CN115372039A - 汽轮发电机组振动故障诊断系统的构建方法和应用方法 - Google Patents
汽轮发电机组振动故障诊断系统的构建方法和应用方法 Download PDFInfo
- Publication number
- CN115372039A CN115372039A CN202211024363.XA CN202211024363A CN115372039A CN 115372039 A CN115372039 A CN 115372039A CN 202211024363 A CN202211024363 A CN 202211024363A CN 115372039 A CN115372039 A CN 115372039A
- Authority
- CN
- China
- Prior art keywords
- fault
- steam turbine
- generator unit
- turbine generator
- state
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种汽轮发电机组振动故障诊断系统的构建方法和应用方法,该构建方法包括:获取部件和相关的状态;根据领域知识分析汽轮发电机组运行时状态的关系,以及发生振动故障时部件及状态的关系和部件的关系,并基于关系生成规则;基于部件、状态和规则,构建本体模型;对本体模型进行自优化处理以得到汽轮发电机组振动故障诊断系统。本发明基于部件、状态、规则来构建汽轮发电机组振动故障诊断系统的本体模型,规则的构建中基于领域知识结合运行数据,通过分析运行状况和故障产生过程来构建,解决了汽轮发电机组振动故障系统构建困难的问题。另外,系统具有自评价和修正能力,提高了系统的重用性与诊断准确性。
Description
技术领域
本发明涉及信息技术领域,特别涉及一种汽轮发电机组振动故障诊断系统的构建方法和应用方法。
背景技术
在工业4.0驱动下,电厂智能化工作在逐步推进,汽轮发电机组的在线振动故障智能诊断系统是电厂智能化工作之一。由于汽轮发电机组机组本身设备类型多、单套机组涉及设备数量庞大,以及设备本身运行原理复杂等,同一个机组,相同的特征指向不同的故障原因,不同的机组,同一个故障原因所表现的特征也不同,使得汽轮机发电机组振动故障诊断系统的组成十分复杂,导致汽轮发电机组振动故障诊断系统的构建难度较大。
现有技术中,主要通过机器学习或深度学习的方式构建汽轮发电机组振动故障诊断系统,这种构建方法在构建过程中忽视了振动故障诊断系统自身的运行逻辑,所构建的系统仅从振动数据中提取特征进行诊断,导致所构建的汽轮机发电机组振动故障诊断系统的诊断准确性低。
发明内容
本发明要解决的技术问题是为了克服现有技术中汽轮发电机组振动故障诊断系统的构建难度大,诊断准确性低的缺陷,提供一种汽轮发电机组振动故障诊断系统的构建方法和应用方法。
本发明是通过下述技术方案来解决上述技术问题:
根据本发明的第一方面,提供一种汽轮发电机组振动故障诊断系统的构建方法,所述汽轮发电机组振动故障诊断系统的构建方法包括:
获取汽轮发电机组的部件;其中,所述部件包括汽轮发电机组的汽轮机、发电机、励磁和辅机系统;
从所述汽轮发电机组预设的状态测点中获取运行数据,并从所述运行数据中提取与所述部件相关的状态;其中,所述状态包括振动状态、热工状态和电气状态;
根据汽轮发电机组的领域知识和所述运行数据分析所述汽轮发电机组运行时所述状态的关系,以及所述汽轮发电机组发生振动故障时所述部件及相关状态的关系和所述部件的关系,并基于所述关系生成规则;
基于所述部件、所述状态和所述规则,构建汽轮发电机组振动故障诊断系统的本体模型;
将所述本体模型应用于所述汽轮发电机组,根据所述本体模型在一段时间后的应用效果,对所述本体模型进行自优化处理以得到所述汽轮发电机组振动故障诊断系统。
较佳地,所述规则包括运行规则、故障诊断规则、故障验证规则和评价与学习规则,所述基于所述关系生成规则的步骤包括:
根据所述领域知识和所述运行数据还原所述汽轮发电机组的运行分析过程,基于所述运行分析过程中状态的关系生成所述运行规则;
利用所述运行规则检测所述汽轮发电机组是否出现异常状态;
当出现所述异常状态时,根据所述领域知识和所述异常状态还原所述汽轮发电机组的故障诊断过程,基于所述故障诊断过程中状态与部件的关系生成所述故障诊断规则;
利用所述故障诊断规则查找与所述异常状态相关的故障部件和对应的故障特征;
根据所述领域知识、所述故障部件和所述故障特征还原所述汽轮发电机组的故障验证过程,基于所述故障验证过程中部件的关系生成所述故障验证规则;
利用所述故障验证规则验证所述故障部件是否为所述异常状态的故障原因;
根据所述运行数据和所述领域知识还原对所述汽轮发电机组的评价与学习过程,基于所述评价与学习过程中状态与部件的关系生成所述评价与学习规则;
利用所述评价与学习规则评价所述汽轮发电机组的运行状态,得到评价结果,然后根据所述评价结果进行系统自学习或故障风险预警。
较佳地,所述运行规则包括标准运行规则和实时运行规则,所述基于所述运行分析过程中状态的关系生成所述运行规则的步骤包括:
根据所述领域知识建立标准运行库,所述标准运行库包括若干所述标准运行规则;其中,所述标准运行规则表示为一运行状态下的若干标准状态;
从所述运行数据中获取实时状态,基于所述标准运行规则的运行状态和所述实时状态生成所述实时运行规则;其中,所述实时运行规则表示为一运行状态下的若干实时状态。
较佳地,所述规则还包括故障规则,所述基于所述故障诊断过程中状态与部件的关系生成所述故障诊断规则的步骤包括:
根据所述领域知识建立标准故障库,所述标准故障库包括若干个所述故障规则;其中,所述故障规则表示为一故障部件下的若干标准故障特征;
获取与所述异常状态对应的故障部件;基于所述故障规则对所述故障部件进行分析,查找所述故障部件中与所述标准故障特征一致的故障特征;
根据所述异常状态、所述故障部件和所述第一故障特征生成所述故障诊断规则;其中,所述故障诊断规则表示为一异常状态下的若干故障部件及对应的故障特征。
较佳地,所述基于所述故障验证过程中部件的关系生成所述故障验证规则的步骤包括:
获取所述故障部件中除所述故障特征以外的相关特征,基于所述故障规则验证所述相关特征是否与标准故障特征一致,若是,则确定所述故障部件为所述异常状态的故障原因;
根据所述故障部件和所述相关特征生成所述故障验证规则;其中,所述故障验证规则表示为一故障部件下的若干相关特征。
较佳地,所述利用所述评价与学习规则定期评价所述汽轮发电机组的运行状态的步骤包括:
从所述运行数据中获取若干待评价状态,根据所述领域知识判断所有待评价状态是否符合预设的目标阈值,若所有待评价状态符合所述目标阈值,则输出评价结果为所述汽轮发电机组的运行状态稳定;
若存在所述待评价状态不符合所述目标阈值,则输出所述评价结果为所述汽轮发电机组存在故障风险。
较佳地,所述根据所述评价结果进行系统自学习或故障风险预警的步骤包括:
若所述评价结果为所述汽轮发电机组的运行状态稳定,则进行系统自学习以基于所述运行状态修正标准运行库;
若所述评价结果为所述汽轮发电机组存在故障风险,则进行故障风险预警以基于所述故障风险输出对应的故障预警信息;
根据所述领域知识对所述故障风险进行评估,得到评估结果,然后基于所述评估结果修正标准故障库。
较佳地,所述构建汽轮发电机组振动故障诊断系统的本体模型的步骤之后还包括:
基于所述领域知识获取影响汽轮发电机组振动故障诊断过程的外部参考模型;
采用本体集成的方式将所述外部参考模型集成至所述本体模型。
较佳地,所述采用本体集成的方式将所述外部参考模型集成至所述本体模型的步骤包括:
从所述外部参考模型中获取外部状态与所述本体模型的状态相同时所述外部状态对应的外部部件;
将所述外部部件添加至所述本体模型的部件中;
从所述外部参考模型中获取外部部件与所述本体模型的部件相同时所述外部部件对应的外部状态;
将所述外部状态添加至所述本体模型的状态中;
根据所述领域知识分析所述外部部件与所述状态的关系,以及所述外部状态与所述部件的关系,并基于所述关系生成集成规则;
将所述集成规则添加至所述本体模型的规则中。
根据本发明的第二方面,提供一种汽轮发电机组振动故障诊断系统的应用方法,所述汽轮发电机组振动故障诊断系统的应用方法包括以下步骤:
从预设的状态测点中获取运行数据;
通过汽轮发电机组振动故障诊断系统对所述运行数据进行分析,检测所述汽轮发电机组是否出现振动故障,若是,则通过所述汽轮发电机组振动故障诊断系统对所述振动故障进行诊断,输出诊断结果;
通过所述汽轮发电机组振动故障诊断系统对所述运行数据进行评价,判断所述汽轮发电机组运行是否稳定,若是,则基于所述运行数据修正标准运行库;
若否,则基于所述运行数据评估故障风险,然后基于所述故障风险修正标准故障库,以及输出对应的故障预警信息;
其中,所述汽轮发电机组振动故障诊断系统利用本发明的汽轮发电机组振动故障诊断系统的构建方法得到。
本发明的积极进步效果在于:
本发明基于本体的概念,即部件、状态、规则来构建汽轮发电机组振动故障诊断系统的本体模型,在构建规则时,基于领域知识结合现场实时数据,分析系统的运行状况得到运行规则,基于运行逻辑还原故障产生过程得到故障诊断规则,利用故障产生机理对故障诊断进行验证得到故障验证规则,以及还原评价与学习过程得到评价与学习规则等,解决了汽轮发电机组振动故障系统构建困难的问题。另外,随着系统的运行数据的积累,利用系统的评价与学习规则持续修正系统,并及时输出故障预警,不仅提高了系统的重用性与诊断准确性,还有效地对汽轮机发电机组进行在线状态监测、故障风险预警与故障诊断,降低了故障的发生概率。
附图说明
图1为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的流程示意图。
图2为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的步骤S13的流程示意图。
图3为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的步骤S13中的步骤S131的流程示意图。
图4本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的运行状况分析的框架示意图。
图5为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的步骤S13中的步骤S133的流程示意图。
图6为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的故障诊断过程的框架示意图。
图7为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的步骤S13中的步骤S135的流程示意图。
图8为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的故障验证过程的框架示意图。
图9为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的步骤S13中的步骤S138的流程示意图。
图10为本发明实施例1的汽轮发电机组振动故障诊断系统的构建方法的步骤S13中的步骤S139的流程示意图。
图11为本发明实施例1的汽轮发电机组振动故障诊断系统的本体模型的框架示意图。
图12为本发明实施例2的汽轮发电机组振动故障诊断系统的构建方法的流程示意图。
图13为本发明实施例2的汽轮发电机组振动故障诊断系统的构建方法的步骤S142的流程示意图。
图14为本发明实施例3的汽轮发电机组振动故障诊断系统的应用方法的流程示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种汽轮发电机组振动故障诊断系统的构建方法,该汽轮发电机组振动故障诊断系统的构建方法可以适用于构建各类型电厂的汽轮发电机组振动故障诊断系统,即针对其中一工厂的测点数据所构建的汽轮发电机组振动故障诊断系统是专用的,在一定条件下,汽轮发电机组振动故障诊断系统的本体模型可以部分重用到另一工厂中。需要说明的是,本实施例主要采用本体的概念来手工构建系统的本体,基于领域知识和运行数据,对汽轮发电机组振动故障诊断系统进行建模和分析,从而构建汽轮发电机组振动故障诊断系统。
其中,本体的基本要素包括类、属性和关系,其中类也可称之为概念,本体即用于描述概念与概念间关系以及概念中的属性间的关系。为了便于表达与理解建模,作为可选的一种实施方式,在汽轮发电机组振动故障诊断系统中,用部件、状态和规则来表示概念、属性和关系,基于部件、状态和规则构建汽轮发电机组振动故障诊断系统的本体模型。
如图1所示,该汽轮发电机组振动故障诊断系统的构建方法包括以下步骤:
S11、获取汽轮发电机组的部件。
其中,部件包括汽轮发电机组的汽轮机、发电机、励磁和辅机系统。作为可选的一种实施方式,在每个部件中,还包括若干不同层次的子部件,比如汽轮机包括静止部分和转子等,转子包括主轴、叶轮和动叶等。
在本实施例中,用集合的形式描述汽轮发电机组的部件,根据汽轮发电机组自身的机构得到汽轮发电机组的部件。下面以某类型的汽轮发电机组为例,得到汽轮发电机组的部件包括:
部件={汽轮机,发电机,励磁,辅机系统,其他系统};
汽轮机={静止部分,转子};
静止部分={机座,汽缸,滑销系统,喷嘴,隔板,静叶持环,轴承,汽封,紧固件等};
转子={主轴,叶轮,动叶,汽封,联轴器};
发电机={定子,转子};
定子={轴承座,密封瓦,铁心,绕组线棒,定子出线,氢气,氢冷却器,弹性部件};
转子={主轴,风扇,线槽,转子绕组,槽楔,护环,绕组出线,联轴器};
励磁={励磁机,集电环};
辅机系统={加热器,除氧器,抽汽系统,凝汽器,轴封系统,疏水系统,真空系统,给水泵组};
其他系统={阀门,油系统,冷却系统,密封油系统}……
当然本实施例并不限于上述的部件和子部件,并且对于不同类型的汽轮发电机组的部件,定义也有所不同。
S12、从汽轮发电机组预设的状态测点中获取运行数据,并从运行数据中提取与部件相关的状态。
其中,状态包括振动状态、热工状态和电气状态。为了保证实时地跟踪汽轮发电机组的运行变化,常规的汽轮发电机组运行系统,通常设有5000~30000个状态测点,汽轮发电机组通过状态测点获取的运行数据来监测汽轮发电机组的运行状况。
作为可选的一种实施方式,将汽轮发电机组的状态按照振动状态类、热工状态类和电气状态类进行分类。其中,振动状态类包括轴系的键相,各轴承相对振动、座振,轴向位移,缸胀,胀差,偏心等;热工状态类包括蒸汽、油、冷却水、氢气等的温度、压力、流量、液位等,各金属部件的温度测量,阀门阀位、开度等;电气状态类包括发电机三相电压、电流、功率、功率因素、励磁电压、励磁电流、频率、零序电流、负序电流,变压器侧三相电压、电流、频率等。
在本实施例中,状态指向唯一的状态测点,状态的定义中包括状态值和状态变化特征,比如汽轮发电机组轴系的振动状态中,轴系的振动幅值为状态值,轴系的振动发生跳变为状态变化特征。作为可选的一种实施方式,状态可指向不同的部件,也即部件内的状态和相关部件之间的状态,比如蒸汽回路和电磁回路等。
S13、根据汽轮发电机组的领域知识和运行数据分析汽轮发电机组运行时状态的关系,以及汽轮发电机组发生振动故障时部件及相关状态的关系和部件的关系,并基于关系生成规则。
在本实施例中,汽轮发电机组的运行分析过程是指由汽轮机、发电机、辅机及其他设备相互作用共同完成热能-机械能-电能的过程,振动故障诊断就是基于汽轮发电机组的动态状态和领域知识,还原运行分析过程,通过规则确认汽轮发电机组中各部件及其子部件运行中是否各守其位,其中的规则,即表示对基于系统工作原理的各系统或子系统的关系及状态关系的逻辑描述。
作为可选的一种实施方式,规则主要通过汽轮发电机组的部件和状态进行构建和描述。根据汽轮发电机组的故障产生机制,规则的构建中包括运行状态分析、故障诊断过程、故障验证过程、评估与学习过程等,定义规则包括运行规则、故障诊断规则、故障验证规则和评估与学习规则。
参见图2,步骤S13具体包括以下步骤:
S131、根据领域知识和运行数据还原汽轮发电机组的运行分析过程,基于运行分析过程中状态的关系生成运行规则。
其中,运行规则是指汽轮发电机组的运行分析过程的一些状态的集合,状态包括状态值和状态变化特征。作为可选的一种实施方式,用集合的形式描述运行规则,得到运行规则={某运行状态下:状态值集}+{某运行状态下:状态变化特征集},状态值集={状态值1,……状态值n},状态变化特征集={状态变化特征1,……状态变化特征n}。
在本实施例中,运行规则包括标准运行规则和实时运行规则,标准运行规则是基于领域知识形成的状态库,实时运行规则是根据标准状态规则中的状态库定义分析运行数据生成的状态库。
参见图3,步骤S131具体包括以下步骤:
S1311、根据领域知识建立标准运行库,标准运行库包括若干标准运行规则。
其中,标准运行规则表示为一运行状态下的若干标准状态。在本实施例中,标准运行库即标准运行规则库,即一系列标准运行规则的集合,标准运行规则为一运行状态下的标准状态的集合,其中,标准状态是指通过领域知识分析出汽轮发电机组的部件在理论稳定运行时的状态。
作为可选的一种实施方式,标准运行规则={运行状态:标准状态集},标准运行库={运行状态1:标准状态集1,运行状态2:标准状态集2,……运行状态n:标准状态集n}。
S1312、从运行数据中获取实时状态,基于标准运行规则的运行状态和实时状态生成实时运行规则。
其中,实时运行规则表示为一运行状态下的若干实时状态。在本实施例中,实时运行规则为一运行状态下的实时状态的集合,其中,实时状态是指通过状态测点的运行数据分析出汽轮发电机组的部件在实际运行时的状态。作为可选的一种实施方式,实时运行规则={运行状态:实时状态集}。
S132、利用运行规则检测汽轮发电机组是否出现异常状态,若是,则执行步骤S133。
作为可选的一种实施方式,运行分析过程就是实时运行规则与标准运行规则的比较过程,其中,实时运行规则与标准运行规则均针对某特定运行状态进行相同的分析与计算,通过比较这两个规则,若实时运行规则与标准运行规则偏差较大,则检测出异常状态集合。如图4所示,运行分析过程的结果指向异常状态集。作为可选的一种实施方式,依次判断同一运行状态下的所有实时状态是否在标准状态的范围内,若否,则确定对应的实时状态为异常状态,然后基于异常状态进行故障诊断。
S133、根据领域知识和异常状态还原汽轮发电机组的故障诊断过程,基于故障诊断过程中状态与部件的关系生成故障诊断规则。
作为可选的一种实施方式,故障诊断过程是指根据异常状态的集合,找到对应的相关部件集,针对部件集中某个部件或子部件的某个异常状态展开的一系列特定的分析过程,以此部件集生成的若干故障特征,合并为一个故障特征集,将此故障特征集与已定义的标准故障库进行对比,分析可能存在的故障原因,即找出故障部件或子部件。
参见图5,步骤S133具体包括以下步骤:
S1331、根据领域知识建立标准故障库,标准故障库包括若干个故障规则。
其中,故障规则表示为一故障部件下的若干标准故障特征。在本实施例中,标准故障库即一系列故障规则的集合,故障规则为一故障部件下的标准故障特征的集合,其中,标准故障特征是指通过领域知识分析出汽轮发电机组的部件在出现异常故障时的特征。
作为可选的一种实施方式,将特征按照运行状态特征,位置特征,振动特征和其余状态特征进行分类,其中,运行状态特征是指运行分析过程中的运行状态的集合;位置特征是指故障部件的位置属性;振动特征是指故障部件的振动信息,振动特征包括振动信号类型,倍频幅值,倍频角度,轴心位置特征,轴心轨迹特征和振动异常变化特征等;其余状态特征则是指不属于振动特征的所有状态变化特征值的集合。
作为可选的一种实施方式,故障规则={故障部件:标准故障特征集},标准故障库={故障部件1:标准故障特征集1,故障部件2:标准故障特征集2,……故障部件n:标准故障特征集n},需要说明的是,故障部件可以是部件集中的某一部件或某一子部件。
S1332、获取与异常状态对应的故障部件。
由于在本实施例中,状态指向唯一的状态测点,则可通过异常状态查询对应的状态测点,通过状态测点获取相关部件集,即故障部件。
S1333、基于故障规则对故障部件进行分析,查找故障部件中与标准故障特征一致的故障特征。
作为可选的一种实施方式,将故障部件的特征与标准故障库的标准故障特征进行匹配,若故障部件中存在与标准故障特征一致的特征,则将该特征作为故障特征,并将对应的故障部件作为可能存在的故障原因。需要说明的是,上述故障特征并不是固定的,而是具有一定的随机性,这是因为汽轮发电机组的组成十分复杂,考虑现场运行条件、环境以及运行管理等差异,同一个机组,相同的特征指向不同的故障原因;不同的机组,同一个故障原因,表现的特征也不同;因此即使是面对同样的故障,在不同的故障诊断过程中,也可能会得到不同的故障特征。
S1334、根据异常状态、故障部件和故障特征生成故障诊断规则。
其中,故障诊断规则表示为一异常状态下的若干故障部件及对应的故障特征。
作为可选的一种实施方式,用集合的形式描述故障诊断规则,得到故障诊断规则={异常状态:故障部件集}+{故障部件:故障特征}……
S134、利用故障诊断规则查找与异常状态相关的故障部件和对应的故障特征。
作为可选的一种实施方式,故障诊断过程就是根据异常状态的集合和标准故障库,分析故障部件及对应故障特征的过程,如图6所示,故障诊断过程的结果是故障原因集,指向的是故障部件或子部件的某个异常状态。故障部件集为异常状态下可能存在的故障部件清单,故障原因集为将故障部件集与标准故障库进行匹配后,得到的故障特征和对应的故障部件。
S135、根据领域知识、故障部件和故障特征还原汽轮发电机组的故障验证过程,基于故障验证过程中部件的关系生成故障验证规则。
作为可选的一种实施方式,故障验证过程是指根据已得到的故障部件清单,通过逐一分析每个故障部件下的其余特征,进一步将其余特征与标准故障库对比,来验证此故障部件或故障子部件是否成立。
参见图7,步骤S135具体包括以下步骤:
S1351、获取故障部件中除第一故障特征以外的相关特征。
其中,故障特征是指与异常状态直接对应的特征,相关特征是指当故障特征成立时引起故障部件出现其它异常的特征。作为可选的一种实施方式,可以获取部分与故障特征相关的部分相关特征进行验证,也可以获取除故障特征以外的全部相关特征进行验证。
S1352、基于故障规则验证相关特征是否与标准故障特征一致,若是,则执行步骤S1353。
S1353、确定故障部件为异常状态的故障原因。
作为可选的一种实施方式,在确定某个故障部件为异常状态的故障原因后,则将该故障部件及相关的故障原因输出,作为诊断结果。
S1354、根据故障部件和相关特征生成故障验证规则;其中,故障验证规则表示为一故障部件下的若干相关特征。
作为可选的一种实施方式,用集合的形式描述故障验证规则,得到故障诊断特征={故障部件:相关特征}……
作为可选的一种实施方式,可将相关特征收敛至故障诊断规则,也即在故障诊断过程中直接分析出相关特征。
S136、利用故障验证规则验证故障部件是否为所述异常状态的故障原因。
作为可选的一种实施方式,故障验证过程就是根据单个部件下的其余特征和标准故障库,验证故障部件是否成立的过程,如图8所示,故障验证过程的结果是故障原因。假设故障原因集包括故障部件X和故障部件Y,分别将故障部件X和故障部件Y下除故障特征以外的其余特征(即相关特征)与标准故障库匹配,若相关特征存在故障,则确定与相关特征对应的故障部件为故障原因。参见图8,故障部件X的相关特征存在故障,因此故障部件X为故障原因。
下面举一个例子,比如当汽轮发电机轴系的某个测点的振动波动异常时,则通过故障诊断过程诊断出转子质量可能存在不平衡,但也有可能是该测点的测量误差,即可对其它测点的轴振和瓦振进行验证,判断轴振变化幅度或瓦振变化幅度是否异常,若异常,则确认转子为故障原因并进行检修,若其余测点的数据正常,则对该测点进行检修。当然,在实际的汽轮发电机振动故障的产生过程中,诊断情况还要复杂的多,因此需要在故障诊断过程后通过故障验证过程来进一步确定故障原因。
S137、根据运行数据和领域知识还原对汽轮发电机组的评价与学习过程,基于评价与学习过程中状态与部件的关系生成所述评价与学习规则。
其中,评价与学习过程相当于定期对汽轮发电机组故障诊断系统进行“体检”,利用某时间段的运行数据对系统运行状态进行评估,评估系统的稳定性与风险,在稳定的情况下,通过自学习修正标准运行库,在存在风险的情况下,输出故障预警信息,以及通过进一步对风险进行分析,学习并修正标准故障库等。
S138、利用评价与学习规则定期评价汽轮发电机组的运行状态,得到评价结果;
由于不同类型汽轮发电机机组的参数各有不同,并且在原始数据积累较少时,通过领域知识和运行数据所构建的标准运行库和标准故障库可能存在不足,从而导致汽轮发电机组振动故障诊断系统的本体模型的适用性和诊断准确性低,因此汽轮发电机组振动故障诊断系统还包括评价机制和学习机制,以实现系统循环改进。
参见图9,步骤S138具体包括以下步骤:
S1381、从运行数据中获取若干待评价状态。
在本实施例中,系统基于汽轮发电机组的某一段时间的运行数据进行评价,即定期对系统运行状态进行评估,评估系统的稳定性与风险,具体地,每隔一个周期,从状态测点中获取运行数据,得到该周期内各个运行状态下的若干状态,并将这些状态作为待评价状态。
S1382、根据领域知识判断所有待评价状态是否符合预设的目标阈值,若所有待评价状态符合目标阈值,则执行步骤S1383;若存在待评价状态不符合目标阈值,则执行步骤S1384。
作为可选的一种实施方式,评价主要包括振动状态评价,轴承稳定性评价和系统整体稳定性评价。其中,振动状态评价主要包括各运行状态下振动状态的瞬态与稳态评价;轴承稳定性评价主要包括轴承振动状态结合轴瓦热工参数的评价;系统整体稳定性评价主要包括系统抗干扰能力的评价。
作为可选的一种实施方式,针对某段时间内的某运行状态,依次判断该运行状态下的若干个待评价状态是否符合领域知识所设定的阈值范围(即目标阈值),若所有待评价状态均在阈值范围内,则确定该运行状态稳定,并执行步骤S1383;若存在待评价状态不在阈值范围内,则确定该运行状态不稳定,并执行步骤S1384。
S1383、输出评价结果为汽轮发电机组的运行状态稳定。
S1384、输出评价结果为汽轮发电机组存在故障风险。
S139、根据评价结果进行系统自学习或故障风险预警。
参见图10,若评价结果为汽轮发电机组的运行状态稳定,则执行步骤S1391;若评价结果为汽轮发电机组存在故障风险,则执行步骤S1392。具体地,步骤S139包括以下步骤:
S1391、进行系统自学习以基于运行状态修正标准运行库。
作为可选的一种实施方式,自动记录该运行状态下的状态作为新的标准状态,并更新至标准运行库,然后基于标准运行库修正运行规则。
在本实施例中,按照学习的机制可自动学习或半自动学习。其中,自动学习为基于领域知识的评价机制和学习机制来优化系统,比如修正或更新相关计算参数,并修正或收敛各规则中的状态值集和状态变化特征集。半自动学习为人为调整系统,比如在系统运行初期,原始状态记录积累较少时,利用同类机组已学习的参数,结合现场运行状态适当人为干预调整参数。作为可选的另一种实施方式,半自动学习也可以是在对系统运行维护的过程中,对于某些规则库进行人为干预增减;或人为干预选择符合条件的时间段,对某些规则进行训练和学习,以强制收敛某些状态等。
S1392、进行故障风险预警以基于故障风险输出对应的故障预警信息。
S1393、根据领域知识对故障风险进行评估,得到评估结果。
在本实施例中,对故障风险进行评估的过程与故障诊断过程和故障验证过程的方式一致,只是针对的标准不一样,故障风险是在发生故障前的风险提示。作为可选的一种实施方式,获取不符合目标阈值的风险状态集合,对该风险状态集合进行分析,确认风险部件和对应的风险特征(即评估结果)。
S1394、基于评估结果修正标准故障库。
作为可选的一种实施方式,在评估故障风险时,若风险状态在多次评估过程中一直指向某些部件或子部件,则可收敛上述风险状态以及相关的部件集,将风险部件和对应的风险特征更新至标准故障库,从而有利于在故障诊断过程中缩小故障原因的范围。
本实施例利用评价与学习规则持续对本体模型的规则进行修正,使汽轮发电机组振动故障诊断系统的本体模型可自适应于不同类型与参数的汽轮发电机组,从而得到专用的汽轮发电机组振动故障诊断系统;另外在评价出故障风险时,及时输出故障预警信息,可降低重大故障发生的概率。
S14、基于部件、状态和规则,构建汽轮发电机组振动故障诊断系统的本体模型。
作为可选的一种实施方式,如图11所示,示出了汽轮发电机组振动故障诊断系统的本体模型,在汽轮发电机组振动故障诊断系统的本体模型中,定义了部件与状态,在规则的构建中主要包含标准运行规则、实时运行规则、故障规则、故障诊断规则、故障验证规则和评价与学习规则这几类规则的详细构建过程,并基于部件与状态来描述这几类规则。
作为可选的一种实施方式,本体模型中还包括这几类规则的关系,也即比较实时运行规则和标准运行规则得到异常状态集,基于异常状态集和故障规则得到故障诊断规则,基于故障诊断规则得到故障原因集,基于故障规则和故障原因集得到故障验证规则,评价与学习规则在系统稳定时修正标准运行库,进而更新标准运行规则;在系统存在故障风险时修正标准故障库,进而更新故障诊断规则和故障验证规则。
S15、将本体模型应用于汽轮发电机组,根据本体模型在一段时间后的应用效果,对本体模型进行自优化处理以得到汽轮发电机组振动故障诊断系统。
本实施例基于本体的概念,即部件、状态、规则来构建汽轮发电机组振动故障诊断系统的本体模型,在构建规则时,基于领域知识结合现场运行数据,分析系统的运行状况得到运行规则,基于运行逻辑还原故障产生过程得到故障诊断规则,利用故障产生机理对故障诊断进行验证得到故障验证规则,以及还原评价与学习过程得到评价与学习规则等,解决了汽轮发电机组振动故障系统构建困难的问题。另外,随着系统的运行数据的积累,利用系统的评价与学习规则持续修正系统,并及时输出故障预警,不仅降低了故障的发生概率,还提高了系统的重用性与诊断准确性。
实施例2
本实施例提供一种汽轮发电机组振动故障诊断系统的构建方法,该汽轮发电机组振动故障诊断系统的构建方法是对实施例1的进一步改进,如图12所示,步骤S14之后还包括先执行步骤S141。具体地,包括以下步骤:
S141、基于领域知识获取影响汽轮发电机组振动故障诊断过程的外部参考模型。
作为可选的一种实施方式,从系统工程的角度,考虑汽轮发电机组振动故障诊断系统以外对系统的影响,引入环境和电网,并将环境和电网作为外部参考模型集成至汽轮发电机组振动故障诊断系统的本体模型中。
作为可选的一种实施方式,环境和电网可以是实时模型,也可以是采用历史数据生成的模型。
S142、采用本体集成的方式将外部参考模型集成至本体模型。
参见图13,步骤S142具体包括以下步骤:
S1421、从外部参考模型中获取外部状态与本体模型的状态相同时外部状态对应的外部部件。
作为可选的一种实施方式,环境参考模型与汽轮发电机组振动故障诊断系统的本体模型相关的部件包括油系统、冷却系统和发电机等;电网参考模型与汽轮发电机组振动故障诊断系统的本体模型相关的部件包括发电机、汽轮机和轴系等。
S1422、将外部部件添加至本体模型的部件中。
S1423、从外部参考模型中获取外部部件与本体模型的部件相同时外部部件对应的外部状态。
作为可选的一种实施方式,环境参考模型与汽轮发电机组振动故障诊断系统的本体模型相关的状态包括温度,湿度,气压和地区等;电网参考模型与汽轮发电机组振动故障诊断系统的本体模型相关的状态包括电网负荷和电网品质等。
S1424、将外部状态添加至本体模型的状态中。
S1425、根据领域知识分析外部部件与状态的关系,以及外部状态与部件的关系,并基于关系生成集成规则。
S1426、将集成规则添加至本体模型的规则中。
在本实施例中,考虑汽轮发电机组振动故障诊断系统以外对系统的影响,引入环境和电网的数据参与本系统的计算与分析,完善汽轮发电机组振动故障诊断系统的本体模型,进一步提高了汽轮发电机组振动故障诊断系统进行故障诊断的准确性。
实施例3
本实施例提供了一种汽轮发电机组振动故障诊断系统的应用方法,如图14所示,该汽轮发电机组振动故障诊断系统的应用方法包括以下步骤:
S21从预设的状态测点中获取运行数据。
S22、通过汽轮发电机组振动故障诊断系统对运行数据进行分析,检测是否出现振动故障,若是,则执行步骤S23。
其中,汽轮发电机组振动故障诊断系统利用实施例1或实施例2的汽轮发电机组振动故障诊断系统的构建方法得到。
S23、通过汽轮发电机组振动故障诊断系统对振动故障进行诊断。
S24、输出诊断结果。
S25、通过汽轮发电机组振动故障诊断系统对运行数据进行评价,判断汽轮发电机组运行是否稳定,若是,则执行步骤S26;若否,则执行步骤S17;
S26、基于运行数据修正标准运行库。
S27、基于运行数据评估故障风险。
S28、基于故障风险修正标准故障库。
S29、输出对应的故障预警信息。
在本实施例中,用于故障预警和故障诊断的汽轮发电机组振动故障诊断系统是通过实施例1或实施例2的汽轮发电机组振动故障诊断系统的构建方法得到的,因此在该汽轮发电机组振动故障诊断系统应用于具体的故障预警和故障诊断时,可有效地对汽轮机发电机组进行在线状态监测、故障风险预警与故障诊断,可降低重大故障发生的概率,并为系统的维护维修提供参考,提高电厂汽轮发电机组现场运行稳定性和安全性。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述汽轮发电机组振动故障诊断系统的构建方法包括:
获取汽轮发电机组的部件;其中,所述部件包括汽轮发电机组的汽轮机、发电机、励磁和辅机系统;
从所述汽轮发电机组预设的状态测点中获取运行数据,并从所述运行数据中提取与所述部件相关的状态;其中,所述状态包括振动状态、热工状态和电气状态;
根据汽轮发电机组的领域知识和所述运行数据分析所述汽轮发电机组运行时所述状态的关系,以及所述汽轮发电机组发生振动故障时所述部件及相关状态的关系和所述部件的关系,并基于所述关系生成规则;
基于所述部件、所述状态和所述规则,构建汽轮发电机组振动故障诊断系统的本体模型;
将所述本体模型应用于所述汽轮发电机组,根据所述本体模型在一段时间后的应用效果,对所述本体模型进行自优化处理以得到所述汽轮发电机组振动故障诊断系统。
2.根据权利要求1所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述规则包括运行规则、故障诊断规则、故障验证规则和评价与学习规则,所述基于所述关系生成规则的步骤包括:
根据所述领域知识和运行数据还原所述汽轮发电机组的运行分析过程,基于所述运行分析过程中状态的关系生成所述运行规则;
利用所述运行规则检测所述汽轮发电机组是否出现异常状态;
当出现所述异常状态时,根据所述领域知识和所述异常状态还原所述汽轮发电机组的故障诊断过程,基于所述故障诊断过程中状态与部件的关系生成所述故障诊断规则;
利用所述故障诊断规则查找与所述异常状态相关的故障部件和对应的故障特征;
根据所述领域知识、所述故障部件和所述故障特征还原所述汽轮发电机组的故障验证过程,基于所述故障验证过程中部件的关系生成所述故障验证规则;
利用所述故障验证规则验证所述故障部件是否为所述异常状态的故障原因
根据所述运行数据和所述领域知识还原对所述汽轮发电机组的评价与学习过程,基于所述评价与学习过程中状态与部件的关系生成所述评价与学习规则;
利用所述评价与学习规则定期评价所述汽轮发电机组的运行状态,得到评价结果,然后根据所述评价结果进行系统自学习或故障风险预警。
3.根据权利要求2所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述运行规则包括标准运行规则和实时运行规则,所述基于所述运行分析过程中状态的关系生成所述运行规则的步骤包括:
根据所述领域知识建立标准运行库,所述标准运行库包括若干所述标准运行规则;其中,所述标准运行规则表示为一运行状态下的若干标准状态;
从所述运行数据中获取实时状态,基于所述标准运行规则的运行状态和所述实时状态生成所述实时运行规则;其中,所述实时运行规则表示为一运行状态下的若干实时状态。
4.根据权利要求2所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述规则还包括故障规则,所述基于所述故障诊断过程中状态与部件的关系生成所述故障诊断规则的步骤包括:
根据所述领域知识建立标准故障库,所述标准故障库包括若干个所述故障规则;其中,所述故障规则表示为一故障部件下的若干标准故障特征;
获取与所述异常状态对应的故障部件;基于所述故障规则对所述故障部件进行分析,查找所述故障部件中与所述标准故障特征一致的故障特征;
根据所述异常状态、所述故障部件和所述故障特征生成所述故障诊断规则;其中,所述故障诊断规则表示为一异常状态下的若干故障部件及对应的故障特征。
5.根据权利要求4所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述基于所述故障验证过程中部件的关系生成所述故障验证规则的步骤包括:
获取所述故障部件中除所述故障特征以外的相关特征,基于所述故障规则验证所述相关特征是否与标准故障特征一致,若是,则确定所述故障部件为所述异常状态的故障原因;
根据所述故障部件和所述相关特征生成所述故障验证规则;其中,所述故障验证规则表示为一故障部件下的若干相关特征。
6.根据权利要求2所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述利用所述评价与学习规则定期评价所述汽轮发电机组的运行状态的步骤包括:
从所述运行数据中获取若干待评价状态,根据所述领域知识判断所有待评价状态是否符合预设的目标阈值,若所有待评价状态符合所述目标阈值,则输出评价结果为所述汽轮发电机组的运行状态稳定;
若存在所述待评价状态不符合所述目标阈值,则输出所述评价结果为所述汽轮发电机组存在故障风险。
7.根据权利要求2所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述根据所述评价结果进行系统自学习或故障风险预警的步骤包括:
若所述评价结果为所述汽轮发电机组的运行状态稳定,则进行系统自学习以基于所述运行状态修正标准运行库;
若所述评价结果为所述汽轮发电机组存在故障风险,则进行故障风险预警以基于所述故障风险输出对应的故障预警信息;
根据所述领域知识对所述故障风险进行评估,得到评估结果,然后基于所述评估结果修正标准故障库。
8.根据权利要求1所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述构建汽轮发电机组振动故障诊断系统的本体模型的步骤之后还包括:
基于所述领域知识获取影响汽轮发电机组振动故障诊断过程的外部参考模型;
采用本体集成的方式将所述外部参考模型集成至所述本体模型。
9.根据权利要求8所述的汽轮发电机组振动故障诊断系统的构建方法,其特征在于,所述采用本体集成的方式将所述外部参考模型集成至所述本体模型的步骤包括:
从所述外部参考模型中获取外部状态与所述本体模型的状态相同时所述外部状态对应的外部部件;
将所述外部部件添加至所述本体模型的部件中;
从所述外部参考模型中获取外部部件与所述本体模型的部件相同时所述外部部件对应的外部状态;
将所述外部状态添加至所述本体模型的状态中;
根据所述领域知识分析所述外部部件与所述状态的关系,以及所述外部状态与所述部件的关系,并基于所述关系生成集成规则;
将所述集成规则添加至所述本体模型的规则中。
10.一种汽轮发电机组振动故障诊断系统的应用方法,其特征在于,所述汽轮发电机组振动故障诊断系统的应用方法包括以下步骤:
从预设的状态测点中获取运行数据;
通过汽轮发电机组振动故障诊断系统对所述运行数据进行分析,检测所述汽轮发电机组是否出现振动故障,若是,则通过所述汽轮发电机组振动故障诊断系统对所述振动故障进行诊断,输出诊断结果;
通过所述汽轮发电机组振动故障诊断系统对所述运行数据进行评价,判断所述汽轮发电机组运行是否稳定,若是,则基于所述运行数据修正标准运行库;
若否,则基于所述运行数据评估故障风险,然后基于所述故障风险修正标准故障库,以及输出对应的故障预警信息;
其中,所述汽轮发电机组振动故障诊断系统利用如权利要求1-9任一项所述的汽轮发电机组振动故障诊断系统的构建方法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211024363.XA CN115372039A (zh) | 2022-08-25 | 2022-08-25 | 汽轮发电机组振动故障诊断系统的构建方法和应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211024363.XA CN115372039A (zh) | 2022-08-25 | 2022-08-25 | 汽轮发电机组振动故障诊断系统的构建方法和应用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115372039A true CN115372039A (zh) | 2022-11-22 |
Family
ID=84066946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211024363.XA Pending CN115372039A (zh) | 2022-08-25 | 2022-08-25 | 汽轮发电机组振动故障诊断系统的构建方法和应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115372039A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131785A (zh) * | 2023-10-23 | 2023-11-28 | 北京航空航天大学杭州创新研究院 | 一种电动航空发动机健康管理系统及方法 |
-
2022
- 2022-08-25 CN CN202211024363.XA patent/CN115372039A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131785A (zh) * | 2023-10-23 | 2023-11-28 | 北京航空航天大学杭州创新研究院 | 一种电动航空发动机健康管理系统及方法 |
CN117131785B (zh) * | 2023-10-23 | 2024-01-05 | 北京航空航天大学杭州创新研究院 | 一种电动航空发动机健康管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 2: Application examples | |
Nadarajan et al. | Online model-based condition monitoring for brushless wound-field synchronous generator to detect and diagnose stator windings turn-to-turn shorts using extended Kalman filter | |
Bellini et al. | Advances in diagnostic techniques for induction machines | |
US6587737B2 (en) | Method for the monitoring of a plant | |
CN103926506B (zh) | 基于构建函数的汽轮发电机转子绕组短路故障诊断方法 | |
CN107037331B (zh) | 用于实时监控风力发电机绕组的绝缘状态的方法和系统 | |
WO2008148075A1 (en) | Machine condition assessment through power distribution networks | |
CN101300726B (zh) | 自动监控发电机运行的方法 | |
Liang et al. | Condition monitoring techniques for induction motors | |
CN101430240A (zh) | 联轴器平行不对中故障在线实时诊断方法 | |
CN104655977B (zh) | 基于转矩比较原理的发电机励磁绕组短路故障诊断方法 | |
KR20170067519A (ko) | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 | |
CN115372039A (zh) | 汽轮发电机组振动故障诊断系统的构建方法和应用方法 | |
Du et al. | A SCADA data based anomaly detection method for wind turbines | |
Leonidovich et al. | The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment | |
CN114089186A (zh) | 一种电机状态检测分析预警方法及设备 | |
Khamidov et al. | Locomotive asynchronous traction motor rolling bearing fault detection based on current intelligent methods | |
He et al. | Detection of single-axis pitch bearing defect in a wind turbine using electrical signature analysis | |
Bradley et al. | A general approach for current-based condition monitoring of induction motors | |
CN114019298B (zh) | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 | |
CN115932577A (zh) | 一种基于协同感知的汽轮发电机转子绕组匝间短路预警方法 | |
Barszcz et al. | Concept of automated malfunction detection of large turbomachinery using machine learning on transient data | |
Sonje et al. | Fault diagnosis of induction motor using parks vector approach | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
CN102022143B (zh) | 汽轮发电机组低频振动平稳性实时分析方法 |
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 |