CN113685235A - 一种汽轮发电机组的故障确定方法及系统 - Google Patents

Abstract

本发明提供了一种汽轮发电机组的故障确定方法及系统，方法包括：获取汽轮发电机组发生故障时的故障振动数据；故障振动数据包括多种振动因素数据；根据故障振动数据，确定汽轮发电机组的故障类型；获取汽轮发电机组中能够引起故障类型的多种状态参数；根据状态参数和故障振动数据，构建故障类型参数矩阵；根据故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。本发明通过建立故障类型参数矩阵，能够确定故障的原因和位置，以便工作人员能够及时确定故障修复方案。

Description

一种汽轮发电机组的故障确定方法及系统

技术领域

本发明涉及汽轮发电机组监测技术领域，特别是涉及一种汽轮发电机组的故障确定方法及系统。

背景技术

汽轮发电机组故障诊断和治理技术是一门应用工程学科，涉及振动力学、转子动力学、振动测量、振动故障诊断、设备设计、设备运行维修等诸多领域。目前，轴系故障诊断系统以分析振动信息为主要技术手段，能够判断汽轮发电机组故障是否发生故障并确定故障的类型，由工作人员检修确定故障原因，随着机组设备不断大型化、复杂化发展，工作人员检修准确性和效率并不能满足实际要求，且耗费了大量的人力物力，因此，亟需一种能够确定出振动故障原因和故障位置的技术。

发明内容

本发明的目的是提供一种汽轮发电机组的故障确定方法及系统，能够确定故障的原因和位置，以便工作人员能够及时确定故障修复方案。

为实现上述目的，本发明提供了如下方案：

一种汽轮发电机组的故障确定方法，包括：

获取汽轮发电机组发生故障时的故障振动数据；所述故障振动数据包括多种振动因素数据；

根据所述故障振动数据，确定汽轮发电机组的故障类型；

获取汽轮发电机组中能够引起所述故障类型的多种状态参数；

根据所述状态参数和所述故障振动数据，构建故障类型参数矩阵；

根据所述故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。

可选的，所述获取汽轮发电机组发生故障时的故障振动数据，具体包括：

获取汽轮发电机组的当前振动数据；

判断所述当前振动数据与振动基准值的差值是否小于差值阈值，得到第一判断结果；

若所述第一判断结果为否，则确定所述当前振动数据为故障振动数据。

可选的，所述根据所述故障振动数据，确定汽轮发电机组的故障类型，具体包括：

确定故障类型集中任一种故障类型为当前故障类型；所述故障类型集包括汽轮发电机组振动能够引起的多种故障类型；

获取所述当前故障类型的多条规则，以及每条所述规则分别对应的多个征兆可信度；

确定每条所述规则对应的多个征兆可信度的最小值与规则可信系数的乘积为每条规则对应的规则可信度；

确定多个所述规则可信度中的最大值为当前故障类型的故障可信度；

遍历所有故障类型，得到多个故障可信度；

确定多个规则故障可信度中的最大值对应的故障类型为汽轮发电机组的故障类型。

可选的，所述故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X'_i为第i种振动因素的参数矩阵；X'_i＝[x'_i(1),x'_i(2),...，x'_i(N)]^T，i＝1,2,...,n，x'_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

可选的，所述根据所述故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置，具体包括：

将所述故障类型参数矩阵进行无量纲化处理，得到无量纲化的故障类型参数矩阵；

确定所述无量纲化的故障类型参数矩阵中第一列元素中的每个元素分别与所在行每个元素的差值的绝对值，得到绝对差值矩阵；

利用公式

对所述绝对差值矩阵进行处理，得到关联系数矩阵；

计算所述关联系数矩阵中每一列元素的平均值，并确定多个所述平均值中的最大值对应的状态参数为故障状态参数；

根据所述故障状态参数，确定汽轮发电机组的故障原因和故障位置；

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。

一种汽轮发电机组的故障确定系统，包括：

故障振动数据获取模块，用于获取汽轮发电机组发生故障时的故障振动数据；所述故障振动数据包括多种振动因素数据；

故障类型确定模块，用于根据所述故障振动数据，确定汽轮发电机组的故障类型；

状态参数获取模块，用于获取汽轮发电机组中能够引起所述故障类型的多种状态参数；

故障类型参数矩阵构建模块，用于根据所述状态参数和所述故障振动数据，构建故障类型参数矩阵；

故障诊断模块，用于根据所述故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。

可选的，所述故障振动数据获取模，具体包括：

当前振动数据获取单元，用于获取汽轮发电机组的当前振动数据；

判断单元，用于判断所述当前振动数据与振动基准值的差值是否小于差值阈值，得到第一判断结果；若所述第一判断结果为否，则调用故障振动数据确定单元；

故障振动数据确定单元，用于确定所述当前振动数据为故障振动数据。

可选的，所述故障类型确定模块，具体包括：

当前故障类型确定单元，用于确定故障类型集中任一种故障类型为当前故障类型；所述故障类型集包括汽轮发电机组振动能够引起的多种故障类型；

规则获取单元，用于获取所述当前故障类型的多条规则，以及每条所述规则分别对应的多个征兆可信度；

规则可信度确定单元，用于确定每条所述规则对应的多个征兆可信度的最小值与规则可信系数的乘积为每条规则对应的规则可信度；

故障可信度确定单元，用于确定多个所述规则可信度中的最大值为当前故障类型的故障可信度；

故障类型遍历单元，用于遍历所有故障类型，得到多个故障可信度；

故障类型判断单元，用于确定多个规则故障可信度中的最大值对应的故障类型为汽轮发电机组的故障类型。

可选的，所述故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X'_i为第i种振动因素的参数矩阵；X'_i＝[x'_i(1),x'_i(2),...，x'_i(N)]^T，i＝1,2,...,n，x'_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

可选的，所述故障诊断模块，具体包括：

无量纲化单元，用于将所述故障类型参数矩阵进行无量纲化处理，得到无量纲化的故障类型参数矩阵；

绝对差值矩阵确定单元，用于确定所述无量纲化的故障类型参数矩阵中第一列元素中的每个元素分别与所在行每个元素的差值的绝对值，得到绝对差值矩阵；

关联系数矩阵确定单元，用于利用公式

对所述绝对差值矩阵进行处理，得到关联系数矩阵；

故障状态参数确定单元，用于计算所述关联系数矩阵中每一列元素的平均值，并确定多个所述平均值中的最大值对应的状态参数为故障状态参数；

故障诊断单元，用于根据所述故障状态参数，确定汽轮发电机组的故障原因和故障位置；

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种汽轮发电机组的故障确定方法及系统，方法包括：获取汽轮发电机组发生故障时的故障振动数据；故障振动数据包括多种振动因素数据；根据故障振动数据，确定汽轮发电机组的故障类型；获取汽轮发电机组中能够引起故障类型的多种状态参数；根据状态参数和故障振动数据，构建故障类型参数矩阵；根据故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。本发明通过建立故障类型参数矩阵，能够确定故障的原因和位置，以便工作人员能够及时确定故障修复方案。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中汽轮发电机组的故障确定方法流程图；

图2为本发明实施例中汽轮发电机组的故障判断流程图；

图3为本发明实施例中汽轮发电机组的故障确定系统结构示图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种汽轮发电机组的故障确定方法及系统，能够确定故障的原因和位置，以便工作人员能够及时确定故障修复方案。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例中汽轮发电机组的故障确定方法流程图，如图1所示，本发明提供了一种汽轮发电机组的故障确定方法，包括：

步骤101：获取汽轮发电机组发生故障时的故障振动数据；故障振动数据包括多种振动因素数据；

步骤102：根据故障振动数据，确定汽轮发电机组的故障类型；

步骤103：获取汽轮发电机组中能够引起故障类型的多种状态参数；

步骤104：根据状态参数和故障振动数据，构建故障类型参数矩阵；

步骤105：根据故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。

步骤101，具体包括：

获取汽轮发电机组的当前振动数据；

判断当前振动数据与振动基准值的差值是否小于差值阈值，得到第一判断结果；

若第一判断结果为否，则确定当前振动数据为故障振动数据。

步骤102，具体包括：

确定故障类型集中任一种故障类型为当前故障类型；故障类型集包括汽轮发电机组振动能够引起的多种故障类型；

获取当前故障类型的多条规则，以及每条规则分别对应的多个征兆可信度；

确定每条规则对应的多个征兆可信度的最小值与规则可信系数的乘积为每条规则对应的规则可信度；

确定多个规则可信度中的最大值为当前故障类型的故障可信度；

遍历所有故障类型，得到多个故障可信度；

确定多个规则故障可信度中的最大值对应的故障类型为汽轮发电机组的故障类型。

具体的，故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X'_i为第i种振动因素的参数矩阵；X'_i＝[x'_i(1),x'_i(2),...，x'_i(N)]^T，i＝1,2,...,n，x'_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

步骤105，具体包括：

将故障类型参数矩阵进行无量纲化处理，得到无量纲化的故障类型参数矩阵；

确定无量纲化的故障类型参数矩阵中第一列元素中的每个元素分别与所在行每个元素的差值的绝对值，得到绝对差值矩阵；

利用公式

对绝对差值矩阵进行处理，得到关联系数矩阵；

计算关联系数矩阵中每一列元素的平均值，并确定多个平均值中的最大值对应的状态参数为故障状态参数；

根据故障状态参数，确定汽轮发电机组的故障原因和故障位置；

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。

振动征兆仅仅反映故障的一部分信息，因此汽轮发电机组振动故障性质通常不能通过一种征兆就确定下来，必须引入其他征兆进行判别，如蒸汽温度、蒸汽压力、励磁电流及检修数据等。由于机组故障与征兆之间，征兆与征兆之间关系复杂，同一种征兆尽管对应着多个故障，但对不同故障的敏感程度不一定相同；一种故障与多个征兆相对应，但不同征兆对识别故障所起的作用不同；在规则中如何体现征兆重要程度的差别，以及在规则前提组合征兆之间如何确定多个征兆之间的逻辑关系是组织规则时应主要考虑的问题。在构建诊断规则的时候，规则前提中一般包含多个不同类型的故障征兆，反映故障不同方面的信息，规则体现多种征兆的综合作用，从而利用多条规则准确地进行故障识别和验证。

本发明基于常规振动诊断机理，融合汽轮发电机组设计、运行及检修数据，从解决工程实际出发，着重提出了适用于工程实践的汽轮发电机组多维度大数据诊断方法。

图2为本发明实施例中汽轮发电机组的故障判断流程图，如图2所示本发明从技术上具体解决如下几个问题：

1、数据采集：汽轮发电机组运行参数(状态参数)取自电厂SIS(SafetyInstrumented System，安全仪表系统)和TDM(Turbine Dignosis Managment，旋转机械诊断检测管理)系统，运行参数包括位移、速度、加速度振动、蒸汽温度、蒸汽压力、轴承位置，振动数据包括振动幅值、相位、频率以及转子在轴承位置参数等，此外本发明还用到检修参数。ETL(数据仓库技术，Extract-Transform-Load)工具将数据源中的数据(如关系数据、平面数据等)抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集中，成为联机分析处理、数据挖掘的基础。

设备数据库完成海量数据有效分析，将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，在导入基础上做一些数据清洗和预处理工作。

2、数据处理：选取正常工作的单台设备为对象，选定相同工况同一测点多次重复测量。为了获得一定的统计精度，一般取测量次数N＝20～25，对测量结果求取数值特征值并对振动及各类关系参数进行大数据统计计算，得出机组各工况下振动及关系数据基准值。计算相同工况同一测点多次重复测量的数据的算术平均值和标准差，公式如下：

式中，

为算术平均值，x₁、x₂、

分别为相同工况同一测点的第1次、第2次、第n次实测值，n₁＝1,2,3,…,N₁，N₁为测量次数；σ_n为标准差。

确定振动数据的注意点值M_a＝M_n+2σ_n和危险点值M_d＝M_n+3σ_n其中算数平均值就是基准值。

3、诊断方法：为确定振动故障性质和原因，诊断系统利用规则诊断方式计算出振动征兆可信度，并依据可信度高低推导出故障性质，可信度最高的故障即认为是机组存在的故障性质；应用灰色关联分析方法，对运行数据、检修数据和振动数据进行灰色关联度计算。确定与故障关联度最高的因素为引起振动故障的具体原因，从而推送出针对性的故障处理措施。

3.1振动征兆可信度计算

系统对机组振动在线状态进行实时监测，从系统中可以获取转速、振动波形、频谱、倍频幅值和相位等振动的各征兆特征数据，计算各征兆可信度。

征兆的可信度计算主要分为瞬时值型和变化率型两种方法:

3.1.1瞬时值型条件可信度计算

瞬时值型条件是由某一时刻的数据确定的，如征兆为“转速大于一阶临界转速的两倍以上”、“振动频谱中一倍频幅值较大”、“机组带负荷运行”时，可信度是[0,1]中的任意值。

例如，以征兆“振动频谱中某频率成分幅值较大”的征兆可信度为例，可以采用该频率成分幅值与其它频率成分振幅比较的方法，如下式所示：

CF(1X)为征兆“振动频谱中某频率成分幅值较大”的征兆可信度；A(X)、A(TX)、A(LX)和A(HX)分别该频率、通频、低频和高频的振幅，a1、a2、a3为小于1的比例系数，与故障性质有关，a1、a2、a3主要是根据经验确定，数值大小反映不同频率成分对其影响程度大小。同样的条件描述，在不同的故障中，计算方法是不相同的。

3.1.2变化率型条件可信度计算

变化率型条件是由不同时刻的数据确定的，变化率型在计算转速不变时振幅波动较大的可信度时，可以在转速变化小于10rpm的情况下，取两组数据的变化量与设置的阈值进行比较，如下式所示：

其中，CF(X)为征兆X的可信度；A₁、A₀、A_b分别表示振幅的实时值、初始值和阈值。

瞬时值型计算中不同频段的可信度系数、变化率型计算中幅值变化的阈值与机组的类型、故障机理、机组负荷及工艺参数有密切关系，其准确确定是故障模式识别的关键和难点，本发明计算征兆可信度时使用瞬时值型和变化率型中的较大值。

具体的，本发明在诊断故障时，需要近一步引入影响因子IF(Impact Factor)衡量该故障对机组振动的影响程度。例如，对于旋转部件脱落振动故障，如机组在3000转/分时，振动幅值为60μm，2秒后机组振动幅值120μm，旋转部件脱落故障的主要影响因素是时间、转速和负荷，以3000转/分为基准，可以计算出，2秒后3000转/分的影响因子IF＝120/60＝2。

故障严重程度用SF表示，是故障可信度和故障影响因子乘积，即SF＝CF×IF。

SF判定标准如下：

0≤SF<0.3时为正常，机组正常运行；

0.3≤SF<0.5时为轻微，不影响机组正常运行；

0.5≤SF<0.8时为警告，机组可以短期运行；

SF≥0.8时为危险，应尽快停机处理。

当SF值达到警告值，系统输出诊断结果。诊断结果如表1所示：

表1诊断结果

序号	故障名称	可信度
			1	旋转部件脱落	1
2	质量不平衡	0.6
			3	转子热弯曲	0.46

为了进一步确认故障具体因素，系统对输入的运行参数、振动数据进行分析处理，瞬时值型条件可信度计算，可以确认该异动振动分量以工频成分为主；根据变化率型条件可信度计算，可以得出工频振动矢量变化幅度，大于阈值时进入下一步诊断，同时可以计算出振动突变时间差(1～3秒)；根据变化率型条件可信度计算，与设置的振动稳定阈值进行比较，可以判断振动突变后振动是否保持稳定。根据振动特征和时间特征，利用正反向推理规则，可诊断得出旋转部件脱落诊断结论的可信度最高，即输出故障名称旋转部件脱落、可信度1。结合测点工频振动矢量变化幅度和该测点位置转子不平衡响应特性，可进一步推导旋转部件脱落位置。

3.2关系数据关联度计算

计算各运行参数(如真空过高或者过低、机组偏离额定周波运行、负荷增减过快等)、轴承位置参数与异动振动时间关联度，关联度大的诊断为引起该故障的具体因素。应用灰色关联分析方法，对系统输入的运行数据、轴承位置数据和振动数据进行灰色关联度计算。

3.2.1确定分析序列

为实现振动故障原因的定性分析，首先要确定一个因变量因素(振动因素，如某测点振动矢量改变量、频率分量幅值等)和多个自变量因素(状态参数如蒸汽温度、蒸汽压力、励磁电流、无功功率等参数)。设因变量数据构成参考序列(X'₀)，各自变量数据构成比较序列(X'_i(i＝1,2,...，n))，进而得到故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X'_i为第i种振动因素的参数矩阵；X'_i＝[x'_i(1),x'_i(2),...，x'_i(N)]^T，i＝1,2,...,n，x'_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

3.2.2对故障类型参数矩阵进行无量纲化

原始故障类型参数矩阵具有不同的量纲或数量级，为了保证分析结果的可靠性，需要对故障类型参数矩阵进行无量纲化，这里采用均值化法，即对各列数据求平均值，再用各列各值除以所在列数据平均值，得到无量纲化的故障类型参数矩阵：

其中，X₀为无量纲化的振动因素矩阵，x₀(1)、x₀(2)和x₀(N)分别为无量纲化的第1种、第2种和第N种振动因素，X'_i为无量纲化的第i种振动因素的参数矩阵；X_i＝[x_i(1),x_i(2),...，x_i(N)]^T，i＝1,2,...,n，x_i(k)为无量纲化的影响第i种振动因素的第k种状态参数，k＝1,2,...,N。

例如，

代表第1排第1列振动数据无量纲值。

3.2.3求差序列、最大差和最小差

计算无量纲化的故障类型参数矩阵中第一列(参考序列：振动数据无量纲值)与其余各列(比较序列：运行数据无量纲值)对应期的绝对差值，形成如下绝对差值矩阵：

其中△_0i(k)＝|x₀(k)-x_i(k)|i＝0,1,...,n；k＝1,2,...,N，即第k排第1列振动数据无量纲值与第k排第i列运行数据无量纲值的绝对差值。

绝对差值矩阵中的最大数和最小数即为最大差和最小差：

3.2.4计算关联系数

对绝对差值矩阵中数据作如下变换：

得到关联系数矩阵：

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。分辨系数ρ在(0,1)内取值，根据经验，一般取ρ≤0.5为宜，关联系数ξ_0i(k)是不超过1的正数，它反映第i个比较序列X_i与参考序列X₀在第k个期关联程度。

3.2.5计算关联度

比较序列X_i(运行数据)与参考序列X₀(振动数据)的关联程度是通过N个关联系数来反映的，求平均就可得到X_i(运行数据)与X₀(振动数据)的关联度：

3.2.6依关联度排序：对各比较序列与参考序列的关联度降序排列，关联度越大，说明比较序列与参考序列变化的态势越一致。

图3为本发明实施例中汽轮发电机组的故障确定系统结构示图，如图3所示，本发明提供了一种汽轮发电机组的故障确定系统，包括：

故障振动数据获取模块301，用于获取汽轮发电机组发生故障时的故障振动数据；故障振动数据包括多种振动因素数据；

故障类型确定模块302，用于根据故障振动数据，确定汽轮发电机组的故障类型；

状态参数获取模块303，用于获取汽轮发电机组中能够引起故障类型的多种状态参数；

故障类型参数矩阵构建模块304，用于根据状态参数和故障振动数据，构建故障类型参数矩阵；

故障诊断模块305，用于根据故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。

故障振动数据获取模301，具体包括：

当前振动数据获取单元，用于获取汽轮发电机组的当前振动数据；

判断单元，用于判断当前振动数据与振动基准值的差值是否小于差值阈值，得到第一判断结果；若第一判断结果为否，则调用故障振动数据确定单元；

故障振动数据确定单元，用于确定当前振动数据为故障振动数据。

故障类型确定模块302，具体包括：

当前故障类型确定单元，用于确定故障类型集中任一种故障类型为当前故障类型；故障类型集包括汽轮发电机组振动能够引起的多种故障类型；

规则获取单元，用于获取当前故障类型的多条规则，以及每条规则分别对应的多个征兆可信度；

规则可信度确定单元，用于确定每条规则对应的多个征兆可信度的最小值与规则可信系数的乘积为每条规则对应的规则可信度；

故障可信度确定单元，用于确定多个规则可信度中的最大值为当前故障类型的故障可信度；

故障类型遍历单元，用于遍历所有故障类型，得到多个故障可信度；

故障类型判断单元，用于确定多个规则故障可信度中的最大值对应的故障类型为汽轮发电机组的故障类型。

故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X'_i为第i种振动因素的参数矩阵；X'_i＝[x'_i(1),x'_i(2),...，x'_i(N)]^T，i＝1,2,...,n，x'_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

故障诊断模块305，具体包括：

无量纲化单元，用于将故障类型参数矩阵进行无量纲化处理，得到无量纲化的故障类型参数矩阵；

绝对差值矩阵确定单元，用于确定无量纲化的故障类型参数矩阵中第一列元素中的每个元素分别与所在行每个元素的差值的绝对值，得到绝对差值矩阵；

关联系数矩阵确定单元，用于利用公式

对绝对差值矩阵进行处理，得到关联系数矩阵；

故障状态参数确定单元，用于计算关联系数矩阵中每一列元素的平均值，并确定多个平均值中的最大值对应的状态参数为故障状态参数；

故障诊断单元，用于根据故障状态参数，确定汽轮发电机组的故障原因和故障位置；

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种汽轮发电机组的故障确定方法，其特征在于，所述方法，包括：

获取汽轮发电机组发生故障时的故障振动数据；所述故障振动数据包括多种振动因素数据；

根据所述故障振动数据，确定汽轮发电机组的故障类型；

获取汽轮发电机组中能够引起所述故障类型的多种状态参数；

根据所述状态参数和所述故障振动数据，构建故障类型参数矩阵；

根据所述故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。

2.根据权利要求1所述的汽轮发电机组的故障确定方法，其特征在于，所述获取汽轮发电机组发生故障时的故障振动数据，具体包括：

获取汽轮发电机组的当前振动数据；

判断所述当前振动数据与振动基准值的差值是否小于差值阈值，得到第一判断结果；

若所述第一判断结果为否，则确定所述当前振动数据为故障振动数据。

3.根据权利要求1所述的汽轮发电机组的故障确定方法，其特征在于，所述根据所述故障振动数据，确定汽轮发电机组的故障类型，具体包括：

确定故障类型集中任一种故障类型为当前故障类型；所述故障类型集包括汽轮发电机组振动能够引起的多种故障类型；

获取所述当前故障类型的多条规则，以及每条所述规则分别对应的多个征兆可信度；

确定每条所述规则对应的多个征兆可信度的最小值与规则可信系数的乘积为每条规则对应的规则可信度；

确定多个所述规则可信度中的最大值为当前故障类型的故障可信度；

遍历所有故障类型，得到多个故障可信度；

确定多个规则故障可信度中的最大值对应的故障类型为汽轮发电机组的故障类型。

4.根据权利要求1所述的汽轮发电机组的故障确定方法，其特征在于，所述故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X′_i为第i种振动因素的参数矩阵；X′_i＝[x′_i(1),x′_i(2),...，x′_i(N)]^T，i＝1,2,...,n，x′_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

5.根据权利要求4所述的汽轮发电机组的故障确定方法，其特征在于，所述根据所述故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置，具体包括：

将所述故障类型参数矩阵进行无量纲化处理，得到无量纲化的故障类型参数矩阵；

确定所述无量纲化的故障类型参数矩阵中第一列元素中的每个元素分别与所在行每个元素的差值的绝对值，得到绝对差值矩阵；

利用公式

对所述绝对差值矩阵进行处理，得到关联系数矩阵；

计算所述关联系数矩阵中每一列元素的平均值，并确定多个所述平均值中的最大值对应的状态参数为故障状态参数；

根据所述故障状态参数，确定汽轮发电机组的故障原因和故障位置；

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。

6.一种汽轮发电机组的故障确定系统，其特征在于，所述系统，包括：

故障振动数据获取模块，用于获取汽轮发电机组发生故障时的故障振动数据；所述故障振动数据包括多种振动因素数据；

故障类型确定模块，用于根据所述故障振动数据，确定汽轮发电机组的故障类型；

状态参数获取模块，用于获取汽轮发电机组中能够引起所述故障类型的多种状态参数；

故障类型参数矩阵构建模块，用于根据所述状态参数和所述故障振动数据，构建故障类型参数矩阵；

故障诊断模块，用于根据所述故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。

7.根据权利要求5所述的汽轮发电机组的故障确定系统，其特征在于，所述故障振动数据获取模，具体包括：

当前振动数据获取单元，用于获取汽轮发电机组的当前振动数据；

判断单元，用于判断所述当前振动数据与振动基准值的差值是否小于差值阈值，得到第一判断结果；若所述第一判断结果为否，则调用故障振动数据确定单元；

故障振动数据确定单元，用于确定所述当前振动数据为故障振动数据。

8.根据权利要求5所述的汽轮发电机组的故障确定系统，其特征在于，所述故障类型确定模块，具体包括：

当前故障类型确定单元，用于确定故障类型集中任一种故障类型为当前故障类型；所述故障类型集包括汽轮发电机组振动能够引起的多种故障类型；

规则获取单元，用于获取所述当前故障类型的多条规则，以及每条所述规则分别对应的多个征兆可信度；

规则可信度确定单元，用于确定每条所述规则对应的多个征兆可信度的最小值与规则可信系数的乘积为每条规则对应的规则可信度；

故障可信度确定单元，用于确定多个所述规则可信度中的最大值为当前故障类型的故障可信度；

故障类型遍历单元，用于遍历所有故障类型，得到多个故障可信度；

故障类型判断单元，用于确定多个规则故障可信度中的最大值对应的故障类型为汽轮发电机组的故障类型。

9.根据权利要求5所述的汽轮发电机组的故障确定系统，其特征在于，所述故障类型参数矩阵为：

其中，X'₀为振动因素矩阵，x'₀(1)、x'₀(2)和x'₀(N)分别为第1种、第2种和第N种振动因素，X′_i为第i种振动因素的参数矩阵；X′_i＝[x′_i(1),x′_i(2),...，x′_i(N)]^T，i＝1,2,...,n，x′_i(k)为影响第i种振动因素的第k种状态参数，k＝1,2,...,N；N为影响第i种振动因素的状态参数的种类量，n为故障振动数据中振动因素的种类数。

10.根据权利要求9所述的汽轮发电机组的故障确定系统，其特征在于，所述故障诊断模块，具体包括：

无量纲化单元，用于将所述故障类型参数矩阵进行无量纲化处理，得到无量纲化的故障类型参数矩阵；

绝对差值矩阵确定单元，用于确定所述无量纲化的故障类型参数矩阵中第一列元素中的每个元素分别与所在行每个元素的差值的绝对值，得到绝对差值矩阵；

关联系数矩阵确定单元，用于利用公式

对所述绝对差值矩阵进行处理，得到关联系数矩阵；

故障状态参数确定单元，用于计算所述关联系数矩阵中每一列元素的平均值，并确定多个所述平均值中的最大值对应的状态参数为故障状态参数；

故障诊断单元，用于根据所述故障状态参数，确定汽轮发电机组的故障原因和故障位置；

其中，ξ_0i(k)为第i种振动因素的第k种状态参数的关联系数，Δ(min)为绝对差值矩阵中所有元素的最小值，ρ为分辨系数，Δ(max)为绝对差值矩阵中所有元素的最大值，Δ_0i(k)为绝对差值矩阵中第i列第k行的元素。

Images