CN114151147A - 汽轮机转速异常的故障预警方法、系统、设备及介质 - Google Patents
汽轮机转速异常的故障预警方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114151147A CN114151147A CN202111453036.1A CN202111453036A CN114151147A CN 114151147 A CN114151147 A CN 114151147A CN 202111453036 A CN202111453036 A CN 202111453036A CN 114151147 A CN114151147 A CN 114151147A
- Authority
- CN
- China
- Prior art keywords
- steam turbine
- rotating speed
- fault
- abnormal
- early warning
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000011900 installation process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种汽轮机转速异常的故障预警方法、系统、设备及介质,方法包括:获取汽轮机若干独立测点的转速历史数据;构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型,之后获取汽轮机的转速故障报警限定值;采集汽轮机若干独立测点的转速实时数据;根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果;本发明能够在转速故障异常的最初阶段进行报警,避免了汽轮机因转速异常导致振动幅度变大而造成巨大损失,有效提高了火电机组的运行安全;无需人为进行数据处理,故障预警结果精确度较高,可靠性好。
Description
技术领域
本发明属于火力发电技术故障预测技术领域,特别涉及一种汽轮机转速异常的故障预警方法、系统、设备及介质。
背景技术
汽轮机是一种以蒸汽为动力,并将蒸气的热能转化为机械功的旋转机械,是现代火力发电厂中应用最广泛的原动机;汽轮机具有单机功率大、效率高、寿命长等优点。现代大型汽轮机转速调节是DEH的一部分;只有将汽轮机的转速保持在某一预设转速,才能保证输出电能的电压、频率合格。
导致汽轮机转速异常的原因大致包括以下几个方面:蒸汽压力波动、阀门控制系统故障、转速探头支架松动、信号回路接地、电磁干扰、转速仪表故障等;这些原因导致的汽轮机转速会以特定的形式表现出来;但现有技术中没有综合和设计合理的报警策略能通过检测转速异常发生时微弱特殊的工作状况来判断是否发生汽轮机转速异常。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种汽轮机转速异常的故障预警方法、系统、设备及介质,以解决现有技术中尚未有综合和设计合理的报警策略通过检测转速异常发生时微弱特殊的工作状态来判断是否发生汽轮机转速异常的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明提供了一种汽轮机转速异常的故障预警方法,包括以下步骤:
获取汽轮机若干独立测点的转速历史数据;
构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;
利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;
采集汽轮机若干独立测点的转速实时数据;
根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果。
进一步的,根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果之后,还包括保护执行步骤;
所述保护执行步骤,具体如下:
根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
进一步的,根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果的过程,具体如下:
在锅炉负荷大于0MW的条件下,若满足两个报警条件中任一报警条件时,则所述汽轮机转速出现故障异常;否则,所述汽轮机转速无故障异常;其中,所述两个报警条件具体如下:
(1)汽轮机某一独立测点的转速实时数据大于汽轮机的转速故障报警限定值;
(2)汽轮机若干独立测点的转速实时数据两两相减的差值,均大于预设的转速差值阈值。
进一步的,预设的转速差值阈值为30rpm。
进一步的,汽轮机若干独立测点的个数为三个。
本发明还提供了一种汽轮机转速异常的故障预警系统,包括:
第一采集模块,用于获取汽轮机若干独立测点的转速历史数据;
模型构建模块,用于构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;
预测模块,用于利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;
第二采集模块,用于采集汽轮机若干独立测点的转速实时数据;
逻辑判断模块,用于根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果。
进一步的,还包括显示模块;所述显示模块,用于显示所述汽轮机转速异常的故障预警结果。
进一步的,还包括保护执行模块;所述保护执行模块,用于根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
本发明还提供了一种汽轮机转速异常的故障预警设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述一种汽轮机转速异常的故障预警方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述一种汽轮机转速异常的故障预警方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明提供了一种汽轮机转速异常的故障预警方法,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,获取汽轮机转速预测模型;根据汽轮机转速预测模型,获取汽轮机的转速故障报警限定值,能够在转速故障异常的最初阶段进行报警,避免了汽轮机因转速异常导致振动幅度变大而造成巨大损失,有效提高了火电机组的运行安全;无需人为进行数据处理,故障预警结果精确度较高,可靠性好。
进一步的,根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机,汽轮机转速异常报警可以在汽轮机启动后及时发现在汽轮机安装过程中的不合格问题,便于汽轮机组的安全运行,同时便于汽轮机后续的维护和检修。
进一步的,在锅炉负荷大于零的情况下,汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,满足在故障的最初阶段进行汽轮机转速异常报警,避免了汽轮机因为转速异常导致震动幅度变大而造成巨大损失,提高了火电机组运行的安全性;实现对汽轮机转速异常进行自动检测,提高了火电机组运行的自动化程度。
附图说明
图1为实施例所述的故障预警方法的流程图;
图2为实施例所述的故障预警方法中的判断逻辑示意图;
图3为实施例所述的故障预警系统的结构框图;
图4为实施例所述的故障预警设备的结构框图。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种汽轮机转速异常的故障预警方法,包括以下步骤:
获取汽轮机若干独立测点的转速历史数据;
构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;
利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;
采集汽轮机若干独立测点的转速实时数据;
根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果;
根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
本发明所述的汽轮机转速异常的故障预警方法,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,获取汽轮机转速预测模型;根据汽轮机转速预测模型,获取汽轮机的转速故障报警限定值,能够在转速故障异常的最初阶段进行报警,避免了汽轮机因转速异常导致振动幅度变大而造成巨大损失,有效提高了火电机组的运行安全;无需人为进行数据处理,故障预警结果精确度较高,可靠性好;通过执行故障异常报警后,控制汽轮机跳闸或紧急停机的操作,有效保护了火电机组的安全,增加电厂的自动化程度。
实施例
如附图1所示,以某火电机组的汽轮机转速异常为例;本实施例提供了一种汽轮机转速异常的故障预警方法,具体包括以下步骤:
步骤1、获取汽轮机三个独立测点的转速历史数据。其中,所述三个独立测点的转速历史数据为对应独立测点的每分钟的转速历史数据。
步骤2、构建ANN模型,利用汽轮机三个独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型。本实施例中,所述的汽轮机转速预测模型,包括输入层、隐含层及输出层;其中,构建ANN模型之前,需设置人工神经网络ANN的参数;所述人工神经网络ANN的参数包括:人工神经网络ANN的输入模式、输出模式、隐含层层数、隐含层神经元个数、隐含层传递函数、输出层层数、输出层神经元个数及输出层传递函数。
人工神经网络ANN模型是由大量处理单元互联组成的非线性、自适应信息处理系统;其是在现代神经科学研究成果的基础上提出的,试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理;采用了与传统人工智能和信息处理技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。
步骤3、利用汽轮机转速预测模型,分别对汽轮机三个测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值。
步骤4、采集汽轮机上述三个独立测点的转速实时数据。
步骤5、根据预设判断逻辑,对汽轮机三个独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,以及将汽轮机三个独立测点的转速实时数据两两相减,并将两两相减的转速差值与预设的转速差值阈值进行比较,得到所述的汽轮机转速异常的故障预警结果。
如附图2所示,本实施例中,根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与各个测点的预测转速限定值进行比较,得到所述的汽轮机转速异常的故障预警结果的过程,具体如下:
在锅炉负荷大于0MW的条件下,若满足两个报警条件中任一报警条件时,则所述汽轮机转速出现故障异常;否则,所述汽轮机转速无故障异常;其中,所述两个报警条件具体如下:
(1)汽轮机某一独立测点的转速实时数据大于对应测点的预测转速限定值;所述测点的预测转速限定值为3050rpm;
(2)汽轮机若干独立测点的转速实时数据两两相减的差值,均大于预设的转速差值阈值;其中,预设的转速差值阈值为30rpm。
步骤6、根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
本实施例所述的汽轮机转速异常的故障预警方法,提出通过采集转速历史数据对汽轮机转速异常升高进行报警的策略;通过三个独立测点采集汽轮机转速历史数据,通过人工神经网络ANN模型对转速历史数据进行训练,得到汽轮机的转速故障报警限定值;在锅炉负荷大于零的情况下,对汽轮机的转速进行检测,如果三个独立测点的转速实时值之间的差值大于预设的差值阈值或超过人工神经网络ANN模型训练得到的汽轮机的转速故障报警限定值,实现在故障的最初阶段进行汽轮机转速异常报警,避免了汽轮机因为转速异常导致震动幅度变大而造成巨大损失,提高了火电机组运行的安全性。
如附图3所示,本实施例还提供了一种汽轮机转速异常的故障预警系统,包括第一采集模块、模型构建模块、预测模块、第二采集模块、逻辑判断模块、显示模块及保护执行模块。
其中,第一采集模块,用于获取汽轮机若干独立测点的转速历史数据;模型构建模块,用于构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;预测模块,用于利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;第二采集模块,用于采集汽轮机若干独立测点的转速实时数据;逻辑判断模块,用于根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果;显示模块,用于显示所述汽轮机转速异常的故障预警结果;保护执行模块,用于根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
如附图4所示,本实施例还提供了一种汽轮机转速异常的故障预警设备,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如汽轮机转速异常的故障预警程序;其中,附图4中的通讯接口,用于接入外部设备,以获取数据。
所述处理器执行所述计算机程序时实现上述汽轮机转速异常的故障预警方法的步骤,例如:取汽轮机若干独立测点的转速历史数据;构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;采集汽轮机若干独立测点的转速实时数据;根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果;根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
或者,所述处理器执行所述计算机程序时实现上述系统中各模块的功能,例如:第一采集模块,用于获取汽轮机若干独立测点的转速历史数据;模型构建模块,用于构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;预测模块,用于利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;第二采集模块,用于采集汽轮机若干独立测点的转速实时数据;逻辑判断模块,用于根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果;显示模块,用于显示所述汽轮机转速异常的故障预警结果;保护执行模块,用于根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本实施例。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述汽轮机转速异常的故障预警设备中的执行过程。
例如,所述计算机程序可以被分割成第一采集模块、模型构建模块、预测模块、第二采集模块、逻辑判断模块、显示模块及保护执行模块,各模块具体功能如下:第一采集模块,用于获取汽轮机若干独立测点的转速历史数据;模型构建模块,用于构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;预测模块,用于利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;第二采集模块,用于采集汽轮机若干独立测点的转速实时数据;逻辑判断模块,用于根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果;显示模块,用于显示所述汽轮机转速异常的故障预警结果;保护执行模块,用于根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
所述汽轮机转速异常的故障预警设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述汽轮机转速异常的故障预警设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述附图4的示意图仅仅是汽轮机转速异常的故障预警设备的示例,并不构成对汽轮机转速异常的故障预警设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述汽轮机转速异常的故障预警设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述汽轮机转速异常的故障预警设备的控制中心,利用各种接口和线路连接整个汽轮机转速异常的故障预警设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述汽轮机转速异常的故障预警设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述一种汽轮机转速异常的故障预警方法的步骤。
所述汽轮机转速异常的故障预警设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本实施例实现上述方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明所述的汽轮机转速异常的故障预警方法,实现不依靠人为判断就能检测到汽轮机转速异常的情况并且主动报警,进而可以及早发现和解决问题;本发明所述的汽轮机转速异常的故障预警方法,在锅炉负荷大于零的情况下,对汽轮机的转速进行检测,通过对历史数据进行人工神经网络训练的方法得到限定值,可以在故障的最初阶段进行汽轮机转速异常报警,避免了汽轮机因为转速异常导致震动幅度变大而造成巨大损失,提高了火电机组运行的安全性。汽轮机转速异常报警可以在汽轮机启动后及时发现在汽轮机安装过程中的不合格问题,便于汽轮机组的安全运行,同时便于汽轮机后续的维护和检修。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种汽轮机转速异常的故障预警方法,其特征在于,包括以下步骤:
获取汽轮机若干独立测点的转速历史数据;
构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;
利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;
采集汽轮机若干独立测点的转速实时数据;
根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果。
2.根据权利要求1所述的一种汽轮机转速异常的故障预警方法,其特征在于,根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果之后,还包括保护执行步骤;
所述保护执行步骤,具体如下:
根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
3.根据权利要求1所述的一种汽轮机转速异常的故障预警方法,其特征在于,根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果的过程,具体如下:
在锅炉负荷大于0MW的条件下,若满足两个报警条件中任一报警条件时,则所述汽轮机转速出现故障异常;否则,所述汽轮机转速无故障异常;其中,所述两个报警条件具体如下:
(1)汽轮机某一独立测点的转速实时数据大于汽轮机的转速故障报警限定值;
(2)汽轮机若干独立测点的转速实时数据两两相减的差值,均大于预设的转速差值阈值。
4.根据权利要求3所述的一种汽轮机转速异常的故障预警方法,其特征在于,预设的转速差值阈值为30rpm。
5.根据权利要求4所述的一种汽轮机转速异常的故障预警方法,其特征在于,汽轮机若干独立测点的个数为三个。
6.一种汽轮机转速异常的故障预警系统,其特征在于,包括:
第一采集模块,用于获取汽轮机若干独立测点的转速历史数据;
模型构建模块,用于构建ANN模型,利用汽轮机若干独立测点的转速历史数据对ANN模型进行训练,得到汽轮机转速预测模型;
预测模块,用于利用汽轮机转速预测模型,对汽轮机若干测点的转速限定值进行预测,得到汽轮机的转速故障报警限定值;
第二采集模块,用于采集汽轮机若干独立测点的转速实时数据;
逻辑判断模块,用于根据预设判断逻辑,对汽轮机若干独立测点的转速实时数据与汽轮机的转速故障报警限定值进行比较,得到所述的汽轮机转速异常的故障预警结果。
7.根据权利要求6所述的一种汽轮机转速异常的故障预警系统,其特征在于,还包括显示模块;所述显示模块,用于显示所述汽轮机转速异常的故障预警结果。
8.根据权利要求6所述的一种汽轮机转速异常的故障预警系统,其特征在于,还包括保护执行模块;所述保护执行模块,用于根据所述的汽轮机转速异常的故障预警结果,执行报警,并控制汽轮机跳闸或紧急停机。
9.一种汽轮机转速异常的故障预警设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述一种汽轮机转速异常的故障预警方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述一种汽轮机转速异常的故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453036.1A CN114151147B (zh) | 2021-11-30 | 2021-11-30 | 汽轮机转速异常的故障预警方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453036.1A CN114151147B (zh) | 2021-11-30 | 2021-11-30 | 汽轮机转速异常的故障预警方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114151147A true CN114151147A (zh) | 2022-03-08 |
CN114151147B CN114151147B (zh) | 2024-04-26 |
Family
ID=80455517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453036.1A Active CN114151147B (zh) | 2021-11-30 | 2021-11-30 | 汽轮机转速异常的故障预警方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114151147B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662761A (zh) * | 2023-06-28 | 2023-08-29 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060073013A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US20070071591A1 (en) * | 2003-09-22 | 2007-03-29 | Kabushiki Kaisha Toshiba | Protection system for turbo machine and power generating equipment |
CH699228A1 (de) * | 2008-07-21 | 2010-01-29 | Alstom Technology Ltd | Verfahren zur Primärregelung einer kombinierten Gas- und Dampfturbinenanlage. |
CN201623458U (zh) * | 2010-03-09 | 2010-11-03 | 杭州浙大威尔科技有限公司 | 在线自动检测异常振动的汽轮机超速保护装置 |
CN107085750A (zh) * | 2017-03-10 | 2017-08-22 | 广东工业大学 | 一种基于arma和ann的混合动态故障预测方法 |
CN113175358A (zh) * | 2021-04-16 | 2021-07-27 | 西安热工研究院有限公司 | 一种汽轮机转速信号分析方法、系统、设备及存储介质 |
-
2021
- 2021-11-30 CN CN202111453036.1A patent/CN114151147B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071591A1 (en) * | 2003-09-22 | 2007-03-29 | Kabushiki Kaisha Toshiba | Protection system for turbo machine and power generating equipment |
US20060073013A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to fluidized catalytic cracking unit |
CH699228A1 (de) * | 2008-07-21 | 2010-01-29 | Alstom Technology Ltd | Verfahren zur Primärregelung einer kombinierten Gas- und Dampfturbinenanlage. |
CN201623458U (zh) * | 2010-03-09 | 2010-11-03 | 杭州浙大威尔科技有限公司 | 在线自动检测异常振动的汽轮机超速保护装置 |
CN107085750A (zh) * | 2017-03-10 | 2017-08-22 | 广东工业大学 | 一种基于arma和ann的混合动态故障预测方法 |
CN113175358A (zh) * | 2021-04-16 | 2021-07-27 | 西安热工研究院有限公司 | 一种汽轮机转速信号分析方法、系统、设备及存储介质 |
Non-Patent Citations (9)
Title |
---|
刘占生, 须根法, 夏松波, 黄文虎: "旋转机械故障诊断的自学习方法研究", 振动工程学报, no. 04 * |
吴文杰;黄大贵;: "基于小波概率神经网络的旋转机械振动故障诊断技术", 核动力工程, no. 06 * |
周受钦, 谢友柏: "基于模糊神经网络的机械故障诊断研究", 汽轮机技术, no. 04 * |
张明;冯坤;江志农;: "基于动态自学习阈值和趋势滤波的机械故障智能预警方法", 振动与冲击, no. 24 * |
王庆锋等: "一种数据驱动的旋转机械早期故障检测模型构建和应用研究", 机械工程学报, vol. 56, no. 16, pages 24 * |
程卫国: "人工神经网络在汽轮机故障诊断中应用的研究", 发电设备, no. 1 * |
许焕新, 田沛, 许小刚: "小波包分析在汽轮机故障诊断中的应用", 电力科学与工程, no. 03 * |
陈波, 胡念苏, 周宇阳, 申, 赵瑜: "汽轮机组监测诊断系统中虚拟传感器的数学模型", 中国电机工程学报, no. 07 * |
陈长征, 张国福: "旋转机械故障神经网络诊断征兆表的建立", 石油化工高等学校学报, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662761A (zh) * | 2023-06-28 | 2023-08-29 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
CN116662761B (zh) * | 2023-06-28 | 2024-05-14 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114151147B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7185808B1 (ja) | 故障を検出するための方法および装置、モデルをトレーニングするための方法および装置、並びにそれらのデバイスおよび記憶媒体 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN114151147B (zh) | 汽轮机转速异常的故障预警方法、系统、设备及介质 | |
Wang et al. | Condition monitoring of wind turbine based on incremental learning and multivariate state estimation technique | |
CN114676863A (zh) | 水轮机轴瓦温度异常监测方法及系统 | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
Pang et al. | Multi kernel fusion convolutional neural network for wind turbine fault diagnosis | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN114444291B (zh) | 一种风机发电量损失精细化测算方法、系统、设备和介质 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN114635865A (zh) | 风机告警方法、终端及存储介质 | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及系统 | |
JP2019210811A (ja) | 風力発電システム | |
Fazli et al. | Wind turbine fault detection and isolation robust against data imbalance using KNN | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
CN115374653B (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
CN116624341A (zh) | 一种风电机组功率异常诊断方法、系统及设备 | |
CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 | |
Li et al. | Research on Fault Early Warning of Wind Turbine Pitch System based on Long Short-Term Memory Neural Network | |
CN114186485A (zh) | 低压加热器泄露故障检测方法、系统、设备及介质 | |
CN116879735A (zh) | 一种风电机组变桨电机温度故障识别方法及系统 | |
Guo | WEC condition monitoring based on SCADA data 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 |