CN113933708A - 一种发电机组智能诊断故障原因概率的自修正方法 - Google Patents
一种发电机组智能诊断故障原因概率的自修正方法 Download PDFInfo
- Publication number
- CN113933708A CN113933708A CN202111190449.5A CN202111190449A CN113933708A CN 113933708 A CN113933708 A CN 113933708A CN 202111190449 A CN202111190449 A CN 202111190449A CN 113933708 A CN113933708 A CN 113933708A
- Authority
- CN
- China
- Prior art keywords
- fault
- generator set
- probability
- reason
- self
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明公开一种发电机组智能诊断故障原因概率的自修正方法,属于发电机组智能运维领域。本发明根据发电机组故障诊断系统中测点数据的变化情况,通过故障原因初始概率和故障推理的可变可信度,构建动态自修正的故障原因概率算法,对发电机组故障原因概率进行实时修正和更新。本发明具有原理清晰、思路严谨、计算高效、实时在线的优点,能够根据发电机组运行数据,不断自修正出现故障原因的概率,提高智能诊断系统对机组故障原因判定的准确性,使诊断结果与机组本身运行状态相符合,提升发电机组故障诊断系统的智能化水平。
Description
技术领域
本发明涉及发电机组智能运维领域,具体涉及发电机组智能诊断故障原因概率的自修正方法。
背景技术
发电机组的在线故障诊断是保障机组运行安全性的重要手段。根据发电机组在线实时测点信息,结合已建立的专家诊断知识,在线故障诊断系统能够对机组故障原因进行分析和判断,及时判断故障产生的原因,进而对机组制定相应的运维策略,保证机组能够安全稳定地运行。
发电机组的故障诊断多采用基于规则的故障诊断方法。这种诊断方法考虑每种故障原因的发生概率都是固定的、不随机组运行状态而变化。当存在多个事件关联时,使用贝叶斯规则进行事件概率的推理,保证关联事件概率的合理性。这种基于规则的故障原因概率不变的诊断方法,会导致不同机组发生故障时,故障原因的概率都相同,且其不随机组运行时间和状态而变化。
随着智能化的快速发展,构建发电机组智能故障诊断系统是必然趋势。相比传统故障诊断方法,智能故障诊断的重要特征是诊断系统参数随机组状态相应变化,具有自修正和自适应能力,保证机组故障诊断与机组本身的个性化相适应,增加故障原因的诊断结果准确性,对机组运维人员提供更好的指导作用。
鉴于此,亟需开发一种发电机组智能诊断故障原因概率的自修正方法。这种方法需要综合考虑故障原因的初始概率和故障推理的可信度等因素,通过故障发生情况对故障原因概率进行自修正,实时更新机组智能诊断故障原因概率,满足机组本身的个性化特点,保证整个故障诊断系统的推理结果更加合理准确。
发明内容
本发明的目的是提出一种发电机组智能诊断故障原因概率的自修正方法,本发明的技术方案包括如下步骤:
步骤一:根据发电机组智能运维诊断特点,确定发电机组有n种故障原因,分别为a1、a2、…、an,每种发电机组故障原因对应的初始概率分别为P1、P2、…、Pn,发电机组第i种故障原因的初始概率Pi满足:
步骤二:对于发电机组每种故障原因ai,确定对应的故障原因依据bi,以及确定每个故障原因依据bi对应的可信度Ri;
步骤三:将该时刻发电机组测点信息带入判据,确定发电机组每个故障原因依据bi是否为真,对故障原因ai及对应的故障原因依据bi重新排序,保证b1到bm为真、bm+1到bn为假,得到发电机组故障原因的相对概率之和P为:
步骤四:将发电机组每种故障原因ai对应的初始概率Pi进行自修正,得到修正后对应的发电机组故障原因概率P'i为:
发电机组自修正后的故障原因概率P'i满足:
步骤五:重复步骤三、步骤四,将下一时刻发电机组测点信息带入判据,确定每个发电机组故障原因依据bi是否为真,不断进行自修正,得到下一时刻发电机组故障原因概率,实现故障概率的自修正和实时更新。
在上述发电机组智能诊断故障原因概率的自修正方法中,所述步骤一中,参数i和发电机组故障原因ai的初始概率Pi满足1≤i≤n和0<Pi≤1。
在上述发电机组智能诊断故障原因概率的自修正方法中,所述步骤二中,参数i和发电机组故障原因依据bi对应的可信度Ri满足1≤i≤n和0<Ri≤1。
在上述发电机组智能诊断故障原因概率的自修正方法中,所述步骤三中,参数m和发电机组故障原因ai的相对概率之和P满足1≤m≤n和0<P≤1。
本发明的有益效果是:
本发明提出的一种发电机组智能诊断故障原因概率的自修正方法,通过该创新方法,能够取得如下技术效果:
1.故障因素考虑更加全面。同时考虑故障原因概率和故障推理可信度两方面因素,综合得到发电机组智能诊断故障原因概率,结果更符合机组本身情况。
2.实现故障原因概率的实时自更新。将每一时刻的机组测点数据带入故障诊断的推理判据中,实现机组故障诊断结果的实时更新,并得到故障原因概率的自修正结果。
3.算法具有良好的拓展性。将故障原因概率和故障推理可信度分开,能够通过深入挖掘测点数据、原因判据等因素变化,对这两方面本别构造关系模型,易于进一步拓展和升级概率自修正算法。
附图说明
图1为发电机组智能诊断故障原因概率的自修正方法流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
一种发电机组智能诊断故障原因概率的自修正方法,包括如下步骤:
步骤一:根据发电机组智能运维诊断特点,确定发电机组有n种故障原因,分别为a1、a2、…、an,每种发电机组故障原因对应的初始概率分别为P1、P2、…、Pn,发电机组第i种故障原因的初始概率Pi满足:
参数i和发电机组故障原因ai的初始概率Pi满足1≤i≤n和0<Pi≤1。本步骤建立故障原因初始概率的作用是为了确保故障原因概率具有初始值,能够进行下一步计算,当初始概率不确定的情况下,可以设定每个故障原因的概率均相等,均为1/n。
步骤二:对于发电机组每种故障原因ai,确定对应的故障原因依据bi,以及确定每个故障原因依据bi对应的可信度Ri,参数i和发电机组故障原因依据bi对应的可信度Ri满足1≤i≤n和0<Ri≤1;本步骤建立的故障原因依据由一个或多个故障原因判据所组成,所有故障原因判据均为真的情况下,确定故障原因依据为真;本步骤中故障原因依据的可信度由人为经验确定,表示由判据推理得到的该故障原因依据的正确比率。
步骤三:将该时刻发电机组测点信息带入判据,确定发电机组每个故障原因依据bi是否为真,对故障原因ai及对应的故障原因依据bi重新排序,保证b1到bm为真、bm+1到bn为假,得到发电机组故障原因的相对概率之和P为:
参数m和发电机组故障原因ai的相对概率之和P满足1≤m≤n和0<P≤1;本步骤上式中当bi为真时,故障原因概率为初始概率与故障原因依据可信度的乘积,当bi为假时,故障原因概率为初始概率与故障原因依据可信度补集的乘积,各项求和得到相对概率之和。
步骤四:将发电机组每种故障原因ai对应的初始概率Pi进行自修正,得到修正后对应的发电机组故障原因概率P'i为:
发电机组自修正后的故障原因概率P'i满足:
本步骤得到的修正后故障原因概率P'i,替换原有故障原因初始概率Pi,作为下一时刻概率自修正计算的初始值。
步骤五:重复步骤三、步骤四,将下一时刻发电机组测点信息带入判据,确定每个发电机组故障原因依据bi是否为真,不断进行自修正,得到下一时刻发电机组故障原因概率,实现故障概率的自修正和实时更新;本步骤的目的是实现发电机组智能诊断故障原因概率在每一时刻的自修正,保证故障原因概率的动态变化,并与机组本身运行状况相符合。
本发明只是对本发明的示例性说明,并不限定它的保护范围,本领域技术人员还可以对其局部进行改变,只要没有超出本发明的精神实质,都在本发明的保护范围内。
Claims (4)
1.一种发电机组智能诊断故障原因概率的自修正方法,其特征包括如下步骤:
步骤一:根据发电机组智能运维诊断特点,确定发电机组有n种故障原因,分别为a1、a2、…、an,每种发电机组故障原因对应的初始概率分别为P1、P2、…、Pn,发电机组第i种故障原因的初始概率Pi满足:
步骤二:对于发电机组每种故障原因ai,确定对应的故障原因依据bi,以及确定每个故障原因依据bi对应的可信度Ri;
步骤三:将该时刻发电机组测点信息带入判据,确定发电机组每个故障原因依据bi是否为真,对故障原因ai及对应的故障原因依据bi重新排序,保证b1到bm为真、bm+1到bn为假,得到发电机组故障原因的相对概率之和P为:
步骤四:将发电机组每种故障原因ai对应的初始概率Pi进行自修正,得到修正后对应的发电机组故障原因概率P'i为:
发电机组自修正后的故障原因概率P'i满足:
步骤五:重复步骤三、步骤四,将下一时刻发电机组测点信息带入判据,确定每个发电机组故障原因依据bi是否为真,不断进行自修正,得到下一时刻发电机组故障原因概率,实现故障概率的自修正和实时更新。
2.根据权利要求1所述的一种发电机组智能诊断故障原因概率的自修正方法,其特征是:所述步骤一中,参数i和发电机组故障原因ai的初始概率Pi满足1≤i≤n和0<Pi≤1。
3.根据权利要求1所述的一种发电机组智能诊断故障原因概率的自修正方法,其特征是:所述步骤二中,参数i和发电机组故障原因依据bi对应的可信度Ri满足1≤i≤n和0<Ri≤1。
4.根据权利要求1所述的一种发电机组智能诊断故障原因概率的自修正方法,其特征是:所述步骤三中,参数m和发电机组故障原因ai的相对概率之和P满足1≤m≤n和0<P≤1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111190449.5A CN113933708B (zh) | 2021-10-13 | 2021-10-13 | 一种发电机组智能诊断故障原因概率的自修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111190449.5A CN113933708B (zh) | 2021-10-13 | 2021-10-13 | 一种发电机组智能诊断故障原因概率的自修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113933708A true CN113933708A (zh) | 2022-01-14 |
CN113933708B CN113933708B (zh) | 2023-11-14 |
Family
ID=79279036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111190449.5A Active CN113933708B (zh) | 2021-10-13 | 2021-10-13 | 一种发电机组智能诊断故障原因概率的自修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113933708B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
WO2019116683A1 (ja) * | 2017-12-12 | 2019-06-20 | 株式会社日立製作所 | 保守計画生成システム |
CN111898632A (zh) * | 2020-06-19 | 2020-11-06 | 广州杰赛科技股份有限公司 | 一种设备故障诊断方法和系统 |
-
2021
- 2021-10-13 CN CN202111190449.5A patent/CN113933708B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
WO2019116683A1 (ja) * | 2017-12-12 | 2019-06-20 | 株式会社日立製作所 | 保守計画生成システム |
CN111898632A (zh) * | 2020-06-19 | 2020-11-06 | 广州杰赛科技股份有限公司 | 一种设备故障诊断方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113933708B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
Chen et al. | Wind turbine pitch faults prognosis using a-priori knowledge-based ANFIS | |
CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN107609574A (zh) | 基于数据挖掘的风电机组故障预警方法 | |
CN109117353B (zh) | 故障诊断结果的融合方法及装置 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
Huang et al. | Prognostics with variational autoencoder by generative adversarial learning | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
WO2019036219A1 (en) | SYSTEM FOR SELECTING TURBINE DIAGNOSTIC CHARACTERISTICS | |
Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
CN114564881A (zh) | 基于模糊贝叶斯网络的钻井隔水管断裂失效风险评价方法 | |
CN110674893B (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
CN113933708A (zh) | 一种发电机组智能诊断故障原因概率的自修正方法 | |
CN117009828B (zh) | 基于故障匹配算法的水电设备故障诊断方法 | |
Linda et al. | Anomaly detection for resilient control systems using fuzzy-neural data fusion engine | |
CN114227701B (zh) | 一种基于生产数据的机器人故障预测方法 | |
CN114692738A (zh) | 一种轻量级实时时间序列异常检测方法 | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
CN115238736A (zh) | 一种旋转机械早期故障的识别方法 | |
Liao et al. | An improved prediction model for equipment performance degradation based on Fuzzy-Markov Chain | |
Zou et al. | Fault diagnosis of shield machine based on SOM-BP neural network fusion | |
CN112069721B (zh) | 一种风电爬坡事件预测方法 |
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 |