CN110173453A - 一种发电厂送风机状态在线评定方法 - Google Patents

Abstract

本发明提供了一种发电厂送风机状态在线评定方法，通过不同的状态量来表征送风机的状态，并在送风机上设置状态量测点，通过状态量测点获得每个状态量的检测数据。本发明结合历史数据和在线数据，利用深度学习技术，根据在线状态量数据，实时计算送风机故障部件编码值，得到风机故障部件及潜在危害度，计算得到送风机状态评定值，根据状态评定值，进行检修指导。

Description

一种发电厂送风机状态在线评定方法

技术领域

本发明涉及一种发电厂送风机状态在线评定方法，属于风机技术领域。

背景技术

在发电厂中，送风机是七大辅机之一，其运行状况直接关系到电厂的安全性、稳定性。根据对电厂的重要性分类，电站设备可以分成关键性设备、必要设备和辅助设备，风机被列为关键性设备。因此，对送风机进行状态评定具有极其重要的意义。

送风机的故障部件主要有转动部件、轴承和支撑部件及电动机部件等，从而表现为送风机不平衡、不对中、松动及轴承故障等不同的故障模式。当送风机出现上述故障模式后，如何判断送风机的故障部件进而评定送风机当前的运行状态，判断是否需要立即停机检修，还是仍可以带故障运行一段时间，一直是困扰电厂工作人员的难题。

现有的送风机状态评定技术给出了送风机的故障模式分析方法，但这些技术大部分采用频域分析、轴心轨迹方法，存在以下缺点：

(1)在区分送风机故障模式上有一定效果，但分析结果准确率往往依赖于专业技术人员的经验和对设备的熟悉程度，不同技术能力的工作人员对于同一结果可能会得出并不一致的分析结果；

(2)对于送风机故障部件的评定，当前技术计算准确率较低，往往能够判断故障模式却无法推断故障部件，从而导致电厂工作人员无法评定送风机当前状态，决定何时进行停机检修；

(3)频谱分析方法采样频率较高，同等时间内产生大量数据，不易完成实时计算和在线分析判断，往往应用于故障后的分析之中，无法满足在线评定送风机状态的要求。

发明内容

本发明的目的是提供一种能够实时在线完成送风机状态评定的方法，指导检修人员准确地进行故障处理。

为了达到上述目的，本发明的技术方案是提供了一种发电厂送风机状态在线评定方法，通过不同的状态量来表征送风机的状态，并在送风机上设置状态量测点，通过状态量测点获得每个状态量的检测数据，其特征在于，所述在线评定方法包括以下的步骤：

步骤1、在发电厂送风机运行及停机检修过程中，状态量测点数据实时保存形成历史的状态量测点数据；

步骤2、筛选出上一步所获得的状态量测点数据中的异常数据，对于异常数据进行插值替换处理，其中：将上一步获得的状态量X的状态量测点数据定义为{x₁，x₂，...，x_n}，状态量测点数据{x₁，x₂，...，x_n}中的异常数据定义为xb，则有：|x_b-μ|＞3σ，式中，μ表示状态量X的均值，x_i表示第i个状态量测点数据；σ表示状态量X的标准差，

步骤3、对上一步得到的每个状态量的状态量测点数据进行归一化处理，其中：将上一步获得的状态量X的状态量测点数据定义为{x₁，x₂，...，x_n}，状态量测点数据{x₁，x₂，...，x_n}的归一化数据为{x_1e，x_2e，...，x_ne}，归一化数据{x_1e，x_2e，...，x_ne}中第i个归一化数据定义为x_ie，则有：式中，x_i表示第i个状态量测点数据；X_min表示状态量测点数据{x₁，x₂，...，x_n}中的最小值；X_max表示状态量测点数据{x₁，x₂，...，x_n}中的最大值；

步骤4、利用历史中出现的故障及排查后的故障部件，在线实时计算送风机服役过程中发生故障时期的历史状态量测点数据变化趋势，得出故障部件与状态量相关性排列，得到最能反映各故障部件失效程度所对应的状态量；

步骤5、利用发电厂提供的送风机故障历史数据，对各个故障部件进行编码，计算相应的历史状态量测点数据随时间和相应的故障部件的变化曲线，建立故障部件与历史状态量测点数据的分类模型；

步骤6、通过状态量测点获得每个状态量的实时的状态量测点数据，利用步骤2的方法，筛选出实时的状态量测点数据中的异常数据，对于异常数据进行插值替换处理，随后利用步骤3的方法对实时的状态量测点数据进行归一化处理；

步骤7、利用步骤5建立的分类模型，根据步骤6获得的状态量测点数据实时计算得到故障部件的编码值，依据编码值确定故障部件；

步骤8、根据故障部件，得到送风机的状态值S，S＝max{W×L}，式中，W表示预先设定的不同的故障部件所对应的潜在危害度值W，W∈{1，2，3，4，5}，L则表示故障部件与状态量相关性排列中相关性最大的状态量的平均值的所在的失效阈值区间编号，L∈{2，4，6，8}；

步骤9、根据状态值S给出检修建议：

若S≤10，保持运行，密切观察；

若10＜S≤20，需要制定针对性措施，适时安排检修，对在线计算结果予以修正；

若20＜S≤30，需在年内安排小修，对故障部件进行详细检查，对在线计算结果予以修正；

若S＞30，需立刻停止送风机，对故障部件进行处理，对在线计算结果予以修正。

优选地，步骤2中，插值替换处理的插值处理为均值插值处理，或为拉格朗日插值处理。

优选地，所述状态量包括滚珠轴承温度、驱动端轴承温度、非驱动端轴承温度、电机定子A相温度、电机定子B相温度、电机定子C相温度、电流。

优选地，所述状态量还包括轴承X方向ISO10816值、轴承Y方向ISO10816值及轴承Z方向ISO10816值。

优选地，所述状态量还包括轴承X方向加速度有效值、轴承X方向包络线速度有效值、轴承X方向高频峰值、轴承X方向高频有效值、轴承X方向包络线加速度有效值、轴承X方向峰值因数、轴承X方向高频峰值因数、轴承X方向偏斜度值、轴承X方向峭度值、轴承Y方向加速度有效值、轴承Y方向包络线速度有效值、轴承Y方向高频峰值、轴承Y方向高频有效值、轴承Y方向包络线加速度有效值、轴承Y方向峰值因数、轴承Y方向高频峰值因数、轴承Y方向偏斜度值、轴承Y方向峭度值、轴承Z方向加速度有效值、轴承Z方向包络线速度有效值、轴承Z方向高频峰值、轴承Z方向高频有效值、轴承Z方向包络线加速度有效值、轴承Z方向峰值因数、轴承Z方向高频峰值因数、轴承Z方向偏斜度值、轴承Z方向峭度值。

优选地，步骤4中，得出故障部件与状态量相关性排列时，采用回归分析法建立历史状态量数据对不同故障部件的相关性排列。

优选地，所述回归分析法为逻辑回归方法。

优选地，步骤5中，建立故障部件与历史状态量测点数据的分类模型时，采用深度学习技术，建立送风机的故障部件与历史状态量测点数据的分类模型，将分类模型存入深度学习计算服务器。

优选地，所述深度学习技术为人工神经网络。

优选地，所述人工神经网络为概率神经网络，优选地，所述概率神经网络采用5层结构，包含了输入层、3个隐藏层以及输出层。

本发明结合历史数据和在线数据，利用深度学习技术，根据在线状态量数据，实时计算送风机故障部件编码值，得到风机故障部件及潜在危害度，计算得到送风机状态评定值，根据状态评定值，进行检修指导。

本发明提供的发电厂送风机状态在线评定的方法，考虑了故障部件与历史状态量数据的相关性，实现了送风机状态的在线评定，可以实时准确掌握送风机的运行状态，为送风机的状态检修提供了依据。如果状态评定值过大，通过及时安排计划小修(C级检修)来消除送风机的安全隐患，达到了防止机组非停、保障机组运行安全的效果。

与现有技术相比，本发明的优点为：

(1)采用深度学习技术，从送风机历史故障与历史状态量数据的映射关系中计算出两者之间的分类模型，实现送风机故障部件编码的高精度在线计算；

(2)实时准确地掌握送风机的运行状态，自动化指导何时检修，降低检修人员要求，为送风机的状态检修提供依据；

(3)系统采样频率可设置，日常采用低频信号作为分类模型的输入，保障计算快速性，对结果需要进一步确认时，实时调用高频信号作为输入，保障计算准确性，灵活可调。

附图说明

图1为本发明发电厂送风机状态在线评定的系统的方框图；

图2为本发明发电厂送风机状态在线评定的方法的流程图；

图3为本发明采用的计算机软件框图；

图4为某型号送风机故障编码及危害度列表的部分内容。

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

图1为本发明发电厂送风机状态在线评定的系统的方框图，所述的发电厂送风机状态在线评定的系统由数据库服务器3、状态量数据工程服务器4、深度学习故障分类服务器5、状态评定服务器6和检修指导服务器7组成，数据库服务器3的数据来源是历史状态量数据1与在线状态量数据2，数据库服务器3、状态量数据工程服务器4、深度学习故障分类服务器5、状态评定服务器6及检修指导服务器7依次连接。

如图2所示为本发明发电厂送风机状态在线评定的方法的流程图，如图3所示为本发明所采用的软件框图，该软件安装在状态量数据工程服务器4、深度学习故障分类服务器5、状态评定服务器6和检修指导服务器7上，应用于发电厂送风机状态的在线评定。

实施例1

对于某型号送风机，在该台送风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码及危害度表，在运行过程中，发现送风机有振动并有噪声。

第一步：在线状态量数据录入状态量数据工程服务器，完成数据清洗；

第二步：完成在线状态量数据清洗后，归一化；

第三步：将归一化后的在线状态量数据输入深度学习故障分类服务器，利用故障部件与历史状态量数据的分类模型，将上述步骤的状态量数据输入分类模型进行计算。

第四步：计算得到送风机的故障部件编码值H₀＝1.26，根据计算公式H＝Round(1.26)＝1得到故障部件H，查询送风机故障编码及危害度表，可知分类模型计算得出送风机发生的是转速近临界转速导致的共振故障，故障部件属于叶片与叶轮转动部件。

第五步：根据送风机故障编码及危害度表，可知H＝1送风机发生转速近临界转速导致的共振故障时对应的潜在危害度W＝2，根据故障部件——状态量相关性排列，找到与该故障相关性最大的状态量是ISO10816值，轴承X方向的ISO10816平均值＝2.7mm/s²，轴承Y方向的ISO10816平均值＝4mm/s²，轴承Z方向的ISO10816平均值＝3.2mm/s²，均处于[2.3，4.5]mm/s²阈值区间，编号L＝4，状态评定服务器计算送风机状态值S＝W×L＝8。

第六步：S＜10，检修指导服务器给出的检修建议是保持运行，密切观察。

实施例2

对于某型号送风机，在该台送风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码及危害度表，在运行过程中，发现送风机轴承温度上升。

第一步：在线状态量数据录入状态量数据工程服务器，完成数据清洗；

第二步：完成在线状态量数据清洗后，归一化；

第三步：将归一化后的在线状态量数据输入深度学习故障分类服务器，利用故障部件与历史状态量数据的分类模型，将上述步骤的状态量数据输入分类模型进行计算。

第四步：计算得到送风机的故障部件编码值H₀＝1.91，根据计算公式H＝Round(1.91)＝2得到故障部件H，查询送风机故障编码及危害度表，可知分类模型计算得出送风机发生的是滚动轴承滚轴润滑不良故障，故障部件属于轴承部件。

第五步：根据送风机故障编码及危害度表，可知H＝2送风机发生滚动轴承滚轴润滑不良故障时对应的潜在危害度W＝5，根据故障部件——状态量相关性排列，找到与该故障相关性最大的状态量是轴承温度值，轴承温度升速率平均值＝3.2℃/min，处于[1.5，3.5]℃/min阈值区间，编号L＝4，状态评定服务器计算送风机状态值S＝W×L＝20。

第六步：S≤20，检修指导服务器给出的检修建议是需要制定针对性措施，定期加油，适时安排检修，对在线计算结果予以修正。

实施例3

对于某型号送风机，在该台送风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码及危害度表，在运行过程中，发现送风机机壳处能听到轻微金属摩擦声。

第一步：在线状态量数据录入状态量数据工程服务器，完成数据清洗；

第二步：完成在线状态量数据清洗后，归一化；

第三步：将归一化后的在线状态量数据输入深度学习故障分类服务器，利用故障部件与历史状态量数据的分类模型，将上述步骤的状态量数据输入分类模型进行计算。

第四步：计算得到故障部件编码值H₀＝3.17，根据计算公式H＝Round(3.17)＝3得到故障部件H，查询送风机故障编码及危害度表，可知分类模型计算得出送风机发生的是叶片与机壳碰磨故障，故障部件属于叶片与叶轮转动部件。

第五步：根据送风机故障编码及危害度表，可知H＝3送风机发生叶片与机壳碰磨故障时对应的潜在危害度W＝4，根据故障部件——状态量相关性排列，找到与该故障相关性最大的状态量是高频峰值，轴承X方向的高频峰值平均值＝8372mm/s²，轴承Y方向的高频峰值平均值＝7986mm/s²，轴承Z方向的高频峰值平均值＝8543mm/s²，处于[5000，10000]mm/s²阈值区间，编号L＝6，状态评定服务器计算送风机状态值S＝W×L＝24。

第六步：20＜S≤30，检修指导服务器给出的检修建议是需在年内安排小修，对故障部件进行详细检查，对在线计算结果予以修正。

实施例4

对于某型号送风机，在该台送风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码及危害度表，在运行过程中，发现送风机机壳处能听到轻微金属摩擦声。

第一步：在线状态量数据录入状态量数据工程服务器，完成数据清洗；

第二步：完成在线状态量数据清洗后，归一化；

第三步：将归一化后的在线状态量数据输入深度学习故障分类服务器，利用故障部件与历史状态量数据的分类模型，将上述步骤的状态量数据输入分类模型进行计算。

第四步：计算得到故障部件编码值H₀＝4.38，根据计算公式H＝Round(4.38)＝4得到故障部件H，查询送风机故障编码及危害度表，可知分类模型计算得出送风机发生的是轴承内圈松动故障，故障部件属于轴承部件。

第五步：根据送风机故障编码及危害度表，可知H＝4送风机发生轴承内圈松动故障时对应的潜在危害度W＝4，根据故障部件——状态量相关性排列，找到与该故障相关性最大的状态量是峭度值，轴承X方向的峭度值平均值＝15.2，轴承Y方向的峭度值平均值＝14.8，轴承Z方向的峭度值平均值＝15.1，处于[10，+∞]阈值区间，编号L＝8，状态评定服务器计算送风机状态值S＝W×L＝32。

第六步：S＞30，检修指导服务器给出的检修建议是需立刻停止送风机，对故障部件进行处理，对在线计算结果予以修正。

采用本发明提供的发电厂送风机状态在线评定的系统及方法，定量计算出故障部件编码值，并推荐出控制措施，根据送风机状态评定值来安排计划小修(C级检修)，为发电厂送风机安全运行提供了依据。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (10)

1.一种发电厂送风机状态在线评定方法，通过不同的状态量来表征送风机的状态，并在送风机上设置状态量测点，通过状态量测点获得每个状态量的检测数据，其特征在于，所述在线评定方法包括以下的步骤：

步骤1、在发电厂送风机运行及停机检修过程中，状态量测点数据实时保存形成历史的状态量测点数据；

步骤2、刷选出上一步所获得的状态量测点数据中的异常数据，对于异常数据进行插值替换处理，其中：将上一步获得的状态量X的状态量测点数据定义为{x₁，x₂，...，x_n}，状态量测点数据{x₁，x₂，...，x_n}中的异常数据定义为x_b，则有：|x_b-μ|＞3σ，式中，μ表示状态量X的均值，x_i表示第i个状态量测点数据；σ表示状态量X的标准差，

步骤3、对上一步得到的每个状态量的状态量测点数据进行归一化处理，其中：将上一步获得的状态量X的状态量测点数据定义为{x₁，x₂，...，x_n}，状态量测点数据{x₁，x₂，...，x_n}的归一化数据为{x_1e，x_2e，...，x_ne}，归一化数据{x_1e，x_2e，...，x_ne}中第i个归一化数据定义为x_ie，则有：式中，x_i表示第i个状态量测点数据；X_min表示状态量测点数据{x₁，x₂，...，x_n}中的最小值；X_max表示状态量测点数据{x₁，x₂，...，x_n}中的最大值；

步骤4、利用历史中出现的故障及排查后的故障部件，在线实时计算送风机服役过程中发生故障时期的历史状态量测点数据变化趋势，得出故障部件与状态量相关性排列，得到最能反映各故障部件失效程度所对应的状态量；

步骤5、利用发电厂提供的送风机故障历史数据，对各个故障部件进行编码，计算相应的历史状态量测点数据随时间和相应的故障部件的变化曲线，建立故障部件与历史状态量测点数据的分类模型；

步骤6、通过状态量测点获得每个状态量的实时的状态量测点数据，利用步骤2的方法，刷选出实时的状态量测点数据中的异常数据，对于异常数据进行插值替换处理，随后利用步骤3的方法对实时的状态量测点数据进行归一化处理；

步骤7、利用步骤5建立的分类模型，根据步骤6获得的状态量测点数据实时计算得到故障部件的编码值，依据编码值确定故障部件；

步骤8、根据故障部件，得到送风机的状态值S，S＝max{W×L}，式中，W表示预先设定的不同的故障部件所对应的潜在危害度值W，W∈{1，2，3，4，5}，L则表示故障部件与状态量相关性排列中相关性最大的状态量的平均值的所在的失效阈值区间编号，L∈{2，4，6，8}；

步骤9、根据状态值S给出检修建议：

若S≤10，保持运行，密切观察；

若10＜S≤20，需要制定针对性措施，适时安排检修，对在线计算结果予以修正；

若20＜S≤30，需在年内安排小修，对故障部件进行详细检查，对在线计算结果予以修正；

若S＞30，需立刻停止送风机，对故障部件进行处理，对在线计算结果予以修正。

2.如权利要求1所述的一种发电厂送风机状态在线评定方法，其特征在于，步骤2中，插值替换处理的插值处理为均值插值处理，或为拉格朗日插值处理。

3.如权利要求1所述的一种发电厂送风机状态在线评定方法，其特征在于，所述状态量包括滚珠轴承温度、驱动端轴承温度、非驱动端轴承温度、电机定子A相温度、电机定子B相温度、电机定子C相温度、电流。

4.如权利要求3所述的一种发电厂送风机状态在线评定方法，其特征在于，所述状态量还包括轴承X方向ISO10816值、轴承Y方向ISO10816值及轴承Z方向ISO10816值。

5.如权利要求3所述的一种发电厂送风机状态在线评定方法，其特征在于，所述状态量还包括轴承X方向加速度有效值、轴承X方向包络线速度有效值、轴承X方向高频峰值、轴承X方向高频有效值、轴承X方向包络线加速度有效值、轴承X方向峰值因数、轴承X方向高频峰值因数、轴承X方向偏斜度值、轴承X方向峭度值、轴承Y方向加速度有效值、轴承Y方向包络线速度有效值、轴承Y方向高频峰值、轴承Y方向高频有效值、轴承Y方向包络线加速度有效值、轴承Y方向峰值因数、轴承Y方向高频峰值因数、轴承Y方向偏斜度值、轴承Y方向峭度值、轴承Z方向加速度有效值、轴承Z方向包络线速度有效值、轴承Z方向高频峰值、轴承Z方向高频有效值、轴承Z方向包络线加速度有效值、轴承Z方向峰值因数、轴承Z方向高频峰值因数、轴承Z方向偏斜度值、轴承Z方向峭度值。

6.如权利要求1所述的一种发电厂送风机状态在线评定方法，其特征在于，步骤4中，得出故障部件与状态量相关性排列时，采用回归分析法建立历史状态量数据对不同故障部件的相关性排列。

7.如权利要求6所述的一种发电厂送风机状态在线评定方法，其特征在于，所述回归分析法为逻辑回归方法。

8.如权利要求1所述的一种发电厂送风机状态在线评定方法，其特征在于，步骤5中，建立故障部件与历史状态量测点数据的分类模型时，采用深度学习技术，建立送风机的故障部件与历史状态量测点数据的分类模型，将分类模型存入深度学习计算服务器。

9.如权利要求8所述的一种发电厂送风机状态在线评定方法，其特征在于，所述深度学习技术为人工神经网络。

10.如权利要求8所述的一种发电厂送风机状态在线评定方法，其特征在于，所述人工神经网络为概率神经网络，优选地，所述概率神经网络采用5层结构，包含了输入层、3个隐藏层以及输出层。