CN110107441A - 水轮机在线诊断预测系统 - Google Patents
水轮机在线诊断预测系统 Download PDFInfo
- Publication number
- CN110107441A CN110107441A CN201910446260.4A CN201910446260A CN110107441A CN 110107441 A CN110107441 A CN 110107441A CN 201910446260 A CN201910446260 A CN 201910446260A CN 110107441 A CN110107441 A CN 110107441A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- analysis module
- maintenance
- hydraulic turbine
- 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.)
- Pending
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Hydraulic Turbines (AREA)
Abstract
本发明公开了在线诊断预测系统,包括数据采集器、状态数据服务器、诊断分析模块、智能预测分析模块、历史数据库、状态监测数据库、维护和诊断知识库、巡检知识库;本发明的水轮机在线诊断预测系统对设备进行在线诊断分析与智能预测,能够有效避免“过剩检修”或者“检修不足”;能够提高运行效率;而且此系统能够对机组运行状态发展趋势进行预测,可以有效减少机组停机维修机率。
Description
技术领域
本发明具体涉及水轮机在线诊断预测系统。
背景技术
水轮机组故障模式的诊断存在准确性问题。水轮机组是一个复杂耦合的非线性动力系统,其故障受到水、机、电等多种因素的耦合影响,导致在运行过程中工况复杂多变,现有的面对机组各部件故障、运行状况和劣化趋势及时进行预测与诊断的系统存在一定的局限性。
针对水轮机组设备故障与隐患,目前,大多电站仍采用“计划检修”的方式,伴随着设备的停役,设备的操作和运行方式的变更频繁,发生误操作的概率增加,反而给安全生产带来了不利因素,增加了检修费用,降低了经济效益,导致了所谓的“过剩检修”或者其对立面“检修不足”。而且,整个水轮机在线诊断预测系统内依然存在问题,导致其无法准确辨识机组故障模式与定位。
发明内容
为了解决上述存在的问题,本发明提供了水轮机在线诊断预测系统。
为了实现上述目的,本发明采用以下技术方案:
水轮机在线诊断预测系统,在线诊断预测系统包括数据采集器、状态数据服务器、诊断分析模块、智能预测分析模块、历史数据库、状态监测数据库、维护和诊断知识库、巡检知识库,其中,历史数据库与状态数据服务器之间存在数据传输与交换,诊断分析模块与状态监测数据库之间存在数据传输与交换,诊断分析模块与维护和诊断知识库之间存在数据传输与交换,状态监测数据库与维护和诊断知识库之间存在数据传输与交换,智能预测分析模块与巡检知识库之间存在数据传输与交换;
数据采集器采集压力脉动信号、流量数据、效率数据、导叶开度信号、转速信号、水轮机工作水头信号,声发射振动信号;A/D转换器将这些信号转换为电信号,并将电信号传输至状态数据服务器,状态数据服务器将数据信号传输至历史数据库,同时,状态数据服务器将数据信号远程传输至诊断分析模块,诊断分析模块对数据信号进行特征提取:(1)综合运用奇异值差分谱法、特征均值法、中值法对空化信号的特征进行捕捉提取,(2)采用二阶的Volterra级数来建立水轮机转轮模型,即:
式中:y(t)为输出,即水轮机系统振动响应;u(t)为输入,为机械系统的激励力;p为记忆长度;h(i,j)为Volterra级数的广义频率响应函数;t,i,j均为时间的函数;
通过水轮机转轮广义频率响应分析工况变化,诊断不均匀激励力作用点,进行性能评估,对调节器动静态进行特性分析,诊断分析的数据不断更新、对比、存储至状态监测数据库、维护和诊断知识库;同时,诊断分析模块将诊断分析的数据传输至智能预测分析模块,该模块利用MATLAB,将水轮机模型综合特性曲线处理成空间曲面,建立基于径向基函数神经网络的水轮机数字协联特性模型:
η=f(a,H)
η为水轮机效率;a为活动导叶开度;H为水轮机工作水头;取实时监测的某一时刻水轮机工作水头H0,将模型转化为η=f(a),通过一维优化求出协联点,重复取H0,求协联点,直到求出协联曲线;将数据库所存储的实际工况数据与神经网络模型内理论数据进行协联对比分析,对不协联故障进行检测诊断;基于历史相似工况进行协联分析,甄别“伪协联”工况,预测状态发展趋势、捕捉早期故障前兆;智能预测分析的数据不断更新、对比、存储至巡检知识库;智能预测分析模块预测分析后得到控制决策与维护建议。
本发明的有益效果是:
(1)本发明能够对水轮机组进行基于流场-机电联合故障诊断,实现故障精确定位;本发明对设备进行在线监测与变工况下的智能调控,可以提高运行效率;本发明的水轮机远程监控、诊断预测与智能维护调控系统,可以实现从局部到整体的系统性运维。
(2)本发明的水轮机在线诊断预测系统对设备进行在线诊断分析与智能预测,能够有效避免“过剩检修”或者“检修不足”;能够提高运行效率;而且此系统能够对机组运行状态发展趋势进行预测,可以有效减少机组停机维修机率。
附图说明
图1为混流式水轮机远程监控、诊断预测与智能维护调控系统的示意图。
图2为混流式水轮机在线诊断预测系统的示意图。
图3为智能维护调控系统的示意图。
具体实施方式
以下结合附图对本发明的技术方案做进一步详细说明,应当指出的是,具体实施方式只是对本发明的详细说明,不应视为对本发明的限定。
本发明的水轮机远程监控、诊断预测与智能维护调控系统,如图1所示,包括远程监控系统、在线诊断预测系统与智能维护调控系统;
远程监控系统包括动态压力传感器、流量传感器、拉绳式位移传感器、转速传感器、水头差压传感器、流量和效率仪、声发射传感器、前置放大器、信号调理器、A/D转换器、上位监控机、数据库服务器、Web服务器、防火墙,企业监控诊断中心、远程监控诊断中心;
本实施例中,水轮机为混流式水轮机;
远程监控系统中,在蜗壳进口、转轮与导叶之间以及尾水锥管的距离转轮0.3~1.0倍直径处的上下游侧设置动态压力传感器采集压力脉动信号;在主轴密封供水管上安装流量传感器以及流量和效率仪采集流量数据与效率;在尾水管入口布置声发射传感器,捕捉转轮叶片故障声发射振动信号;在水轮机转动轴安装转速传感器,测量转速信号;在每个导叶处安装拉绳式位移传感器测量导叶开度;在蜗壳进口与尾水管出口设置水头差压传感器测量水轮机工作水头信号;
动态压力传感器、流量传感器、拉绳式位移传感器、转速传感器、水头差压传感器、流量和效率仪、声发射传感器分别与前置放大器相连,前置放大器与信号调理器相连,信号调理器与A/D转换器相连;A/D转换器与CAN总线连接,CAN总线与上位监控机连接,上位监控机通过车间以太网分别与数据库服务器、Web服务器连接,数据库服务器与Web服务器连接,防火墙与Internet网络连接;
如图1所示,本实施例中,RTU终端指的是:前置放大器、信号调节器、A/D转换器,RTU终端通过GPRS连接到Internet网络,将数据以TCP数据包的方式远程发送到控制器局域网络,本实施例中,控制器局域网络指的是:CAN总线-车间以太网-企业局域网。
动态压力传感器、流量传感器、拉绳式位移传感器、转速传感器、水头差压传感器、流量和效率仪、声发射传感器采集的信号依次经过前置放大器、信号调理器、A/D转换器,被变换为电信号,电信号被传输至CAN总线,通过CAN总线将电信号传输给上位监控机,上位监控机将信号传输给数据库服务器,数据库服务器对信号数据进行数据管理、数据存取与更新管理、数据完整性管理和数据安全性管理,数据库服务器与Web服务器连接,Web服务器可以调取数据库服务器中数据,Web服务器接收数据并对数据进行解析,将解析后的数据,以网页中实时图表的形式发布,相关人员可以通过PC进入查看远程监控系统的界面,随时随地查看水轮机运行状况的监测数据;数据库服务器与企业监控诊断中心之间存在信号数据的传输,数据库服务器将信号数据信息传输给企业监控诊断中心;远程监控诊断中心接收来自在线诊断预测系统的控制决策与维护建议,并将这些信息进行处理,然后传输给企业监控诊断中心,企业监控诊断中心将诊断后需要调控的信息传输给智能维护调控系统。
在一些优选的方式中,在线诊断预测系统如图2所示,包括数据采集器、状态数据服务器、诊断分析模块、智能预测分析模块、历史数据库、状态监测数据库、维护和诊断知识库、巡检知识库,其中,历史数据库与状态数据服务器之间存在数据传输与交换,诊断分析模块与状态监测数据库之间存在数据传输与交换,诊断分析模块与维护和诊断知识库之间存在数据传输与交换,状态监测数据库与维护和诊断知识库之间存在数据传输与交换,智能预测分析模块与巡检知识库之间存在数据传输与交换。
数据采集器采集压力脉动信号、流量数据、效率数据、导叶开度信号、转速信号、水轮机工作水头信号,声发射振动信号;A/D转换器将这些信号转换成电信号,传输至状态数据服务器,状态数据服务器进行数据管理、数据存取与更新管理、数据完整性管理和数据安全性管理,状态数据服务器将数据信号传输至历史数据库,同时,状态数据服务器将数据信号远程传输至诊断分析模块,诊断分析模块对数据信号进行特征提取:(1)综合运用奇异值差分谱法、特征均值法、中值法等方法对空化信号的特征进行捕捉提取,具体实施时,每次都运用到奇异值差分谱法、特征均值法、中值法这三种方法,但是没有确定的先后顺序;(2)采用二阶的Volterra级数来建立水轮机转轮模型,即:
式中:y(t)为输出,即水轮机系统振动响应;u(t)为输入,为机械系统的激励力;p为记忆长度;h(i,j)为Volterra级数的广义频率响应函数;t,i,j均为时间的函数;
(1)与(2)均是针对水轮机可能会出现的空化、振动现象分别做出的诊断,无先后顺序,都是实时监控的;
运用基于高阶统计量的辨识方法对水轮机转轮时域Volterra模型进行参数辨识,构建水轮机转轮的广义频率响应模型,分析水轮机组的激励力与振动的关系,通过水轮机转轮广义频率响应分析其工况变化,诊断不均匀激励力作用点,进行性能评估,从而对调节器动静态进行特性分析,诊断电网频率、导叶开度等参数的合理性;诊断分析的数据不断更新、对比、存储至状态监测数据库、维护和诊断知识库;
同时,诊断分析模块将诊断分析的数据传输至智能预测分析模块,该模块利用MATLAB,通过获取数据、网格化、插值、三角剖分、三维构建的方法将水轮机模型综合特性曲线处理成空间曲面,建立基于径向基函数神经网络的水轮机数字协联特性模型:
η=f(a,H)
η为水轮机效率;a为活动导叶开度;H为水轮机工作水头;取实时监测的某一时刻水轮机工作水头H0,将模型转化为η=f(a),通过一维优化求出协联点,重复取H0,求协联点,直到求出协联曲线;将数据库所存储的实际工况数据与神经网络模型内理论数据进行协联对比分析,对不协联故障进行检测诊断;基于历史相似工况进行协联分析,甄别“伪协联”工况,预测状态发展趋势、捕捉早期故障前兆,为机组的调节保证计算,为控制决策提供详细的数据支撑;智能预测分析的数据不断更新、对比、存储至巡检知识库;智能预测分析模块预测分析后得到控制决策与维护建议,并将控制决策与维护建议调节信号传输给反馈控制器,通过反馈控制器传递至智能维护调控系统,智能维护调控系统进行调节,智能维护调控系统能够对状态数据服务器、历史数据库、状态监测数据库、维护和诊断知识库以及巡检知识库进行反馈与修正。
在一些优选的方式中,如图3所示,智能维护调控系统包括微机调节模块、电/机转换装置、机械液压系统,微机调节模块包括水轮机调速器,电/机转换装置包括放大器、电液转换器,机械液压系统包括引导阀、主配压阀、主接力器;微机调节模块根据调节对象(本实施例中,调节对象为水轮机活动导叶开度)、水轮机调速器的数学模型,输出水轮机、引水系统及发电机及负荷的动态特性;基于水轮机调速器的静态特性和动态特性,输出针对电网负荷频率控制有关的电网一次调频、二次调频、自动发电控制和区域电网交换功率ACE控制指令,通过采用基于神经网络逆系统控制的优化方法对调速器的PID参数进行优化调节;运用状态反馈将闭环极点配置到所需的位置上,本实施例中,所需的位置是水轮机活动导叶;调节信号依次通过放大及D/A转换、放大器、电液转换器传输至自适应非线性输出机械液压系统;机械液压系统改变引导阀、主配压阀、主接力器自动补偿和智能调节控制导叶的开度,利用步长递减循环搜索至最优调节导叶开度,满足复杂的变工况条件下的运行需求;水轮机调速器调速改变转速;调节导叶开度改变流量、水轮机工作水头,诊断空化振动等不利现象及时进行人工调整;图3中,YPID为计算导叶开度电信号,u为导叶开度信号,y1为导叶开度调节信号,yf为位移反馈信号。
Claims (1)
1.水轮机在线诊断预测系统,其特征在于,在线诊断预测系统包括数据采集器、状态数据服务器、诊断分析模块、智能预测分析模块、历史数据库、状态监测数据库、维护和诊断知识库、巡检知识库,其中,历史数据库与状态数据服务器之间存在数据传输与交换,诊断分析模块与状态监测数据库之间存在数据传输与交换,诊断分析模块与维护和诊断知识库之间存在数据传输与交换,状态监测数据库与维护和诊断知识库之间存在数据传输与交换,智能预测分析模块与巡检知识库之间存在数据传输与交换;
数据采集器采集压力脉动信号、流量数据、效率数据、导叶开度信号、转速信号、水轮机工作水头信号,声发射振动信号;A/D转换器将这些信号转换为电信号,并将电信号传输至状态数据服务器,状态数据服务器将数据信号传输至历史数据库,同时,状态数据服务器将数据信号远程传输至诊断分析模块,诊断分析模块对数据信号进行特征提取:(1)综合运用奇异值差分谱法、特征均值法、中值法对空化信号的特征进行捕捉提取,(2)采用二阶的Volterra级数来建立水轮机转轮模型,即:
式中:y(t)为输出,即水轮机系统振动响应;u(t)为输入,为机械系统的激励力;p为记忆长度;h(i,j)为Volterra级数的广义频率响应函数;t,i,j均为时间的函数;
通过水轮机转轮广义频率响应分析工况变化,诊断不均匀激励力作用点,进行性能评估,对调节器动静态进行特性分析,诊断分析的数据不断更新、对比、存储至状态监测数据库、维护和诊断知识库;同时,诊断分析模块将诊断分析的数据传输至智能预测分析模块,该模块利用MATLAB,将水轮机模型综合特性曲线处理成空间曲面,建立基于径向基函数神经网络的水轮机数字协联特性模型:
η=f(a,H)
η为水轮机效率;a为活动导叶开度;H为水轮机工作水头;取实时监测的某一时刻水轮机工作水头H0,将模型转化为η=f(a),通过一维优化求出协联点,重复取H0,求协联点,直到求出协联曲线;将数据库所存储的实际工况数据与神经网络模型内理论数据进行协联对比分析,对不协联故障进行检测诊断;基于历史相似工况进行协联分析,甄别“伪协联”工况,预测状态发展趋势、捕捉早期故障前兆;智能预测分析的数据不断更新、对比、存储至巡检知识库;智能预测分析模块预测分析后得到控制决策与维护建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446260.4A CN110107441A (zh) | 2019-05-27 | 2019-05-27 | 水轮机在线诊断预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446260.4A CN110107441A (zh) | 2019-05-27 | 2019-05-27 | 水轮机在线诊断预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110107441A true CN110107441A (zh) | 2019-08-09 |
Family
ID=67492415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910446260.4A Pending CN110107441A (zh) | 2019-05-27 | 2019-05-27 | 水轮机在线诊断预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110107441A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531656A (zh) * | 2019-08-13 | 2019-12-03 | 大唐水电科学技术研究院有限公司 | 一种水电机组性能的监测系统和方法 |
CN110552832A (zh) * | 2019-08-13 | 2019-12-10 | 大唐水电科学技术研究院有限公司 | 水轮机组故障诊断及健康状态评估方法 |
CN112308300A (zh) * | 2020-10-19 | 2021-02-02 | 中国电子科技集团公司第三十八研究所 | 一种大型电子产品状态预测管理系统 |
CN112432749A (zh) * | 2020-10-16 | 2021-03-02 | 西安理工大学 | 一种水轮机转轮振动与压力脉动的关联性测试分析方法 |
CN114412696A (zh) * | 2021-12-29 | 2022-04-29 | 腾安电子科技(江苏)有限公司 | 水轮机运行异常报警方法、系统及水轮机监测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104791187A (zh) * | 2015-04-08 | 2015-07-22 | 武汉四创自动控制技术有限责任公司 | 能实现健康状态预测的水轮机调节系统及方法 |
CN107035602A (zh) * | 2017-06-14 | 2017-08-11 | 衢州市江氏电子科技有限公司 | 一种水轮机状态监测及故障诊断系统 |
-
2019
- 2019-05-27 CN CN201910446260.4A patent/CN110107441A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104791187A (zh) * | 2015-04-08 | 2015-07-22 | 武汉四创自动控制技术有限责任公司 | 能实现健康状态预测的水轮机调节系统及方法 |
CN107035602A (zh) * | 2017-06-14 | 2017-08-11 | 衢州市江氏电子科技有限公司 | 一种水轮机状态监测及故障诊断系统 |
Non-Patent Citations (2)
Title |
---|
夏鑫等: ""基于Volterra模型盲辨识的水轮机转轮状态识别"", 《中国电机工程学报》 * |
许颜贺: ""抽水蓄能机组调速系统参数辨识及控制优化研究"", 《中国博士论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531656A (zh) * | 2019-08-13 | 2019-12-03 | 大唐水电科学技术研究院有限公司 | 一种水电机组性能的监测系统和方法 |
CN110552832A (zh) * | 2019-08-13 | 2019-12-10 | 大唐水电科学技术研究院有限公司 | 水轮机组故障诊断及健康状态评估方法 |
CN112432749A (zh) * | 2020-10-16 | 2021-03-02 | 西安理工大学 | 一种水轮机转轮振动与压力脉动的关联性测试分析方法 |
CN112432749B (zh) * | 2020-10-16 | 2023-05-16 | 西安理工大学 | 一种水轮机转轮振动与压力脉动的关联性测试分析方法 |
CN112308300A (zh) * | 2020-10-19 | 2021-02-02 | 中国电子科技集团公司第三十八研究所 | 一种大型电子产品状态预测管理系统 |
CN114412696A (zh) * | 2021-12-29 | 2022-04-29 | 腾安电子科技(江苏)有限公司 | 水轮机运行异常报警方法、系统及水轮机监测系统 |
CN114412696B (zh) * | 2021-12-29 | 2024-03-19 | 腾安电子科技(江苏)有限公司 | 水轮机运行异常报警方法、系统及水轮机监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110206676A (zh) | 水轮机远程监控、诊断预测与智能维护调控系统 | |
CN110107441A (zh) | 水轮机在线诊断预测系统 | |
US6799143B1 (en) | Process and device for evaluating the performance of a process control system | |
EP1589391B1 (en) | Methods and systems for monitoring machinery | |
CN102725520B (zh) | 风力涡轮机、用于控制风力涡轮机的装置和方法 | |
CN110925031B (zh) | 一种大功率间接空冷汽轮机管控系统 | |
EP2733559A2 (en) | Methods and systems to improve power plant performance by corrective set points | |
Zhao et al. | On the use of artificial neural networks for condition monitoring of pump-turbines with extended operation | |
CN114992106B (zh) | 一种基于数字孪生的泵站机组运行状态分析系统 | |
EP3855019A1 (en) | System and method for operating a wind turbine | |
CN114912371A (zh) | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 | |
CN112836941A (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
CN112196717A (zh) | 一种水轮机调速器液压系统状态监测与故障诊断方法 | |
CN114294152B (zh) | 一种水轮发电机组调速系统设备在线状态监测方法和系统 | |
JP2022096626A (ja) | 発電システム用のクラウドベースの音響監視、分析、および診断 | |
CN114352483A (zh) | 风力涡轮中的疲劳载荷以及操作元数据的使用 | |
CN115471059B (zh) | 一种基于空蚀振动区规划的水轮机在线经济运行系统 | |
CN117905638B (zh) | 基于强化学习的风力发电机优化控制方法及系统 | |
CN117668739B (zh) | 基于特征样本的水电机组故障诊断方法和系统 | |
Zhou et al. | Application of Three-Flow Fusion Technology Based on Modelica in Thermal Power Digital Twin | |
CN106709156A (zh) | 基于在线数据的水轮发电机组定子热变形的自动评价方法 | |
Wu | Advanced data-driven modelling approaches to alarm-related fault detection and condition monitoring of wind turbines | |
CN117633711A (zh) | 一种基于多维数据融合的水电机组故障诊断方法及系统 | |
Ngo et al. | Comparison of the effectiveness of various neural network models applied to wind turbine condition diagnosis | |
Yang et al. | A Multi-model Fusion Method Based on 0-1 Programming and Its Application in Early Warning of Coal Mill Failure |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |