JP7442001B1 - Comprehensive failure diagnosis method for hydroelectric power generation units - Google Patents

Comprehensive failure diagnosis method for hydroelectric power generation units Download PDF

Info

Publication number
JP7442001B1
JP7442001B1 JP2023098701A JP2023098701A JP7442001B1 JP 7442001 B1 JP7442001 B1 JP 7442001B1 JP 2023098701 A JP2023098701 A JP 2023098701A JP 2023098701 A JP2023098701 A JP 2023098701A JP 7442001 B1 JP7442001 B1 JP 7442001B1
Authority
JP
Japan
Prior art keywords
failure
data
diagnosis
fault
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023098701A
Other languages
Japanese (ja)
Other versions
JP2024073353A (en
Inventor
萬爽 易
毅川 冉
友平 李
晶輝 宋
▲ユン▼ 譚
有春 皮
燕鳳 肖
郭▲ユー▼靜
應兵 ▲ラン▼
業棟 毛
楊 胡
文雄 宋
Original Assignee
中国長江電力股▲ふん▼有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中国長江電力股▲ふん▼有限公司 filed Critical 中国長江電力股▲ふん▼有限公司
Application granted granted Critical
Publication of JP7442001B1 publication Critical patent/JP7442001B1/en
Publication of JP2024073353A publication Critical patent/JP2024073353A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03BMACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008Measuring or testing arrangements
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367Ontology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

【課題】本発明により、異なるタイプの水力発電ユニットを診断することが可能、かつ診断の正確率を向上させる。【解決手段】本発明は、水力発電ユニットの故障総合診断方法であり、発電所配置データと、ユニット配置データと、設備配置データと、FMEA故障モード配置データと、診断ワークフロー配置データを取得する故障スキャン診断前の準備作業を行うステップ1と、ビッグデータモデルアルゴリズム、ルール推論、故障事例マッチング法とフォルトツリー解析法を含む多種の診断方法を利用して発電所配置データと、ユニット配置データと、設備配置データを診断する故障診断を開始するステップ2と、各診断方法の結果を取得するステップ3と、複数の診断方法の診断結果に対して故障診断融合決定を行うステップ4と、最終的な診断結果を得るステップ5と、を含む。【選択図】図1The present invention enables diagnosis of different types of hydroelectric power generation units and improves the accuracy rate of diagnosis. The present invention is a comprehensive failure diagnosis method for a hydroelectric power generation unit, which acquires power plant layout data, unit layout data, equipment layout data, FMEA failure mode layout data, and diagnostic workflow layout data. Step 1 of performing preparatory work before scan diagnosis, and analyzing power plant location data and unit location data using various diagnostic methods, including big data model algorithms, rule inference, fault case matching methods, and fault tree analysis methods. Step 2 of starting a fault diagnosis to diagnose equipment layout data; Step 3 of acquiring the results of each diagnosis method; Step 4 of performing a fault diagnosis fusion decision on the diagnosis results of multiple diagnosis methods; and the final step. step 5 of obtaining a diagnostic result. [Selection diagram] Figure 1

Description

本発明は水力タービン発電ユニット設備故障診断の技術分野に関し、特に水力発電ユニットの故障総合診断方法に関する。 The present invention relates to the technical field of equipment failure diagnosis for a hydraulic power generation unit, and more particularly to a comprehensive failure diagnosis method for a hydraulic power generation unit.

水力発電ユニットの作業環境は複雑で、運転状況の切り替えが頻繁で、作業状態は水力要素、機械要素、電気要素の影響を受け、しかも各種要素が相互作用結合して分解しにくく、これは水力発電ユニットの故障診断の難度を大幅に向上させた。現在、水力発電ユニットに対する故障解析と診断は、明確な故障メカニズムと専門家の経験に基づいていることが多い。メカニズムが明確な故障のタイプは比較的に少なく、しかも多くは単一要素によるメカニズム診断に基づいて、診断数量と正確度が不足して、作業状況の複雑な各種運転条件をカバーできなく、専門家の経験による診断は専門家のレベルと経験に高度に依存し、異なるタイプの水力発電ユニットまたは経験していない故障に対して確実かつ効果的な診断解析を行うことは困難である。そのため、水力発電ユニットに対して正確で有効な故障診断を実行することはずっと業界の問題点、難点となっていた。 The working environment of hydroelectric power generation units is complex, with frequent changes in operating conditions, and the working conditions are affected by hydraulic, mechanical, and electrical elements.Moreover, various elements are interconnected and difficult to disassemble. The difficulty of diagnosing power generation unit failures has been significantly improved. Currently, failure analysis and diagnosis for hydropower units is often based on well-defined failure mechanisms and expert experience. There are relatively few types of failures with clear mechanisms, and most of them are based on mechanism diagnosis using a single element, which lacks the quantity and accuracy of diagnosis and cannot cover the various complex operating conditions of work situations. Home experience diagnosis is highly dependent on the level and experience of experts, and it is difficult to perform reliable and effective diagnostic analysis for different types of hydropower units or unexperienced faults. Therefore, performing accurate and effective fault diagnosis for hydropower units has long been a problem and difficulty in the industry.

特許文献1は、FMECAと本体に基づく設備故障診断方法を開示し、採用した診断方法は、FMECAの分析的思考を結合し、設備の故障診断分野知識を抽出し、故障診断本体を構築する基礎とする。診断対象設備については、まず設備構造と機能フローを解析する。一般的な産業設備の場合、構造は全体的な設備レベル、システムレベル、コンポーネントレベル、部品レベルに分けられる。診断対象設備の各レベル構造に対応する設備をまとめ、設備構造に基づいて、設備のワークフローを解析し、各レベルの設備が故障した場合、同レベルの設備または高いレベルの設備に発生可能な影響をまとめた。上記診断プロセスは単一の診断ツールのみを採用し、診断の正確性が高くなく、誤診が発生しやすい。 Patent Document 1 discloses an equipment failure diagnosis method based on FMECA and the main body, and the adopted diagnosis method combines the analytical thinking of FMECA, extracts knowledge in the field of equipment failure diagnosis, and provides the basis for constructing the failure diagnosis main body. shall be. For equipment to be diagnosed, first analyze the equipment structure and functional flow. In the case of general industrial equipment, the structure is divided into the overall equipment level, system level, component level, and parts level. We summarize the equipment corresponding to each level structure of the equipment to be diagnosed, analyze the equipment workflow based on the equipment structure, and evaluate the possible impact on equipment at the same level or higher level if equipment at each level breaks down. I have summarized. The above diagnostic process only adopts a single diagnostic tool, the diagnostic accuracy is not high, and misdiagnosis is easy to occur.

中国特許文献CN115685972AChinese patent document CN115685972A

背景技術に存在する技術的問題に鑑み、本発明が提供する水力発電ユニットの故障総合診断方法により、異なるタイプの水力発電ユニットを診断することが可能であり、そして多種の診断方法を融合することで、最終的に確率の大きい診断結果を得て、診断の正確率を向上させる。 In view of the technical problems existing in the background art, the comprehensive fault diagnosis method for hydropower units provided by the present invention enables diagnosing different types of hydropower units, and integrates various diagnostic methods. Finally, a diagnostic result with a high probability is obtained and the accuracy rate of diagnosis is improved.

上記技術的課題を解決するために、本発明は以下の技術的手段を用いて実現され、
水力発電ユニットの故障総合診断方法であり、
発電所配置データと、ユニット配置データと、設備配置データと、FMEA故障モード配置データと、診断ワークフロー配置データを取得する故障スキャン診断前の準備作業を行うステップ1と、
ビッグデータモデルアルゴリズム、ルール推論、故障事例マッチング法とフォルトツリー解析法を含む多種の診断方法を利用して発電所配置データと、ユニット配置データと、設備配置データを診断する故障診断を開始するステップ2と、
各診断方法の結果を取得するステップ3と、
複数の診断方法の診断結果に対して故障診断融合決定を行うステップ4と、
最終的な診断結果を得るステップ5と、を含む。
In order to solve the above technical problem, the present invention is realized using the following technical means,
It is a comprehensive failure diagnosis method for hydroelectric power generation units,
Step 1 of performing preparatory work before failure scan diagnosis to obtain power plant location data, unit location data, equipment location data, FMEA failure mode location data, and diagnostic workflow location data;
Initiating fault diagnosis to diagnose power plant layout data, unit layout data, and equipment layout data using various diagnostic methods including big data model algorithms, rule inference, fault case matching methods, and fault tree analysis methods. 2 and
Step 3 of obtaining the results of each diagnostic method;
Step 4: performing a fault diagnosis fusion decision on the diagnosis results of the plurality of diagnosis methods;
Step 5 of obtaining a final diagnosis result.

好ましくは、ステップ1のサブステップは、
発電所コード、発電所配置データ関連ユニット情報テーブル、発電所配置データidが含まれる発電所配置データを取得するステップ1.1と、
ユニットコード、ユニット配置データ関連設備リスト、ユニット配置データidが含まれるユニット配置データを取得するステップ1.2と、
設備名、設備コード、設備配置データに関連されて導入されたシステム設備情報テーブルが含まれる設備配置データを取得するステップ1.3と、
すべての故障モード情報、設備ロジック情報を取得するステップ1.4と、を含む。
Preferably, the substeps of step 1 are:
Step 1.1 of acquiring power plant location data including a power plant code, a power plant location data related unit information table, and a power plant location data ID;
Step 1.2 of acquiring unit placement data including a unit code, unit placement data related equipment list, and unit placement data ID;
Step 1.3 of acquiring equipment layout data including equipment name, equipment code, and installed system equipment information table associated with the equipment layout data;
Step 1.4 of obtaining all failure mode information, equipment logic information .

好ましくは、ステップ2において、各診断方法は1つの診断ノードを構成し、診断ノードはビッグデータモデルアルゴリズムノード、ルールノード、故障事例ライブラリノードとフォルトツリー解析法ノードを含み、診断時、同時にビッグデータモデルアルゴリズムノード、ルールノード、故障事例ライブラリノードとフォルトツリー解析法ノードに入って診断を行い、発電所配置データ、ユニット配置データ、設備配置データを順次診断する。 Preferably, in step 2, each diagnosis method constitutes one diagnosis node, and the diagnosis node includes a big data model algorithm node, a rule node, a fault case library node and a fault tree analysis method node, and when diagnosing, the big data Diagnosis is performed by entering the model algorithm node, rule node, failure case library node, and fault tree analysis method node, and sequentially diagnosing the power plant layout data, unit layout data, and equipment layout data.

好ましくは、ステップ3の結果テーブルは、ビッグデータモデルアルゴリズム結果テーブル、ルール結果テーブル、故障事例ライブラリ結果テーブル、およびフォルトツリー解析法結果テーブルを含む。 Preferably, the result table of step 3 includes a big data model algorithm result table, a rule result table, a fault case library result table, and a fault tree analysis method result table.

好ましくは、ステップ4のサブステップは、
各診断方法の診断結果に対してフィルタ処理を行い、各診断方法の異なる故障モードの確率が最大の結果を取得するステップ4.1と、
各診断方法がフィルタ処理された結果に対して融合計算処理を行い、最終的な故障モードとその確率を取得するステップ4.2とを含む。
Preferably, the substeps of step 4 are:
step 4.1 of filtering the diagnostic results of each diagnostic method to obtain the results with the maximum probability of different failure modes for each diagnostic method;
Each diagnostic method includes step 4.2 of performing a fusion calculation process on the filtered results to obtain the final failure mode and its probability.

好ましくは、ステップ4.2の融合計算は、ツールの結果に一つの故障モードしかない第1種と、ツールの結果に複数の故障モードがある第2種という2種類に分けられ、
ールの結果に一つの故障モードしかない第1種について、表1のように行われる。
Preferably, the fusion calculation in step 4.2 is divided into two types: Type 1, where there is only one failure mode in the tool results, and Type 2, where there are multiple failure modes in the tool results. ,
For type 1, where there is only one failure mode in the tool results, it is performed as shown in Table 1.

好ましくは、ツールの結果に複数の故障モードがある第2種に対して、D-S証拠理論に基づく融合決定モデルを用いて計算する必要がある。 Preferably , for the second type in which the tool results include multiple failure modes, it is necessary to calculate using a fused decision model based on DS evidence theory.

好ましくは、フォルトツリー解析法のプロセスは、
故障を故障トップイベント、中間イベントと基本イベントの三つのレベルに分け、故障トップイベントは複数の中間イベントを含み、中間イベントは複数の基本イベントを含むステップ1と、
各レベルの故障イベントの間はロジックゲートを通じて接続され、故障解析のツリー構造を形成するステップ2と、
各レベルの故障イベントは、相応な故障兆候に対応するステップ3と、を含む。
Preferably, the process of fault tree analysis method includes:
Divide the failure into three levels: a failure top event, an intermediate event, and a basic event, a step 1 in which the failure top event includes a plurality of intermediate events, and the intermediate event includes a plurality of basic events;
Step 2: connecting failure events at each level through logic gates to form a tree structure for failure analysis;
Each level of failure event includes step 3 corresponding to a corresponding failure symptom.

好ましくは、ルール推論のプロセスは、
既知の故障モードと故障兆候の関係の経験データに基づいてルールを確立し、入力された故障兆候データに基づいて、故障モードの発生確率を判断するS1と、
設備の時系列データに対して解析モデルを構築し、関連する故障兆候が発生しているか否かを解析するS2と、
S2で解析された設備兆候データを該ルールのインタフェースに入力されたJSON構造にカプセル化し、S1で確立されたルールRESTインタフェースを要求するS3と、
ルールの実行エンジンによって処理RESTインタフェース要求を処理し、該ルールにデータを入力し、故障モードの発生確率を判定して出力するS4と、を含む。
Preferably, the process of rule inference is
S1, which establishes a rule based on empirical data on the relationship between known failure modes and failure signs, and determines the probability of occurrence of the failure mode based on the input failure sign data;
S2: constructing an analytical model for the time-series data of the equipment and analyzing whether or not related failure signs have occurred;
S3 encapsulating the equipment symptom data parsed in S2 into a JSON structure input to the rule interface and requesting the rule REST interface established in S1;
Processing the processing REST interface request by the rule execution engine, inputting data to the rule, and determining and outputting the probability of failure mode occurrence.

ビッグデータモデルアルゴリズムのプロセスは、まずタグ付き故障サンプルを入力した後、データ前処理を行い、それから分類モデルによってトレーニングを行い、予測を行う場合、データに対して同様の前処理作業を行い、分類モデルによって結果を出力することを含む。 The process of big data model algorithm is to first input tagged fault samples, then perform data preprocessing, and then train with a classification model. Including outputting results by the model.

本発明の有益な効果は以下の通りであり、
本発明が提供する水力発電ユニットの故障総合診断方法により、異なるタイプの水力発電ユニットを診断することが可能であり、そして多種の診断方法を融合することで、最終的に確率の大きい診断結果を得て、診断の正確率を向上させる。
The beneficial effects of the present invention are as follows:
The comprehensive failure diagnosis method for hydroelectric power generation units provided by the present invention makes it possible to diagnose different types of hydropower generation units, and by combining various diagnostic methods, it is possible to finally obtain a diagnosis result with a high probability. and improve the diagnostic accuracy rate.

以下、添付図面及び実施例を用いて本発明をさらに説明する。
図1は本発明の診断フローチャートである。 図2は本発明の実施例1の診断フローチャートである。
The present invention will be further explained below using the accompanying drawings and examples.
FIG. 1 is a diagnostic flowchart of the present invention. FIG. 2 is a diagnostic flowchart according to the first embodiment of the present invention.

好ましい方案は図1に示すように、水力発電ユニットの故障総合診断方法であり、
ステップ1、故障スキャン診断前の準備作業を行い、発電所配置データと、ユニット配置データと、設備配置データと、FMEA故障モード配置データと、診断ワークフロー配置データを取得し、
故障モードと影響解析(FMEA)は全ユニットレベル及び設備レベルの故障モード、故障兆候、故障タイプ、故障原因、特徴パラメータ、重大度、発生度、検出度の故障関連情報特徴に対して標準的な記述を行い、設備システム又は部品間の構造と機能結合関係に従って、ユニットシステムの故障モードと影響解析を確立する診断解析であり、
ステップ1.1、発電所コード、発電所配置データ関連ユニット情報テーブル、発電所配置データidが含まれる発電所配置データを取得し、
発電所配置データ関連ユニット情報テーブルは、ある発電所に含まれるすべてのユニット配置データである。
A preferred method is a comprehensive failure diagnosis method for hydroelectric power generation units, as shown in Figure 1.
Step 1: Perform preparatory work before failure scan diagnosis, obtain power plant layout data, unit layout data, equipment layout data, FMEA failure mode layout data, and diagnostic workflow layout data;
Failure mode and effects analysis (FMEA) is a standard method for all unit-level and equipment-level failure-related information features such as failure modes, failure symptoms, failure types, failure causes, characteristic parameters, severity, occurrence, and detectability. A diagnostic analysis that describes and establishes failure modes and effect analysis of a unit system according to the structure and functional coupling relationships between equipment systems or parts,
Step 1.1: Obtain power plant location data including a power plant code, power plant location data related unit information table, and power plant location data ID;
The power plant arrangement data related unit information table is all unit arrangement data included in a certain power plant.

ステップ1.2、ユニットコード、ユニット配置データ関連設備リスト、ユニット配置データidが含まれるユニット配置データを取得し、
ユニット配置データ関連設備リストは、あるユニットに含まれるすべての設備配置データである。
Step 1.2: Obtain the unit placement data including the unit code, unit placement data related equipment list, and unit placement data ID;
The unit arrangement data related equipment list is all equipment arrangement data included in a certain unit.

ステップ1.3、設備名、設備コード、設備配置データに関連されて導入されたシステム設備情報テーブルが含まれる設備配置データを取得し、
設備配置データに関連されて導入されたシステム設備情報テーブルは、ある設備に含まれるすべてのサブ設備である。
Step 1.3: Obtain equipment layout data that includes equipment name, equipment code, and system equipment information table introduced in relation to the equipment layout data;
The system equipment information table introduced in association with equipment location data includes all sub-equipments included in a certain equipment.

ステップ1.4、すべての故障モード情報、設備ロジック情報を取得する。 Step 1.4. Obtain all failure mode information and equipment logic information .

ステップ2、故障診断を実行し、多種の診断方法を利用して発電所配置データと、ユニット配置データと、設備配置データを診断し、前記診断方法はビッグデータモデルアルゴリズム、ルール推論、故障事例マッチング法とフォルトツリー解析法を含み、本発明が採用する診断方法は従来の診断方法であり、機能紹介は以下の通りである。
診断方法1は、前記フォルトツリー解析法(FTA)は、定量解析方法であり、エンジニアが設備の信頼性と安全性の指標を決定し、適切な予防措置を決定するのに役立つことができる。フォルトツリー解析法は通常、FMEA(故障モードと影響解析)などの他の解析法と組み合わせて使用され、解析の正確性と信頼性を高める。フォルトツリー解析法のプロセスは、故障を故障トップイベント、中間イベントと基本イベントの三つのレベルに分け、故障トップイベントは複数の中間イベントを含み、中間イベントは複数の基本イベントを含み、各レベルの故障イベントの間はロジックゲートによって接続されることで、故障解析のツリー構造を形成し、各レベルの故障イベントは、相応な故障兆候に対応する。具体的な解析プロセスは、
システムで発生可能な事故または発生した事故によって提供された情報、またはFMEAに基づいて、FTAロジックモデルツリーを作成するS1と、
作成したロジックモデルツリーをFTAインスタンス化されたモデルツリーを生成するS2と、
FTAインスタンス化されたモデルツリーは、自身の故障診断アルゴリズムを用いて、アルゴリズムモデル、診断ルール、スクリプト及び測定点データを結合してフォルトツリー全体の解析、演繹を完成し、それによって故障発生確率を得るS3とを含む。
Step 2: Perform fault diagnosis and diagnose power plant layout data, unit layout data, and equipment layout data using various diagnostic methods, and the diagnosis methods include big data model algorithm, rule inference, and failure case matching. The diagnosis method adopted by the present invention is a conventional diagnosis method, including the method and fault tree analysis method, and the function introduction is as follows.
Diagnostic method 1, the fault tree analysis method (FTA), is a quantitative analysis method that can help engineers determine the reliability and safety indicators of equipment and determine appropriate preventive measures. Fault tree analysis methods are typically used in combination with other analysis methods such as FMEA (Failure Modes and Effects Analysis) to increase the accuracy and reliability of the analysis. The process of fault tree analysis divides faults into three levels: fault top event, intermediate event, and basic event. The fault top event includes multiple intermediate events, and the intermediate event includes multiple basic events. Fault events are connected by logic gates to form a tree structure for fault analysis, and each level of fault event corresponds to a corresponding fault symptom. The specific analysis process is
S1 creating an FTA logic model tree based on information provided by accidents that can occur or that have occurred in the system, or based on the FMEA;
S2 generating a model tree in which the created logic model tree is instantiated as an FTA;
The FTA instantiated model tree uses its own fault diagnosis algorithm to combine the algorithm model, diagnosis rules, scripts and measurement point data to complete the analysis and deduction of the entire fault tree, thereby calculating the probability of failure occurrence. S3 to obtain.

ステップS1は、具体的には、次のサブステップを含み、
システムで発生可能な事故または発生した事故に基づいて、最も影響の大きいシステム故障をトップイベントとして選定する。そして、フォルトツリーのトップイベントのためにロジック設備と故障診断ツール(アルゴリズムモデル、診断ルール、スクリプト及び測定点)をバインドするS11と、
次に、システム故障の原因を段階的に中間イベントに分解し、そしてフォルトツリーのトップイベントのためにロジック設備と故障診断ツール(アルゴリズムモデル、診断ルール、スクリプト及び測定点)をバインドするS12と、
分解が不可能または不要なイベントを基礎イベント即ち下位イベントとする。そして、下位イベントのために故障診断ツールとデフォルトの発生確率を設定するS13と、
各フォルトツリーのノード間は論理関係計算法を用いて接続され(例えば、論理積、論理和)、これにより完全なロジックフォルトツリーの描画が完成するS14と、
フォルトツリーの描画が完了した後、完全性検査に合格すれば、ロジック故障の作成が完了するS15。
Specifically, step S1 includes the following substeps,
Based on the accidents that can occur or have occurred in the system, select the system failure with the highest impact as the top event. and S11, which binds the logic equipment and the fault diagnosis tool (algorithm model, diagnosis rule, script, and measurement point) for the top event of the fault tree;
Next, S12 step-by-step decomposes the cause of system failure into intermediate events and binds logic equipment and failure diagnosis tools (algorithm model, diagnosis rules, scripts and measurement points) for the top event of the fault tree;
Events that are impossible or unnecessary to decompose are called basic events, that is, subordinate events. and S13 of setting a failure diagnosis tool and default probability of occurrence for the lower event;
S14, in which the nodes of each fault tree are connected using a logical relationship calculation method (for example, logical product, logical sum), thereby completing the drawing of a complete logic fault tree;
After the drawing of the fault tree is completed, if the integrity check is passed, the creation of the logic fault is completed in step S15.

ステップS2は、具体的には、次のサブステップを含み、
インスタンス化されたステーション、設備を選択することにより、ロジックモデルをインスタンス化されたモデルに変換するS21と、
インスタンス化過程で、ノードにバインドされたロジック設備、測定点などをバインドされた物理設備、物理測定点に変換するS22と、
ロジックアルゴリズムモデルを物理アルゴリズムモデルに変換するS22と、
フォルトツリーのノードにサブツリーが引用される場合、サブツリーもインスタンス化されたツリーに変換する必要があるS23と、
そして、ロジックフォルトツリーのモデル名をインスタンス化されたモデル名に変換し、ここで、フォルトツリーのインスタンスの作成が完了するS24。
Specifically, step S2 includes the following substeps,
S21 converting the logic model into an instantiated model by selecting instantiated stations and equipment;
S22 converting logic equipment, measurement points, etc. bound to the node into physical equipment, physical measurement points, etc. bound to the node during the instantiation process;
S22 converting the logic algorithm model into a physical algorithm model;
S23, if a subtree is referenced by a node of the fault tree, the subtree also needs to be converted into an instantiated tree;
Then, the model name of the logic fault tree is converted to the instantiated model name, and here the creation of the fault tree instance is completed in S24.

ステップS3は、具体的には、次のサブステップを含み、
インスタンス化されたフォルトツリーは正式に使用することができ、resultインタフェースを通じて呼び出すこともできるし、周期タスクを通じて自動的に実行することもできるS31と、
フォルトツリーノードにバインドされた診断アルゴリズムを取得し、異なるタイプの診断アルゴリズムに基づいて相応の診断インタフェースを呼び出し、診断結果を取得し、ノードアラーム結果及び確率に設定するS32と、
故障ノードにフォルトツリーがバインドされている場合、S32を繰り返し実行するS33と、
ステップS32で取得した故障確率をフォルトツリーに代入し、該ノードに故障診断アルゴリズムがバインドされていない場合、デフォルト設定の故障発生確率を取得する。FTA故障診断アルゴリズム、例えば最小カットセット、最小パスセットなどに基づいて、フォルトツリーのトップイベントが故障したかどうか、故障が発生する確率を分析、演繹するS34。
Specifically, step S3 includes the following substeps,
S31, where the instantiated fault tree can be used formally and can be called through the result interface or automatically executed through a periodic task;
S32: obtaining the diagnostic algorithm bound to the fault tree node, calling the corresponding diagnostic interface based on different types of diagnostic algorithms, obtaining the diagnostic result, and setting the node alarm result and probability;
If the fault tree is bound to the faulty node, S33 repeats S32;
The failure probability obtained in step S32 is substituted into the fault tree, and if no fault diagnosis algorithm is bound to the node, the default setting failure probability is obtained. Based on the FTA fault diagnosis algorithm, such as minimum cut set, minimum path set, etc., analyze and deduce whether the top event of the fault tree has failed and the probability that the failure will occur S34.

診断方法2、前記ルール推論のプロセスは、
S1、既知の故障モードと故障兆候の関係の経験データに基づいて、ルール配置ツールにルールを確立し、入力された故障兆候データに基づいて、故障モードの発生確率を判断する。ルールがリリースされた後、RESTインタフェースサービスを提供する。
Diagnostic method 2, the process of rule inference is:
S1: Establish rules in the rule placement tool based on empirical data on the relationship between known failure modes and failure symptoms, and determine the probability of failure mode occurrence based on the input failure symptom data. After the rules are released, provide REST interface services.

ルール配置プロストは、データ設計とロジック設計の2つの部分から構成される。 A rule placement proposal consists of two parts: data design and logic design.

データ設計では、故障診断ルールの入力データ、出力データ、中間計算結果データを定義する必要があり、データ変数の名前とタイプを含む。必要に応じて、複数の関連データを複雑な変数タイプにカプセル化することができる。定義されたデータ変数のみを、ルールロジックで使用することができる。ルールロジック内のビジネスパラメータを定数として定義し、可読性と保守性を向上させる。 Data design requires defining input data, output data, and intermediate calculation result data for fault diagnosis rules, including names and types of data variables. If desired, multiple related data can be encapsulated into complex variable types. Only defined data variables can be used in rule logic. Define business parameters in rule logic as constants to improve readability and maintainability.

ロジック設計では、入力データに対する処理フローに従って、条件判断、データの割り当て、データ処理関数、基礎四則計算などを含む各種ルール要素をドラッグすることにより、データ処理プロセスと判断ロジックが含まれる一連のルールブロックを構築する。 In logic design, you can create a series of rule blocks containing data processing processes and decision logic by dragging various rule elements, including conditional judgments, data assignments, data processing functions, basic four arithmetic calculations, etc., according to the processing flow for input data. Build.

ルールはリリースされたときには、上記データ設計におけるデータ変数から、ルールの入力データと、ルール実行完了後に出力する必要があるデータを指定し、リリースされたRESTインタフェースは、JSONフォーマットの入力データを受信し、JSONフォーマットの結果に戻す。 When the rule is released, specify the input data of the rule and the data that needs to be output after the rule execution is completed from the data variables in the data design above, and the released REST interface receives the input data in JSON format. , return the result to JSON format.

S2、設備の時系列データに対して解析モデルを構築し、関連する故障兆候が発生しているか否かを解析する。 S2: Build an analytical model for the time-series data of the equipment, and analyze whether related failure signs have occurred.

S3、ルールリリース時に指定された入力要求に従って、S2で解析された設備兆候データを該ルールインタフェースに入力されたJSON構造にカプセル化し、S1で確立されたルールRESTインタフェースを要求する。 S3, according to the input requirements specified at the time of rule release, encapsulates the equipment symptom data analyzed in S2 into the JSON structure input to the rule interface, and requests the rule REST interface established in S1.

S4、ルール配置バックエンドとなるルールの実行エンジンによってRESTインタフェース要求を処理し、該ルールにデータを入力し、設計されたロジックによって、故障モードの発生確率を判定して出力する。 S4: The REST interface request is processed by the rule execution engine serving as the rule placement back end, data is input to the rule, and the probability of failure mode occurrence is determined and output based on the designed logic.

ルールの実行エンジンによって、各ルールブロックをルールツリーにコンパイルし、ルール内の各ルールブロックの順序に従ってこれらのルールツリーを順次実行し、関連するデータ変数を更新する。そして最終的に指定された出力データを出力し、故障モードとその発生確率を含む。 A rule execution engine compiles each rule block into a rule tree, executes these rule trees sequentially according to the order of each rule block within the rule, and updates associated data variables. Finally, the specified output data is output, including failure modes and their occurrence probabilities.

ある故障や問題に対して、関連情報を整理、まとめ、分類することによって可視化された知識構造図を形成する。この構造図に通常、特定の故障や問題の把握と解決を支援するために、故障の原因、パフォーマンス、排除方法、ソリューションなどが含まれている。 For a particular failure or problem, a visualized knowledge structure diagram is formed by organizing, summarizing, and classifying related information. This structure diagram typically includes the causes, performance, elimination methods, solutions, etc. of the failure to assist in understanding and resolving a particular failure or problem.

診断方法3、故障事例マッチング法であり、故障事例ライブラリを通じて故障事例の情報を格納し、組織し、新しい故障が発生した場合、システムは自動的に故障事例ライブラリのデータと比較し、最も似た故障事例を見つけ、そこから役立つ情報を抽出して診断する。診断が必要な時間帯、設備、ユニットなどの情報に基づいて、対応する測定点の時系列データを検索する。診断プロセスは以下の通りである。
S1、測定点の時系列データに基づいて兆候計算を行い、各兆候は異なる計算ロジックに対応する。該期間にどのような兆候が発生したか、その兆候の信頼性を判断する。
Diagnosis method 3 is the fault case matching method, which stores and organizes the information of fault cases through the fault case library, and when a new fault occurs, the system automatically compares it with the data in the fault case library and selects the most similar Find failure cases, extract useful information from them, and diagnose them. Search for time-series data of the corresponding measurement point based on information such as the time period, equipment, and unit that require diagnosis. The diagnostic process is as follows.
S1. Sign calculation is performed based on time series data of measurement points, and each sign corresponds to a different calculation logic. Determine what kind of symptoms occurred during the period and the reliability of those symptoms.

S2、算出された兆候に基づいて対応する故障モードに従ってグループ化を行った後、算出された兆候の信頼度を固定重みに従って正規化処理を行い、各故障モードの信頼度を得る。 S2: After grouping according to the corresponding failure mode based on the calculated symptoms, the reliability of the calculated symptoms is normalized according to a fixed weight to obtain the reliability of each failure mode.

S3、複数の類似度を測る方法によって、上記で発生した兆候と故障事例ライブラリにおける各故障事例に対応する兆候の類似度を計算する。 S3: Calculate the degree of similarity between the symptoms that occurred above and the symptoms corresponding to each failure case in the failure case library using a method of measuring a plurality of similarities.

S4、最後に故障モードの信頼性と類似度を結合し、各故障モードの信頼性、すなわち故障発生の可能性を得る。 S4: Finally, the reliability and similarity of the failure modes are combined to obtain the reliability of each failure mode, that is, the probability of failure occurrence.

診断方法4、ビッグデータモデルアルゴリズムのプロセスは以下の通りである。
S1、診断が必要な時間帯とユニット設備によって、KKSインスタンス化された設備ツリーに基づいて、対応する測定点の時系列データを検索する。
The process of diagnosis method 4, big data model algorithm is as follows.
S1: Search for time-series data of corresponding measurement points based on the KKS instantiated equipment tree according to the time period and unit equipment that require diagnosis.

S2、時系列データに対してテーブル転換処理を行う(ピボットテーブル、pivot、idと、timeと、vフォーマットデータとをid1、id2、id3…フォーマットに変換する)。 S2: Perform table conversion processing on time series data (convert pivot table, pivot, id, time, and v format data into id1, id2, id3, . . . formats).

S3、テーブル転換処理を行った後、時間が合わない場合(同時刻に一部の測定点にデータがあり、一部の測定点にデータがない)があるため、有効電力測定点とユニット水頭測定点に対して前値補正を行う。 S3: After performing the table conversion process, the times may not match (some measurement points have data at the same time, and some measurement points do not), so the active power measurement points and unit water head Perform previous value correction for the measurement point.

S4、有効電力測定点に基づいて、データに対して安定性スクリーニングを行い、具体的なロジックは、
S4.1、ウィンドウtと波動閾値Mを設定し、時間tとなるウィンドウ内のユニットが安定的に運転しているか、すなわち有効電力の波動振幅(当該ウィンドウ内最大値-最小値)がMより小さいかどうかを判断し、
S4.2、ウィンドウを後ろにスライドさせ、判定ロジック1を繰り返す。
S4, perform stability screening on the data based on the active power measurement points, and the specific logic is as follows:
S4.1. Set window t and wave threshold M, and check whether the unit within the window at time t is operating stably, that is, whether the wave amplitude of active power (maximum value - minimum value within the window) is greater than M. Determine whether it is small,
S4.2. Slide the window back and repeat decision logic 1.

S5、すべての空データに対して前値補正を行い、2ステップに分けて前値補正を行う理由はデータの真実性を保証する必要があるためである。 S5: The reason why the previous value correction is performed on all empty data and the previous value correction is performed in two steps is that it is necessary to guarantee the authenticity of the data.

S6、センサレンジを超えた測定点データを選別する。 S6: Select measurement point data that exceeds the sensor range.

S7、目標測定点に対して閾値フィルタを行い、目標測定点が、ユーザーが設定した閾値を超えると、マーキングを行う。 S7: A threshold value filter is applied to the target measurement point, and when the target measurement point exceeds the threshold value set by the user, marking is performed.

S8、マーキングされたデータをデータテーブルに格納し、該テーブルは、モデル開発部と故障診断モジュールのデータ交換に用いられる。 S8: The marked data is stored in a data table, and the table is used for data exchange between the model development department and the fault diagnosis module.

また、診断方法1-4は定量診断であり、定量診断では診断できない場合、知識グラフ診断方法を用いて診断を行い、診断プロセスは以下の通りである。
S1、水力発電ユニット及び故障に関する知識に基づいて、診断に用いられる知識及び関係モデルを設計し、知識ノードはシステム、サブシステム、ユニット、故障事例ライブラリ、FMEA(故障モードと影響解析)ライブラリ、FTA(フォルトツリー解析法)ライブラリ、早期アラーム情報、測定点などを含み、そして知識間の関連関係を整理して水力発電故障診断知識グラフの概念モデルを構築し、具体的には、
第1は、知識グラフは、実際の世界に存在する様々なエンティティまたはコンセプト及びその関係を記述するために使用され、最終的に巨大な意味ネットワーク図を配置する。ここで、ノードはエンティティまたはコンセプトを表し、エッジは属性または関係で配置される。
第2は、ノード(または本体)。コンセプトconcepts、エンティティ(entity)、プロパティ(attribute)、またはイベント(event)を表す。本体は、例えば1台の主変圧器、1人の業務員など、あるいは抽象的なコンセプト、例えばビッグデータプラットフォーム、知識グラフ、発電ユニットなど。
第3は、エッジ(または円弧)。セクションは「関係」に対応し、ノード間に存在する何らかのつながりを表す。エッジのラベルは、関係のタイプ、またはエンティティ間の関係(クラス関係、構成関係など)を表す。
Further, diagnosis method 1-4 is a quantitative diagnosis, and if the diagnosis cannot be made by quantitative diagnosis, diagnosis is performed using the knowledge graph diagnosis method, and the diagnosis process is as follows.
S1. Based on the knowledge about hydropower units and faults, design the knowledge and relationship models used for diagnosis, and the knowledge nodes are system, subsystem, unit, failure case library, FMEA (failure modes and effects analysis) library, FTA. (Fault tree analysis method) Contains libraries, early alarm information, measurement points, etc., and organizes the related relationships between knowledge to construct a conceptual model of hydropower fault diagnosis knowledge graph, specifically,
First, knowledge graphs are used to describe various entities or concepts existing in the real world and their relationships, ultimately arranging a huge semantic network diagram. Here, nodes represent entities or concepts, and edges are arranged with attributes or relationships.
The second is the node (or body). Represents concepts, entities, attributes, or events. The main body can be, for example, one main transformer, one worker, etc., or it can be an abstract concept, such as a big data platform, knowledge graph, power generation unit, etc.
The third is an edge (or arc). A section corresponds to a "relationship" and represents some kind of connection that exists between nodes. Edge labels represent the type of relationship or relationship between entities (class relationship, configuration relationship, etc.).

水力発電ユニットの故障診断知識グラフにおいて、ノードはシステム、部品、設備、故障事例ライブラリ、FMEA(故障モードと影響解析)ライブラリ、FTA(フォルトツリー解析法)ライブラリ、早期アラーム情報、測定点などを含み、そしてノード間のクラス関係、順序関係、因果関係、構成関係などの関係は、共に故障診断知識グラフの概念モデル(FaultDiagnosisKG Conception Model)を構成した。 In the fault diagnosis knowledge graph for hydropower units, nodes include systems, parts, equipment, failure case libraries, FMEA (Failure Modes and Effects Analysis) libraries, FTA (Fault Tree Analysis) libraries, early alarm information, measurement points, etc. , and relationships such as class relationships, order relationships, causal relationships, and configuration relationships between nodes together constitute a conceptual model of a fault diagnosis knowledge graph (FaultDiagnosisKG Conception Model).

S2、知識を分類する。この一環はとても重要で、後期の知識サービス、知識計算、知識推論と知識可視化などのために準備をして、ノードはシステム類、設備類、故障類、方法類、データ類、ユーザー類などに分けられ、関係類は、クラス関係、構成関係、集約関係、インスタンス関係、順序関係、関連関係、依存関係、因果関係、関係者などに分類される。 S2, classify knowledge. This part is very important, as it prepares for later knowledge services, knowledge calculation, knowledge inference and knowledge visualization, etc., and nodes are divided into systems, equipment, failures, methods, data, users, etc. Relationships are classified into class relationships, composition relationships, aggregation relationships, instance relationships, order relationships, association relationships, dependence relationships, causal relationships, related parties, etc.

S3、知識ノードのデータ構造を細分化し、すなわち知識ノードを対象とした故障解析に役立つ関連属性を整理し、例えばユニット(設備KKSコード、設備仕様、作動時間、設備タイプ、メーカーなど)、故障事例(故障事例コード、故障事例名、故障事例簡単な説明、故障事例ソースタイプ、故障事例関連画像など)、故障(故障エンコード、故障モード、故障現象記述、故障レベル、故障影響など)、故障処理(処理措置、処理ステップ、処理効果)、故障特徴(特徴データ、図形特徴、故障データサンプル、故障回復後のデータサンプル)など。 S3, subdivide the data structure of knowledge nodes, that is, organize related attributes useful for failure analysis targeting knowledge nodes, such as units (equipment KKS code, equipment specifications, operating hours, equipment type, manufacturer, etc.), failure cases (fault case code, fault case name, short description of the fault case, failure case source type, failure case related images, etc.), failure (fault encoding, failure mode, failure phenomenon description, fault level, fault effect, etc.), failure processing ( processing measures, processing steps, processing effects), failure characteristics (feature data, graphical features, failure data samples, data samples after failure recovery), etc.

S4、知識グラフを用いてツールを構築し、コンセプト知識モデルをグラフデータベースNeo4jに構築し、コンセプトレベルの知識テンプレートを三つ組(主語、述語、目的語)、例えば(ユニット、関連関係、故障)、(水力タービン、クラス関係、ユニット)、(故障原因、因果関係、故障)、(故障特徴、関連関係、故障兆候)、(故障、関係者、欠陥記録者)、(アラート、関連関係、ユニット)などに転換する。 S4, construct a tool using the knowledge graph, construct a conceptual knowledge model in the graph database Neo4j, and create a concept-level knowledge template using triples (subject, predicate, object), such as (unit, association, fault), ( Hydro turbine, class relationship, unit), (failure cause, causal relationship, failure), (failure characteristic, related relationship, failure sign), (failure, related person, defect recorder), (alert, related relationship, unit), etc. Convert to

S5、知識抽出準備を行う。構造化タイプの知識ノードのためのマッピング設定を行い、半構造化および非構造データのための知識ソース配置と知識注釈などの作業を配置し、および知識抽出タスクの作成およびタスク実行パラメータ(タスク実行頻度、実行カバレッジ範囲、知識カバレッジ方式など)を配置する。 S5: Preparing for knowledge extraction. Configure mapping settings for knowledge nodes of structured type, arrange tasks such as knowledge source placement and knowledge annotations for semi-structured and unstructured data, and create knowledge extraction tasks and task execution parameters (task execution frequency, execution coverage range, knowledge coverage method, etc.).

S6、知識の抽出と更新を行う。知識抽出タスクをタイミングまたは定期的に実行し、事前に作成された水力発電故障診断知識グラフの概念モデルに基づいてグラフデータベースにインスタンス化されたデータを保存し、エンティティ定義の不一致などが発生した場合に人工手段を補助して知識統合を行い、最終的に水力発電故障診断の知識グラフを形成する。 S6: Extract and update knowledge. Execute knowledge extraction tasks on a timed or periodic basis and store instantiated data in a graph database based on a pre-created hydropower fault diagnosis knowledge graph conceptual model, and when encountering entity definition mismatches, etc. Then, artificial means are assisted to perform knowledge integration, and finally form a knowledge graph for hydropower fault diagnosis.

S7、知識の計算と推論を行う。故障診断推論ルールと関連モデルに基づいて、形成された水力発電故障診断知識グラフに対して知識計算或いは知識推論を行い、故障診断結果及び故障解析プロセス記録を得る。 S7, perform knowledge calculation and inference. Based on the fault diagnosis inference rules and related models, knowledge calculations or knowledge inferences are performed on the formed hydropower fault diagnosis knowledge graph to obtain fault diagnosis results and failure analysis process records.

S8、知識の可視化を行う。故障診断結果と解析プロセスを適切な形式でユーザーに表示する。 S8: Visualize knowledge. Display the fault diagnosis results and analysis process to the user in an appropriate format.

各診断方法は1つの診断ノードを構成し、診断ノードはビッグデータモデルアルゴリズムノード、ルールノード、故障事例ライブラリノードとフォルトツリー解析法ノードを含み、診断時、同時にビッグデータモデルアルゴリズムノード、ルールノード、故障事例ライブラリノードとフォルトツリー解析法ノードに入って診断を行い、発電所配置データ、ユニット配置データ、設備配置データを順次診断する。 Each diagnosis method constitutes one diagnosis node, and the diagnosis node includes a big data model algorithm node, a rule node, a fault case library node, and a fault tree analysis method node. Diagnosis is performed by entering the failure case library node and the fault tree analysis method node, and sequentially diagnosing the power plant location data, unit location data, and equipment location data.

具体的な診断プロセスは表2により示される。 The specific diagnostic process is shown in Table 2.

Figure 0007442001000003
Figure 0007442001000003

ステップ3、各診断方法の結果を取得し、結果テーブルは、ビッグデータモデルアルゴリズム結果テーブル、ルール結果テーブル、故障事例ライブラリ結果テーブル、およびフォルトツリー解析法結果テーブルを含む。 Step 3. Obtain the results of each diagnosis method, the result table includes a big data model algorithm result table, a rule result table, a fault case library result table, and a fault tree analysis method result table.

ステップ4、複数の診断方法の診断結果に対して故障診断融合決定を行い、
ステップ4.1、各診断方法の診断結果に対してフィルタ処理を行い、各診断方法の異なる故障モードの確率が最大の結果を取得し、
ステップ4.2、各診断方法がフィルタ処理された結果に対して融合計算処理を行い、最終的な故障モードとその確率を取得する。
Step 4: Make a fault diagnosis fusion decision based on the diagnosis results of multiple diagnosis methods,
Step 4.1: Perform filter processing on the diagnostic results of each diagnostic method, obtain the results with the maximum probability of different failure modes for each diagnostic method,
Step 4.2: Perform fusion calculation processing on the filtered results of each diagnostic method to obtain final failure modes and their probabilities.

ステップ4.2の融合計算は、ツールの結果に一つの故障モードしかない第1種と、ツールの結果に複数の故障モードがある第2種という2種類に分けられ、
ールの結果に一つの故障モードしかない第1種について、表3のように行われる。
The fusion calculation in step 4.2 is divided into two types : the first type, in which the tool result has only one failure mode , and the second type, in which the tool result has multiple failure modes.
For type 1, where there is only one failure mode in the tool results, it is performed as shown in Table 3.

ステップ4.2.1、ツールの結果に複数の故障モードがある第2種に対して、D-S証拠理論に基づく融合決定モデルを用いて計算する必要がある。D-S証拠理論に関する文献は、中国特許文献CN110166437Bが開示したD-S証拠理論に基づく移動目標防御最適戦略の選択方法である。 Step 4.2.1 , For the second type where the tool results have multiple failure modes, it is necessary to calculate using a fusion decision model based on DS evidence theory. A document related to DS evidence theory is a method for selecting a moving target defense optimal strategy based on DS evidence theory disclosed in Chinese patent document CN110166437B.

ステップ5、最終的な診断結果を得る。 Step 5: Obtain the final diagnosis result.

最終的な診断結果には、ルール診断結果、故障事例マッチング結果、フォルトツリー解析法マッチング結果、モデルマッチング結果、知識推論結果が含まれ、最終的に上記最終的な診断結果を集約して統合する。 The final diagnosis results include rule diagnosis results, failure case matching results, fault tree analysis method matching results, model matching results, and knowledge inference results, and finally the above final diagnosis results are aggregated and integrated. .

具体的には、各種診断結果の詳細結果情報を故障診断詳細画面で表示する。ルール診断結果、故障事例マッチング結果、フォルトツリー解析法マッチング結果、モデルマッチング結果、知識推論結果を含み、最終的に各種診断結果を集約して統合し、各種モデルの診断確率と歴史的信頼性を総合し、融合決定を通じて故障診断意思決定結果を与える。 Specifically, detailed result information of various diagnosis results is displayed on a failure diagnosis detail screen. It includes rule diagnosis results, failure case matching results, fault tree analysis method matching results, model matching results, and knowledge inference results, and finally aggregates and integrates various diagnosis results to evaluate the diagnosis probability and historical reliability of various models. Synthesize and give a fault diagnosis decision-making result through fusion decision.

第1は、ルール結果の表示:
詳細な値取り説明、故障モードに基づいて、各故障モードごとに算出された最大確率を結果として、複数の故障モードがあれば複数のモードを取る[1]と、
診断根拠説明、どの故障モードに命中したか、兆候名と発生状況を羅列する[2]と、
兆候に基づく場合、質量不均衡が110条におけるある兆候の組合せに命中したと仮定し、各兆候の信頼性とその組合せの信頼性を羅列し、
特徴パラメータに基づく場合、故障モードが一連の特徴パラメータの計算を連結したと仮定し、該グループの特徴パラメータの計算結果及び計算方法を展示する。
First, displaying rule results:
Detailed pricing explanation, based on the failure mode, the maximum probability calculated for each failure mode is taken as the result, and if there are multiple failure modes, multiple modes are taken [1],
Explaining the diagnosis basis, which failure mode was hit, and listing the symptom name and occurrence situation [2]
When based on signs, assume that mass imbalance hits a certain combination of signs in Article 110, list the reliability of each sign and the reliability of the combination,
When based on feature parameters, it is assumed that the failure mode is a series of feature parameter calculations connected, and the calculation results and calculation method of the feature parameters of the group will be presented.

第2は、故障事例結果の表示:
詳細な値取り説明、故障モードに基づいて、各故障モードごとに算出された最大確率を結果として、複数の故障モードがあれば複数のモードを取る[1]と、
診断根拠説明、メカニズム兆候と特徴パラメータの2種類に分けられる[2]と、
兆候に基づく場合、今回計算に関与した兆候範囲は、何が発生したか、何が発生していないかを羅列し、兆候の組み合わせに基づいて故障モードの発生を推定し、
特徴パラメータに基づく場合、今回計算に関与した特徴パラメータを羅列する。
Second, display of failure case results:
Detailed pricing explanation, based on the failure mode, the maximum probability calculated for each failure mode is taken as the result, and if there are multiple failure modes, multiple modes are taken [1],
It can be divided into two types: diagnostic basis explanation, mechanism signs, and characteristic parameters [2].
When based on symptoms, the symptom range involved in this calculation is a list of what has occurred and what has not occurred, and the occurrence of the failure mode is estimated based on the combination of symptoms.
If it is based on feature parameters, list the feature parameters involved in this calculation.

第3は、フォルトツリー解析法結果の表示:
詳細な値取り説明、フォルトツリー解析法に基づいて、各フォルトツリー解析法のツリーが命中した故障モードを取るとともに、故障影響によってその故障モードで命中した全パスを見ることができる[1]と、
診断根拠説明、フォルトツリー解析法のツリーに、バインドされたアルゴリズム/ルールの故障モードノード、および発生の有無を羅列する[2]。
Third, displaying the fault tree analysis method results:
Detailed value-taking explanation, based on the fault tree analysis method, it is possible to take the failure mode hit by the tree of each fault tree analysis method and view all paths hit in that failure mode according to the fault effect [1]. ,
Diagnosis basis explanation, failure mode nodes of bound algorithms/rules, and occurrence/absence are listed in the tree of the fault tree analysis method [2].

第4は、知識グラフ結果の表示:
詳細な値取り説明、兆候または故障モードに基づいて、今回の推論の完全な関連グラフを形成する[1]と、
診断根拠説明、メカニズム兆候と特徴パラメータの2種類に分けられる[2]と、具体的は、
兆候に基づく場合、今回の計算に兆候が関与した場合は、兆候結果テーブルから関連兆候を取得し、兆候に基づいて該当する故障モード、故障原因及び処理措置を推論し、
特徴パラメータに基づく場合、今回の計算で兆候が見つからない場合は、特徴パラメータ計算のルールIDを起動することにより、相応の故障モードを見つけ、故障モードを通じて関連の故障原因処理措置などを推論する必要がある。
Fourth, displaying knowledge graph results:
Forming a complete association graph of this inference based on detailed value explanations, symptoms or failure modes [1];
It can be divided into two types: diagnostic basis explanation, mechanism signs, and characteristic parameters [2], and specifically,
When based on symptoms, if a symptom is involved in this calculation, obtain the relevant symptom from the symptom result table, infer the corresponding failure mode, failure cause, and treatment measures based on the symptom,
When based on feature parameters, if no symptoms are found in the current calculation, it is necessary to find the corresponding failure mode by activating the rule ID of feature parameter calculation, and infer the related failure cause treatment measures etc. through the failure mode. There is.

第5は、アルゴリズム計算結果の表示:
詳細な値取り説明、故障モードに基づいて、各故障モードごとに算出された最大確率を結果として、複数の故障モードがあれば複数のモードを取る[1]と、
診断根拠説明、各計算サブステップに基づいて、クリックして相応な根拠を表示する[2]。
Fifth, display of algorithm calculation results:
Detailed pricing explanation, based on the failure mode, the maximum probability calculated for each failure mode is taken as the result, and if there are multiple failure modes, multiple modes are taken [1],
Diagnosis basis explanation, based on each calculation sub-step, click to display appropriate basis [2].

第6は、融合計算結果の表示:
故障事例、フォルトツリー解析法、ビッグデータモデルアルゴリズム、ルール、知識グラフの計算結果に基づいて、故障モードに基づいて合併し、ツールごとに確率が最大の3つの故障モードのデータを取って総合的に表示するとともに(表示戦略は調整可能)、故障兆候、故障タイプ、故障原因、特徴パラメータ、重大度、発生度、検出度などの情報融合出力を関連付け、設備状態に対する業務者の判断に科学的根拠を提供する。
Sixth, display of fusion calculation results:
Based on the calculation results of failure cases, fault tree analysis methods, big data model algorithms, rules, and knowledge graphs, we merge them based on failure modes, and take the data of the three failure modes with the highest probability for each tool and synthesize them. (Display strategy can be adjusted) and associates information fusion output such as failure signs, failure types, failure causes, characteristic parameters, severity, occurrence degree, detection degree, etc., to help operators make scientific judgments about equipment status. Provide evidence.

(実施形態1)
図2に示すように、変圧器故障検出を例に故障診断の全プロセスを詳述する。
(Embodiment 1)
As shown in FIG. 2, the entire process of fault diagnosis will be explained in detail using transformer fault detection as an example.

ステップ1、配置データを取得すること
1、FMEA配置の実現方式は以下の通りである。
1.1、FMEA標準テンプレートを構築し、該標準にFMEAデータを追加し、配置が必要な設備を選択することと、
1.2、システム、サブシステム、設備、部品などの異なるレベルに従って、(多層レベル)設備に対応する故障モード、優先度などの情報を配置し、設備と故障モードの間の関連関係を実現することと、
1.3、配置されたすべての故障モードに対して特徴パラメータ及び故障兆候を自動的に取得し、又は故障モードに対応する特徴パラメータを手動で配置することと、
1.4、すべての故障モードに対応するリスク評価情報を配置し、重要度(S)、発生度(O)、検出度(D)などの情報を含み、最終的にFMEAの要約情報を形成すること。
Step 1: Obtain placement data 1. The implementation method of FMEA placement is as follows.
1.1. Build an FMEA standard template, add FMEA data to the standard, and select equipment that needs to be placed;
1.2. Arrange information such as failure modes, priorities, etc. corresponding to (multi-level) equipment according to different levels of systems, subsystems, equipment, parts, etc., and realize the association relationship between equipment and failure modes. And,
1.3. Automatically obtaining feature parameters and failure symptoms for all placed failure modes, or manually placing feature parameters corresponding to failure modes;
1.4. Arrange risk assessment information corresponding to all failure modes, including information such as severity (S), occurrence (O), detection degree (D), and finally form FMEA summary information to do.

ステップ2、複数の診断方法(または複数の診断ツールを利用)を用いて診断を行うこと
2、変圧器故障事例マッチングの実現方法は以下の通りである。
2.1、変圧器の故障事例を手動で作成し、ロジック設備、インスタンス化された設備、故障モードと故障時間帯を選択する。
Step 2. Perform diagnosis using multiple diagnostic methods (or use multiple diagnostic tools). 2. The method for realizing transformer failure case matching is as follows.
2.1. Manually create a transformer failure case and select the logic equipment, instantiated equipment, failure mode and failure time period.

2.2、故障モードにより、FMEAを通じて変圧器故障モードに関わるすべての特徴パラメータを検索し、兆候属性欄、データ特徴に表示され、インスタンス化された設備及び故障時間帯を通じて、この特徴パラメータの数値を全部持ち出すことができる。 2.2. According to the failure mode, search all the characteristic parameters related to the transformer failure mode through FMEA, and display the numerical value of this characteristic parameter through the symptom attribute column, data characteristic, and instantiated equipment and failure time period. You can take them all out.

2.3、故障モードにより、FMEAを通じて当該故障モードの故障原因、処理措置、検出方法などの内容を検索し、自動的に持ち出すことができる。 2.3. Depending on the failure mode, the contents of the failure mode, such as the cause of failure, treatment measures, detection method, etc., can be searched and automatically brought out through FMEA.

2.4、インスタンス化された設備および故障時間帯を通じて、故障データサンプルを生成し、関連付けることができる。アラームなどの情報内容を関連付けることもできる。 2.4. Failure data samples can be generated and correlated across instantiated equipment and failure windows. Information contents such as alarms can also be associated.

2.5、事例の保存とリリースを行う。 2.5. Save and release cases.

2.6、事例マッチングの場合、特徴パラメータの数値に基づいて類似度計算してマッチングを行い、マッチングアルゴリズムは灰色関連分析というマッチングアルゴリズムを使用する。 2.6. In the case of case matching, matching is performed by calculating similarity based on the numerical values of feature parameters, and a matching algorithm called gray association analysis is used as the matching algorithm.

2.7、事例マッチングのプロセスは、まずロジック設備における故障モードをすべて抽出し、時間帯に基づいて故障モードに関連する特徴パラメータを計算し、それから事例内の特徴パラメータの数値とマッチングアルゴリズムによってマッチングし、すべての事例の類似度順序を求める。 2.7. The case matching process first extracts all the failure modes in the logic equipment, calculates the feature parameters related to the failure modes based on the time period, and then matches them with the numerical values of the feature parameters in the case using a matching algorithm. Then, find the similarity order of all cases.

2.8、事例マッチング結果はデータ特徴パラメータと事例特徴パラメータ、及びすべての事例の類似度順序を表示する。 2.8. The case matching result displays the data feature parameters and case feature parameters, and the similarity order of all cases.

3、変圧器ルール(ルール推論)の判断の実現方式は以下の通りである。
3.1、ルールの構築
[1]、ルールデータの設計
a)、入力データオブジェクトを作成し、3つ比率法に関連する6つの測定点を選択する。
3. The implementation method for determining the transformer rule (rule inference) is as follows.
3.1. Rule construction [1]. Rule data design a). Create an input data object and select six measurement points related to the three-ratio method.

b)、中間データセット出力のデータオブジェクトを作成し、最後に出力する変数と、データ処理中の中間データの保存変数を含む。 b) Create a data object for intermediate data set output, including variables to be output at the end and storage variables for intermediate data during data processing.

c)、必要に応じて、いくつかの業務パラメータを定数に設定する。定数を設定する目的は、データを読み取り可能にし、データの保守性を強化する。 c) Set some business parameters to constants as necessary. The purpose of setting constants is to make data readable and to enhance data maintainability.

[2]、ルールロジックの設計
a)、3つ比率法のロジック設計を完成し、順序に従って3つ比率法の実行プロセスをルール的に編成する。
b)、一般的なルールの設計プロセスは以下の通りである。
データの処理、データの加工を完成し、例えばオブジェクト構造から属性値を抽出するなど、データの加工を完了し、関数を用いて変数を処理して目標変数を得る。
[2], Rule logic design a) Complete the logic design of the three-ratio method, and organize the execution process of the three-ratio method in a rule-based manner according to the order.
b), The general rule design process is as follows.
Processing the data, completing the processing of the data, such as extracting attribute values from the object structure, and processing the variables using functions to obtain the target variables.

条件ロジック判断、if…then…elseの構造に従ってビジネスロジックを実行する。 Execute business logic according to conditional logic judgment, if...then...else structure.

3つ比率法ルールのプロセスは大体以下の通り、測定点値を取ることと、3つ比率法の運用条件に合致するかどうかを判断することと、3つ比率を計算することと、比率項目ごとに、異なる比に基づいてエンコードすることと、3つ比率のエンコードの組み合わせに基づいて、故障原因などのデータを提供すること。 The process of the three-proportion method rule is roughly as follows: taking the measurement point value, determining whether the operating conditions of the three-proportion method are met, calculating the three-proportion method, and calculating the ratio item. To provide data such as the cause of failure based on a combination of three ratio encoding.

[3]、ルールクイックテスト、入力データを提供してテストを行い、物理測定点に対して実行することもでき、入力結果が予想通りであるかどうかを確認する。 [3], Rule quick test, test by providing input data and can also be run on physical measurement points to check whether the input results are as expected.

3.2、ルールのスケジュール
[1]、ルールのインスタンス化、インスタンスを作成し、ルールが適用される設備を指定する。
3.2. Scheduling a rule [1], Instantiating a rule, creating an instance and specifying the equipment to which the rule is applied.

[2]、ルールのタスク、周期的に実行する必要があるルールについて、タイミングタスクを作成し、タスクに複数のルールのインスタンスを含むことができる。 [2], Rule Tasks,For rules that need to be executed periodically, a timing task can be created, and the task can contain multiple rule instances.

4.変圧器知識グラフ判断の実現方法は以下の通り、
知識体系の枠組みを構築し、ニーズに基づいて知識を分類し、各分類のタイプとプロパティ情報を明確にするとともに、知識間の関係を事前定義し、各種類の関係を明確にし、維持管理を行う。
4. The method for realizing transformer knowledge graph judgment is as follows.
Build a knowledge system framework, classify knowledge based on needs, clarify the type and property information for each classification, predefine the relationships between knowledge, clarify each type of relationship, and manage and maintain it. conduct.

4.1、知識の表示
知識の表示は、グラフが構築された出力対象、すなわち知識グラフの意味記述フレームワーク、Schema、エンティティ命名及びID体系を決定し、
知識表現標準語には、RDFSとOWLが含まれており、ここで、RDFSはクラスと属性に対する簡単な説明を提供し、RDFデータに語彙モデリングするための言語を提供する。より豊富な定義には、杉からOWL本体までの記述言語が必要である。
4.1. Knowledge Display Knowledge display determines the output target for which the graph is constructed, that is, the semantic description framework, Schema, entity naming and ID system of the knowledge graph,
Knowledge representation standard languages include RDFS and OWL, where RDFS provides simple descriptions for classes and attributes and provides a language for lexical modeling on RDF data. Richer definitions require a descriptive language from Sugi to OWL itself.

基本的なデータモデルとしてRDF(三つ組)があり、その基本的なロジック構造には主語(個人、クラスのインスタンス)、述語(属性)、目的語(個人またはデータタイプのインスタンス)の3つの部分が含まれる。 RDF (triad) is a basic data model, and its basic logic structure has three parts: subject (individual, class instance), predicate (attribute), and object (individual or data type instance). included.

知識の取得、現在、故障モードの情報はFMEAライブラリを主なソースとし、構造化データの知識抽出に向けて、通常はロジックテーブルが三つ組マッピングを通じてRDFデータにマッピングされ、三つ組マッピングはロジックテーブルの各行をいくつかのRDF三つ組にマッピングすることができるルールである。三つ組ルールには、主語マッピングと複数の述語-目的語マッピングの2つのセクションが含まれる。2つ目は述語-目的語マッピングには述語マッピングと目的語マッピングが含まれる。 Knowledge Acquisition,Currently, the failure mode information is mainly sourced from,the FMEA library, and for structured data knowledge extraction,,the logic table is usually mapped to RDF data through triplet mapping,,and triplet mapping allows each row of the logic table to be mapped to RDF data. is a rule that can be mapped to some RDF triplet. The triple rule includes two sections: subject mapping and multiple predicate-object mappings. Second, predicate-object mapping includes predicate mapping and object mapping.

4.2、グラフの構築
[1]、Schemaの定義
Schemaはすなわち知識グラフ中のエンティティ、プロパティ及び関係を明確に定義し、その実行可能な範囲を明確にし、すなわち知識グラフを定義するSchemaは知識グラフを構築する本体と等価である。
4.2, Graph construction [1], Schema definition Schema clearly defines the entities, properties, and relationships in the knowledge graph, and clarifies the executable scope of the knowledge graph. Schema defines the knowledge graph. Equivalent to the body that constructs the graph.

故障診断の応用ニーズに基づいて、ユーザーのニーズを出発点として、データ統計を証拠として、異なるテーマを構築してユーザーのニーズを満たす。 Based on the application needs of fault diagnosis, taking user needs as the starting point and data statistics as evidence, different themes are constructed to meet users' needs.

[2]、本体グラフの構築
故障診断応用シーンの下で、Schema定義を基礎として、故障モード、兆候現象、設備に対して本体スペクトル構築を行い、スペクトルはエンティティ、プロパティ及びエンティティとエンティティ又はエンティティとプロパティの関係を含む。定義された本体をグラフ構築する。
[2] Construction of the main body graph Under the fault diagnosis application scene, the main spectrum is constructed for failure modes, symptoms, and equipment based on the Schema definition, and the spectrum is composed of entities, properties, and entities. Contains property relationships. Construct a graph of the defined body.

4.3、知識の融合
知識融合の目標は本体間の連絡を確立することで、本体と本体間の知識グラフが相互にコミュニケーションでき、それらの相互操作を実現することである。
4.3. Knowledge fusion The goal of knowledge fusion is to establish communication between bodies so that the knowledge graphs between bodies can communicate with each other and realize their mutual operations.

グラフアルゴリズム及びルールにより、本体と本体との関係を計算判断し、自動的に新しい関係グラフを生成する。 Using graph algorithms and rules, it calculates and determines the relationship between bodies and automatically generates a new relationship graph.

5、変圧器故障検出アルゴリズムモデルの構築
最初にタグ付きの故障サンプルを入力した後、フォーマット変換、時間整列、空データの除去などのデータの前処理を行う。次に、分類モデル(例えば、単純ベイズ、サポートベクターマシンなど)によってトレーニングを行う。
5. Construction of transformer fault detection algorithm model After first inputting tagged fault samples, data preprocessing such as format conversion, time alignment, and empty data removal is performed. It is then trained by a classification model (eg, Naive Bayes, Support Vector Machine, etc.).

予測を行う場合、データに対して同じ前処理作業を行い、分類モデルを通じて結果を出力する。
トレーニングデータはユニットの運転期間中に蓄積されたサンプルに由来し、大量の故障と正常なデータが含まれ、まとめることにより、サンプルライブラリを構築する。
When making predictions, we perform the same preprocessing work on the data and output the results through a classification model.
The training data comes from samples accumulated during the unit's operation period, and includes a large amount of fault and normal data, which are compiled to build a sample library.

5.2、故障データに対してラベル処理を行い、すなわち各データの後ろに故障種別標識、例えば「高温放電」、「低温放電」、「部分放電」などを加える。モデルの実行時に、プログラムが認識できる故障コード(「30」、「46」など)に置き換える。計算出力が完了したら、故障の説明に戻す。 5.2. Perform label processing on the fault data, that is, add a fault type indicator, such as "high temperature discharge", "low temperature discharge", "partial discharge", etc., after each data. When running the model, replace it with a fault code (such as "30" or "46") that the program can recognize. Once the calculation output is complete, return to the failure explanation.

6、変圧器FTAの実現方式は以下の通り、
6.1、変圧器ロジックFTAを作成し、FTAノードにロジック設備と故障モードを配置し、高温過熱(700oCより高い)ノードに3つ比率法ルールを配置するなど、配置可能なノードに故障診断方法を関連付ける。
6. The implementation method of transformer FTA is as follows:
6.1. Create a transformer logic FTA, place the logic equipment and failure mode in the FTA node, place three ratio method rules in the high temperature overheating (higher than 700oC) node, etc., and perform failure diagnosis on the nodes that can be placed. Associate methods.

6.2、ロジックFTAの配置が完了したら、完全性検査を行い、検査が完了し、保存し、リリースする。 6.2. Once the logic FTA placement is complete, perform an integrity check, and once the check is complete, save and release.

6.3、ロジックFTAのインスタンス化を行い、例えば中国葛洲ダム変電所2B変圧器へのインスタンス化するような具体的な変電所とユニットへのインスタンス化を行う。 6.3. Perform logic FTA instantiation to specific substations and units, such as instantiation to China Gezhou Dam Substation 2B transformer.

6.4、ロジックFTAのインスタンス化を行い、FTAインスタンスを生成し、FTAインスタンスは異なる工場とユニットに基づいて再編集、保存し、リリースすることができる。 6.4. Perform logic FTA instantiation to generate FTA instances, and FTA instances can be re-edited, saved and released based on different factories and units.

6.5、FTAの診断、高度なアプリケーション-故障診断が要求パラメータKKSコード、故障時間帯を送信する。FTAはKKSに基づいて対応するFTAインスタンスをマッチングし、且つFTAインスタンス上のすべてのノードに関連された診断方法を起動し、診断方法が実行されると診断結果に戻り、該診断結果はFTAノードに反映され、且つ赤、緑の色に表示される。そして各ノードからフィードバックされた故障に基づいて、トップイベントの発生確率を推定する。 6.5, FTA diagnosis, advanced application - Fault diagnosis sends request parameters KKS code, fault time period. The FTA matches the corresponding FTA instance based on the KKS, and launches the diagnostic method associated with all nodes on the FTA instance, returns to the diagnostic result after the diagnostic method is executed, and the diagnostic result is transferred to the FTA node. and displayed in red and green. Then, the probability of occurrence of the top event is estimated based on the failures fed back from each node.

ステップ3は、ワークフローにおいて、故障モード、関連する診断プロセス及び診断ツールを配置する。 Step 3 places failure modes, associated diagnostic processes and diagnostic tools in the workflow.

1、作成プロセス
作成プロセスは、モデル名、モデルkey、モデル説明を入力し、ここでのモデルkeyは純粋な数字ではなく、後のインタフェースで呼び出すときに使用する必要があり、keyとして使用する。OKに入ったら、保存に成功すれば、空白のプロセスが作成される。
1. Creation Process In the creation process, the model name, model key, and model description are input. The model key here is not a pure number, but needs to be used when calling in a later interface, and is used as a key. If you enter OK and the save is successful, a blank process will be created.

2、プロセス設計
[1]プロセス設計の開始
事例、ルール、FTA、知識マッブ、アルゴリズムモデルのプロセスノードイベントを設計パネルにドラッグし、異なる要素を矢印(シーケンスフロー)で接続する必要がある。
2. Process design [1] Start process design It is necessary to drag the process node events of cases, rules, FTAs, knowledge maps, and algorithm models to the design panel and connect different elements with arrows (sequence flows).

HTTPタスクの場合、まず実行サウンドモニターについて、restサービスの成功または失敗は通常、単にHTTPのStatus Codeのみに頼ることではなく、バックエンドコードに書き込まれたことによって判断する。したがって、ここで実行サウンドモニターは、このHTTPサービス呼び出しが本当に成功したかどうかをワークフローに認識させるために、いくつかの変数を配置するためのものである。呼び出しが成功したかどうかを関係しない場合は、ここでは配置は必要ない。 For HTTP tasks, first for the execution sound monitor, the success or failure of the rest service is usually determined by what is written in the backend code, rather than relying solely on the HTTP Status Code. So the sound monitor running here is to put some variables in place so that the workflow knows if this HTTP service call was indeed successful. If it does not matter whether the call was successful or not, no placement is needed here.

[2]イベントの+記号を入力して、新しいイベントを追加する
イベントは、endを選択
クラスは、固定値com.dhcc.flowable.common.listener.HttpTaskExecuteListener、
Nameの+番号を入力して、一つのフィールドを追加し、
名称は、固定値success
表現式は、responseResは固定されており、残りは実際のインタフェースのフィールドが何に等しいかに基づいて配置されている。例えば、実際のインタフェースの戻り値は{statusCode:0,data:[XXXXX]}であり、statusCodeが0で表されている場合、ここでは${responseRes.statusCode==0}に設定される。
Nameの+番号を入力し、一つのフィールドを追加し、
名称は、固定値errMsg、
表現式は、responseResは固定されており、残りは実際のインタフェースのエラー情報フィールドに基づいて配置されている。たとえば、実際のインタフェースの戻り値が{statusCode:-7777,errorMessage:‘エラー’}であれば、ここでは${responseRes.errorMessage}に設定し、
実行サウンドモニターの配置が完了したら、HTTPサービスタスクのその他のプロパティを配置する必要があり、
[3]、要求方法は、GETまたはPOSTを選択する
URL:${requestHost}を固定値として要求し、後のアドレスは実際の状況に基づいて記入し、
要求ヘッダーは、authorization:${authorization}は固定値であり、インタフェースがbodyを着信する必要がある場合は、2行目にContent-Type:application/jsonを配置し、着信する必要がない場合はContent-Type:application/x-www-form-urlencodedを配置し、
[4]、要求ボディは、固定値${requestBody}、インタフェースパラメータには変数requestBody及び対応する値を着信する必要があることを注意してください。該値はHTTPサービスを呼び出す際にパラメータとして着信される。
要求タイムアウト時間は、固定値100000(または実際の状況に応じて変更)であり、
応答変数名は、固定値responseResであり、
レスポンスをJSONとして保存し、固定値true。
[2] Enter the + sign for the event to add a new event. For the event, select end. For the class, set the fixed value com. dhcc. flowable. common. listener. HttpTaskExecuteListener,
Enter + number for Name and add one field.
The name is the fixed value success
The expression is such that responseRes is fixed and the rest are arranged based on what the fields of the actual interface are equal to. For example, the return value of the actual interface is {statusCode: 0, data: [XXXXX]}, and if statusCode is represented by 0, here ${responseRes. statusCode==0}.
Enter + number for Name, add one field,
The name is fixed value errMsg,
In the expression, responseRes is fixed, and the rest are arranged based on the error information field of the actual interface. For example, if the return value of the actual interface is {statusCode: -7777, errorMessage: 'Error'}, here it is ${responseRes. errorMessage},
Once you have placed the execution sound monitor, you need to place other properties for the HTTP service task.
[3] Select GET or POST as the request method URL: Request ${requestHost} as a fixed value, fill in the following address based on the actual situation,
In the request header, authorization: ${authorization} is a fixed value, and if the interface needs to receive the body, place Content-Type: application/json on the second line, and if there is no need to receive the body, place Place Content-Type: application/x-www-form-urlencoded,
[4] Please note that the request body has a fixed value ${requestBody}, and the interface parameter must receive the variable requestBody and the corresponding value. The value is received as a parameter when calling the HTTP service.
The request timeout period is a fixed value of 100000 (or changed according to the actual situation),
The response variable name is a fixed value responseRes,
Save the response as JSON, fixed value true.

ステップ4、融合決定をし、結果の表示を行う。故障診断の高度なアプリケーションにおいて、情報スキャンの開始と終了時間を選択し、必要に応じて全ステーションのすべてのユニットを選択するか、あるいは指定された単一ユニットの設備を選択して故障スキャン診断を行う。プロセス管理ツールは、バックグラウンドでさまざまな診断ツールを同時に起動し、診断結果をそれぞれ故障診断の高度なアプリケーションのフロントエンドインタフェースに戻って表示する。各種診断結果の詳細な結果情報を故障診断インタフェースで表示できる。 Step 4: Make a fusion decision and display the results. In the advanced application of fault diagnosis, select the start and end time of the information scan and optionally select all units of all stations or select a specified single unit of equipment for fault scan diagnosis. I do. The process management tool simultaneously launches various diagnostic tools in the background and displays their diagnostic results back to the front-end interface of the advanced fault diagnosis application. Detailed result information of various diagnostic results can be displayed on the fault diagnosis interface.

上記の実施例は本発明の好ましい態様のみであり、本発明に対する制限とみなすべきではなく、本発明の保護範囲は請求項に記載の態様、請求項に記載の態様における技術的特徴を含む均等な置換態様を保護範囲とするべきである。すなわち、この範囲内での同等の置換改良は、本発明の保護範囲内である。


The above embodiments are only preferred embodiments of the present invention and should not be considered as limitations on the present invention, and the protection scope of the present invention covers the embodiments described in the claims and equivalents including technical features of the embodiments described in the claims. The scope of protection should be such substitution aspects. That is, equivalent substitution improvements within this range are within the protection scope of the present invention.


Claims (1)

発電所配置データと、ユニット配置データと、設備配置データと、FMEA故障モード配置データと、診断ワークフロー配置データを取得する故障スキャン診断前の準備作業を行うステップ1と、
ビッグデータモデルアルゴリズム、ルール推論、故障事例マッチング法とフォルトツリー解析法を含む多種の診断方法を利用して発電所配置データと、ユニット配置データと、設備配置データを診断する故障診断を開始するステップ2と、
各診断方法の結果を取得するステップ3と、
複数の診断方法の診断結果に対して故障診断融合決定を行うステップ4と、
最終的な診断結果を得るステップ5と、を含
ステップ1のサブステップは、
発電所コード、発電所配置データ関連ユニット情報テーブル、発電所配置データidが含まれる発電所配置データを取得するステップ1.1と、
ユニットコード、ユニット配置データ関連設備リスト、ユニット配置データidが含まれるユニット配置データを取得するステップ1.2と、
設備名、設備コード、設備配置データに関連されて導入されたシステム設備情報テーブルが含まれる設備配置データを取得するステップ1.3と、
すべての故障モード情報、設備ロジック情報を取得するステップ1.4と、を含み、
ステップ2において、各診断方法は1つの診断ノードを構成し、診断ノードはビッグデータモデルアルゴリズムノード、ルールノード、故障事例ライブラリノードとフォルトツリー解析法ノードを含み、診断時、同時にビッグデータモデルアルゴリズムノード、ルールノード、故障事例ライブラリノードとフォルトツリー解析法ノードに入って診断を行い、発電所配置データ、ユニット配置データ、設備配置データを順次診断し、
ステップ3の結果テーブルは、ビッグデータモデルアルゴリズム結果テーブル、ルール結果テーブル、故障事例ライブラリ結果テーブル、およびフォルトツリー解析法結果テーブルを含み、
ステップ4のサブステップは、
各診断方法の診断結果に対してフィルタ処理を行い、各診断方法の異なる故障モードの確率が最大の結果を取得するステップ4.1と、
各診断方法のフィルタ処理された結果に対して融合計算処理を行い、最終的な故障モードとその確率を取得するステップ4.2とを含み、
ステップ4.2の融合計算は、ツールの結果に一つの故障モードしかない第1種と、ツールの結果に複数の故障モードがある第2種という2種類に分けられ、
ツールの結果に一つの故障モードしかない第1種について、表1のように行われ、

ツールの結果に複数の故障モードがある第2種に対して、D-S証拠理論に基づく融合決定モデルを用いて計算する必要があり、
フォルトツリー解析法のプロセスは、
故障を故障トップイベント、中間イベントと基本イベントの三つのレベルに分け、故障トップイベントは複数の中間イベントを含み、中間イベントは複数の基本イベントを含むステップ1と、
各レベルの故障イベントの間はロジックゲートを通じて接続され、故障解析のツリー構造を形成するステップ2と、
各レベルの故障イベントは、相応な故障兆候に対応するステップ3と、を含み、
ルール推論のプロセスは、
既知の故障モードと故障兆候の関係の経験データによってルールを確立し、入力された故障兆候データに基づいて、故障モードの発生確率を判断するS1と、
設備の時系列データに対して解析モデルを構築し、関連する故障兆候が発生しているか否かを解析するS2と、
S2で解析された設備兆候データを該ルールのインタフェースに入力されたJSON構造にカプセル化し、S1で確立されたルールRESTインタフェースを要求するS3と、
ルールの実行エンジンによって処理RESTインタフェース要求を処理し、該ルールにデータを入力し、故障モードの発生確率を判定して出力するS4と、を含み、
ビッグデータモデルアルゴリズムのプロセスは、まずタグ付き故障サンプルを入力した後、データ前処理を行い、それから分類モデルによってトレーニングを行い、予測を行う場合、データに対して同様の前処理作業を行い、分類モデルによって結果を出力することを含むことを特徴とする水力発電ユニットの故障総合診断方法。
Step 1 of performing preparatory work before failure scan diagnosis to obtain power plant location data, unit location data, equipment location data, FMEA failure mode location data, and diagnostic workflow location data;
Initiating fault diagnosis to diagnose power plant layout data, unit layout data, and equipment layout data using various diagnostic methods including big data model algorithms, rule inference, fault case matching methods, and fault tree analysis methods. 2 and
Step 3 of obtaining the results of each diagnostic method;
Step 4: performing a fault diagnosis fusion decision on the diagnosis results of the plurality of diagnosis methods;
step 5 of obtaining a final diagnosis result;
The substeps of step 1 are:
Step 1.1 of acquiring power plant location data including a power plant code, a power plant location data related unit information table, and a power plant location data ID;
Step 1.2 of acquiring unit placement data including a unit code, unit placement data related equipment list, and unit placement data ID;
Step 1.3 of acquiring equipment layout data including equipment name, equipment code, and installed system equipment information table associated with the equipment layout data;
step 1.4 of obtaining all failure mode information, equipment logic information;
In step 2, each diagnosis method constitutes one diagnosis node, and the diagnosis node includes a big data model algorithm node, a rule node, a fault case library node and a fault tree analysis method node, and at the time of diagnosis, the big data model algorithm node , enter the rule node, failure case library node, and fault tree analysis method node to perform diagnosis, sequentially diagnose power plant layout data, unit layout data, and equipment layout data,
The result table of step 3 includes a big data model algorithm result table, a rule result table, a fault case library result table, and a fault tree analysis method result table;
The substeps of step 4 are:
step 4.1 of filtering the diagnostic results of each diagnostic method to obtain the results with the maximum probability of different failure modes for each diagnostic method;
step 4.2 of performing a fusion calculation process on the filtered results of each diagnostic method to obtain a final failure mode and its probability;
The fusion calculation in step 4.2 is divided into two types: the first type, in which the tool result has only one failure mode, and the second type, in which the tool result has multiple failure modes.
For Type 1, which has only one failure mode in the tool results, it is performed as shown in Table 1,

For type 2, where the tool results have multiple failure modes, it is necessary to calculate using a fused decision model based on the D-S evidence theory.
The process of fault tree analysis method is
Divide the failure into three levels: a failure top event, an intermediate event, and a basic event, a step 1 in which the failure top event includes a plurality of intermediate events, and the intermediate event includes a plurality of basic events;
Step 2: connecting failure events at each level through logic gates to form a tree structure for failure analysis;
Each level of failure event includes step 3 corresponding to a corresponding failure symptom;
The process of rule inference is
S1, which establishes rules based on empirical data on the relationship between known failure modes and failure signs, and determines the probability of failure mode occurrence based on the input failure sign data;
S2: constructing an analytical model for the time-series data of the equipment and analyzing whether or not related failure signs have occurred;
S3 encapsulating the equipment symptom data parsed in S2 into a JSON structure input to the rule interface and requesting the rule REST interface established in S1;
processing the processing REST interface request by a rule execution engine, inputting data to the rule, determining and outputting a failure mode occurrence probability;
The process of big data model algorithm is to first input tagged fault samples, then perform data preprocessing, and then train with a classification model. A method for comprehensively diagnosing a failure of a hydroelectric power generation unit, the method comprising outputting a result using a model .
JP2023098701A 2022-11-17 2023-06-15 Comprehensive failure diagnosis method for hydroelectric power generation units Active JP7442001B1 (en)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN202211440560.XA CN115718472A (en) 2022-11-17 2022-11-17 Fault scanning and diagnosing method for hydroelectric generating set
CN202211440560.X 2022-11-17
CN202310536536.4A CN116771576A (en) 2022-11-17 2023-05-12 Comprehensive fault diagnosis method for hydroelectric generating set
CN202310536536.4 2023-05-12

Publications (2)

Publication Number Publication Date
JP7442001B1 true JP7442001B1 (en) 2024-03-01
JP2024073353A JP2024073353A (en) 2024-05-29

Family

ID=85255446

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023098701A Active JP7442001B1 (en) 2022-11-17 2023-06-15 Comprehensive failure diagnosis method for hydroelectric power generation units

Country Status (2)

Country Link
JP (1) JP7442001B1 (en)
CN (2) CN115718472A (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992958B (en) * 2023-09-27 2024-03-12 中国长江电力股份有限公司 Method for automatically generating FTA real-time dynamic tree based on fault knowledge base
CN117666546B (en) * 2024-01-31 2024-05-03 中核武汉核电运行技术股份有限公司 Distributed control system fault diagnosis method and device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000346681A (en) 1999-06-02 2000-12-15 Japan Nuclear Cycle Development Inst States Of Projects Abnormality diagnostic device
JP2017134742A (en) 2016-01-29 2017-08-03 日立Geニュークリア・エナジー株式会社 Plant monitoring device and program
JP2018163645A (en) 2017-03-24 2018-10-18 株式会社東芝 Fault diagnosis device, monitoring device, fault diagnosis method, and fault diagnosis program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000346681A (en) 1999-06-02 2000-12-15 Japan Nuclear Cycle Development Inst States Of Projects Abnormality diagnostic device
JP2017134742A (en) 2016-01-29 2017-08-03 日立Geニュークリア・エナジー株式会社 Plant monitoring device and program
JP2018163645A (en) 2017-03-24 2018-10-18 株式会社東芝 Fault diagnosis device, monitoring device, fault diagnosis method, and fault diagnosis program

Also Published As

Publication number Publication date
CN116771576A (en) 2023-09-19
CN115718472A (en) 2023-02-28

Similar Documents

Publication Publication Date Title
CN111985561B (en) Fault diagnosis method and system for intelligent electric meter and electronic device
JP7442001B1 (en) Comprehensive failure diagnosis method for hydroelectric power generation units
Wu et al. Literature review and prospect of the development and application of FMEA in manufacturing industry
CN114579875B (en) Equipment fault diagnosis and maintenance knowledge recommendation system based on knowledge graph
CN110008288A (en) The construction method in the knowledge mapping library for Analysis of Network Malfunction and its application
US20050043922A1 (en) Analysing events
CN110942086B (en) Data prediction optimization method, device, equipment and readable storage medium
US20120304008A1 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN112910089A (en) Transformer substation secondary equipment fault logic visualization method and system
Li et al. Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network
JP2024073353A (en) Comprehensive fault diagnosis method for hydroelectric power generation units
CN112817280A (en) Implementation method for intelligent monitoring alarm system of thermal power plant
CN101989087A (en) On-line real-time failure monitoring and diagnosing system device for industrial processing of residual oil
CN110032463B (en) System fault positioning method and system based on Bayesian network
CN104267346B (en) A kind of generator excited system Remote Fault Diagnosis method
CN111581739A (en) Helicopter intelligent fault diagnosis method based on fault tree and case reasoning
CN112559237B (en) Operation and maintenance system troubleshooting method and device, server and storage medium
US20230123527A1 (en) Distributed client server system for generating predictive machine learning models
CN110597235A (en) Universal intelligent fault diagnosis method
Liu et al. A concurrent fault diagnosis method of transformer based on graph convolutional network and knowledge graph
CN112241424A (en) Air traffic control equipment application system and method based on knowledge graph
CN117689256A (en) Aluminum alloy casting product quality tracing method
CN117521498A (en) Charging pile guide type fault diagnosis prediction method and system
CN110275875B (en) Method and apparatus for providing an instantiated industrial semantic model for an industrial infrastructure
CN103383649A (en) Design model of complex virtual instrument system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230615

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230615

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230620

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231030

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240123

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240219

R150 Certificate of patent or registration of utility model

Ref document number: 7442001

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150