CN114118222A - 一种磨煤机状态预警系统及故障识别诊断方法 - Google Patents
一种磨煤机状态预警系统及故障识别诊断方法 Download PDFInfo
- Publication number
- CN114118222A CN114118222A CN202111287593.0A CN202111287593A CN114118222A CN 114118222 A CN114118222 A CN 114118222A CN 202111287593 A CN202111287593 A CN 202111287593A CN 114118222 A CN114118222 A CN 114118222A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- fault
- module
- alarm
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种磨煤机状态预警系统及故障识别诊断方法,包括:机组告警模块、设备监控模块、设备管理模块、数据模型管理模块以及数据搜寻模块;机组告警模块用于展示机组信息;设备监控模块以制粉系统工艺流程图的形式展示制粉系统的实时和历史运行情况,同时以设备树的形式显示制粉系统及其下属设备的报警状态、报警时长、报警类型、报警级别以及报警次数;设备管理模块对机组的设备树进行维护;对每一级的设备进行台账维护;系统能够监控设备异常,预警设备隐患,避免设备状态劣化持续,增强设备的安全性。建立知识积累迭代机制,促进经验传承和创新,降低人员工作负荷、提高工作效率。实现从预警出设备缺陷到处理完毕设备缺陷的闭环管理。
Description
技术领域
本发明涉及发电厂技术领域,尤其涉及一种磨煤机状态预警系统及故障识别诊断方法。
背景技术
磨煤机是将煤块破碎并磨成煤粉的机械,磨煤机是煤粉炉的重要辅助设备。在电厂中磨煤机也是重要的组成部分,磨煤机运行的稳定性与否,关系到电厂的运行稳定性以及工作效能。
目前对磨煤机及其相应的系统缺乏有效的预警,如果出现异常容易造成设备状态劣化持续,影响设备的安全性。现有技术中缺乏从预警的角度监控设备缺陷,而且即使有过错数据监控,无法结合历史数据进行有效分析,无法实现对设备缺陷的闭环管理,无法了解设备的运行趋势,进而无法对设备运行状态进行预判。
发明内容
本发明提供一种磨煤机状态预警系统,系统能够监控设备异常,早期预警设备隐患,及时提供运行指导,避免设备状态劣化持续,增强设备的安全性。
系统包括:机组告警模块、设备监控模块、设备管理模块、数据模型管理模块以及数据搜寻模块;
机组告警模块用于展示机组信息,机组信息包括机组的告警数量、机组负荷、汽轮机转速、主汽流量、主蒸汽温度,锅炉制粉的告警状态和当前的正在告警的信息;各个系统设备告警状态及数量,正在告警的设备风险时间和详情;以便查看和分析告警详细信息;
设备监控模块以制粉系统工艺流程图的形式展示制粉系统的实时和历史运行情况,同时以设备树的形式显示制粉系统及其下属设备的报警状态、报警时长、报警类型、报警级别以及报警次数;
设备管理模块对机组的设备树进行维护;配置出从机组到磨煤机指标的组织关系,对每一级的设备进行台账维护;
数据模型管理模块用于根据算法模型或者专家模型得到的诊断记录,通过进行人工确认,确认后的故障作为自学习的标记数据,重新参与建模,并且确认后数据用于与其他系统的交互;
数据搜寻模块用于提供各个指标的曲线查询及系统数据查询。
优选地,数据搜寻模块还用于按照指标分组进行曲线展示;
多个指标同时进行曲线展示;
在展示的曲线图上追加指标进行曲线显示,或额外单独一个曲线图进行展示。
优选地,还包括:数据建模模块;
数据建模模块用于根据系统的历史数据,采用神经网络的算法进行算法建模,算法模型对制粉系统设备运行状态及劣化情况进行报警和预警;
数据建模模块系统运行中的关键参数及指标进行数据建模,利用大量历史数据和历史故障,找出故障与数据间的定量关系,找出故障点对应的设备状态量的变化规律,根据故障特征状态,对已知的磨煤机内爆、断煤、轴承温度高故障类型进行严重程度进行报警,还可对未知类型的故障进行识别;
根据机组制粉系统的关键测点,筛选异常数据,将正常数据进行建模;
模型所用到的故障信息有两个来源,一是手动录入的故障记录,二是人工确认的异常告警记录。
优选地,数据建模模块还用于针对关键设备对象模型的动态变化和多变量耦合的特性,采用多维变量相似性概率矩阵或经典传统算法实现对海量数据的挖掘和设备的实时动态建模;
将设备历史数据对应的状态点映射到一个特定状态空间中,状态点代表着设备对象不同工作状态,利用数据的内在特性,自动划分出数据的类别,形成系统状态的自动划分。
优选地,当系统接收到实时数据时,首先判断当前数据测点在动态模型高维空间中的投影,得到当前状态和模型状态之间的距离,从而进一步确定当前设备状态的相似度,利用相似度和模型内部各个参照点的坐标,就可以生成对这个运行状态的预测点,系统针对设备每个测点的预测值不仅仅取决于该测点长期的历史运行规律,同时也取决于该测点和其他测点之间的关联相似度,屏蔽干扰信号对预测值的影响。
优选地,还包括:工况预测模块;
工况预测模块采用已划分好的设备运行状态对未知设备运行状态进行划分和识别,为设备未来可能出现的状态和设备状态间的转换形成概率矩阵,以此为依据形成专家知识库;
工况预测模块基于模式识别算法进行预测;工况预测模块在特征空间和解释空间之间找到映射关系;
特征空间是从模式得到的对分类有用的度量、属性或基元构成的空间,解释空间是由M个所属类别的集合构成;模式识别由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。
优选地,还包括:标准曲线配置模块;
标准曲线配置模块用于根据设备的测点历史值,采用均值聚类或一次聚类的算法进行各个工况下的专家模型建模;对磨煤机的磨出口温度、风压、给煤机流量、磨煤机电流数据,建立相互影响的拟合曲线,得出多工况下指标的相互关系,通过标准值和实际值得偏差值对比,为判断磨煤机断煤、内爆风险的判断提供依据。
优选地,还包括:调度管理模块和补算管理模块;
调度管理模块用于提供Matlab、ACS、JAVA、C/C++等计算模型;采用计算资源的集中式管理方式实现了调度资源管理及调度执行策略管理;通过RPC远程调用的方式兼容各种计算引擎,达到了多种语言算子的无缝链接;通过对多种计算算子的支撑,实现了计算资源的高利用率和负载均衡;
补算管理模块用于提供对指标补采、计算指标、历史故障做手工计算的界面。
本发明还提供一种故障识别诊断方法,方法包括:
第一步,依照故障知识库和运行数据,分别对不同故障模式的征兆参数进行分析处理,然后依照征兆量化的方法对其征兆进行量化,得到各故障模式所对应的多元量化征兆向量,所有故障模式的多元量化征兆向量的组合就构成了系统故障模式的多元量化征兆集;
第二步,分析待检故障样本的特征属性,并对其征兆量化,得到待检故障样本的特征量化向量;求解待检故障样本特征量化向量与多元量化征兆集中各故障模式量化征兆向量的距离贴近度,取距离贴近度最小的为诊断结果;
第三步,得到诊断结果后,在系统故障知识库中得到故障预测结果,即故障模式所对应的故障处理措施,及时对机组故障进行有效隔离,。
优选地,故障征兆量化方法采用基于逆序数的趋势检验法,对多维时间趋势型征兆的量化和提取;能够有效量化设备运行过程中上升趋势、无明显趋势及下降趋势;
故障预测算法是结合隐马尔科夫链和模糊理论从己知事实出发,通过运用相关知识逐步推出结论或者证明某个假设成立或不成立的思维过程;
通过对各类征兆的推理分析推断出将要发生的故障类别。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的磨煤机状态预警系统及故障识别诊断方法能够监控设备异常,早期预警设备隐患,及时提供运行指导,避免设备状态劣化持续,增强设备的安全性。系统能够促进运维水平进入点检定修与预测性维修结合的阶段。建立知识积累迭代机制,促进经验传承和创新,降低人员工作负荷、提高工作效率。实现电厂设备运行管理的简便化、快捷化。实现从预警出设备缺陷到处理完毕设备缺陷的闭环管理。
本发明通过RPC远程调用的方式兼容各种计算引擎,达到了多种语言算子的无缝链接;通过对多种计算算子的支撑,实现了计算资源的高利用率和负载均衡。
本发明的系统考虑多维参数关联关系的动态重建与调整,面向动态网络可视交互界面,动态呈现复杂事件相关数据的变化历史,进而通过交互修改模型参数或决策方案,合理推演异常发生可能性,不断提升设备诊断的准确度。
本发明提供的磨煤机状态预警系统及故障识别诊断方法基于大数据的融入设计,采用分布式技术构建系统,支持多渠道访问。系统借助各种数据采集适配器按需获取业务数据并同步进行数据质量提升,同时降低与源业务系统的耦合度,隔离了源业务系统的变更影响;数据存储层基于开源的Hadoop技术,融入混合数据中心设计思想,采用通用数据通讯组件Light实现实时数据库、关系型数据库和基于开源Hbase的大数据版时序数据存储的双向数据互通;服务层采用弹性分布式计算调度组件,系统实现基于开源Kafka和Spark技术的分布式大数据并行计算改造,支持规则引擎、表达式引擎和数据挖掘引擎,并提供数据预处理、数据筛选和数据挖掘等功能,实现生产设备状态预警和故障诊断。
系统以用户的视角,构建多专项应用体系,满足现场一线人员、厂级诊断中心、远程诊断中心的需要,其中现场初诊场景以工作流程驱动工作任务与数据挖掘分析结果有机融合,促进一线人员由经验决策向经验与数据融合决策转变,提升缺陷提报工作质量保证系统稳定运行。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述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的前提下,还可以根据这些附图获得其他的附图。
图1为磨煤机状态预警系统示意图;
图2为数据建模模块的建模流程图;
图3为数据建模模块的建模示意图;
图4为模式识别过程示意图;
图5为故障识别诊断方法流程图。
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。
本发明提供的磨煤机状态预警系统中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明提供的磨煤机状态预警系统的附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本发明提供的磨煤机状态预警系统中,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
本发明提供的磨煤机状态预警系统将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明实施例的说明,其本身并没有特定的意义。因此,"模块"与"部件"可以混合地使用。
本发明提供的一种磨煤机状态预警系统,如图1所示,包括:机组告警模块、设备监控模块、设备管理模块、数据模型管理模块以及数据搜寻模块;
机组告警模块用于展示机组信息,机组信息包括机组的告警数量、机组负荷、汽轮机转速、主汽流量、主蒸汽温度等关键指标,锅炉制粉的告警状态和当前的正在告警的信息,当前的正在告警的信息包括告警时长、告警类型、告警级别等;各个系统设备告警状态及数量,正在告警的设备风险时间和详情;以便查看和分析告警详细信息。
设备管理模块以制粉系统工艺流程图的形式展示制粉系统的实时和历史运行情况,同时右侧以设备树的形式显示制粉系统及其下属设备的具体报警状态和信息。下属设备的具体报警状态和信息包括:报警时长、报警类型、报警级别、报警次数等。
设备管理模块是对机组的设备树进行维护。通过设备实例化,可以配置出对应从机组到磨煤机指标的组织关系,可以对每一级的设备进行台账维护。
数据模型管理模块是根据算法模型或者专家模型得到的诊断记录,通过该功能进行人工确认,确认后的故障作为自学习的标记数据,重新参与建模,并且确认后数据可用于与其他系统的交互。
数据搜寻模块提供各个指标的曲线查询及辅助功能操作,便于对指标的历史数据进行查看和分析。
搜寻后可以按照指标分组进行曲线展示;也可以多个指标可以同时进行曲线展示;还可以曲线图上可以追加指标进行曲线显示,也可以额外单独一个曲线图进行展示。
本发明还包括:数据建模模块;数据建模模块根据系统的历史数据,采用神经网络的算法进行算法建模(也称之为无判据建模),算法模型对制粉系统设备运行状态(劣化情况)进行报警和预警。
针对制粉系统设备(包括:煤仓、给煤机、磨煤机、密封风机、一次风机等主要设备,及其各设备风门、调节门等阀门)运行中的关键参数(磨煤机电流、磨煤机出口温度、磨煤机进出口风压、给煤机瞬时给煤量、磨煤机电机轴承温度等)及指标(磨煤机电流、磨煤机出口温度、磨煤机进出口风压、给煤机瞬时给煤量、磨煤机电机轴承温度等)进行数据建模,利用大量历史数据和历史故障,找出故障与数据间的定量关系,找出故障点对应的设备状态量的变化规律。根据故障特征状态,不仅对已知的磨煤机内爆、断煤、轴承温度高等故障类型进行严重程度进行报警,还可对未知类型的故障进行识别。
其中,根据机组制粉系统的关键测点,筛选异常数据,将正常数据进行建模,得到算法模型。本系统该设备下建立的多个算法模型中只有一个模型处于启用状态;
模型所用到的故障信息有两个来源,一是手动录入的故障记录,二是人工确认的异常告警记录(即告警确认页面已经确认的页面)。具体操作流程如下图2所示。
如图3所示,针对关键设备对象模型的动态变化和多变量耦合的特性,系统采用多维变量相似性概率矩阵算法或经典传统算法实现对海量数据的挖掘和设备的实时动态建模。将设备历史数据对应的状态点都映射到一个特定状态空间中,这些状态点都代表着设备对象不同工作状态,利用数据的内在特性,自动划分出数据的类别,形成系统状态的自动划分。
当系统接收到实时数据时,首先判断当前数据测点在动态模型高维空间中的投影,得到当前状态和模型状态之间的距离,从而进一步确定当前设备状态的相似度,利用相似度和模型内部各个参照点的坐标,就可以生成对这个运行状态的预测点,系统针对设备每个测点的预测值不仅仅取决于该测点长期的历史运行规律,同时也取决于该测点和其他测点之间的关联相似度,屏蔽了干扰信号对预测值的影响,大大增强了预测值的精确度和可靠性。
本发明的系统考虑多维参数关联关系的动态重建与调整,面向动态网络可视交互界面,动态呈现复杂事件相关数据的变化历史,进而通过交互修改模型参数或决策方案,合理推演异常发生可能性,不断提升设备诊断的准确度。
本发明的系统还包括:工况预测模块;本发明的关键设备状态预测是基于时间序列数据的预测,即以时间数列所能反映的机组设备运行过程趋势和规律性,进行引伸外推,预测其未来发展趋势,是从已知事件测定未知事件。本系统采用已划分好的设备运行状态对未知设备运行状态进行划分和识别,为设备未来可能出现的状态和设备状态间的转换形成概率矩阵,以此为依据形成专家知识库。
本发明涉及了运行过程模式识别和模式发现方案。
模式识别的目的是利用数据分析算法对设备运行过程工况进行自动分类,识别出设备运行状态的各种工况,同时在错误概率最小的条件下,使识别的设备运行过程工况与客观实际过程工况相一致。
模式就是机组运行过程公开所具有的特征的描述。
模式识别算法是在特征空间和解释空间之间找到一种映射关系。特征空间是从模式得到的对分类有用的度量、属性或基元构成的空间,解释空间是由M个所属类别的集合构成。本系统模式识别系统如图4所示,由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分:上部分完成未知类别模式的分类;下半部分属于分类器设计的训练过程,利用多维数据进行训练,确定分类器的具体参数,完成分类器的设计。而分类决策在识别过程起作用,对待识别的时序数据进行科学分类决策,深入掌握各种工具的效能和应用的可能性,互相取长补短,开创模式识别应用的新局面。
本发明的模式识别关键点包括:
1)特征提取和选择:对原始数据进行变换,得到最能反映分类本质的特征。将维数较高的测量空间(原始数据组成的空间)转变为维数较低的特征空间(分类识别赖以进行的空间)。
2)分类决策:在特征空间中用模式识别方法把被识别对象归为某一类别。
3)分类器设计:基本做法是在样品训练集基础上确定判别函数,改进判别函数和误差检验。本发明识别分类算法K-Nearest Neighbor、Bayes Classifier、PrincipleComponent Analysis、Linear Discriminant Analysis、Non-negative MatrixFactorization、Gaussian Mixture Model等6种。
本发明的系统还包括:标准曲线配置模块;
标准曲线配置模块根据设备的测点历史值,采用均值聚类或一次聚类的算法进行各个工况下的专家模型建模。
标准曲线配置模块提供算法寻找正常值(标准值)的工具,可以对磨煤机的磨出口温度、风压、给煤机流量、磨煤机电流等核心指标建立相互影响的拟合曲线,得出多工况下指标的相互关系,通过标准值和实际值得偏差值对比,进一步为判断磨煤机断煤、内爆等风险的判断提供依据。
具体来讲,标准曲线配置模块的工况划分:可以采用两种模式,一种自动划分(通过聚类算法划分),一种是人为的手动划分。
数据写入顺序:先指标选择、划分工况的指标、后XY轴指标。
模型信息:将上述步骤的所有信息汇总展示,方便建模之前确定建模信息的正确性。
模型结果:每个工况下,以曲线的形式展示指标之间的拟合曲线、上下限、标准值和当前点。
本发明还包括:调度管理模块和补算管理模块;
调度管理模块提供对数据的调度引擎,能够同时支持传统计算调度和大数据环境下分布式计算调度;支持Matlab、ACS、JAVA、C/C++等计算模型;采用计算资源的集中式管理方式实现了调度资源管理及调度执行策略管理;通过RPC远程调用的方式兼容各种计算引擎,达到了多种语言算子的无缝链接;通过对多种计算算子的支撑,实现了计算资源的高利用率和负载均衡。
补算管理模块对指标补采、计算指标、历史故障做手工计算,解决因为各种原因造成的数据缺失或者计算指标未计算、诊断模型未运行等问题,导致指标和数据需要的重新计算。补算功能针对模型原始数据及模型诊断过程进行功能性补充,具体包括:历史数据补采、计算指标补算、专家模型补算、算法模型补算。
作为本发明的实施例,本发明还能够监控设备异常,早期预警设备隐患,及时提供运行指导,避免设备状态劣化持续,增强设备的安全性。系统能够促进运维水平进入点检定修与预测性维修结合的阶段。建立知识积累迭代机制,促进经验传承和创新,降低人员工作负荷、提高工作效率。
实现电厂设备运行管理的简便化、快捷化。实现从预警出设备缺陷到处理完毕设备缺陷的闭环管理。
基于上述系统本发明还提供一种故障识别诊断方法,如图5所示,方法包括:
第一步,依照故障知识库和运行数据,分别对不同故障模式的征兆参数进行分析处理,然后依照征兆量化的方法对其征兆进行量化,得到各故障模式所对应的多元量化征兆向量,所有故障模式的多元量化征兆向量的组合就构成了系统故障模式的多元量化征兆集。
第二步,分析待检故障样本的特征属性,并对其征兆量化,得到待检故障样本的特征量化向量。求解待检故障样本特征量化向量与多元量化征兆集中各故障模式量化征兆向量的距离贴近度,取距离贴近度最小的为诊断结果。
第三步,得到诊断结果后,在系统故障知识库中得到故障预测结果,即故障模式所对应的故障处理措施,及时对机组故障进行有效隔离,做到对系统故障及时发现、排除,从而减小故障损失,保证系统的安全、可靠、经济运行。
方法中故障征兆权重的确定是应用层次分析法(Analytic Hierarchy Process,AHP)。AHP的基本原理就是把所要研巧的复杂问题看作一个大系统,通过对系统的多个因素的剖析,划出各因素间相互联系的有序层次;再请专家对每一层次的各因素进行较为客观的判断后,相应给出相对重要性的定量表示;进而建立数学模型,计算出每一层次全部因素的相对重要性的权值。层次分析法建模的过程中,其主要内容为构造判断矩阵,其他步骤可在现成的程序中完成。
故障征兆量化方法的提出是由于故障的诊断非常依赖于对监测信号的提取和分析。常见征兆一般大致可分为超限型征兆、频域征兆、趋势型征兆及相关型征兆等几大类,本发明采用基于逆序数的趋势检验法是专门针对多维时间趋势型征兆的量化和提取方法。能够有效量化设备运行过程中上升趋势、无明显趋势及下降趋势。
故障预测算法是结合隐马尔科夫链和模糊理论从己知事实出发,通过运用相关知识逐步推出结论或者证明某个假设成立或不成立的思维过程。针对关键设备,可通过对各类征兆的推理分析推断出将要发生的故障类别。
由上面对各故障模式进行的分析即可获得各故障对应的故障预测征兆,只要获得征兆的量化值,并结合征兆权值,依据最小贴近的原则即可确定此时最有可能发生的故障模式。
本发明提供的磨煤机状态预警系统及故障识别诊断方法基于大数据的融入设计,采用分布式技术构建系统,支持多渠道访问。系统借助各种数据采集适配器按需获取业务数据(测点数据、运行数据、缺陷数据、检修数据等)并同步进行数据质量提升,同时降低与源业务系统的耦合度,隔离了源业务系统的变更影响;数据存储层基于开源的Hadoop技术,融入混合数据中心设计思想,采用通用数据通讯组件Light实现实时数据库、关系型数据库和基于开源Hbase的大数据版时序数据存储的双向数据互通;服务层采用弹性分布式计算调度组件,系统实现基于开源Kafka和Spark技术的分布式大数据并行计算改造,支持规则引擎、表达式引擎和数据挖掘引擎,并提供数据预处理、数据筛选和数据挖掘等功能,实现生产设备状态预警和故障诊断。
系统以用户的视角,构建多专项应用体系,满足现场一线人员、厂级诊断中心、远程诊断中心的需要,其中现场初诊场景以工作流程驱动工作任务与数据挖掘分析结果有机融合,促进一线人员由经验决策向经验与数据融合决策转变,提升缺陷提报工作质量保证系统稳定运行。
本发明提供的磨煤机状态预警系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属技术领域的技术人员能够理解,本发明提供的磨煤机状态预警系统的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在本发明提供的磨煤机状态预警系统中,存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
在本发明提供的磨煤机状态预警系统中,可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种磨煤机状态预警系统,其特征在于,包括:机组告警模块、设备监控模块、设备管理模块、数据模型管理模块以及数据搜寻模块;
机组告警模块用于展示机组信息,机组信息包括机组的告警数量、机组负荷、汽轮机转速、主汽流量、主蒸汽温度,锅炉制粉的告警状态和当前的正在告警的信息;各个系统设备告警状态及数量,正在告警的设备风险时间和详情;以便查看和分析告警详细信息;
设备监控模块以制粉系统工艺流程图的形式展示制粉系统的实时和历史运行情况,同时以设备树的形式显示制粉系统及其下属设备的报警状态、报警时长、报警类型、报警级别以及报警次数;
设备管理模块对机组的设备树进行维护;配置出从机组到磨煤机指标的组织关系,对每一级的设备进行台账维护;
数据模型管理模块用于根据算法模型或者专家模型得到的诊断记录,通过进行人工确认,确认后的故障作为自学习的标记数据,重新参与建模,并且确认后数据用于与其他系统的交互;
数据搜寻模块用于提供各个指标的曲线查询及系统数据查询。
2.根据权利要求1所述的磨煤机状态预警系统,其特征在于,
数据搜寻模块还用于按照指标分组进行曲线展示;
多个指标同时进行曲线展示;
在展示的曲线图上追加指标进行曲线显示,或额外单独一个曲线图进行展示。
3.根据权利要求1所述的磨煤机状态预警系统,其特征在于,
还包括:数据建模模块;
数据建模模块用于根据系统的历史数据,采用神经网络的算法进行算法建模,算法模型对制粉系统设备运行状态及劣化情况进行报警和预警;
数据建模模块系统运行中的关键参数及指标进行数据建模,利用大量历史数据和历史故障,找出故障与数据间的定量关系,找出故障点对应的设备状态量的变化规律,根据故障特征状态,对已知的磨煤机内爆、断煤、轴承温度高故障类型进行严重程度进行报警,还可对未知类型的故障进行识别;
根据机组制粉系统的关键测点,筛选异常数据,将正常数据进行建模;
模型所用到的故障信息有两个来源,一是手动录入的故障记录,二是人工确认的异常告警记录。
4.根据权利要求3所述的磨煤机状态预警系统,其特征在于,
数据建模模块还用于针对关键设备对象模型的动态变化和多变量耦合的特性,采用多维变量相似性概率矩阵或经典传统算法实现对海量数据的挖掘和设备的实时动态建模;
将设备历史数据对应的状态点映射到一个特定状态空间中,状态点代表着设备对象不同工作状态,利用数据的内在特性,自动划分出数据的类别,形成系统状态的自动划分。
5.根据权利要求3所述的磨煤机状态预警系统,其特征在于,
当系统接收到实时数据时,首先判断当前数据测点在动态模型高维空间中的投影,得到当前状态和模型状态之间的距离,从而进一步确定当前设备状态的相似度,利用相似度和模型内部各个参照点的坐标,就可以生成对这个运行状态的预测点,系统针对设备每个测点的预测值不仅仅取决于该测点长期的历史运行规律,同时也取决于该测点和其他测点之间的关联相似度,屏蔽干扰信号对预测值的影响。
6.根据权利要求1或2所述的磨煤机状态预警系统,其特征在于,
还包括:工况预测模块;
工况预测模块采用已划分好的设备运行状态对未知设备运行状态进行划分和识别,为设备未来可能出现的状态和设备状态间的转换形成概率矩阵,以此为依据形成专家知识库;
工况预测模块基于模式识别算法进行预测;工况预测模块在特征空间和解释空间之间找到映射关系;
特征空间是从模式得到的对分类有用的度量、属性或基元构成的空间,解释空间是由M个所属类别的集合构成;模式识别由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。
7.根据权利要求1或2所述的磨煤机状态预警系统,其特征在于,
还包括:标准曲线配置模块;
标准曲线配置模块用于根据设备的测点历史值,采用均值聚类或一次聚类的算法进行各个工况下的专家模型建模;对磨煤机的磨出口温度、风压、给煤机流量、磨煤机电流数据,建立相互影响的拟合曲线,得出多工况下指标的相互关系,通过标准值和实际值得偏差值对比,为判断磨煤机断煤、内爆风险的判断提供依据。
8.根据权利要求1或2所述的磨煤机状态预警系统,其特征在于,
还包括:调度管理模块和补算管理模块;
调度管理模块用于提供Matlab、ACS、JAVA、C/C++等计算模型;采用计算资源的集中式管理方式实现了调度资源管理及调度执行策略管理;通过RPC远程调用的方式兼容各种计算引擎,达到了多种语言算子的无缝链接;通过对多种计算算子的支撑,实现了计算资源的高利用率和负载均衡;
补算管理模块用于提供对指标补采、计算指标、历史故障做手工计算的界面。
9.一种故障识别诊断方法,其特征在于,方法采用如权利要求1至8任意一项所述的磨煤机状态预警系统;方法包括:
第一步,依照故障知识库和运行数据,分别对不同故障模式的征兆参数进行分析处理,然后依照征兆量化的方法对其征兆进行量化,得到各故障模式所对应的多元量化征兆向量,所有故障模式的多元量化征兆向量的组合就构成了系统故障模式的多元量化征兆集;
第二步,分析待检故障样本的特征属性,并对其征兆量化,得到待检故障样本的特征量化向量;求解待检故障样本特征量化向量与多元量化征兆集中各故障模式量化征兆向量的距离贴近度,取距离贴近度最小的为诊断结果;
第三步,得到诊断结果后,在系统故障知识库中得到故障预测结果,即故障模式所对应的故障处理措施,及时对机组故障进行有效隔离。
10.根据权利要求9所述的故障识别诊断方法,其特征在于,
故障征兆量化方法采用基于逆序数的趋势检验法,对多维时间趋势型征兆的量化和提取;能够有效量化设备运行过程中上升趋势、无明显趋势及下降趋势;
故障预测算法是结合隐马尔科夫链和模糊理论从己知事实出发,通过运用相关知识逐步推出结论或者证明某个假设成立或不成立的思维过程;
通过对各类征兆的推理分析推断出将要发生的故障类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111287593.0A CN114118222A (zh) | 2021-11-02 | 2021-11-02 | 一种磨煤机状态预警系统及故障识别诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111287593.0A CN114118222A (zh) | 2021-11-02 | 2021-11-02 | 一种磨煤机状态预警系统及故障识别诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118222A true CN114118222A (zh) | 2022-03-01 |
Family
ID=80380287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111287593.0A Pending CN114118222A (zh) | 2021-11-02 | 2021-11-02 | 一种磨煤机状态预警系统及故障识别诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118222A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117873909A (zh) * | 2024-03-13 | 2024-04-12 | 上海爱可生信息技术股份有限公司 | 故障诊断执行方法、故障诊断执行系统、电子设备及存储介质 |
-
2021
- 2021-11-02 CN CN202111287593.0A patent/CN114118222A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117493498B (zh) * | 2024-01-02 | 2024-04-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
CN117873909A (zh) * | 2024-03-13 | 2024-04-12 | 上海爱可生信息技术股份有限公司 | 故障诊断执行方法、故障诊断执行系统、电子设备及存储介质 |
CN117873909B (zh) * | 2024-03-13 | 2024-05-28 | 上海爱可生信息技术股份有限公司 | 故障诊断执行方法、故障诊断执行系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Literature review and prospect of the development and application of FMEA in manufacturing industry | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN111985561A (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
CN110543903B (zh) | 一种gis局部放电大数据系统的数据清洗方法及系统 | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN114118222A (zh) | 一种磨煤机状态预警系统及故障识别诊断方法 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
KR20030011921A (ko) | 회전 장비 진단 시스템 및 적합한 제어기 | |
Jiang et al. | A family of joint sparse PCA algorithms for anomaly localization in network data streams | |
US20230229124A1 (en) | Operation control system and a control method for a gas-steam combined cycle generator unit | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN114267178A (zh) | 一种车站的智能运营维护方法及装置 | |
CN112084220B (zh) | 一种电能计量装置异常诊断方法、装置及可读存储介质 | |
CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN114677025A (zh) | 一种催化剂运行智能管理系统和管理方法 | |
CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
CN117151345A (zh) | 一种基于ai技术的企业管理智能决策平台 | |
CN116882978A (zh) | 一种基于产品信息框架的深海潜水器运维保障平台 | |
CN115638875A (zh) | 基于图谱分析的电厂设备故障诊断方法及系统 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN102929241B (zh) | 精对苯二甲酸装置安全运行指导系统及其应用 | |
CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 |
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 |