CN112284521A - 一种汽轮发电机组振动故障特征的量化及应用方法 - Google Patents
一种汽轮发电机组振动故障特征的量化及应用方法 Download PDFInfo
- Publication number
- CN112284521A CN112284521A CN202011168012.7A CN202011168012A CN112284521A CN 112284521 A CN112284521 A CN 112284521A CN 202011168012 A CN202011168012 A CN 202011168012A CN 112284521 A CN112284521 A CN 112284521A
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- correlation coefficient
- steam turbine
- value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种汽轮发电机组振动故障特征的量化及应用方法,本发明在当机组振动超过设定的报警值,或者振动相对改变量超限时,触发振动故障诊断流程。本发明充分利用了振动的长期趋势特征,诊断结果更加精确;本发明与人工诊断相比,提高了时效性,也能一定程度上避免受个人主观因素导致的误诊断。通过此方法,可以在汽轮发电机组出现振动故障的初期得到故障原因分析,为安全运行和检修提供合理建议,防止灾难性的事故发生。
Description
技术领域
本发明属于机械故障诊断技术领域,具体涉及一种汽轮发电机组振动故障特征的量化及应用方法。
背景技术
了保障机组安全稳定运行、减少经济损失,汽轮发电机组振动故障的自动化诊断是未来发展的趋势,也是实现电厂智慧运行的必要技术手段。
与航空发动机、泵组、风机等不同,汽轮发电机组长时间在额定转速下较稳定运行,除了发生故障时的瞬态时频域分析,较长时间内振动及其他运行参数的趋势及相互关系分析是实现故障精确诊断的必要手段。如以基频分量为主的同步振动,就可能对应质量不平衡、热弯曲、碰摩、对轮连接松动、轴承工况不佳、冷却不均匀等故障,因此仅通过频谱分析无法对振动故障进行精确诊断。以往诊断过程中需要经验丰富的技术人员到现场,综合考虑频谱信息及振动和其他参数的趋势信息对振动故障进行综合诊断,一方面时效性较差,另一方面也容易受个人主观因素影响发生误诊断问题。
目前,大容量燃煤电厂普遍配备DCS和TDM系统,随着信息技术发展,对DCS和TDM服务器中记录的大量实时和历史数据进行快速综合计算及分析已不再是技术难题。作为建立汽轮发电机组振动故障自动化诊断系统的关键步骤,基于振动等运行参数的汽轮发电机组振动故障特征量化及应用具有重要意义。
发明内容
本发明的目的在于克服上述不足,提供一种汽轮发电机组振动故障特征的量化及应用方法,能够对振动信号及功率、转子电流、冷却介质温度等状态参数进行综合计算分析,获取能够表征其运行状态的关键特征参数,实现精确、实时、程序化振动故障诊断。
为了达到上述目的,本发明,包括以下步骤:
S1,读取原始数据中的振动数据、有功参数和无功参数,并对读取的数据进行正则化处理,使各组数据在维数和时刻上对应;
S2,计算振动数据与各参数之间的复合相关系数,根据不同时间段的复合相关系数计算结果,确定各参数与原始振动数据的相关性特征量值;
S3,计算经时移处理过的振动数据与各参数之间的相关性特征量值;
S4,使用得到的相关性特征量值对汽轮发电机组振动故障进行诊断。
步骤S1中,读取系统记录的原始数据中振动故障超标或振动改变量超限前预定时限内的数据,进行删减或线性插值后确保各数据点间隔为相同时间。
步骤S2中,确定各参数与原始振动数据的相关性特征量值的具体方法如下:
采用Person和Spearman相关系数的均值,计算各时间段内负荷参数X和振动幅值Y之间的复合相关系数,分别计算比较各时间段内的复合相关系数,以绝对值最大的值为相关性特征量值。
负荷参数X和振动幅值Y之间的复合相关系数通过下式进行计算:
式中:di为Xi和Yi的等级差,n为数据维数,σx为参数X的方差,σy为参数Y的方差。
步骤S3的具体方法如下:
将振动数据滞后n分钟,分别计算比较各时间段内的复合相关系数,以绝对值最大的值为相关性特征量值,得到不同滞后时间对应的相关性特征量,相关系数最大时的n值为振动滞后此参数的时间。
步骤S4,对汽轮发电机组振动故障的诊断标准如下:
第一步,振动数据与各参数相关系数均小于阈值C1,则诊断为动静摩擦导致的随机不稳定振动,结束诊断流程,否则进入下一步判断;
第二步,若振动数据与有功功率相关系数大于阈值C2,则进入下一步判断,否则转至第七步;
第三步,振动数据与间隙电压相关系数大于阈值C3,滞后时间为不超过1分钟,则诊断为轴承状态不佳或者汽流载荷变化导致的油膜刚度变化,结束诊断流程,否则进入下一步判断;
第四步,振动数据与有功功率相关系数大于阈值C2,振动数据与间隙电压相关系数小于阈值C4,则诊断为联轴器松动或部件可恢复性变形移位,结束诊断流程,否则进入下一步判断;
第五步,振动数据与励磁电流相关系数大于阈值C5,且时滞大于5分钟,则诊断为匝间短路等转子发热不均匀或材质缺陷,结束诊断流程,否则进入下一步判断;
第六步,振动数据与真空相关系数大于阈值C6,无时滞,则诊断为汽缸变形导致刚度变化;有时滞则诊断为排汽温度变化导致的热不平衡/动静摩擦,结束诊断流程,否则进入下一步判断;
第七步,振动数据与氢温氢压相关系数大于阈值C7,则诊断为发电机转子冷却不均匀;若振动与密封油温相关系数大于C8,则诊断为密封瓦摩擦;否则进入下一步判断;
第八步,无法确定诊断结果,进行人工诊断辅助。
阈值C1~C9的初始值范围为0.2~0.5。
与现有技术相比,本发明在当机组振动超过设定的报警值,或者振动数据超限时,触发振动故障诊断流程。本发明充分利用了振动的长期趋势特征,诊断结果更加精确;本发明与人工诊断相比,提高了时效性,也能一定程度上避免受个人主观因素导致的误诊断。通过此方法,可以在汽轮发电机组出现振动故障的初期得到故障原因分析,为安全运行和检修提供合理建议,防止灾难性的事故发生。
附图说明
图1是本发明的流程图。
图2是实施例中汽轮发电机组轴系简图;
图3是实施例中汽轮发电机组7号轴承处X方向相对轴振波形及频谱图;
图4是实施例中汽轮发电机组振动、负荷及励磁电流趋势图。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1,本发明包括以下步骤:
(1)振动及有功、无功等参数历史数据的读取及正则化处理,使各组数据在维数、时刻上对应。根据DCS系统记录的振动故障超标或振动改变量超限的时刻t0,读取t0前24小时内DCS和TDM系统内记录的振动幅值、间隙电压、有功等历史数据。如果读取的历史数据不是以30秒为间隔,则进行删减或线性插值后确保各数据点间隔为30秒。
(2)计算振动数据和各参数之间的复合相关系数,根据不同时间段的复合相关系数计算结果,确定各参数与原始振动数据的相关性特征量值。为了能够综合考虑各参数与振动之间的线性相关和秩相关特性,利用Person和Spearman相关系数的均值,计算各时间段内负荷等参数X和振动幅值Y之间的复合相关系数:
式中:di为Xi和Yi的等级差,n为数据维数,σx为参数X的方差,σy为参数Y的方差。复合相关系数的范围为0到1,值越大相关性越强。由于电厂机组运行的不确定性和随机性,需要计算多个时间范围内的复合相关系数并取最大值。取前24小时、12小时、6小时、3小时范围内数据,分别计算比较4个时间段内的复合相关系数,以绝对值最大的值为相关性特征量值。
(3)计算经时移处理过的振动数据与各参数之间的相关性特征量值。将振动数据改为滞后厡数据n分钟,即Yi'=Yi+60*n,n的范围为1~60。然后取最近的24小时、12小时、6小时、3小时范围内数据,分别计算比较4个时间段内的复合相关系数,以绝对值最大的值为相关性特征量值。计算不同的滞后时间对应的相关性特征量,相关系数最大对应的n为振动滞后此参数的时间。
(4)使用得到的相关性特征量值对汽轮发电机组振动故障进行诊断。包含以下步骤:
(a)根据发明人现场振动故障诊断经验,确定各诊断步骤的阈值C1~C8的初始值;根据发明人现场振动故障诊断经验,各诊断步骤的阈值C1~C8的初始值合适范围为0.2~0.5,对于不同机型适用的阈值不同;
(b)振动与各参数相关系数均小于C1,则诊断为动静摩擦导致的随机不稳定振动,结束诊断流程,否则进入下一步判断;
(c)若振动与有功功率相关系数大于C2,则进入下一步判断,否则转至步骤g;
(d)振动与间隙电压相关系数超过C3,滞后时间为不超过1分钟,则诊断为轴承状态不佳或者汽流载荷变化导致的油膜刚度变化,结束诊断流程,否则进入下一步判断;
(e)振动与有功功率相关系数大于C2,振动与间隙电压相关系数小于C4,则诊断为联轴器松动或部件可恢复性变形移位,结束诊断流程,否则进入下一步判断;
(f)振动与励磁电流相关系数大于C5,且时滞大于5分钟,则诊断为匝间短路等转子发热不均匀或材质缺陷,结束诊断流程,否则进入下一步判断;
(g)振动与真空相关系数大于C6,无时滞,则诊断为汽缸变形导致刚度变化;有时滞则诊断为排汽温度变化导致的热不平衡/动静摩擦,结束诊断流程,否则进入下一步判断;
(h)振动与氢温氢压相关系数大于C7,则诊断为发电机转子冷却不均匀;若振动与密封油温相关系数大于C8,则诊断为密封瓦摩擦;否则进入下一步判断;
(i)以上条件均不满足,则目前信息无法确定诊断结果,需要人工诊断辅助。
实施例:
某电厂1号机组汽轮机为上海电气电站设备有限公司汽轮机厂引进西门子技术生产的N660-25/600/600型超超临界、一次中间再热、单轴、四缸四排汽、凝汽式汽轮机,配以上海电气电站设备有限公司发电机厂生产的QFSN-600-2型、水/氢/氢冷却方式的发电机。该机组轴系由高压转子、中压转子、低压1转子、低压2转子、发电机转子和励端小轴组成,轴系由8个轴承支承,其中中压转子和低压转子采用单支承结构型式,轴系示意图详见图2所示。
机组发电机在运行时部分测点振动偏大的问题,1月4日7:34机组7号X轴振幅值超过126μm,触发振动故障诊断程序,记t0为1月4日7:34。
首先通过TDM数据频谱和波形判断7号轴承相对轴振为以基频分量为主的同步振动,基频分量和通频幅值分别为119μm和124μm,即基频分量占比超过80%。图3为TDM系统给出的7号轴承相对轴振波形及频谱图,显示除基频以外的振动分量均在10μm以下。
读取DCS和TDM系统服务器记录在t0前24h时间段内的振动、间隙电压、有功功率等参数历史数据,并对数据进行正则化处理,使每30秒钟有一组数据。图4为DCS系统记录的振动、有功功率(actual vlaue for load)、励磁电流、冷氢温度等参数在24小时内的变化趋势。
首先,根据现场对此类型机组的振动故障诊断经验,设定阈值数组C=[C1,…,C8]=[0.15,0.3,0.2,0.3,0.3,0.2,0.3,0.3]。
通过负荷参数X和振动幅值Y之间的复合相关系数计算公式计算在前24h、12h、6h、3h范围内7号X轴振与负荷之间的复合相关系数,并以最大值作为相关性特征量值,得到结果为0.34。因此,振动与各参数相关性量值均小于0.15的条件不满足,转到下一步判断流程。
计算振动与间隙电压的相关系数,由于7号轴承测点间隙电压稳定,在24h内未发生改变即方差为0,得到相关系数也为零,进行下一步判断。
计算负荷与振动的时移相关系数得到最大值为0.44,对应的滞后时间为14分钟,因此排除对轮松动、转子部件的可恢复性变形移位等因素。进行下一步励磁电流和振动相关系数计算。
计算前24h、12h、6h、3h范围内7号X轴振与励磁电流之间的复合相关系数,并以最大值作为相关性特征量值,得到结果为0.36,且滞后时间为14分钟。根据诊断流程判断振动偏大为匝间短路等发热不均与导致的热不平衡引起,诊断流程结束。
针对发电机转子的热不平衡问题,在随后停机检修和开机过程中对机组轴系进行了现场高速动平衡处理,将轴系振动降至国标规定的优良范围内,同时也满足制造厂规定的振动限值,保障了机组的安全稳定运行。
Claims (7)
1.一种汽轮发电机组振动故障特征的量化及应用方法,其特征在于,包括以下步骤:
S1,读取原始数据中的振动数据、有功参数和无功参数,并对读取的数据进行正则化处理,使各组数据在维数和时刻上对应;
S2,计算振动数据与各参数之间的复合相关系数,根据不同时间段的复合相关系数计算结果,确定各参数与原始振动数据的相关性特征量值;
S3,计算经时移处理过的振动数据与各参数之间的相关性特征量值;
S4,使用得到的相关性特征量值对汽轮发电机组振动故障进行诊断。
2.根据权利要求1所述的一种汽轮发电机组振动故障特征的量化及应用方法,其特征在于,步骤S1中,读取系统记录的原始数据中振动故障超标或振动改变量超限前预定时限内的数据,进行删减或线性插值后确保各数据点间隔为相同时间。
3.根据权利要求1所述的一种汽轮发电机组振动故障特征的量化及应用方法,其特征在于,步骤S2中,确定各参数与原始振动数据的相关性特征量值的具体方法如下:
采用Person和Spearman相关系数的均值,计算各时间段内负荷参数X和振动幅值Y之间的复合相关系数,分别计算比较各时间段内的复合相关系数,以绝对值最大的值为相关性特征量值。
5.根据权利要求1所述的一种汽轮发电机组振动故障特征的量化及应用方法,其特征在于,步骤S3的具体方法如下:
将振动数据滞后n分钟,分别计算比较各时间段内的复合相关系数,以绝对值最大的值为相关性特征量值,得到不同滞后时间对应的相关性特征量,相关系数最大时的n值为振动滞后此参数的时间。
6.根据权利要求1所述的一种汽轮发电机组振动故障特征的量化及应用方法,其特征在于,步骤S4,对汽轮发电机组振动故障的诊断标准如下:
第一步,振动数据与各参数相关系数均小于阈值C1,则诊断为动静摩擦导致的随机不稳定振动,结束诊断流程,否则进入下一步判断;
第二步,若振动数据与有功功率相关系数大于阈值C2,则进入下一步判断,否则转至第七步;
第三步,振动数据与间隙电压相关系数大于阈值C3,滞后时间为不超过1分钟,则诊断为轴承状态不佳或者汽流载荷变化导致的油膜刚度变化,结束诊断流程,否则进入下一步判断;
第四步,振动数据与有功功率相关系数大于阈值C2,振动数据与间隙电压相关系数小于阈值C4,则诊断为联轴器松动或部件可恢复性变形移位,结束诊断流程,否则进入下一步判断;
第五步,振动数据与励磁电流相关系数大于阈值C5,且时滞大于5分钟,则诊断为匝间短路等转子发热不均匀或材质缺陷,结束诊断流程,否则进入下一步判断;
第六步,振动数据与真空相关系数大于阈值C6,无时滞,则诊断为汽缸变形导致刚度变化;有时滞则诊断为排汽温度变化导致的热不平衡/动静摩擦,结束诊断流程,否则进入下一步判断;
第七步,振动数据与氢温氢压相关系数大于阈值C7,则诊断为发电机转子冷却不均匀;若振动与密封油温相关系数大于C8,则诊断为密封瓦摩擦;否则进入下一步判断;
第八步,无法确定诊断结果,进行人工诊断辅助。
7.根据权利要求6所述的一种汽轮发电机组振动故障特征的量化及应用方法,其特征在于,阈值C1~C9的初始值范围为0.2~0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011168012.7A CN112284521B (zh) | 2020-10-27 | 2020-10-27 | 一种汽轮发电机组振动故障特征的量化及应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011168012.7A CN112284521B (zh) | 2020-10-27 | 2020-10-27 | 一种汽轮发电机组振动故障特征的量化及应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112284521A true CN112284521A (zh) | 2021-01-29 |
CN112284521B CN112284521B (zh) | 2023-04-07 |
Family
ID=74372469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011168012.7A Active CN112284521B (zh) | 2020-10-27 | 2020-10-27 | 一种汽轮发电机组振动故障特征的量化及应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112284521B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358307A (zh) * | 2021-06-02 | 2021-09-07 | 西安西热节能技术有限公司 | 一种根据轴振信号确定转子涡动方向的判断方法 |
CN113378107A (zh) * | 2021-06-10 | 2021-09-10 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种基于振动相关性的汽轮机异常参数确定方法 |
CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
CN114019298A (zh) * | 2021-09-28 | 2022-02-08 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4352293A (en) * | 1979-08-24 | 1982-10-05 | Hitachi, Ltd. | Method of diagnosing vibration of rotary machine |
CN201765055U (zh) * | 2010-08-23 | 2011-03-16 | 山东中实易通集团有限公司 | 汽轮发电机组轴系振动的相位差辅助诊断系统 |
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
US20160018961A1 (en) * | 2014-07-18 | 2016-01-21 | General Electric Company | Automated data overlay in industrial monitoring systems |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN107036819A (zh) * | 2017-05-02 | 2017-08-11 | 大唐东北电力试验研究所有限公司 | 多参数修正的汽轮发电机组远程振动故障诊断方法及系统 |
EP3206004A1 (en) * | 2016-02-09 | 2017-08-16 | Siemens Aktiengesellschaft | Detection of bearing carbonization failure in turbine systems |
CN206757009U (zh) * | 2017-06-01 | 2017-12-15 | 北京华科同安监控技术有限公司 | 一种机组振动在线监测分析与故障诊断系统 |
CN110553821A (zh) * | 2019-07-08 | 2019-12-10 | 湖北华电襄阳发电有限公司 | 一种汽轮发电机组故障可视化诊断方法及系统 |
CN110702394A (zh) * | 2019-10-18 | 2020-01-17 | 西安热工研究院有限公司 | 一种基于振动变化特征的汽轮发电机组振动故障诊断方法 |
CN111365083A (zh) * | 2020-04-10 | 2020-07-03 | 西安热工研究院有限公司 | 一种基于热力参数的汽轮机通流部分故障诊断方法 |
AU2020102137A4 (en) * | 2020-09-04 | 2020-10-15 | University of South China | Fault diagnosis method for steam turbine generator (stg) |
CN111811820A (zh) * | 2020-07-20 | 2020-10-23 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于多参数对比的汽轮机主机振动状态评估方法 |
-
2020
- 2020-10-27 CN CN202011168012.7A patent/CN112284521B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4352293A (en) * | 1979-08-24 | 1982-10-05 | Hitachi, Ltd. | Method of diagnosing vibration of rotary machine |
CN201765055U (zh) * | 2010-08-23 | 2011-03-16 | 山东中实易通集团有限公司 | 汽轮发电机组轴系振动的相位差辅助诊断系统 |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
US20160018961A1 (en) * | 2014-07-18 | 2016-01-21 | General Electric Company | Automated data overlay in industrial monitoring systems |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
EP3206004A1 (en) * | 2016-02-09 | 2017-08-16 | Siemens Aktiengesellschaft | Detection of bearing carbonization failure in turbine systems |
CN107036819A (zh) * | 2017-05-02 | 2017-08-11 | 大唐东北电力试验研究所有限公司 | 多参数修正的汽轮发电机组远程振动故障诊断方法及系统 |
CN206757009U (zh) * | 2017-06-01 | 2017-12-15 | 北京华科同安监控技术有限公司 | 一种机组振动在线监测分析与故障诊断系统 |
CN110553821A (zh) * | 2019-07-08 | 2019-12-10 | 湖北华电襄阳发电有限公司 | 一种汽轮发电机组故障可视化诊断方法及系统 |
CN110702394A (zh) * | 2019-10-18 | 2020-01-17 | 西安热工研究院有限公司 | 一种基于振动变化特征的汽轮发电机组振动故障诊断方法 |
CN111365083A (zh) * | 2020-04-10 | 2020-07-03 | 西安热工研究院有限公司 | 一种基于热力参数的汽轮机通流部分故障诊断方法 |
CN111811820A (zh) * | 2020-07-20 | 2020-10-23 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于多参数对比的汽轮机主机振动状态评估方法 |
AU2020102137A4 (en) * | 2020-09-04 | 2020-10-15 | University of South China | Fault diagnosis method for steam turbine generator (stg) |
Non-Patent Citations (3)
Title |
---|
ZHENGGUO XU: "Vibration Fault Diagnosis for Steam Turbine-Generators Based on History Cases and Artificial Neural Network", 2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC) * |
孙和泰等: "汽轮发电机组振动故障诊断相关分析方法及应用", 《汽轮机技术》 * |
黄庆辉;: "珠海电厂2号汽轮发电机组振动故障原因分析及诊断", 热力发电 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358307A (zh) * | 2021-06-02 | 2021-09-07 | 西安西热节能技术有限公司 | 一种根据轴振信号确定转子涡动方向的判断方法 |
CN113378107A (zh) * | 2021-06-10 | 2021-09-10 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种基于振动相关性的汽轮机异常参数确定方法 |
CN114019298A (zh) * | 2021-09-28 | 2022-02-08 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
CN114019298B (zh) * | 2021-09-28 | 2023-12-05 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112284521B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112284521B (zh) | 一种汽轮发电机组振动故障特征的量化及应用方法 | |
CN109085814B (zh) | 一种火电汽轮机组整体设备系统延寿评估方法 | |
CN107489464B (zh) | 汽轮发电机组故障预警方法及系统 | |
CN110702394B (zh) | 一种基于振动变化特征的汽轮发电机组振动故障诊断方法 | |
JP4171609B2 (ja) | エンジン性能をモニタする方法、そのシステム及びプログラム記録媒体 | |
Aretakis et al. | Compressor washing economic analysis and optimization for power generation | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN101320259A (zh) | 一种单元发电机组主机重要部件寿命管理方法及系统 | |
Togni et al. | A combined technique of Kalman filter, artificial neural network and fuzzy logic for gas turbines and signal fault isolation | |
CN112541160B (zh) | 一种旋转机械振动故障诊断相关特征提取方法 | |
CN113378107B (zh) | 一种基于振动相关性的汽轮机异常参数确定方法 | |
CN111814849A (zh) | 一种基于da-rnn的风电机组关键组件故障预警方法 | |
Garlick et al. | A model-based approach to wind turbine condition monitoring using SCADA data | |
CN112983570B (zh) | 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置 | |
Sharp | Prognostic approaches using transient monitoring methods | |
CN116316683A (zh) | 基于能量贡献度的机组一次调频能力在线评估方法、系统与计算机可读介质 | |
Chatterton et al. | An unconventional method for the diagnosis and study of generator rotor thermal bows | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
Leusden et al. | Performance benefits using Siemens advanced compressor cleaning system | |
Chernousenko et al. | Effect of start-up operating modes on the cyclic damage of thermal power plant units | |
Viswanathan | Life assessment and improvement of turbo-generator rotors for fossil plants | |
Zhang et al. | Wind Turbine Condition Monitoring Based on SCADA Data Co-integration Analysis | |
Nugroho et al. | Online Monitoring and Analysis of Lube Oil Degradation for Gas Turbine Engine using Recurrent Neural Network (RNN) | |
CN112362323B (zh) | 汽轮发电机组振动在线监测和故障诊断系统的数据存储方法 | |
Smith | Monitoring/diagnostic systems enhance plant asset management |
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 |