CN113762536A - 一种发电机组设备的故障预警系统 - Google Patents

一种发电机组设备的故障预警系统 Download PDF

Info

Publication number
CN113762536A
CN113762536A CN202110443591.XA CN202110443591A CN113762536A CN 113762536 A CN113762536 A CN 113762536A CN 202110443591 A CN202110443591 A CN 202110443591A CN 113762536 A CN113762536 A CN 113762536A
Authority
CN
China
Prior art keywords
fault
model
subsystem
data
generator set
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.)
Pending
Application number
CN202110443591.XA
Other languages
English (en)
Inventor
李泽华
程明
刘玉鑫
王宏光
马骏
翟金星
杨天明
杨富强
丁红
刘冬
韩雪冰
于龙
刘文利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongliao Huolinhe Kengkou Power Generation Co ltd
Original Assignee
Tongliao Huolinhe Kengkou Power Generation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongliao Huolinhe Kengkou Power Generation Co ltd filed Critical Tongliao Huolinhe Kengkou Power Generation Co ltd
Priority to CN202110443591.XA priority Critical patent/CN113762536A/zh
Publication of CN113762536A publication Critical patent/CN113762536A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种发电机组设备的故障预警系统，包括：采集子系统，获取发电机组设备的各项运行数据；模型管理子系统，基于采集子系统获取的数据生成训练样品集，并基于训练样品集训练故障判断模型；故障预警子系统，获取发电机组设备的至少一项与故障相关的当前运行数据后，利用故障判断模型判断发电机组设备的故障与否，并根据故障判断结果启动警报；反馈子系统，故障预警子系统判断结果与发电机组设备的实际状态不一致时，存储对应的当前运行数据；其中，模型管理子系统每隔预设时间，获取反馈子系统存储的当前运行数据并合并至训练样品集中。本发明解决了目前设备故障发生以后，难以收集故障数据和记录，从而无法持续优化模型的问题。

Description

一种发电机组设备的故障预警系统
技术领域
本发明涉及火力发电技术领域，尤其涉及一种发电机组设备的故障预警系统。
背景技术
发电机组设备故障在线预警对安全运行具有重要意义。越来越多发电企业已经配备设备故障在线预警系统，并在指导机组运维过程中达到了一定效果，在一定程度上避免了恶性事故发生。但设备故障在线预警系统还存在一些不足之处，比如故障预警模型准确度不高，特别是运行时间增加以后，准确度下降明显。模型准确度不高的原因是由于预警模型在训练过程中缺少设备故障案例数据，同时在设备故障发生以后，难以对故障数据记录和收集较为困难和不便，导致难以对模型进行持续优化。因此，有必要解决发电机组设备故障案例收集问题，进而提高模型精确度并持续优化模型。
发明内容
鉴于现有技术存在的不足，本发明提供了如下的技术方案。
本发明提供了一种发电机组设备的故障预警系统，包括：
采集子系统，获取发电机组设备的各项运行数据；
模型管理子系统，基于所述采集子系统获取的数据生成训练样品集，并基于所述训练样品集训练故障判断模型；
故障预警子系统，获取发电机组设备的至少一项与故障相关的当前运行数据后，利用所述故障判断模型判断发电机组设备的故障与否，并根据故障判断结果启动警报；
反馈子系统，所述故障预警子系统判断结果与发电机组设备的实际状态不一致时，存储对应的当前运行数据；
其中，所述模型管理子系统每隔预设时间，获取所述反馈子系统存储的所述当前运行数据并合并至所述训练样品集中。
优选地，所述采集子系统包括：
数据接口，至少与接口机、DCS、SIS连接，以获得发电机组设备的各项运行数据；
数据库，用于存储所述数据接口获得的数据。
优选地，所述模型管理子系统包括：
数据预处理模块，根据历史故障记录从所述数据库中选取与故障相关的历史运行数据，并对所述历史运行数据进行预处理后，形成所述训练样品集；
模型训练模块，基于所述训练样品集训练所述故障判断模型。
优选地，所述模型管理子系统还包括包括：
模型评估模块，用于评估所述故障判断模型的准确率和召回率，当所述故障判断模型的准确率和召回率达到预设值时，将所述故障判断模型下装至所述故障预警子系统；当所述故障判断模型的准确率和召回率未达到预设值时，使所述模型训练模块持续训练所述故障判断模型。
优选地，所述故障预警子系统包括：
故障判断模块，获取发电机组设备的至少一项与故障相关的当前运行数据后，利用所述故障判断模型判断发电机组设备的故障与否；
警报模块，根据所述故障判断模块做出的故障判断结果启动警报。
优选地，所述反馈子系统包括：
数据读取模块，获取所述故障判断模块的判断结果，以及所述当前运行数据；
反馈信息录入模块，用于接收发电机组设备的实际状态信息；
其中，所述故障判断模块的判断结果与发电机组设备的实际状态不一致时，所述信息录入模块还将预处理对应的所述当前运行数据后进行存储；所述数据预处理模块每隔预设时间，获取所述信息录入模块存储的所述当前运行数据并合并至所述训练样品集中。
优选地，所述故障判断模型为深度学习神经网络模型，包括输入层、输出层以及至少一个隐藏层。
本发明通过用户反馈信息可方便有效的不断收集发电机组设备故障案例数据，丰富训练语料，提高动态优化预警模型精确度。而且统一的设备故障预警泛化模型，无需区分设备类型，提升模型管理效率。此外，通过自然语言处理技术，提升用户信息录入的容错性，方便录入。
附图说明
图1是根据本发明的实施例的发电机组设备的故障预警系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施方式进行详细说明。这些优选实施方式的示例在附图中进行了例示。附图中所示和根据附图描述的本发明的实施方式仅仅是示例性的，并且本发明并不限于这些实施方式。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。此外，需要说明的是，下面所述的模块可以是单独的处理器或者处理器和存储器的结合组件，而且获取信息(包括数据、模型、应用程序等)的单元和提供信息的单元之间可以是无线通信连接的状态，也可以是导线连接的状态。
针对背景技术中所述的现有技术问题，采用了如下具体实施方式。
本实施例提供了一种发电机组设备的故障预警系统，如图1所示，该故障预警系统包括：采集子系统1、模型管理子系统2、故障预警子系统3和反馈子系统4。
其中，所述采集子系统1用于获取发电机组设备的各项运行数据。具体是，所述采集子系统1包括数据接口11和数据库12。所述数据接口11至少与接口机、DCS、SIS连接，以获得发电机组设备的各项运行数据，其中，所述运行数据是指发电机组设备的各组成部分的各项具体运行数据，例如：加热器的温度数据、加热器的运行数据、加热器的用电数据、加热器的功率、锅炉的温度、锅炉的容水量、锅炉的水流量等。所述数据库12用于存储所述数据接口11获得的数据。
所述模型管理子系统2，基于所述采集子系统1获取的数据生成训练样品集，并基于所述训练样品集训练故障判断模型。具体是，所述模型管理子系统2包括数据预处理模块21和模型训练模块22。其中，所述数据预处理模块21根据历史故障记录从所述数据库12中选取与故障相关的历史运行数据，并对所述历史运行数据进行预处理后，形成包含多个预处理的所述历史运行数据的所述训练样品集。在这里，所谓对所述历史运行数据进行预处理是指，录入与该历史运行数据对应的故障记录并对所述历史运行数据进行对应的标记。所述模型训练模块22基于所述训练样品集训练所述故障判断模型。
优选地，本实施例的所述模型管理子系统2还包括模型评估模块23。所述模型评估模块23用于评估所述故障判断模型的准确率和召回率。当所述故障判断模型的准确率和召回率达到预设值时，将所述故障判断模型下装至所述故障预警子系统3；当所述故障判断模型的准确率和召回率未达到预设值时，使所述模型训练模块22持续训练所述故障判断模型。
所述故障预警子系统3用于获取发电机组设备的至少一项与故障相关的当前运行数据后，利用所述故障判断模型判断发电机组设备的故障与否，并根据故障判断结果启动警报。具体是，所述故障预警子系统3包括故障判断模块31和警报模块32。其中，所述故障判断模块31获取发电机组设备的至少一项与故障相关的当前运行数据。所述当前运行数据类型与上述的与故障相关的历史运行数据的类型相同(也就是指相同类型的参数)。所述故障判断模块31获取所述当前运行数据后利用所述故障判断模型判断发电机组设备的故障与否。所述警报模块32根据所述故障判断模块31做出的故障判断结果启动警报，以此提醒相关工作人员进行故障调查。
所述反馈子系统4用于接收相关工作人员的故障调查反馈。具体是，所述反馈子系统4包括数据读取模块41和反馈信息录入模块42。所述数据读取模块41用于获取所述故障判断模块31的判断结果，以及做出该判断结果时采用的所述当前运行数据。反馈信息录入模块42用于接收相关工作人员调查的发电机组设备的实际状态信息。其中，当所述故障判断模块31的判断结果与相关工作人员调查的发电机组设备的实际状态不一致时，所述反馈信息录入模块42还将预处理对应的所述当前运行数据后进行存储。在这里预处理对应的所述当前运行数据的方式为，录入与该当前运行数据对应的故障记录或者报错记录并对所述当前运行数据进行对应的标记。在此基础上，为了进一步优化所述故障判断模型，本实施例的所述数据预处理模块21还可以每隔预设时间，获取所述反馈信息录入模块42存储的所述当前运行数据并合并至所述训练样品集中，以更新所述训练样品集，改善所述故障判断模型的训练。
本实施例中，所述故障判断模型为常规的深度学习神经网络模型，包括输入层、输出层以及至少一个隐藏层。其中，所述输入层的输入参数为上述的与故障相关的当前运行数据。
本实施例提供的发电机组设备的故障预警系统通过用户反馈信息可方便有效的不断收集发电机组设备故障案例数据，丰富训练语料，提高动态优化预警模型精确度。而且统一的设备故障预警泛化模型，无需区分设备类型，提升模型管理效率。此外，通过自然语言处理技术，提升用户信息录入的容错性，方便录入。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种发电机组设备的故障预警系统，其特征在于，包括：
采集子系统，获取发电机组设备的各项运行数据；
模型管理子系统，基于所述采集子系统获取的数据生成训练样品集，并基于所述训练样品集训练故障判断模型；
故障预警子系统，获取发电机组设备的至少一项与故障相关的当前运行数据后，利用所述故障判断模型判断发电机组设备的故障与否，并根据故障判断结果启动警报；
反馈子系统，所述故障预警子系统判断结果与发电机组设备的实际状态不一致时，存储对应的当前运行数据；
其中，所述模型管理子系统每隔预设时间，获取所述反馈子系统存储的所述当前运行数据并合并至所述训练样品集中。
2.根据权利要求1所述的故障预警系统，其特征在于，所述采集子系统包括：
数据接口，至少与接口机、DCS、SIS连接，以获得发电机组设备的各项运行数据；
数据库，用于存储所述数据接口获得的数据。
3.根据权利要求2所述的故障预警系统，其特征在于，所述模型管理子系统包括：
数据预处理模块，根据历史故障记录从所述数据库中选取与故障相关的历史运行数据，并对所述历史运行数据进行预处理后，形成所述训练样品集；
模型训练模块，基于所述训练样品集训练所述故障判断模型。
4.根据权利要求3所述的故障预警系统，其特征在于，所述模型管理子系统还包括包括：
模型评估模块，用于评估所述故障判断模型的准确率和召回率，当所述故障判断模型的准确率和召回率达到预设值时，将所述故障判断模型下装至所述故障预警子系统；当所述故障判断模型的准确率和召回率未达到预设值时，使所述模型训练模块持续训练所述故障判断模型。
5.根据权利要求3所述的故障预警系统，其特征在于，所述故障预警子系统包括：
故障判断模块，获取发电机组设备的至少一项与故障相关的当前运行数据后，利用所述故障判断模型判断发电机组设备的故障与否；
警报模块，根据所述故障判断模块做出的故障判断结果启动警报。
6.根据权利要求5所述的故障预警系统，其特征在于，所述反馈子系统包括：
数据读取模块，获取所述故障判断模块的判断结果，以及所述当前运行数据；
反馈信息录入模块，用于接收发电机组设备的实际状态信息；
其中，所述故障判断模块的判断结果与发电机组设备的实际状态不一致时，所述信息录入模块还将预处理对应的所述当前运行数据后进行存储；所述数据预处理模块每隔预设时间，获取所述信息录入模块存储的所述当前运行数据并合并至所述训练样品集中。
7.根据权利要求1至6任一所述的故障预警系统，其特征在于，所述故障判断模型为深度学习神经网络模型，包括输入层、输出层以及至少一个隐藏层。
CN202110443591.XA 2021-04-23 2021-04-23 一种发电机组设备的故障预警系统 Pending CN113762536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110443591.XA CN113762536A (zh) 2021-04-23 2021-04-23 一种发电机组设备的故障预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110443591.XA CN113762536A (zh) 2021-04-23 2021-04-23 一种发电机组设备的故障预警系统

Publications (1)

Publication Number Publication Date
CN113762536A true CN113762536A (zh) 2021-12-07

Family

ID=78786930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110443591.XA Pending CN113762536A (zh) 2021-04-23 2021-04-23 一种发电机组设备的故障预警系统

Country Status (1)

Country Link
CN (1) CN113762536A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881648A (zh) * 2023-06-06 2023-10-13 华能上海燃机发电有限责任公司 一种基于数据融合的燃气蒸汽联合循环机组故障预警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038453A (zh) * 2017-03-06 2017-08-11 辽宁大唐国际新能源有限公司 一种风电机组的故障预警系统及判断方法
CN109543210A (zh) * 2018-09-28 2019-03-29 国电电力宁夏新能源开发有限公司 一种基于机器学习算法平台的风电机组故障预测系统
CN109947088A (zh) * 2019-04-17 2019-06-28 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038453A (zh) * 2017-03-06 2017-08-11 辽宁大唐国际新能源有限公司 一种风电机组的故障预警系统及判断方法
CN109543210A (zh) * 2018-09-28 2019-03-29 国电电力宁夏新能源开发有限公司 一种基于机器学习算法平台的风电机组故障预测系统
CN109947088A (zh) * 2019-04-17 2019-06-28 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881648A (zh) * 2023-06-06 2023-10-13 华能上海燃机发电有限责任公司 一种基于数据融合的燃气蒸汽联合循环机组故障预警系统

Similar Documents

Publication Publication Date Title
Aboulian et al. NILM dashboard: A power system monitor for electromechanical equipment diagnostics
EP3902992B1 (en) Scalable system and engine for forecasting wind turbine failure
Cevasco et al. Reliability, availability, maintainability data review for the identification of trends in offshore wind energy applications
CN102141808A (zh) 汽轮发电机组嵌入式故障预诊断系统及方法
CN108010305B (zh) 一种综合能源管理平台数据采集故障的自诊断方法
CN213754105U (zh) 一种基于大数据的光伏电站智能管理系统
CN113177646B (zh) 一种基于自适应边缘代理的配电设备在线监测方法及系统
CN115712735A (zh) 一种基于大数据的风电机组故障监测预警方法及系统
CN111596643A (zh) 一种基于大数据的可视化动态能耗诊断、分析和预控系统
CN113762536A (zh) 一种发电机组设备的故障预警系统
CN105958474B (zh) 一种电网调控系统用输电线路动态增容方法和系统
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN212895016U (zh) 一种基于LoRa无线测控技术的铝电解槽况诊断系统
CN115470657A (zh) 一种基于电气自动化的锅炉运行管理系统
Spiliotis et al. Tracking the performance of photovoltaic systems: a tool for minimising the risk of malfunctions and deterioration
CN111736545B (zh) 电源机组数据融合、纠错和分析的系统及方法
CN113836203A (zh) 一种网络数据化诊断检测分析系统
CN114331073A (zh) 一种储能电站运维管理方法、系统及装置
CN111200315B (zh) 一种变电站监控后台故障诊断系统和方法
CN113129160A (zh) 一种基于设备状态感知和智能化的电力通信网络巡检方法
CN117792271A (zh) 一种居民分布式光伏运行诊断系统
CN111509838A (zh) 面向故障指示器的全生命周期运维管控方法、装置及系统
CN116910681B (zh) 一种基于物联网的电力数据分析方法及系统
CN210293289U (zh) 一种燃气-蒸汽联合循环机组供热指标诊断和分析系统
CN113759865A (zh) 一种具有辅助分析功能的故障判断系统

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