CN108627345B - 一种汽轮机系统级故障的诊断方法及系统 - Google Patents
一种汽轮机系统级故障的诊断方法及系统 Download PDFInfo
- Publication number
- CN108627345B CN108627345B CN201810445469.4A CN201810445469A CN108627345B CN 108627345 B CN108627345 B CN 108627345B CN 201810445469 A CN201810445469 A CN 201810445469A CN 108627345 B CN108627345 B CN 108627345B
- Authority
- CN
- China
- Prior art keywords
- steam turbine
- fault
- turbine system
- function cluster
- function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title abstract description 28
- 208000024891 symptom Diseases 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 230000001364 causal effect Effects 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 110
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 10
- 238000003303 reheating Methods 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000009833 condensation Methods 0.000 claims description 4
- 230000005494 condensation Effects 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000010736 steam turbine oil Substances 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 abstract description 3
- 238000002405 diagnostic procedure Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 14
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000007257 malfunction Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 230000001172 regenerating effect Effects 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000001808 coupling effect Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000010723 turbine oil Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000897 Babbitt (metal) Inorganic materials 0.000 description 1
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种汽轮机系统级故障的诊断方法及系统。该诊断方法包括：根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统；根据零部件功能簇、单元功能簇和人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构‑功能联合分解；根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障‑征兆属性进行评价，获得所述汽轮机系统的模糊故障‑征兆属性评价准则；根据汽轮机系统故障的因果模型和所述模糊故障‑征兆属性评价准则建立汽轮机系统级故障的传播模型。通过基于因果关系建立模型的方法提高了故障诊断方法的准确度和有效性。
Description
技术领域
本发明涉及汽轮机领域，特别是涉及一种汽轮机系统级故障的诊断方法及系统。
背景技术
以往机械设备的故障诊断主要是针对机械系统中的关键零部件，如齿轮、轴承和转子，监测并诊断关键零部件的服役故障。机械系统服役过程中，当确定零部件的诱发性故障一旦被监测并确诊，即达到故障诊断的目的。但是，机械系统的相互作用是机械系统发生故障的本质原因，这种零部件级的故障诊断往往只能诊断出诱发性故障，却不能根治机械系统的故障隐患。
针对于无法根治机械系统的故障隐患的问题，需要进行机械系统的系统级故障诊断，从零部件的诱发性故障出发，依托系统级故障传播模型，采用适当的故障推理机制，追溯出导致故障发生的根源性因素，达到根治机械系统故障隐患的目的。
现有技术中，通过系统结构模型生成故障传播树，通过系统功能模型生成以及专家知识等构建故障-征兆矩阵，进而抽象出故障诊断决策树，在模型基推理框架下对直升机中继齿轮箱、燃烧推进单元等进行故障诊断。基于零部件、子系统与系统在表征故障起源、传感能力与运行维护条件等方面所具有的不同功能，对系统进行结构、功能、负载条件以及失效机理等不同尺度的建模，并采用分层架构研究了典型故障模式下的航空涡扇发动机系统参数变化对零部件故障失效的影响。在基于高铁运营场景数据流挖掘进行系统故障建模，采用动态网格划分及离群点检测获取系统故障数据集，并利用关联规则分析进行故障诊断，现有技术中的诊断方法是从结构-功能-故障传播-推理决策，通过从整体到局部的系统结构分解，建立起系统故障传播模型，通过自上而下的系统功能划分以及各功能单元信息传递关系的定量分析，生成故障-征兆属性集合；最后，在适当的推理机制下逐步缩小诊断范围，追溯系统故障发生的根源。但是，对于像机械系统这样复杂的系统，各功能单元间的信息流往往是并行或者耦合的，信息传递关系经常是模糊的，非定量或者半定量的，现有技术中的诊断方法的诊断的准确度低。
发明内容
本发明的目的是提供一种能够提高诊断准确度的汽轮机系统级故障的诊断方法及系统。
为实现上述目的，本发明提供了如下方案：
一种汽轮机系统级故障的诊断方法，所述诊断方法包括：
根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇；
根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型；
根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障-征兆属性进行评价，获得所述汽轮机系统的模糊故障-征兆属性评价准则；
根据所述汽轮机系统故障的因果模型和所述模糊故障-征兆属性评价准则建立所述汽轮机系统级故障的传播模型。
可选的，所述根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇具体包括：从所述汽轮机系统功能的角度将所述汽轮机分为本体子系统、主、再热蒸汽子系统、回热抽气子系统、主凝结水子系统、数字电液控制子系统、辅助子系统；
所述辅助子系统具体包括：辅助蒸汽子系统、主给水及除氧子系统、汽轮机供油子系统、加热器疏水与放气子系统。
可选的，根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型具体包括：
由于设备故障通常表现为在工作过程中由于一些原因导致的部分或者全部规定功能的丧失，因此采用面向系统级故障的功能簇划分原则，实施汽轮机本体子系统的结构-功能联合分解。
为了实现上述目的，本发明还提供了如下方案：
一种汽轮机系统级故障的诊断系统，所述诊断系统包括：
功能簇模块，用于根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇；
模型建立模块，用于根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型；
评价模块，用于根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障-征兆属性进行评价，获得所述汽轮机系统的模糊故障-征兆属性评价准则；
传播模型建立模块，用于根据所述汽轮机系统故障的因果模型和所述模糊故障-征兆属性评价准则建立所述汽轮机系统级故障的传播模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的一种能够提高诊断准确度的汽轮机系统级故障的诊断方法及系统，所述诊断方法及系统包括汽轮机系统的系统级故障诊断方法，并在系统分解、信息传递关系表达以及推理机制的判断，建立了有效的可靠的诊断方法及系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的汽轮机系统的一级划分图；
图2为本发明提供的汽轮机系统的本体子系统的二级划分图；
图3为本发明提供的基于功能簇划分原则的系统CSFD模型；
图4为本发明提供的基于CSFD的系统故障因果模型；
图5为本发明提供的故障-征兆属性的加权征兆树并网模型；
图6为本发明提供的S-LF传播模型图；
图7为本发明提供的S-LF溯源的分层推理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种能够提高诊断准确度的汽轮机系统级故障的诊断方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种汽轮机系统级故障的诊断方法，所述诊断方法包括：
根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇；
根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型；
根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障-征兆属性进行评价，获得所述汽轮机系统的模糊故障-征兆属性评价准则；
根据所述汽轮机系统故障的因果模型和所述模糊故障-征兆属性评价准则建立所述汽轮机系统级故障的传播模型。
可选的，所述根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇具体包括：从所述汽轮机系统功能的角度将所述汽轮机分为本体子系统、主、再热蒸汽子系统、回热抽气子系统、主凝结水子系统、数字电液控制子系统、辅助子系统；
所述辅助子系统具体包括：辅助蒸汽子系统、主给水及除氧子系统、汽轮机供油子系统、加热器疏水与放气子系统。
可选的，根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型具体包括：
由于设备故障通常表现为在工作过程中由于一些原因导致的部分或者全部规定功能的丧失，因此采用面向系统级故障的功能簇划分原则，实施汽轮机本体子系统的结构-功能联合分解。
为了实现上述目的，本发明还提供了如下方案：
一种汽轮机系统级故障的诊断系统，所述诊断系统包括：
功能簇模块，用于根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇；
模型建立模块，用于根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型；
评价模块，用于根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障-征兆属性进行评价，获得所述汽轮机系统的模糊故障-征兆属性评价准则；
传播模型建立模块，用于根据所述汽轮机系统故障的因果模型和所述模糊故障-征兆属性评价准则建立所述汽轮机系统级故障的传播模型。
机械系统的相互作用是故障产生的本质原因。一个复杂的机械系统由众多的零部件、单元或子系统等共同组成，因此机械系统可能发生的故障模式有很多种类，由于机械系统各组成部分在结构、功能等方面具有相互依赖关系，彼此之间通过物质流、能量流和/或信息(信号)流的传递而保持密切的联系，因此多种故障模式之间具有明显的因果关系。例如，如下图所示，故障B可能是造成故障C的原因，而它同时也可能是故障A的结果。由此，形成一种故障因果关系。如果将每种故障模式以节点来表达，其中故障原因可称为顶节点或根结点，故障结果可称为底节点。对同一功能簇而言，当导致一种故障结果的故障原因有多种或一种故障原因可以导致多种故障结果时就形成了一种并行的故障因果关系(见虚线所示)。如果不同功能簇之间存在着故障因果关系，则会形成更为复杂的耦合故障因果关系(见点划线所示)。
在如上图所示的普通故障因果关系中，箭头的指向只是表达了由故障原因到故障结果的传递关系，传递动作能否实现以及实现的可能性有多大没有考虑。如果在这种因果关系基础上采用一些量化指标如传递概率、征兆似然值等进行适当的故障征兆属性评价，建立起表征故障因果传递强度的定量化准则，即可形成一个可用于系统级故障诊断的故障传播模型，即故障因果模型。
汽轮机系统结构-功能联合分解
汽轮机远比一般的机械设备复杂，除了核心的转子部件外，还包括数以千计的其他单元与零部件，它们在结构、功能与动力特性等方面密切关联、相互作用，共同构成一个多层次的机、电、热、磁、液、气、固等多尺度、多能域耦合的系统。从系统功能的角度，可分为本体子系统、主、再热蒸汽子系统、回热抽汽子系统、主凝结水子系统、数字电液控制子系统、辅助子系统等，如图1所示。其中辅助子系统还可进一步细分为辅助蒸汽子系统、主给水及除氧子系统、汽轮机轴封子系统、汽轮机供油子系统、加热器疏水与放气子系统等。
汽轮机本体是实现能量(蒸汽冲击动能)转换(为主轴旋转动能)并进行机械做功的场所，主要由静子和转子组成。静子包括汽缸、喷嘴、隔板、汽封、轴承、轴承座、机座、滑销系统、盘车装置以及有关紧固零件等；转子由主轴、叶轮、动叶片、联轴器及装在主轴上的其它零件组成。
作为汽轮机系统的核心，本体子系统的运行工况具有明显的外部关联性与热-机耦合性。一方面，汽轮机本体与其他子系统以不同方式发生密切的关联作用，通过信息流(物质、能量和信号)的交换与/或传递共同实现系统的功、能转换目标。另一方面，严酷的高温、高压工质条件、毫米级的极小动-静配合间隙以及日趋柔性化的转子等因素，使得汽轮机本体呈现出显著的热-机耦合效应，极易导致机组强烈振动，进而引发多种严重故障甚至事故。热-机耦合性导致异常或故障多发、种类繁多且征兆表现复杂，对机组运行安全影响巨大；外部关联性要求不仅要诊断出诱发性故障(如不平衡、转轴挠曲或动-静碰摩等)，还要从系统关联的角度进一步追溯故障发生的根源以彻底消除隐患。因此，本体子系统故障诊断是汽轮机系统故障诊断的关键。
基于运行工况特性的本体子系统二级划分如图2所示，其中缸体内的喷嘴、隔板、汽封与推力轴承、盘车装置、回热抽汽口等均未示出。
由图1和图2可见，工质的多路传输及多相、多场合转变，流场、温度场及应力场等多场耦合效应，使得汽轮机本体子系统的信息流呈现出明显的并行性与耦合性，相应地要求采取不同的系统分解建模策略。鉴于设备故障(或失效)通常表现为其在工作过程中由于某些原因导致的部分或全部规定功能的丧失，因此采用面向系统级故障(System-LevelFault，S-LF)的功能簇(Cluster ofFunctions，CFs)划分原则，实施汽轮机本体子系统的结构-功能联合分解(Combined Structural andFunctional Decomposition，CSFD)。
定义1功能簇(CFs)——具有规定功能(Functions)的多个零部件、单元(子系统)以及人为作用的集合，用于实现或达成某一特定的功能任务(Role)。对于某一系统Γ，其第i个CFs(达成功能任务Ri)可表达为
式中下角标Fs为“Functions”的缩写形式，上角标i为功能簇(CFs)编号。Pj i为J个零部件组元，具有规定功能FPj i,j＝1,2,...,J；Uk i为K个单元(子系统)组元，具有规定功能FUk i,k＝1,2,...,K；Ol i为L个人为作用组元，具有规定功能FOl i,l＝1,2,...,L。例如，在汽轮机启动、停机或变负荷工况运行时，为了防止缸体进水或发生冷蒸汽冲击(即功能任务)，需要汽包及其水位控制单元、锅炉及其温度控制单元、主蒸汽管道疏水阀、过热器与喷水阀、本体疏水系统、回热系统加热器及其疏水单元、轴封供汽系统及供汽管道疏水装置等(即零部件、单元(子系统)组元)的协同作用，还需要如滑参数启动或停机时温度和压力匹配、主蒸汽系统启动时暖管、低负荷运行时锅炉减温水调整、旁路系统减温减压器喷水量调节、疏水系统设计与布置、轴封供汽系统暖管等(即人为作用组元)的密切配合。所有这些组元，共同构成了汽轮机本体子系统的“汽缸进水CFs”。
根据前述的CFs定义，系统Γ可以分解为如下的M个功能簇(CFs)
式中任一CFs即CFs i均与特定的功能任务即Ri相关联，i＝1,2,...,M，这些功能任务能否实现或达成直接决定着Γ的功能状态。基于CFs划分原则的系统CSFD模型示意于图3。
汽轮机系统故障的因果建模
对于系统Γ中的任一CFs即CFs i而言，当其中的某个(些)组元Pj i、Uk i与/或Ol i的部分或全部规定功能丧失即发生故障(或失效)时，CFs i的功能任务Ri将无法实现或达成，从而导致系统Γ发生某种异常或故障。显然，这种异常或故障的影响是系统性或全局性的。
定义2系统级故障(S-LF)——功能簇(CFs)中某个(些)组元发生故障(或失效)，导致该CFs无法实现或达成其特定的功能任务，进而引起系统发生的异常或故障。
对于系统Γ中的任一功能簇(CFs)CFs i，分别以
与
表示零部件组元Pj i的规定功能FPj i、单元(子系统)组元Uk i的规定功能FUk i与人为作用组元Ol i的规定功能FOl i的部分或完全丧失，即发生故障(或失效)，则有
式中
d＝1,2,...,D(D＝J+K+L)为CFs i各组元故障(或失效)的一般表达形式。
意味着由CFs i中某个(些)组元故障(或失效)导致的功能任务Ri未实现或达成，FΓ i为由此引起的系统Γ的异常或故障，即系统级故障(S-LF)。以前述的“汽缸进水CFs”为例，当其中的某个(些)组元发生故障(或失效)时，水或冷蒸汽即可能进入缸体导致汽缸进水(或水冲击)事故。
系统故障因果模型示意于图4，以任意两个功能簇q与r为例进行说明。
如图4所示，一个CFs中任一组元发生故障(或失效)，均可能导致系统级故障(S-LF)，这体现了系统故障因果关系的并行特征；两个CFs(CFs q与CFs r)之间也可能存在故障因果关联(见点线箭头)，这体现了系统故障因果关系的耦合特征。特别是某一CFs(CFs r)的S-LF(FΓ r)，极有可能成为其他CFs(CFs q)组元故障(或失效)
的强烈诱因(见较粗的点线箭头)。
本质上，系统故障因果关系的并行性与耦合性根源于系统信息流的并行与耦合特征。例如，水或冷蒸汽可能通过主、再热蒸汽管道或过热器、本体疏水系统、回热系统加热器以及轴封供汽管道等不同路径进入汽轮机缸体，引起汽缸进水(或水冲击)事故。在流场、温度场及应力场耦合作用下，主、再热蒸汽温度或抽汽温度急剧下降，汽缸相对胀差或轴向位移剧烈变化，上、下缸体与/或转子轴温度场呈现明显的不均匀分布，导致转子裂纹、汽缸永久变形、转子永久性弯曲等故障，并在小动-静配合间隙条件下进一步诱发动-静碰摩。此外，汽轮机油系统故障会引起轴承供油不足或断油，导致支撑轴承损坏或轴瓦烧损，造成大轴下沉而使动-静轴向或径向间隙消失，进而引发动-静碰摩。动-静碰摩除了会加剧转子轴温度场分布的不均匀并使转子挠曲加重以外，还可能造成叶片和围带损坏而导致转子不平衡，或造成汽封片磨损而使汽缸法兰结合面漏汽。由转子不平衡引起的机组大振动，则会进一步加重动-静碰摩或转子挠曲，引起支撑轴承损坏(如轴承衬动-静部分磨损、巴氏合金损坏脱落、紧固螺钉破坏等)、凝汽器管道损坏、汽轮机油系统故障(如主油泵蜗轮损坏等)、轴系破坏等。
模糊故障-征兆属性
汽轮机系统的信息传递关系具有模糊性、非定量或半定量性，其故障-征兆属性及其评价准则也应该是模糊的、定性与定量相结合的。ABBAS等[9]认为，机械系统异常或故障发源于零部件级故障(或失效)，利用精确的零部件级故障(或失效)模型可以获得更准确的诊断结果。但他们同时指出，对于一个复杂的机械系统，传感观测能力是有限的，往往只能达到子系统级别。对于零部件级故障(或失效)的征兆变量，其观测数据通常难以获取。因此，有必要开展不同级别的模糊故障-征兆属性(Fuzzy Fault-SymptomAttributes，FF-SA)评价。
2.1组元级FF-SA分析与评价
崔建国等[12]运用灰色模糊与层次分析的多属性决策思想，将健康监测数据、历史故障统计数据、故障机理分析结果以及故障征兆出现的显著与影响程度等多因素综合分析评价结果与专家的经验知识相结合，试图通过定性与定量分析提出一种可靠性与经济可行性最佳结合的故障优先维修策略，这对于构建系统功能簇(CFs)内部的、具有不可测性的组元故障-征兆属性集合具有启示作用。
当系统Γ的第i个CFs即CFs i未实现或达成其功能任务Ri(即
)时，系统级故障(S-LF)FΓ i发生，由该CFs各组元的故障(或失效)构成故障模式集合
(d＝1,2,...,D)，FΓ i的征兆属性集合为SΓ i＝{Sh i}(h＝1,2,...,H)。值得注意的是，SΓ i并非
的征兆属性的简单排列组合。例如，“汽缸进水CFs”组元故障(或失效)的可能征兆包括：(1)汽包汽水沸腾或满水且水位失控；(2)锅炉蒸发量过大或蒸发不均且汽温失控；(3)管道凝结水产生过多且疏水不畅；(4)过热器、旁路系统积水过多且喷水阀不严密；(5)本体疏水不畅；(6)回热系统加热器不严密或疏水不畅；(7)轴封供汽系统暖管不充分或管道上疏水不畅。而汽缸进水(或水冲击)事故的可能征兆有：(1)主、再热蒸汽或抽汽温度剧降；(2)高、中压主汽门、高中压调门、轴封、汽缸结合面处冒白汽或溅水滴；(3)蒸汽或抽汽管道振动，蒸汽管上、下温差增大，管内有水冲击声；(4)上、下缸温差增大，汽缸及转子金属温度突降；(5)轴向位移增大，推力瓦温度骤升；(6)机组振动突增、声音异常并伴随着水冲击或金属磨擦声；(7)机组轴向位移、振动、负胀差指示增大，推力瓦块温度升高，TSI监测指示报警；(8)抽汽管道有水冲击声且其上防进水热电偶温差大报警(当加热器满水造成进水时)；(9)盘车状态下盘车电流增大。显然，功能簇的系统性异常或故障征兆是其各组元故障(或失效)征兆在整个系统约束下的并行传递与耦合变化的结果和集中体现。当然，众多的功能簇系统性异常或故障征兆一般不会同时发生，具体会出现哪些征兆现象取决于系统异常或故障的性质与严重程度、原发性故障及其传播路线等不同影响因素。
领域专家et∈E＝{e1,e2,...,eT}基于对N种因素fn,n＝1,2,...,N的综合分析与评价，确定各因素作用的灰色模糊权重un，据此给出
在Sh i∈SΓ i下的属性值，即一个灰色模糊数
对应着
与SΓ i之间的灰色模糊关系矩阵
如下
t＝1,2,L,T.
式中变量由于同时存在两个上角标，故以
进行分隔。下同，不再赘述。
由于不同的专家具有不同的知识和经验，加之信息本身具有不充分性和不确定性，使得专家给出的信息往往具有灰色性[12]。因此，构建专家组E的灰色模糊权重向量为
式中λt i为模部权重且有λt i≥0,
πt i为灰部权重且有0≤πt i≤1。专家组E对应的灰色模糊关系矩阵为
式中rdh i为矩阵
的元素即rdh i＝(μdh i,νdh i)。
通过求解如下的优化问题，得到征兆属性集合SΓ i的权重向量wi＝[w1 i,w2 i,...,wH i]T。
式中d(·)为切比雪夫(Chebychev)距离。wi的灰色模糊权重表达为
集结第i个CFs即CFs i各组元故障(或失效)模式的综合属性值，计算
式中
d＝1,2,...,D。
综合属性值
的排序向量βi＝[β1 i,β2 i,...,βD i]可定义为
式中α为平衡系数且有0<α<1，实际应用中应在使综合隶属度最大化与综合点灰度最小化之间进行权衡选取。βd i为CFs i中第d个组元故障(或失效)模式
的综合隶属度，其值反映了当系统Γ存在S-LF即FΓ i时在征兆属性SΓ i下
发生的可能性大小。
功能簇(CFs)级FF-SA分析与评价
由系统Γ的所有M个CFs的异常或故障构成S-LF模式集合FΓ＝{FΓ 1,FΓ 2,...,FΓ M}，对应的征兆属性集合为
SΓ＝SΓ 1U SΓ 2UL U SΓ M＝{Sg}. (10)
式(10)表明，整个系统Γ的故障-征兆属性集合SΓ由各CFs的故障-征兆属性集合SΓ m合并而成。从而，功能簇(CFs)级故障-征兆属性的加权征兆树并网模型如图5所示。
图5中的权值γgm,g＝1,2,...,G,m＝1,2,...,M描述了系统第g个征兆属性Sg与第m个故障模式FΓ m之间的统计信息。由于故障模式通常具有多征兆属性，一种故障往往导致多个过程变量偏离其正常值或范围(即征兆)，因此γgm可理解为FΓ m对Sg的相对作用或贡献(相对于所有征兆属性)。出于组网建模的考虑，引入了虚隶属关系(如点线箭头所示)，虚隶属关系下征兆属性与故障模式之间无隶属关系，例如γ 21。进一步地，可以从图5所示的加权征兆树并网模型中抽取出一个故障-征兆相对作用或贡献矩阵，即γ＝[γgm]G×M。
基于模糊集理论，构建一个半梯形函数(HalfTrapezoidalFunction，HTF)并借助一定的隶属度准则描述一个正规化的过程变量x的偏离程度，具体分为以下四种情况：
(1)x的偏离直接关联某一S-LF且HTF值随x线性增大。
式中xa与xmax分别为HTF的正半轴非零始点与最大值起点。
(2)x的偏离直接关联某一S-LF且HTF值随x线性减小。
式中xa与xmax分别为HTF的正半轴最大值终点与零始点。
(3)x的偏离未直接关联某一S-LF但通过耦合的S-LF节点发生间接关系。
式中n为故障因果模型中待评价S-LF节点至x偏离所关联的S-LF节点之间的路径数。ρi为第i条路径上故障因果关系的隶属度。本文案例研究中选取ρi＝0.5。
(4)x的偏离未直接关联某一S-LF也未通过耦合的S-LF节点发生间接关系，此时为虚隶属关系，故有ρ＝0。
HTF的参数xa与xmax一般通过动态仿真或先验知识来确定。实际上，ρ就是已知的征兆属性(变量x的偏离)对未知的故障模式(导致变量x偏离的原因)的隶属度大小的度量。
故障-征兆相对作用或贡献权值γgm可以进一步计算如下[13]：
从征兆过程变量的观测数据出发，基于似然估计原理筛选潜在的系统故障模式，并对所有候选故障按照其发生的可能性大小进行排序，再结合系统故障的因果模型，即可对最可能发生的S-LF及其演化过程做出明确的诊断。
2.3定性征兆属性的量化评价
前述的隶属度评价准则，主要针对的是定量征兆属性(由过程变量的偏离来描述)。例如，描述汽缸进水(或水冲击)的定量征兆属性主要有主蒸汽温度tMA-、再热蒸汽温度tAG-、抽汽温度tDR-、蒸汽管上下温差Δtudp+、上下缸温差Δtudb+、汽缸金属温度tbm-、转子金属温度trm-、轴向位移SA+、推力瓦温度ttlw+、机组振动Ast+、机组负胀差δnst+、抽汽管道防进水热电偶温差Δtrdo+、盘车电流IA+等，其中符号“+”、“-”分别表示增加、降低至超出标准(或跳闸)值。除此之外，如高、中压主汽门以及高中压调门、轴封、汽缸结合面处冒白汽或溅水滴(视觉)、蒸汽或抽汽管道内水冲击声，机组异响并伴随着水冲击或金属磨擦声(听觉)、蒸汽或抽汽管道振动(触觉)以及机组轴向位移、振动、负胀差增大指示或推力瓦块温度升高TSI监测。
报警信号发出、抽汽管道防进水热电偶温差大报警信号发出(警示)等定性属性也用于描述汽缸进水(或水冲击)事故，定性征兆属性由对征兆现象的主观感受来表征。根据现象性质的不同，有以下两种隶属度评价方法：
(1)直观二值法——当征兆现象只有“有”和“无”两种状态时，根据观察结果直接进行评价，即：无，ρ＝0；有，ρ＝1。例如“转子系统部件松脱”以及“热态启动操作失误”，等等。
(2)经验模糊法——当征兆现象的发生还有不同程度的区别时，需要结合经验估计与模糊方法来进行评价。首先，建立征兆现象的表征变量；基于式(11)或(12)给出的隶属度准则，领域专家依据经验设定HTF的各个参数(xa与xmax)，并据此构建现象变量的参考模板；根据征兆现象的严重程度，借助参考模板确定现象变量的取值，计算其隶属度0≤ρ≤1。在某种程度上，ρ就是对征兆现象严重程度的一种量化表达。
系统故障传播模型与溯源机制
基于系统故障的因果模型及其FF-SA评价准则，S-LF的传播模型如图6所示。
图6中，Lm为故障模式FΓ m对故障-征兆属性集合SΓ的似然值，即Lm＝Σg(ρgmγgm)。S-LF的传播模型显示：S-LF起源于CFs中的组元故障(或失效)，并沿着组元故障(或失效)→CFs异常或故障→系统性异常或故障这样一条自顶向底、自内向外的路径传播。因此，采用由下向上、由表及里且分层递进的S-LF溯源机制，以追溯S-LF的发生根源，其推理流程如图7所示。
S-LF溯源推理的第一层次为CFs级故障诊断，第二层次为组元级故障诊断。如果一个CFs中包含了单元(子系统)组元如Uk i，则Uk i可以视为一个子CFs，其故障诊断采取第二层次诊断策略进行。对导致组元故障(或失效)的更深层次的原发性因素的追溯，需要借助细致的系统结构、功能分析以及故障(或失效)机理研究、故障因果的并行与耦合特征分析等才能实现。
利用层次化的溯源推理机制，S-LFD问题转化为一个分层的模糊决策问题。由于综合考虑了多种因素的作用并结合了定量与定性分析，因此有望获得更加贴近实际的诊断结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种汽轮机系统级故障的诊断方法，其特征在于，所述诊断方法包括：
根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇；
根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型；
根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障-征兆属性进行评价，获得所述汽轮机系统的模糊故障-征兆属性评价准则；
根据所述汽轮机系统故障的因果模型和所述模糊故障-征兆属性评价准则建立所述汽轮机系统级故障的传播模型。
2.根据权利要求1所述的一种汽轮机系统级故障的诊断方法，其特征在于，从汽轮机系统结构的角度将所述汽轮机分为本体子系统、主、再热蒸汽子系统、回热抽气子系统、主凝结水子系统、数字电液控制子系统、辅助子系统；
所述辅助子系统具体包括：辅助蒸汽子系统、主给水及除氧子系统、汽轮机供油子系统、加热器疏水与放气子系统。
3.根据权利要求2所述的一种汽轮机系统级故障的诊断方法，其特征在于，根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，具体包括：
由于设备故障通常表现为在工作过程中由于一些原因导致的部分或者全部规定功能的丧失，因此采用面向系统级故障的功能簇划分原则，实施汽轮机本体子系统的结构-功能联合分解。
4.一种汽轮机系统级故障的诊断系统，其特征在于，所述诊断系统包括：
功能簇模块，用于根据具有规定功能的汽轮机系统中的多个零部件、多个单元和多个人为作用的集合划分所述汽轮机系统，获得零部件功能簇、单元功能簇和人为功能簇；
模型建立模块，用于根据所述零部件功能簇、所述单元功能簇和所述人为功能簇发生故障导致所述汽轮机系统发生故障采用功能簇划分原则，进行系统结构-功能联合分解，获得所述汽轮机系统故障的因果模型；
评价模块，用于根据所述汽轮机系统的信息传递的模糊性、非定量或半定量性对所述汽轮机系统的模糊故障-征兆属性进行评价，获得所述汽轮机系统的模糊故障-征兆属性评价准则；
传播模型建立模块，用于根据所述汽轮机系统故障的因果模型和所述模糊故障-征兆属性评价准则建立所述汽轮机系统级故障的传播模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810445469.4A CN108627345B (zh) | 2018-05-11 | 2018-05-11 | 一种汽轮机系统级故障的诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810445469.4A CN108627345B (zh) | 2018-05-11 | 2018-05-11 | 一种汽轮机系统级故障的诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108627345A CN108627345A (zh) | 2018-10-09 |
| CN108627345B true CN108627345B (zh) | 2020-07-10 |
Family
ID=63692692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810445469.4A Active CN108627345B (zh) | 2018-05-11 | 2018-05-11 | 一种汽轮机系统级故障的诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108627345B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109855873B (zh) * | 2018-12-12 | 2021-02-05 | 华润电力技术研究院有限公司 | 汽轮机大轴的故障诊断方法及装置 |
| CN109632315A (zh) * | 2019-01-11 | 2019-04-16 | 浙江浙能技术研究院有限公司 | 一种基于双参数规则匹配的汽轮机振动故障推理诊断方法 |
| CN110245431B (zh) * | 2019-06-18 | 2022-07-22 | 西北工业大学 | 飞行器液压管路流固耦合振动断裂故障的溯源方法 |
| CN110879586A (zh) * | 2019-12-04 | 2020-03-13 | 江苏方天电力技术有限公司 | 一种调相机故障诊断和状态监测方法和系统 |
| CN113656906B (zh) * | 2021-07-29 | 2023-10-03 | 浙江大学 | 一种面向燃气轮机的非平稳多变量因果关系分析方法 |
| CN114036652B (zh) * | 2021-08-06 | 2024-02-23 | 西安交通大学 | 一种燃气轮机叶片内外耦合的多尺度计算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196743A (zh) * | 2007-12-26 | 2008-06-11 | 西安交通大学 | 基于因果网络模型的机电系统安全分析装置及方法 |
| CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
| CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
| CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
| CN106777868A (zh) * | 2016-11-15 | 2017-05-31 | 辽宁工程技术大学 | 一种分析电气系统故障影响因素间因果关系的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8732112B2 (en) * | 2011-12-19 | 2014-05-20 | GM Global Technology Operations LLC | Method and system for root cause analysis and quality monitoring of system-level faults |
-
2018
- 2018-05-11 CN CN201810445469.4A patent/CN108627345B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196743A (zh) * | 2007-12-26 | 2008-06-11 | 西安交通大学 | 基于因果网络模型的机电系统安全分析装置及方法 |
| CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
| CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
| CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
| CN106777868A (zh) * | 2016-11-15 | 2017-05-31 | 辽宁工程技术大学 | 一种分析电气系统故障影响因素间因果关系的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108627345A (zh) | 2018-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108627345B (zh) | 一种汽轮机系统级故障的诊断方法及系统 | |
| Tahan et al. | Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: A review | |
| Yildirim et al. | Aircraft gas turbine engine health monitoring system by real flight data | |
| Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 2: Application examples | |
| CN107489464B (zh) | 汽轮发电机组故障预警方法及系统 | |
| Badihi et al. | Fault-tolerant individual pitch control for load mitigation in wind turbines with actuator faults | |
| US7225109B2 (en) | Method and apparatus to diagnose mechanical problems in machinery | |
| Ruiz-Cárcel et al. | Combination of process and vibration data for improved condition monitoring of industrial systems working under variable operating conditions | |
| Djeddi et al. | Robust diagnosis with high protection to gas turbine failures identification based on a fuzzy neuro inference monitoring approach | |
| Ashraf et al. | Artificial intelligence based operational strategy development and implementation for vibration reduction of a supercritical steam turbine shaft bearing | |
| Dhini et al. | Neural network based system for detecting and diagnosing faults in steam turbine of thermal power plant | |
| McKee et al. | A review of machinery diagnostics and prognostics implemented on a centrifugal pump | |
| Rahmoune et al. | Neural network monitoring system used for the frequency vibration prediction in gas turbine | |
| Ma et al. | An intelligent power plant fault diagnostics for varying degree of severity and loading conditions | |
| Li et al. | A condition monitoring approach of multi-turbine based on VAR model at farm level | |
| Adamowicz et al. | Advanced gas turbines health monitoring systems | |
| Benammar et al. | Failure diagnosis of rotating Machines for steam turbine in Cap-Djinet thermal power plant | |
| Gao et al. | An Overview on fault diagnosis, prognosis and resilient control for wind turbine systems. Processes. 2021; 9: 300 | |
| Aronson et al. | Determining Prototypes and Signs for Automated Diagnostics of Steam Turbine Equipment | |
| Badihi et al. | Model-based active fault-tolerant cooperative control in an offshore wind farm | |
| Stamatis | Engine condition monitoring and diagnostics | |
| Zhu et al. | Frequent pattern extraction based on data and prior knowledge fusion in gas turbine combustion system | |
| Aronson et al. | Adaptation of algorithms for diagnostics of steam turbine unit equipment to specific conditions at thermal power stations | |
| Dehghanabandaki et al. | Fault Detection of Wind Turbine System Based on Deep Learning and System Identification | |
| Zhou et al. | Effect of Condition Monitoring on Risk Mitigation for Steam Turbines in the Forest Products Industry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |