CN115065289A - 一种基于转子磁极缺陷的协同检修方法及系统 - Google Patents

Abstract

本发明提供了一种基于转子磁极缺陷的协同检修方法及系统，涉及数字处理技术领域，方法包括：获取蓄能机组发电机与水轮机关键部件的历史故障清单，构建FMEA层级知识库；采集当前状态参数，输入FMEA层级知识库，确定故障类型指标参数，输入多源交互融合模型，获取数据交互融合处理结果；获取磁轭和磁极与转子磁极缺陷的状态关联参数，结合数据交互融合处理结果，获取协同检修方案。解决了蓄能机组发电机与水轮机的检修周期精度低，导致检修过程的时间资源利用率低的技术问题，达到了对蓄能机组发电机与水轮机进行协同分析，结合转子磁极缺陷相关参数，提高检修结果的精确度与时效性，使得检修过程的时间资源利用率提高的技术效果。

Description

一种基于转子磁极缺陷的协同检修方法及系统

技术领域

本发明涉及数字处理技术领域，具体涉及一种基于转子磁极缺陷的协同检修方法及系统。

背景技术

抽水蓄能电站利用电力负荷低谷时的电能抽水至上水库，在电力负荷高峰期再放水至下水库发电的水电站，又称“蓄能式水电站”，蓄能式水电站的关键部件包括蓄能机组发电机、水轮机，为保证水电厂的正常运行，要及时处理好蓄能机组发电机、水轮机的故障，尽可能进行预防，保证其安全稳定。

但由于计划检修的机械性、故障检修的事后性，易发生维修过度或者维修不够的现象，造成许多人力、资源的浪费的问题。

现有技术中存在蓄能机组发电机与水轮机的检修周期精度低，导致检修过程的时间资源利用率低的技术问题。

发明内容

本申请通过提供了一种基于转子磁极缺陷的协同检修方法及系统，解决了蓄能机组发电机与水轮机的检修周期精度低，导致检修过程的时间资源利用率低的技术问题，达到了对蓄能机组发电机与水轮机进行协同分析，结合转子磁极缺陷相关参数，提高检修结果的精确度与时效性，使得检修过程的时间资源利用率提高的技术效果。

鉴于上述问题，本申请提供了一种基于转子磁极缺陷的协同检修方法及系统。

第一方面，本申请提供了一种基于转子磁极缺陷的协同检修方法，其中，所述方法包括：获取蓄能机组发电机与水轮机关键部件的历史故障清单；基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库；采集蓄能机组发电机与水轮机关键部件的当前状态参数；将所述当前状态参数输入所述FMEA层级知识库，确定故障类型指标参数；将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果；获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。

第二方面，本申请提供了一种基于转子磁极缺陷的协同检修系统，其中，所述系统包括：历史数据获取单元，所述历史数据获取单元用于获取蓄能机组发电机与水轮机关键部件的历史故障清单；知识库构建单元，所述知识库构建单元用于基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库；状态参数采集单元，所述状态参数采集单元用于采集蓄能机组发电机与水轮机关键部件的当前状态参数；类型指标确定单元，所述类型指标确定单元用于将所述当前状态参数输入所述FMEA层级知识库，确定故障类型指标参数；交互结果获取单元，所述交互结果获取单元用于将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果；故障参数确定单元，所述故障参数确定单元用于获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；周期协同单元，所述周期协同单元用于基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了获取蓄能机组发电机与水轮机关键部件的历史故障清单，结合FMEA的理论，构建FMEA层级知识库；采集蓄能机组发电机与水轮机关键部件的当前状态参数；将当前状态参数输入FMEA层级知识库，确定故障类型指标参数，输入构建完成的多源交互融合模型，获取数据交互融合处理结果；获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；基于数据交互融合处理结果与蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。本申请实施例达到了对蓄能机组发电机与水轮机进行协同分析，结合转子磁极缺陷相关参数，提高检修结果的精确度与时效性，使得检修过程的时间资源利用率提高的技术效果。

附图说明

图1为本申请一种基于转子磁极缺陷的协同检修方法的流程示意图；

图2为本申请一种基于转子磁极缺陷的协同检修方法的构建FMEA层级知识库的流程示意图；

图3为本申请一种基于转子磁极缺陷的协同检修方法的构建蓄能机组故障诊断通道的流程示意图；

图4为本申请一种基于转子磁极缺陷的协同检修系统的结构示意图。

附图标记说明：历史数据获取单元11，知识库构建单元12，状态参数采集单元13，类型指标确定单元14，交互结果获取单元15，故障参数确定单元16，周期协同单元17。

具体实施方式

本申请通过提供了一种基于转子磁极缺陷的协同检修方法及系统，解决了蓄能机组发电机与水轮机的检修周期精度低，导致检修过程的时间资源利用率低的技术问题，达到了对蓄能机组发电机与水轮机进行协同分析，结合转子磁极缺陷相关参数，提高检修结果的精确度与时效性，使得检修过程的时间资源利用率提高的技术效果。

实施例一

如图1所示，本申请提供了一种基于转子磁极缺陷的协同检修方法，其中，所述方法包括：

步骤S100：获取蓄能机组发电机与水轮机关键部件的历史故障清单；

步骤S200：基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库；

具体而言，所述蓄能机组发电机与水轮机是抽水蓄能电厂的核心设备，蓄能机组发电机与水轮机关键部件的历史故障清单包括发电机气隙不均匀、转轮叶片流道不对称(叶片断裂、开口不均等)、泄水锥松动或脱落、尾水管涡带振动大、轴线弯曲(大轴不对中、导轴承不对中、法兰联接松动)，所述历史故障清单还包括故障时间、维修时间等其他相关参数指标，基于FMEA(FailureModeandEffectsAnalysis，失效模式与影响分析)的理论，将所述通过所述历史故障清单导入，构建FMEA层级知识库，为后续进行数据分析提供数据支持。

进一步具体说明，根据水导轴承摆度信号、蜗壳进口水压脉动信号频率特征、导叶后水压脉动信号频率特征、顶盖下水压脉动信号频率特征、顶盖振动信号频率特征、顶盖振动信号与摆度信号之间相位关系变化情况，并结合机组变负荷过程振动摆度变化趋势，综合判断所述转轮叶片流道的对称性。根据变转速、变励磁、变负荷时机组的上机架、下机架、上导摆度、下导摆度、水导摆度信号的变化趋势及频率特征，并考虑蜗壳进口水压脉动、尾水管进口水压脉动数据及频域信号特征，综合判断尾水管涡带振动大小。根据变转速、变励磁、变负荷时机组的上导摆度、下导摆度、水导摆度信号的变化趋势及上导处轴心轨迹、下导处轴心轨迹、水导处轴心轨迹、空间轴线，判断机组轴线弯曲情况，所述历史故障清单对应的其他参数指标可以结合本领域技术常见技术手段进行推导确定，上述说明是为保证方案的可实施性，不对参数指标的推导方式进行具体限制。

进一步的，如图2所示，所述基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库，步骤S200包括：

步骤S210：通过所述历史故障清单，进行故障追溯，构建故障树；

步骤S220：通过所述故障树，提取电力设备的层级分布；

步骤S230：按照FMEA规定的字段，通过所述电力设备的层级分布，构建电力设备故障表象集及影响知识库；

步骤S240：通过所述电力设备故障表象集及影响知识库，构建FMEA层级知识库。

具体而言，通过协同检修系统的接口，对所述历史故障清单进行转换导入，结合FTA(FaultTreeAnalysis，故障树分析法)理论进行指标分层，对故障进行追溯，构建故障树；通过所述故障树，对指标层级分布进行提取，获取电力设备的层级分布，所述层级分布中靠近根节点对应的指标层级的等级高于所述层级分布中靠近叶节点对应的指标层级的等级；FMEA是一种事先分析方法，按照电力设备的层级自下而上进行分析，通过FMEA规定的字段，确定所述电力设备的层级分布，构建电力设备故障表象集及影响知识库，所述电力设备故障表象集与影响知识库存在指标映射关联，通过所述电力设备故障表象集及影响知识库，结合指标映射关联关系，构建FMEA层级知识库，为保证后续进行数据分析提供模型基础。

进一步的，通过所述历史故障清单，进行故障追溯，构建故障树，步骤S210包括：

步骤S211：通过所述历史故障清单进行分析，获取故障特征指标集；

步骤S212：对所述故障特征指标集中的各故障特征指标进行信息熵计算，确定所述故障特征指标集中各个特征指标的决策级，获取多个故障特征指标分层区间；

步骤S213：通过所述故障特征指标分层区间，获取故障参数影响因子，其中，所述故障参数影响因子为故障概率指标；

步骤S214：基于所述多个故障特征指标分层区间的故障概率分析，筛选出N个故障概率指标；

步骤S215：根据所述N个故障概率指标与所述多个故障特征指标分层区间，进行故障追溯，搭建故障树。

具体而言，对所述历史故障清单进行提取，获取故障特征指标集，所述故障特征指标集的元素可以是转轮叶片流道不对称、泄水锥松动或脱落、尾水管涡带振动大、发电机气隙不均匀等相关参数指标，所述故障特征指标集中包括M个元素，对所述故障特征指标集中的各故障特征指标进行信息熵计算，获取所述M个元素特征指标的信息熵，所述M个元素特征的信息熵与所述故障特征指标集中各个特征指标的决策级对应，所述信息熵大对应的决策级高，简单说明，信息熵高，对应的元素特征指标为处于特征分类靠近根部的特征，即决策级高；信息熵低，对应的元素特征指标为处于特征分类靠近叶节点的特征，即决策级低，确定所述故障特征指标集中各个特征指标的决策级，通过所述决策级对应确定M个故障特征指标分层区间，基于所述M个故障特征指标分层区间，结合所述历史故障清单，获取故障参数影响因子，其中，所述故障参数影响因子为故障概率指标，简单来说就是故障概率指标即发生故障事件的概率值，可以通过所述历史故障清单进行确定，所述概率值即故障事件发生的次数除以总的故障事件发生的次数；基于所述多个故障特征指标分层区间的故障概率分析，结合预设故障概率进行故障概率筛选，通过所述协同检修系统的相关管理人员自定义设定所述预设故障概率，判断所述预设故障概率与故障参数影响因子对应的概率值大小，若故障参数影响因子对应的概率值小于所述预设故障概率，即将所述概率值小的故障参数影响因子剔除，在M个指标筛选剔除结束后，筛选出N个故障概率指标(M≤N，M∈N*且N∈N*)；根据所述N个故障概率指标与M个故障特征指标分层区间，进行数据绑定，获取故障时间追溯结果，所述故障时间追溯结果即所述N个故障概率指标与对应的N个故障特征指标分层区间的绑定信息，结合FTA规定的分布逻辑，搭建故障树，通过所述故障树，保障了故障追溯对应的特征的稳定性，为后续进行数据分析提供模型基础。

步骤S300：采集蓄能机组发电机与水轮机关键部件的当前状态参数；

步骤S400：将所述当前状态参数输入所述FMEA层级知识库，确定故障类型指标参数；

步骤S500：将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果；

具体而言，通过协同检修系统的设备运行参数采集装置，采集蓄能机组发电机与水轮机关键部件的当前状态参数，所述设备运行参数采集装置可以是转速检测传感器等相关实时检测仪器，所述当前状态参数包括发电机气隙状态、转轮叶片流道状态、泄水锥状态、尾水管涡带振动状态，将所述当前状态参数输入所述FMEA层级知识库，以所述当前状态参数为标记信号，在所述FMEA层级知识库进行数据检索提取，若不存在与所述当前状态参数对应的故障类型指标参数，即表示所述蓄能机组发电机与水轮机关键部件运行正常；若存在与所述当前状态参数对应的故障类型指标参数，提取所述对应的故障类型指标参数，将所述提取结果定义为故障类型指标参数，所述蓄能机组发电机与水轮机关键部件存在异常运行的概率，将所述故障类型指标参数输入构建完成的多源交互融合模型，获取多源交互融合模型的输出结果，所述多源交互融合模型的输出结果即数据交互融合处理结果，为进行故障协同检修提供数据支持。

进一步的，将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果，步骤S500包括：

步骤S510：构建蓄能机组故障诊断通道；

步骤S520：构建发电机与水轮机状态评判标准通道；

步骤S530：通过所述蓄能机组故障诊断通道、所述发电机与水轮机状态评判标准通道，构建的多源交互融合模型；

步骤S540：将所述故障类型指标参数输入所述多源交互融合模型，所述多源交互融合模型的输出结果即所述数据交互融合处理结果。

具体而言，所述多源交互融合模型的基础为双通道数据映射器，所述双通道数据映射器即存在两组输入输出端口的数据映射器，所述发电机与水轮机状态评判标准通道嵌入发电机与水轮机状态评估状态量及评判标准，且各状态评估状态量与各状态评估状态量对应的权重系数之间的一一对应映射关系，通过所述蓄能机组故障诊断通道、所述发电机与水轮机状态评判标准通道，基于双通道数据映射器，构建的多源交互融合模型；将所述故障类型指标参数中蓄能机组对应的故障指标输入蓄能机组故障诊断通道，提取所述故障类型指标参数中的发电机与水轮机状态评估状态量，将所述故障类型指标参数中的发电机与水轮机状态评估状态量输入发电机与水轮机状态评判标准通道，获取所述发电机与水轮机状态评估状态量的权重系数，通过所述发电机与水轮机状态评估状态量的权重系数，对所述蓄能机组故障诊断通道输出结果进行权重调节，获取所述多源交互融合模型的输出结果，所述多源交互融合模型的输出结果即所述数据交互融合处理结果，为后续进行参数分析提供模型基础。

进一步的，如图3所示，所述构建蓄能机组故障诊断通道，步骤S510包括：

步骤S511：对所述历史故障清单进行数据提取，获取机组历史故障清单；

步骤S512：对所述机组历史故障清单进行指标分类，获取发电机转子位移故障参数与其他故障参数；

步骤S513：通过FFT对所述发电机转子位移故障参数进行参数分析，获取转子振幅指标与转子相位指标；

步骤S514：通过所述其他故障参数、所述转子振幅指标与转子相位指标，进行转子质量平衡分析，确定蓄能机组故障诊断通道。

具体而言，对所述历史故障清单中的故障特征参数进行数据提取，提取蓄能机组故障相关联的故障特征，将所述蓄能机组故障相关联的故障特征定义为关联故障特征，所述关联故障特征包括但不限于键相转速、激磁电流、上导摆度、下导摆度(推力摆度)、上机架径向振动、下机架径向振动，结合所述历史故障清单的规定数据录入模式，确定机组历史故障清单；对所述机组历史故障清单进行指标分类，获取发电机转子位移故障参数与其他故障参数，所述发电机转子位移故障参数包括上导摆度、下导摆度(推力摆度)、上机架径向振动、下机架径向振动等相关参数指标，所述其他故障参数包括键相转速、激磁电流等相关参数指标；通过FFT(fastFouriertransform，快速傅里叶变换)对所述发电机转子位移故障参数进行频谱分析，基于频谱分析对应的时域与频域分布参数，获取转子振幅指标与转子相位指标；通过所述其他故障参数、所述转子振幅指标与转子相位指标，进行转子质量平衡分析，确定蓄能机组故障诊断通道，为后续进行数据分析提供模型基础。

进一步具体说明，在进行转子质量平衡分析过程，发电机转子在制造和安装过程中都可能造成转子质量的不平衡，这种不平衡多反映在磁轭和磁极上，如水轮发电机的转子磁轭，其结构形式主要是叠片磁轭，采用薄的硅钢片叠装而成，但由于其叠片数量较大，厚薄差异、质量差异、形状差异、迭装精度、压紧程度等诸多因素均会造成转子质量不平衡；磁轭热打键工艺中，若控制不佳，易出现磁轭整体偏心；另一方面，磁极也是引起转子质量不平衡的重要因素：在磁极的加工制造中，由于磁极铁心压紧程度不一致，导致磁极线圈热压成形后的重量差异，可能造成磁极重量的不一致；在安装过程中，应将重量接近的磁极对称挂装。尽管在验证测试过程中，采取上述措施，但对于高速、大容量机组，转子动不平衡可能仍然存在，由于转子质量不平衡，转子重心与轴心产生一个偏心距，当主轴旋转时，由于失衡质量离心惯性力的作用，主轴将产生弯曲变形，一般的，轴变形越大，振动也越严重。

进一步的，所述构建发电机与水轮机状态评判标准通道，步骤S520包括：

步骤S521：获取发电机与水轮机状态评估状态量及评判标准；

步骤S522：通过所述发电机与水轮机状态评估状态量及评判标准，计算确定各状态评估状态量的权重系数；

步骤S523：通过所述各状态评估状态量的权重系数，确定发电机与水轮机状态评判标准通道。

具体而言，定子线棒、绝缘盒、汇流排状态评估状态量，定子绕组端箍、垫块及绑线、支撑状态评估状态量，定子线棒槽楔及槽内固定状态评估状态量，定子机座及基础螺栓状态评估状态量，发电机空气间隙状态评估状态量，发电机集电环及碳刷、刷握状态评估状态量，转子磁极铁心、线圈、磁极的极间连接片状态评估状态量，转子阻尼环及阻尼绕组连接片状态评估状态量均属于所述发电机与水轮机状态评估状态量，通过所述历史故障清单提取所述发电机与水轮机状态评估状态量以及所述状态评估状态量对应的权重系数分布，将所述发电机与水轮机状态评估状态量和所述状态评估状态量对应的权重系数分布均绘制于雷达图之上，对权重系数对应的权值大小进行重点分析，在所述雷达图中提取评判标准，获取发电机与水轮机状态评估状态量及评判标准；通过所述发电机与水轮机状态评估状态量及评判标准，在所述雷达图上计算确定所述各状态评估状态量的权重系数；通过所述各状态评估状态量的权重系数，基于所述雷达图中的评判标准，确定发电机与水轮机状态评判标准通道，为后续进行数据分析提供模型基础。

步骤S600：获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；

步骤S700：基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。

进一步的，基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案，步骤S700包括：

步骤S710：获取发电机与水轮机的设备运行周期信息；

步骤S720：通过所述设备运行周期信息，对相关设备检修周期进行协同分析，获取协同检修周期；

步骤S730：基于所述数据交互融合处理结果与所述蓄能机组故障参数，对照确定检修等级规模；

步骤S740：基于所述协同检修周期与所述检修等级规模，获取协同检修方案。

具体而言，在机组正常开机过程中，需要经历升速过程、加励磁过程和并网过程，而在机组正常停机过程中，需要经历段出口开关、去励磁、降转速过程，在开停机过程，通过机组实际振动水平划定各部位摆度、振动的变化的上限、相位变化上限定值，获取磁轭和磁极与转子磁极缺陷的状态关联参数，所述状态关联参数包括转速关联参数、变化量关联参数、相位关联参数，分析确定蓄能机组故障参数。基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案，为提高检修结果的精确度与时效性提供技术支持。

进一步具体说明，开停机过程，出现摆度、振动的分量与转速的关系远大于平方关系，在变转速过程中，出现摆度、振动的分量的相位存在较大的变化，则应该怀疑机组存在其他的故障、如推力头松动、磁极/磁轭键不稳、间隙调整不当、各部导轴承间隙配合不当等蓄能机组故障，在本申请实施例中机组即蓄能机组，所述蓄能机组故障参数即推力头状态参数、磁极/磁轭键状态参数、间隙调整状态参数、各部导轴承间隙配合状态参数。

进一步具体说明，在安排检修计划时，应协调相关设备检修周期，尽量统一安排，避免重复停机，通过所述发电机与水轮机的设备运行日志，获取发电机与水轮机的设备运行周期信息；通过所述设备运行周期信息，对相关设备检修周期进行协同分析，获取协同检修周期，示例性的，若发电机运行周期为2天，水轮机的运行周期为3天，对应的协同检修周期即为发电机运行周期与水轮机的运行周期的最小公倍数即6天，基于所述数据交互融合处理结果与所述蓄能机组故障参数，对照确定检修等级规模，一般的，检修等级规模可分为五级：A级检修(整体性检修)、B级检修(局部性检修)、C级检修(设备的磨损、老化部分重点检修)、D级检修(除发电机与水轮机的附属系统检修)；基于所述协同检修周期与所述检修等级规模，合成协同检修方案，所述协同检修方案包括协同检修周期、检修等级规模及所述检修等级规模对应的所述数据交互融合处理结果与所述蓄能机组故障参数，为提高检修过程的时间资源利用率提供技术支持。

综上所述，本申请所提供的一种基于转子磁极缺陷的协同检修方法及系统具有如下技术效果：

由于采用了获取蓄能机组发电机与水轮机关键部件的历史故障清单，结合FMEA的理论，构建FMEA层级知识库；采集蓄能机组发电机与水轮机关键部件的当前状态参数，输入FMEA层级知识库，确定故障类型指标参数，输入构建完成的多源交互融合模型，获取数据交互融合处理结果；获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数，结合数据交互融合处理结果，进行检修周期协同分析，获取协同检修方案。本申请通过提供了一种基于转子磁极缺陷的协同检修方法及系统，达到了对蓄能机组发电机与水轮机进行协同分析，结合转子磁极缺陷相关参数，提高检修结果的精确度与时效性，使得检修过程的时间资源利用率提高的技术效果。

由于采用了获取发电机与水轮机状态评估状态量及评判标准，计算确定各状态评估状态量的权重系数，基于雷达图中的评判标准，确定发电机与水轮机状态评判标准通道，为后续进行数据分析提供模型基础。

由于采用了获取发电机与水轮机的设备运行周期信息，对相关设备检修周期进行协同分析，获取协同检修周期；基于数据交互融合处理结果与蓄能机组故障参数，对照确定检修等级规模，结合协同检修周期，获取协同检修方案。为提高检修过程的时间资源利用率提供技术支持。

实施例二

基于与前述实施例中一种基于转子磁极缺陷的协同检修方法相同的发明构思，如图4所示，本申请提供了一种基于转子磁极缺陷的协同检修系统，其中，所述系统包括：

历史数据获取单元11，所述历史数据获取单元11用于获取蓄能机组发电机与水轮机关键部件的历史故障清单；

知识库构建单元12，所述知识库构建单元12用于基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库；

状态参数采集单元13，所述状态参数采集单元13用于采集蓄能机组发电机与水轮机关键部件的当前状态参数；

类型指标确定单元14，所述类型指标确定单元14用于将所述当前状态参数输入所述FMEA层级知识库，确定故障类型指标参数；

交互结果获取单元15，所述交互结果获取单元15用于将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果；

故障参数确定单元16，所述故障参数确定单元16用于获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；

周期协同单元17，所述周期协同单元17用于基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。

进一步的，所述系统包括：

故障追溯单元，所述故障追溯单元用于通过所述历史故障清单，进行故障追溯，构建故障树；

提取层级分布单元，所述提取层级分布单元用于通过所述故障树，提取电力设备的层级分布；

故障-影响数据整合单元，所述故障-影响数据整合知识库构建单元用于按照FMEA规定的字段，通过所述电力设备的层级分布，构建电力设备故障表象集及影响知识库；

层级知识库构建单元，所述层级知识库构建单元用于通过所述电力设备故障表象集及影响知识库，构建FMEA层级知识库。

进一步的，所述系统包括：

故障特征指标获取单元，所述故障特征指标获取单元用于通过所述历史故障清单进行分析，获取故障特征指标集；

信息熵计算单元，所述信息熵计算单元用于对所述故障特征指标集中的各故障特征指标进行信息熵计算，确定所述故障特征指标集中各个特征指标的决策级，获取多个故障特征指标分层区间；

影响因子获取单元，所述影响因子获取单元用于通过所述故障特征指标分层区间，获取故障参数影响因子，其中，所述故障参数影响因子为故障概率指标；

故障概率分析单元，所述故障概率分析单元用于基于所述多个故障特征指标分层区间的故障概率分析，筛选出N个故障概率指标；

故障树搭建单元，所述故障树搭建单元用于根据所述N个故障概率指标与所述多个故障特征指标分层区间，进行故障追溯，搭建故障树。

进一步的，所述系统包括：

诊断通道构建单元，所述诊断通道构建单元用于构建蓄能机组故障诊断通道；

评判标准通道构建单元，所述评判标准通道构建单元用于构建发电机与水轮机状态评判标准通道；

交互融合模型构建单元，所述交互融合模型构建单元用于通过所述蓄能机组故障诊断通道、所述发电机与水轮机状态评判标准通道，构建的多源交互融合模型；

输出结果确定单元，所述输出结果确定单元用于将所述故障类型指标参数输入所述多源交互融合模型，所述多源交互融合模型的输出结果即所述数据交互融合处理结果。

进一步的，所述系统包括：

数据提取单元，所述数据提取单元用于对所述历史故障清单进行数据提取，获取机组历史故障清单；

指标分类单元，所述指标分类单元用于对所述机组历史故障清单进行指标分类，获取发电机转子位移故障参数与其他故障参数；

参数分析单元，所述参数分析单元用于通过FFT对所述发电机转子位移故障参数进行参数分析，获取转子振幅指标与转子相位指标；

转子质量平衡分析单元，所述转子质量平衡分析单元用于通过所述其他故障参数、所述转子振幅指标与转子相位指标，进行转子质量平衡分析，确定蓄能机组故障诊断通道。

进一步的，所述系统包括：

评估状态量及评判标准获取单元，所述评估状态量及评判标准获取单元用于获取发电机与水轮机状态评估状态量及评判标准；

权重系数计算单元，所述权重系数计算单元用于通过所述发电机与水轮机状态评估状态量及评判标准，计算确定各状态评估状态量的权重系数；

状态评判标准通道确定单元，所述状态评判标准通道确定单元用于通过所述各状态评估状态量的权重系数，确定发电机与水轮机状态评判标准通道。

进一步的，所述系统包括：

设备运行周期获取单元，所述设备运行周期获取单元用于获取发电机与水轮机的设备运行周期信息；

检修周期协同分析单元，所述检修周期协同分析单元用于通过所述设备运行周期信息，对相关设备检修周期进行协同分析，获取协同检修周期；

检修等级规模确定单元，所述检修等级规模确定单元用于基于所述数据交互融合处理结果与所述蓄能机组故障参数，对照确定检修等级规模；

协同检修方案获取单元，所述协同检修方案获取单元用于基于所述协同检修周期与所述检修等级规模，获取协同检修方案。

本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种基于转子磁极缺陷的协同检修方法，其特征在于，所述方法包括：

获取蓄能机组发电机与水轮机关键部件的历史故障清单；

基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库；

采集蓄能机组发电机与水轮机关键部件的当前状态参数；

将所述当前状态参数输入所述FMEA层级知识库，确定故障类型指标参数；

将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果；

获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；

基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。

2.如权利要求1所述的方法，其特征在于，所述基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库，所述方法包括：

通过所述历史故障清单，进行故障追溯，构建故障树；

通过所述故障树，提取电力设备的层级分布；

按照FMEA规定的字段，通过所述电力设备的层级分布，构建电力设备故障表象集及影响知识库；

通过所述电力设备故障表象集及影响知识库，构建FMEA层级知识库。

3.如权利要求2所述的方法，其特征在于，通过所述历史故障清单，进行故障追溯，构建故障树，所述方法还包括：

通过所述历史故障清单进行分析，获取故障特征指标集；

对所述故障特征指标集中的各故障特征指标进行信息熵计算，确定所述故障特征指标集中各个特征指标的决策级，获取多个故障特征指标分层区间；

通过所述故障特征指标分层区间，获取故障参数影响因子，其中，所述故障参数影响因子为故障概率指标；

基于所述多个故障特征指标分层区间的故障概率分析，筛选出N个故障概率指标；

根据所述N个故障概率指标与所述多个故障特征指标分层区间，进行故障追溯，搭建故障树。

4.如权利要求1所述的方法，其特征在于，将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果，所述方法还包括：

构建蓄能机组故障诊断通道；

构建发电机与水轮机状态评判标准通道；

通过所述蓄能机组故障诊断通道、所述发电机与水轮机状态评判标准通道，构建的多源交互融合模型；

将所述故障类型指标参数输入所述多源交互融合模型，所述多源交互融合模型的输出结果即所述数据交互融合处理结果。

5.如权利要求4所述的方法，其特征在于，所述构建蓄能机组故障诊断通道，所述方法还包括：

对所述历史故障清单进行数据提取，获取机组历史故障清单；

对所述机组历史故障清单进行指标分类，获取发电机转子位移故障参数与其他故障参数；

通过FFT对所述发电机转子位移故障参数进行参数分析，获取转子振幅指标与转子相位指标；

通过所述其他故障参数、所述转子振幅指标与转子相位指标，进行转子质量平衡分析，确定蓄能机组故障诊断通道。

6.如权利要求4所述的方法，其特征在于，所述构建发电机与水轮机状态评判标准通道，所述方法还包括：

获取发电机与水轮机状态评估状态量及评判标准；

通过所述发电机与水轮机状态评估状态量及评判标准，计算确定各状态评估状态量的权重系数；

通过所述各状态评估状态量的权重系数，确定发电机与水轮机状态评判标准通道。

7.如权利要求1所述的方法，其特征在于，基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案，所述方法还包括：

获取发电机与水轮机的设备运行周期信息；

通过所述设备运行周期信息，对相关设备检修周期进行协同分析，获取协同检修周期；

基于所述数据交互融合处理结果与所述蓄能机组故障参数，对照确定检修等级规模；

基于所述协同检修周期与所述检修等级规模，获取协同检修方案。

8.一种基于转子磁极缺陷的协同检修系统，其特征在于，所述系统包括：

历史数据获取单元，所述历史数据获取单元用于获取蓄能机组发电机与水轮机关键部件的历史故障清单；

知识库构建单元，所述知识库构建单元用于基于FMEA的理论，通过所述历史故障清单，构建FMEA层级知识库；

状态参数采集单元，所述状态参数采集单元用于采集蓄能机组发电机与水轮机关键部件的当前状态参数；

类型指标确定单元，所述类型指标确定单元用于将所述当前状态参数输入所述FMEA层级知识库，确定故障类型指标参数；

交互结果获取单元，所述交互结果获取单元用于将所述故障类型指标参数输入构建完成的多源交互融合模型，获取数据交互融合处理结果；

故障参数确定单元，所述故障参数确定单元用于获取磁轭和磁极与转子磁极缺陷的状态关联参数，分析确定蓄能机组故障参数；

周期协同单元，所述周期协同单元用于基于所述数据交互融合处理结果与所述蓄能机组故障参数，进行检修周期协同分析，获取协同检修方案。

Images