CN116950729A - 一种汽轮机叶片故障检测方法及系统 - Google Patents
一种汽轮机叶片故障检测方法及系统 Download PDFInfo
- Publication number
- CN116950729A CN116950729A CN202311205315.5A CN202311205315A CN116950729A CN 116950729 A CN116950729 A CN 116950729A CN 202311205315 A CN202311205315 A CN 202311205315A CN 116950729 A CN116950729 A CN 116950729A
- Authority
- CN
- China
- Prior art keywords
- data
- turbine blade
- determining
- blade
- target turbine
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims description 67
- 238000000605 extraction Methods 0.000 claims description 30
- 238000012423 maintenance Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种汽轮机叶片故障检测方法及系统,属于汽轮机故障检测技术领域,其方法包括:获取目标汽轮机在工作中的每一级叶片的工作温度,对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据,确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。以此来解决在各种不利条件下叶片会发生很多突发故障,其具有发生时间短、破坏性大,且有可能导致更为恶性的机组安全事故的问题。
Description
技术领域
本发明涉及汽轮机故障检测技术领域,特别涉及一种汽轮机叶片故障检测方法及系统。
背景技术
目前,随着越来越多的大型汽轮机组的制造和投产,由于叶片高度和蒸汽参数的提高,叶片的工作条件也愈来愈严酷,如汽轮机进汽端的调节级叶片要承受最高近600°C的高温和喷嘴弧段的巨大冲击力,在排气端,则是巨大的离心力和接近两倍音速的湿蒸汽流的冲刷,而且所有动叶片都承受着多种形式的周期性或随机性激振力作用而处于强迫振动之中,正是这些不利条件使叶片长期成为影响汽轮机安全最主要的因素,在各种不利条件下,叶片会发生很多突发故障,其具有发生时间短、破坏性大,且有可能导致更为恶性的机组安全事故。
因此,本发明提出一种汽轮机叶片故障检测方法及系统。
发明内容
本发明提供一种汽轮机叶片故障检测方法及系统,通过获取目标汽轮机在工作中的每一级叶片的工作温度,对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据,确定所述异常数据的异常特征,并基于异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,根据故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定,以此来解决背景技术中在各种不利条件下叶片会发生很多突发故障,其具有发生时间短、破坏性大,且有可能导致更为恶性的机组安全事故的问题。
本发明提出一种汽轮机叶片故障检测方法,该方法包括:
步骤1:获取目标汽轮机在工作中的每一级叶片的工作温度;
步骤2:对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据;
步骤3:确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型;
步骤4:基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。
优选的,获取目标汽轮机在工作中的每一级叶片的工作温度,包括:
确定目标汽轮机的型号和工作级数;
根据所述目标汽轮机的型号和工作级数确定目标汽轮机叶片在不同工作级下的叶片形状参数和叶片大小参数;
根据所述目标汽轮机叶片在不同工作级下的叶片形状参数和叶片大小参数确定目标汽轮机叶片在不同工作级下的工作参数阈值;
基于目标汽轮机叶片在不同工作级下的工作参数阈值和目标汽轮机的热效应方程确定目标汽轮机在工作中的每一级叶片的工作温度。
优选的,对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据,包括:
通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集,获取采集到的多个检测点的振动数据;
对每个检测点振动数据进行预处理;
对预处理后的振动数据进行频率分析,获取数据信号在不同频率范围内的振幅大小和变化趋势;
基于所述数据信号在不同频率范围内的振幅大小和变化趋势获取振动数据中的异常数据。
优选的,确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,包括:
获取所述异常数据的均值和标准差,并绘制异常数据的数据图;
将所述异常数据的数据图和正常数据的数据图进行比较,确定所述异常数据的异常特征;
确定异常数据在振动数据中的数据分布情况,根据数据分布情况确定异常数据与振动数据的数据位置关系;
根据所述数据位置关系和异常数据的异常特征确定目标汽轮机叶片的数据矢量特征;
将所述数据矢量特征转换为向量特征,将所述向量特征映射到汽轮机叶片故障类型的分类结果上确定汽轮机叶片的故障类型。
优选的,基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定,包括:
根据所述故障类型确定故障性质;
根据所述故障性质和每一级叶片的工作温度确定每一级叶片的故障状态参数;
基于所述每一级叶片的故障状态参数确定目标汽轮机叶片的故障严重程度。
优选的,通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集,包括:
将远程数据采集指令发送至所述振动传感器设备;
通过所述振动传感器设备识别所述远程数据采集指令的帧头与帧尾;
对所述帧头与帧尾中间的数据进行提取,得到有效数据;
将所述有效数据转换为字符串类型数据,与已有结构体中的命令字符串进行匹配,若匹配成功,输出对应的命令码;
基于命令码通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集。
优选的,还包括:
根据故障程度确定目标汽轮机叶片的维修成本系数,同时,根据目标汽轮机叶片的加工运输程序确定目标汽轮机叶片的更换成本系数;
将目标汽轮机叶片的维修成本系数和更换成本系数进行比较,获取比较结果;
若比较结果为维修成本系数大于更换成本系数,则判定对于目标汽轮机叶片处理方式为叶片更换;
若比较结果为更换成本系数大于维修成本系数,则判定对于目标汽轮机叶片处理方式为叶片维修。
优选的,对所述帧头与帧尾中间的数据进行提取,得到有效数据的过程中还包括:
在数据提取过程中获取下发远程数据采集指令的下发端的用户身份信息,进而获取用户的提取ID以及提取ID对应的操作信息;
在提取ID对应的操作信息中查找提取ID对应的第一公开信息;
在合法获取用户的身份验证信息中查找提取ID对应的第二公开信息;
根据第一公开信息以及第二公开信息提取查找失败的疑似提取ID,并获取所述疑似提取ID对应的疑似操作信息;
提取所述疑似操作信息对于计算机网络服务器中的待操作动作项,同时获取每一待操作动作项对应的响应结果;
根据每一待操作动作项在计算机网络服务器中的停留时长,获取每一响应结果对应的响应权重;
基于每一响应结果对应的生成时间点的先后顺序,对所有响应结果进行排序,建立响应列表;
根据每一响应结果对应的响应权重和该响应结果在所述响应列表中的位置,获取对应的疑似提取ID在每一响应结果中获取的信息量;
汇集疑似提取ID对应的所有信息量,建立对应的ID获用信息序列;
提取所述ID获用信息序列中与预设数据类型一致的若干特征数据;
根据每一特征数据对应的数据类型,建立数据类型链;
查找数据类型链,获取查找成功的第一提取ID,并确定所述第一提取ID未公开身份;
获取查找失败的第二提取ID,并确定所述第二提取ID的身份不合法;
同时,强行停止所述第二提取ID的提取有效数据的进程。
一种汽轮机叶片故障检测系统,包括:
获取模块:获取目标汽轮机在工作中的每一级叶片的工作温度;
采集模块:对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据;
第一确定模块:确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型;
第二确定模块:基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。
与现有技术相比,本申请的有益效果如下:
通过确定每一级叶片的工作温度,并对多个检测点进行振动数据的采集,获取异常数据的异常特征,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,能够快速判断叶片发生的故障类型并进行维修,避免发生更大的故障影响汽轮机的运行。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种汽轮机叶片故障检测方法的流程图;
图2为本发明实施例中一种汽轮机叶片故障检测系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种汽轮机叶片故障检测方法,如图1所示,该方法包括:
步骤1:获取目标汽轮机在工作中的每一级叶片的工作温度;
步骤2:对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据;
步骤3:确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型;
步骤4:基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。
该实施例中,工作温度是指汽轮机叶片按照位置的不同,工作温度各不相同,蒸汽在汽缸内做工时温度逐步降低,叶片工作温度也是逐级降低的,第一级动叶片的工作温度最高,可达540℃甚至更高,最后一级动叶片的工作温度最低,约在40℃左右,不存在平均温度。
该实施例中,多个检测点是指在每一级叶片上都会选择多个点进行检测,选择点的依据是根据预设距离进行选择,预设距离为10厘米。
该实施例中,异常数据是指偏离正常值的数据,比如正常情况下一分钟振动次数在50-100次,但是检测出来的数据是一分钟振动10次,属于振动过于缓慢。
该实施例中,异常特征是指比如振动频率是过快或者过慢。
该实施例中,数据位置关系是指比如一个叶片采集了10个振动数据,其中异常数据是第二个、第五个和第六个数据,就会得到对应的异常检测点。
该实施例中,数据矢量特征是指数据代表的异常位置和大小,比如表示的是电压过大,根据异常位置和大小,能够判断出叶片的故障位置和类型,比如是振动频率过快。
上述技术方案的有益效果是:通过确定每一级叶片的工作温度,并对多个检测点进行振动数据的采集,获取异常数据的异常特征,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,能够快速判断叶片发生的故障类型并进行维修,避免发生更大的故障影响汽轮机的运行。
实施例2:
本发明提供一种汽轮机叶片故障检测方法,获取目标汽轮机在工作中的每一级叶片的工作温度,包括:
确定目标汽轮机的型号和工作级数;
根据所述目标汽轮机的型号和工作级数确定目标汽轮机叶片在不同工作级下的叶片形状参数和叶片大小参数;
根据所述目标汽轮机叶片在不同工作级下的叶片形状参数和叶片大小参数确定目标汽轮机叶片在不同工作级下的工作参数阈值;
基于目标汽轮机叶片在不同工作级下的工作参数阈值和目标汽轮机的热效应方程确定目标汽轮机在工作中的每一级叶片的工作温度。
该实施例中,型号可以通过汽轮机型号数据库进行查找。
该实施例中,工作级数是指汽轮机的转速级数,通常用n表示。例如,500兆瓦级汽轮机的工作级数为5,表示其最高转速为500兆瓦。
该实施例中,叶片大小参数包括叶片的长、宽、高和叶片厚度。
该实施例中,叶片形状包括圆形、椭圆形、梯形。
该实施例中,工作参数阈值是指根据叶片尺寸和形状,选择合适的叶片材料和技术,比如,对于高温、高转速的汽轮机,需要选择耐高温、抗磨损的叶片,比如,叶片的最高承受温度是500℃。
该实施例中,目标汽轮机的热效应方程是指在热力学环境下,汽轮机所产生的热量与蒸汽参数之间的关系式。
汽轮机的热效应方程可表示为:
其中,Q 代表汽轮机产生的热量,m 代表汽轮机的质量,c 代表汽轮机的比热容,代表蒸汽的温度变化。
上述技术方案的有益效果是:根据目标汽轮机的型号和工作级数确定叶片在不同光况下的叶片形状参数和叶片大小参数,一次来确定工作参数阈值,能够快去吴恩达每一级的工作温度,为后面判断故障类型奠定了基础。
实施例3:
本发明提供一种汽轮机叶片故障检测方法,对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据,包括:
通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集,获取采集到的多个检测点的振动数据;
对每个检测点振动数据进行预处理;
对预处理后的振动数据进行频率分析,获取数据信号在不同频率范围内的振幅大小和变化趋势;
基于所述数据信号在不同频率范围内的振幅大小和变化趋势获取振动数据中的异常数据。
该实施例中,振动传感器设备包括:激光测距仪、加速度计、力传感器。
该实施例中,预处理是指在进行振动数据分析之前,对原始振动数据进行处理和清洗,消除可能存在的噪声、干扰,比如:数据滤波、数据归一化。
该实施例中,频率分析可以使用频谱进行分析,频谱是信号在频率域上的强度分布,可以显示信号在不同频率范围内的能量大小和变化趋势,包括:快速傅里叶变换、直接傅里叶变换。
该实施例中,振幅大小可以通过频谱观察,通过频谱的起伏变化情况可以确定。
该实施例中,变化趋势是指数据信号的频率上升或下降。
其中,数据信号的频率上升的值超过预设阈值,那么就属于异常振动,获取对应的异常振动数据。
上述技术方案的有益效果是:通过获取多个检测点的振动数据,并对数据进行频率分析,获取数据信号在不同频率范围内的振幅大小和变化趋势,以此来确定振动数据中的异常数据,能够准确的获取到异常数据以及异常数据所表现出来的具体情况。
实施例4:
本发明提供一种汽轮机叶片故障检测方法,确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,包括:
获取所述异常数据的均值和标准差,并绘制异常数据的数据图;
将所述异常数据的数据图和正常数据的数据图进行比较,确定所述异常数据的异常特征;
确定异常数据在振动数据中的数据分布情况,根据数据分布情况确定异常数据与振动数据的数据位置关系;
根据所述数据位置关系和异常数据的异常特征确定目标汽轮机叶片的数据矢量特征;
将所述数据矢量特征转换为向量特征,将所述向量特征映射到汽轮机叶片
故障类型的分类结果上确定汽轮机叶片的故障类型。
该实施例中,均值是指所有异常数据的平均值。
该实施例中,标准差是用来度量异常数据离散程度的统计量,同时也是反映异常数据分散程度的参数。
该实施例中,异常特征是指比如振动频率是过快或者过慢。
该实施例中,向量特征是指可以确定异常数据对应的异常发生的位置和大小。
该实施例中,比如异常数据的向量特征显示出来的是电流过大,那将其映射到故障类型的分类结果上,就可以确定故障是过流故障。
上述技术方案的有益效果是:通过异常数据的均值和标准差绘制数据图,并与正常数据图进行比较,确定异常数据的异常特征和异常数据的分布情况,以此来确定目标汽轮机叶片的数据矢量特征,能够减少排除故障的时间,避免由于时间发生破坏性更大的故障。
实施例5:
本发明提供一种汽轮机叶片故障检测方法,基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定,包括:
根据所述故障类型确定故障性质;
根据所述故障性质和每一级叶片的工作温度确定每一级叶片的故障状态参数;
基于所述每一级叶片的故障状态参数确定目标汽轮机叶片的故障严重程度。
该实施例中,故障类型指汽轮机叶片发生的一种或多种故障行为,比如:温度过高、振动频率过快或过慢。
该实施例中,故障性质可能包括短路故障、过流故障、过压故障、接地故障。
该实施例中,故障状态参数是指描述故障的各个参数和指标的集合,包括故障位置、故障时间、故障温度变化。
该实施例中,故障严重程度可以分为轻微故障、一般故障、严重故障,比如温度变化频率大于预设阈值,则代表故障比较严重。
上述技术方案的有益效果是:通过故障性质和每一级叶片的工作温度确定每一级叶片的故障状态参数,根据故障状态参数确定故障严重程度,可以根据不同的程度选择不同的维修或更换方案,节约成本。
实施例6:
本发明提供一种汽轮机叶片故障检测方法,通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集,包括:
将远程数据采集指令发送至所述振动传感器设备;
通过所述振动传感器设备识别所述远程数据采集指令的帧头与帧尾;
对所述帧头与帧尾中间的数据进行提取,得到有效数据;
将所述有效数据转换为字符串类型数据,与已有结构体中的命令字符串进行匹配,若匹配成功,输出对应的命令码;
基于命令码通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集。
该实施例中,振动传感器是一种能够将物体的振动转换为电信号的传感器设备,用于测量和监测物体振动,以便进行故障诊断、安全保护,包括电容式、压电式、加速度计式、磁力式。
该实施例中,帧头是指帧头前导的一部分,它用于标识采集指令的开始位置,帧尾是指数据帧结束部分,它用于标识采集指令的结束位置,两者通常包含帧类型、帧长度、帧校验和信息。
该实施例中,有效数据是指除去帧头和帧尾以外中间的有用的数据,比如振动次数、振动频率。
该实施例中,字符串类型数据是指用字符串表示的数据,它由一系列使用引号引用的字符组成,每个字符都有一个对应的编码值。
该实施例中,命令字符串是指代表命令的字符串,比如振动开始、结束。
该实施例中,命令码是指代表命令的编码。
上述技术方案的有益效果是:通过振动传感器设备识别所述远程数据采集指令的帧头与帧尾,并对帧头与帧尾中间的数据进行提取,得到有效数据,有效数据转换为字符串类型数据,与已有结构体中的命令字符串进行匹配,若匹配成功,输出对应的命令码,可以采集到更多有效的振动数据,加快处理数据的速度。
实施例7:
本发明提供一种汽轮机叶片故障检测方法,还包括:
根据故障程度确定目标汽轮机叶片的维修成本系数,同时,根据目标汽轮机叶片的加工运输程序确定目标汽轮机叶片的更换成本系数;
将目标汽轮机叶片的维修成本系数和更换成本系数进行比较,获取比较结果;
若比较结果为维修成本系数大于更换成本系数,则判定对于目标汽轮机叶片处理方式为叶片更换;
若比较结果为更换成本系数大于维修成本系数,则判定对于目标汽轮机叶片处理方式为叶片维修。
该实施例中,故障程度可以分为轻微故障、一般故障、严重故障、致命故障。
该实施例中,维修成本系数是指如果汽轮机叶片的故障程度越严重,那么维修成本系数就越高。
该实施例中,加工运输程序是指汽轮机叶片的加工过程,包括:切割、抛光、涂装、包装,运输过程会涉及到运输方法,比如:铁路、公路、海运和空运。
该实施例中,更换成本系数是指如果汽轮机叶片的加工运输过程过于复杂,且成本较高,则更换成本系数就越高。
上述技术方案的有益效果是:通过确定汽轮机叶片的维修成本系数和更换成本系数并进行比较,以此来确定对汽轮机叶片是维修还是更换,能够降低成本,节约财力,以最小的成本解决汽轮机叶片出现的故障。
实施例8:
本发明提供一种汽轮机叶片故障检测方法,对所述帧头与帧尾中间的数据进行提取,得到有效数据的过程中还包括:
在数据提取过程中获取下发远程数据采集指令的下发端的用户身份信息,进而获取用户的提取ID以及提取ID对应的操作信息;
在提取ID对应的操作信息中查找提取ID对应的第一公开信息;
在合法获取用户的身份验证信息中查找提取ID对应的第二公开信息;
根据第一公开信息以及第二公开信息提取查找失败的疑似提取ID,并获取所述疑似提取ID对应的疑似操作信息;
提取所述疑似操作信息对于计算机网络服务器中的待操作动作项,同时获取每一待操作动作项对应的响应结果;
根据每一待操作动作项在计算机网络服务器中的停留时长,获取每一响应结果对应的响应权重;
基于每一响应结果对应的生成时间点的先后顺序,对所有响应结果进行排序,建立响应列表;
根据每一响应结果对应的响应权重和该响应结果在所述响应列表中的位置,获取对应的疑似提取ID在每一响应结果中获取的信息量;
汇集疑似提取ID对应的所有信息量,建立对应的ID获用信息序列;
提取所述ID获用信息序列中与预设数据类型一致的若干特征数据;
根据每一特征数据对应的数据类型,建立数据类型链;
查找数据类型链,获取查找成功的第一提取ID,并确定所述第一提取ID未公开身份;
获取查找失败的第二提取ID,并确定所述第二提取ID的身份不合法;
同时,强行停止所述第二提取ID的提取有效数据的进程。
该实施例中,操作信息表示提取ID在提取数据时的过程,比如是确定数据源--选择提取方式--提取数据--数据转换--数据存储。
该实施例中,提取ID是是指提取数据的ID,每个数据的ID是不一样的。
该实施例中,响应结果表示针对每一操作信息计算机网络服务器上显示的结果。
该实施例中,待操作动作项是指准备对计算机网络服务器进行的操作,比如登录网站、输入密码。
该实施例中,第一公开信息是指提取ID的提取路径或者IP地址。
该实施例中,第二公开信息是指需要通过某种方式合法地获取用户的身份验证信息,例如登录姓名、密码、手机号码等,然后在其中查找对应的第二公开信息。
该实施例中,疑似提取ID表示基于第一公开信息以及第二公开信息来确定不属于用户身份验证信息中设定的ID,即合法性不明的ID,比如,是基于路径1来确定出登录姓名和密码,但是,此时并未获取到登录姓名,就是为查找失败,进而来确定未获取到的登录姓名的数据ID为疑似提取ID。
该实施例中,预设数据类型是指在编程或软件开发中,开发者提前确定某些数据类型的值,例如,在获用信息序列中,如果使用字符串数据类型来存储用户的姓名和年龄,开发者可以预设一个默认的姓名和年龄值,例如“John 25”或“Mary 30”,然后根据这些值来显示用户信息。
该实施例中,响应权重表示所有响应结果中的某一个响应结果的比重,停留时间越长,所占比重越小,对应的权重越小。
响应结果是指从服务器获取的响应数据,而停留时间是指用户在网页上停留的时间,也就是页面加载完第一次渲染到达用户眼前的时间,如果响应结果缓慢加载或者加载过程中需要频繁地转移用户注意力,那么就会导致用户在页面上的停留时间增加。反之,如果响应结果快速加载,那么就会导致用户在页面上的停留时间减少。
该实施例中,响应列表是对每一时间点获取的响应结果的统计列表。
该实施例中,信息量是指数据包中所包含的信息量,比如是输入密码后,在3秒后进入系统,系统在该3秒内所获取的数据的信息量,具体的计算过程如下:
;其中,/>表示第i1个响应结果对应的响应权重;/>表示第i1个响应结果的实际响应时间;/>表示规定响应时间;n1表示响应结果的个数;/>表示第i1个响应结果基于响应列表的位置重要值;/>表示第i1个响应结果基于响应列表的横向长度;/>表示基于响应列表的横向总长度;/>表示第i1个响应结果基于响应列表中的位置的占据空间;/>表示第i1个响应结果基于响应列表中的位置的设定空间,且/>;/>表示对应响应列表的总空间;/>表示基于映射对照表匹配得到与响应权重/>、位置重要值/>一致的映射函数;/>表示第i1个响应结果的历史误差系数,取值范围为(0.98,1.02);/>表示对应的疑似提取ID在第i1个响应结果中获取的信息量;e表示常数,取值为2.7;ln表示对数函数符号;
该实施例中,映射对照表包含不同的权重、重要值组合,以及与之匹配的标准量在内,其中,是基于/>与/>确定得到的,具体如下:
;
其中,min表示最小值符号;表示针对响应时间的转化系数;/>表示针对位置的转化系数;/>表示第i1个响应结果基于响应时间/>的规定占据空间。
该实施例中,ID获用信息序列表示疑似ID在每一个响应结果中获取的信息量的序列,比如时间序列、获取到的信息所处的位置序列。
该实施例中,数据类型链表示根据响应列表的顺序对每一数据对应的类型进行排序后获取的数据链。
该实施例中,特征数据是用于描述和分析数据的各种类型的特征,包括:数值特征、类别特征、序数特征、时间和日期特征,比如获取信息的时间和获取的信息所处的位置。
上述技术方案的有益效果是:为了保证提取网络安全,在用户信息对比系统中提前输入合法用户的身份信息,在后续的活动中,获取提取数据网络服务器的所有用户的访问ID,通过对比公开信息对访问ID进行初步判断,可以获取疑似访问ID,根据对疑似访问ID对应的疑似操作信息进行和响应结果,分析疑似访问ID在计算机网络服务器中获取的信息,利用其获取信息的类型,判断其是否属于不合法用户,并及时对身份不合法的用户执行强制措施,避免非法人员窃取数据,保证网络安全。
实施例9:
一种汽轮机叶片故障检测系统,如图2所示,包括:
获取模块:获取目标汽轮机在工作中的每一级叶片的工作温度;
采集模块:对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据;
第一确定模块:确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型;
第二确定模块:基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。
上述技术方案的有益效果是:通过确定每一级叶片的工作温度,并对多个检测点进行振动数据的采集,获取异常数据的异常特征,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,能够快速判断叶片发生的故障类型并进行维修,避免发生更大的故障影响汽轮机的运行。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种汽轮机叶片故障检测方法,其特征在于,该方法包括:
步骤1:获取目标汽轮机在工作中的每一级叶片的工作温度;
步骤2:对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据;
步骤3:确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型;
步骤4:基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。
2.根据权利要求1所述的汽轮机叶片故障检测方法,其特征在于,获取目标汽轮机在工作中的每一级叶片的工作温度,包括:
确定目标汽轮机的型号和工作级数;
根据所述目标汽轮机的型号和工作级数确定目标汽轮机叶片在不同工作级下的叶片形状参数和叶片大小参数;
根据所述目标汽轮机叶片在不同工作级下的叶片形状参数和叶片大小参数确定目标汽轮机叶片在不同工作级下的工作参数阈值;
基于目标汽轮机叶片在不同工作级下的工作参数阈值和目标汽轮机的热效应方程确定目标汽轮机在工作中的每一级叶片的工作温度。
3.根据权利要求1所述的汽轮机叶片故障检测方法,其特征在于,对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据,包括:
通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集,获取采集到的多个检测点的振动数据;
对每个检测点振动数据进行预处理;
对预处理后的振动数据进行频率分析,获取数据信号在不同频率范围内的振幅大小和变化趋势;
基于所述数据信号在不同频率范围内的振幅大小和变化趋势获取振动数据中的异常数据。
4.根据权利要求1所述的汽轮机叶片故障检测方法,其特征在于,确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型,包括:
获取所述异常数据的均值和标准差,并绘制异常数据的数据图;
将所述异常数据的数据图和正常数据的数据图进行比较,确定所述异常数据的异常特征;
确定异常数据在振动数据中的数据分布情况,根据数据分布情况确定异常数据与振动数据的数据位置关系;
根据所述数据位置关系和异常数据的异常特征确定目标汽轮机叶片的数据矢量特征;
将所述数据矢量特征转换为向量特征,将所述向量特征映射到汽轮机叶片故障类型的分类结果上确定汽轮机叶片的故障类型。
5.根据权利要求1所述的汽轮机叶片故障检测方法,其特征在于,基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定,包括:
根据所述故障类型确定故障性质;
根据所述故障性质和每一级叶片的工作温度确定每一级叶片的故障状态参数;
基于所述每一级叶片的故障状态参数确定目标汽轮机叶片的故障严重程度。
6.根据权利要求3所述的汽轮机叶片故障检测方法,其特征在于,通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集,包括:
将远程数据采集指令发送至所述振动传感器设备;
通过所述振动传感器设备识别所述远程数据采集指令的帧头与帧尾;
对所述帧头与帧尾中间的数据进行提取,得到有效数据;
将所述有效数据转换为字符串类型数据,与已有结构体中的命令字符串进行匹配,若匹配成功,输出对应的命令码;
基于命令码通过振动传感器设备对目标汽轮机叶片的多个检测点进行振动数据采集。
7.根据权利要求1所述的汽轮机叶片故障检测方法,其特征在于,还包括:
根据故障程度确定目标汽轮机叶片的维修成本系数,同时,根据目标汽轮机叶片的加工运输程序确定目标汽轮机叶片的更换成本系数;
将目标汽轮机叶片的维修成本系数和更换成本系数进行比较,获取比较结果;
若比较结果为维修成本系数大于更换成本系数,则判定对于目标汽轮机叶片处理方式为叶片更换;
若比较结果为更换成本系数大于维修成本系数,则判定对于目标汽轮机叶片处理方式为叶片维修。
8.根据权利要求6所述的汽轮机叶片故障检测方法,其特征在于,对所述帧头与帧尾中间的数据进行提取,得到有效数据的过程中还包括:
在数据提取过程中获取下发远程数据采集指令的下发端的用户身份信息,进而获取用户的提取ID以及提取ID对应的操作信息;
在提取ID对应的操作信息中查找提取ID对应的第一公开信息;
在合法获取用户的身份验证信息中查找提取ID对应的第二公开信息;
根据第一公开信息以及第二公开信息提取查找失败的疑似提取ID,并获取所述疑似提取ID对应的疑似操作信息;
提取所述疑似操作信息对于计算机网络服务器中的待操作动作项,同时获取每一待操作动作项对应的响应结果;
根据每一待操作动作项在计算机网络服务器中的停留时长,获取每一响应结果对应的响应权重;
基于每一响应结果对应的生成时间点的先后顺序,对所有响应结果进行排序,建立响应列表;
根据每一响应结果对应的响应权重和该响应结果在所述响应列表中的位置,获取对应的疑似提取ID在每一响应结果中获取的信息量;
汇集疑似提取ID对应的所有信息量,建立对应的ID获用信息序列;
提取所述ID获用信息序列中与预设数据类型一致的若干特征数据;
根据每一特征数据对应的数据类型,建立数据类型链;
查找数据类型链,获取查找成功的第一提取ID,并确定所述第一提取ID未公开身份;
获取查找失败的第二提取ID,并确定所述第二提取ID的身份不合法;
同时,强行停止所述第二提取ID的提取有效数据的进程。
9.一种汽轮机叶片故障检测系统,其特征在于,包括:
获取模块:获取目标汽轮机在工作中的每一级叶片的工作温度;
采集模块:对目标汽轮机叶片的多个检测点进行振动数据采集,并获取振动数据中的异常数据;
第一确定模块:确定所述异常数据的异常特征,并基于所述异常数据与振动数据的数据位置关系,确定目标汽轮机叶片的数据矢量特征,进而确定汽轮机叶片的故障类型;
第二确定模块:基于所述故障类型、每一级叶片的工作温度,对目标汽轮机叶片的故障程度进行确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205315.5A CN116950729B (zh) | 2023-09-19 | 2023-09-19 | 一种汽轮机叶片故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205315.5A CN116950729B (zh) | 2023-09-19 | 2023-09-19 | 一种汽轮机叶片故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116950729A true CN116950729A (zh) | 2023-10-27 |
CN116950729B CN116950729B (zh) | 2024-02-27 |
Family
ID=88456838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311205315.5A Active CN116950729B (zh) | 2023-09-19 | 2023-09-19 | 一种汽轮机叶片故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116950729B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011127527A (ja) * | 2009-12-18 | 2011-06-30 | Tokyo Electric Power Co Inc:The | 回転体の振動監視装置 |
US20140195184A1 (en) * | 2011-08-17 | 2014-07-10 | Hitachi, Ltd | Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System |
CN108760330A (zh) * | 2018-06-11 | 2018-11-06 | 河北冀研能源科学技术研究院有限公司 | 汽轮机振动故障诊断方法 |
CN108983698A (zh) * | 2018-07-09 | 2018-12-11 | 华中科技大学 | 一种基于多目标约束的刀轴矢量优化方法及系统 |
CN110553821A (zh) * | 2019-07-08 | 2019-12-10 | 湖北华电襄阳发电有限公司 | 一种汽轮发电机组故障可视化诊断方法及系统 |
CN113190786A (zh) * | 2021-05-13 | 2021-07-30 | 岳聪 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
CN113624381A (zh) * | 2021-07-26 | 2021-11-09 | 中国船舶重工集团公司第七0三研究所 | 一种船舶燃气轮机动叶片动应力非接触测量计算方法 |
CN113685235A (zh) * | 2021-08-23 | 2021-11-23 | 华能威海发电有限责任公司 | 一种汽轮发电机组的故障确定方法及系统 |
CN114330881A (zh) * | 2021-12-29 | 2022-04-12 | 南京邮电大学 | 一种数据驱动的风机叶片结冰预测方法及装置 |
CN114564839A (zh) * | 2022-03-02 | 2022-05-31 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种汽轮机振动故障风险的评价方法及系统 |
CN115290919A (zh) * | 2022-04-08 | 2022-11-04 | 华能山东发电有限公司烟台发电厂 | 一种非常规的汽轮机转速测量方法 |
CN115524002A (zh) * | 2022-09-19 | 2022-12-27 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
CN115539139A (zh) * | 2022-09-05 | 2022-12-30 | 苏州热工研究院有限公司 | 一种汽轮机安全性的监测方法 |
-
2023
- 2023-09-19 CN CN202311205315.5A patent/CN116950729B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011127527A (ja) * | 2009-12-18 | 2011-06-30 | Tokyo Electric Power Co Inc:The | 回転体の振動監視装置 |
US20140195184A1 (en) * | 2011-08-17 | 2014-07-10 | Hitachi, Ltd | Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System |
CN108760330A (zh) * | 2018-06-11 | 2018-11-06 | 河北冀研能源科学技术研究院有限公司 | 汽轮机振动故障诊断方法 |
CN108983698A (zh) * | 2018-07-09 | 2018-12-11 | 华中科技大学 | 一种基于多目标约束的刀轴矢量优化方法及系统 |
CN110553821A (zh) * | 2019-07-08 | 2019-12-10 | 湖北华电襄阳发电有限公司 | 一种汽轮发电机组故障可视化诊断方法及系统 |
CN113190786A (zh) * | 2021-05-13 | 2021-07-30 | 岳聪 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
CN113624381A (zh) * | 2021-07-26 | 2021-11-09 | 中国船舶重工集团公司第七0三研究所 | 一种船舶燃气轮机动叶片动应力非接触测量计算方法 |
CN113685235A (zh) * | 2021-08-23 | 2021-11-23 | 华能威海发电有限责任公司 | 一种汽轮发电机组的故障确定方法及系统 |
CN114330881A (zh) * | 2021-12-29 | 2022-04-12 | 南京邮电大学 | 一种数据驱动的风机叶片结冰预测方法及装置 |
CN114564839A (zh) * | 2022-03-02 | 2022-05-31 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种汽轮机振动故障风险的评价方法及系统 |
CN115290919A (zh) * | 2022-04-08 | 2022-11-04 | 华能山东发电有限公司烟台发电厂 | 一种非常规的汽轮机转速测量方法 |
CN115539139A (zh) * | 2022-09-05 | 2022-12-30 | 苏州热工研究院有限公司 | 一种汽轮机安全性的监测方法 |
CN115524002A (zh) * | 2022-09-19 | 2022-12-27 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116950729B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112769796B (zh) | 一种基于端侧边缘计算的云网端协同防御方法及系统 | |
Huang et al. | Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
US6802221B2 (en) | System and method for conditioned-based monitoring of a bearing assembly | |
CN110059775A (zh) | 旋转型机械设备异常检测方法及装置 | |
Gowid et al. | A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems | |
CN105866250B (zh) | 基于振动的通风机叶片裂纹识别方法 | |
US8919202B2 (en) | System and method for monitoring health of stator vanes | |
CN113982850B (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
CN109855873B (zh) | 汽轮机大轴的故障诊断方法及装置 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN113738595A (zh) | 一种风力发电机组叶片状态监测方法及其系统 | |
CN112733146A (zh) | 基于机器学习的渗透测试方法、装置、设备及存储介质 | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
Turnbull et al. | Prediction of wind turbine generator failure using two‐stage cluster‐classification methodology | |
CN117574361A (zh) | 基于人工智能的计算机安全管理系统及方法 | |
CN116950729B (zh) | 一种汽轮机叶片故障检测方法及系统 | |
Ginart et al. | Automated feature selection for embeddable prognostic and health monitoring (PHM) architectures | |
CN112287345B (zh) | 基于智能风险检测的可信边缘计算系统 | |
CN116953395B (zh) | 充电桩偷电检测方法、装置、设备及存储介质 | |
CN112945531A (zh) | 风机叶片的裂纹检测方法、装置、设备及计算机存储介质 | |
CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
KR102028845B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
CN112528325B (zh) | 一种数据信息的安全处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |