CN116910585A - 基于相似故障案例集的生成水电设备故障诊断规则的方法 - Google Patents
基于相似故障案例集的生成水电设备故障诊断规则的方法 Download PDFInfo
- Publication number
- CN116910585A CN116910585A CN202311191858.6A CN202311191858A CN116910585A CN 116910585 A CN116910585 A CN 116910585A CN 202311191858 A CN202311191858 A CN 202311191858A CN 116910585 A CN116910585 A CN 116910585A
- Authority
- CN
- China
- Prior art keywords
- fault
- symptom
- similar
- vibration
- case
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 208000024891 symptom Diseases 0.000 claims abstract description 80
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 9
- 230000000087 stabilizing effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于相似故障案例集的生成水电设备故障诊断规则的方法，包括以下步骤：Step1、建立故障案例库，按照故障模式将所有的故障案例进行分组，形成多个同类故障案例集；Step2、初始征兆权重；Step3、当新增故障案例时，自动更新修正同类故障案例集中的征兆权重；Step4、水电设备发生故障时，进行征兆可信度的计算；Step5、采取加权平均的方式计算得出相似度；Step6、根据得到的相似度确定故障情况，以进行故障诊断，并生成对应故障处理措施以保护水电设备。整合了水电设备方面多种故障模式和征兆，精确的规范了各类故障问题，解决了诊断结果不明确的问题。实现相似故障案例集中的征兆权重能够自动更新修正，不断完善，提高故障诊断准确度。
Description
技术领域
本发明涉及水电故障诊断技术领域，具体涉及一种基于相似故障案例集的生成水电设备故障诊断规则的方法。
背景技术
当前大多数水电站均存在由于水电设备运行环境恶劣、设备老化等因素引起的故障问题，行业内提出了多种设备故障诊断方法，如依靠专家经验，人为进行故障的判断，受主观因素制约，该方法学习能力和知识接受能力存在限制，无法避免地出现诊断偏差；以深度学习为代表的智能算法是当前水电设备故障诊断领域的研究热点，通过采用深度学习模型对故障样本数据的学习，以达到故障诊断的目的，但水电机组运行时往往存在正常样本多，故障样本少的特征，较少的故障学习样本制约了诊断结果的准确性。现有故障诊断方法未能充分考虑已有故障情况，无法做出快速准确有效的故障诊断，且没有明确规则各类故障，在故障类别判断方面存在模糊性。
中国专利文献CN116167749A记载了一种基于深度学习的永磁同步电机故障诊断方法通过对应急维修方案进行判定，可以根据永磁同步电机的快速维修需求对维修方案进行选择，尽可能的使永磁同步电机尽快恢复使用，减少了电机的故障停机时间。文献CN115684833A记载了一种一种基于谐波诊断的电缆线路劣化监测方法、系统及存储介质，通过利用谐波诊断系统，不仅可以在线检测高压电缆的运行状态，而且可以通过对同一高压电缆的长期跟踪检测，来预测其劣化趋势，进行有效跟踪管理。
上述现有技术的故障诊断方法都并未结合历史故障案例库，故障模式，征兆等信息进行诊断，导致故障诊断结果不够准确和可靠。
发明内容
本发明所要解决的技术问题是提供一种基于相似故障案例集的生成水电设备故障诊断规则的方法，按照故障模式和征兆归纳总结相似案例集，自动生成设备故障诊断的策略，并能根据新增案例，自适应修改规则，提高诊断的准确性。
为解决上述技术问题，本发明所采用的技术方案是：
基于相似故障案例集的生成水电设备故障诊断规则的方法，包括以下步骤：
Step1、根据水电设备历史故障和故障原因，建立故障案例库，故障案例库包括故障模式、故障征兆、特征参数、故障现象和处理措施信息；每个故障案例中所绑定的故障模式即为故障的原始定义，按照故障模式将所有的故障案例进行分组，形成多个同类故障案例集；
Step2、提取同类故障案例集的案例所绑定的故障征兆，再将故障征兆出现频率和征兆可信度的乘积进行归一化处理，得到初始征兆权重，其中每个征兆可信度对应不同算法逻辑；
Step3、当新增故障案例时，将新增故障案例划分到对应的案例集，重新提取同类故障案例集中的案例征兆，根据可信度和出现频率，自动更新修正同类故障案例集中的征兆权重；
Step4、水电设备发生故障时，根据故障时段、实例化设备信息和特征参数获取时序数据，进行征兆可信度的计算；
Step5、根据每个同类故障案例集自动更新修正的征兆权重并结合Step4中计算的征兆可信度，再采取加权平均的方式计算得出相似度，相似度代表当前水电设备所发生的故障和同类故障案例集所对应的故障模式的吻合度；
Step6、根据得到的相似度确定故障情况，以进行故障诊断，并生成对应故障处理措施以保护水电设备。
上述的Step4中征兆可信度的计算时，若振动与励磁无关，设3小时内励磁电流的变化为Adb，振动摆度的变化为fypb，均取绝对值，如果Adb大于额定励磁电流Ad的30%，振幅稳定条件为fypstatic，则征兆可信度计算公式为：cf=1-min(1.0,0.25*fabs(fypb)/ fypstatic)。
上述的Step4中征兆可信度的计算时，若振动与负荷无关，若振动与负荷无关，则3小时内负荷，即有功功率在小于10%额定负荷下的振动摆度的通频幅值为fyppLP，在大于90%额定负荷下的振动摆度的通频幅值为fyppHP，振动的变化为fypb=fyppHP-fyppLP，振幅稳定条件为fypstatic，如果fypb>0，则征兆可信度计算cf=1-min(1.0, 0.25* fypb/fypstatic)。
上述的Step4中征兆可信度的计算时，针对振动与负荷无关的情况，在机组升速过程中，取40~100%额定转速范围内两个转速 speed1和speed2,speed1小于speed2，转速的变化量speedb=speed2-speed1，相应转速下振动摆度为fypp1和fypp2，变化量fyppb=fypp2-fypp1，如果speedb大于等于30%额定转速，并且fyppb/fypp1>0.6*speedb/speed1，则cf=1，否则为0。
上述的Step4中征兆可信度的计算时，针对下机架振动超过预设值的情况，设下机架振动的通频幅值LowerBracketVib，通道振动危险值LowerBracketVibDanger，可信度计算为cf=min(1.0, 1.2*LowerBracketVib/LowerBracketVibDanger)。
上述的Step4中征兆可信度的计算时，针对上机架振动超过预设值的情况：设上机架振动的通频幅值UpperBracketVib，通道振动危险值UpperBracketVibDanger，可信度计算为cf=min(1.0, 1.2*UpperBracketVib/UpperBracketVibDanger)。
上述的Step4中征兆可信度的计算时，针对下导摆度超过预设值的情况：设下导摆度的通频幅值LowerGuideThrow，通道危险值LowerGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*LowerGuideThrow/LowerGuideThrowDanger)。
上述的Step4中征兆可信度的计算时，针对上导摆度超过预设值的情况：设上导摆度的通频幅值UpperGuideThrow，通道危险值UpperGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*UpperGuideThrow/UpperGuideThrowDanger)。
本发明提供的一种基于相似故障案例集的生成水电设备故障诊断规则的方法，整合了水电设备方面多种故障模式和征兆，精确的规范了各类故障问题，解决了诊断结果不明确的问题，实现相似故障案例集中的征兆权重能够自动更新修正，不断完善，提高故障诊断准确度。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明生成水电设备故障诊断规则的方法的流程图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
图1给出了本发明生成水电设备故障诊断规则的方法的流程图，如图1中所示，基于相似故障案例集的生成水电设备故障诊断规则的方法，包括以下步骤：
Step1、根据水电设备历史故障和故障原因，建立故障案例库，故障案例库包括故障模式、故障征兆、特征参数、故障现象和处理措施信息；每个故障案例中所绑定的故障模式即为故障的原始定义，按照故障模式将所有的故障案例进行分组，形成多个同类故障案例集；
Step2、提取同类故障案例集的案例所绑定的故障征兆，再将故障征兆出现频率和征兆可信度的乘积进行归一化处理，得到初始征兆权重，其中每个征兆可信度对应不同算法逻辑；
Step3、当新增故障案例时，将新增故障案例划分到对应的案例集，重新提取同类故障案例集中的案例征兆，根据可信度和出现频率，自动更新修正同类故障案例集中的征兆权重；
Step4、水电设备发生故障时，根据故障时段、实例化设备信息和特征参数获取时序数据，进行征兆可信度的计算；实例化设备信息包括具体物理设备信息，如三峡2F机组发电机转子，定子等；
根据所要计算的故障征兆获取对应时序数据，每个故障征兆会有对应的测点，如振动与励磁无关征兆，就需要获取振动和励磁的时序数据进行该故障征兆的可信度计算；
Step5、根据每个同类故障案例集自动更新修正的征兆权重并结合Step4中计算的征兆可信度，再采取加权平均的方式计算得出相似度，相似度代表当前水电设备所发生的故障和同类故障案例集所对应的故障模式的吻合度，相似度越接近1，表示越吻合，发生此故障的可能性就越高；
Step6、根据得到的相似度确定故障情况，以进行故障诊断，并生成对应故障处理措施以保护水电设备。
上述的Step4中征兆可信度的计算时，若振动与励磁无关，设3小时内励磁电流的变化为Adb，振动摆度的变化为fypb，均取绝对值，如果Adb大于额定励磁电流Ad的30%，振幅稳定条件为fypstatic，则征兆可信度计算公式为：cf=1-min(1.0,0.25*fabs(fypb)/ fypstatic)。
上述的Step4中征兆可信度的计算时，若振动与负荷无关，在机组升速过程中，取40~100%额定转速范围内某两个转速speed1和speed2, 且speed1小于speed2，转速的变化量speedb=speed2-speed1，相应转速下振动摆度为fypp1和fypp2，变化量fyppb=fypp2-fypp1，如果speedb大于等于30%额定转速，并且fyppb/ fypp1>0.6*speedb/speed1，则cf=1，否则为0。
上述的Step4中征兆可信度的计算时，针对下机架振动超过预设值的情况，设下机架振动的通频幅值LowerBracketVib，通道振动危险值LowerBracketVibDanger，可信度计算为cf=min(1.0, 1.2*LowerBracketVib/LowerBracketVibDanger)。
上述的Step4中征兆可信度的计算时，针对上机架振动超过预设值的情况：设上机架振动的通频幅值UpperBracketVib，通道振动危险值UpperBracketVibDanger，可信度计算为cf=min(1.0, 1.2*UpperBracketVib/UpperBracketVibDanger)。
上述的Step4中征兆可信度的计算时，针对下导摆度超过预设值的情况：设下导摆度的通频幅值LowerGuideThrow，通道危险值LowerGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*LowerGuideThrow/LowerGuideThrowDanger)。
上述的Step4中征兆可信度的计算时，针对上导摆度超过预设值的情况：设上导摆度的通频幅值UpperGuideThrow，通道危险值UpperGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*UpperGuideThrow/UpperGuideThrowDanger)。
实施例：
基于相似故障案例集的水电设备故障诊断策略生成方法，包括：
步骤一：根据历史故障经验，典型故障问题，组织成故障案例库，故障案例中包括故障模式、故障征兆、特征参数、故障现象、处理措施等信息；
步骤二：每个故障案例中所绑定的故障模式即为故障的原始定义；按照故障模式将所有的故障案例进行分组，形成一个个同类故障案例集；
步骤三：将同类故障案例集中案例所绑定的故障征兆提取出来，再将故障征兆出现频率和征兆可信度的乘积进行归一化处理，每个征兆可信度对应不同算法逻辑，得到初始征兆权重；
步骤四：当新增故障案例时，会将该案例划分到对应的案例集中，重新提取该相似案例集中的案例征兆，根据可信度和出现频率，自动更新修正案例集中的征兆权重；
步骤五：水电设备发生故障时，根据故障时段、实例化设备信息、特征参数等获取时序数据，进行征兆可信度的计算；
步骤六：根据每个相似故障案例集自动更新修正的征兆权重结合步骤五中计算的征兆可信度，再采取加权平均的方式计算得出相似度，该相似度代表当前水电设备所发生的故障和相似故障案例集所对应的故障模式的吻合度，相似度越接近1，表示越吻合，发生此故障的可能性就越高。
根据故障模式划分相似故障案例集，自动更新修正相似案例集中的征兆权重，从而提高故障诊断的准确性。
举例：某个同类案例集中存在四个征兆，A征兆可信度为0.5，出现1次；B征兆可信度为0.4，出现1次；C征兆可信度为0.8，出现2次；D征兆可信度为1，出现2次；进行归一化处理：0.5*1 + 0.4*1 + 0.8 * 2 + 1*2 = 4.5；A征兆权重为0.5/4.5 = 0.11；B征兆权重为0.4/4.5=0.09；C征兆权重为1.6/4.5=0.36；D征兆权重为：2/4.5=0.44。
针对水电设备故障领域的分析，结合了征兆和权重的计算方式；且每种征兆的可信度都有对应特定的算法逻辑。
部分征兆可信度计算方法：
振动与励磁无关：设3小时内励磁电流的变化为Adb，振动摆度的变化为fypb，Adb和fypb为3小时内的最大值减最小值，均取绝对值，如果Adb大于额定励磁电流Ad的30%，振幅稳定条件为fypstatic，则可信度计算cf=1-min(1.0,0.25*fabs(fypb)/ fypstatic)。
振动与负荷无关：设3小时内负荷在小于10%额定负荷下的振动摆度的通频幅值为fyppLP，上述负荷为有功功率，在大于90%额定负荷下的振动摆度的通频幅值为fyppHP，振动的变化为fypb=fyppHP-fyppLP，振幅稳定条件为fypstatic，如果fypb>0，则可信度计算cf=1-min(1.0,0.25* fypb/fypstatic)。
转速增加，振动增大：在机组升速过程中，取40~100%额定转速范围内某两个转速speed1和speed2，speed1小于speed2，转速的变化量speedb=speed2-speed1，相应转速下振动摆度为fypp1和fypp2，变化量fyppb=fypp2-fypp1，如果speedb大于等于30%额定转速，并且fyppb/fypp1>0.6*speedb/speed1，则cf=1，否则为0。
X向与Y向相位差接近90度：设某轴承部位摆度X向与Y向测点转频相位差为ΔΦ，取相位差模(mod)180，获得0~180范围，ΔΦ=ΔΦ mod 180；如果ΔΦ大于60并小于120度，cf=1-fabs(90-ΔΦ)/60，其它情况下cf=0。
转速不变时振幅基本不变：每隔相同时间间隔记录1组振动摆度的通频幅值，时间间隔一般取数据最小刷新时间，计算20次相邻两组幅值的差值的绝对值之和，取平均值，设为fave，振幅稳定条件为fypstatic，如果20组数据转速的变化speedb满足转速稳定性条件，speedb为最大值减最小值，可信度计算为cf=1-min(1.0,fave/ fypstatic)。
下机架振动大：设下机架振动的通频幅值LowerBracketVib，通道振动危险值LowerBracketVibDanger，可信度计算为cf=min(1.0, 1.2*LowerBracketVib/LowerBracketVibDanger)。
下导摆度大：设下导摆度的通频幅值LowerGuideThrow，通道危险值LowerGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*LowerGuideThrow/LowerGuideThrowDanger)。
上导摆度逐步增大：每隔一个小时取上导X向摆度峰峰值或上导Y向摆度峰峰值，然后相邻的两个值比较，后值比前值大，出现5次以上，就可判定上导摆度X向摆度逐步增大。
上机架振动大：设上机架振动的通频幅值UpperBracketVib，通道振动危险值UpperBracketVibDanger，可信度计算为cf=min(1.0, 1.2*UpperBracketVib/UpperBracketVibDanger)。
上导摆度大：设上导摆度的通频幅值UpperGuideThrow，通道危险值UpperGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*UpperGuideThrow/UpperGuideThrowDanger)。
转速变化，振动改变：设"转速增加，振动增大"征兆的可信度为cf1，同时，在机组降速过程中，取40~100%额定转速范围内某两个转速 speed1和speed2（speed1小于speed2），转速的变化量speedb=speed2-speed1，相应转速下振动摆度为fypp1和fypp2，变化量fyppb=fypp2-fypp1，则如果speedb大于30%额定转速，并且fyppb/fypp1>0.6*speedb/speed1，则cf2=1，否则为0；如果cf1=1，cf2=1，则cf=1，否则为0。
振动以转频为主：如果振动摆度通道的转频fyp1大于频段的基准值，fyp1为1X幅值,以通频振幅fypp为基准，fypp为峰峰值,可信度计算为cf=min(1.0, 1.2*fyp1/fypp)。
转速不变时振动稳定：设"转速不变时振幅基本不变”的可信度为cf1，计算转速不变时相位基本不变的可信度为cf2，步骤1：计算20次转频相位fh1[]的平均值，假设为fha，fha=∑fabs(fh1[k])，k=1,2,3...20，fha=fha/20；步骤2：计算fh1[]与fha的差值的绝对值之和sum和平均值fhave，也就是判断在平均值上下相位的变化大小；sum=∑fabs(fh1[k]-fha)，k=1,2,3...20，fhave=sum/20，步骤3：如果转速的变化满足稳定性条件，相位稳定性条件fh1static，可信度计算：cf2=1- min(1.0, fhave/ fh1static)，步骤4：如果cf1和cf2均大于某个最小阈值,其中最小可信度可设，如0.3，则可信度，cf=cf1+cf2-cf1*cf2。
振动频谱中转频较大：如果机组转速达到50%以上额定转速，振动摆度通道的转频振幅fyp1大于转频的基准值fyp1base，fyp1base为上限的30%，转频预警值是fyp1bj，fyp1bj为上限的45%，可信度计算为cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)。
振动与转速的平方呈线性增大：在机组升速过程中，取40~60%额定转速下和80~100%额定转速下的振动摆度幅值，分别为fypp1和fypp2，40~60%额定转速和80~100%额定转速分别设置为speed1和speed2，计算转速和振动摆度的变化，分别为speedb和fyppb，则speedb=(speed2/speed1)的平方，fyppb=fypp2/fypp1，如果fyppb/speedb>0.75并且fyppb/speedb<1.5，则cf=1，否则为0；有满足条件的多组数据时，取可信度的最大值。
Claims (8)
1.基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征是，包括以下步骤：
Step1、根据水电设备历史故障和故障原因，建立故障案例库，故障案例库包括故障模式、故障征兆、特征参数、故障现象和处理措施信息；每个故障案例中所绑定的故障模式即为故障的原始定义，按照故障模式将所有的故障案例进行分组，形成多个同类故障案例集；
Step2、提取同类故障案例集的案例所绑定的故障征兆，再将故障征兆出现频率和征兆可信度的乘积进行归一化处理，得到初始征兆权重，其中每个征兆可信度对应不同算法逻辑；
Step3、当新增故障案例时，将新增故障案例划分到对应的案例集，重新提取同类故障案例集中的案例征兆，根据征兆可信度和出现频率，自动更新修正同类故障案例集中的征兆权重；
Step4、水电设备发生故障时，根据故障时段、实例化设备信息和特征参数获取时序数据，进行征兆可信度的计算；
Step5、根据每个同类故障案例集自动更新修正的征兆权重并结合Step4中计算的征兆可信度，再采取加权平均的方式计算得出相似度，相似度代表当前水电设备所发生的故障和同类故障案例集所对应的故障模式的吻合度；
Step6、根据得到的相似度确定故障情况，以进行故障诊断，并生成对应故障处理措施以保护水电设备。
2.根据权利要求1所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，若振动与励磁无关，设3小时内励磁电流的变化为Adb，振动摆度的变化为fypb，均取绝对值，如果Adb大于额定励磁电流Ad的30%，振幅稳定条件为fypstatic，则征兆可信度计算公式为：cf=1-min(1.0,0.25*fabs(fypb)/fypstatic)。
3.根据权利要求1所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，若振动与负荷无关，则3小时内负荷，即有功功率在小于10%额定负荷下的振动摆度的通频幅值为fyppLP，在大于90%额定负荷下的振动摆度的通频幅值为fyppHP，振动的变化为fypb=fyppHP-fyppLP，振幅稳定条件为fypstatic，如果fypb>0，则征兆可信度计算cf=1-min(1.0, 0.25* fypb/fypstatic)。
4.根据权利要求1-3任一所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，针对振动与负荷无关的情况，在机组升速过程中，取40~100%额定转速范围内两个转速 speed1和speed2,speed1小于speed2，转速的变化量speedb=speed2-speed1，相应转速下振动摆度为fypp1和fypp2，变化量fyppb=fypp2-fypp1，如果speedb大于等于30%额定转速，并且fyppb/fypp1>0.6*speedb/speed1，则cf=1，否则为0。
5.根据权利要求1-3任一所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，针对下机架振动超过预设值的情况，设下机架振动的通频幅值LowerBracketVib，通道振动危险值LowerBracketVibDanger，可信度计算为cf=min(1.0, 1.2*LowerBracketVib/LowerBracketVibDanger)。
6.根据权利要求1-3任一所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，针对上机架振动超过预设值的情况：设上机架振动的通频幅值UpperBracketVib，通道振动危险值UpperBracketVibDanger，可信度计算为cf=min(1.0, 1.2*UpperBracketVib/UpperBracketVibDanger)。
7.根据权利要求1-3任一所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，针对下导摆度超过预设值的情况：设下导摆度的通频幅值LowerGuideThrow，通道危险值LowerGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*LowerGuideThrow/LowerGuideThrowDanger)。
8.根据权利要求1-3任一所述的基于相似故障案例集的生成水电设备故障诊断规则的方法，其特征在于，所述的Step4中征兆可信度的计算时，针对上导摆度超过预设值的情况：设上导摆度的通频幅值UpperGuideThrow，通道危险值UpperGuideThrowDanger，可信度计算为cf=min(1.0, 1.2*UpperGuideThrow/UpperGuideThrowDanger)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191858.6A CN116910585B (zh) | 2023-09-15 | 2023-09-15 | 基于相似故障案例集的生成水电设备故障诊断规则的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191858.6A CN116910585B (zh) | 2023-09-15 | 2023-09-15 | 基于相似故障案例集的生成水电设备故障诊断规则的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116910585A true CN116910585A (zh) | 2023-10-20 |
| CN116910585B CN116910585B (zh) | 2023-12-05 |
Family
ID=88360768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311191858.6A Active CN116910585B (zh) | 2023-09-15 | 2023-09-15 | 基于相似故障案例集的生成水电设备故障诊断规则的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910585B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103135014A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于案例推理的变压器故障诊断方法 |
| CN103699489A (zh) * | 2014-01-03 | 2014-04-02 | 中国人民解放军装甲兵工程学院 | 一种基于知识库的软件远程故障诊断与修复方法 |
| US20160041070A1 (en) * | 2014-08-05 | 2016-02-11 | 01dB-METRAVIB, Société par Actions Simplifiée | Automatic Rotating-Machine Fault Diagnosis With Confidence Level Indication |
| CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
| CN111553380A (zh) * | 2020-03-22 | 2020-08-18 | 中润普达(十堰)大数据中心有限公司 | 一种汽车故障征兆的辅助诊断系统及其使用方法 |
| CN111581739A (zh) * | 2020-04-22 | 2020-08-25 | 中国直升机设计研究所 | 基于故障树和案例推理的直升机智能故障诊断方法 |
| CN113592012A (zh) * | 2021-08-06 | 2021-11-02 | 北京石油化工学院 | 一种维修辅助装备故障诊断方法及系统 |
| US20220083851A1 (en) * | 2020-09-11 | 2022-03-17 | Acoem France | Vibrating Machine Automated Diagnosis with Supervised Learning |
-
2023
- 2023-09-15 CN CN202311191858.6A patent/CN116910585B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103135014A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于案例推理的变压器故障诊断方法 |
| CN103699489A (zh) * | 2014-01-03 | 2014-04-02 | 中国人民解放军装甲兵工程学院 | 一种基于知识库的软件远程故障诊断与修复方法 |
| US20160041070A1 (en) * | 2014-08-05 | 2016-02-11 | 01dB-METRAVIB, Société par Actions Simplifiée | Automatic Rotating-Machine Fault Diagnosis With Confidence Level Indication |
| CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
| CN111553380A (zh) * | 2020-03-22 | 2020-08-18 | 中润普达(十堰)大数据中心有限公司 | 一种汽车故障征兆的辅助诊断系统及其使用方法 |
| CN111581739A (zh) * | 2020-04-22 | 2020-08-25 | 中国直升机设计研究所 | 基于故障树和案例推理的直升机智能故障诊断方法 |
| US20220083851A1 (en) * | 2020-09-11 | 2022-03-17 | Acoem France | Vibrating Machine Automated Diagnosis with Supervised Learning |
| CN113592012A (zh) * | 2021-08-06 | 2021-11-02 | 北京石油化工学院 | 一种维修辅助装备故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 阮跃: "案例推理在汽轮发电机组故障诊断中的应用", 《热能动力工程》, vol. 15, pages 301 - 303 * |
| 黄锐, 肖志怀, 蔡维由, 姚志崇: "模糊故障诊断在水电机组中的应用", 中国农村水利水电, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116910585B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fournier et al. | Current-based detection of mechanical unbalance in an induction machine using spectral kurtosis with reference | |
| CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
| US20230265832A1 (en) | Load control method and apparatus for wind turbine generator system | |
| CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN103076537B (zh) | 一种基于面积法则的输电网暂态电压稳定的判定方法 | |
| CN107654342A (zh) | 一种考虑湍流的风电机组功率异常的检测方法 | |
| CN117786385A (zh) | 基于孪生网络的三相异步电动机故障监测方法及系统 | |
| Fournier et al. | Effects of transmission belt looseness on electrical and mechanical measurements of an induction motor | |
| CN112228290B (zh) | 一种风力机变桨系统故障智能预警方法 | |
| CN116910585B (zh) | 基于相似故障案例集的生成水电设备故障诊断规则的方法 | |
| CN111740683A (zh) | 一种永磁容错电机位置传感器的故障诊断方法 | |
| CN108612624B (zh) | 一种风力发电机的转速控制方法和装置 | |
| EP4130462A1 (en) | Wind turbine generator, and minimum rotational speed control method and device therefor | |
| CN116990683B (zh) | 一种基于电变量的驱动电机堵转检测系统及检测方法 | |
| CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
| CN118155660A (zh) | 基于生成对抗网络的水电机组音频信号异常检测方法 | |
| CN113027698B (zh) | 风力发电机组的变桨控制回路异常的检测方法和装置 | |
| EP3712430A1 (en) | Detecting wind turbine performance change | |
| CN114444291B (zh) | 一种风机发电量损失精细化测算方法、系统、设备和介质 | |
| Fournier et al. | On the use of spectral kurtosis for diagnosis of electrical machines | |
| Yang et al. | Fault warning of pitch system of wind turbine based on kernel density estimation | |
| CN116643165B (zh) | 一种永磁外转子滚筒电机失磁故障检测方法 | |
| CN114997063B (zh) | 基于代价敏感支持向量机的电网暂态稳定预测方法及系统 | |
| CN113740931B (zh) | 风力发电机组的阵风检测方法及装置 | |
| CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 |
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 |