CN116089877A - 一种电厂汽轮机通流部分故障诊断方法及系统 - Google Patents
一种电厂汽轮机通流部分故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116089877A CN116089877A CN202310375442.3A CN202310375442A CN116089877A CN 116089877 A CN116089877 A CN 116089877A CN 202310375442 A CN202310375442 A CN 202310375442A CN 116089877 A CN116089877 A CN 116089877A
- Authority
- CN
- China
- Prior art keywords
- stage
- turbine
- flow
- fault
- steam
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000009423 ventilation Methods 0.000 claims description 9
- 208000028659 discharge Diseases 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种电厂汽轮机通流部分故障诊断方法及系统，涉及汽轮机故障诊断技术领域，该方法包括：以汽轮机抽汽口为依据，将汽轮机通流部分划分为7个级组段，获取每个级组段的实时热力参数数据，计算获取每一时间段的每个通流级组段的特征通流面积；将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。本发明根据划分的每一级组段的热力参数获取特征通流面积，基于改进KNN算法的故障诊断模型，实现在机组还未发生振动征兆前的电厂汽轮机通流部分故障的准确识别以及故障类型的诊断。
Description
技术领域
本发明涉及汽轮机故障诊断技术领域，尤其涉及一种电厂汽轮机通流部分故障诊断方法及系统。
背景技术
火力发电持续在电力行业占主导地位，火力发电设备的故障诊断是目前研究的重点之一。作为火力发电的主要设备，汽轮机长期处于高温、高压、高速的工作环境中，极易发生故障，一旦发生故障，对汽轮机的安全和经济运行将产生巨大的影响，进而汽轮机通流部分故障诊断对于汽轮机本体的安全、经济运行具有重要意义。一方面可以通过故障检测排除机组存在的安全隐患，另一方面可以适当延长机组的大修周期，从而可以在保障机组运行安全性的同时提高机组的经济性。因此，研究先进的汽轮机通流部分故障诊断方法显得尤为重要。
近年来，关于汽轮机通流部分故障诊断方法的研究较多，如基于工业大数据的汽轮机故障深度分析方法；基于振动故障案例的汽轮机智能故障诊断方法；将改进粒子滤波和小波包应用在汽轮机振动诊断中，这一方法对比FFT（Fast Fourier Transform，快速傅里叶变换）分析有明显的优越性；将伯德曲线应用于汽轮机高中压转子裂纹故障中；基于模糊专家系统的汽轮机远程振动故障诊断方法；根据通流故障与热力参数的关系，提出的高压缸通流部分故障的热参数模糊诊断法等。
然而，目前上述方法对汽轮机通流部分的故障诊断多采用振动分析法，基于热力参数的汽轮机通流部分故障诊断相对缺乏。基于振动分析法的故障诊断方法通常根据机组的震动参数是否超过预设值进行故障判断，但是这一方法存在机组的震动参数未超过报警值而振动参数以及汽轮机回热抽汽等热力参数不正常波动、机组已发生故障的情况，即存在无法准确识别故障的情况；目前基于热力参数的汽轮机通流部分故障诊断研究较少，其根据汽轮机综合指标变化深入分析也相对较少，且存在一定的缺陷，如当汽轮机存在其他干扰导致热力参数变化时，不能有效排除干扰，进而难以实现故障精准定位和原因排查。
发明内容
为解决上述现有技术的不足，本发明提供了一种电厂汽轮机通流部分故障诊断方法及系统，通过对汽轮机通流部分进行级组段划分，根据每一级组段的热力参数，获取其特征通流面积，基于改进的KNN算法的故障诊断模型，实现电厂汽轮机通流部分故障的准确识别与定位，并诊断故障类型，实现在机组还未发生振动等征兆前的汽轮机故障诊断。
第一方面，本公开提供了一种电厂汽轮机通流部分故障诊断方法。
一种电厂汽轮机通流部分故障诊断方法，包括：
以汽轮机抽汽口为依据，将汽轮机通流部分划分为7个级组段，获取每个级组段的实时热力参数数据；
根据实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积；
将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
进一步的技术方案，所述7个级组段包括：主蒸汽到调节级段、调节级到一段抽汽段、一段抽汽到高压缸排汽段、中压缸进汽到三段抽汽段、三段抽汽到中压缸排汽段、低压缸进汽到五段抽汽段、五段抽汽到六段抽汽段。
进一步的技术方案，所述热力参数包括主汽门前主蒸汽、调节级后汽室、第一段抽汽、高压缸排汽、中压缸进汽、第三段抽汽、中压缸排汽、低压缸进汽、第五段抽汽、第六段抽汽相应的压力、温度和流量。
进一步的技术方案，所述特征通流面积的计算公式为：
上式中，、为变工况前后流过级组的流量；、为变工况前后级组前压力；、为变工况前后级组后压力；为压力级组前后的压力比，即/，/；、表示变工况前后级组通过的气体体积。
进一步的技术方案，在将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型之前，还包括：
对当前时间段每一通流机组段的特征通流面积进行数据预处理；所述数据预处理包括数据归一化。
进一步的技术方案，所述基于改进的KNN算法的故障诊断模型的训练过程为：
预设典型设备故障样本，包括7个级组段流道受阻与流道腐蚀共14种故障类型，获取不同故障类型下故障前后的每一通流机组段的特征通流面积数据，以获取的数据为训练样本集，训练基于改进KNN算法的故障诊断模型。
进一步的技术方案，所述根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果，包括：
基于欧式距离公式，计算当前时间段的特征通流面积与预设故障样本的特征通流面积之间的欧式距离；
根据欧式距离判断是否发生故障，若最小欧式距离大于预设距离值，则判断汽轮机通流部分未发生故障，反之，则判断汽轮机通流部分发生故障。
进一步的技术方案，还包括：
当判断汽轮机通流部分发生故障时，将欧式距离从小到大排序，选取前K个欧式距离所对应的预设故障样本；
以K个预设故障样本的欧式距离的倒数为距离权重，获取K个预设故障样本中每一种故障类型的距离权重占总距离权重和的比值，根据所述比值判断并输出当前汽轮机通流部分的故障位置及故障类型。
第二方面，本公开提供了一种电厂汽轮机通流部分故障诊断系统。
一种电厂汽轮机通流部分故障诊断系统，包括：
数据获取模块，用于获取每个级组段的实时热力参数数据；其中，所述级组段包括以汽轮机抽汽口为依据，将汽轮机通流部分划分7个级组段；
特征通流面积计算模块，用于根据实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积；
故障诊断模块，用于将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
进一步的技术方案，所述7个级组段包括：主蒸汽到调节级段、调节级到一段抽汽段、一段抽汽到高压缸排汽段、中压缸进汽到三段抽汽段、三段抽汽到中压缸排汽段、低压缸进汽到五段抽汽段、五段抽汽到六段抽汽段。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种电厂汽轮机通流部分故障诊断方法及系统，通过对汽轮机通流部分进行级组段划分，根据每一级组段的热力参数获取其特征通流面积，基于改进的KNN算法的故障诊断模型，实现电厂汽轮机通流部分故障的准确识别与定位，并诊断故障类型，实现在机组还未发生振动等征兆前的汽轮机故障诊断。
2、本发明给出了一种改进的KNN算法，通过样本评估近邻在决策过程中的权重，解决传统的KNN算法仅根据距离判断进行故障诊断方法存在故障诊断结果不准确的问题，实现更优的分类判断的正确率，保障汽轮机通流部分故障诊断的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例所述电厂汽轮机通流部分故障诊断方法的整体流程图；
图2为本发明实施例一中KNN算法决策判断的示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
目前运行人员对汽轮机热力参数变化的敏感度差，不能及时发现机组的性能变化，只有当故障发展到一定程度，引起振动参数变化时，才能被运行人员察觉，存在反应滞后的问题，因此，本实施例对汽轮机通流部分的热力参数进行分析和处理，提出了一种电厂汽轮机通流部分故障诊断方法，如图1所示，具体包括以下步骤：
步骤S1、以汽轮机抽汽口为依据，将汽轮机通流部分划分为7个级组段，获取每个级组段的实时热力参数数据；
步骤S2、根据实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积；
步骤S3、将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
在本实施例中，某电厂汽轮机为引进型300MW机组，型号为 N300.16.7/537/537的反动式双缸双排汽凝汽式汽轮机，对该电厂汽轮机通流部分进行故障诊断。首先，步骤S1中，为精确定位故障发生位置，以抽汽口划分通流级段，将通流部分分为主蒸汽到调节级段、调节级到一段抽汽段、一段抽汽到高压缸排汽段、中压缸进汽到三段抽汽段、三段抽汽到中压缸排汽段、低压缸进汽到五段抽汽段、五段抽汽到六段抽汽段共7个级组段。相对于仅将汽轮机通流部分按照高压缸、中压缸、低压缸进行分段故障诊断的方案，本实施例上述分段方式能够更准确的判断通流部分的故障位置及故障类型，便于后续的维修处理。
针对上述7个级组段，分别获取每个级组段的实时热力参数数据，该热力参数包括但不限于主汽门前主蒸汽、调节级后汽室、第一段抽汽、高压缸排汽、中压缸进汽、第三段抽汽、中压缸排汽、低压缸进汽、第五段抽汽、第六段抽汽相应的压力、温度和流量等。其中，实时采集汽轮机运行过程中的各项参数，计算蒸汽和水的焓值及熵值，通过热平衡计算各个抽汽口的抽汽流量等。在本实施例中，如下表1所示，获取上述汽轮机的主要热力参数数据。
表1 电厂汽轮机主要热力参数
步骤S2中，根据获取的实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积。特征通流面积由弗留格尔公式推导得到，其特点在于对于给定的级组，特征通流面积只与几何因素相关而与工况无光，即只要相应级段的几何参数不变，特征通流面积在不同工况下保持常数，在几何尺寸未发生改变时，无论工况如何的变化，特征通流面积值都不会 发生改变，因此，特征通流面积可以作为机组通流能力故障诊断的特征参数，为机组通流部分的状态监测与故障的精确诊断提供依据。
基于温度T的特征通流面积计算公式为：
特征通流面积还可表示为基于比热容
v的特征通流面积，其公式为：
上式中，、为变工况前后流过级组的流量，单位为t/h；、为变工况前后级组前压力，单位为MPa；、为变工况前后级组后压力，单位为MPa；、为变工况前后级组前温度，单位为K；为压力级组前后的压力比，即分别为/，/。
通常，以第二个公式计算的特征通流面积较第一个公式计算的特征通流面积的精度更高，因此本实施例采用上述第二个公式计算特征通流面积。
作为另一种实施方式，级组效率表示级的能量转换完善程度，是衡量级经济性的综合指标，也可作为机组通流部分故障诊断的特征参数。将特征通流面积和级组效率作为热力判据，考虑特征通流面积存在变工况前后一致的特性，以其为主要特征参数，以级组效率为辅助特征参数进行故障诊断。具体的，根据获取的实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积、级组效率，基于特征通流面积和级组效率判断并识别、定位电厂汽轮机通流部分的故障。
通过上述步骤S2获取每一时间段的每个通流级组段的特征通流面积，其中，该时间段的时间步长为预设值。之后，执行步骤S3，将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
KNN（K-nearest neighbor）算法是一种简单高效的分类算法，其核心思想为：每个数据样本都对应特征空间的1个点，如果在样本空间内1个距离当前未知类别数据样本最相邻的K个己知类别样本大多数属于某一个类别，则当前样本也属于这个类别。与其他分类算法不同的是，KNN算法并不通过判别类域确定样本所属类别，因此，KNN算法没有传统分类算法的学习过程，其算法简单、计算速度快，对样本数据集的异常值不敏感，适用于故障诊断这一多分类问题。
传统的KNN算法计算方法如下式所示，首先，获取已有故障类别标签的性能退化样本数据集：
上式中，X为故障样本向量的特征值，在本实施例中为每个通流级组段的特征通流面积；y为故障样本标签；c为故障类别，包括流道受阻、流道腐蚀等类别；上标
n为故障样本特征数，即特征向量维度；下标
i为故障样本序号，
N为故障样本个数，
k为故障类别数。
通常，机组采集的蒸汽系统的运行数据种类多样，各数据点采集的数据数量级相差较大。直接通过采集的数据样本计算样本之间距离时，计算结果将会被数量级较大的特征主导，而数量级较小的特征几乎影响不到计算结果，故需要通过归一化方法将所有数据映射到同一尺度。
因此，对故障样本特征进行归一化，公式为：
上式中，为归一化后的特征值，为特征在故障样本集中的最大值，为特征在故障样本集中的最小值。
将故障数据样本映射到同一尺度后，计算未知类别数据样本到故障样本数据集中各样本的距离。样本距离越远，表示2个样本间的差异越大。根据所研究的分类问题不同，可以选用不同类型的样本距离度量方式。不同距离度量方式反映了不同意义上的样本差异，常见的距离度量方式包括欧式距离、曼哈顿距离、切比雪夫距离和余弦距离等。
具体的，欧式距离(Euclidean)，表征了空间两点间的真实距离，计算式为：
曼哈顿距离(MaIlllattan)，表征了空间中两点之间的直角边距离，是对多个维度上的距离求和的结果，计算式为：
切比雪夫距离(Chebyshev)，表征了空间中两点各坐标数值差的最大值，计算式为：
余弦距离(Cosine)，表征了空间中两向量夹角余弦值，反映了数据样本特征向量在方向上的差异， 计算式为：
上式中，
L为样本间的距离；
d为故障样本的第
n个特征；
i为未知类别数据样本；
j为故障样本集中的样本。
对当前数据样本到故障样本距离排序，选取K个距离最小的样本。即这K个近邻与当前数据样本最为相似，而当前数据样本的特征值可能具有不同类别的数据样本特征，导致这K个近邻并不全部属于同一个类别。此时，通过K个近邻的投票来解决这个问题，即K个近邻大多数所属的类别，判定为当前数据样本所属类别，故在KNN算法中，K取值通常为奇数，来避免2个类别投票结果相同。
通过上述传统的KNN算法进行分类的结果如图2所示。图2中，圆形表示当前需要判断类别的数据样本，黑色实线圆表示当K=5时，当前数据样本的近邻空间。近邻空间内，包含方形和三角形2个类别的数据样本，其中方形有3个，三角形有2个。按照上述的传统KNN算法，根据投票原则，数据样本应当判定为方形的类别。而根据图2，方形均处于近邻空间的边缘位置，而三角形距离当前数据样本距离较小，明显的，数据样本与三角形数据样本具有更大的相似度，数据样本隶属于三角形类别概率更大。在这种情形下，传统KNN算法对数据样本的类别判断失误，其原因在于传统KNN算法投票决策方式认为K个近邻在决策过程中具有同等权重，而未考虑到K近邻样本距离的大小对决策过程的影响。本实施例通过样本距离计算K近邻样本在决策过程中的权重，评估当前数据样本与K近邻样本隶属于同类别的概率，以此对传统KNN算法决策过程进行改进。
数据样本间距离越小，则认为2个样本相似程度越大，故K近邻中样本距离小的近邻，在决策过程中占有更大权重，则认为权重是样本距离的倒数，K近邻权重计算方式为：
以K近邻样本距离占K近邻样本距离和的比值为当前样本与K近邻样本隶属于同一类别的概率。计算当前样本与各K近邻样本同故障类型的概 率，并对同类别K近邻样本概率求和，即：
上式中，W(,)为
j样本在
i样本分类问题中的权重，P(,)为
i样本和
j样本隶属于同一故障类别的概率，P(,)为
i样本隶属于第
m个故障类别的概率。
此时，能够实现当前样本相对于各故障类型的不确定度估计，当前样本隶属于各类别的概率表征了当前数据样本隶属于各故障类型的可能性，因此，隶属概率最大的故障类别即为当前样本所属类别。
即，本实施例中，首先预设典型设备故障样本，包括7个级组段流道受阻与流道腐蚀共14种故障类型，获取不同故障类型下故障前后的每一通流机组段的特征通流面积数据，以此为训练样本集，训练基于改进的KNN算法的故障诊断模型。
然后，对当前时间段每一通流机组段的特征通流面积进行数据预处理，即进行数据归一化，再将预处理后的当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。具体包括以下步骤：
基于欧式距离公式，计算当前时间段的特征通流面积与预设故障样本的特征通流面积之间的欧式距离；
根据欧式距离判断是否发生故障，若最小欧式距离大于预设距离值，则判断汽轮机通流部分未发生故障，反之，则将欧式距离从小到大排序，选取前K个欧式距离所对应的预设故障样本；在本实施例中，K取3时最优；
以K个预设故障样本的欧式距离的倒数为距离权重，获取K个预设故障样本中每一种故障类型的距离权重占总距离权重和的比值，以所述比值为当前汽轮机通流部分故障隶属于某一故障类型的概率，根据所述比值输出当前汽轮机通流部分的故障位置及故障类型，即以隶属概率最大的故障样本所对应的故障类型为当前故障的所属位置及类型。
通过上述方法，能够根据获取的汽轮机通流部分的热力参数，基于改进的KNN算法，准确判断及定位故障发生的位置，并诊断故障类型，在机组还未发生振动等征兆前即可诊断出发生故障的位置及类型，有效进行故障前期预防。
实施例二
本实施例提供了一种电厂汽轮机通流部分故障诊断系统，包括：
数据获取模块，用于获取每个级组段的实时热力参数数据；其中，所述级组段包括以汽轮机抽汽口为依据，将汽轮机通流部分划分7个级组段；
特征通流面积计算模块，用于根据实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积；
故障诊断模块，用于将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种电厂汽轮机通流部分故障诊断方法，其特征是，包括：
以汽轮机抽汽口为依据，将汽轮机通流部分划分为7个级组段，获取每个级组段的实时热力参数数据；
根据实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积；
将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
2.如权利要求1所述的电厂汽轮机通流部分故障诊断方法，其特征是，所述7个级组段包括：主蒸汽到调节级段、调节级到一段抽汽段、一段抽汽到高压缸排汽段、中压缸进汽到三段抽汽段、三段抽汽到中压缸排汽段、低压缸进汽到五段抽汽段、五段抽汽到六段抽汽段。
3.如权利要求1所述的电厂汽轮机通流部分故障诊断方法，其特征是，所述热力参数包括主汽门前主蒸汽、调节级后汽室、第一段抽汽、高压缸排汽、中压缸进汽、第三段抽汽、中压缸排汽、低压缸进汽、第五段抽汽、第六段抽汽相应的压力、温度和流量。
4.如权利要求1所述的电厂汽轮机通流部分故障诊断方法，其特征是，所述特征通流面积的计算公式为：
上式中，、为变工况前后流过级组的流量；、为变工况前后级组前压力；、为变工况前后级组后压力；为压力级组前后的压力比，即/，/；、表示变工况前后级组通过的气体体积。
5.如权利要求1所述的电厂汽轮机通流部分故障诊断方法，其特征是，在将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型之前，还包括：
对当前时间段每一通流机组段的特征通流面积进行数据预处理；所述数据预处理包括数据归一化。
6.如权利要求1所述的电厂汽轮机通流部分故障诊断方法，其特征是，所述基于改进的KNN算法的故障诊断模型的训练过程为：
预设典型设备故障样本，包括7个级组段流道受阻与流道腐蚀共14种故障类型，获取不同故障类型下故障前后的每一通流机组段的特征通流面积数据，以获取的数据为训练样本集，训练基于改进KNN算法的故障诊断模型。
7.如权利要求1所述的电厂汽轮机通流部分故障诊断方法，其特征是，所述根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果，包括：
基于欧式距离公式，计算当前时间段的特征通流面积与预设故障样本的特征通流面积之间的欧式距离；
根据欧式距离判断是否发生故障，若最小欧式距离大于预设距离值，则判断汽轮机通流部分未发生故障，反之，则判断汽轮机通流部分发生故障。
8.如权利要求7所述的电厂汽轮机通流部分故障诊断方法，其特征是，还包括：
当判断汽轮机通流部分发生故障时，将欧式距离从小到大排序，选取前K个欧式距离所对应的预设故障样本；
以K个预设故障样本的欧式距离的倒数为距离权重，获取K个预设故障样本中每一种故障类型的距离权重占总距离权重和的比值，根据所述比值判断并输出当前汽轮机通流部分的故障位置及故障类型。
9.一种电厂汽轮机通流部分故障诊断系统，其特征是，包括：
数据获取模块，用于获取每个级组段的实时热力参数数据；其中，所述级组段包括以汽轮机抽汽口为依据，将汽轮机通流部分划分7个级组段；
特征通流面积计算模块，用于根据实时热力参数数据，获取每一时间段的每个通流级组段的特征通流面积；
故障诊断模块，用于将当前时间段的特征通流面积输入至基于改进KNN算法的故障诊断模型中，根据当前时间段的特征通流面积与预设故障样本的特征通流面积之间的距离及距离权重，判断并输出故障诊断结果。
10.如权利要求9所述的电厂汽轮机通流部分故障诊断系统，其特征是，所述7个级组段包括：主蒸汽到调节级段、调节级到一段抽汽段、一段抽汽到高压缸排汽段、中压缸进汽到三段抽汽段、三段抽汽到中压缸排汽段、低压缸进汽到五段抽汽段、五段抽汽到六段抽汽段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375442.3A CN116089877A (zh) | 2023-04-11 | 2023-04-11 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375442.3A CN116089877A (zh) | 2023-04-11 | 2023-04-11 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116089877A true CN116089877A (zh) | 2023-05-09 |
Family
ID=86199539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310375442.3A Pending CN116089877A (zh) | 2023-04-11 | 2023-04-11 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116089877A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
| CN111365083A (zh) * | 2020-04-10 | 2020-07-03 | 西安热工研究院有限公司 | 一种基于热力参数的汽轮机通流部分故障诊断方法 |
| CN113484652A (zh) * | 2021-08-20 | 2021-10-08 | 国网福建省电力有限公司电力科学研究院 | 一种基于改进k近邻算法的避雷器故障诊断方法及系统 |
| CN113850337A (zh) * | 2021-09-30 | 2021-12-28 | 东南大学 | 一种基于加权knn的光伏组件遮挡面积分类方法 |
-
2023
- 2023-04-11 CN CN202310375442.3A patent/CN116089877A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104142254A (zh) * | 2014-08-06 | 2014-11-12 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
| CN111365083A (zh) * | 2020-04-10 | 2020-07-03 | 西安热工研究院有限公司 | 一种基于热力参数的汽轮机通流部分故障诊断方法 |
| CN113484652A (zh) * | 2021-08-20 | 2021-10-08 | 国网福建省电力有限公司电力科学研究院 | 一种基于改进k近邻算法的避雷器故障诊断方法及系统 |
| CN113850337A (zh) * | 2021-09-30 | 2021-12-28 | 东南大学 | 一种基于加权knn的光伏组件遮挡面积分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 闾城等: "基于改进 KNN 算法的汽轮机通流故障诊断方法及应用", 热力发电, vol. 50, no. 7, pages 1 - 4 * |
| 高文松;尹金亮;陈长利;潘富停;邓德兵;: "特征通流面积法在汽轮机故障诊断中的应用分析", 内蒙古电力技术, no. 05, pages 47 - 51 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
| CN108446529B (zh) | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 | |
| CN104035331B (zh) | 机组运行优化指导系统及其设备 | |
| CN115326147B (zh) | 一种船舶用脱硫塔实时监测方法及系统 | |
| CN112418306B (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
| CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
| CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
| Gao et al. | Comprehensive study on sensitive parameters for chiller fault diagnosis | |
| CN112443479A (zh) | 压缩机故障诊断方法、装置、存储介质及电子设备 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| Guo et al. | Fault detection of reciprocating compressor valve based on one-dimensional convolutional neural network | |
| Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
| CN114326486B (zh) | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 | |
| CN114878172A (zh) | 一种船舶主机气缸温度信号特征提取方法及系统 | |
| CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
| CN110276115B (zh) | 基于燃机叶片型线参数的气路故障诊断方法 | |
| CN116089877A (zh) | 一种电厂汽轮机通流部分故障诊断方法及系统 | |
| Zhang et al. | Novelty detection based on extensions of GMMs for industrial gas turbines | |
| Gu et al. | A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion | |
| Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
| CN115526238A (zh) | 一种基于全工况卷积特征记忆的引风机故障预警方法 | |
| CN113298133B (zh) | 超临界机组锅炉爆管故障诊断方法 | |
| Yang et al. | Anomaly detection of dust removal system through gradient boosting decision tree algorithm | |
| Astolfi et al. | Wind turbine drive-train condition monitoring through tower vibrations measurement and processing |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230509 |
|
| RJ01 | Rejection of invention patent application after publication |