CN105278524B - 一种开放型水电机组故障诊断系统 - Google Patents
一种开放型水电机组故障诊断系统 Download PDFInfo
- Publication number
- CN105278524B CN105278524B CN201510760928.4A CN201510760928A CN105278524B CN 105278524 B CN105278524 B CN 105278524B CN 201510760928 A CN201510760928 A CN 201510760928A CN 105278524 B CN105278524 B CN 105278524B
- Authority
- CN
- China
- Prior art keywords
- model
- diagnostic
- information
- fault diagnosis
- result
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 141
- 238000013459 approach Methods 0.000 title claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 100
- 238000000034 method Methods 0.000 claims description 11
- 238000004321 preservation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 53
- 241001269238 Data Species 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
为解决现有技术存在的问题,本发明提供了一种开放型水电机组故障诊断系统,包括:机组信息维护模块、诊断模型维护模块、诊断任务维护模块、诊断记录查询模块、人工故障诊断模块。其中:机组信息维护模块包括机组信息维护部分和机组状态维护部分;诊断模型维护模块包括诊断模型维护、模型参数设置、模型样本训练、模型结果使用部分;诊断任务维护模块包括定时任务维护、诊断机组维护、诊断日志查询部分;诊断记录查询模块包括诊断记录查询部分和预测记录查询模块;人工故障诊断模块包括人工故障诊断和人工诊断查询部分。本发明可以面向不同机组类型、工况、故障诊断算法、样本数据进行故障诊断和预测,能够提高水电机组的安全性和可靠性。
Description
技术领域
本发明属于设备运行状态监测技术领域,涉及一种开放型水电机组故障诊断系统。
背景技术
水电作为清洁可再生能源,运行调度灵活,各国都将水电作为优先发展的能源。近年来我国水电装机容量增长迅速,电站主设备急剧增加,检修工作量剧增,检修人员紧缺问题日益突出。同时水电机组故障和事故频出,如转子断裂、推力轴承漏油、导轴承烧瓦、动不平衡过大、水淹厂房等。
为了及时了解水电机组运行状况,避免突发故障发生,目前大部分水电站都安装了在线监测装置,可以对水电机组的振动、摆度、温度、电压、电流、有功、无功等工况数据进行实时采集,并对越界的状态量进行报警。这种方式有效地反应了机组的当前状况,并能对越界状态量进行报警,但是缺乏对故障的早期预测和识别,不利于水电机组的预防性维护和检修。
发明内容
为了解决以上问题,本发明提供了一种开放型水电机组故障诊断系统,包括:机组信息维护模块、诊断模型维护模块、诊断任务维护模块、诊断记录查询模块、人工故障诊断模块。其中:
所述机组信息维护模块包括机组信息维护部分和机组状态维护部分。
进一步的,所述机组信息维护部分是通过界面实现水电机组信息的录入、修改、删除等操作。
优选的,界面泛指系统的功能界面。
优选的,界面系统可以采用CS或BS结构,可以通过Java或C#等其它编程语言实现功能界面。
进一步的,机组信息包括电站名称、机组编号、机组名称、额定功率、机组型号、投产日期、制造厂家、安装单位等基本信息。
进一步的,所述机组状态维护部分是通过界面实现机组状态信息的录入、修改、删除等操作。
优选的,机组状态信息包括状态编码、状态名称、是否处理、建议采取措施、发生状态原因。
进一步的,状态编码,是故障样本中的目标列值,是数值型数据。
进一步的,是否处理,是布尔型数据,表示在故障诊断或预测时是否要将该结果记录下来。如果记录下来,会一并提供建议采取措施和发生状态原因信息。
进一步的,机组状态维护中记录的是机组的各种状态,包括机组的正常状态和各种异常状态、故障状态的定义。
优选的,对各种异常状态、故障状态,是否处理应该设置为真,并填写发生该状态的原因和应采取的建议措施,以便指导对故障的处理。
所述诊断模型维护模块包括诊断模型维护、模型参数设置、模型样本训练、模型结果使用等部分。
进一步的,所述诊断模型维护部分是通过界面操作,录入故障诊断模型信息。
优选的,故障诊断模型信息包括模型名称、模型类名、训练函数名、预测函数名、模型描述、是否使用。其中模型类名是外部已经编译好的类名或服务名;预测函数名和训练函数名均是外部系统或服务已经编译好的自定义函数名或接口名。
优选的,可采用Matlab、Octave、R、Python等软件编译训练算法和预测算法。
优选的,服务名可为消息服务或Web Sevice服务的地址。
进一步的,所述模型参数设置部分是通过界面设置模型的参数信息,模型参数信息包含所属模型、参数名称、参数值、参数类型、参数描述、参数顺序等内容。
优选的,在调用模型训练或模型预测时,可以把所属模型的参数列表封装成json字符串,格式是{参数名称1:参数值1,参数名称2:参数值2,...},每个参数是个名值对,多个参数之间用英文逗号隔开。
进一步的,所述模型样本训练部分通过设置训练文件和相关模型参数,分析诊断模型的准确率实现对诊断模型的选择和校准。
进一步的,诊断模型是上述过程中录入的模型信息,训练文件用于选择本地的csv文件,该文件包含水电机组的某个工况下的各运行参数数据,如振动、温度、电压、电流、负荷等各种数据及目标状态。csv是简单的文本文件,由行列组成,每行的末尾用回车换行符隔开,每列之间由逗号隔开,可以用excel或其它工具打开。
优选的,可以要求上传的csv文件的第一行必须是水电机组的各运行参数名称和机组状态,且机组状态必须放在第一列或最后一列,从第二行起的所有其它行必须都是数值型数据。
优选的,系统采用开放的数据模型,只要认为对机组状态有影响的运行参数,都可以输入到模型数据中来,机组状态值即机组状态编码值,被定义在机组状态信息中。机组状态信息包含状态编码、状态名称、是否处理、建议采取措施、发生状态原因。机组状态一般包括机组工况下的所有状态,即包含机组的各种故障、缺陷、告警等状态,也包括机组的正常状态。
优选的,预测比例可以固化为0.5、0.6、0.7、0.8、0.9、1,水电机组即系统中存在的各水电机组名称,机组工况一般分为发电、抽水、抽水调相、发电调相等,归一化最大值可以固化为1、10、50、100、500、1000,默认值100。
进一步的,模型训练会调用模型所在的外部训练函数,并把相关参数传入函数参数中。
优选的,模型训练可采用自动训练模式:系统首先会根据训练文件包含的运行参数选择相应的训练模型并把相关参数分别输入各训练模型的函数中;各训练模型执行完毕后输出训练结果,包括:准确率、样本数量、预测数量;然后保存准确率98%以上的训练模型,同时通过调整模型参数或进行归一化处理或调整模型样本训练数据进行再次模拟,保存准确率接近或等于100%的训练模型;如各训练模型准确率低于98%时,系统首先通过调整模型参数或进行归一化处理或调整模型样本训练数据进行再次模拟,保存准确率接近或等于100%的训练模型;如再次模拟准确率依然低于98%,则系统会选择其它训练模型重复上述模拟过程,保存其中准确率接近或等于100%的训练模型。
优选的,模型训练可采用主动训练模式:用户选择诊断模型和训练文件,并设置预测比例、预测标签、水电机组、机组状态、是否归一化等相关训练参数进行训练,训练模型执行完毕后输出训练结果,包括:准确率、样本数量、预测数量;然后保存准确率98%以上的训练模型,同时通过调整模型参数或进行归一化处理或调整模型样本训练数据进行再次模拟,确保准确率能接近或等于100%的训练模型并保存训练结果;如果通过调整模型参数、归一化处理等设置,不能让模型训练准确率达到98%时,则提示用户更换另外一个诊断模型或调整模型算法实现或调整训练样本数据,确保模型训练准确率接近或等于100%。
进一步的,所述模型使用部分是通过前面模型训练过程中保存的模型训练结果信息,选择一个准确率最高的水电机组在特定的工况下使用的故障诊断模型,用该诊断模型进行故障诊断和预测。
优选的,模型结果信息包含模型名称、模型文件,即为模型训练中上传的模型训练文件、样本数量、预测数量、准确率、机组名称、机组工况、是否归一化、归一化最大值、机组状态列,即为故障诊断和预测的目标列、预测比例、是否使用模型。除了是否使用模型外,所有信息均来自模型训练结果和模型信息。是否使用模型结果值如果是真,说明该水电机组在该工况下使用该模型进行故障诊断和预测,同一个水电机组、机组工况、训练样本文件决定了一个使用诊断模型。
所述诊断任务维护模块包括定时任务维护、诊断机组维护、诊断日志查询等部分。
进一步的,所述定时任务维护部分包括定时故障诊断任务和定时故障预测任务;所述定时任务会根据预设时间间隔定时运行前面选择的诊断模型,并通过诊断任务关联的诊断机组,获取该水电机组的当前运行状态参数,对水电机组进行故障诊断和预测分析。
进一步的,定时任务信息包括任务名称、任务描述、执行程序名称、执行周期、是否使用、运行状态等内容。
优选的,定时故障诊断任务的具体流程可以为:首先检查可用的诊断任务,即诊断程序类名是否存在,诊断任务信息在定时任务维护功能中输入,并保存在数据库的诊断任务表中,此处直接检索数据库中诊断任务表记录即可,如果不存在,则在日志信息中提示建立诊断任务并退出当前诊断任务,其中日志信息也保存在数据库表中。如果存在可用的诊断任务信息,则继续检查可用的诊断模型是否存在,诊断模型信息保存在数据库表中,由诊断模型维护功能录入。如果不存在可用的诊断模型信息,则在日志信息中提示建立诊断模型并退出当前诊断任务。如果存在可用的诊断模型信息,则继续检查可用的模型结果是否存在,模型结果是模型训练后保存的模型信息和训练结果。如果可用的模型结果不存在,则在日志信息中提示保存模型结果并退出当前诊断任务。如果存在可用的模型结果信息,则继续检查水电机组状态记录是否存在,如果不存在,则在日志信息中提示录入机组状态记录并退出当前诊断任务。如果存在水电机组状态记录,则循环要诊断的水电机组的可用模型结果记录,模型结果记录包含模型训练文件和模型信息,根据模型训练文件内容,即读取第一行运行参数信息,组织水电机组当前模型运行数据,并生成待预测的csv数据文件,根据模型相关信息和待预测文件,调用模型预测函数进行故障诊断,最后对预测结果进行分析与记录,即把每个预测结果与机组状态信息中的状态编码比较,如果预测结果与状态编码一致,说明该水电机组的预测结果就是该状态编码代表的含义,检查该机组状态信息中的是否处理是否为真,如果为真,则需要将结果信息记录到诊断记录结果中,信息包括诊断时间、状态名称、建议采取措施、发生状态原因,如果为否,则不记录。在一次预测结果中,出现相同预测结果时只保留第一个,如果预测结果没有出现在机组状态信息中的会记录日志信息,并提示机组状态信息不完整,请录入编码为预测结果的机组状态信息。
优选的,定时故障预测任务的具体流程可以是:首先开始检查的是可用的预测任务,即预测程序类名是否存在,接着继续检查诊断模型、模型结果、机组状态等信息是否存在。如果都存在则循环要预测水电机组的模型结果,按日、周、月三个周期统计最近60周期相同工况下的水电机组运行参数数据的平均值。接着采用时间序列算法,包括:长期趋势、季节变动、循环变动、不规则变动的加法模型,预测60个日、周、月后3个周期的数据。对预测结果保存成待预测的csv数据文件,根据模型相关信息和待预测文件,调用模型预测函数进行故障诊断,最后对预测结果进行分析与记录,分析结果保存在预测结果信息中,供预测记录查询功能查询。
优选的,周期可以采用Cron表达式定义。
优选的,定时故障诊断任务执行周期为5分钟一次,定时故障预测任务执行周期为每天执行2次。
进一步的,所述诊断机组维护部分是通过界面操作,维护要进行故障诊断和预测的水电机组集合。
优选的,诊断机组信息包括诊断任务、是否诊断、机组名称、机组型号、额定功率、投运日期等内容。诊断任务是前面诊断任务维护中建立的诊断任务,机组名称、机组型号、额定功率、投运日期是系统中存在的机组基本信息。
进一步的,所述诊断日志查询部分是通过界面操作,查询系统在执行故障诊断和故障预测任务时,记录的各种日志信息。
优选的,日志信息内容包括任务名称、日志等级、日志时间、日志内容等,便于了解诊断任务执行情况。
优选的,日志等级可分为:信息、警告、错误三个等级。
所述诊断记录查询模块包括主动查询和被动提示部分。
进一步的,主动查询部分为:用户通过界面操作查询系统执行故障诊断后的诊断结果,诊断结果内容包括机组名称、机组状态、诊断时间、诊断结果。
进一步的,被动提示部分为:诊断过程中系统发现机组存在故障时,会自动提示用户故障发生部位,并提示建议采取的措施及可能发生的原因。
所述人工故障诊断模块包括人工故障诊断和人工诊断查询功能。
进一步的,所述人工故障诊断部分为主动诊断部分:用户选择可用的诊断模型并上传诊断文件,点击开始诊断按钮对诊断文件进行故障诊断。要求上传的故障诊断文件必须与使用的故障诊断模型中的训练文件格式是一致的,即要求有相同的列数,每列代表的含义是一致的。人工故障诊断会调用模型的预测函数进行故障诊断,并输出故障诊断信息。当前的人工故障诊断信息会显示在故障诊断结果里。故障诊断结果包括机组名称、机组状态、诊断时间、诊断结果、建议采取措施、可能发生原因。
进一步的,所述人工诊断查询是通过界面操作,查询以往人工故障诊断结果。每次的人工故障诊断结果会被保存下来,此处只是按照机组名称、机组状态、诊断时间段、诊断结果等条件查询历史结果记录。人工诊断查询内容包括机组名称、机组状态、诊断时间、诊断结果、建议采取措施、可能发生原因等。
本发明所述诊断系统具有以下优点:
1.可以面向不同机组类型、不同机组工况、不同故障诊断算法、不同样本数据进行故障诊断和预测。通过提供开放的故障诊断模型、故障样本训练、定期诊断任务等机制,实现较为准确的定期故障诊断和预测功能,能有效提前发现故障,在故障发生前进行针对性维修,能明显提高水电机组的安全性和可靠性,降低维修费用。
2.利用计算机技术,通过水电机组各种运行参数数据,建立通用的故障诊断模型,实现水电机组自动短期——未来3天、中长期——未来3周、3月的故障诊断和预测功能,为电站管理人员提前掌握水电机组的运行状态,及时、科学制定检修计划,降低维修费用,提高设备安全水平。
附图说明
图1系统功能图;
图2定时故障诊断流程图;
图3定时故障预测流程图。
具体实施例
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合附图,对本发明进一步详细说明。
在本发明中,机组信息维护模块录入系统中使用到的水电机组和机组状态信息;诊断模型维护模块建立开放的故障诊断模型,并通过模型样本训练,确定每个水电机组各工况下要使用的诊断模型;诊断任务维护模块实现水电机组的自动诊断任务和自动预测任务的建立和运行,并可查看任务的日志情况;诊断记录查询用于查询水电机组的自动诊断任务和预测任务的执行结果,及时和提前了解水电机组运行状态;人工故障诊断模块用于人工操作水电机组的样本数据进行故障诊断,并查询历史诊断结果。
图1为本发明的系统功能图,本发明通过以下技术方案实现上述技术目的:一种开放型水电机组故障诊断系统,主要包括机组信息维护、诊断模型维护、诊断任务维护、诊断记录查询、人工故障诊断模块。其中:
机组信息维护模块包括机组信息维护和机组状态维护部分。机组信息维护是通过界面实现水电机组信息的录入、修改、删除等操作,界面系统可以是CS或BS结构,可以通过Java或C#等其它编程语言实现。机组信息包括电站名称、机组编号、机组名称、额定功率、机组型号、投产日期、制造厂家、安装单位等基本信息。其中,机组状态维护是通过界面实现机组状态信息的录入、修改、删除等操作。机组状态信息包括状态编码、状态名称、是否处理、建议采取措施、发生状态原因。机组状态维护中的状态编码是故障样本中的目标列值,是数值型数据。是否处理是布尔型数据,表示在故障诊断或预测时是否要将该结果记录下来。如果记录下来,会一并提供建议采取措施和发生状态原因信息。机组状态维护中记录的是机组的各种状态,包括机组的正常状态和各种异常状态、故障状态的定义。对各种异常状态、故障状态,是否处理应该设置为真,并填写发生该状态的原因和应采取的建议措施,以便指导对故障的处理。
诊断模型维护模块包括诊断模型维护、模型参数设置、模型样本训练、模型结果使用等部分。其中,诊断模型维护是通过界面操作,录入故障诊断模型信息,故障诊断模型信息包括模型名称、模型类名、训练函数名、预测函数名、模型描述、是否使用。模型类名是外部已经编译好的由Matlab、Octave、R、Python等软件编译好的包含训练算法和预测算法的程序类名、消息服务的服务名、包含Web Sevice服务地址的服务名,预测函数名和训练函数名均是外部系统或服务已经编译好的自定义函数名或接口名。以Matalb语法为例,训练模型函数定义需遵循如下的参数和返回值的格式:
function retVal=funName(fileName,ycbl,ycbq,gyh,gyhmax,opt)
retVal表示函数返回值,字符串类型,包含的信息是训练样本数量、预测数量、准确率,中间通过英文”:”分隔;
fileName表示要进行模型训练的csv文件名称,含文件路径;
ycbl表示预测比例,属于0.5-1之间的数,如0.5表示预测一半数据,1为全部预测;
ycbq表示预测标签,取值1或-1,如果是1表示第一列,-1表示最后一列;
gyh表示是否要进行归一化处理,取值1或0,如果是1,表示要进行归一化处理,0表示不进行归一化处理。
gyhmax表示归一化的最大值,取值1-1000,默认是100。
opt表示训练参数,字符串格式,采用json格式,如{a:1,b:2},表示参数a的值是1,b的值是2。
预测模型函数的定义需遵循如下的参数和返回值的格式:
function outLbl=funName(fileName,ycbq,gyh)
outLbl表示函数返回值,字符串类型,是对输入文件fileName每一行的预测结果,预测结果是数值型数据,中间通过英文”:”分隔;
fileName表示要进行模型预测的csv文件名称,含文件路径;
ycbq表示预测标签,是在模型训练时设置的值,取值为1或-1;
gyh表示是否要进行归一化处理,是在模型训练时设置的值,取值1或0。
必须要在模型类名处录入完整的外部类名或服务名,同时训练函数名和预测函数名不能为空。实际录入的训练函数名和预测函数名只需要填写funName即可,如LineTrain、LinePredict。程序会根据常规web服务命名规范,如包含双斜线//,来区分模型类名是外部类还是web服务,会利用编程语言的反射机制按照模型类名、函数名、函数参数来组织程序语句调用函数或服务,使得模型样本训练和模型预测得以执行。
所述模型参数设置是通过界面设置模型的参数信息,模型参数信息包含所属模型、参数名称、参数值、参数类型、参数描述、参数顺序等内容。在调用模型训练或模型预测时,需把所属模型的参数列表封装成json字符串,格式是{参数名称1:参数值1,参数名称2:参数值2,...},每个参数是个名值对,多个参数之间用英文逗号隔开。
所述模型样本训练是通过界面操作,选择诊断模型、训练文件、预测比例、预测标签、水电机组、机组工况、是否归一化、归一化最大值等内容。诊断模型是前面录入的模型信息,训练文件用于选择本地的csv文件,该文件包含水电机组的某个工况下的各运行参数数据,如振动、温度、电压、电流、负荷等各种数据及目标状态。csv是简单的文本文件,由行列组成,每行的末尾用回车换行符隔开,每列之间由逗号隔开,可以用excel或其它工具打开。要求上传的csv文件的第一行必须是水电机组的各运行参数名称和机组状态,且机组状态必须放在第一列或最后一列,从第二行起的所有其它行必须都是数值型数据。系统采用开放的数据模型,只要认为对机组状态有影响的运行参数,都可以输入到模型数据中来,机组状态值即机组状态编码值,被定义在机组状态信息中。机组状态信息包含状态编码、状态名称、是否处理、建议采取措施、发生状态原因。机组状态一般包括机组工况下的所有状态,即包含机组的各种故障、缺陷、告警等状态,也包括机组的正常状态。预测比例固化为0.5、0.6、0.7、0.8、0.9、1,水电机组即系统中存在的各水电机组名称,机组工况一般分为发电、抽水、抽水调相、发电调相等,归一化最大值固化为1、10、50、100、500、1000,默认值100。在模型样本训练中各个数据项被选择后,即可以点击模型训练按钮,模型训练按钮会调用模型所在的外部训练函数,并把相关参数传入函数参数中。外部函数执行训练函数后,会输出训练结果,即准确率、样本数量、预测数量,用户根据准确率的高低可以确认是否要保存该模型训练结果。一般准确率在98%以上,可以点击保存模型按钮,对模型信息和模型训练结果进行保存。如果模型准确率低于95%,可以选择其它训练模型或调整模型参数或进行归一化处理或调整模型样本训练数据,通过以上方法,模型训练结果的准确率可以达到100%。在外部模型训练函数中要求保存模型结果,如果选择了归一化则还需要保存归一化处理后的结果,模型结果文件名称和归一化处理结果文件名称可自由定制,但要求在模型预测函数中能自动识别出来并调用。一般这两个文件保存在模型样本数据文件的同级目录下。
所述模型结果使用是对保存后的训练模型进行选择,确定水电机组在特定的工况下使用哪个诊断模型进行故障诊断和预测。模型结果信息包含模型名称、模型文件、样本数量、预测数量、准确率、机组名称、机组工况、是否归一化、归一化最大值、机组状态列、预测比例、是否使用模型。除了是否使用模型外,所有信息均来自模型训练结果和模型信息。其中,机组状态列为故障诊断和预测的目标列;是否使用模型结果值如果是真,说明该水电机组在该工况下使用该模型进行故障诊断和预测,同一个水电机组、机组工况、训练样本文件决定了一个使用诊断模型。
诊断任务模块包括定时任务维护、诊断机组维护、诊断日志查询等部分。其中,定时任务维护是通过界面操作,建立系统定时任务信息,通过设定的任务执行周期和执行程序,让系统自动按照设定的执行周期运行执行程序。定时任务信息包括任务名称、任务描述、执行程序名称、执行周期、是否使用、运行状态等内容。周期采用Cron表达式定义,Cron表达式可以表示非常复杂的计划任务执行时间。系统应实现两个基本的定时任务功能,一个是定时故障诊断任务,一个定时故障预测任务,两个任务的实现内容在后面流程图中详细说明。定时故障诊断任务执行周期为5分钟一次,定时故障预测任务执行周期为每天执行2次。诊断机组维护是通过界面操作,维护要进行故障诊断和预测的水电机组集合。诊断机组信息包括诊断任务、是否诊断、机组名称、机组型号、额定功率、投运日期等内容。诊断任务是前面诊断任务维护中建立的诊断任务,机组名称、机组型号、额定功率、投运日期是系统中存在的机组基本信息。诊断日志查询是通过界面操作,查询系统在执行故障诊断和故障预测任务时,记录的各种日志信息。日志信息内容包括任务名称、日志等级(信息、警告、错误)、日志时间、日志内容等,便于了解诊断任务执行情况。诊断查询模块包括诊断记录查询和预测记录查询功能。所述诊断记录查询是通过界面操作,查询系统在定时诊断任务执行故障诊断时,对诊断结果的查询。诊断结果内容包括机组名称、机组状态、诊断时间、诊断结果、建议采取措施、可能发生原因。所述预测记录查询是通过界面操作,查询系统在定时预测任务执行预测时,对预测结果的查询。预测结果内容包括机组名称、机组状态、预测日期、预测结果、建议采取措施、可能发生原因。
人工故障诊模块包括人工故障诊断和人工诊断查询部分。其中,人工故障诊断是通过界面操作,选择可用的诊断模型并上传诊断文件,点击开始诊断按钮对诊断文件进行故障诊断。要求上传的故障诊断文件必须与使用的故障诊断模型中的训练文件格式是一致的,即要求有相同的列数,每列代表的含义是一致的。人工故障诊断会调用模型的预测函数进行故障诊断,并输出故障诊断信息。当前的人工故障诊断信息会显示在故障诊断结果里。故障诊断结果包括机组名称、机组状态、诊断时间、诊断结果、建议采取措施、可能发生原因。人工诊断查询是通过界面操作,查询以往人工故障诊断结果。每次的人工故障诊断结果会被保存下来,此处只是按照机组名称、机组状态、诊断时间段、诊断结果等条件查询历史结果记录。人工诊断查询内容包括机组名称、机组状态、诊断时间、诊断结果、建议采取措施、可能发生原因等。
本发明所述诊断系统具有以下优点:
1.可以面向不同机组类型、不同机组工况、不同故障诊断算法、不同样本数据进行故障诊断和预测。通过提供开放的故障诊断模型、故障样本训练、定期诊断任务等机制,实现较为准确的定期故障诊断和预测功能,能有效提前发现故障,在故障发生前进行针对性维修,能明显提高水电机组的安全性和可靠性,降低维修费用。
2.利用计算机技术,通过水电机组各种运行参数数据,建立通用的故障诊断模型,实现水电机组的自动短期、中长期故障诊断和预测功能,为电站管理人员提前掌握水电机组的运行状态,及时、科学制定检修计划,降低维修费用,提高设备安全水平。
根据本发明的一个实施例,图2为定时故障诊断流程图,即定时故障诊断任务的内部实现流程图。定时诊断任务是一个可执行程序,由定时任务触发执行。内部实现流程如下所述。首先检查可用的诊断任务,即诊断程序类名是否存在,诊断任务信息在定时任务维护功能中输入,并保存在数据库的诊断任务表中,此处直接检索数据库中诊断任务表记录即可,如果不存在,则在日志信息中提示建立诊断任务并退出当前诊断任务。如果存在可用的诊断任务信息,则继续检查可用的诊断模型是否存在,诊断模型信息保存在数据库表中,由诊断模型维护功能录入。如果不存在可用的诊断模型信息,则在日志信息中提示建立诊断模型并退出当前诊断任务。如果存在可用的诊断模型信息,则继续检查可用的模型结果是否存在,模型结果是模型训练后保存的模型信息和训练结果。如果可用的模型结果不存在,则在日志信息中提示保存模型结果并退出当前诊断任务。如果存在可用的模型结果信息,则继续检查水电机组状态记录是否存在,如果不存在,则在日志信息中提示录入机组状态记录并退出当前诊断任务。如果存在水电机组状态记录,则循环要诊断的水电机组的可用模型结果记录,模型结果记录包含模型训练文件和模型信息,通过读取第一行运行参数信息获取模型训练文件内容,据此组织生成水电机组当前模型运行数据,并生成待预测的csv数据文件,根据模型相关信息和待预测文件,调用模型预测函数进行故障诊断,最后对预测结果进行分析与记录,即把每个预测结果与机组状态信息中的状态编码比较,如果预测结果与状态编码一致,说明该水电机组的预测结果就是该状态编码代表的含义,检查该机组状态信息中的是否处理是否为真,如果为真,则需要将结果信息记录到诊断记录结果中,信息包括诊断时间、状态名称、建议采取措施、发生状态原因,如果为否,则不记录。在一次预测结果中,出现相同预测结果时只保留第一个,如果预测结果没有出现在机组状态信息中的会记录日志信息,并提示机组状态信息不完整,请录入编码为预测结果的机组状态信息。
根据本发明的一个实施例,图3为定时故障预测流程图,即定时故障预测任务的内部实现流程图。故障诊断流程图与故障预测流程类似,相同地方不在赘述。刚开始检查的是可用的预测任务,即预测程序类名是否存在,接着继续检查诊断模型、模型结果、机组状态等信息是否存在。如果都存在则循环要预测水电机组的模型结果,按日、周、月三为周期统计相应最近60个周期相同工况下的水电机组运行参数数据的平均值。接着采用时间序列算法,使用长期趋势、季节变动、循环变动、不规则变动的加法模型预测60个日、周、月后3个周期的数据。对预测结果保存成待预测的csv数据文件,根据模型相关信息和待预测文件,调用模型预测函数进行故障诊断,最后对预测结果进行分析与记录,分析结果保存在预测结果信息中,供预测记录查询功能查询。
应该注意到并理解,在不脱离本发明权利要求所要求的精神和范围的情况下,能够对上述详细描述的本发明做出各种修改和改进。因此,要求保护的技术方案的范围不受所给出的任何特定示范教导的限制。
Claims (8)
1.一种开放型水电机组故障诊断系统,其特征在于,包括:机组信息维护模块、诊断模型维护模块、诊断任务维护模块、诊断记录查询模块、人工故障诊断模块;
所述机组信息维护模块包括机组信息维护部分和机组状态维护部分;
所述诊断模型维护模块包括诊断模型维护、模型参数设置、模型样本训练、模型结果使用部分;
所述模型样本训练部分通过设置训练文件,分析诊断模型的准确率实现对诊断模型的选择和校准;
所述对诊断模型的选择和校准的方法包括:在模型样本训练中各个数据项被选择后,即可以点击模型训练按钮,模型训练按钮会调用模型所在的外部训练函数,并把相关参数传入函数参数中;外部函数执行训练函数后,会输出训练结果,即准确率、样本数量、预测数量,用户根据准确率的高低可以确认是否要保存该模型训练结果;准确率在98%以上,点击保存模型按钮,对模型信息和模型训练结果进行保存;如果模型准确率低于95%,可以选择其它训练模型或调整模型参数或进行归一化处理或调整模型样本训练数据;
所述诊断任务维护模块包括定时任务维护、诊断机组维护、诊断日志查询部分;
所述定时任务维护部分包括定时故障诊断任务和定时故障预测任务;所述定时故障诊断/预测任务会根据预设时间间隔定时运行诊断模型,并通过诊断任务关联的诊断机组获取该水电机组的当前运行状态参数,对水电机组进行故障诊断和预测分析;
所述定时故障诊断任务的具体流程为:首先检查可用的诊断任务,即诊断程序类名是否存在,诊断任务信息在定时任务维护功能中输入,并保存在数据库的诊断任务表中,此处直接检索数据库中诊断任务表记录即可,如果不存在,则在日志信息中提示建立诊断任务并退出当前诊断任务,其中日志信息也保存在数据库表中;如果存在可用的诊断任务信息,则继续检查可用的诊断模型是否存在,诊断模型信息保存在数据库表中,由诊断模型维护功能录入;如果不存在可用的诊断模型信息,则在日志信息中提示建立诊断模型并退出当前诊断任务;如果存在可用的诊断模型信息,则继续检查可用的模型结果是否存在,模型结果是模型训练后保存的模型信息和训练结果;如果可用的模型结果不存在,则在日志信息中提示保存模型结果并退出当前诊断任务;如果存在可用的模型结果信息,则继续检查水电机组状态记录是否存在,如果不存在,则在日志信息中提示录入机组状态记录并退出当前诊断任务;如果存在水电机组状态记录,则循环要诊断的水电机组的可用模型结果记录,模型结果记录包含模型训练文件和模型信息,根据模型训练文件内容,即读取第一行运行参数信息,组织水电机组当前模型运行数据,并生成待预测的csv数据文件,根据模型相关信息和待预测文件,调用模型预测函数进行故障诊断,最后对预测结果进行分析与记录,即把每个预测结果与机组状态信息中的状态编码比较,如果预测结果与状态编码一致,说明该水电机组的预测结果就是该状态编码代表的含义,检查该机组状态信息中的是否处理是否为真,如果为真,则需要将结果信息记录到诊断记录结果中,信息包括诊断时间、状态名称、建议采取措施、发生状态原因,如果为否,则不记录;在一次预测结果中,出现相同预测结果时只保留第一个,如果预测结果没有出现在机组状态信息中的会记录日志信息,并提示机组状态信息不完整,请录入编码为预测结果的机组状态信息;
所述定时故障预测任务的具体流程是:首先开始检查的是可用的预测任务,即预测程序类名是否存在,接着继续检查诊断模型、模型结果、机组状态信息是否存在;如果都存在则循环要预测水电机组的模型结果,按日、周、月三个周期统计最近60周期相同工况下的水电机组运行参数数据的平均值;接着采用时间序列算法,包括:长期趋势、季节变动、循环变动、不规则变动的加法模型,预测60个日、周、月后3个周期的数据;对预测结果保存成待预测的csv数据文件,根据模型相关信息和待预测文件,调用模型预测函数进行故障诊断,最后对预测结果进行分析与记录,分析结果保存在预测结果信息中,供预测记录查询功能查询;
所述诊断记录查询模块包括诊断记录查询部分和预测记录查询模块;
所述人工故障诊断模块包括人工故障诊断和人工诊断查询部分。
2.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述机组信息维护和机组状态维护部分:通过界面实现水电机组信息或水电机组状态的录入、修改、删除操作;
其中:机组信息包括电站名称、机组编号、机组名称、额定功率、机组型号、投产日期、制造厂家、安装单位基本信息;机组状态信息包括状态编码、状态名称、是否处理、建议采取措施、发生状态原因。
3.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述诊断模型维护部分是通过界面操作,录入故障诊断模型信息,故障诊断模型信息包括模型名称、模型类名、训练函数名、预测函数名、模型描述、是否使用;
其中:模型类名是外部已经编译好的类名或服务名,预测函数名和训练函数名均是外部系统或服务已经编译好的自定义函数名或接口名。
4.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述模型结果使用部分通过前面模型训练过程中保存的模型训练结果信息,选择一个准确率最高的水电机组在特定的工况下使用的故障诊断模型,用该诊断模型进行故障诊断和预测。
5.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述诊断机组维护部分是通过界面操作,用户主动选择需要进行故障诊断和预测的水电机组,并对被选机组进行故障诊断和预测。
6.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述诊断日志查询部分会保存系统每次执行故障诊断和故障预测任务时产生的日志信息,当用户通过界面操作查询时,向用户反馈相应的日志信息;
所述日志信息内容包括任务名称、日志等级、日志时间、日志内容。
7.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述诊断记录查询模块包括主动查询和被动提示部分,其中,主动查询部分为:用户通过界面操作查询系统执行故障诊断后的诊断结果,诊断结果内容包括机组名称、机组状态、诊断时间、诊断结果;被动提示部分为:诊断过程中系统发现机组存在故障时,会自动提示用户故障发生部位,并提示建议采取的措施及可能发生的原因。
8.根据权利要求1所述开放型水电机组故障诊断系统,其特征在于,所述人工故障诊断部分为主动诊断部分:用户选择可用的诊断模型并上传诊断文件,然后系统会对诊断文件进行故障诊断;其中,要求上传的故障诊断文件必须与使用的故障诊断模型中的训练文件格式一致,即要求有相同的列数,每列代表的含义一致;
所述人工诊断查询部分是通过界面操作查询以往人工故障诊断结果,其中,人工诊断查询内容包括机组名称、机组状态、诊断时间、诊断结果、建议采取措施、可能发生的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510760928.4A CN105278524B (zh) | 2015-11-10 | 2015-11-10 | 一种开放型水电机组故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510760928.4A CN105278524B (zh) | 2015-11-10 | 2015-11-10 | 一种开放型水电机组故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105278524A CN105278524A (zh) | 2016-01-27 |
CN105278524B true CN105278524B (zh) | 2018-10-26 |
Family
ID=55147704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510760928.4A Active CN105278524B (zh) | 2015-11-10 | 2015-11-10 | 一种开放型水电机组故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105278524B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650954A (zh) * | 2016-09-18 | 2017-05-10 | 珠海格力电器股份有限公司 | 空调及其操作数据的处理方法、装置和系统 |
CN107065824B (zh) * | 2017-03-07 | 2018-07-17 | 贵州黔源电力股份有限公司 | 一种水电机组远程故障诊断开放式平台 |
CN107704933A (zh) * | 2017-09-01 | 2018-02-16 | 新疆金风科技股份有限公司 | 风力发电机组故障诊断系统和方法 |
CN109581994A (zh) * | 2017-09-28 | 2019-04-05 | 深圳市优必选科技有限公司 | 一种机器人故障诊断方法、系统及终端设备 |
CN110309981A (zh) * | 2019-07-09 | 2019-10-08 | 华能四川水电有限公司 | 一种基于工业大数据的水电站状态检修决策系统 |
CN113295412B (zh) * | 2021-05-26 | 2022-10-11 | 华能澜沧江水电股份有限公司 | 一种检测立式水轮发电机组导轴承受力不平衡原因的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6144923A (en) * | 1997-02-22 | 2000-11-07 | Voith Hydro, Gmbh & Co Kg | Machine diagnosis system |
KR20090015617A (ko) * | 2007-08-09 | 2009-02-12 | 한국전력공사 | 발전-전동기 운전중 진단 시스템 및 방법 |
CN103366259A (zh) * | 2013-07-30 | 2013-10-23 | 国家电网公司 | 水电生产管理系统检修项目计划方法 |
CN103366258A (zh) * | 2013-07-30 | 2013-10-23 | 国家电网公司 | 水电生产管理系统指标评价方法 |
CN103491354A (zh) * | 2013-10-10 | 2014-01-01 | 国家电网公司 | 一种系统运行监控可视化平台 |
CN103728949A (zh) * | 2014-01-02 | 2014-04-16 | 贵州电网公司 | 一种水电机组一体化控制装置 |
CN104281130A (zh) * | 2014-09-22 | 2015-01-14 | 国家电网公司 | 一种基于大数据技术的水电设备监测和故障诊断系统 |
-
2015
- 2015-11-10 CN CN201510760928.4A patent/CN105278524B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6144923A (en) * | 1997-02-22 | 2000-11-07 | Voith Hydro, Gmbh & Co Kg | Machine diagnosis system |
KR20090015617A (ko) * | 2007-08-09 | 2009-02-12 | 한국전력공사 | 발전-전동기 운전중 진단 시스템 및 방법 |
CN103366259A (zh) * | 2013-07-30 | 2013-10-23 | 国家电网公司 | 水电生产管理系统检修项目计划方法 |
CN103366258A (zh) * | 2013-07-30 | 2013-10-23 | 国家电网公司 | 水电生产管理系统指标评价方法 |
CN103491354A (zh) * | 2013-10-10 | 2014-01-01 | 国家电网公司 | 一种系统运行监控可视化平台 |
CN103728949A (zh) * | 2014-01-02 | 2014-04-16 | 贵州电网公司 | 一种水电机组一体化控制装置 |
CN104281130A (zh) * | 2014-09-22 | 2015-01-14 | 国家电网公司 | 一种基于大数据技术的水电设备监测和故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105278524A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105278524B (zh) | 一种开放型水电机组故障诊断系统 | |
Guillén et al. | On the role of Prognostics and Health Management in advanced maintenance systems | |
EP1114361B1 (en) | Method and apparatus for monitoring the operation of an industrial process | |
López-Campos et al. | Modelling using UML and BPMN the integration of open reliability, maintenance and condition monitoring management systems: An application in an electric transformer system | |
CN112804093B (zh) | 一种基于故障能力中心的集中调度支撑方法和系统 | |
Nabati et al. | Data driven decision making in planning the maintenance activities of off-shore wind energy | |
Wang et al. | Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining | |
Amaya et al. | SIMPREBAL: An expert system for real-time fault diagnosis of hydrogenerators machinery | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
Guillén López et al. | Prognostics and health management in advanced maintenance systems | |
Oliveira et al. | Combined application of condition-based maintenance and reliability centred maintenance using PFMEA and lean concepts-a case study | |
CN115186986A (zh) | 核电厂维修配置风险定量评估系统、方法、设备及介质 | |
Al-Harbi et al. | Development of Reliability Centered Maintenance System Using Artificial Intelligence | |
Bai et al. | Process Plant Upgradation Using Reliability, Availability, and Maintainability (RAM) Criteria | |
Laakso et al. | The use of condition monitoring information for maintenance planning and decision-making | |
Temprado et al. | Knowledge discovery from trouble ticketing reports in a large telecommunication company | |
Alexandru et al. | Building a smart maintenance architecture using smart devices: A web 2.0 based approach | |
Koitz et al. | Wind Turbine Fault Localization: A Practical Application of Model-Based Diagnosis | |
Van Blerk | A web-based multilevel framework for condition monitoring of industrial equipment | |
Seo et al. | Optimal Weapons System Maintenance Using Prognostics and the Interface between an S1000D-based Interactive Electronic Technical Publication and Condition-based Maintenance | |
CN118348918A (zh) | 一种飞机装配生产线多源数据感知、融合与预测分析方法及系统 | |
Hu et al. | Automated Monitoring Method for Enterprise Microservices Network Operation Status Based on Database Knowledge Graph | |
Mazzoleni | Journal of Industrial Information Integration | |
Berno et al. | A Data Management and Anomaly Detection Solution for the Entertainment Industry | |
Antoine et al. | Remote services for power generation equipment |
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 |