CN112257224B - 汽轮发电机状态检修方法、系统以及终端 - Google Patents
汽轮发电机状态检修方法、系统以及终端 Download PDFInfo
- Publication number
- CN112257224B CN112257224B CN202010954375.7A CN202010954375A CN112257224B CN 112257224 B CN112257224 B CN 112257224B CN 202010954375 A CN202010954375 A CN 202010954375A CN 112257224 B CN112257224 B CN 112257224B
- Authority
- CN
- China
- Prior art keywords
- data
- turbonator
- real
- state
- steam 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明的汽轮发电机状态检修方法、系统以及终端,包括:基于由各汽轮发电机历史数据之间的相关性信息训练的汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得汽轮发电机预测数据;将各所述汽轮发电机预测数据与所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。本发明以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究,可以从中挖掘出潜在的过程运行与设备状态信息,结合状态参数评价体系,根据其整体状态评估结果优化设备检修策略,实现汽轮发电机的状态检修,对提高机组运行能力和设备管理水平具有十分重要的意义。
Description
技术领域
本发明涉及电气设备领域,特别是涉及一种汽轮发电机状态检修方法、系统以及终端。
背景技术
在发电行业中,汽轮发电机的稳定安全运行具有十分重要的意义。一直以来,汽轮发电机的维修基本都是临时性维修和定期维修(也称计划检修)。实践表明,这种维护方式存在着盲目性和强制性,它既不考虑设备初始状态的千差万别,也不考虑设备在不同环境条件下运行状态的千变万化,往往会造成设备的过度维修或是欠修,不仅浪费了大量的人力和物力,也使电厂的运行安全性受到影响。因此,如何对汽轮发电机实施状态检修受到了越来越多的关注。
数据挖掘技术是从已知的样本数据中通过信息提取等方式获取知识的手段和机制,其目的是根据设备的相关信息,设计某种算法或者方法,对给定数据进行学习,获取输入输出间的映射关系,并使其能够较好对未知输出进行准确预测或决策判断。近年来,数字信息化技术迅猛发展,信息量也呈现爆炸性增长态势,我国大量发电企业的自动化、信息化水平普遍较高。
对应于汽轮发电机这样的复杂设备,在设备的设计、安装与运行过程中积累了海量数据,这些数据蕴涵着丰富的过程知识,可为过程监测和状态检修提供新的技术手段与数据基础。现有技术中缺乏以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究的方式,因此不能挖掘出潜在的过程运行与设备状态信息,以及结合状态参数评价体系实现汽轮发电机的状态检修。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种汽轮发电机状态检修方法、系统以及终端,用于解决现有技术的往往会造成设备的过度维修或是欠修,不仅浪费了大量的人力和物力,也使电厂的运行安全性受到影响,以及缺乏以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究的方式来实现汽轮发电机的状态检修的问题。
为实现上述目的及其他相关目的,本发明提供一种汽轮发电机状态检修方法,包括:基于由各汽轮发电机历史数据之间的相关性信息训练的汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据;将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。
于本发明的一实施例中,所述汽轮发电机状态特性模型的训练方式包括:获取各汽轮发电机历史数据;对所述各汽轮发电机历史数据进行预处理;对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息;根据各汽轮发电机历史数据之间相关性信息训练并获得所述汽轮发电机状态特性模型。
于本发明的一实施例中,所述将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略的方式包括:将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于各所述汽轮发电机实时数据的对比值;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。于本发明的一实施例中,所述基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果的方式包括:将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;根据所述差异值获得对应于各汽轮发电机实时数据的评价结果。
于本发明的一实施例中,所述评价结果包括:正常状态评价结果、注意状态评价结果、异常状态评价结果以及严重状态评价结果中的一种或多种。
于本发明的一实施例中,所述各汽轮发电机历史数据和/或汽轮发电机实时数据的数据类型包括:基础数据、运行数据以及维护数据中的一种或多种;其中,所述基础数据包括:零部件图纸数据,使用说明书数据,维护说明书数据,设备监造数据以及检修工艺规程数据中的一种或多种;所述运行数据包括:运行时间、功率、电流、电压、转速、振动、温度、压力、流量DCS、SIS、电机定子局部放电监测数据、发电机转子匝间短路监测、发电机轴电流轴电压监测、发电机定子绕组端部振动监测、发电机绝缘过热监测、性能试验、内冷水质化验、氢测试、模态试验以及预防性试验数据中的一种或多种;所述维护数据包括:发电机日常维护数据、检修数据以及相关技术监督数据中的一种或多种。
于本发明的一实施例中,所述对所述各汽轮发电机历史数据进行预处理的方式包括:基于机理建模方法和/或数据驱动方法,对所述各汽轮发电机历史数据进行预处理;其中,所述预处理的方式包括:异常值检测、数据协调、数据重构、数据校正以及数据融合方式中的一种或多种;所述数据驱动方法包括:基于主成分分析、支持向量机、人工神经网络、混合高斯模型以及深度神经网络的方法中的一种或多种。
于本发明的一实施例中,所述对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息的方式包括:基于由各汽轮发电机历史数据建立的相关性数据模型,对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
为实现上述目的及其他相关目的,本发明提供一种汽轮发电机状态检修系统,所述系统包括:状态特性模型训练模块,包括:获取单元、预处理单元、相关性分析单元以及模型训练单元;其中,所述获取单元用于获取各汽轮发电机历史数据;所述预处理单元连接所述获取单元,用于对所述各汽轮发电机历史数据进行预处理;所述相关性分析单元连接所述预处理单元,用于对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息;所述模型训练单元连接所述相关性分析单元,用于根据各汽轮发电机历史数据之间相关性信息训练并获得所述汽轮发电机状态特性模型;预测模块,连接所述状态特性模型训练模块,用于基于所述汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据;评价模块,连接所述预测模块,用于将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。为实现上述目的及其他相关目的,本发明提供一种汽轮发电机状态检修终端,包括:存储器,用于存储计算机程序;处理器,用于执行所述的汽轮发电机状态检修方法。
如上所述,本发明的一种汽轮发电机状态检修方法、系统以及终端,具有以下有益效果:本发明以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究,可以从中挖掘出潜在的过程运行与设备状态信息,结合状态参数评价体系,根据其整体状态评估结果优化设备检修策略,实现汽轮发电机的状态检修,对提高机组运行能力和设备管理水平具有十分重要的意义。
附图说明
图1显示为本发明一实施例中的汽轮发电机状态检修方法的流程示意图。
图2显示为本发明一实施例中的汽轮发电机状态检修系统的结构示意图。
图3显示为本发明一实施例中的汽轮发电机状态检修终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本发明的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本发明。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在通篇说明书中,当说某部分与另一部分“连接”时,这不仅包括“直接连接”的情形,也包括在其中间把其它元件置于其间而“间接连接”的情形。另外,当说某种部分“包括”某种构成要素时,只要没有特别相反的记载,则并非将其它构成要素,排除在外,而是意味着可以还包括其它构成要素。
其中提到的第一、第二及第三等术语是为了说明多样的部分、成份、区域、层及/或段而使用的,但并非限定于此。这些术语只用于把某部分、成份、区域、层或段区别于其它部分、成份、区域、层或段。因此,以下叙述的第一部分、成份、区域、层或段在不超出本发明范围的范围内,可以言及到第二部分、成份、区域、层或段。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
本发明实施例中提供一种汽轮发电机状态检修方法,解决了现有技术中往往会造成设备的过度维修或是欠修,不仅浪费了大量的人力和物力,也使电厂的运行安全性受到影响,以及缺乏以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究的方式来实现汽轮发电机的状态检修的问题。本发明以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究,可以从中挖掘出潜在的过程运行与设备状态信息,结合状态参数评价体系,根据其整体状态评估结果优化设备检修策略,实现汽轮发电机的状态检修,对提高机组运行能力和设备管理水平具有十分重要的意义。
下面以附图为参考,针对本发明的实施例进行详细说明,以便本发明所述技术领域的技术人员能够容易地实施。本发明可以以多种不同形态体现,并不限于此处说明的实施例。
如图1所示,展示本发明实施例中的汽轮发电机状态检修方法的流程示意图。
所述方法包括:
步骤S21:基于由各汽轮发电机历史数据之间的相关性信息训练的汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据。
可选的,基于由各汽轮发电机历史数据之间的相关性信息训练的汽轮发电机状态特性模型,对输入所述的汽轮发电机状态特性模型的一或多个汽轮发电机实时数据分别进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据。
可选的,所述发电机历史数据包括但不仅限于:基于DCS、SIS等系统记录的大量实时历史数据及发电机设计资料、性能试验报告中的一种或多种。
可选的,所述各汽轮发电机历史数据和/或汽轮发电机实时数据的数据类型包括:基础数据、运行数据以及维护数据中的一种或多种。其中,所述基础数据包括但不仅限于:零部件图纸数据,使用说明书数据,维护说明书数据,设备监造数据以及检修工艺规程数据中的一种或多种;所述运行数据包括:在线运行数据和离线运行数据。所述在线运行数据包括但不仅限于:运行时间、功率、电流、电压、转速、振动、温度、压力、流量DCS、SIS数据中的一种或多种。所述离线运行数据包括但不仅限于:电机定子局部放电监测数据、发电机转子匝间短路监测、发电机轴电流轴电压监测、发电机定子绕组端部振动监测、发电机绝缘过热监测、性能试验、内冷水质化验、氢测试、模态试验以及预防性试验数据中的一种或多种;所述维护数据包括但不仅限于:发电机日常维护数据、检修数据以及相关技术监督数据中的一种或多种。
可选的,所述汽轮发电机状态特性模型的训练方式包括:获取各汽轮发电机历史数据;对所述各汽轮发电机历史数据进行预处理;对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息;根据各汽轮发电机历史数据之间相关性信息训练并获得所述汽轮发电机状态特性模型。所述汽轮发电机状态特性模型建立后,通过计算机技术,实现在线运行,不断监测汽轮发电机运行状态。
可选的,所述对所述各汽轮发电机历史数据进行预处理的方式包括:基于机理建模方法和/或数据驱动方法,对所述各汽轮发电机历史数据进行预处理;
具体的,数据预处理过程以机理模型和/或数据驱动模型为基础,结合机器学习理论以及人工智能技术,对所述各汽轮发电机历史数据进行软测量,检验测量数据的准确性,并对现场异常数据进行数据校正与重构,以提高设备关键参数的可靠性。
其中,所述预处理的方式包括:异常值检测、数据协调、数据重构、数据校正以及数据融合方式中的一种或多种;所述数据驱动方法包括:利用基于主成分分析、支持向量机、人工神经网络、混合高斯模型以及深度神经网络中的一种或多种建立的所述数据驱动模型对所述各汽轮发电机历史数据进行预处理。
可选的,所述对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息的方式包括:
基于由各汽轮发电机历史数据建立的相关性数据模型,对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
具体的,采用分级决策与机器学习相结合的方法,建立相关性数据模型,对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
需要注意的是,所述相关性信息可以为一汽轮发电机历史数据与另一汽轮发电机历史数据的相关性信息,也可以为一汽轮发电机历史数据与其他多个汽轮发电机历史数据之间的相关信息,还可以为多个汽轮发电机历史数据与其他多个汽轮发电机历史数据之间的相关信息等相关方式,在本申请中不作限定。
可选的,相关性数据模型的建模过程包含测点的选择、汽轮发电机历史数据的读取、高维数据可视化、异常数据自动剔除与人工剔除、模型参数设置与寻优、建模结果展示与校对等步骤。
步骤S22:将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。
可选的,所述将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略的方式包括:
将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于各所述汽轮发电机实时数据的对比值;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果;根据对应于各汽轮发电机实时数据对应的评价结果,设定对汽轮发电机的检修策略。
具体的,将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据分别进行对比;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果;根据对应于各汽轮发电机实时数据对应的评价结果,根据所述评价结果对与各汽轮发电机实时数据相关的汽轮发电机的设备设定检修策略,以对各汽轮发电机实时数据相关的汽轮发电机的设备进行检修。其中,根据所述各汽轮发电机实时数据可以判断与所述汽轮发电机实时数据有关的汽轮发电机的设备。通过不同时期汽轮发电机状态特性模型的记录、整理及推演,在故障或劣化趋势演变的可信区间内,预测未来汽轮发电机状态特性模型的变化趋势。综合分析性能漂移带来的运行经济损失与设备维护、更换成本,对检修时间、检修内容进行决策寻优。
可选的,所述基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果的方式包括:将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;根据所述差异值获得对应于各汽轮发电机实时数据的评价结果。
具体的,将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;将所述差异值与用于判断各汽轮发电机实时数据对应的汽轮发电机的设备的一或多个运行状态的一或多个状态判断差异阈值进行对比,获得对应于各汽轮发电机实时数据处于一或多个运行状态的评价结果。
可选的,所述评价结果包括:正常状态评价结果、注意状态评价结果、异常状态评价结果以及严重状态评价结果中的一种或多种。
具体的,将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;判断所述差异值是否处于与用于判断各汽轮发电机实时数据对应的汽轮发电机的设备的正常状态、注意状态、异常状态以及严重状态中的一种或多种对应正常状态判断差异阈值范围、注意状态判断差异阈值范围、异常状态判断差异阈值范围以及严重状态差异阈值范围中的一种,获得对应于各汽轮发电机实时数据与正常状态、注意状态、异常状态以及严重状态中的一种或多种相对应的正常状态评价结果、注意状态评价结果、异常状态评价结果以及严重状态评价结果中的一种或多种。
若所述差异值处于所述正常状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的正常状态评价结果,进而无需对所述各汽轮发电机实时数据对应的汽轮发电机设备进行维修。
若所述差异值处于所述注意状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的注意状态评价结果,设定针对各所述汽轮发电机注意状态的检修策略。
若所述差异值处于所述异常状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的异常状态评价结果,设定针对各所述汽轮发电机异常状态的检修策略。
若所述差异值处于所述严重状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的严重状态评价结果,设定针对各所述汽轮发电机严重状态的检修策略。
与上述实施例原理相似的是,本发明提供一种汽轮发电机状态检修系统。
以下结合附图提供具体实施例:
如图2展示本发明实施例中的一种汽轮发电机状态检修方法的系统的结构示意图。
所述系统包括:
状态特性模型训练模块21,包括:获取单元211、预处理单元212、相关性分析单元213以及模型训练单元214;其中,
所述获取单元211用于获取各汽轮发电机历史数据;所述预处理单元212连接所述获取单元211,用于对所述各汽轮发电机历史数据进行预处理;所述相关性分析单元213连接所述预处理单元212,用于对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息;所述模型训练单元214连接所述相关性分析单元213,用于根据各汽轮发电机历史数据之间相关性信息训练并获得所述汽轮发电机状态特性模型;
预测模块22,连接所述状态特性模型训练模块21,用于基于所述汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据;
评价模块23,连接所述预测模块22,用于将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。
可选的,所述获取单元211用于收集并储存各汽轮发电机历史数据。
可选的,所述获取单元211包括:数据库服务器,用于收集并储存各汽轮发电机历史数据。
可选的,所述预处理单元212用于基于机理建模方法和/或数据驱动方法,对所述各汽轮发电机历史数据进行预处理;
具体的,所述预处理单元212以机理模型和/或数据驱动模型为基础,结合机器学习理论以及人工智能技术,对所述各汽轮发电机历史数据进行软测量,检验测量数据的准确性,并对现场异常数据进行数据校正与重构,以提高设备关键参数的可靠性。
其中,所述预处理的方式包括:异常值检测、数据协调、数据重构、数据校正以及数据融合方式中的一种或多种;所述数据驱动方法包括:利用基于主成分分析、支持向量机、人工神经网络、混合高斯模型以及深度神经网络中的一种或多种建立的所述数据驱动模型对所述各汽轮发电机历史数据进行预处理。
可选的,所述相关性分析单元213用于对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息的方式包括:
所述相关性分析单元213基于由各汽轮发电机历史数据建立的相关性数据模型,对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
具体的,所述相关性分析单元213采用分级决策与机器学习相结合的方法,建立相关性数据模型,对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
需要注意的是,所述相关性信息可以为一汽轮发电机历史数据与另一汽轮发电机历史数据的相关性信息,也可以为一汽轮发电机历史数据与其他多个汽轮发电机历史数据之间的相关信息,还可以为多个汽轮发电机历史数据与其他多个汽轮发电机历史数据之间的相关信息等相关方式,在本申请中不作限定。
可选的,相关性数据模型的建模过程包含测点的选择、汽轮发电机历史数据的读取、高维数据可视化、异常数据自动剔除与人工剔除、模型参数设置与寻优、建模结果展示与校对等步骤。
可选的,所述相关性分析单元213包括:运行数据挖掘服务器,用于对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
可选的,所述预测模块22用于基于由各汽轮发电机历史数据之间的相关性信息训练的汽轮发电机状态特性模型,对输入所述的汽轮发电机状态特性模型的一或多个汽轮发电机实时数据分别进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据。
可选的,所述预测模块22包括:状态特性模型计算服务器,用于基于所述汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据。
可选的,所述评价模块23将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略的方式包括:
所述评价模块23将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于各所述汽轮发电机实时数据的对比值;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果;根据对应于各汽轮发电机实时数据对应的评价结果,设定对汽轮发电机的检修策略。
具体的,所述评价模块23将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据分别进行对比;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果;根据对应于各汽轮发电机实时数据对应的评价结果,根据所述评价结果对与各汽轮发电机实时数据相关的汽轮发电机的设备设定检修策略,以对各汽轮发电机实时数据相关的汽轮发电机的设备进行检修。其中,根据所述各汽轮发电机实时数据可以判断与所述汽轮发电机实时数据有关的汽轮发电机的设备。通过不同时期汽轮发电机状态特性模型的记录、整理及推演,在故障或劣化趋势演变的可信区间内,预测未来汽轮发电机状态特性模型的变化趋势。综合分析性能漂移带来的运行经济损失与设备维护、更换成本,对检修时间、检修内容进行决策寻优。
可选的,所述所述评价模块23基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果的方式包括:将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;根据所述差异值获得对应于各汽轮发电机实时数据的评价结果。
具体的,所述评价模块23将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;将所述差异值与用于判断各汽轮发电机实时数据对应的汽轮发电机的设备的一或多个运行状态的一或多个状态判断差异阈值进行对比,获得对应于各汽轮发电机实时数据处于一或多个运行状态的评价结果。
可选的,所述评价结果包括:正常状态评价结果、注意状态评价结果、异常状态评价结果以及严重状态评价结果中的一种或多种。
具体的,所述评价模块23将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;判断所述差异值是否处于与用于判断各汽轮发电机实时数据对应的汽轮发电机的设备的正常状态、注意状态、异常状态以及严重状态中的一种或多种对应正常状态判断差异阈值范围、注意状态判断差异阈值范围、异常状态判断差异阈值范围以及严重状态差异阈值范围中的一种,获得对应于各汽轮发电机实时数据与正常状态、注意状态、异常状态以及严重状态中的一种或多种相对应的正常状态评价结果、注意状态评价结果、异常状态评价结果以及严重状态评价结果中的一种或多种。
若所述差异值处于所述正常状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的正常状态评价结果,进而无需对所述各汽轮发电机实时数据对应的汽轮发电机设备进行维修。
若所述差异值处于所述注意状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的注意状态评价结果,设定针对各所述汽轮发电机注意状态的检修策略。
若所述差异值处于所述异常状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的异常状态评价结果,设定针对各所述汽轮发电机异常状态的检修策略。
若所述差异值处于所述严重状态判断差异阈值范围内,则获得对应于各汽轮发电机实时数据的严重状态评价结果,设定针对各所述汽轮发电机严重状态的检修策略。
可选的,所述评价模块23包括:状态评价及检修策略服务器,用于将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略。
可选的,所述系统还包括:显示模块,用于实时显示汽轮发电机状态检修进程、评价结果以及检修策略中的一种或多种。
可选的,所述显示模块包括:用户端浏览器,用于实时显示汽轮发电机状态检修进程、评价结果以及检修策略中的一种或多种。
如图3展示本发明实施例中的汽轮发电机状态检修终端30的结构示意图。
所述汽轮发电机状态检修终端30包括:存储器31及处理器32所述存储器31用于存储计算机程序;所述处理器32运行计算机程序实现如图1所述的汽轮发电机状态检修方法。
可选的,所述存储器31的数量均可以是一或多个,所述处理器32的数量均可以是一或多个,而图3中均以一个为例。
可选的,所述汽轮发电机状态检修终端30中的处理器32会按照如图1所述的步骤,将一个或多个以应用程序的进程对应的指令加载到存储器31中,并由处理器32来运行存储在第一存储器31中的应用程序,从而实现如图1所述汽轮发电机状态检修方法中的各种功能。
可选的,所述存储器31,可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备;所述处理器32,可能包括但不限于中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选的,所述处理器32可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供计算机可读存储介质,存储有计算机程序,所述计算机程序运行时实现如图1所示的汽轮发电机状态检修方法。所述计算机可读存储介质可包括,但不限于,软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品,也可以是已接入计算机设备使用的部件。
综上所述,本发明汽轮发电机状态检修方法、系统以及终端,用于解决现有技术中往往会造成设备的过度维修或是欠修,不仅浪费了大量的人力和物力,也使电厂的运行安全性受到影响,以及缺乏以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究的方式来实现汽轮发电机的状态检修的问题。本发明以过程实时数据流及其历史数据等为基础展开数据驱动建模方法研究,可以从中挖掘出潜在的过程运行与设备状态信息,结合状态参数评价体系,根据其整体状态评估结果优化设备检修策略,实现汽轮发电机的状态检修,对提高机组运行能力和设备管理水平具有十分重要的意义。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种汽轮发电机状态检修方法,其特征在于,包括:
基于由各汽轮发电机历史数据之间的相关性信息训练的汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据;
将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略;
其中,所述将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略包括:将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于各所述汽轮发电机实时数据的对比值;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果;根据对应于各汽轮发电机实时数据对应的评价结果,设定对汽轮发电机的检修策略。
2.根据权利要求1中所述的汽轮发电机状态检修方法,其特征在于,所述汽轮发电机状态特性模型的训练方式包括:
获取各汽轮发电机历史数据;
对所述各汽轮发电机历史数据进行预处理;
对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息;
根据各汽轮发电机历史数据之间相关性信息训练并获得所述汽轮发电机状态特性模型。
3.根据权利要求1中所述的汽轮发电机状态检修方法,其特征在于,所述基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果的方式包括:
将各所述汽轮发电机实时数据的对比值分别与所述状态判断阈值进行对比,获得对应于各汽轮发电机实时数据的差异值;
根据所述差异值获得对应于各汽轮发电机实时数据的评价结果。
4.根据权利要求1至3中任一项所述的汽轮发电机状态检修方法,其特征在于,所述评价结果包括:正常状态评价结果、注意状态评价结果、异常状态评价结果以及严重状态评价结果中的一种或多种。
5.根据权利要求1中任一项所述的汽轮发电机状态检修方法,其特征在于,所述各汽轮发电机历史数据和/或汽轮发电机实时数据的数据类型包括:基础数据、运行数据以及维护数据中的一种或多种;
其中,
所述基础数据包括:零部件图纸数据,使用说明书数据,维护说明书数据,设备监造数据以及检修工艺规程数据中的一种或多种;
所述运行数据包括:运行时间、功率、电流、电压、转速、振动、温度、压力、流量DCS、SIS、电机定子局部放电监测数据、发电机转子匝间短路监测、发电机轴电流轴电压监测、发电机定子绕组端部振动监测、发电机绝缘过热监测、性能试验、内冷水质化验、氢测试、模态试验以及预防性试验数据中的一种或多种;
所述维护数据包括:发电机日常维护数据、检修数据以及相关技术监督数据中的一种或多种。
6.根据权利要求2中所述的汽轮发电机状态检修方法,其特征在于,所述对所述各汽轮发电机历史数据进行预处理的方式包括:
基于机理建模方法和/或数据驱动方法,对所述各汽轮发电机历史数据进行预处理;其中,
所述预处理的方式包括:异常值检测、数据协调、数据重构、数据校正以及数据融合方式中的一种或多种;
所述数据驱动方法包括:基于主成分分析、支持向量机、人工神经网络、混合高斯模型以及深度神经网络的方法中的一种或多种。
7.根据权利要求2中所述的汽轮发电机状态检修方法,其特征在于,所述对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息的方式包括:
基于由各汽轮发电机历史数据建立的相关性数据模型,对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息。
8.一种汽轮发电机状态检修系统,其特征在于,所述系统包括:
状态特性模型训练模块,包括:获取单元、预处理单元、相关性分析单元以及模型训练单元;其中,
所述获取单元用于获取各汽轮发电机历史数据;所述预处理单元连接所述获取单元,用于对所述各汽轮发电机历史数据进行预处理;所述相关性分析单元连接所述预处理单元,用于对经过预处理的各汽轮发电机历史数据相互进行相关性分析,获得各汽轮发电机历史数据之间相关性信息;所述模型训练单元连接所述相关性分析单元,用于根据各汽轮发电机历史数据之间相关性信息训练并获得所述汽轮发电机状态特性模型;
预测模块,连接所述状态特性模型训练模块,用于基于所述汽轮发电机状态特性模型,对输入的一或多个汽轮发电机实时数据进行预测,获得分别对应各所述汽轮发电机实时数据的汽轮发电机预测数据;
评价模块,连接所述预测模块,用于将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略;其中,所述将各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于汽轮发电机的状态评价结果,并给出针对汽轮发电机的检修策略包括:将所述各所述汽轮发电机预测数据与其分别对应的所述汽轮发电机实时数据进行对比,获得对应于各所述汽轮发电机实时数据的对比值;基于预设的状态判断阈值,对各对比值分别进行判断,获得对应于各汽轮发电机实时数据的评价结果;根据对应于各汽轮发电机实时数据对应的评价结果,设定对汽轮发电机的检修策略
9.一种汽轮发电机状态检修终端,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行如权利要求1至7任一项所述的汽轮发电机状态检修方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954375.7A CN112257224B (zh) | 2020-09-11 | 2020-09-11 | 汽轮发电机状态检修方法、系统以及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954375.7A CN112257224B (zh) | 2020-09-11 | 2020-09-11 | 汽轮发电机状态检修方法、系统以及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257224A CN112257224A (zh) | 2021-01-22 |
CN112257224B true CN112257224B (zh) | 2022-12-30 |
Family
ID=74231320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010954375.7A Active CN112257224B (zh) | 2020-09-11 | 2020-09-11 | 汽轮发电机状态检修方法、系统以及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257224B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113756886A (zh) * | 2021-04-20 | 2021-12-07 | 通辽霍林河坑口发电有限责任公司 | 一种汽轮机加热器的故障判断方法和系统 |
CN113751134B (zh) * | 2021-04-20 | 2023-07-28 | 通辽霍林河坑口发电有限责任公司 | 一种磨煤机的磨辊检修方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009074011A1 (fr) * | 2007-12-04 | 2009-06-18 | Sifang Electric (Group) Co., Ltd. | Procédé pour mesurer une fatigue mécanique de ligne d'arbres dans un ensemble turbogénérateur |
CN207281814U (zh) * | 2017-10-27 | 2018-04-27 | 浙江浙能技术研究院有限公司 | 一种发电机评价系统 |
CN110706039A (zh) * | 2019-10-16 | 2020-01-17 | 爱驰汽车有限公司 | 电动汽车残值率评估系统、方法、设备及介质 |
-
2020
- 2020-09-11 CN CN202010954375.7A patent/CN112257224B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009074011A1 (fr) * | 2007-12-04 | 2009-06-18 | Sifang Electric (Group) Co., Ltd. | Procédé pour mesurer une fatigue mécanique de ligne d'arbres dans un ensemble turbogénérateur |
CN207281814U (zh) * | 2017-10-27 | 2018-04-27 | 浙江浙能技术研究院有限公司 | 一种发电机评价系统 |
CN110706039A (zh) * | 2019-10-16 | 2020-01-17 | 爱驰汽车有限公司 | 电动汽车残值率评估系统、方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
一种基于状态量分析的汽轮发电机评价系统;吕嘉琛等;《电机技术》;20170225(第01期);第59-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257224A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442833B (zh) | 一种基于多维度scada数据评估风电机组健康状态评估方法 | |
US11977375B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN112784373A (zh) | 一种风电机组齿轮箱的故障预警方法 | |
CN117134503B (zh) | 一种大型电力供电装置的状态监测方法及系统 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
CN111896244A (zh) | 一种综采设备phm系统 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
Yang et al. | Application research of arima model in wind turbine gearbox fault trend prediction | |
CN113726006A (zh) | 水电生产分析决策支持系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN111192163A (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN114091811A (zh) | 一种核电厂循环水泵维修决策系统及设计方法 | |
CN113705076A (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
Hashemnia et al. | Using machine learning to predict and avoid malfunctions: a revolutionary concept for condition-based asset performance management (apm) | |
Shen | Classification of Wind Turbine Blade Performance State through Statistical Methods | |
US20240035445A1 (en) | Systems and methods for estimating future risk of failure of a wind turbine component using machine learning | |
CN114565192A (zh) | 旋转机械设备的主轴轴承寿命预测方法、设备和介质 | |
Godwin et al. | Rapid labelling of SCADA data to extract transparent rules using RIPPER |
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 |