CN112834224B - 一种核电汽轮发电机健康状态评估方法及系统 - Google Patents
一种核电汽轮发电机健康状态评估方法及系统 Download PDFInfo
- Publication number
- CN112834224B CN112834224B CN202110009311.4A CN202110009311A CN112834224B CN 112834224 B CN112834224 B CN 112834224B CN 202110009311 A CN202110009311 A CN 202110009311A CN 112834224 B CN112834224 B CN 112834224B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data
- generator
- acquiring
- vibration
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- Y02E30/00—Energy generation of nuclear origin
Abstract
本发明涉及一种核电汽轮发电机健康状态评估方法及系统,包括:S1、通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;S2、按照预设格式封装若干监测数据以生成对应的通信数据并传输至处理端;S3、通过处理端根据检测项目从监测数据获取与若干监测数据分别对应的特征值;S4、通过处理端获取检测项目对应的故障模式,基于故障模式对检测项目的特征值进行聚类分析以得到特征值的聚类结果以根据聚类结果获取发电机的健康状态。实施本发明能够有效的对发电机的健康状态进行判断,提高发电机设备使用可靠性。
Description
技术领域
本发明涉及核电技术领域,更具体地说,涉及一种核电汽轮发电机健康状态评估方法及系统。
背景技术
随着云计算、物联网和大数据技术的发展,智慧电厂的建设进入了新的阶段,核电厂逐步开始建设汽轮发电机等重大设备的监测平台。目前核电厂汽轮发电机的在线监测数据设备均为孤立运行的单体式设备,来自于不同的设备厂家,且分布在电厂的不同地理位置上,巡检不方便且效率低,造成人力成本的浪费。
孤立运行状态的在线监测数据仅能够对发电机的某一缺陷或某种可能存在的故障进行监测,且所提供的数据和趋势曲线需要领域专家才能进行解读。部分监测数据只能在就地显示,未上传至统一的监控平台,无法及时发现异常情况,同时其无法对核电汽轮发电机故障早期征兆的发现和预警。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述部分技术缺陷,提供一种核电汽轮发电机健康状态评估方法及系统。
本发明解决其技术问题所采用的技术方案是:构造一种核电汽轮发电机健康状态评估方法,包括:
S1、通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;
S2、按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;
S3、通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值;
S4、通过所述处理端获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果以根据所述聚类结果获取所述发电机的健康状态。
优选地,在所述步骤S1中,所述通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据,包括:
获取所述发电机的绝缘过热监测数据、轴系振动监测数据、端部振动监测数据、扭系振动监测数据、轴电压监测数据、轴电流监测数据、匝间短路监测数据或/和局部放电监测数据。
优选地,在所述步骤S2中,所述按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;包括:
依照预设顺序排列所述若干监测数据以形成数据序列,并根据所述数据序列设置预留序列以生成属性序列,根据所述属性序列和所述数据序列生成所述通信数据。
优选地,在所述步骤S3中,所述通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值;包括:
提取所述绝缘过热监测数据中的绝缘过热电离电流峰值、绝缘过热电离电流平均值和气体成分为所述绝缘过热监测数据的特征值;
提取所述轴系振动监测数据中的、与至少一个轴系振动频率所对应的振动峰峰值和振动相位为所述轴系振动监测数据的特征值;
提取所述端部振动监测数据中的、与至少一个端部振动频率所对应的端部振动峰峰值、端部振动幅值和端部振动相位为所述端部振动监测数据的特征值;
提取所述扭系振动监测数据中的扭振频谱为所述扭系振动监测数据的特征值;
提取所述轴电压监测数据中的轴电压信号频谱为所述轴电压监测数据的特征值;
提取所述轴电流检测数据中的轴电流信号频谱为所述轴电流监测数据的特征值;
提取所述匝间短路监测数据中的磁通数值、磁通状态和槽差值为所述匝间短路监测数据的特征值;
提取所述局部放电监测数据中的放电脉冲幅度、放电脉冲数量、正放电数值和负放电数值为所述局部放电监测数据的特征值。
优选地,本发明的一种核电汽轮发电机健康状态评估方法,还包括:
在接收所述处理端的采集指令时,执行所述步骤S2。
优选地,在所述步骤S4中,所述通过所述处理端获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果以根据所述聚类结果获取所述发电机的健康状态,包括:
S41、获取预设时间段内的历史特征值以根据所述历史特征值进行聚类计算以得到初始聚类模型;
S42、获取故障模式对应的历史故障模式数据,基于所述初始聚类模型和分类与离群算法获取与所述故障模式对应的有效聚类模型;
S43、获取实时特征值,并基于所述有效聚类模块和离群检测算法获取所述实时特征值的离群度,以根据所述离群度获取所述发电机的健康状态。
优选地,在所述步骤S43中,所述离群检测算法为LOF离群监测算法。
优选地,在所述步骤S43中,基于所述有效聚类模块和离群检测算法获取所述实时特征值的离群度,以根据所述离群度获取所述发电机的健康状态,包括:
获取所述实时特征值的离群度,并在所述离群度超出预设阈值时,判定所述发电机异常。
优选地,本发明的一种核电汽轮发电机健康状态评估方法,还包括:在所述步骤S3之后执行:
S31、对所述特征值进行判定,以在所述特征值正常时执行所述步骤S4。
本发明还构造一种核电汽轮发电机健康状态评估系统,包括:
获取单元,用于对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;
通信单元,用于按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;
第一执行单元,用于获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果;
第二执行单元,用于根据所述聚类结果获取所述发电机的健康状态。
实施本发明的一种核电汽轮发电机健康状态评估方法及系统,具有以下有益效果:能够有效的对发电机的健康状态进行判断,提高发电机设备使用可靠性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明一种核电汽轮发电机健康状态评估方法一实施例的程序流程图;
图2是本发明一种核电汽轮发电机健康状态评估方法另一实施例的程序流程图;
图3是本发明一种核电汽轮发电机健康状态评估方法另一实施例的程序流程图;
图4是本发明一种核电汽轮发电机健康状态评估系统一实施例的逻辑框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,在本发明的一种核电汽轮发电机健康状态评估方法第一实施例中,包括:S1、通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;具体的,其可以通过与核电汽轮发电机设置在同一区域的本地采集端对发电机进行本地监测。其可以理解核电汽轮发电机和本地采集端均设置在非控制区II区,其中本地采集端包括多个不同的采集模块,不同的采集模块对应不同的检测项目,并得到各检测项目对应的监测数据。其中,对监测数据的采集采用自适应锁相环整周期采样技术进行同步采集,其具体的为以采集到的键相信号为采样起始点,以下一次采集到的键相信号为采集终点,以保证得到的各检测项目对应的检测数据为对发电机的某一时间点或时间段的状态对应,有效的避免测试数据的遗漏。
S2、按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;具体的,对获取的监测数据进行封装,生成对应的通信数据。其中,监测数据为采集端得到的原始数据,其通常为得到的电压量、脉冲量或电流量。其中在满足等保2.0的网络安全要求下,处理端设置在生产管理区III区,其通信数据传输过程采用单向隔离网闸。
S3、通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值;处理端对接收到的通信数据进行数据处理,提取其中与检测项目对应的特征值,可以理解,监测数据为包含检测项目所有检测信息的原始数据,其提取的特征值为与该检测项目强相关的具有典型值。其中对监测数据的处理可以对提取的监测数据进行滤波、傅里叶变换(FFT)和基于自适应采样周期的快速傅里叶变换(DFT),去除干扰信号,获取真实的信号,根据真实的信号得到其对应的特征值。
S4、通过所述处理端获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果,以根据所述聚类结果获取所述发电机的健康状态。具体的,对获取到的特征值基于其对应的检测项目的故障模式进行聚类,其通过聚类得到特征值的规律,对发展趋势进行预测,判断当前发电机的健康状态。
可选的,在所述步骤S1中,所述通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据,包括:获取所述发电机的绝缘过热监测数据、轴系振动监测数据、端部振动监测数据、扭系振动监测数据、轴电压监测数据、轴电流监测数据、匝间短路监测数据或/和局部放电监测数据。具体的,发电机的检测项目可以包括绝缘过热检测、轴系振动检测、端部振动检测、扭系振动检测、轴电压检测、轴电流检测、匝间短路检测和局部放电检测中一个或多个,其通过各检测项目分别对发电机的状态进行判断以得到最终的发电机的健康状态。其具体的为,在绝缘过热检测过程中采集发电机的绝缘过热监测数据,绝缘过热监测数据包括绝缘过热的电离电流,同时其还包括对检测过程中的气体采样和色谱分析数据。在轴系振动检测过程中采集发电机的轴系振动数据,其中轴系振动数据包括各振动频率下的轴系振动峰值和振动相位。在端部振动检测过程中采集端部振动监测数据,其中端部振动监测数据包括各振动频率下的端部振动峰值和振动相位。在扭系振动检测过程中采集发电机的扭系振动监测数据,其中扭系振动监测数据可以包括扭振频谱,其中可以从扭振频谱中提取扭振幅值及其其他频谱特性,例如频谱形状。在轴电压和轴电流检测过程中分别获取轴电压监测数据和轴电流监测数据,其可以分别包括轴电压的幅值数据及其其他频谱特性、轴电流的幅值数据及其其他频谱特性,例如频谱形状,在匝间短路检测过程中采集放电机的匝间短路监测数据,其中包括提取在不同的转速、有功功率和无功功率下对应的每个槽磁极的磁通数值、磁通状态和槽差值百分比。在局部放电检测过程中采集发电机的局部放电监测数据,该局部放电监测数据可以包括发电机局部放电脉冲的脉冲幅度、脉冲数量、正放电数值和负放电数值等。
可选的,在上面的基础上,在所述步骤S3中,所述通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值;包括:提取所述绝缘过热监测数据中的绝缘过热电离电流峰值、绝缘过热电离电流平均值和气体成分为所述绝缘过热监测数据的特征值;提取所述轴系振动监测数据中的、与至少一个轴系振动频率所对应的振动峰峰值和振动相位为所述轴系振动监测数据的特征值;提取所述端部振动监测数据中的、与至少一个端部振动频率所对应的端部振动峰峰值、端部振动幅值和端部振动相位为所述端部振动监测数据的特征值;提取所述扭系振动监测数据中的扭振频谱为所述扭系振动监测数据的特征值;其中扭振频谱中可以提取扭振幅值及其其他频谱特性,提取所述轴电压监测数据中的轴电压信号频谱为所述轴电压监测数据的特征值;提取所述轴电流检测数据中的轴电流信号频谱为所述轴电流监测数据的特征值;其可以分别包括轴电压的幅值数据及其其他频谱特性、轴电流的幅值数据及其其他频谱特性,例如频谱形状。提取所述匝间短路监测数据中的磁通数值、磁通状态和槽差值为所述匝间短路监测数据的特征值;提取所述局部放电监测数据中的放电脉冲幅度、放电脉冲数量、正放电数值和负放电数值为所述局部放电监测数据的特征值。
具体的,其中对个监测数据的特征值提取可以基于不同的检测项目进行对应的提取,其提取过程包括对原始数据的处理过程。例如,提取绝缘过热电离电流峰值、平均值和气体成份作为绝缘过热监测数据的特征值;其中基于气体采样和色谱分析,能够区分定子线棒、铁芯和转子绕组等不同部位的状态,以得到对发电机的对应判断。
对采集到的发电机轴系振动数据以采集到的键相脉冲信号为起点,开始用1024Hz的采样频率对采集到的1个振动信号数据进行采集,以为下一个键相脉冲信号采样截止时间;并将采集到的离散数据进行高频滤波,去除干扰信号;对滤除干扰后的的离散数据进行DFT变化,提取基频(3000r/min核电汽轮发电机基频为50Hz,1500r/min核电汽轮发电机基频为25Hz)、2倍频、4倍频和8倍频的峰峰值和其相对于采样起始点的相位;并将基频和倍频峰峰值数据按照时间轴进行显示。可以通过上述步骤,循环对振动信号进行采集和DFT,即可得到1个振动数据的波形、趋势和频谱数据,并基于该数据提取如下表1的特征值。
表1发电机轴系振动特征值汇总表
对采集到的发电机端部振动数据提取如下表2的特征值。
表2发电机端部振动特征值汇总表
序号 | 参数说明 | 说明 |
1 | 端部振动测点峰峰值 | 单位:μm |
2 | 端部振动测点25Hz幅值 | 单位:μm |
3 | 端部振动测点25Hz振动相位 | 单位:° |
4 | 端部振动测点100Hz幅值 | 单位:μm |
5 | 端部振动测点100Hz振动相位 | 单位:° |
对采集到的扭系振动监测数据提取其中的扭振频谱为所述扭系振动监测数据的特征值。对采集到的轴电压和轴电流信号提取轴电压和轴电流信号频谱作为轴电压监测数据和轴电流监测数据的特征值,对采集到的匝间短路波形进行波形翻转和叠加,结合机组运行工况(转速、有功功率和无功功率)每个槽磁极的磁通数值和磁通状态和槽差值百分比作为匝间短路数据的特征值。
对采集到的发电机局部放电数据进行信号处理,去除背景噪声,提取局部放电脉冲的脉冲幅度、脉冲数量、正放电和负放电数值作为局部放电监测数据的特征值,以进行局放趋势和脉冲相位分析。
可选的,在所述步骤S2中,所述按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;包括:依照预设顺序排列所述若干监测数据以形成数据序列,并根据所述数据序列设置预留序列以生成属性序列,根据所述属性序列和所述数据序列生成所述通信数据。具体的,对若干检测数据进行排序形成数据序列,并根据数据序列的采集信息生成在属性序列,其具体可以参照表3,其中数据序列位1至9对应为属性序列,其在序列位9之后进行监测数据序列的排列。其中,在通用的实施例中,其可以采用2M的字节对原始数据进行传输。
表3检测数据传输格式
可选的,在一实施例中,本发明的核电汽轮发电机健康状态评估方法还包括:在接收所述处理端的采集指令时,执行步骤S2,即处理端定时发送采集命令,以触发将本地采集端获取的若干监测数据进行封装发送至处理端。可以理解,本地采集端数据采集是持续进行的,数据传输可以通过触发进行,该触发也可以包括设定定时自动触发。
如图2所示,在一实施例中,在所述步骤S4中,所述通过所述处理端获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果以根据所述聚类结果获取所述发电机的健康状态,包括:
S41、获取预设时间段内的历史特征值以根据所述历史特征值进行聚类计算以得到初始聚类模型;
S42、获取故障模式对应的历史故障模式数据,基于所述初始聚类模型和分类与离群算法获取与所述故障模式对应的有效聚类模型;
S43、获取实时特征值,并基于所述有效聚类模块和离群检测算法获取所述实时特征值的离群度,以根据所述离群度获取所述发电机的健康状态。
具体的,其根据各检测项目对应的监测数据的特征值进行聚类,得到该检测项目对应的聚类结果,以得到该检测项目的检测结果,实现对发电机的健康状态的判断。在发电机的端部振动监测数据的聚类分析过程中,其进行聚类结果获取的具体过程如下:A1、提取核电汽轮发电机的端部振动监测数据的特征值中1个月的时间长度对应的历史特征值数据,并进行可视化处理。该历史特征值可以包括发电机端部振动数据和发电机工况参数等特征量,该数据集中共有80825个样本点。将给定的80825个高维样本点a1、a2、a3、a4…an,使用高斯分布将两点之间的距离转化为概率分布,再对这个概率进行归一化计算,其中pj|i表示任意的样本点ai和aj之间的相似度:其中i≠j,
A2、并将高维样本点a1、a2、a3、a4…an点映射到低维空间的点记b1、b2、b3、b4…bn,并计算任意的样本点bi和bj之间的相似度qj|i:其中i≠j
其中,在降维过程中,可以将高维空间中数据的特征可以被保留,得到pj|i=qj|i。极小化pj|i和qj|i之间的距离,即KL散度,其中KL散度目标函数如下:
根据上述梯度对低维空间点bi进行迭代更新,当达到最大迭代次数或者KL散度小于1时,即可得到最终的低维空间点bi,以得到最终的数据可视化结果。
基于聚类工具对高维样本点a1、a2、a3、a4…an进行分析,考虑待聚类的数据集相应的索引为IS={1,2,...,N},定义ρi和δi两个量来分别对上述聚类中心的两个特点进行刻画,其中ρi计算公式如下:
式中,dij为数据点ai和aj之间的距离,并设置截断距离dc。
各高维样本点的δ的计算公式如下:
取dc=0.3mean_d=1,mean_d表示数据集中所有样本点间距离的平均值,算得各样本点的ρ和δ。
根据端部振动高对应的故障模式,对部分正常数据进行调整,得到了针对分类和离群检测算法的测试数据;具体地,将数据集的前51252个样本点作为分类的训练集,在数据集的后2000个样本点中,筛选出在训练集中至少包含5个同类样本点的893个样本点作为测试集,这893个点的前350个点不做任何调整,作为测试集中的正常数据,对后543个点根据故障模式的表现进行调整。对测试集中的样本点依次进行分类和离群检测,若离群值小于3,则将该点放入训练集中,再对下一个点做分类和离群检测。
其中,采用LOF离群算法,故障样本点p的离群值pred定义为:
pred(p)=LOFk(p)×2min_dist(p)
其中,min_dist(p)表示数据集与故障样本点p的最短距离。当离群值大于3时,则为异常点。基于聚类结果进行分类和离群检测,验证聚类结果的有效性并修正聚类结果,以得到故障模式对应的有效聚类模型。
设备实际运行时,基于有效聚类模型对实时特征值新数据进行分类,使用例如LOF离群监测算法等离群检测算法定量地判断其异常程度(离群程度),从而评估设备当前的健康状态。
可选的,在所述步骤S43中,基于所述有效聚类模块和离群检测算法获取所述实时特征值的离群度,以根据所述离群度获取所述发电机的健康状态,包括:获取所述实时特征值的离群度,并在所述离群度超出预设阈值时,判定所述发电机异常。具体的,其中定量的判断异常程度,当超过阈值时,发出警报。
如图3所示,在一实施例中,本发明的核电汽轮发电机健康状态评估方法,还包括:在所述步骤S3之后执行:S31、对所述特征值进行判定,以在所述特征值正常时执行所述步骤S4。其在对各检测项目的监测数据对应的特征值进行聚类分析之前,可以先对个检测项目的监测数据基于其对应的特征值进行初步判断,以直接对发电机的当前状态进行判断。例如,对绝缘过热监测数据中的电离电流监测进行判断,若预测电离电流值超过安全阈值,则判定发电机发生绝缘过热现象,其可以直接给出发电机的健康状态判定结果,当其电离电流值保持在安全阈值内,则可以根据该监测数据进行聚类分析,以得到健康状态的判定结果。同理,对轴系振动监测数据、端部振动监测数据、扭系振动监测数据、轴电压监测数据、轴电流监测数据、匝间短路监测数据或/和局部放电监测数据,其对应的波形或频谱中若包含故障特征数值或超出安全阈值范围,则直接给出发电机的健康状态判定结果如判断发电机发生故障并报警,若其波形或频谱中不包含故障特征数值,则进行该监测数据的聚类分析,以得到对应的健康状态的判定结果。
还可以理解,其对发电机的健康状态为对各检测项目分别判断,其任意检测项目的判定结果为发电机处于不健康的状态时,判定发电机为不健康,在所有的检测项目均为健康状态时,可以给出发电机的状态为健康状态的判定结果。
另,如图4所示,本发明的一种核电汽轮发电机健康状态评估系统,包括:
获取单元110,用于对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;
通信单元120,用于按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;
第一执行单元130,用于获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果;
第二执行单元140,用于根据所述聚类结果获取所述发电机的健康状态。
具体的,这里的核电汽轮发电机健康状态评估系统各单元之间具体的配合操作过程具体可以参照上述核电汽轮发电机健康状态评估方法,这里不再赘述。
可以理解的,以上实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制;应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,可以对上述技术特点进行自由组合,还可以做出若干变形和改进,这些都属于本发明的保护范围;因此,凡跟本发明权利要求范围所做的等同变换与修饰,均应属于本发明权利要求的涵盖范围。
Claims (6)
1.一种核电汽轮发电机健康状态评估方法,其特征在于,包括:
S1、通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;
S2、按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;
S3、通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值;
S31、对所述特征值进行判定,以在所述特征值正常时执行步骤S4;
S4、通过所述处理端获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果以根据所述聚类结果获取所述发电机的健康状态;
在所述步骤S1中,所述通过本地采集端对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据,包括:
获取所述发电机的绝缘过热监测数据、轴系振动监测数据、端部振动监测数据、扭系振动监测数据、轴电压监测数据、轴电流监测数据、匝间短路监测数据和局部放电监测数据;
在所述步骤S2中,所述按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;包括:
依照预设顺序排列所述若干监测数据以形成数据序列,并根据所述数据序列设置预留序列以生成属性序列,根据所述属性序列和所述数据序列生成所述通信数据,所述属性序列包括根据所述数据序列的采集信息生成的周期采样点数、采样频率、采样长度和采样时间信息;
在所述步骤S4中,所述通过所述处理端获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果以根据所述聚类结果获取所述发电机的健康状态,包括:
S41、获取预设时间段内的历史特征值以根据所述历史特征值进行聚类计算以得到初始聚类模型;
S42、获取故障模式对应的历史故障模式数据,基于所述初始聚类模型和分类与离群算法验证聚类结果的有效性并修正聚类结果,以得到故障模式对应的有效聚类模型;
S43、获取实时特征值,并基于所述有效聚类模型和离群检测算法获取所述实时特征值的离群度,以根据所述离群度获取所述发电机的健康状态。
2.根据权利要求1所述的核电汽轮发电机健康状态评估方法,其特征在于,在所述步骤S3中,所述通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值;包括:
提取所述绝缘过热监测数据中的绝缘过热电离电流峰值、绝缘过热电离电流平均值和气体成分为所述绝缘过热监测数据的特征值;
提取所述轴系振动监测数据中的、与至少一个轴系振动频率所对应的振动峰峰值和振动相位为所述轴系振动监测数据的特征值;
提取所述端部振动监测数据中的、与至少一个端部振动频率所对应的端部振动峰峰值、端部振动幅值和端部振动相位为所述端部振动监测数据的特征值;
提取所述扭系振动监测数据中的扭振频谱为所述扭系振动监测数据的特征值;
提取所述轴电压监测数据中的轴电压信号频谱为所述轴电压监测数据的特征值;
提取所述轴电流检测数据中的轴电流信号频谱为所述轴电流监测数据的特征值;
提取所述匝间短路监测数据中的磁通数值、磁通状态和槽差值为所述匝间短路监测数据的特征值;
提取所述局部放电监测数据中的放电脉冲幅度、放电脉冲数量、正放电数值和负放电数值为所述局部放电监测数据的特征值。
3.根据权利要求1所述的核电汽轮发电机健康状态评估方法,其特征在于,所述方法还包括:
在接收所述处理端的采集指令时,执行所述步骤S2。
4.根据权利要求1所述的核电汽轮发电机健康状态评估方法,其特征在于,在所述步骤S43中,所述离群检测算法为LOF离群监测算法。
5.根据权利要求1所述的核电汽轮发电机健康状态评估方法,其特征在于,在所述步骤S43中,基于所述有效聚类模块和离群检测算法获取所述实时特征值的离群度,以根据所述离群度获取所述发电机的健康状态,包括:
获取所述实时特征值的离群度,并在所述离群度超出预设阈值时,判定所述发电机异常。
6.一种核电汽轮发电机健康状态评估系统,其特征在于,包括:
获取单元,用于对发电机进行本地监测以同步获取若干不同检测项目对应的若干监测数据;
通信单元,用于按照预设格式封装所述若干监测数据以生成对应的通信数据并传输至处理端;
第一执行单元,用于通过所述处理端根据所述检测项目从所述监测数据获取与所述若干监测数据分别对应的特征值对所述特征值进行判定,以在所述特征值正常时,获取所述检测项目对应的故障模式,基于所述故障模式对所述检测项目的所述特征值进行聚类分析以得到所述特征值的聚类结果;
第二执行单元,用于根据所述聚类结果获取所述发电机的健康状态;
其中,
所述获取若干不同检测项目对应的若干监测数据,包括:获取所述发电机的绝缘过热监测数据、轴系振动监测数据、端部振动监测数据、扭系振动监测数据、轴电压监测数据、轴电流监测数据、匝间短路监测数据和局部放电监测数据;
所述按照预设格式封装所述若干监测数据以生成对应的通信数据;包括:依照预设顺序排列所述若干监测数据以形成数据序列,并根据所述数据序列设置预留序列以生成属性序列,根据所述属性序列和所述数据序列生成所述通信数据,其中,所述属性序列包括根据所述数据序列的采集信息生成的周期采样点数、采样频率、采样长度和采样时间信息;
所述第一执行单元获取聚类结果的过程包括:获取预设时间段内的历史特征值以根据所述历史特征值进行聚类计算以得到初始聚类模型;
获取故障模式对应的历史故障模式数据,基于所述初始聚类模型和分类与离群算法验证聚类结果的有效性并修正聚类结果,以得到故障模式对应的有效聚类模型;
获取实时特征值,并基于所述有效聚类模型和离群检测算法获取所述实时特征值的离群度为所述特征值的聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009311.4A CN112834224B (zh) | 2021-01-05 | 2021-01-05 | 一种核电汽轮发电机健康状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009311.4A CN112834224B (zh) | 2021-01-05 | 2021-01-05 | 一种核电汽轮发电机健康状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112834224A CN112834224A (zh) | 2021-05-25 |
CN112834224B true CN112834224B (zh) | 2023-05-23 |
Family
ID=75925926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110009311.4A Active CN112834224B (zh) | 2021-01-05 | 2021-01-05 | 一种核电汽轮发电机健康状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112834224B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030732B (zh) * | 2021-05-27 | 2021-09-24 | 北京德风新征程科技有限公司 | 电机监控预警方法、装置、电子设备和计算机可读介质 |
CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和系统 |
CN117370790A (zh) * | 2023-10-13 | 2024-01-09 | 江苏智谨创新能源科技有限公司 | 一种光伏发电组件故障自动报警方法及系统 |
CN117387697B (zh) * | 2023-12-11 | 2024-02-27 | 天津市北洋水运水利勘察设计研究院有限公司 | 一种用于重机轨道的数据采集监测方法及系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110020122A1 (en) * | 2009-07-24 | 2011-01-27 | Honeywell International Inc. | Integrated condition based maintenance system for wind turbines |
CN102086784A (zh) * | 2010-12-16 | 2011-06-08 | 浙江大学 | 大型汽轮发电机组分布式远程振动监测与故障诊断系统 |
CN102520352B (zh) * | 2011-12-02 | 2014-03-26 | 中国人民解放军海军工程大学 | 一种交流无刷发电机故障诊断仪 |
CN103810374B (zh) * | 2013-12-09 | 2017-04-05 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
CN103645052B (zh) * | 2013-12-11 | 2016-03-30 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
CN103926506B (zh) * | 2014-02-25 | 2016-04-20 | 华北电力大学(保定) | 基于构建函数的汽轮发电机转子绕组短路故障诊断方法 |
CN105510038B (zh) * | 2015-12-31 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN106022719A (zh) * | 2016-05-16 | 2016-10-12 | 华北电力科学研究院有限责任公司 | 大型发电机绝缘数据管理系统 |
CN108242027A (zh) * | 2016-12-23 | 2018-07-03 | 北京金风科创风电设备有限公司 | 用于风力发电机机组故障分析的数据处理方法和装置 |
CN107701378B (zh) * | 2017-09-29 | 2019-09-27 | 上海电力设计院有限公司 | 一种风力发电机故障预警方法 |
CN109655200B (zh) * | 2017-10-12 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种风力发电机组风轮不平衡的诊断方法及系统 |
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 |
CN108716989B (zh) * | 2018-05-17 | 2019-08-23 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
CN109214527B (zh) * | 2018-08-09 | 2020-10-30 | 南瑞集团有限公司 | 一种变压器故障早期诊断预警方法和系统 |
CN110410282B (zh) * | 2019-07-24 | 2020-06-16 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN110782190A (zh) * | 2019-12-04 | 2020-02-11 | 江苏方天电力技术有限公司 | 基于泛在电力物联网技术的调相机远程诊断系统 |
CN111273196A (zh) * | 2020-03-11 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种应用于核电大型电力变压器的健康管理系统及方法 |
CN111679187B (zh) * | 2020-05-26 | 2022-05-06 | 浙江浙能技术研究院有限公司 | 一种基于综合监测平台大型发电机状态评估方法 |
-
2021
- 2021-01-05 CN CN202110009311.4A patent/CN112834224B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112834224A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112834224B (zh) | 一种核电汽轮发电机健康状态评估方法及系统 | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
Miljković | Brief review of motor current signature analysis | |
CN107247230A (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
CN102033200B (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
CN108204834B (zh) | 风力发电机组的状态监测方法及装置 | |
CA2891326C (en) | Early detection of wind turbine degradation using acoustical monitoring | |
CN106443433B (zh) | 基于分合闸线圈电流的断路器状态监测系统及监测方法 | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN110530507A (zh) | 用于旋转设备监测的边缘计算方法、介质及系统 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
Chouidira et al. | Fuzzy logic based broken bar fault diagnosis and behavior study of induction machine | |
CN115327990A (zh) | 一种基于ai的电气设备状态监测预警模型及其方法 | |
Manjare et al. | A review: Condition based techniques and predictive maintenance for motor | |
CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN213149750U (zh) | 一种汽轮发电机组状态评价与故障预测系统 | |
CN102288911B (zh) | 火力发电机组监控诊断系统及方法 | |
CN112082720A (zh) | 一种固定转速旋转机械振动故障早期预警值确定方法 | |
Sułowicz et al. | Specialized diagnostic system for induction motors | |
CN108919041A (zh) | 一种基于聚类分析的变压器绕组状态在线监测方法 | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
Dubravko et al. | Brief review of motor current signature analysis |
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 |