CN103439091B - 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 - Google Patents
水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 Download PDFInfo
- Publication number
- CN103439091B CN103439091B CN201310255982.4A CN201310255982A CN103439091B CN 103439091 B CN103439091 B CN 103439091B CN 201310255982 A CN201310255982 A CN 201310255982A CN 103439091 B CN103439091 B CN 103439091B
- Authority
- CN
- China
- Prior art keywords
- group
- runner blade
- turbine runner
- water turbine
- motors
- 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.)
- Expired - Fee Related
Links
Landscapes
- Hydraulic Turbines (AREA)
- Control Of Water Turbines (AREA)
Abstract
本发明提供一种水轮机转轮叶片裂纹故障早期预警和诊断方法，包括：采集发生过水轮机转轮叶片裂纹故障的水电机组带故障运行时的历史故障数据组，根据历史故障数据组生成水轮机转轮叶片裂纹故障状态数据集合，并根据水轮机转轮叶片裂纹故障状态数据集合内所有数据组内参数的特征分布生成水电机组的水轮机转轮叶片裂纹故障状态数据模型，随后通过所述水电机组的水轮机转轮叶片裂纹故障状态数据模型对没有发生过裂纹故障的水电机组的水轮机进行状态监测，当水轮机转轮叶片状态与水轮机转轮叶片裂纹故障状态数据模型接近时，发布水轮机转轮叶片裂纹故障的早期预警。该方案能够在水电机组的故障早期实现预警及相关诊断以预防水电机组的非计划停机事故。
Description
技术领域
本发明属于水电机组状态检测技术领域，尤其涉及一种基于运行数据挖掘技术的水轮机转轮叶片裂纹故障早期预警和诊断方法及系统。
背景技术
国内大部分水电站建成于上世纪70-80年代，受当时制造水平的限制，转轮叶片材质有0Cr13Ni5MoRe和15MnMoVCu两种，上下冠材质都为20MoSi。由于15MnMoVCu金属存在一定的缺陷，因此水轮机转轮的叶片裂纹频繁发生，尤其转轮叶片以15MnMoVCu材质的叶片裂纹最为严重，且大部分为贯穿性裂纹，裂纹情况也比较复杂。水轮机转轮的叶片裂纹的产生严重威胁水电厂的安全经济运行，随着水电站投运水电机组的长期运行，如何对水电机组的叶片裂纹进行监测对提高水电机组的检修维护水平，具有非常现实的重大意义。
目前国内外的很多水电机组厂家和研究机构都已经开展了对水电机组状态监测系统的研究和开发，这些系统采用传统的水电机组振动监测分析技术，通过在水电机组的关键部位添加振动、位移等信号传感器，对机组的关键参数进行在线监测和分析诊断，虽然这些系统可以为水电机组的运行和检修提供帮助，但却无法对水电机组的整体运行状态进行定量评估，也无法在水电机组出现事故征兆的早期提供故障早期预警诊断，因此，需要一种能够及时了解水电机组的运行状态，评估其安全状况，在水电机组的故障早期实现预警及相关诊断以预防水电机组的非计划停机事故的故障监测方案。
发明内容
为了解决现有的水电机组振动监测分析技术无法对水电机组提供故障早期预警诊断的问题，提供一种水轮机转轮叶片裂纹故障早期预警和诊断方法及系统，本发明提供的方案能够实现水电机组状态评估与预警诊断，并为水电机组对象的潜在故障优化操作提供指导。
本发明提供一种水轮机转轮叶片裂纹故障早期预警和诊断方法，包括以下步骤：
数据采集步骤，采集若干个水电机组发生水轮机转轮叶片裂纹故障时一段时间内各时间点的历史故障数据，得到各水电机组在若干个时间点分别对应的历史故障数据组；
模型计算步骤，基于所采集的各水电机组在若干个时间点分别对应的历史故障数据组，生成各水电机组的水轮机转轮叶片裂纹故障状态数据集合，并根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组内参数的分布特征，抽取典型特征数据组，计算出用于反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型；
预警线建立步骤，对于每个水电机组，通过该水电机组的水轮机转轮叶片裂纹故障状态数据模型对用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的典型特征数据组进行计算，得到该水电机组的水轮机转轮叶片裂纹故障安全预警线；
实时评估步骤，采集目标水电机组的实时状态数据，计算所述目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值；
预警步骤，判断当前得到的目标水电机组的在线实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值是否高于该台水电机组的水轮机转轮叶片裂纹故障安全预警线，若是，则预警提示该目标水电机组的水轮机转轮叶片裂纹故障。
优选地，当预警步骤中预警提示该目标水电机组的水轮机转轮叶片裂纹故障后，上述方法还包括诊断分析步骤：将当前采集的目标水电机组的实时状态数据结合数据采集步骤中采集的目标水电机组的历史故障数据组，分析当前采集的目标水电机组的实时状态数据的转轮叶片裂纹故障特征，根据预先存储的典型故障种类特征诊断当前目标水电机组的故障类型。
优选地，所述数据采集步骤中对每个水电机组在每个时间点采集一个历史故障数据组，每个历史故障数据组包括：截至当前时间点该水电机组在转轮叶片裂纹故障工况下的运行时间、该时间点该水电机组所有变量参数的实时数据、转轮叶片裂纹故障状态。
优选地，所述典型特征数据组包含相应水电机组的水轮机转轮叶片裂纹故障状态数据集合中的极值状态数据组；所述模型计算步骤中，所述根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，包括：对于每个水电机组，在该水电机组的水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度大的地方，抽取的典型特征数据组的数量小于在所述水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据租的数量。
优选地，上述任一种水轮机转轮叶片裂纹故障早期预警和诊断方法中，所述预警线建立步骤具体包括：对于每个水电机组，将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的每个典型特征数据组与该水电机组的水轮机转轮叶片裂纹故障状态数据模型中的每个状态点的数值组进行比较计算，从该水电机组的水轮机转轮叶片裂纹故障状态数据模型中找到与当前典型特征数据组最接近的数值组；计算当前典型特征数据组和该水电机组的水轮机转轮叶片裂纹故障状态数据模型中与当前典型特征数据组最接近的数值组之间的距离并将其作为当前典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值；将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的所有典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值中的最大值作为该水电机组的水轮机转轮叶片裂纹故障安全预警线。
优选地，所述实时评估步骤具体包括：采集目标水电机组的实时状态数据，将所述目标水电机组的实时状态数据与目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中每个状态点的数值组进行比较计算，并将目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中各数值组与该目标水电机组当前运行时刻的实时状态数据之间的最小距离作为该目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值。
优选地，所述实时评估步骤还包括：采集目标水电机组在线运行一段时间内各运行时刻的实时状态数据，将这段运行时间内各运行时刻的实时状态数据组成实时状态值集合；计算所述实时状态值集合中目标水电机组的每组实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值；将该目标水电机组在这段运行时间内每个运行时刻的在线相似度值形成为该目标水电机组的相似度曲线。
优选地，所述预警步骤还包括：根据目标水电机组的实时状态数据中各参数对该目标水电机组的相似度曲线影响度由大到小的顺序，将目标水电机组的实时状态数据中各参数排序后输出。
对应于本发明提供的一种水轮机转轮叶片裂纹故障早期预警和诊断方法，本发明还提供一种水轮机转轮叶片裂纹故障早期预警和诊断系统，该系统包括：
数据采集单元，用于采集若干个水电机组发生水轮机转轮叶片裂纹故障时一段时间内各时间点的历史故障数据，得到各水电机组在若干个时间点分别对应的历史故障数据组并将其发送给模型计算单元；还用于采集目标水电机组的实时状态数据并将其发送给实时评估单元；
模型计算单元，用于根据所述数据采集单元提供的各水电机组在若干个时间点分别对应的历史故障数据组，生成各水电机组的水轮机转轮叶片裂纹故障状态数据集合，并根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，计算出用于反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型并将所述各水电机组的水轮机转轮叶片裂纹故障状态数据模型提供给预警线建立单元；
预警线建立单元，用于通过每个水电机组的水轮机转轮叶片裂纹故障状态数据模型对用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的典型特征数据组进行计算，得到该水电机组的水轮机转轮叶片裂纹故障安全预警线并将所述水电机组的水轮机转轮叶片裂纹故障安全预警线提供给预警单元；
实时评估单元，用于根据数据采集单元提供的目标水电机组的实时状态数据，计算所述目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值并将其提供给预警单元；
预警单元，用于判断当前实时评估单元提供的目标水电机组的在线实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值是否高于预警线建立单元所提供的该台水电机组的水轮机转轮叶片裂纹故障安全预警线，若是，则预警提示该目标水电机组的水轮机转轮叶片裂纹故障。
优选地，上述系统还包括诊断分析单元；所述数据采集单元还用于将当前采集的目标水电机组的实时状态数据以及该目标水电机组在若干个时间点分别对应的历史故障数据组发送给诊断分析单元；所述预警单元还用于在预警提示该目标水电机组的水轮机转轮叶片裂纹故障的同时向所述诊断分析单元发送预警诊断通知；所述诊断分析单元用于在收到所述预警单元发来的预警诊断通知时，结合当前所述数据采集单元提供的目标水电机组的实时状态数据和该目标水电机组的历史故障数据组，分析该目标水电机组的实时状态数据的转轮叶片裂纹故障特征，并根据预先存储的典型故障种类特征诊断当前目标水电机组的故障类型。
优选地，所述数据采集单元对每个水电机组在每个时间点采集一个历史故障数据组，且采集的每个历史故障数据组包括数据：截至当前时间点该水电机组在转轮叶片裂纹故障工况下的运行时间、该时间点该水电机组所有变量参数的实时数据、转轮叶片裂纹故障状态。
优选地，所述模型计算单元抽取的典型特征数据组包含相应水电机组的水轮机转轮叶片裂纹故障状态数据集合中的极值状态数据组；所述模型计算单元根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，包括：对于每个水电机组，所述模型计算单元在该水电机组的水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度大的地方，抽取的典型特征数据组的数量小于在所述水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据租的数量。
优选地，上述任一项所述的一种水轮机转轮叶片裂纹故障早期预警和诊断系统中，所述预警线建立单元通过每个水电机组的水轮机转轮叶片裂纹故障状态数据模型对用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的典型特征数据组进行计算，得到该水电机组的水轮机转轮叶片裂纹故障安全预警线，具体包括：对于每个水电机组，所述预警线建立单元首先将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的每个典型特征数据组与该水电机组的水轮机转轮叶片裂纹故障状态数据模型中的每个状态点的数值组进行比较计算，从该水电机组的水轮机转轮叶片裂纹故障状态数据模型中找到与当前典型特征数据组最接近的数值组；随后所述预警线建立单元计算当前典型特征数据组和该水电机组的水轮机转轮叶片裂纹故障状态数据模型中与当前典型特征数据组最接近的数值组之间的距离并将其作为当前典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值；最后所述预警线建立单元将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的所有典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值中的最大值作为该水电机组的水轮机转轮叶片裂纹故障安全预警线。
优选地，所述实时评估单元根据数据采集单元提供的目标水电机组的实时状态数据，计算所述目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值，具体包括：所述实时评估单元采集目标水电机组的实时状态数据，将所述目标水电机组的实时状态数据与目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中每个状态点的数值组进行比较计算，并将目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中各数值组与该目标水电机组当前运行时刻的实时状态数据之间的最小距离作为该目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值。
优选地，所述实时评估单元还用于采集目标水电机组在线运行一段时间内各运行时刻的实时状态数据，并将这段运行时间内各运行时刻的实时状态数据组成实时状态值集合，随后计算所述实时状态值集合中目标水电机组的每组实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值，并将该目标水电机组在这段运行时间内每个运行时刻的在线相似度值形成为该目标水电机组的相似度曲线输出。
优选地，所述预警单元还用于根据目标水电机组的实时状态数据中各参数对该目标水电机组的相似度曲线影响度由大到小的顺序，将目标水电机组的实时状态数据中各参数排序后输出。
本发明的上述技术方案的有益效果如下：
本发明提供的技术方案基于水电机组历史故障数据建立了反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型，通过分析水电机组实时状态数据与的水轮机转轮叶片裂纹故障状态数据模型之间的相似度曲线，设定有明确工程意义的预警基准线，该方案能够使用户及时了解水电机组的运行状态，评估其安全状况，在水电机组的故障早期实现预警及相关诊断以预防水电机组的非计划停机事故。此外，该方案进一步通过对影响的相似度曲线的参数按其影响度大小进行排序后为水电机组对象的潜在故障优化操作提供指导。
附图说明
图1为本发明实施例提供的一种水轮机转轮叶片裂纹故障早期预警和诊断方法流程图；
图2为本发明实施例提供的另一种水轮机转轮叶片裂纹故障早期预警和诊断方法流程图；
图3为图2中S3的具体实施方法流程图；
图4为本发明实施例提供的一种水轮机转轮叶片裂纹故障早期预警和诊断系统结构示意图；
图5为本发明实施例提供的另一种水轮机转轮叶片裂纹故障早期预警和诊断系统结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
图1所示为本发明实施例提供的一种水轮机转轮叶片裂纹故障早期预警和诊断方法流程图，该方法包括以下步骤：
S1：数据采集步骤。此步骤中采集若干个水电机组发生水轮机转轮叶片裂纹故障时一段时间内各时间点的历史故障数据，得到各水电机组在若干个时间点分别对应的历史故障数据组；
S2：模型计算步骤。此步骤中基于上一步骤所采集的各水电机组的若干个时间点分别对应的历史故障数据组，生成各水电机组的水轮机转轮叶片裂纹故障状态数据集合，并根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，计算出用于反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型；
S3：预警线建立步骤。此步骤中对于每个水电机组，通过该水电机组的水轮机转轮叶片裂纹故障状态数据模型对用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的典型特征数据组进行计算，得到该水电机组的水轮机转轮叶片裂纹故障安全预警线；
S4：实时评估步骤。此步骤中采集目标水电机组的实时状态数据，计算目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值；
S5：预警步骤。此步骤判断当前得到的目标水电机组的在线实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值是否高于该台水电机组的水轮机转轮叶片裂纹故障安全预警线，若是，则预警提示该目标水电机组的水轮机转轮叶片裂纹故障。
较佳地，如图2所示，本发明实施例提供的一种水轮机转轮叶片裂纹故障早期预警和诊断方法中，在图1所示步骤S5之后还包括步骤：
S6：诊断分析步骤。此步骤将当前采集的目标水电机组的实时状态数据结合数据采集步骤中采集的目标水电机组的历史故障数据组，分析当前采集的目标水电机组的实时状态数据的转轮叶片裂纹故障特征，根据预先存储的典型故障种类特征诊断当前目标水电机组的故障类型。
较佳地，上述水轮机转轮叶片裂纹故障早期预警和诊断方法中，步骤S1中对每个水电机组在每个时间点采集一个历史故障数据组，每个历史故障数据组包括：截至当前时间点该水电机组在转轮叶片裂纹故障工况下的运行时间、该时间点该水电机组所有变量参数的实时数据、转轮叶片裂纹故障状态。
较佳地，对于每台水电机组，步骤S2中抽取的典型特征数据组包含该水电机组的水轮机转轮叶片裂纹故障状态数据集合中的极值状态数据组。此外，步骤S2中在抽取典型特征数据组时，在该水电机组的水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度大的地方，抽取的典型特征数据组的数量小于在水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据租的数量，即：在该水电机组的水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度大的地方，抽取的典型特征数据组的比重较少，而在水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度小的地方，抽取的典型特征数据组的数量相对比重较大。
较佳地，如图3所示，S3具体包括如下步骤：
S31：对于每个水电机组，将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的每个典型特征数据组与该水电机组的水轮机转轮叶片裂纹故障状态数据模型中的每个状态点的数值组进行比较计算，从该水电机组的水轮机转轮叶片裂纹故障状态数据模型中找到与当前典型特征数据组最接近的数值组；
S32：计算当前典型特征数据组和该水电机组的水轮机转轮叶片裂纹故障状态数据模型中与当前典型特征数据组最接近的数值组之间的距离并将其作为当前典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值；
S33：将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的所有典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值中的最大值作为该水电机组的水轮机转轮叶片裂纹故障安全预警线。
较佳地，S4的实时评估步骤具体包括：采集目标水电机组的实时状态数据，将目标水电机组的实时状态数据与目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中每个状态点的数值组进行比较计算，并将目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中各数值组与该目标水电机组当前运行时刻的实时状态数据之间的最小距离作为该目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值。
较佳地，步骤S4还包括：采集目标水电机组在线运行一段时间内各运行时刻的实时状态数据，将这段运行时间内各运行时刻的实时状态数据组成实时状态值集合；计算实时状态值集合中目标水电机组的每组实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值；将该目标水电机组在这段运行时间内每个运行时刻的在线相似度值形成为该目标水电机组的相似度曲线。
较佳地，S5的预警步骤还包括：根据目标水电机组的实时状态数据中各参数对该目标水电机组的相似度曲线影响度由大到小的顺序，将目标水电机组的实时状态数据中各参数排序后输出，从而使用户根据该参数排序对水电机组的优化操作起一定的指导作用。
对应于本发明实施例提供的水轮机转轮叶片裂纹故障早期预警和诊断方法，本发明实施例还提供一种水轮机转轮叶片裂纹故障早期预警和诊断系统，如图4所示，该系统包括：数据采集单元1、模型计算单元2、预警线建立单元3、实时评估单元4和预警单元5。
数据采集单元1用于采集若干个水电机组发生水轮机转轮叶片裂纹故障时一段时间内各时间点的历史故障数据，得到各水电机组在若干个时间点分别对应的历史故障数据组并将其发送给模型计算单元2；还用于采集目标水电机组的实时状态数据并将其发送给实时评估单元4。
模型计算单元2用于根据数据采集单元1提供的各水电机组在若干个时间点分别对应的历史故障数据组，生成各水电机组的水轮机转轮叶片裂纹故障状态数据集合，并根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，计算出用于反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型并将各水电机组的水轮机转轮叶片裂纹故障状态数据模型提供给预警线建立单元3。
预警线建立单元3用于通过每个水电机组的水轮机转轮叶片裂纹故障状态数据模型对用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的典型特征数据组进行计算，得到该水电机组的水轮机转轮叶片裂纹故障安全预警线并将水电机组的水轮机转轮叶片裂纹故障安全预警线提供给预警单元5。
实时评估单元4用于根据数据采集单元1提供的目标水电机组的实时状态数据，计算目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值并将其提供给预警单元5。
预警单元5用于判断当前实时评估单元4提供的目标水电机组的在线实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值是否高于预警线建立单元3所提供的该台水电机组的水轮机转轮叶片裂纹故障安全预警线，若是，则预警提示该目标水电机组的水轮机转轮叶片裂纹故障。
图5为本发明实施例提供的另一种水轮机转轮叶片裂纹故障早期预警和诊断系统，相对于图4而言，该系统还包括诊断分析单元6，图5中，数据采集单元1还用于将当前采集的目标水电机组的实时状态数据以及该目标水电机组在若干个时间点分别对应的历史故障数据组发送给诊断分析单元6；预警单元5还用于在预警提示该目标水电机组的水轮机转轮叶片裂纹故障的同时向诊断分析单元6发送预警诊断通知；诊断分析单元6用于在收到预警单元发来的预警诊断通知时，结合当前数据采集单元1提供的目标水电机组的实时状态数据和该目标水电机组的历史故障数据组，分析该目标水电机组的实时状态数据的转轮叶片裂纹故障特征，并根据预先存储的典型故障种类特征诊断当前目标水电机组的故障类型。图5中与图4具有相同附图标记的单元功能相同，此处不再多做描述。
优选地，数据采集单元1对每个水电机组在每个时间点采集一个历史故障数据组，且采集的每个历史故障数据组包括数据：截至当前时间点该水电机组在转轮叶片裂纹故障工况下的运行时间、该时间点该水电机组所有变量参数的实时数据、转轮叶片裂纹故障状态。
优选地，模型计算单元2抽取的典型特征数据组包含相应水电机组的水轮机转轮叶片裂纹故障状态数据集合中的极值状态数据组；模型计算单元2根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，包括：对于每个水电机组，模型计算单元2在该水电机组的水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度大的地方，抽取的典型特征数据组的数量小于在水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据租的数量。
优选地，上述任一项的一种水轮机转轮叶片裂纹故障早期预警和诊断系统中，对于每个水电机组，预警线建立单元3首先将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的每个典型特征数据组与该水电机组的水轮机转轮叶片裂纹故障状态数据模型中的每个状态点的数值组进行比较计算，从该水电机组的水轮机转轮叶片裂纹故障状态数据模型中找到与当前典型特征数据组最接近的数值组；随后预警线建立单元3计算当前典型特征数据组和该水电机组的水轮机转轮叶片裂纹故障状态数据模型中与当前典型特征数据组最接近的数值组之间的距离并将其作为当前典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值；最后预警线建立单元3将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的所有典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值中的最大值作为该水电机组的水轮机转轮叶片裂纹故障安全预警线。
优选地，实时评估单元4采集目标水电机组的实时状态数据，将目标水电机组的实时状态数据与目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中每个状态点的数值组进行比较计算，并将目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中各数值组与该目标水电机组当前运行时刻的实时状态数据之间的最小距离作为该目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值。
优选地，实时评估单元4还用于采集目标水电机组在线运行一段时间内各运行时刻的实时状态数据，并将这段运行时间内各运行时刻的实时状态数据组成实时状态值集合，随后计算实时状态值集合中目标水电机组的每组实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值，并将该目标水电机组在这段运行时间内每个运行时刻的在线相似度值形成为该目标水电机组的相似度曲线输出。
优选地，预警单元5还用于根据目标水电机组的实时状态数据中各参数对该目标水电机组的相似度曲线影响度由大到小的顺序，将目标水电机组的实时状态数据中各参数排序后输出。
为克服现有技术的缺陷，本发明实施例基于水电机组历史故障数据建立了反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型，通过分析水电机组实时状态数据与的水轮机转轮叶片裂纹故障状态数据模型之间的相似度曲线，设定有明确工程意义的预警基准线，该方案能够使用户及时了解水电机组的运行状态，评估其安全状况，在水电机组的故障早期实现预警及相关诊断以预防水电机组的非计划停机事故。此外，该方案进一步通过对影响的相似度曲线的参数按其影响度大小进行排序后为水电机组对象的潜在故障优化操作提供指导。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种水轮机转轮叶片裂纹故障早期预警和诊断方法，其特征在于，包括以下步骤：
数据采集步骤，采集若干个水电机组发生水轮机转轮叶片裂纹故障时一段时间内各时间点的历史故障数据，得到各水电机组在若干个时间点分别对应的历史故障数据组；
模型计算步骤，基于所采集的各水电机组在若干个时间点分别对应的历史故障数据组，生成各水电机组的水轮机转轮叶片裂纹故障状态数据集合，并根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组内参数的分布特征，抽取典型特征数据组，计算出用于反映各水电机组实际运行规律的各水电机组的水轮机转轮叶片裂纹故障状态数据模型；
预警线建立步骤，对于每个水电机组，通过该水电机组的水轮机转轮叶片裂纹故障状态数据模型对用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的典型特征数据组进行计算，得到该水电机组的水轮机转轮叶片裂纹故障安全预警线；
实时评估步骤，采集目标水电机组的实时状态数据，计算所述目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值；
预警步骤，判断当前得到的目标水电机组的在线实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值是否高于该台水电机组的水轮机转轮叶片裂纹故障安全预警线，若是，则预警提示该目标水电机组的水轮机转轮叶片裂纹故障；
其中，当预警步骤中预警提示该目标水电机组的水轮机转轮叶片裂纹故障后，该方法还包括诊断分析步骤：将当前采集的目标水电机组的实时状态数据结合数据采集步骤中采集的目标水电机组的历史故障数据组，分析当前采集的目标水电机组的实时状态数据的转轮叶片裂纹故障特征，根据预先存储的典型故障种类特征诊断当前目标水电机组的故障类型；
其中，所述数据采集步骤中对每个水电机组在每个时间点采集一个历史故障数据组，每个历史故障数据组包括：截至当前时间点该水电机组在转轮叶片裂纹故障工况下的运行时间、该时间点该水电机组所有变量参数的实时数据、转轮叶片裂纹故障状态；
其中，所述典型特征数据组包含相应水电机组的水轮机转轮叶片裂纹故障状态数据集合中的极值状态数据组；
所述模型计算步骤中，所述根据各水电机组的水轮机转轮叶片裂纹故障状态数据集合内所有数据组的分布特征，抽取典型特征数据组，包括：对于每个水电机组，在该水电机组的水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度大的地方，抽取的典型特征数据组的数量小于在所述水轮机转轮叶片裂纹故障状态数据集合中数据组分布密度小的地方抽取的典型特征数据租的数量；
其中，所述预警线建立步骤具体包括：
对于每个水电机组，将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的每个典型特征数据组与该水电机组的水轮机转轮叶片裂纹故障状态数据模型中的每个状态点的数值组进行比较计算，从该水电机组的水轮机转轮叶片裂纹故障状态数据模型中找到与当前典型特征数据组最接近的数值组；
计算当前典型特征数据组和该水电机组的水轮机转轮叶片裂纹故障状态数据模型中与当前典型特征数据组最接近的数值组之间的距离并将其作为当前典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值；
将用于建立该水电机组的水轮机转轮叶片裂纹故障状态数据模型的所有典型特征数据组与水轮机转轮叶片裂纹故障状态数据模型之间的相似度值中的最大值作为该水电机组的水轮机转轮叶片裂纹故障安全预警线。
2.如权利要求1所述的一种水轮机转轮叶片裂纹故障早期预警和诊断方法，其特征在于，所述实时评估步骤具体包括：采集目标水电机组的实时状态数据，将所述目标水电机组的实时状态数据与目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中每个状态点的数值组进行比较计算，并将目标水电机组的水轮机转轮叶片裂纹故障状态数据模型中各数值组与该目标水电机组当前运行时刻的实时状态数据之间的最小距离作为该目标水电机组的实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值。
3.如权利要求2所述的一种水轮机转轮叶片裂纹故障早期预警和诊断方法，其特征在于，所述实时评估步骤还包括：采集目标水电机组在线运行一段时间内各运行时刻的实时状态数据，将这段运行时间内各运行时刻的实时状态数据组成实时状态值集合；计算所述实时状态值集合中目标水电机组的每组实时状态数据和目标水电机组的水轮机转轮叶片裂纹故障状态数据模型之间的在线相似度值；将该目标水电机组在这段运行时间内每个运行时刻的在线相似度值形成为该目标水电机组的相似度曲线。
4.如权利要求3所述的一种水轮机转轮叶片裂纹故障早期预警和诊断方法，其特征在于，所述预警步骤还包括：根据目标水电机组的实时状态数据中各参数对该目标水电机组的相似度曲线影响度由大到小的顺序，将目标水电机组的实时状态数据中各参数排序后输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310255982.4A CN103439091B (zh) | 2013-06-25 | 2013-06-25 | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310255982.4A CN103439091B (zh) | 2013-06-25 | 2013-06-25 | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103439091A CN103439091A (zh) | 2013-12-11 |
| CN103439091B true CN103439091B (zh) | 2015-11-18 |
Family
ID=49692788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310255982.4A Expired - Fee Related CN103439091B (zh) | 2013-06-25 | 2013-06-25 | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103439091B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016077997A1 (en) * | 2014-11-18 | 2016-05-26 | Abb Technology Ltd | Wind turbine condition monitoring method and system |
| CN105372591B (zh) * | 2015-09-28 | 2018-02-16 | 国家电网公司 | 一种基于暂态过程的水电机组健康状态量化评价方法 |
| CN109313069B (zh) * | 2016-04-26 | 2021-08-03 | 比勒陀利亚大学 | 一种使用叶尖定时(btt)监测涡轮机转子叶片的方法和系统 |
| CN106988951A (zh) * | 2017-04-14 | 2017-07-28 | 贵州乌江水电开发有限责任公司东风发电厂 | 水轮机组故障诊断及状态评估方法 |
| CN107238508B (zh) * | 2017-07-21 | 2019-08-30 | 浙江中控技术股份有限公司 | 一种设备状态诊断方法及装置 |
| CN110864887A (zh) * | 2019-11-19 | 2020-03-06 | 北京瑞莱智慧科技有限公司 | 机械设备运转状况确定方法、装置、介质和计算设备 |
| CN112304600B (zh) * | 2020-10-15 | 2024-03-01 | 国能大渡河检修安装有限公司 | 一种单一或多耦合转子系统故障测试系统及故障诊断方法 |
| CA3155904A1 (en) * | 2020-10-15 | 2022-04-15 | Chn Energy Dadu River Repair & Installation Co., Ltd | Single or multi-coupled fault test system and fault diagnosis method for rotor system |
| CN112796920B (zh) * | 2020-12-14 | 2022-08-05 | 华能澜沧江水电股份有限公司 | 立式混流式水轮发电机转轮贯穿性裂纹早期预警的方法 |
| CN112641129A (zh) * | 2020-12-22 | 2021-04-13 | 红云红河烟草(集团)有限责任公司 | 一种利用烟支自动监测数据进行烟机故障预判断的方法 |
| CN114397840A (zh) * | 2021-12-30 | 2022-04-26 | 腾安电子科技(江苏)有限公司 | 水轮机智能控制方法及装置 |
| CN118468162B (zh) * | 2024-07-09 | 2024-09-10 | 三峡金沙江川云水电开发有限公司 | 一种水电站机组状态监控方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5445027A (en) * | 1991-08-19 | 1995-08-29 | Siemens Aktiengesellschaft | Method and apparatus for detecting and locating defects in a component of a turbine |
| FR2866953A1 (fr) * | 2004-02-27 | 2005-09-02 | Electricite De France | Procede et systeme de mesure de vibration a la peripherie d'un corps tournant |
| CN2771505Y (zh) * | 2005-01-05 | 2006-04-12 | 江西理工大学 | 水轮发电机组监测及专家模糊诊断装置 |
| DE20221873U1 (de) * | 2002-03-04 | 2008-11-27 | Abb Ag | Ventil mit Online-Erfassung von Ventildaten |
| CN101435799A (zh) * | 2008-12-19 | 2009-05-20 | 清华大学 | 基于声发射技术的水轮机故障诊断方法及装置 |
| CN102736546A (zh) * | 2012-06-28 | 2012-10-17 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
| CN102759711A (zh) * | 2012-06-27 | 2012-10-31 | 广东电网公司电力科学研究院 | 一种基于数据挖掘的风力发电机组故障诊断方法 |
-
2013
- 2013-06-25 CN CN201310255982.4A patent/CN103439091B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5445027A (en) * | 1991-08-19 | 1995-08-29 | Siemens Aktiengesellschaft | Method and apparatus for detecting and locating defects in a component of a turbine |
| DE20221873U1 (de) * | 2002-03-04 | 2008-11-27 | Abb Ag | Ventil mit Online-Erfassung von Ventildaten |
| FR2866953A1 (fr) * | 2004-02-27 | 2005-09-02 | Electricite De France | Procede et systeme de mesure de vibration a la peripherie d'un corps tournant |
| CN2771505Y (zh) * | 2005-01-05 | 2006-04-12 | 江西理工大学 | 水轮发电机组监测及专家模糊诊断装置 |
| CN101435799A (zh) * | 2008-12-19 | 2009-05-20 | 清华大学 | 基于声发射技术的水轮机故障诊断方法及装置 |
| CN102759711A (zh) * | 2012-06-27 | 2012-10-31 | 广东电网公司电力科学研究院 | 一种基于数据挖掘的风力发电机组故障诊断方法 |
| CN102736546A (zh) * | 2012-06-28 | 2012-10-17 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于矩阵加权关联规则的设备故障智能诊断系统研究;焦朋沙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130515(第5期);第37页第6段-第47页第2段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103439091A (zh) | 2013-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103439091B (zh) | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 | |
| CN109670400B (zh) | 一种水电机组开机过程稳定性状态评价方法 | |
| CN106662072B (zh) | 风力发电机状态监控方法与系统 | |
| CN103439109B (zh) | 一种风力发电机组传动系统故障预警的方法 | |
| CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN105134510A (zh) | 一种风力发电机组变桨系统的状态监测和故障诊断方法 | |
| CN104200396A (zh) | 一种风力发电机部件故障预警方法 | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
| CN110080921B (zh) | 一种抽水蓄能电站主进水阀在线监测评估方法和系统 | |
| CN103456141A (zh) | 一种基于多维变量样本信息库的水电机组状态报警方法 | |
| CN108629520B (zh) | 一种微气象环境下的高压输电线路运行状态评估方法 | |
| CN103226651A (zh) | 基于相似度统计的风电机组状态评估预警方法和系统 | |
| CN103926079B (zh) | 一种混流式水电机组出力异常检测方法 | |
| CN105184059A (zh) | 一种基于海量数据的水电机组状态分析评估方法 | |
| CN111222205A (zh) | 一种桨叶开度监测管理系统及方法 | |
| CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN105043770A (zh) | 一种风电机组振动异常的判断方法及其装置 | |
| CN112729836A (zh) | 一种循环改进型的水轮机空蚀初生状态判别系统及其方法 | |
| CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
| CN108334674A (zh) | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 | |
| CN102445660B (zh) | 基于灰色Verhulst模型的发电机功角预测方法 | |
| CN106596110B (zh) | 基于在线数据的水轮发电机组水力不平衡故障的自动分析诊断方法 | |
| CN111486043A (zh) | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 | |
| CN117371990B (zh) | 基于物联网的水电厂工具智能管理平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151118 Termination date: 20160625 |