CN114412685A - 一种水轮发电机组轴承温度分析与异常监测方法 - Google Patents
一种水轮发电机组轴承温度分析与异常监测方法 Download PDFInfo
- Publication number
- CN114412685A CN114412685A CN202111590604.2A CN202111590604A CN114412685A CN 114412685 A CN114412685 A CN 114412685A CN 202111590604 A CN202111590604 A CN 202111590604A CN 114412685 A CN114412685 A CN 114412685A
- Authority
- CN
- China
- Prior art keywords
- bearing
- generator set
- temperature
- vibration
- performance
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000005856 abnormality Effects 0.000 title description 5
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009525 mild injury Effects 0.000 claims description 3
- 230000009528 severe injury Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Water Turbines (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供一种水轮发电机组轴承性能分析与异常监测方法，包括以下步骤：水轮发电机组轴承检测装置采集水轮发电机组的发电机组轴承瓦温度数据、发电机组轴承振动数据和发电机组轴承所处环境振动数据；分别根据发电机组轴承瓦温度赋分模型、发电机组轴承振动数据赋分模型和发电机组轴承所处环境振动数据赋分模型对采集的数据进行评分，根据发电机组轴承性能赋分模型对水轮发电机组轴承综合性能进行评分，根据发电机组轴承性能得分判断发电机组轴承性能状态是否存在异常；本发明能够综合考虑机组轴瓦温度、轴承振动和所处环境振动之间的关系得出发电机组轴承性能真实状态，及时发现是否存在异常。
Description
技术领域
本发明涉及水轮机组设备检测领域，尤其涉及一种水轮发电机组轴承温度分析与异常监测方法。
背景技术
水轮发电机组是指以水轮机为原动机将水能转化为电能的发电机，是水电站生产电能的主要动力设备，水轮发电机组一般在发电机轴上、下端位置设计有导轴承和推力轴承，用以承受发电机组全部转动部件的轴向载荷以及径向摆动，水轮发电机组在工作时，轴承的温度以及振动幅度会出现异常情况，现有的状态监测系统仅仅能在水轮发电机组轴承发生故障时发出警报，无法实现发现潜在故障源，不能分析故障产生的原因，也并不能给出维修策略。
发明内容
本发明要解决的技术问题是：提供一种水轮发电机组轴承温度分析与异常监测方法，能够综合考虑机组轴瓦温度、轴承振动和所处环境振动之间的关系得出发电机组轴承性能真实状态，及时发现是否存在异常。
为了实现上述目的，本发明采用的技术方案是：一种水轮发电机组轴承温度分析与异常监测方法，包括以下步骤
S1、水轮发电机组轴承检测装置采集水轮发电机组的发电机组轴承瓦温度数据、发电机组轴承振动数据和发电机组轴承所处环境振动数据；
S2、分别根据发电机组轴承瓦温度赋分模型、发电机组轴承振动数据赋分模型和发电机组轴承所处环境振动数据赋分模型对采集的数据进行评分，
发电机组轴承瓦温度的赋分模型：
当0≤T≤38.3，则F＝100；
当38.3<T＜85.1，则F＝0.8×[-e(0.055×Tmax)+108.2]+0.2×(100-5 ×S)；
当85.1≤T，则F＝0；
其中T为发电机组轴承瓦温度，Tmax为同一采集周期同一轴承轴瓦温度最大值，S为轴承轴瓦温度同一采集周期的温度标准偏差，F为发电机组轴承瓦温度的得分值；
发电机组轴承振动数据的赋分模型：
当0≤Q＜350，则U＝100-2×Q÷35；
当350≤Q＜420，则U＝80-20×(Q-350)÷7；
当420≤Q＜525，则U＝40-20×(Q-420)÷105；
当525≤Q＜600，则U＝40-40×(Q-525)÷75；
其中Q为发电机组轴承振动峰峰值取均方根后的值，U为发电机组轴承振动的得分值；
发电机组轴承所处环境振动数据的赋分模型与发电机组轴承振动数据赋分模型一致，用发电机组轴承所处环境振动峰峰值取均方根后的值P替代Q，用发电机组轴承所处环境振动的得分值H替代U；
S3、根据发电机组轴承性能赋分模型对水轮发电机组轴承综合性能进行评分，根据发电机组轴承性能得分判断发电机组轴承性能状态是否存在异常；
发电机组轴承性能赋分模型：
当80≤min(F，U，H)≤100，G＝0.3×max(F，U，H)+0.3×med(F， U，H)+0.4×min(F，U，H)；
当60≤min(F，U，H)＜80，G＝0.1×max(F，U，H)+0.4×med(F， U，H)+0.5×min(F，U，H)；
当50≤min(F，U，H)＜60，G＝0.1×max(F，U，H)+0.2×med(F， U，H)+0.7×min(F，U，H)；
当0≤min(F，U，H)＜50，G＝0.1×max(F，U，H)+0.1×med(F，U， H)+0.8×min(F，U，H)；
其中max(F，U，H)表示F、U、H中的最大值，med(F，U，H)表示F、 U、H中的中间值，min(F，U，H)表示F、U、H中的最小值，G为发电机组轴承性能的得分值。
优选的，根据发电机组轴承性能得分将发电机组轴承性能状态得分划分四个状态包括优良(80-100)、提醒(60-80)、轻度损坏(50-60)和严重损坏 (低于50)；优良：设备可以长期稳定运行；提醒：有异常报警需临时停机短时处理(1天以内)；轻度损坏：设备轻度损坏需停机一定时间处理(2-15天)；严重损坏：设备严重损坏需长时间停机处理(15天以上)。
优选的，当发电机组轴承性能得分被判定为提醒，报警单元发出黄色一级警示；
当发电机组轴承性能得分被判定为轻度损坏，报警单元发出红色二级警示。
优选的，水轮发电机组轴承检测装置包括：
在水轮发电机组上导轴承、下导轴承、水导轴承和推力轴承轴瓦上安装的温度传感器，用于实时监测该位置处的轴瓦温度；
在水轮发电机组上导轴承、下导轴承、水导轴承和推力轴承﹢X方向、﹢Y方向安装的振动传感器，用于实时监测该位置处的振动峰峰值；
在水轮发电机组上导轴承、下导轴承、和水导轴承所处环境上机架、下机架及顶盖﹢X方向、﹢Y方向安装的振动传感器，用于实时监测该位置处的振动峰峰值。
优选的，由多组同一数据采集周期采集的温度值与振动值进行计算得出对应的机组轴承性能得分，利用人工神经网络，训练计算机学习生成相对应的机组轴承性能评估曲线。
优选的，在相邻两个采集周期内，当对应轴瓦温度监测值变化大于ΔT，则判定温度值存在突变，温度突变轴承瓦温度值判定无效，以上一采集周期数据为准。
优选的，当发电机组轴承瓦温度的得分值F、发电机组轴承瓦温度的得分值U或发电机组轴承所处环境振动的得分值H处于60-80，则对应的发电机组轴承瓦温度性能状态、发电机组轴承振动性能状态或发电机组轴承所处环境性能状态为提醒，报警单元发出黄色一级警示；
当发电机组轴承瓦温度的得分值F、发电机组轴承瓦温度的得分值U或发电机组轴承所处环境振动的得分值H处于50-60，则对应的发电机组轴承瓦温度性能状态、发电机组轴承振动性能状态或发电机组轴承所处环境性能状态为轻度损坏，报警单元会直接发出红色二级警报。
根据上述技术方案，本发明的有益效果是：
本发明能够有效的对水轮发电组轴承的温度、振动情况和所处环境振动情况进行监测，然后根据本发明提供的赋分模型分别赋分，接着综合考虑机组轴瓦温度、轴承振动和所处环境振动之间的关系得出发电机组轴承性能得分以及状态，及时发现潜在故障源，分析出故障产生的原因，给出维修策略，极大提升了水轮发电机组轴承性能检测的准确性和真实性，更加清晰直观量化地了解水轮发电机组轴承的性能，能够为机组设备下一步检修方式提供重要依据。
附图说明
图1为本发明的处理流程图。
具体实施方式
如图1所示，一种水轮发电机组轴承温度分析与异常监测方法，在水轮发电机组上导轴承、下导轴承、水导轴承和推力轴承轴瓦上安装温度传感器，用于实时监测该位置处的轴瓦温度；在水轮发电机组上导轴承、下导轴承、水导轴承和推力轴承﹢X方向、﹢Y方向安装振动传感器，用于实时监测该位置处的振动峰峰值；在水轮发电机组上导轴承、下导轴承、和水导轴承所处环境上机架、下机架及顶盖﹢X方向、﹢Y方向安装振动传感器，用于实时监测该位置处的振动峰峰值.
后台计算机系统内设有数据分析单元，数据分析单元直接从温度传感器和振动传感器获取温度和振动数据，并经过分析后输出发电机组轴承稳定性能分值。
将发电机组轴承瓦温度定义为T，T上、T下、T水和T推分别定义为上导轴承、下导轴承、水导轴承和推力轴承瓦温温度值，根据发电机组轴承瓦温度赋分模型得到发电机组轴承瓦温度的得分值F，F上、F下、F水和F推分别代表上导轴承瓦、下导轴承瓦、水导轴承瓦和推力轴承瓦的温度分值,T值越小，则对应F值越高。
将同一采集周期的上导轴承、下导轴承、水导轴承和推力轴承瓦温温度值分别定义为(T上a、T上b、T上c……T上n)、(T下a、T下b、T下c……T 下n)、(T水a、T水b、T水c……T水n)和(T推a、T推b、T推c……T推n)，对比不同轴承处轴瓦温度值，并选取各个轴承轴瓦温度最大值，分别定义为：T 上max、T下max、T水max和T推max；并根据各个轴承轴瓦温度计算各部位温度标准偏差，分别定义为S上、S下、S水和S推。
根据实际运行经验，温度变化存在连续性，故在相邻两个采集周期内，如果对应轴瓦温度监测值变化大于ΔT，则判定温度值存在突变，温度突变轴承瓦温度值判定无效，以上一采集周期数据为准。其中，ΔT的取值大小由工程师根据过往轴瓦温度数据取值为1℃。
发电机组轴承瓦温度的赋分模型：
当0≤T≤38.3，则F＝100；
当38.3<T＜85.1，则F＝0.8×[-e(0.055×Tmax)+108.2]+0.2×(100-5 ×S)；
当85.1≤T，则F＝0；
其中T的单位为℃。
当同一周期的上导轴承的最大值为48.4℃，在这个周期的上导轴承温度的标准偏差为2.13，对应的上导轴承温度得分F＝0.8×[-e(0.055× 48.4)+108.2]+0.2×(100-5×2.13)＝93.0。
若60≤F≤80，则对应的发电机组轴承瓦性能状态为提醒，报警单元会发出一级警示，警示为黄色；
若50≤F≤60时，则报警单元会直接发出二级警报，警示为红色。
将发电机组轴承﹢X方向、﹢Y方向振动峰峰值取均方根后定义为Q，上导轴承、下导轴承、水导轴承和推力轴承的﹢X方向、﹢Y方向振动峰峰值均方根分别定义为Q上、Q下、Q水和Q推。根据发电机组轴承振动数据赋分模型得到发电机组轴承振动的得分值U，U上、U下、U水和U推分别代表上导轴承、下导轴承、水导轴承和推力轴承的振动分值，Q的值越小，则对应U值越高。
发电机组轴承振动数据的赋分模型：
当0≤Q＜350，则U＝100-2×Q÷35；
当350≤Q＜420，则U＝80-20×(Q-350)÷7；
当420≤Q＜525，则U＝40-20×(Q-420)÷105；
当525≤Q＜600，则U＝40-40×(Q-525)÷75；
其中Q的单位为μm。
当推力轴承﹢X方向、﹢Y方向振动峰峰值均方根为200μm，对应的推力轴承﹢X方向、﹢Y方向振动得分U＝100-2×200÷35＝88.57。
若60≤U≤80，则对应的发电机组轴承振动性能状态为提醒，报警单元会发出一级警示，警示为黄色；
若50≤U≤60时，则报警单元会直接发出二级警报，警示为红色。
将上机架、下机架及顶盖﹢X方向、﹢Y方向振动峰峰值取均方根后定义为P，上机架、下机架及顶盖﹢X方向、﹢Y方向振动峰峰值取均方根分别定义为P上、P下和P顶。根据发电机组轴承所处环境振动数据赋分模型得到发电机组轴承振动的得分值H，H上、H下和H顶分别代表上机架、下机架及顶盖的振动分值，P的值越小，则对应H值越高。
发电机组轴承振动数据的赋分模型：
当0≤P＜350，则H＝100-2×P÷35；
当350≤P＜420，则H＝80-20×(P-350)÷7；
当420≤P＜525，则H＝40-20×(P-420)÷105；
当525≤P＜600，则H＝40-40×(P-525)÷75；
其中P的单位为μm。
当上机架﹢X方向、﹢Y方向振动峰峰值均方根为180μm，对应的上机架﹢X方向、﹢Y方向振动得分H＝100-2×180÷35＝89.71。
若60≤H≤80，则对应的发电机组轴承所处环境性能状态为提醒，报警单元会发出一级警示，警示为黄色；
若50≤H≤60时，则报警单元会直接发出二级警报，警示为红色。
综合考虑机组轴瓦温度、轴承振动和所处环境振动之间的关系，给温度分值、轴承振动分值和环境振动分值分配赋分权重，由轴承的F、U和H根据发电机组轴承性能赋分模型得到轴承性能赋分值G，G上、G下、G水和G顶分别代表上导轴承、下导轴承、水导轴承和推力轴承赋分。G值越大，即表示发电机组轴承的性能越好。
发电机组轴承性能赋分模型：
当80≤min(F，U，H)≤100，G＝0.3×max(F，U，H)+0.3×med(F， U，H)+0.4×min(F，U，H)；
当60≤min(F，U，H)＜80，G＝0.1×max(F，U，H)+0.4×med(F， U，H)+0.5×min(F，U，H)；
当50≤min(F，U，H)＜60，G＝0.1×max(F，U，H)+0.2×med(F，U，H)+0.7×min(F，U，H)；
当0≤min(F，U，H)＜50，G＝0.1×max(F，U，H)+0.1×med(F，U， H)+0.8×min(F，U，H)；
其中max(F，U，H)表示F、U、H中的最大值，med(F，U，H)表示F、 U、H中的中间值，min(F，U，H)表示F、U、H中的最小值。
当推力轴承温度得分F为89，振动得分U为92，所处环境振动得分H 为94，则推力轴承性能得分G＝0.3×max(89，92，94)+0.3×med(89，92， 94)+0.4×min(89，92，94)＝91.4。
推力轴承无外部环境振动值，在使用G＝α×F’+β×U+ε×H时，将ε取值为0。同理，在使用过程中发电机组轴承处采集数据各有不同，若无此项采集数据时，此处对应分配赋分权重为零。
根据发电机组轴承性能得分将发电机组轴承性能状态划分四个状态包括优良(80-100)、提醒(60-80)、轻度损坏(50-60)和严重损坏(低于50)；优良：设备可以长期稳定运行；提醒：有异常报警需临时停机短时处理(1天以内)；轻度损坏：设备轻度损坏需停机一定时间处理(2-15天)；严重损坏：设备严重损坏需长时间停机处理(15天以上)。
若60≤G≤80，则对应的发电机组轴承性能状态为提醒，报警单元会发出一级警示，警示为黄色；
若50≤G≤60时，则报警单元会直接发出二级警报，警示为红色。
根据上述函数关系，由多组同一数据采集周期上导轴承、下导轴承、水导轴承和推力轴承瓦温温度值与振动值进行计算得出对应的机组轴承性能得分，利用人工神经网络，训练计算机学习生成相对应的机组轴承性能评估曲线，即可通过所述发电机组轴承性能状态评估曲线直接由(T上、V上x、V上y、W下 x、W下y)、(T下、V下x、V下y、W下x、W下y)、(T水、V水x、V水y、W 顶x、W顶y)和(T推、V推x、V推y)得出对应的G上、G下、G水和G推。
需要说明的是，上述实施例仅用来说明本发明，但本发明并不局限于上述实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明的保护范围内。
Claims (7)
1.一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：包括以下步骤
S1、水轮发电机组轴承检测装置采集水轮发电机组的发电机组轴承瓦温度数据、发电机组轴承振动数据和发电机组轴承所处环境振动数据；
S2、分别根据发电机组轴承瓦温度赋分模型、发电机组轴承振动数据赋分模型和发电机组轴承所处环境振动数据赋分模型对采集的数据进行评分，
发电机组轴承瓦温度的赋分模型：
当0≤T≤38.3，则F＝100；
当38.3<T＜85.1，则F＝0.8×[-e(0.055×Tmax)+108.2]+0.2×(100-5×S)；
当85.1≤T，则F＝0；
其中T为发电机组轴承瓦温度，Tmax为同一采集周期同一轴承轴瓦温度最大值，S为轴承轴瓦温度同一采集周期的温度标准偏差，F为发电机组轴承瓦温度的得分值；
发电机组轴承振动数据的赋分模型：
当0≤Q＜350，则U＝100-2×Q÷35；
当350≤Q＜420，则U＝80-20×(Q-350)÷7；
当420≤Q＜525，则U＝40-20×(Q-420)÷105；
当525≤Q＜600，则U＝40-40×(Q-525)÷75；
其中Q为发电机组轴承振动峰峰值取均方根后的值，U为发电机组轴承振动的得分值；
发电机组轴承所处环境振动数据的赋分模型与发电机组轴承振动数据赋分模型一致，用发电机组轴承所处环境振动峰峰值取均方根后的值P替代Q，用发电机组轴承所处环境振动的得分值H替代U；
S3、根据发电机组轴承性能赋分模型对水轮发电机组轴承综合性能进行评分，根据发电机组轴承性能得分判断发电机组轴承性能状态是否存在异常；
发电机组轴承性能赋分模型：
当80≤min(F，U，H)≤100，G＝0.3×max(F，U，H)+0.3×med(F，U，H)+0.4×min(F，U，H)；
当60≤min(F，U，H)＜80，G＝0.1×max(F，U，H)+0.4×med(F，U，H)+0.5×min(F，U，H)；
当50≤min(F，U，H)＜60，G＝0.1×max(F，U，H)+0.2×med(F，U，H)+0.7×min(F，U，H)；
当0≤min(F，U，H)＜50，G＝0.1×max(F，U，H)+0.1×med(F，U，H)+0.8×min(F，U，H)；
其中max(F，U，H)表示F、U、H中的最大值，med(F，U，H)表示F、U、H中的中间值，min(F，U，H)表示F、U、H中的最小值，G为发电机组轴承性能的得分值。
2.根据权利要求1所述的一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：根据发电机组轴承性能得分将发电机组轴承性能状态得分划分四个状态包括优良(80-100)、提醒(60-80)、轻度损坏(50-60)和严重损坏(低于50)；优良：设备可以长期稳定运行；提醒：有异常报警需临时停机短时处理(1天以内)；轻度损坏：设备轻度损坏需停机一定时间处理(2-15天)；严重损坏：设备严重损坏需长时间停机处理(15天以上)。
3.根据权利要求2所述的一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：当发电机组轴承性能得分被判定为提醒，报警单元发出黄色一级警示；当发电机组轴承性能得分被判定为轻度损坏，报警单元发出红色二级警示。
4.根据权利要求1所述的一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：水轮发电机组轴承检测装置包括：
在水轮发电机组上导轴承、下导轴承、水导轴承和推力轴承轴瓦上安装的温度传感器，用于实时监测该位置处的轴瓦温度；
在水轮发电机组上导轴承、下导轴承、水导轴承和推力轴承﹢X方向、﹢Y方向安装的振动传感器，用于实时监测该位置处的振动峰峰值；
在水轮发电机组上导轴承、下导轴承、和水导轴承所处环境上机架、下机架及顶盖﹢X方向、﹢Y方向安装的振动传感器，用于实时监测该位置处的振动峰峰值。
5.根据权利要求1所述的一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：由多组同一数据采集周期采集的温度值与振动值进行计算得出对应的机组轴承性能得分，利用人工神经网络，训练计算机学习生成相对应的机组轴承性能评估曲线。
6.根据权利要求1所述的一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：在相邻两个采集周期内，当对应轴瓦温度监测值变化大于ΔT，则判定温度值存在突变，温度突变轴承瓦温度值判定无效，以上一采集周期数据为准。
7.根据权利要求1所述的一种水轮发电机组轴承性能分析与异常监测方法，其特征在于：当发电机组轴承瓦温度的得分值F、发电机组轴承瓦温度的得分值U或发电机组轴承所处环境振动的得分值H处于60-80，则对应的发电机组轴承瓦温度性能状态、发电机组轴承振动性能状态或发电机组轴承所处环境性能状态为提醒，报警单元发出黄色一级警示；
当发电机组轴承瓦温度的得分值F、发电机组轴承瓦温度的得分值U或发电机组轴承所处环境振动的得分值H处于50-60，则对应的发电机组轴承瓦温度性能状态、发电机组轴承振动性能状态或发电机组轴承所处环境性能状态为轻度损坏，报警单元会直接发出红色二级警报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111590604.2A CN114412685B (zh) | 2021-12-23 | 2021-12-23 | 一种水轮发电机组轴承温度分析与异常监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111590604.2A CN114412685B (zh) | 2021-12-23 | 2021-12-23 | 一种水轮发电机组轴承温度分析与异常监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114412685A true CN114412685A (zh) | 2022-04-29 |
| CN114412685B CN114412685B (zh) | 2024-01-26 |
Family
ID=81267084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111590604.2A Active CN114412685B (zh) | 2021-12-23 | 2021-12-23 | 一种水轮发电机组轴承温度分析与异常监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114412685B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293302A (zh) * | 2022-10-09 | 2022-11-04 | 华能信息技术有限公司 | 一种发电厂数据管理综合系统及方法 |
| CN115573845A (zh) * | 2022-09-14 | 2023-01-06 | 华电电力科学研究院有限公司 | 一种融合机组在、离线数据的振摆趋势预警方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS54129239A (en) * | 1978-03-30 | 1979-10-06 | Toshiba Corp | Water-turbine and pumping water-turbine |
| WO1999042240A1 (en) * | 1998-02-19 | 1999-08-26 | Bently Nevada Corporation | Diagnosing and controlling rotating stall and surge in rotating machinery |
| CN111425337A (zh) * | 2020-02-14 | 2020-07-17 | 国家电网有限公司 | 一种水电机组振动的反时限保护方法 |
| CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
| CN113217256A (zh) * | 2021-05-24 | 2021-08-06 | 华能澜沧江水电股份有限公司 | 一种优化水轮发电机组开机顺序的操作方法 |
-
2021
- 2021-12-23 CN CN202111590604.2A patent/CN114412685B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS54129239A (en) * | 1978-03-30 | 1979-10-06 | Toshiba Corp | Water-turbine and pumping water-turbine |
| WO1999042240A1 (en) * | 1998-02-19 | 1999-08-26 | Bently Nevada Corporation | Diagnosing and controlling rotating stall and surge in rotating machinery |
| CN111425337A (zh) * | 2020-02-14 | 2020-07-17 | 国家电网有限公司 | 一种水电机组振动的反时限保护方法 |
| CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
| CN113217256A (zh) * | 2021-05-24 | 2021-08-06 | 华能澜沧江水电股份有限公司 | 一种优化水轮发电机组开机顺序的操作方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115573845A (zh) * | 2022-09-14 | 2023-01-06 | 华电电力科学研究院有限公司 | 一种融合机组在、离线数据的振摆趋势预警方法和系统 |
| CN115573845B (zh) * | 2022-09-14 | 2023-07-25 | 华电电力科学研究院有限公司 | 一种融合机组在离线数据的振摆趋势预警方法和系统 |
| CN115293302A (zh) * | 2022-10-09 | 2022-11-04 | 华能信息技术有限公司 | 一种发电厂数据管理综合系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114412685B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105403811B (zh) | 风电场电网故障诊断方法和装置 | |
| CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
| CN114412685A (zh) | 一种水轮发电机组轴承温度分析与异常监测方法 | |
| CN108446483B (zh) | 计及风电机组传动系统疲劳的风电场可靠性评估方法 | |
| Mayadevi | A Review on Expert System Applications in Power Plants | |
| CN102434388A (zh) | 风力发电机组健康状态在线监测装置及其监测方法 | |
| CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
| CN202326011U (zh) | 一种风电机组的状态监测与故障诊断系统 | |
| CN104392082A (zh) | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 | |
| Zhan et al. | Health assessment methods for wind turbines based on power prediction and mahalanobis distance | |
| CN105065212A (zh) | 一种风电场风电机组校验方法及系统 | |
| CN112952830B (zh) | 一种故障后电力系统暂态稳定预测方法 | |
| CN106230378A (zh) | 一种光伏电站组串故障的诊断方法 | |
| CN110907170A (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
| CN109919495A (zh) | 基于阈值计算的光伏电站监测数据异常与程度判断方法 | |
| Xue et al. | A data-driven diagnosis method of open-circuit switch faults for PMSG-based wind generation system | |
| Marugán et al. | Multivariable analysis for advanced analytics of wind turbine management | |
| CN114184956A (zh) | 一种基于大数据管理的服役风力发电机组故障预测方法 | |
| Moloi et al. | Fault detection in power system integrated network with distribution generators using machine learning algorithms | |
| CN108491622A (zh) | 一种风电机组的故障诊断方法及系统 | |
| Mutharasan et al. | Fault detection and power quality analysis of wind turbine system using integrated systems | |
| CN112855462A (zh) | 一种风机设备预警方法及系统 | |
| CN107218180B (zh) | 一种基于振动加速度测量的风力发电机组传动系统故障报警方法 | |
| Mary | Fault Diagnosis and Control Techniques for Wind Energy Conversion System: A Systematic Review | |
| Long et al. | Wind turbine anomaly identification based on improved deep belief network with SCADA data |
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 |