CN104390657B - 一种发电机组运行参数测量传感器故障诊断方法及系统 - Google Patents
一种发电机组运行参数测量传感器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN104390657B CN104390657B CN201410618162.1A CN201410618162A CN104390657B CN 104390657 B CN104390657 B CN 104390657B CN 201410618162 A CN201410618162 A CN 201410618162A CN 104390657 B CN104390657 B CN 104390657B
- Authority
- CN
- China
- Prior art keywords
- measured
- value
- parameter
- sensor
- modeling
- 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
Links
Abstract
本发明公开了一种发电机组运行参数测量传感器故障诊断方法,可应用于发电机组的运行参数测量传感器故障诊断,包括:离线建模,通过机理分析得到与待测参数相关的辅助变量,对所有的辅助变量按照依赖关系的程度进行定量筛选,得到与待测参数具有较强依赖关系的主要辅助变量;然后通过基于B样条变换的PLSR建模方法得到在线诊断所用的模型和模型系数;在线诊断,对实时数据进行在线B样条变换,通过加载待测参数与主要辅助变量之间的数学模型,得到待测参数Y的预测值,通过“窗口移动法”比对模型预测数据与实测数据的统计特征,实现对传感器的故障诊断并识别传感器的故障类型。本发明还公开了一种发电机组运行参数测量传感器故障诊断系统。
Description
技术领域
本发明涉及应用于发电机组的运行参数测量传感器故障诊断,尤其涉及一种发电机组运行参数测量传感器故障诊断方法及系统。
背景技术
现代大型火力发电机组中的很多测量传感器是工作在高温、高压、腐蚀的复杂环境下,受到电磁干扰,比系统中的其它部分更容易出现故障,导致测量数据的准确与否难以保证。当传感器出现性能蜕化、故障或失效时,将给后续的监测、控制、故障诊断等系统带来严重影响,产生误诊断、误报警,甚至造成不可估量的损失。因此,研究如何及时发现、快速诊断传感器故障具有十分重要的意义。
诊断传感器故障的依据是传感器的测量值与/标称值(估计)之间的残差信号,冗余是产生残差的唯一途径。按照冗余产生的方式可以将传感器故障诊断分为两大类,即:基于物理冗余的方法和基于解析冗余的方法。基于物理冗余的方法通过增加传感器数量来提供冗余。基于解析冗余方法通过过程模型(解析模型)为被监控参数或变量提供冗余。
解析冗余方法不需要额外的硬件,对于大型系统来说可以大大地节约成本。在一些特殊应用如:航空工业中,安装额外传感器将受到限制,此时只能依靠解析冗余方法进行传感器故障的检测与诊断。并且基于解析冗余的方法能够有效地结合控制和优化系统,所以一直是当前研究的热点。相对于物理冗余方法,解析冗余方法难以实现,基于解析冗余的传感器故障检测与诊断的有效性和可靠性主要依赖于模型的可靠性与有效性。所以建立准确的过程模型成为传感器故障诊断的关键所在。
基于解析冗余的传感器故障检测与诊断建模方法有多种,而目前基于数据驱动的软测量建模方法是解析冗余方法最有发展潜力和应用潜力的方法之一。主要包括主元分析法(PCA)、偏最小二乘方法(PLS)和神经网络方法(NN)等。近年来,针对这些方法,学者们做了很多研究,并提出了很多改进的、融合的建模方法。例如,基于样条变换的PLSR方法有效解决了PLSR方法非线性拟合能力差的问题。刘波平等人提出了将PLS与广义神经网络(GRNN)结合的方法,即利用PLS数据压缩提取主成分,将主成分作为神经网络的输入,从而有效地简化了神经网络模型,提高了训练速率和模型的可靠性。但这种方法实际上并未真正实现变量的筛选工作,主成分中仍然包含相关性不强的参变量的相关信息。并且在发电机组系统中同时存在成百上千的测点需要软测量或检测测量数据的准确性,模型存储和维护成本必然会影响该方法的实际应用。所以故障诊断的方向在于寻找一种基于解析冗余的,既能准确预测,又适合在线应用的方法及系统。
发明内容
为了解决以上技术问题,本发明提供一种应用于发电机组的测量传感器故障诊断方法及基于此方法的诊断系统。所述的发电机组的传感器故障诊断方法包括如下步骤:
1)离线建模:首先通过机理分析得到与待测参数Y相关的辅助变量m个,然后采用GRNN-MIV方法对所有的辅助变量按照依赖关系的程度进行定量筛选,得到与待测参数Y具有较强依赖关系的主要辅助变量n个。将此n个辅助变量进行B样条变换,然后利用PLSR建模方法对B样条变换后的数据和待测参数进行建模,得到既简单又适合在线应用的模型;
2)在线诊断:在机组运行过程中,从电厂的PI数据库中实时读出n个主要辅助变量的数据,进行在线B样条变换后,加载待测参数与辅助变量之间的数学模型,得到待测参数Y的预测值,然后与Y实时测量值作对比,判断传感器是否故障,进而通过窗口移动法判断数据的统计特征,来识别传感器的故障类型。然后对故障传感器的数据进行修复或者替代,并且在控制界面显示。
本发明所述的运行参数测量传感器故障诊断方法,基本思路是通过待测参数与辅助变量之间的数学模型得到传感器的预测值,然后比对预测值与实测值来分析传感器的运行状态。
离线建模所用的数据是本机组的历史数据,取自本机组的PI数据库。
建模辅助变量通过机理分析得到,然而机理分析的目的就是从机组的众多运行参数中是找出与待诊断传感器相关的变量。主要从能量守恒、质量守恒原理、机组的运行机理、工艺流程、传感器参数测量方法等角度进行综合分析,初步得到可用于建模的所有相关变量组。
变量筛选采用的是GRNN-MIV方法,GRNN-MIV是一种基于平均贡献率(MIV)和广义神经网络(GRNN)的变量筛选方法。保留对因变量影响较大的参变量,舍弃对因变量影响较小的参变量,按照依赖关系的程度筛选出主要的建模参数,使后续建立的模型得到简化。
基于解析冗余的建模方法是一种基于B样条变换的PLSR建模方法,由于线性PLSR建模无法取到令人满意的结果,样条变换采用了分段拟合的思想,可以按需要裁剪以适应任意曲线的连续变化,本方法即是采用拟线性的方法来解决非线性问题。
传感器的诊断和识别方法采用“窗口移动法”,比较连续几个采样周期数据的模型预测值和传感器实测值的统计特征,为其设定阈值,来判定此传感器是否发生故障以及识别出恒定偏差、精度下降、漂移故障和彻底失效故障等四种故障类型。
在诊断模模块需要用到的模型预测值和传感器实测值的统计特征包括:预测值、实测值、残差=预测值-实测值、残差平均值、残差标准差、预测值平均值、预测值标准差、实测值标准差、实测值平均值。所述的阈值包括故障阈值T0、恒定偏差阈值T6、精度下降阈值T2和精度下降阈值T1、漂移故障阈值T5和彻底失效故障阈值T3和彻底失效故障阈值T4。
一种发电机组运行参数测量传感器故障诊断系统,除了发电机组外,还包括机组的各种测量传感器、PI数据库、用于建模的PC机、用于模型预测和故障诊断的服务器以及状态显示设备。
本发明的有益效果主要表现在可以基于一个准确的模型来实时监测传感器的运行状态,在传感器故障时,错误数据由系统及时修复或替代而不至于影响机组的运行。可以有效降低传感器故障诊断成本,增加发电机组的安全可靠性,有利于防止事故发生。
附图说明
图1为发电机组运行参数测量传感器故障诊断方法实现流程图;
图2为发电机组运行参数测量传感器故障诊断系统实现流程图;
图3为发电机组运行参数测量传感器模型预测值与传感器实测值对比图;
图4为发电机组运行参数测量传感器在线诊断过程的逻辑判断关系图。
具体实施方式
参考附图能更加全面地描述本发明,图上显示本发明的某些实施例,但是并非所有的实施例。实际上,本发明可以以很多不同的形式被体现,可以监测和诊断很多类型的传感器,不应该把它看作仅限于这里所阐述的实施例;而应该把本发明的实施例看作是为了使本发明公开的内容满足可应用的合法要求而提供的。下面结合说明书附图和具体实现方式对本发明的实质性特点做进一步说明。
发电机组运行参数测量传感器故障诊断方法的实现如图1所示。
在图1中,左侧虚线框内为离线建模流程图,右侧为在线诊断流程图。人工机理分析1-1分析实际过程的历史数据,目的是初步得到与待测参数Y相关的建模辅助变量集1-2,然后通过GRNN-MIV变量筛选模块1-3得到建模主要辅助变量集1-4,进而将其进行B样条变换模块1-5得到高维准线性数据集1-6,最后通过PLSR拟合模块对这些准线性数据进行偏最小二乘法回归拟合,得到在线诊断要用到的模型输出数据2-5。
实时数据读取模块2-2从PI数据库2-1中读取建模主要辅助变量的数据,经过在线B样条变换模块2-3得到的只有模型主要辅助变量的高维准线性数据集X2-4,然后加载离线模型数据2-5并通过传感器模型预测模块2-6得到模型预测值2-7,将其与传感器实测值2-8比较统计特征即可得到传感器的运行状态,在故障诊断识别模块2-9进行故障诊断,然后数据修复和状态显示模块2-10对故障传感器的数据进行修复或者替代,并且在控制界面显示。
如图2所示,除了发电机组外,该系统还包括机组的各种传感器1、PI数据库2、用于建模的PC机3、用于模型预测和故障诊断的服务器4以及状态显示设备5。传感器组1将易测变量存储到PI数据库2中,待离线建模和在线诊断使用;PC机3完成离线建模部分并将模型数据存储到PI数据库中;服务器4完成传感器的在线诊断过程,将结果显示在显示设备5上,并实现数据存储和传感器故障数据的修复。
如图3所示为模型预测值2-7与传感器实测值2-8的对比图,y为机组的负荷值。可知该建模方法具有较高的准确度。准确的模型是运行参数测量传感器故障诊断的准确识别的基础。
如图4所示为“故障诊断、识别模块”的逻辑判断关系图,表明了诊断过程利用“窗口移动法”及阈值来识别故障类型的过程。首先计算需要用到的模型预测值和传感器实际值的统计特征:预测值、实际值、残差=预测值-实际值、残差平均值、残差标准差、预测值平均值、预测值标准差、实测值标准差、实测值平均值。阈值包括,故障阈值T0、恒定偏差阈值T6、精度下降阈值T2和T1、漂移故障阈值T5和彻底失效故障阈值T3和T4。然后根据经验以及模型的预测精度选定各个阈值(用于机组负荷监测)如表1所示。
表1 诊断过程所用阈值参数表
模型预测值2-7和传感器实测值2-8的统计特征通过图2所示逻辑即可得到传感器当前时段的运行状态,能准确的识别出传感器的故障。
Claims (2)
1.一种发电机组运行参数测量传感器故障诊断方法,其特征在于,包括:
离线建模,通过机理分析得到与待测参数Y相关的辅助变量m个,对所有的辅助变量按照依赖关系的程度进行定量筛选,得到与待测参数Y具有较强依赖关系的主要辅助变量n个,将此n个辅助变量进行B样条变换,然后利用PLSR建模方法对B样条变换后的数据和待测参数Y进行建模,得到待测参数Y与辅助变量之间的数学模型;
在离线建模中,采用GRNN-MIV方法对所有的辅助变量按照依赖关系的程度进行定量筛选,保留对待测参数Y影响较大的辅助变量,舍弃对待测参数Y影响较小的辅助变量;
在线诊断,在机组运行过程中,从PI数据库中实时读出n个主要辅助变量的数据,进行在线B样条变换后,加载待测参数Y与辅助变量之间的数学模型,得到待测参数Y的预测值,然后与Y实时测量值作对比,判断传感器是否故障,进而通过窗口移动法比较连续几个采样周期数据的模型预测值和传感器实测值的统计特征,为其设定阈值,来判定此传感器是否发生故障,以及识别出故障类型;
所述的统计特征包括:预测值、实际值、残差=预测值-实测值、残差平均值、残差标准差、预测值平均值、预测值标准差、实测值标准差、实测值平均值;
所述的阈值包括故障阈值T0、恒定偏差阈值T6、精度下降阈值T2和精度下降阈值T1、漂移故障阈值T5和彻底失效故障阈值T3和彻底失效故障阈值T4;
所述的故障类型包括恒定偏差、精度下降、漂移故障和彻底失效故障四种;
还包括根据所述的故障类型修复故障传感器测量数据。
2.如权利要求1所述的发电机组运行参数测量传感器故障诊断方法,其特征在于,离线建模所用的数据是本机组的历史数据,取自本机组的PI数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410618162.1A CN104390657B (zh) | 2014-11-05 | 2014-11-05 | 一种发电机组运行参数测量传感器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410618162.1A CN104390657B (zh) | 2014-11-05 | 2014-11-05 | 一种发电机组运行参数测量传感器故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104390657A CN104390657A (zh) | 2015-03-04 |
CN104390657B true CN104390657B (zh) | 2017-12-12 |
Family
ID=52608592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410618162.1A Active CN104390657B (zh) | 2014-11-05 | 2014-11-05 | 一种发电机组运行参数测量传感器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104390657B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766139A (zh) * | 2015-03-27 | 2015-07-08 | 大唐淮南洛河发电厂 | 基于工业互联网的火电厂设备故障诊断与检修优化方法及系统 |
CN104766138A (zh) * | 2015-03-27 | 2015-07-08 | 大唐淮南洛河发电厂 | 基于工业互联网的火电厂设备性能评估与预警方法及系统 |
CN106706293A (zh) * | 2016-12-29 | 2017-05-24 | 北京中元瑞讯科技有限公司 | 水轮发电机组开停机过程转子机械变形的分析诊断方法 |
CN107967138A (zh) * | 2017-11-27 | 2018-04-27 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于海量设备设施数据的在线诊断模型的建立方法 |
CN108020395B (zh) * | 2017-12-29 | 2019-08-20 | 北京航天测控技术有限公司 | 一种适用于风洞健康管理的传感器信号诊断装置和系统 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac系统渐变故障诊断方法 |
CN109657558B (zh) * | 2018-11-23 | 2023-04-07 | 中国人民解放军海军航空大学 | 一种基于最大差异延展的航空发动机机械故障诊断方法 |
CN110319957B (zh) * | 2019-06-25 | 2020-12-22 | 哈尔滨工程大学 | 船体结构应力监测系统传感器无规律异常值故障诊断方法 |
CN110906508B (zh) * | 2019-12-09 | 2020-12-15 | 珠海格力电器股份有限公司 | 空调传感器的故障检测方法及系统 |
CN111538644A (zh) * | 2020-04-30 | 2020-08-14 | 阜阳师范大学 | 计算机故障报警系统及方法 |
CN111736574B (zh) * | 2020-06-28 | 2023-12-05 | 江苏方天电力技术有限公司 | 一种通用的火电厂故障诊断系统及其诊断方法 |
CN113934191A (zh) * | 2020-06-29 | 2022-01-14 | 青岛海信日立空调系统有限公司 | 一种冷水机组故障诊断系统 |
CN111928925B (zh) * | 2020-07-16 | 2022-12-09 | 中广核核电运营有限公司 | 文丘里管故障修正方法、装置、计算机设备和存储介质 |
CN113221435A (zh) * | 2021-02-08 | 2021-08-06 | 中国核电工程有限公司 | 传感器的筛选方法及装置、传感器数据重构方法及系统 |
CN113435781A (zh) * | 2021-07-14 | 2021-09-24 | 国网福建省电力有限公司检修分公司 | 设备运行状态辅助判断方法及系统 |
CN116679669B (zh) * | 2023-06-07 | 2024-03-26 | 矿冶科技集团有限公司 | 一种筛分系统故障诊断方法及系统 |
CN117492355A (zh) * | 2023-12-28 | 2024-02-02 | 天津英联石油设备技术服务有限公司 | 具有冗余容错功能的自动化控制系统及控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364024A (zh) * | 2013-07-12 | 2013-10-23 | 浙江大学 | 基于经验模态分解的传感器故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593804B2 (en) * | 2007-10-31 | 2009-09-22 | Caterpillar Inc. | Fixed-point virtual sensor control system and method |
CN101813920B (zh) * | 2010-05-14 | 2011-05-04 | 上海交通大学 | 电站汽轮机组温度传感器虚拟冗余方法 |
CN102662390B (zh) * | 2012-04-26 | 2014-04-02 | 杭州电子科技大学 | 一种随机模糊故障特征融合的旋转机械设备故障诊断方法 |
DE102012015485A1 (de) * | 2012-08-07 | 2014-05-15 | Prüftechnik Dieter Busch AG | Verfahren zum Überwachen von rotierenden Maschinen |
CN103499921B (zh) * | 2013-09-11 | 2015-12-02 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法 |
CN103576594B (zh) * | 2013-11-11 | 2015-12-02 | 浙江工业大学 | 一种基于张量全局-局部保持投影的间歇过程在线监控方法 |
-
2014
- 2014-11-05 CN CN201410618162.1A patent/CN104390657B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364024A (zh) * | 2013-07-12 | 2013-10-23 | 浙江大学 | 基于经验模态分解的传感器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于数据驱动的发电机组软测量建模方法优化研究;陈凯亮等;《机电工程》;20130131;第30卷(第1期);第94页左栏最后一段,第97页第4节,第95页右栏倒数第1、2段,第96页左栏第1段、图2,第96页右栏第3.1节第2-3段,图3,第97页第3.3节,表1 * |
Also Published As
Publication number | Publication date |
---|---|
CN104390657A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
CN108604360B (zh) | 设施异常监测方法及其系统 | |
EP3055747B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
EP1982301B1 (en) | Method of condition monitoring | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN109948860A (zh) | 一种机械系统剩余寿命预测方法及系统 | |
EP3055746B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的系统 | |
CN116658492B (zh) | 智能动力猫道及其方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Guo | Wind turbine generator bearing Condition Monitoring with NEST method | |
CN114064911A (zh) | 一种核电厂智能诊断系统专家知识库建模方法及系统 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
Hayder et al. | Applications of artificial neural networks with input and output degradation data for renewable energy systems fault prognosis | |
CN109583124A (zh) | 一种基于adrc的hmm故障预测系统 | |
Jianfeng et al. | A Mechanism-Data Driven Fault Prediction Method Based on Cloud-Terminal Fusion | |
KR102602840B1 (ko) | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |