CN213149750U - 一种汽轮发电机组状态评价与故障预测系统 - Google Patents
一种汽轮发电机组状态评价与故障预测系统 Download PDFInfo
- Publication number
- CN213149750U CN213149750U CN202021910233.2U CN202021910233U CN213149750U CN 213149750 U CN213149750 U CN 213149750U CN 202021910233 U CN202021910233 U CN 202021910233U CN 213149750 U CN213149750 U CN 213149750U
- Authority
- CN
- China
- Prior art keywords
- module
- submodule
- state
- steam turbine
- extraction
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 78
- 238000000605 extraction Methods 0.000 claims abstract description 90
- 230000015556 catabolic process Effects 0.000 claims abstract description 61
- 238000006731 degradation reaction Methods 0.000 claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 239000000306 component Substances 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 230000003321 amplification Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本实用新型提供了一种汽轮机发电机组状态评价与故障预测系统，用以解决现有技术中对汽轮机发电机组进行实时状态评价及状态发展预测的问题。所述系统包括：运行参数采集传感器组、采集参数预处理模块、状态参数特征值提取模块、状态参数动态阈值确定模块、劣化度计算模块、实时状态评价模块、异动搜索模块和故障预测模块；处理完采集的参数后，提取特征值，再通过特征值与阈值的比较进行劣化度计算，再根据权重进行分层次的实时状态评价并进行故障预测。本实用新型不仅实现了实时汽轮机组的监视，而且预测机组未来的发展趋势，及时发现存在安全隐患的部件或机组，降低机组故障发生率，同时通过远程监控中心，实现汽轮机状态的远程跟踪。
Description
技术领域
本实用新型属于电力设备领域，具体涉及一种汽轮发电机组状态评价与故障预测系统。
背景技术
电力是生活和生产中的关键环节。发电方式包括火力发电、风力发电、水能发电、太阳能发电及核电等。在火力发电过程中，汽轮机是核心部件，通过将蒸汽的热能转化为机械能，再将机械能转化为电能。发电站的汽轮发电机组容量不断提升，机组轴系也越来越复杂。要实现安全生产，就必须保证汽轮发电机组的安全运行，一般通过配套设置机组运行状态监测、评价、故障预测及诊断功能的在线监测分析系统，保障机组的安全可靠运行。
现有技术中，通常对汽轮机发电机组的运行进行实时监测及故障诊断，而忽略了对机组状态未来发展趋势的判断，无法预知可能存在的故障隐患；同时，对机组的维修一般是定期检修，无法实现实时的状态检修。
发明内容
针对上述情况，为克服现有技术的缺陷，本实用新型提供了一种汽轮发电机组状态评价与故障预测系统，不仅实时跟踪汽轮发电机组的实时状态，实现实时检修，而且预测机组未来的发展趋势，及时发现存在安全隐患的部件或机组，降低机组故障发生率，提高机组安全性、可用性和经济性，同时通过远程监控中心，实现汽轮机状态的远程跟踪。
为了实现上述目的，本实用新型采用如下技术方案：
一种汽轮机发电机组状态评价与故障预测系统，所述系统包括：由转速传感器、键相传感器、振动传感器和状态量传感器组成的汽轮机运行参数采集传感器组、采集参数预处理模块、状态参数特征值提取模块、状态参数动态阈值确定模块、劣化度计算模块、实时状态评价模块、异动搜索模块和故障预测模块；其中，
所述汽轮机运行参数采集传感器组中，转速传感器安装于汽轮机机头测速齿轮处，键相传感器安装于汽轮机机头键相槽处，振动传感器安装于汽轮发电机组各径向轴承处，状态量传感器安装于汽轮机过程量测量点；
所述汽轮机运行参数采集传感器组与所述采集参数预处理模块相连，用于将采集的转速参数、键相参数、轴振和瓦振参数及过程量参数发送给所述采集参数预处理模块；
所述采集参数预处理模块与所述状态参数特征值提取模块相连，包括依次相连的信号隔离子模块、交直流分离子模块、积分子模块、抗混滤波子模块和信号放大子模块，用于对所接收的来自汽轮机运行参数采集传感器组采集的数据进行信号隔离、交直流分离、积分、抗混滤波和放大，并向所述状态参数特征值提取模块输出标准电压的参数信号；
所述状态参数特征值提取模块与所述劣化度计算模块相连，用于从所述参数信号中提取各参数的峰值、幅值、脉冲、裕度、频谱、功率、方差及均方幅值等特征值，并将所述特征值发送给所述劣化度计算模块；
所述状态参数阈值确定模块与所述劣化度计算模块相连，用于将确定的与所述特征值一一对应状态参数阈值发送给所述劣化度计算模块；
所述劣化度计算模块与所述实时状态评价模块相连，包括第一数据接收子模块、第二数据接收子模块、阈值比较子模块、劣化度指标引入模块及劣化度输出模块；其中，第一数据接收子模块与状态参数特征值提取模块相连，第二数据接收子模块与状态参数阈值确定模块相连，两个数据接收子模块同时与阈值比较子模块相连，所述阈值比较子模块与所述劣化度指标引入子模块相连，所述劣化度指标引入子模块与所述劣化度输出子模块相连；阈值比较子模块用于根据阈值确定模块确定的阈值对状态参数特征值提取模块提取的特征值进行判断，向劣化度指标引入子模块输出当前特征值是否在阈值范围内；所述劣化度引入子模块用于根据阈值比较子模块的比较结果，引入当前特征值的劣化度计算指标，完成对劣化度的计算，并将计算结果输出给所述劣化度输出子模块；
所述实时状态评价模块与所述异动搜索模块和故障预测模块相连，包括依次相连的部件级状态评价子模块、第一组合子模块、子系统级状态评价子模块、第二组合子模块、机组级状态评价子模块和结果输出子模块；用于生成对当前部件、子系统和机组的状态评价，并且，当状态评价结果为正常状态或故障状态时，结果输出子模块直接输出结果；当状态评价结果为干扰状态时，将所述结果发送给异动搜索模块；当状态评价结果为异常状态时，将所述结果发送给故障预测模块；
所述异动搜索模块还与所述故障预测模块相连，同时与所述采集参数预处理模块相连，用于进行异动搜索，基于当前异常状态对应的参数及特征值，在高维空间和每一个特征值的特征子空间内求解K-平均距离，通过与预设距离阈值的比较，进一步判断当前参数是正常还是异常；并且还用于：当正常时，将结果反馈给所述实时状态评价模块；当异常时，将结果反馈给所述故障预测模块；
所述故障预测模块同时与所述采集参数预处理模块相连，用于基于时间序列构建故障预测回归模型，并对当前异常状态对应的参数预测故障发生参数。
上述方案中，所述劣化度计算模块中，当前特征值在阈值范围内时，引入当前特征值第一劣化度计算指标；当前特征值不在阈值范围内时，引入当前特征值第二劣化度计算指标。
上述方案中，所述状态参数特征值提取模块包括：峰值提取子模块、幅值提取子模块、方差提取子模块、均方幅值提取子模块及数据发送子模块；其中，
所述峰值提取子模块、幅值提取子模块、方差提取子模块、均方幅值提取子模块同时与所述数据发送子模块相连，所述数据发送子模块与所述劣化度计算模块相连；峰值提取子模块、幅值提取子模块、脉冲提取子模块、裕度提取子模块、频谱提取子模块、功率提取子模块、方差提取子模块、均方幅值提取子模块分别用于从所述参数信号中提取各参数的峰值、幅值、脉冲、裕度、频谱、功率、方差及均方幅值等特征值，并将所述特征值通过数据发送子模块发送给所述劣化度计算模块。
上述方案中，所述频谱提取子模块，包括快速傅里叶变换处理次模块、解调谱处理次模块、倒频谱处理次模块及细化谱处理次模块。
上述方案中，所述状态参数阈值确定模块，具有一个输入端，用于操作人员直接输入所确定的阈值。
上述方案中，所述状态参数阈值确定模块，具有一个自适应模块，通过汽轮机的当前运行状态自适应确定当前运行状态的阈值。
上述方案中，所述实时状态评价模块中，劣化度数据首先进入部件级状态评价子模块，对当前特征值对应的部件进行状态评价，按等级分为正常状态、干扰状态、异常状态和故障状态；对属于同一子系统的所有部件，第一组合子模块对部件级状态评价进行组合，将当前子系统所属的所有部件的状态评价都发送给子系统级状态评价子模块；子系统级状态评价子模块，根据部件在子系统中的重要性、组合数量进行权重分配，按所分配的权重进行状态评价的组合，生成对当前子系统的状态评价；所述第二组合子模块将属于同一机组的所有子系统的状态评价都发送给机组级状态评价子模块；机组级评价子模块根据子系统在机组中的重要性、组合数量进行权重分配，按所分配的权重进行状态评价的组合，生成对当前机组的状态评价。
上述方案中，所述异动搜索模块包括时间序列提取子模块、空间特征提取子模块、异动特征值映射子模块及异动因子生成子模块；所述时间序列提取子模块与所述异动因子生成子模块同时与所述故障预测模块相连；所述时间序列提取子模块，从所述采集参数预处理模块中与当前干扰状态对应的参数中提取时间序列；所述空间特征提取子模块从所述采集参数预处理模块中与当前干扰状态或异常状态对应的参数中提取空间特征值；所述异动特征值映射子模块根据所述时间序列和空间序列将当前状态对应的参数特征值映射到高维空间，并在高维空间和每一个特征值的特征子空间内求解K-平均距离，通过与预设距离阈值的比较，进一步判断当前参数是正常还是异常。
上述方案中，所述故障预测模块包括时间序列提取子模块、时间序列分解子模块、回归模型建立子模块及故障预测结果输出子模块；所述时间序列提取子模块从所述采集参数预处理模块中提取当前参数的时间序列；所述时间序列分解子模块将时间序列的趋势项、周期项和随机项分解出来；所述回归模型建立子模块分别对应于趋势项、周期项和随机项建立自由滑动平均ARMA回归模型，并将当前参数输入所述ARMA回归模型，得到基于时间序列的故障预测结果。
上述方案中，汽轮发电机组状态评价与故障预测系统还包括远程监控中心，通过有线或无线的方式与所述实时状态评价模块和故障预测模块相连，直接接收机组状态评价结果和故障预测结果，对汽轮发电机组实现远程监控。
本实用新型所提供的汽轮发电机组状态评价与故障预测系统，不仅实时跟踪汽轮发电机组的实时状态，实现实时检修，而且预测机组未来的发展趋势，及时发现存在安全隐患的部件或机组，降低机组故障发生率，提高机组安全性、可用性和经济性，同时通过远程监控中心，实现汽轮机状态的远程跟踪。
附图说明
为了更清楚地说明本实用新型实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本实用新型实施例汽轮发电机组状态评价系统结构示意图；
图2是图1中汽轮发电机运行参数采集传感器组组成示意图；
图3是图1中采集参数预处理模块结构示意图；
图4是图1中状态参数特征值提取模块结构示意图；
图5是图1中劣化度计算模块结构示意图；
图6是图1中实时状态评价模块结构示意图；
图7是图1中异动搜索模块结构示意图；
图8是图1中故障预测模块结构示意图。
具体实施方式
下面通过参考示范性实施例，对本实用新型技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本实用新型，而不能解释为对本实用新型的限制。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本实用新型所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非在这里进行定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本实用新型的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本实用新型实施例提供了一种汽轮发电机组状态评价与故障预测系统。图1所示为所述汽轮发电机组状态评价与故障预测系统结构示意图。如图1至图8所示，所述汽轮发电机组状态评价与故障预测系统包括：由转速传感器11、键相传感器12、振动传感器13和状态量传感器14组成的汽轮机运行参数采集传感器组10、采集参数预处理模块20、状态参数特征值提取模块30、状态参数阈值确定模块40、劣化度计算模块50、实时状态评价模块60、异动搜索模块70和故障预测模块80。
其中，所述汽轮机运行参数采集传感器组10中，转速传感器11安装于汽轮机机头测速齿轮处，采集机组运行的转速参数；键相传感器12安装于汽轮机机头键相槽处，采集机组运行的键相参数，实现振动信号的同步整周期采样方式；振动传感器13安装于汽轮发电机组各径向轴承处，采集机组整个轴系的轴振和瓦振参数；状态量传感器14安装于汽轮机过程量测量点，所述过程量包括油温、油压、轴向位移等过程量参数。
所述汽轮机运行参数采集传感器组10与所述采集参数预处理模块20相连，将采集的转速参数、键相参数、轴振和瓦振参数及过程量参数发送给所述采集参数预处理模块。
所述采集参数预处理模块20与所述状态参数特征值提取模块30相连，包括依次相连的信号隔离子模块21、交直流分离子模块22、积分子模块23、抗混滤波子模块24和信号放大子模块25。所述采集参数预处理模块20对所接收的来自汽轮机运行参数采集传感器组采集的数据进行预处理，包括信号隔离、交直流分离、积分、抗混滤波和放大，最后放大子模块输出标准电压信号，经过AD转换，将参数信号实时传输给所述状态参数特征值提取模块30。
所述状态参数特征值提取模块30与所述劣化度计算模块50相连，包括峰值提取子模块31、幅值提取子模块32、脉冲提取子模块33、裕度提取子模块34、频谱提取子模块35、功率提取子模块36、方差提取子模块37、均方幅值提取子模块38及数据发送子模块39，所述峰值提取子模块、幅值提取子模块、脉冲提取子模块、裕度提取子模块、频谱提取子模块、功率提取子模块、方差提取子模块、均方幅值提取子模块同时与所述数据发送子模块相连，所述数据发送子模块与所述劣化度计算模块相连；峰值提取子模块、幅值提取子模块、脉冲提取子模块、裕度提取子模块、频谱提取子模块、功率提取子模块、方差提取子模块、均方幅值提取子模块从所述参数信号中提取各参数的峰值、幅值、脉冲、裕度、频谱、功率、方差及均方幅值等特征值，并将所述特征值通过数据发送子模块发送给所述劣化度计算模块。优选地，所述频谱提取子模块，包括快速傅里叶变换处理次模块、解调谱处理次模块、倒频谱处理次模块及细化谱处理次模块。
所述状态参数阈值确定模块40与所述劣化度计算模块50相连，将确定的状态参数阈值发送给所述劣化度计算模块。其中，所述状态参数阈值确定模块，可以具有一个输入端，用于操作人员直接输入所确定的阈值；或具有一个自适应模块，通过汽轮机的当前运行状态自适应确定当前运行状态的阈值。所述自适应模块通过一个可编程逻辑控制器PLC实现。所述阈值与所述特征值一一对应。
所述劣化度计算模块50与所述实时状态评价模块60相连。所述劣化度计算模块50包括第一数据接收子模块51、第二数据接收子模块52、阈值比较子模块53、劣化度指标引入模块54及劣化度输出模块55。其中，第一数据接收子模块与状态参数特征值提取模块相连，第二数据接收子模块与状态参数阈值确定模块相连，两个数据接收子模块同时与阈值比较子模块相连，所述阈值比较子模块与所述劣化度指标引入子模块相连，所述劣化度指标引入子模块与所述劣化度输出子模块相连。阈值比较子模块根据阈值确定模块确定的阈值对状态参数特征值提取模块提取的特征值进行判断，向劣化度指标引入子模块输出当前特征值是否在阈值范围内；所述劣化度引入子模块根据阈值比较子模块的比较结果，引入当前特征值的劣化度计算指标，完成对劣化度的计算，并将计算结果输出给所述劣化度输出子模块。优选地，当前特征值在阈值范围内时，引入当前特征值第一劣化度计算指标；当前特征值不在阈值范围内时，引入当前特征值第二劣化度计算指标。所述劣化度输出子模块将所计算的劣化度结果输出给所述实时状态判断模块。
所述实时状态评价模块60与所述异动搜索模块70和故障预测模块80相连，包括部件级状态评价子模块61、第一组合子模块62、子系统级状态评价子模块63、第二组合子模块64、机组级状态评价子模块65和结果输出子模块66。劣化度数据首先进入部件级状态评价子模块，对当前特征值对应的部件、子系统和机组进行状态评价，按等级分为正常状态、干扰状态、异常状态和故障状态。对属于同一子系统的所有部件，第一组合子模块对部件级状态评价进行组合，将当前子系统所属的所有部件的状态评价都发送给子系统级状态评价子模块；子系统级状态评价子模块，根据部件在子系统中的重要性、组合数量进行权重分配，按所分配的权重进行状态评价的组合，生成对当前子系统的状态评价。相同的，第二组合子模块将属于同一机组的所有子系统的状态评价都发送给机组级状态评价子模块；机组级评价子模块根据子系统在机组中的重要性、组合数量进行权重分配，按所分配的权重进行状态评价的组合，生成对当前机组的状态评价。当状态评价结果为正常状态或故障状态时，结果输出子模块直接输出结果；当状态评价结果为干扰状态时，将所述结果发送给异动搜索模块；当状态评价结果为异常状态时，将所述结果发送给故障预测模块。
所述异动搜索模块70与所述故障预测模块80相连，同时与所述采集参数预处理模块30相连，包括时间序列提取子模块71、空间特征提取子模块72、异动特征值映射子模块73及结果输出子模块74；所述时间序列提取子模块与所述异动因子生成子模块同时与所述故障预测模块相连。所述时间序列提取子模块，从所述采集参数预处理模块中与当前干扰状态对应的参数中提取时间序列；所述空间特征提取子模块从所述采集参数预处理模块中与当前干扰状态或异常状态对应的参数中提取空间特征值；所述异动特征值映射子模块根据所述时间序列和空间序列将当前状态对应的参数特征值映射到高维空间，并在高维空间和每一个特征值的特征子空间内求解K-平均距离，通过与预设距离阈值的比较，进一步判断当前参数是正常还是异常。当正常时，将结果反馈给所述实时状态评价模块；当异常时，将结果反馈给所述故障预测模块。
所述故障预测模块80同时与所述采集参数预处理模块30相连，包括时间序列提取子模块81、时间序列分解子模块82、回归模型建立子模块83及故障预测结果输出子模块84。所述时间序列提取子模块从所述采集参数预处理模块中提取当前参数的时间序列；所述时间序列分解子模块将时间序列的趋势项、周期项和随机项分解出来；所述回归模型建立子模块分别对应于趋势项、周期项和随机项建立自回归滑动平均模型(Autoregressivemovingaveragemodel，ARMA)，并将当前参数输入所述ARMA回归模型，得到基于时间序列的故障预测结果。所述故障预测结果输出子模块输出所述故障预测结果，操作人员可知当前参数对应的部件或机组预计在哪个时间点出现何种故障。
另外，本实用新型实施例的汽轮发电机组状态评价与故障预测系统还可以包括远程监控中心，通过有线或无线的方式与所述实时状态评价模块和故障预测模块相连，直接接收机组状态评价结果和故障预测结果，对汽轮发电机组实现远程监控。
本实施例中所述各模块及子模块，通过CPU、可编程逻辑控制器PLC或其他可实现相应操作的现有设备实现。
本领域普通技术人员可以理解：实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。
以上所述是本实用新型的优选实施方式，应当指出，本实用新型并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本实用新型的具体细节。对于本技术领域的普通技术人员来说，在不脱离本实用新型所述原理的前提下，在本实用新型揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本实用新型的保护范围之内。
Claims (9)
1.一种汽轮发电机组状态评价与故障预测系统，其特征在于，所述系统包括：由转速传感器、键相传感器、振动传感器和状态量传感器组成的汽轮机运行参数采集传感器组、采集参数预处理模块、状态参数特征值提取模块、状态参数动态阈值确定模块、劣化度计算模块、实时状态评价模块、异动搜索模块和故障预测模块；其中，
所述汽轮机运行参数采集传感器组中，转速传感器安装于汽轮机机头测速齿轮处，键相传感器安装于汽轮机机头键相槽处，振动传感器安装于汽轮发电机组各径向轴承处，状态量传感器安装于汽轮机过程量测量点；
所述汽轮机运行参数采集传感器组与所述采集参数预处理模块相连；
所述采集参数预处理模块与所述状态参数特征值提取模块相连，包括依次相连的信号隔离子模块、交直流分离子模块、积分子模块、抗混滤波子模块和信号放大子模块；
所述状态参数特征值提取模块与所述劣化度计算模块相连；
所述状态参数阈值确定模块与所述劣化度计算模块相连；
所述劣化度计算模块与所述实时状态评价模块相连，包括第一数据接收子模块、第二数据接收子模块、阈值比较子模块、劣化度指标引入模块及劣化度输出模块；其中，第一数据接收子模块与状态参数特征值提取模块相连，第二数据接收子模块与状态参数阈值确定模块相连，两个数据接收子模块同时与阈值比较子模块相连，所述阈值比较子模块与所述劣化度指标引入子模块相连，所述劣化度指标引入子模块与所述劣化度输出子模块相连；
所述实时状态评价模块与所述异动搜索模块和故障预测模块相连，包括依次相连的部件级状态评价子模块、第一组合子模块、子系统级状态评价子模块、第二组合子模块、机组级状态评价子模块和结果输出子模块；
所述异动搜索模块还与所述故障预测模块相连，同时与所述采集参数预处理模块相连；
所述故障预测模块同时与所述采集参数预处理模块相连。
2.根据权利要求1所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述劣化度计算模块中，当前特征值在阈值范围内时，引入当前特征值第一劣化度计算指标；当前特征值不在阈值范围内时，引入当前特征值第二劣化度计算指标。
3.根据权利要求1所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述状态参数特征值提取模块包括：峰值提取子模块、幅值提取子模块、脉冲提取子模块、裕度提取子模块、频谱提取子模块、功率提取子模块、方差提取子模块、均方幅值提取子模块及数据发送子模块；其中，
峰值提取子模块、幅值提取子模块、脉冲提取子模块、裕度提取子模块、频谱提取子模块、功率提取子模块、方差提取子模块、均方幅值提取子模块同时与所述数据发送子模块相连，所述数据发送子模块与所述劣化度计算模块相连。
4.根据权利要求3所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述频谱提取子模块，包括快速傅里叶变换处理次模块、解调谱处理次模块、倒频谱处理次模块及细化谱处理次模块。
5.根据权利要求1所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述状态参数阈值确定模块，具有一个输入端。
6.根据权利要求1所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述状态参数阈值确定模块，具有一个自适应模块，通过汽轮机的当前运行状态自适应确定当前运行状态的阈值。
7.根据权利要求1所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述异动搜索模块包括时间序列提取子模块、空间特征提取子模块、异动特征值映射子模块及结果输出子模块；所述时间序列提取子模块与所述异动因子生成子模块同时与所述故障预测模块相连。
8.根据权利要求1所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述故障预测模块包括时间序列提取子模块、时间序列分解子模块、回归模型建立子模块及故障预测结果输出子模块。
9.根据权利要求1到8任一项所述的汽轮发电机组状态评价与故障预测系统，其特征在于，所述预测系统还包括远程监控中心，通过有线或无线的方式与所述实时状态评价模块和故障预测模块相连，直接接收机组状态评价结果和故障预测结果，对汽轮发电机组实现远程监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202021910233.2U CN213149750U (zh) | 2020-09-04 | 2020-09-04 | 一种汽轮发电机组状态评价与故障预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202021910233.2U CN213149750U (zh) | 2020-09-04 | 2020-09-04 | 一种汽轮发电机组状态评价与故障预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN213149750U true CN213149750U (zh) | 2021-05-07 |
Family
ID=75709730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202021910233.2U Active CN213149750U (zh) | 2020-09-04 | 2020-09-04 | 一种汽轮发电机组状态评价与故障预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN213149750U (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和系统 |
| CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
| CN117630554A (zh) * | 2023-12-07 | 2024-03-01 | 深圳市森瑞普电子有限公司 | 一种用于导电滑环的测试装置及测试方法 |
-
2020
- 2020-09-04 CN CN202021910233.2U patent/CN213149750U/zh active Active
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
| CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和系统 |
| CN117630554A (zh) * | 2023-12-07 | 2024-03-01 | 深圳市森瑞普电子有限公司 | 一种用于导电滑环的测试装置及测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN213149750U (zh) | 一种汽轮发电机组状态评价与故障预测系统 | |
| CN108709724B (zh) | 风力发电机组螺栓在线状态监测系统及方法 | |
| Cui et al. | An anomaly detection approach based on machine learning and scada data for condition monitoring of wind turbines | |
| CN202735788U (zh) | 风力发电机组运行状态远程监测及故障诊断系统 | |
| CN202710100U (zh) | 风力发电机组远程在线健康状态监测与故障诊断系统 | |
| CN107061183A (zh) | 一种海上风电机组的自动化故障诊断方法 | |
| CN103343728A (zh) | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 | |
| CN102620807A (zh) | 风力发电机状态监测系统及方法 | |
| CN111209934B (zh) | 风机故障预报警方法及系统 | |
| CN102434387A (zh) | 风机检测诊断系统 | |
| CN112834224B (zh) | 一种核电汽轮发电机健康状态评估方法及系统 | |
| CN202326011U (zh) | 一种风电机组的状态监测与故障诊断系统 | |
| US20140039817A1 (en) | System and method for monitoring an electrically-connected system having a periodic behavior | |
| CN103940611A (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
| CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
| CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
| CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
| CN115929566A (zh) | 风电机组变桨减速器在线状态监测与预警系统及方法 | |
| CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
| CN107725350B (zh) | 具有机泵在线能效评测的状态监测装置 | |
| CN112649131A (zh) | 一种水力式升船机同步轴扭矩测试故障诊断方法 | |
| CN102288911B (zh) | 火力发电机组监控诊断系统及方法 | |
| CN113158535A (zh) | 一种基于深度学习的风电机组主轴承温度预测方法 | |
| CN110057587A (zh) | 一种核电用泵轴承智能故障诊断方法及系统 | |
| CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant |