪声，获得更加准确和可靠的运行评估结果，这些结果能更准确地反映出高水头长短叶片水轮机的真实性能，从而使监测优化方案的有效性得到保障，有助于提高高水头长短叶片水轮机的运行效率和可靠性。

执行所述监测优化方案对高水头长短叶片水轮机运行监测。具体地，通过高水头长短叶片水轮机的控制系统，如PLC可编程逻辑控制器或SCADA监控和数据采集系统等，执行监测优化方案，自动监控高水头长短叶片水轮机的各项运行参数，并根据预设的规则或算法做出调整。例如，如果监测到高水头长短叶片水轮机的振动水平突然增加，系统可能会自动调整高水头长短叶片水轮机的速度或通知操作员进行检查。通过不断监测和调整，智能运行监测系统能够及时响应高水头长短叶片水轮机的状态变化，保证高水头长短叶片水轮机始终在最优状态下运行，同时减少人为干预的需求。

综上所述，本申请实施例所提供的一种高水头长短叶片水轮机监测优化方法具有如下技术效果：

利用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数，实时监测高水头长短叶片水轮机的运行状态，确保了对高水头长短叶片水轮机状态的全面了解和及时响应。基于多个运行参数结合高水头流动数据对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集，捕捉叶片在不同工况下的运动规律和受力情况，确保对高水头长短叶片水轮机叶片的工作状态有全面了解，为精确的性能评估提供了数据支持。将多个运行参数与叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果，为高水头长短叶片水轮机的运行提供定量评估，预测高水头长短叶片水轮机的性能表现和可能出现的问题，指导维护决策。基于多个运行评估结果对高水头长短叶片水轮机进行运行测试，根据测试结果制定监测优化方案，确保监测优化方案的科学性和实用性，提高高水头长短叶片水轮机的运行效率和可靠性。执行监测优化方案对高水头长短叶片水轮机进行智能运行监测，实现高水头长短叶片水轮机的无人值守运行，提升运行安全性。

利用传感网络实时监测高水头长短叶片水轮机的运行状态，结合高水头流动数据对高水头长短叶片水轮机的长短叶片进行动态监测，然后通过构建运行评估模型，分析高水头长短叶片水轮机的运行情况并根据运行评估模型的结果对高水头长短叶片水轮机的实际运行情况进行测试，制定优化策略，对高水头长短叶片水轮机进行智能化监控，自动调整运行参数。实现了对高水头长短叶片水轮机运行状态的实时监控和智能优化，预测潜在的故障，从而提升整个高水头长短叶片水轮机的运行效率和安全性，延长高水头长短叶片水轮机的使用寿命。

本发明还提供了一种高水头长短叶片水轮机监测优化系统，包括：第一获取模块：用于使用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；第二获取模块：用于基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；生成模块：用于将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；测试模块：用于基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案；监测模块：用于执行所述监测优化方案对高水头长短叶片水轮机运行监测。

本发明提提供的一种高水头长短叶片水轮机监测优化系统可以实现与上述方法实施一致的方法步骤，为此不再赘述。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

Claims (10)

1.一种高水头长短叶片水轮机监测优化方法，其特征在于，包括以下步骤：

使用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；

基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；

将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；

基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案；

执行所述监测优化方案对高水头长短叶片水轮机运行监测。

2.根据权利要求1所述的高水头长短叶片水轮机监测优化方法，其特征在于，所述传感网络，包括：

调取高水头长短叶片水轮机的历史运行传感信息库，基于历史运行传感信息库确定多个布设点；

基于所述多个布设点布设多个传感装置，将所述多个传感装置按照传感通信链路进行连接，生成传感拓扑结构；

基于所述传感拓扑结构生成所述传感网络。

3.根据权利要求2所述的高水头长短叶片水轮机监测优化方法，其特征在于：

所述历史运行传感信息库，包括传感频率信息、传感坐标信息、传感范围信息。

4.根据权利要求1所述的高水头长短叶片水轮机监测优化方法，其特征在于,所述获得多个运行参数，包括：

基于所述传感网络按照传感监测范围进行划分，生成多个传感子网络；

根据第一传感子网络对高水头长短叶片水轮机进行水流传感，生成第一运行参数；

根据第二传感子网络对高水头长短叶片水轮机进行压力传感，生成第二运行参数；

根据第三传感子网络对高水头长短叶片水轮机进行温度传感，生成第三运行参数；

根据第四传感子网络对高水头长短叶片水轮机进行异物传感，生成第四运行参数；

将所述第一运行参数、第二运行参数、第三运行参数、第四运行参数进行整合，获得所述多个运行参数。

5.根据权利要求4所述的高水头长短叶片水轮机监测优化方法，其特征在于，所述获得叶片动态运行参数集，包括：

基于所述第一运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片转速信息；

基于所述第二运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片汽蚀信息；

基于所述第三运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片变形信息；

基于所述第四运行参数结合高水头流动数据对长短叶片进行动态采集，获得叶片振动信息；

将所述叶片转速信息、所述叶片汽蚀信息、所述叶片变形信息、所述叶片振动信息进行整合，获得叶片动态运行参数集。

6.根据权利要求1所述的高水头长短叶片水轮机监测优化方法，其特征在于，将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果，包括：

对所述多个运行参数、叶片动态运行参数集进行特征提取，生成多个运行特征集；

根据所述多个运行特征集进行数据划分，生成训练集、监督集、测试集；

根据训练集、监督集对运行评估模型进行训练，根据所述测试训练结果进行交叉验证，定义多个评估指标；

通过多个评估指标对运行评估模型进行性能评估，生成多个运行评估结果。

7.根据权利要求1所述的高水头长短叶片水轮机监测优化方法，其特征在于，所述所述多个运行评估结果对高水头长短叶片水轮机进行测试，包括：

对所述多个运行评估结果进行预处理，生成多个运行去噪评估结果；

按照高水头长短叶片水轮机的运行时序确定多个测试阶段；

将所述多个运行去噪评估结果与多个测试阶段进行测试匹配，根据匹配结果进行测试。

8.根据权利要求7所述的高水头长短叶片水轮机监测优化方法，其特征在于，对所述多个运行评估结果进行预处理，生成多个运行去噪评估结果，包括：

对所述多个运行评估结果的运行评估信号进行小波分解，获得信号小波系数；

根据所述信号小波系数进行阈值量化，确定信号小波选取阈值；

按照所述信号小波选取阈值对所述信号小波系数进行截取，对小于所述信号小波选取阈值的噪声信号置零，获得大于所述信号小波选取阈值的为有效信号信息；

通过降噪滤波对所述有效信号信息进行滤波重构，获得多个运行去噪评估结果。

9.根据权利要求8所述的高水头长短叶片水轮机监测优化方法，其特征在于，所述降噪滤波的表达式为：

其中，f(x)为多个运行去噪评估结果，x为有效信号信息，μ为x的均值，σ为x的标准差，e为过程中的噪声类型。

10.一种高水头长短叶片水轮机监测优化系统，其特征在于，包括：

第一获取模块：用于使用传感网络对高水头长短叶片水轮机进行实时传感采集，获得多个运行参数；

第二获取模块：用于基于所述多个运行参数结合高水头流动数据，对高水头长短叶片水轮机的长短叶片进行动态采集，获得叶片动态运行参数集；

生成模块：用于将所述多个运行参数、叶片动态运行参数集同步至运行评估模型，生成多个运行评估结果；

测试模块：用于基于所述多个运行评估结果对高水头长短叶片水轮机进行测试，根据测试结果制定监测优化方案；

监测模块：用于执行所述监测优化方案对高水头长短叶片水轮机运行监测。