CN114841534A - 顶盖排水系统的智能诊断与实时故障预警分析方法及系统 - Google Patents

顶盖排水系统的智能诊断与实时故障预警分析方法及系统 Download PDF

Info

Publication number
CN114841534A
CN114841534A CN202210417189.9A CN202210417189A CN114841534A CN 114841534 A CN114841534 A CN 114841534A CN 202210417189 A CN202210417189 A CN 202210417189A CN 114841534 A CN114841534 A CN 114841534A
Authority
CN
China
Prior art keywords
early warning
state
real
vector
top cover
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
CN202210417189.9A
Other languages
English (en)
Inventor
任刚
张舸
徐龙
张辉
丁萁琦
汪林
王登贤
薛云蛟
王杰飞
庄琎
肖志怀
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.)
China Yangtze Power Co Ltd
Original Assignee
China Yangtze Power 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 China Yangtze Power Co Ltd filed Critical China Yangtze Power Co Ltd
Priority to CN202210417189.9A priority Critical patent/CN114841534A/zh
Publication of CN114841534A publication Critical patent/CN114841534A/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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明公开一种顶盖排水系统的智能诊断与实时故障预警分析方法及系统，包括：对各个状态特征量归一化处理，构造表示顶盖排水系统健康状态的状态向量；计算正常状态下状态向量集合的均值向量，得到系统健康状态聚类中心向量；计算状态向量集合中各个向量与健康状态聚类中心向量的欧式距离，计算连续n个欧式距离的平均值作为顶盖排水系统状态预警指标，以平均值与三倍标准差之和作为系统故障预警阈值；计算实时监测信号状态向量集合中各个向量与健康状态聚类中心向量的欧式距离，计算连续n个欧式距离的平均值作为实时状态预警指标；本发明解决了常规预警方法缺乏自动化、智能化故障预警能力的技术问题。

Description

顶盖排水系统的智能诊断与实时故障预警分析方法及系统
技术领域
本发明涉及流体机械故障诊断技术领域，具体地指一种顶盖排水系统的智能诊断与实时故障预警分析方法及系统。
背景技术
水电作为我国目前体量最大的可再生能源，扮演着能源转型的重要角色，一方面，常规水电和抽水蓄能迎来新的发展机遇，装机规模快速增长，在电网中占比越来越大；另一方面，电力系统中风能及太阳能等间歇可再生能源的比重逐渐增加，为了保证间歇可再生能源与现有电力系统的良好集成，水电能源将承担更多的调峰、调频任务，对水电能源安全运行与管理提出了更高的要求。而水电机组作为水电能源转换的关键设备，正在向大型化、复杂化、大功率方向发展，机组结构日趋复杂，集成化程度越来越高,其安全性和稳定性已成为电力行业关注的焦点。因此，为确保水电机组和电网安全、稳定运行，提高设备利用率，避免重大经济损失和人员伤亡，十分有必要对水电机组进行故障趋势预警。
顶盖排水系统是水电机组单元自动控制系统的一部分，对于水轮发电机组容量大的水电站,其机组结构复杂,机组自动控制单元系统庞大，运维检修人员实时对生产发电过程进行监视、迅速而准确地对各种设备故障做出判断也变得越来越困难，对于工作人员自己无法确定以及事后判断的故障一般都要停机检测以查找故障,这样就不可避免的造成水电站的经济损失。特别对于那些征兆不明显、电站工作人员又无法靠感觉器官和仪表检测来查找而又会引起重大事故的故障,带来的经济损失更是巨大。由于水轮发电机组自动控制系统本身及相关的自动化元件都是在复杂恶劣的环境下工作的,即使采用最好的设备或元件,也可能出现故障。
现阶段对水电站故障预警的研究对象较多的是水轮发电机组等主要设备，对自动控制系统的故障预警研究则较少,且仅局限在对水轮发电机组辅助设备的参数监视和主要设备的指令操作控制等功能上，缺乏自动化、智能化故障预警的能力。
发明内容
本发明目的在于克服上述不足，提供一种顶盖排水系统的智能诊断与实时故障预警分析方法及系统，解决现有技术中针对常规水电水轮机顶盖排水系统故障预警方法仅局限在对水轮发电机组辅助设备的参数监视和主要设备的指令操作控制等功能上,缺乏自动化、智能化故障预警的能力的技术问题。
本发明为解决上述技术问题，所采用的技术方案是：一种顶盖排水系统的智能诊断与实时故障预警分析方法，它包括如下步骤：
步骤1，对采集的顶盖排水系统监测数据处理，得到与顶盖排水系统状态关联的各个状态特征量；
步骤2，对各个状态特征量归一化处理，然后构造表示顶盖排水系统健康状态的状态向量，多个状态向量组成状态向量集合；
步骤3，计算顶盖排水系统正常状态下的状态向量集合的均值向量，得到系统健康状态聚类中心向量；
步骤4，按照所述步骤1-步骤2得到顶盖排水系统健康状态下的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值；
步骤5，按照所述步骤1-步骤2得到顶盖排水系统实时监测信号的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统实时状态预警指标。
优选地，所述步骤2中归一化处理方法采用最大最小值法进行线性归一化，公式为：
Figure BDA0003606504510000021
进一步地，所述步骤2中构建状态向量与状态向量集合过程为：
若状态特征量体系中有n个状态特征量，经过密度统一后，每个状态检测量分别都有m个数据，则第一个状态向量将是一个n维向量：
X1＝(x11 x21 x31 ... xn1)T
进一步地，所述步骤2中状态向量集合为：
X＝(X1 X2 X3 ... Xm)
即
Figure BDA0003606504510000031
优选地，所述步骤4、步骤5中的聚类方法使用欧式空间聚类模型，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标。
优选地，所述步骤4中的阈值，使用高斯阈值法则确定，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值。
另外，本发明还公开一种顶盖排水系统的智能诊断与实时故障预警分析系统，所述系统包括：数据库模块、数据缓存模块、数据处理模块、实时故障预警模块；
所述数据库模块，用于存储水电机组测点原始数据，以及经过数据处理模块处理而得的各个状态特征量数据、系统健康状态聚类中心向量、系统故障预警阈值、系统历史状态预警指标等数据结果；
所述数据缓存模块，用于存储由数据处理模块处理而得的水电机组顶盖排水系统实时状态预警指标等实时数据；
所述数据处理模块，为系统后台算法程序。该模块一方面，用于采集所述数据库模块中的测点原始数据，并对其进行运算处理得到所述步骤1-步骤5中的顶盖排水系统状态特征量、系统健康状态下的状态向量、系统健康状态聚类中心向量、系统故障预警阈值、系统实时状态预警指标，完成数据的初始化；另一方面，与数据库模块、数据缓存模块、实时故障预警模块相连接，作为模块间的信息传输枢纽，将处理后的数据通过接口分别发送至各个模块。
所述实时故障预警模块，用于实现一种顶盖排水系统的智能诊断与实时故障预警分析方法的展示。
进一步地，所述实时故障预警模块包括以下部分：历史数据监测部分、单一状态特征量预警部分、欧式距离预警指标预警部分、系统综合预警部分、预警信息部分；
所述历史数据监测部分接收并展示数据库历史状态特征量数据；
所述单一状态特征量预警部分，对单一状态特征量是否处于正常状态进行评估，如果状态特征量实时值不在正常值区间内，则对单一状态特征量预警；
所述欧式距离预警指标预警部分，通过对比基于欧式空间聚类模型的系统实时状态预警指标和系统故障预警阈值，若预警指标超出阈值，则对系统整体状态进行预警；
所述系统综合预警部分，关联所述单一状态特征量预警部分和欧式距离预警指标预警部分，根据上述两部分的预警结果，判定系统综合运行状态等级(正常、注意、异常三个等级)；
所述预警信息部分，关联所述单一状态特征量预警部分、欧式距离预警指标预警部分和系统综合预警部分，展示出现异常预警时刻的系统运行状态信息。
进一步地，
系统综合运行状态等级判定逻辑为：
当系统所有状态特征量预警结果均为正常，系统实时状态预警指标正常时，系统综合运行状态等级为：正常；
当系统有一个及以上状态特征量预警结果为异常，系统实时状态预警指标正常时，系统综合运行状态等级为：注意；
当系统所有状态特征量预警结果均为正常，系统实时状态预警指标为异常时，系统综合运行状态等级为：异常；
当系统实时状态预警指标超过阈值，并同时存在一个及以上状态特征量预警结果为异常时，系统综合运行状态等级为：异常。
本发明还公开一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至5任一项所述顶盖排水系统的智能诊断与实时故障预警分析方法的步骤。
本发明还公开一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1至5任一项所述顶盖排水系统的智能诊断与实时故障预警分析方法的步骤。
与现有技术相比，本发明具有如下有益效果：
(1)针对目前水电机组顶盖排水系统故障预警方法的不足，基于欧式空间聚类模型和高斯阈值，将欧式空间聚类中心方法与高斯阈值法相结合，对顶盖排水系统运行状态进行实时的风险评估和故障趋势预警；
(2)利用机组单元自动控制系统历史健康状态监测信号，充分考虑入顶盖排水系统的监测值复杂程度和运行工况的多变性，设计各个状态特征量的判断逻辑，提取出能够反映系统整体状态的状态特征量；
(3)引入微服务架构，结合所述故障预警方法，在微服务架构上开发预警系统，系统集成遵循安全性、稳定性、可移植性、开放性、模块化等原则，并使用水电站真实监测数据进行开发、测试，推进故障预警方法理论成果向应用层面转化；
(4)充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组历史数据进行自学习，更新顶盖排水系统预警模型，提高预警准确性。
(5)本发明通过水电机组顶盖排水系统故障预警分析方法研究及应用,在自动控制系统故障未发生之时,可以掌握顶盖排水系统大部分的运行信息、健康状态和发展趋势,指导运维人员进行调控,延长设备运行周期,确保整个水电站设备性能的有效发挥,尽可能减少事故发生的几率使故障不发生或减轻故障的影响与后果为维护决策提供依据,使维修工作目的明确、方法科学,缩短维修时间同时为制定合理的检测维修制度提供基础，是水电站的安全可靠运行、以及获取大经济效益和社会效益的保证。
附图说明
图1为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法的流程图；
图2为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法的实施例的流程图；
图3为本发明提供的具体应用实施例中顶盖排水系统预警指标实时变化趋势变化图；
图4为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析系统的实施例的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，一种顶盖排水系统的智能诊断与实时故障预警分析方法，它包括如下步骤：
步骤1，对采集的顶盖排水系统监测数据处理，得到与顶盖排水系统状态关联的各个状态特征量；
步骤2，对各个状态特征量归一化处理，然后构造表示顶盖排水系统健康状态的状态向量，多个状态向量组成状态向量集合；
步骤3，计算顶盖排水系统正常状态下的状态向量集合的均值向量，得到系统健康状态聚类中心向量；
步骤4，按照所述步骤1-步骤2得到顶盖排水系统健康状态下的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值；
步骤5，按照所述步骤1-步骤2得到顶盖排水系统实时监测信号的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统实时状态预警指标。
本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法，针对目前水电机组顶盖排水系统故障预警方法的不足，基于欧式空间聚类模型和高斯阈值，将欧式空间聚类中心方法与高斯阈值法相结合，对顶盖排水系统运行状态进行实时的风险评估和故障趋势预警；利用机组单元自动控制系统历史健康状态监测信号，充分考虑入顶盖排水系统的监测值复杂程度和运行工况的多变性，设计各个状态特征量的判断逻辑，提取出能够反映系统整体状态的状态特征量；引入微服务架构，结合所述故障预警方法，在微服务架构上开发预警系统，系统集成遵循安全性、稳定性、可移植性、开放性、模块化等原则，并使用水电站真实监测数据进行开发、测试，推进故障预警方法理论成果向应用层面转化；充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组历史数据进行自学习，更新顶盖排水系统预警模型，提高预警准确性。
优选地，所述步骤2中归一化处理方法采用最大最小值法进行线性归一化，公式为：
Figure BDA0003606504510000071
进一步地，所述步骤2中构建状态向量与状态向量集合过程为：
若状态特征量体系中有n个状态特征量，经过密度统一后，每个状态检测量分别都有m个数据，则第一个状态向量将是一个n维向量：
X1＝(x11 x21 x31 ... xn1)T
进一步地，所述步骤2中状态向量集合为：
X＝(X1 X2 X3 ... Xm)
即
Figure BDA0003606504510000081
优选地，所述步骤4、步骤5中的聚类方法使用欧式空间聚类模型，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标。
优选地，所述步骤4中的阈值，使用高斯阈值法则确定，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值。
另外，本发明还公开一种顶盖排水系统的智能诊断与实时故障预警分析系统，所述系统包括：数据库模块、数据缓存模块、数据处理模块、实时故障预警模块；
所述数据库模块，用于存储水电机组测点原始数据，以及经过数据处理模块处理而得的各个状态特征量数据、系统健康状态聚类中心向量、系统故障预警阈值、系统历史状态预警指标等数据结果；
所述数据缓存模块，用于存储由数据处理模块处理而得的水电机组顶盖排水系统实时状态预警指标等实时数据；
所述数据处理模块，为系统后台算法程序。该模块一方面，用于采集所述数据库模块中的测点原始数据，并对其进行运算处理得到所述步骤1-步骤5中的顶盖排水系统状态特征量、系统健康状态下的状态向量、系统健康状态聚类中心向量、系统故障预警阈值、系统实时状态预警指标，完成数据的初始化；另一方面，与数据库模块、数据缓存模块、实时故障预警模块相连接，作为模块间的信息传输枢纽，将处理后的数据通过接口分别发送至各个模块。
所述实时故障预警模块，用于实现一种顶盖排水系统的智能诊断与实时故障预警分析方法的展示。
进一步地，所述实时故障预警模块包括以下部分：历史数据监测部分、单一状态特征量预警部分、欧式距离预警指标预警部分、系统综合预警部分、预警信息部分；
所述历史数据监测部分接收并展示数据库历史状态特征量数据；
所述单一状态特征量预警部分，对单一状态特征量是否处于正常状态进行评估，如果状态特征量实时值不在正常值区间内，则对单一状态特征量预警；
所述欧式距离预警指标预警部分，通过对比基于欧式空间聚类模型的系统实时状态预警指标和系统故障预警阈值，若预警指标超出阈值，则对系统整体状态进行预警；
所述系统综合预警部分，关联所述单一状态特征量预警部分和欧式距离预警指标预警部分，根据上述两部分的预警结果，判定系统综合运行状态等级(正常、注意、异常三个等级)；
所述预警信息部分，关联所述单一状态特征量预警部分、欧式距离预警指标预警部分和系统综合预警部分，展示出现异常预警时刻的系统运行状态信息。
进一步地，
系统综合运行状态等级判定逻辑为：
当系统所有状态特征量预警结果均为正常，系统实时状态预警指标正常时，系统综合运行状态等级为：正常；
当系统有一个及以上状态特征量预警结果为异常，系统实时状态预警指标正常时，系统综合运行状态等级为：注意；
当系统所有状态特征量预警结果均为正常，系统实时状态预警指标为异常时，系统综合运行状态等级为：异常；
当系统实时状态预警指标超过阈值，并同时存在一个及以上状态特征量预警结果为异常时，系统综合运行状态等级为：异常。
本发明还公开一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至5任一项所述顶盖排水系统的智能诊断与实时故障预警分析方法的步骤。
本发明还公开一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1至5任一项所述顶盖排水系统的智能诊断与实时故障预警分析方法的步骤。
下面以具体实施例来进行说明：
实施例1
本发明提供的实施例1为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法的实施例，如图2所示为本发明提供的顶盖排水系统的智能诊断与实时故障预警分析方法的实施例的流程图，由图2可知，该实施例包括：
(1)确定顶盖排水系统故障预警阈值
步骤1，确定机组型号，获取机组顶盖排水系统历史健康监测数据，按照构建的系统状态特征量体系中各状态特征量的处理逻辑，对采集的顶盖排水系统历史健康监测数据处理，得到与顶盖排水系统状态关联的各个状态特征量。
优选的，状态特征量体系的构建，可以包括：水泵抽水效率、水泵运行状态、顶盖水位模拟量超差次数、顶盖排水系统可用率等。
所述水泵抽水效率，即单位时间内水位变化的值，判据需要水泵处于自动模式，且启泵时水位到达水泵启动水位，停泵时水位到达水泵停止水位。水泵抽水效率公式为：
Figure BDA0003606504510000101
式中，Hs为水泵启动水位，He为水泵停止水位，ts为水泵启动时间，te为水泵停止时间。
所述水泵运行状态，即评估时间段内统计分析单台水泵每次抽水时间长度占评估时间段内其所有抽水时间长度平均值的比值。判据需要水泵处于自动模式，且启泵时水位到达水泵启动水位，停泵时水位到达水泵停止水位。
假设评估时间段内水泵运行n次，则可通过水泵启停开关量监测值提取每次水泵的启动时间Ts1、Ts2、Ts3、……、Tsn和停止时间Te1、Te2、Te3、……、Ten。
则第a次水泵运行合格率公式为：
Figure BDA0003606504510000111
式中，Tsa为第a次水泵运行启动时间，Tea为第a次水泵运行停止时间。
水泵运行状态即为总合格率，公式为：
Figure BDA0003606504510000112
步骤2，对各个状态特征量归一化处理，然后构造表示顶盖排水系统健康状态下的状态向量，多个状态向量组成状态向量集合。
所述归一化方法，采用最大最小值法进行线性归一化，公式为：
Figure BDA0003606504510000113
若所述步骤1中构建顶盖排水系统状态特征量体系中有n个状态特征量，则构造的状态向量是一个n维向量：
X1＝(x1 x2 x3 ... xn)T
多个状态向量组成状态向量集合：
X＝(X1 X2 X3 ... Xn)
即
Figure BDA0003606504510000114
步骤3，计算顶盖排水系统正常状态下的状态向量集合的均值向量，得到系统健康状态聚类中心向量μ：
μ＝(μ1 μ2 μ3 … μn)T
步骤4，按照所述步骤1-步骤2得到顶盖排水系统健康状态下的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值；
步骤5，按照所述步骤1-步骤2得到顶盖排水系统实时监测信号的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统实时状态预警指标。
实施例2
本发明提供的实施例2为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法的具体应用实施例，本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法的具体应用实施例中，以某电站为例，介绍本发明的具体实施案例及效果。对该电站#1机组2021年7月上旬时间段的机组顶盖排水系统运行状态进行分析。
#1机组顶盖排水系统配备3台排水泵，由于每台排水泵运行工况较为稳定，根据顶盖排水系统状态特征量体系，分别处理每一台泵历史健康监测数据，确定状态向量维度为4维(水泵抽水效率、水泵运行状态、水泵异常动作次数，水位模拟量超差次数)，构造得到状态特征量数据252组，其中#1泵数据85组，#2泵数据83组，#3泵数据84组，用于计算顶盖排水系统健康状态聚类中心向量，和系统阈值。
由#1泵数据为例，对每组状态特征量数据进行最大最小值法线性归一化处理并构造状态向量：
X1＝(x1 x2 x3 x4)T
构造状态向量集合：
Figure BDA0003606504510000131
利用数据挖掘技术中的欧式距离聚类算法，对每组状态向量聚类，得到健康状态聚类中心向量C。顶盖排水系统状态向量X1和健康状态聚类中心向量C如表1所示。
表1顶盖排水系统状态向量X1和健康状态聚类中心向量C
Figure BDA0003606504510000132
对该电站#1机组2021年7月上旬数据进行状态特征量提取，共有225组，其中#1泵数据76组，#2泵数据74组，#3泵数据75组，利用最大最小值法线性归一化得到每组数据的状态向量Si，按所述步骤5计算顶盖排水系统实时状态预警指标。预警指标随时间(信号序列)的变化趋势如图3所示。
通过以上具体应用实施例，本方法可以较为准确的判断出顶盖排水系统运行状态劣化趋势，从而提供故障预警功能，对实现顶盖排水系统预防性维修有着较强的指导意义。
实施例3
本发明提供的实施例3为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析系统的实施例，如图4所示为本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析系统的实施例的结构框图，由图4可知，该系统包括：数据库模块101、数据缓存模块102、数据处理模块103和实时故障预警模块104。
数据库模块101，用于存储水电机组测点原始数据，以及经过数据处理模块处理而得的各个状态特征量数据、系统健康状态聚类中心向量、系统故障预警阈值、系统历史状态预警指标等数据结果。
数据缓存模块102，用于存储由数据处理模块处理而得的水电机组顶盖排水系统实时状态预警指标等实时数据。
数据处理模块103，为系统后台算法程序。该模块一方面，用于采集所述数据库模块中的测点原始数据，并对其进行运算处理得到所述步骤1-步骤5中的顶盖排水系统状态特征量、系统健康状态下的状态向量、系统健康状态聚类中心向量、系统故障预警阈值、系统实时状态预警指标，完成数据的初始化；另一方面，与数据库模块、数据缓存模块、实时故障预警模块相连接，作为模块间的信息传输枢纽，将处理后的数据通过接口分别发送至各个模块。
实时故障预警模块104，用于实现一种顶盖排水系统的智能诊断与实时故障预警分析方法的展示，实时故障预警模块104包括以下部分：历史数据监测部分201、单一状态特征量预警部分202、欧式距离预警指标预警部分203、系统综合预警部分204、预警信息部分205。
历史数据监测部分201，用于接收并展示数据库历史状态特征量数据。
单一状态特征量预警部分202，用于对单一状态特征量是否处于正常状态进行评估，如果状态特征量实时值不在正常值区间内，则对单一状态特征量预警。
欧式距离预警指标预警部分203，用于通过对比基于欧式空间聚类模型的系统实时状态预警指标和系统故障预警阈值，若预警指标超出阈值，则对系统整体状态进行预警。
系统综合预警部分204，用于关联单一状态特征量预警部分202和欧式距离预警指标预警部分203，根据202、203的预警结果，判定系统综合运行状态等级(正常、注意、异常三个等级)。
系统综合运行状态等级判断逻辑：
1)当系统所有状态特征量预警结果均为正常，系统实时状态预警指标正常时，系统综合运行状态等级为：正常；
2)当系统有一个及以上状态特征量预警结果为异常，系统实时状态预警指标正常时，系统综合运行状态等级为：注意；
3)当系统所有状态特征量预警结果均为正常，系统实时状态预警指标为异常时，系统综合运行状态等级为：异常；
4)当系统实时状态预警指标超过阈值，并同时存在一个及以上状态特征量预警结果为异常时，系统综合运行状态等级为：异常。
所述预警信息部分，用于关联所述单一状态特征量预警部分202、欧式距离预警指标预警部分203和系统综合预警部分204，展示出现异常预警时刻的系统运行状态信息。
本发明提供的一种顶盖排水系统的智能诊断与实时故障预警分析方法及系统的实施例，可通过计算机程序执行并实现，例如包括：步骤1，对采集的顶盖排水系统监测数据处理，得到与顶盖排水系统状态关联的各个状态特征量；步骤2，对各个状态特征量归一化处理，然后构造表示顶盖排水系统健康状态下的状态向量，多个状态向量组成状态向量集合；步骤3，计算顶盖排水系统正常状态下的状态向量集合的均值向量，得到系统健康状态聚类中心向量；步骤4，按照所述步骤1-步骤2得到顶盖排水系统健康状态下的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值；步骤5，按照所述步骤1-步骤2得到顶盖排水系统实时监测信号的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统实时状态预警指标。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的顶盖排水系统的智能诊断与实时故障预警分析方法，例如包括：步骤1，对采集的顶盖排水系统监测数据处理，得到与顶盖排水系统状态关联的各个状态特征量；步骤2，对各个状态特征量归一化处理，然后构造表示顶盖排水系统健康状态下的状态向量，多个状态向量组成状态向量集合；步骤3，计算顶盖排水系统正常状态下的状态向量集合的均值向量，得到系统健康状态聚类中心向量；步骤4，按照所述步骤1-步骤2得到顶盖排水系统健康状态下的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值；步骤5，按照所述步骤1-步骤2得到顶盖排水系统实时监测信号的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统实时状态预警指标。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (10)

1.一种顶盖排水系统的智能诊断与实时故障预警分析方法，其特征在于：它包括如下步骤：
步骤1，对采集的顶盖排水系统监测数据处理，得到与顶盖排水系统状态关联的各个状态特征量；
步骤2，对各个状态特征量归一化处理，然后构造表示顶盖排水系统健康状态的状态向量，多个状态向量组成状态向量集合；
步骤3，计算顶盖排水系统正常状态下的状态向量集合的均值向量，得到系统健康状态聚类中心向量；
步骤4，按照所述步骤1-步骤2得到顶盖排水系统健康状态下的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值；
步骤5，按照所述步骤1-步骤2得到顶盖排水系统实时监测信号的状态向量集合，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统实时状态预警指标。
2.根据权利要求1所述的顶盖排水系统的智能诊断与实时故障预警分析方法，其特征在于：所述步骤2中归一化处理方法采用最大最小值法进行线性归一化，公式为：
Figure FDA0003606504500000011
3.根据权利要求1所述的顶盖排水系统的智能诊断与实时故障预警分析方法，其特征在于：所述步骤2中构建状态向量与状态向量集合过程为：
若状态特征量体系中有n个状态特征量，经过密度统一后，每个状态检测量分别都有m个数据，则第一个状态向量将是一个n维向量：
X1＝(x11 x21 x31...xn1)T
进一步地，所述步骤2中状态向量集合为：
X＝(X1 X2 X3...Xm)
即
Figure FDA0003606504500000021
4.根据权利要求1所述的顶盖排水系统的智能诊断与实时故障预警分析方法，其特征在于：所述步骤4、步骤5中的聚类方法使用欧式空间聚类模型，计算向量集合中各个向量与健康状态聚类中心向量的相对欧式距离，作为顶盖排水系统状态预警指标。
5.根据权利要求1所述的顶盖排水系统的智能诊断与实时故障预警分析方法，其特征在于：所述步骤4中的阈值，使用高斯阈值法则确定，计算欧式距离的平均值(MEAN)和标准差(STD)，以MEAN+3*STD作为故障预警阈值。
6.一种顶盖排水系统的智能诊断与实时故障预警分析系统，其特征在于：所述系统包括：数据库模块、数据缓存模块、数据处理模块、实时故障预警模块；
所述数据库模块，用于存储水电机组测点原始数据，以及经过数据处理模块处理而得的各个状态特征量数据、系统健康状态聚类中心向量、系统故障预警阈值、系统历史状态预警指标等数据结果；
所述数据缓存模块，用于存储由数据处理模块处理而得的水电机组顶盖排水系统实时状态预警指标等实时数据；
所述数据处理模块，为系统后台算法程序。该模块一方面，用于采集所述数据库模块中的测点原始数据，并对其进行运算处理得到所述步骤1-步骤5中的顶盖排水系统状态特征量、系统健康状态下的状态向量、系统健康状态聚类中心向量、系统故障预警阈值、系统实时状态预警指标，完成数据的初始化；另一方面，与数据库模块、数据缓存模块、实时故障预警模块相连接，作为模块间的信息传输枢纽，将处理后的数据通过接口分别发送至各个模块。
所述实时故障预警模块，用于实现一种顶盖排水系统的智能诊断与实时故障预警分析方法的展示。
7.根据权利要求6所述的顶盖排水系统的智能诊断与实时故障预警分析系统，其特征在于：所述实时故障预警模块包括以下部分：历史数据监测部分、单一状态特征量预警部分、欧式距离预警指标预警部分、系统综合预警部分、预警信息部分；
所述历史数据监测部分接收并展示数据库历史状态特征量数据；
所述单一状态特征量预警部分，对单一状态特征量是否处于正常状态进行评估，如果状态特征量实时值不在正常值区间内，则对单一状态特征量预警；
所述欧式距离预警指标预警部分，通过对比基于欧式空间聚类模型的系统实时状态预警指标和系统故障预警阈值，若预警指标超出阈值，则对系统整体状态进行预警；
所述系统综合预警部分，关联所述单一状态特征量预警部分和欧式距离预警指标预警部分，根据上述两部分的预警结果，判定系统综合运行状态等级(正常、注意、异常三个等级)；
所述预警信息部分，关联所述单一状态特征量预警部分、欧式距离预警指标预警部分和系统综合预警部分，展示出现异常预警时刻的系统运行状态信息。
8.根据权利要求7所述的顶盖排水系统的智能诊断与实时故障预警分析系统，其特征在于：
系统综合运行状态等级判定逻辑为：
当系统所有状态特征量预警结果均为正常，系统实时状态预警指标正常时，系统综合运行状态等级为：正常；
当系统有一个及以上状态特征量预警结果为异常，系统实时状态预警指标正常时，系统综合运行状态等级为：注意；
当系统所有状态特征量预警结果均为正常，系统实时状态预警指标为异常时，系统综合运行状态等级为：异常；
当系统实时状态预警指标超过阈值，并同时存在一个及以上状态特征量预警结果为异常时，系统综合运行状态等级为：异常。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至5任一项所述顶盖排水系统的智能诊断与实时故障预警分析方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1至5任一项所述顶盖排水系统的智能诊断与实时故障预警分析方法的步骤。
CN202210417189.9A 2022-04-20 2022-04-20 顶盖排水系统的智能诊断与实时故障预警分析方法及系统 Pending CN114841534A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210417189.9A CN114841534A (zh) 2022-04-20 2022-04-20 顶盖排水系统的智能诊断与实时故障预警分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210417189.9A CN114841534A (zh) 2022-04-20 2022-04-20 顶盖排水系统的智能诊断与实时故障预警分析方法及系统

Publications (1)

Publication Number Publication Date
CN114841534A true CN114841534A (zh) 2022-08-02

Family

ID=82565546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210417189.9A Pending CN114841534A (zh) 2022-04-20 2022-04-20 顶盖排水系统的智能诊断与实时故障预警分析方法及系统

Country Status (1)

Country Link
CN (1) CN114841534A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295729A (zh) * 2022-12-27 2023-06-23 中国长江电力股份有限公司 地下厂房集水井来水量主动计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295729A (zh) * 2022-12-27 2023-06-23 中国长江电力股份有限公司 地下厂房集水井来水量主动计算方法
CN116295729B (zh) * 2022-12-27 2024-03-12 中国长江电力股份有限公司 地下厂房集水井来水量主动计算方法

Similar Documents

Publication Publication Date Title
CN104131950B (zh) 一种风电机组温度特征量的阈值分区确定方法
CN107797063A (zh) 基于scada的风电机组运行状态评估及故障诊断方法
CN108072524B (zh) 一种风电机组齿轮箱轴承故障预警方法
CN110469456B (zh) 降低变桨疲劳的风电场智能控制方法及系统
CN112065668A (zh) 一种风电机组状态异常评估方法及系统
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
CN114841534A (zh) 顶盖排水系统的智能诊断与实时故障预警分析方法及系统
CN111639852B (zh) 基于小波奇异值的水电机组振动状态实时评估方法及系统
CN117744859A (zh) 基于自适应双控制策略的风电机组发电机故障预警方法
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、系统及设备
CN116050613B (zh) 水电机组顶盖排水泵剩余使用寿命预测方法
CN110142803B (zh) 一种移动焊接机器人系统工作状态检测方法及装置
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN116110203A (zh) 一种基于智能监测技术的天然气发电预警管理方法及系统
CN115345370A (zh) 一种基于Vine Copula模型的风电机组运行联动性分析方法
CN113947223A (zh) 一种智能化设备健康管理系统及方法
CN114607571A (zh) 一种运用润滑系统监测的海上风电齿轮箱故障识别方法及系统
CN113283679A (zh) 一种基于ai人工智能的电力负荷预测系统
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
CN113065766B (zh) 一种基于历史数据挖掘分析的汽机运行工况寻优方法
CN113822344B (zh) 基于数据驱动的风电机组发电机前轴承状态监测方法
Liu et al. Wind Turbine Fault Diagnosis Based on Feature Selection and Stacking Model Fusion with Small-scale Data.
Dunwen et al. A trainsient voltage stability evaluation model based on morphological similarity distance online calculation
Liu et al. Wind turbine spindle operating state recognition and early warning driven by SCADA data
CN113323820B (zh) 一种风电发电机后备危急安全链控制方法及系统

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