CN108629077B - 故障诊断装置、监视装置、故障诊断方法以及记录介质 - Google Patents
故障诊断装置、监视装置、故障诊断方法以及记录介质 Download PDFInfo
- Publication number
- CN108629077B CN108629077B CN201810244511.6A CN201810244511A CN108629077B CN 108629077 B CN108629077 B CN 108629077B CN 201810244511 A CN201810244511 A CN 201810244511A CN 108629077 B CN108629077 B CN 108629077B
- Authority
- CN
- China
- Prior art keywords
- failure
- measurement data
- target device
- failure mode
- unit
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
故障诊断装置、监视装置、故障诊断方法以及记录介质。根据一个实施方式,故障诊断装置具备模拟部,该模拟部通过对象机器的模拟,输出上述对象机器处于1个以上的故障模式中的至少某一个故障模式时的虚拟测定数据。上述装置还具备测定数据取得部,该测定数据取得部取得从上述对象机器所测定的测定数据。上述装置还具备故障模式鉴别部,该故障模式鉴别部基于上述虚拟测定数据和上述测定数据,鉴别上述对象机器的故障模式。
Description
技术领域
本发明的实施方式涉及故障诊断装置、监视装置、故障诊断方法以及记录介质。
背景技术
为了提高发电厂内的机器的运转率,正在研究开发利用了IoT(Internet ofThings)技术的发电厂的故障诊断***。据此,实现利用了丰富的测定数据的充分的在线故障诊断,能够对诊断的对象机器的故障、故障预兆进行早期检测。然而,为了恰当地进行这种故障诊断,如何从测定数据构成用于高精度地检测故障、故障预兆的数据库、算法成为问题。这种问题在发电厂以外的基础设施设备内的机器等,故障对运转停止的影响较大的各种机器中也同样可能发生。
发明内容
根据一个实施方式,故障诊断装置具备模拟部,该模拟部通过对象机器的模拟,输出上述对象机器处于1个以上的故障模式中的至少某一个故障模式时的虚拟测定数据。上述装置还具备测定数据取得部,该测定数据取得部取得从上述对象机器所测定的测定数据。上述装置还具备故障模式鉴别部,该故障模式鉴别部基于上述虚拟测定数据和上述测定数据,鉴别上述对象机器的故障模式。
附图说明
图1是表示第1实施方式的故障诊断***的构成的示意图。
图2是用于说明第1实施方式的发电机模型的动作的示意图。
图3是表示第1实施方式的故障诊断装置的动作的流程图。
图4是用于对第1实施方式的虚拟测定数据进行说明的曲线图。
图5是用于对第1实施方式的虚拟测定数据进行说明的其他的曲线图。
图6是用于对故障诊断方法进行说明的曲线图。
具体实施方式
下面,参照附图对具体实施方式进行说明。
根据一个实施方式,故障诊断装置具备模拟部,该模拟部通过对象机器的模拟,输出上述对象机器处于1个以上的故障模式中的至少某一个故障模式时的虚拟测定数据。上述装置还具备测定数据取得部,该测定数据取得部取得从上述对象机器所测定的测定数据。上述装置还具备故障模式鉴别部,该故障模式鉴别部基于上述虚拟测定数据和上述测定数据,鉴别上述对象机器的故障模式。
(第1实施方式)
图1是表示第1实施方式的故障诊断***的构成的示意图。在图1的故障诊断***中,故障诊断装置1和发电厂2通过通信网络3连接。
故障诊断装置1具备处理器等的控制部1a、通信接口等的通信部1b、键盘、鼠标等的操作部1c、监视器等的显示部1d及存储器、储存器等的存储部1e。控制部1a具备模拟部11、测定数据取得部12、故障模式鉴别部13及输出部14。控制部1a的这些功能块,通过由控制部1a的处理器执行在例如存储部1e的储存器内保存的故障诊断程序来实现。故障诊断程序可以从记录介质安装于故障诊断装置1,也可以从通信网络3上的服务器下载到故障诊断装置1中。
发电厂2具备发电机2a、汽轮机2b、锅炉2c等的机器、及控制这些机器的动作的控制装置2d。在本实施方式中,这些机器成为故障诊断装置1的诊断的对象机器。发电厂2的例子是火力发电厂,但作为发电的类别,不限定于火力发电。另外,成为故障诊断装置1的对象的设备,并不限定于发电厂2,也可以是包括发动机、压缩机、泵等一般工业机器在内的其他的设备。
模拟部11是进行对对象机器的动作进行模拟的数据处理的模块,使用与对象机器对应的模型进行这种模拟。模拟部11使用模型,输出对象机器处于1个以上的故障模式中的至少一个故障模式时的虚拟测定数据。例如,在假设发电机2a的转子叶片损伤的情况下,通过使用了发电机模型的模拟,输出振动数据。
测定数据取得部12,是取得从对象机器测定到的测定数据的模块。例如,从发电机2a测定到的振动数据,从控制装置2d经由通信网络3转送至测定数据取得部12。
故障模式鉴别部13,从模拟部11接收虚拟测定数据,从测定数据取得部12接收测定数据,基于接收到的虚拟测定数据以及测定数据,鉴别对象机器的故障模式。例如,在上述的虚拟振动数据的值接近上述的振动数据的值的情况下,判定为发电机2a的转子叶片损伤。
另外,接收虚拟测定数据和测定数据两数据的数据接收部,可以内置于故障模式鉴别部13,也可以不是内置而设置在故障诊断装置1中。另外,包括模拟部11、测定数据取得部12以及数据接收部在内,称为故障诊断装置1内的监视装置。
输出部14,是输出从故障模式鉴别部13接收到的故障模式的鉴别结果的模块,例如,将故障模式的鉴别结果显示于显示部1d的监视器,或者保存于存储部1e的储存器,并通过通信部1b向外部发送。例如,发电机2a的转子叶片损伤这一判定结果被显示于监视器。
另外,作为故障模式的鉴别结果,输出部14既可以输出判定为对象机器中已发生的故障模式,也可以输出判定为对象机器可能发生的故障模式。前者的例子是“发电机2a发生了转子线圈通风障碍和转子叶片损伤”的判定结果的监视器显示。后者的例子是“发电机2a可能发生层间短路(Layer short)、转子线圈通风障碍、转子叶片损伤中的某1个以上”的监视器显示。
图2是用于说明第1实施方式的发电机模型的动作的示意图。
图2的发电机模型M,将对于发电机2a假定的1个以上的故障模式(假定故障模式)D1和从发电机2a获得的运转数据D2作为输入,并将多种虚拟测定数据D3的值作为输出。
图2表示故障模式A~M作为假定故障模式D1的例子。例如,故障模式A是发电机2a的层间短路。故障模式B是发电机2a的转子线圈通风障碍。故障模式C是发电机2a的转子叶片损伤。假定发电机2a中会发生这些故障模式。另外,故障模式的数量、种类并不限定于图2所示的数量或种类。
运转数据D2是表示发电机2a的运转状态的数据,其从控制装置2d经由通信网络3被转送至模拟部11。运转数据D2的例子,是发电机2a的输出电力(电气输出)的时序数据。
图2表示虚拟测定数据A~G作为虚拟测定数据D3的例子。例如,虚拟测定数据A是发电机2a的气隙磁通密度。虚拟测定数据B是与发电机2a的转子的振动有关的数据(例如振幅、相位)。
发电机模型M,作为基于假定故障模式D1和运转数据D2输出虚拟测定数据D3的各种模块的集合而构成。图2表示模块A~F作为这些模块的例子。例如,模块A是处理发电机2a的电磁力的模块。模块B是处理发电机2a的热弯曲的模块。模块C是处理发电机2a的振动响应的模块。这些模块通过例如基于物理模型的数式、基于事前进行的数值计算结果的表或函数、基于经验的表或函数等构成。
故障诊断装置1,在判定发电机2a是否发生故障模式A(或者可能发生。以下相同)的情况下,对发电机模型M输入与故障模式A有关的数据。在此情况下,模块A、B,基于与故障模式A有关的数据输出虚拟测定数据A和针对模块C的数据,模块C基于来自模块A、B的数据输出虚拟测定数据B。虚拟测定数据A、B被使用于判定发电机2a是否发生故障模式A。
图3是表示第1实施方式的故障诊断装置1的动作的流程图。关于图3,以对象机器是发电机2a的情况为例进行说明。
首先,模拟部11的发电机模型M,基于假定故障模式D1和运转数据D2,输出与发电机2a的规定的故障模式有关的虚拟测定数据D3(步骤S1)。例如,模拟部11输出与故障模式1~n中的故障模式i有关的虚拟测定数据Xi,作为虚拟测定数据D3。在此,n是1以上的整数,i是满足1≤i≤n的整数。虚拟测定数据Xi,是由K种虚拟测定数据的值构成的K次向量(K是2以上的整数)。根据图3的步骤Sa~Sb的循环处理可知,故障诊断装置1,对于故障模式1~n的每个故障模式执行步骤S1~S5。故障模式i表示故障模式1~n中的任意的故障模式。
另一方面,测定数据取得部12,取得并处理从发电机2a测定到的测定数据,将此数据变换为能够与虚拟测定数据Xi进行比较的已处理测定数据X0(步骤S2)。已处理测定数据X0是由K种已处理测定数据的值构成的K次向量。
在步骤S2中,例如发电机2a的转子的振动的时序数据被傅里叶变换为频率数据,频率数据中的规定频率的振幅被作为已处理测定数据X0输出。另外,来自发电机2a的测定数据的采样频率有时按测定数据的每个种类而不同,因此在步骤S2中进行用于使采样频率匹配的处理。例如,在上述的变换处理中,以较高的采样频率(例如512Hz)测定到的振动的时序波形被变换为频率波形,从频率波形中提取转子的整体振幅、与转子的转速同步的振动成分的振幅以及相位、转子的转速的2倍成分的振幅、与转子的旋转非同步的振动成分的振幅、它们的时间变化率等,并作为已处理测定数据X0的成分输出。并且,转子的振动与轴承的金属温度有关联性,所以也可以输出金属温度作为已处理测定数据X0。
接着,模拟部11将虚拟测定数据Xi的K个值彼此的关系归一化,并输出归一化后的虚拟测定数据xi(步骤S3)。归一化,是为了高精度地鉴别故障模式i,而改变虚拟测定数据Xi的值彼此的贡献率(加权)变化的处理。例如,在发电机2a中整体振幅的时间变化率比整体振幅对故障模式i的影响更大的情况下,通过对整体振幅的时间变化率的值乘以与贡献率对应的系数,从而将虚拟测定数据Xi归一化为虚拟测定数据xi。据此,能够正确地评价整体振幅及其时间变化率对于故障模式i的影响。同样地,测定数据取得部12将已处理测定数据X0的K个值彼此的关系归一化,并输出归一化后的已处理测定数据x0(步骤S4)。以下,将归一化后的已处理测定数据x0,简单标记为“归一化后的测定数据x0”。
归一化后的虚拟测定数据xi,是由K种虚拟测定数据的值构成的K次向量。同样地,归一化后的测定数据x0,是由K种测定数据的值构成的K次向量。虚拟测定数据xi和测定数据x0的值(向量成分)的例子,是转子的整体振幅、与转子的转速同步的振动成分的振幅以及相位、转子的转速的2倍成分的振幅、与转子的旋转非同步的振动成分的振幅、它们的时间变化率、轴承的金属温度等。另外,作为虚拟测定数据Xi的归一化方法和测定数据x0的归一化方法,只要能够导出能够互相进行比较的归一化数据xi、x0,既可以采用相同的方法,也可以采用不同的方法。
接着,故障模式鉴别部13接收归一化后的虚拟测定数据xi和归一化后的测定数据x0,计算两者的差分平方和ei(步骤S5)。差分平方和ei,能够通过计算虚拟测定数据xi与测定数据x0的差分(K次向量)xi-x0,并计算差分xi-x0的范数|xi-x0|的平方来导出。在步骤S5中,也可以代替差分xi-x0的平方和,计算xi和x0的内积。
来自发电机2a的测定数据x0越接近故障模式i的虚拟测定数据xi,则差分平方和ei越小。因此,差分平方和ei能够使用于鉴别故障模式i。另外,上述的运转数据D2,可以替代被使用于在步骤S1中计算虚拟测定数据D3,而使用于在步骤S5中计算差分平方和ei,还可以通过在步骤S7中确定运转数据(确定例如负荷率)来使用。
故障诊断装置1对故障模式1~n的每个故障模式进行步骤S1~S5。其结果,计算出与故障模式1~n对应的差分平方和e1~en。故障模式鉴别部13将这些差分平方和e1~en按从小到大的顺序排序(步骤S6)。这相当于将故障模式1~n按发生的可能性从高到低的顺序排序。
但是,此步骤S6不是必须的步骤,如果也有原本不进行排序的情况,则即使在进行排序的情况下,也有不是基于差分平方和e1~en的大小,而是基于例如规定的优先顺序进行排序的情况。因此,步骤S7的鉴别也根据包含此步骤S6的有无的各种各样的状况来实施。
接着,故障模式鉴别部13,基于差分平方和e1~en鉴别发电机2a的故障模式(步骤S7)。具体而言,故障模式鉴别部13,在差分平方和ei比标准化的判定基准值小的情况下,判定为故障模式i发生(或者可能发生)。差分平方和e1~en在步骤S6中被按从小到大的顺序排序,因此可以设为与仅将排列顺序从第1个到第m个(m是满足1≤m≤n的整数)的差分平方和标准化而得到的判定基准值比较。即,可以将排列顺序为第规定个(第m个)之前的故障模式作为鉴别的对象。在此情况下,最大鉴别m个故障模式。
另外,故障模式鉴别部13可以代替判定发电机2a发生层间短路、发电机2a可能发生层间短路,而判定发电机2a发生层间短路的预兆被观察到。据此,能够在发电机2a的层间短路发生前检测其预兆。这样,故障模式鉴别部13,既可以鉴别故障发生的故障模式,也可以鉴别故障的预兆被观察到的故障模式。后者的鉴别处理例如,与前者的鉴别处理相比,能够通过将上述的标准化而得到的判定基准值设定得较大来实现。
另外,故障模式的用语,有时作为仅包括故障发生的情况的用语而使用(例如,FMEA:Failure Mode and Effect Analysis),在本说明书中,作为能够包括故障发生的情况和故障的预兆被观察到的情况的用语而使用。本实施方式的故障模式鉴别部13,既可以构成为仅鉴别与发生的故障有关的故障模式,也可以构成为鉴别与发生的故障有关的故障模式并且鉴别与预兆被观察到的故障有关的故障模式。
之后,输出部14,输出从故障模式鉴别部13接收到的故障模式的鉴别结果。例如,在监视器上显示发电机2a中可能发生层间短路、转子线圈通风障碍以及转子叶片损伤。在此情况下,这3个故障模式,可以按在步骤S6中获得的排列顺序即差分平方和从小到大的顺序显示。
图4是用于说明第1实施方式的虚拟测定数据的曲线图。
图4的横轴表示虚拟测定数据xi、测定数据x0的第1成分(x(1)),图4的纵轴表示虚拟测定数据xi、测定数据x0的第2成分(x(2))。图4仅表示虚拟测定数据xi、测定数据x0的第1~第K成分中的、第1以及第2成分。更精确地,虚拟测定数据xi、测定数据x0,被表现为K维空间内的点。
图4的圆c1~c6,是将与步骤S7中使用的标准化的判定基准值相当的判定基准圆附图化后的圆。例如,在测定数据x0位于虚拟测定数据x1的判定基准圆c1中的情况下,虚拟测定数据x1与测定数据x0之间的差分平方和e1比判定基准圆的半径小。因此,通过步骤S7鉴定出故障模式1。
图4的判定基准圆c2与判定基准圆c5存在重复部分,因此测定数据x0能够同时位于判定基准圆c2和判定基准圆c5这两者中。在此情况下,通过步骤S7鉴定出故障模式2、5这两者。另外,图4所示的判定基准圆(将K=2的情况作为一个例子明示),在K维空间中表现为K维球。
另外,在本实施方式中,作为虚拟测定数据x1用的判定基准圆c1,可以准备较小的圆即第1圆和较大的圆即第2圆。在此情况下,也可以是,第1圆用于判定发电机2a中发生故障,第2圆用于判定发电机2a有故障的预兆。另外,作为虚拟测定数据x1用的判定基准圆c1,可以准备半径不同的2种以上的圆,进行2种以上的判定。这对于判定基准圆c2~c6也是同样的。
图5是用于说明第1实施方式的虚拟测定数据的其他的曲线图。
如图5所示,着眼于虚拟测定数据xi与测定数据x0的差分平方和ei,利用差分越小则故障发生的可能性越高的情况,也可以根据差分平方和ei的大小推定故障概率。图5表示与x1对应的故障模式1的故障概率比与x2以及x3对应的故障模式2以及3更大的情况。另外,也可以用差分平方和ei的大小本身进行评价。
图6是用于说明故障诊断方法的曲线图。
信号1、2表示从诊断的对象机器即发电机2a获得的信号,与上述的测定数据x0的第1以及第2成分分别对应。符号A1、A2分别表示信号1、2的阈值。曲线A表示信号1的等级超过阈值A1,发电机2a达到不能运转的状态的状况。在一般的故障诊断方法中,在信号1、2中的任一值达到阈值A1、A2时,判断为发电机2a故障或者发电机2a中被观察到故障的预兆。据此,避免如曲线A那样的事态。
该状况也图示在图4中。图4的符号R的区域,表示测定数据x0的第1成分(信号1)的大小小于阈值A1、且测定数据x0的第2成分(信号2)的大小小于阈值A2的区域。在测定数据x0从区域R脱离的情况下,检测为故障或者故障的预兆的发生。
另一方面,本实施方式的故障诊断装置1,预先假定发电机2a可能发生的1个以上的故障模式,并使用发电机模型导出在这些故障模式发生的情况下获得的虚拟测定数据。因此,本实施方式的故障诊断装置1,通过将来自发电机模型的虚拟测定数据与来自发电机2a的测定数据进行比较,能够鉴别发电机2a的故障模式。具体而言,能够通过如图4所示的判定基准圆c1~c6而不是如图4所示的区域R,进行故障诊断。
本实施方式的故障诊断装置1,能够鉴别故障模式,并且检测故障或者故障的预兆的发生。即,即使是在使用了阈值的判定中视为正常的区域R内,也能够通过将信号1与信号2组合的综合状态量,在现象发生前确定具体的故障部位及其原因。
这样,在本实施方式中,代替分析测定数据来鉴别故障模式,根据假定故障模式通过发电机模型导出虚拟测定数据,并通过虚拟测定数据与测定数据的比较来鉴别故障模式。
根据本实施方式的故障诊断,能够获得各种优点。
例如,通过分析过去的发电机2a的故障事例,并使此分析结果反映于假定故障模式、发电机模型,从而能够高精度地进行发电机2a的故障诊断。理由是,通过故障事例的分析能够详细地分析在故障时、故障前从发电机2a获得怎样的测定数据,该详细的分析结果被反映于假定故障模式、发电机模型。
另外,如果过去的故障事例的件数、分析结果变得更丰富,则通过改善例如上述的归一化方法、标准化而得到的判定基准值,能够使故障诊断的精度进一步提高,能够早期检测故障、故障预兆。关于归一化方法、标准化而得到的判定基准值,也可以设为故障诊断装置1的用户能够通过操作部1c来变更。
另外,发电厂2内的机器的故障,在具有转子的机器、产生该工作流体的机器中容易发生。理由是,由转子的旋转引起的摩擦、振动、生成工作流体时的热、压力对机器有影响。因此,希望故障诊断装置1将它们作为诊断的对象机器。
如以上那样,根据本实施方式,能够高精度地进行对象机器的故障诊断。
以上,对本发明的实施方式进行了说明,但这里说明的实施方式,仅仅是作为例子提示的,意思不是限定发明的范围。事实上,本文所述的新装置、方法和介质能够以其他各种各样的方式实施,在不脱离发明的宗旨的范围内,能够进行各种省略、置换、变更。这里说明的实施方式及其变形,包含在发明的范围、宗旨中,并且包含在权利要求书记载的发明及其等同的范围中。
Claims (9)
1.一种故障诊断装置,具备:
模拟部,通过对象机器的模拟,输出上述对象机器处于1个以上的故障模式中的至少某一个故障模式时的虚拟测定数据;
测定数据取得部,取得从上述对象机器所测定的测定数据;以及
故障模式鉴别部,基于多种上述虚拟测定数据的值与多种上述测定数据的值的差分,鉴别上述对象机器的故障模式,
上述故障模式鉴别部,基于与上述差分相当的K次向量是否位于具有第1半径的K维球内,判定上述对象机器是否故障,基于上述K次向量是否位于具有与上述第1半径不同的第2半径的上述K维球内,判定上述对象机器是否有故障的预兆,其中,K是2以上的整数。
2.根据权利要求1所述的故障诊断装置,
上述模拟部将上述多种上述虚拟测定数据的上述值彼此的关系归一化,
上述测定数据取得部将上述多种上述测定数据的上述值彼此的关系归一化,
上述故障模式鉴别部基于归一化后的上述虚拟测定数据和归一化后的上述测定数据,鉴别上述故障模式。
3.根据权利要求1所述的故障诊断装置,
上述故障模式鉴别部,基于上述差分,将上述1个以上的故障模式按产生的可能性从高到低的顺序排列,将上述排列顺序为第规定个为止的故障模式作为鉴别的对象。
4.根据权利要求1所述的故障诊断装置,
上述模拟部,使用将对于上述对象机器假定的上述1个以上的故障模式和从上述对象机器获得的运转数据作为输入、并将多种上述虚拟测定数据的值作为输出的模型,进行上述模拟。
5.根据权利要求1所述的故障诊断装置,
上述故障模式鉴别部,基于上述虚拟测定数据、上述测定数据及从上述对象机器获得的运转数据,鉴别上述故障模式。
6.根据权利要求1所述的故障诊断装置,
还具备输出部,该输出部输出上述故障模式的鉴别结果。
7.根据权利要求6所述的故障诊断装置,
上述故障模式的鉴别结果,表示判定为在上述对象机器中已发生的故障模式或者判定为上述对象机器中有可能发生的故障模式。
8.一种故障诊断方法,包括如下步骤:
模拟部通过对象机器的模拟,输出上述对象机器处于1个以上的故障模式中的至少某一个故障模式时的虚拟测定数据;
测定数据取得部取得从上述对象机器所测定的测定数据;以及
故障模式鉴别部基于多种上述虚拟测定数据的值与多种上述测定数据的值的差分,鉴别上述对象机器的故障模式,
上述故障模式鉴别部,基于与上述差分相当的K次向量是否位于具有第1半径的K维球内,判定上述对象机器是否故障,基于上述K次向量是否位于具有与上述第1半径不同的第2半径的上述K维球内,判定上述对象机器是否有故障的预兆,其中,K是2以上的整数。
9.一种计算机可读取的记录介质,非暂时地记录有使计算机执行故障诊断方法的故障诊断程序,该故障诊断方法包括如下步骤:
模拟部通过对象机器的模拟,输出上述对象机器处于1个以上的故障模式中的至少某一个故障模式时的虚拟测定数据;
测定数据取得部取得从上述对象机器所测定的测定数据;以及
故障模式鉴别部基于多种上述虚拟测定数据的值与多种上述测定数据的值的差分,鉴别上述对象机器的故障模式,
上述故障模式鉴别部,基于与上述差分相当的K次向量是否位于具有第1半径的K维球内,判定上述对象机器是否故障,基于上述K次向量是否位于具有与上述第1半径不同的第2半径的上述K维球内,判定上述对象机器是否有故障的预兆,其中,K是2以上的整数。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-060127 | 2017-03-24 | ||
JP2017060127 | 2017-03-24 | ||
JP2018005925A JP6989398B2 (ja) | 2017-03-24 | 2018-01-17 | 故障診断装置、故障診断方法、および故障診断プログラム |
JP2018-005925 | 2018-01-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629077A CN108629077A (zh) | 2018-10-09 |
CN108629077B true CN108629077B (zh) | 2022-08-12 |
Family
ID=61598872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810244511.6A Active CN108629077B (zh) | 2017-03-24 | 2018-03-23 | 故障诊断装置、监视装置、故障诊断方法以及记录介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10845792B2 (zh) |
EP (1) | EP3385804B1 (zh) |
CN (1) | CN108629077B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109915218B (zh) * | 2019-03-07 | 2021-09-03 | 东方电气自动控制工程有限公司 | 一种deh***电液转换部件故障诊断*** |
CN110110363A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学(武汉) | 一种基于hc-tp-k2算法的卫星动量轮故障诊断建模方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135412A (ja) * | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
CN101819252A (zh) * | 2009-11-23 | 2010-09-01 | 电子科技大学 | 一种模拟电路故障诊断方法 |
JP2011107760A (ja) * | 2009-11-12 | 2011-06-02 | Yokogawa Electric Corp | プラント異常検出装置 |
WO2014202100A1 (en) * | 2013-06-19 | 2014-12-24 | Volvo Truck Corporation | A method for a vehicle |
JP2016018526A (ja) * | 2014-07-11 | 2016-02-01 | 株式会社荏原製作所 | 故障診断システム及び故障診断方法 |
CN105547730A (zh) * | 2016-01-17 | 2016-05-04 | 太原理工大学 | 水轮发电机组故障检测*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3764009D1 (de) * | 1986-04-14 | 1990-09-06 | Siemens Ag | Verfahren und vorrichtungen zur erkennung und lokalisierung von schaeden in elektrischen anlagen. |
US7634392B2 (en) * | 2003-11-13 | 2009-12-15 | Southwest Research Institute | Simulation of guided wave reflection signals representing defects in conduits |
JP4496006B2 (ja) * | 2004-05-12 | 2010-07-07 | 株式会社東芝 | 故障候補特定システムおよび故障候補特定方法 |
US7921337B2 (en) * | 2008-05-30 | 2011-04-05 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
FR2971870B1 (fr) * | 2011-02-18 | 2016-02-19 | Snecma | Methode de detection de pannes d'une turbomachine au moyen d'un modele theorique du cycle thermodynamique de ladite turbomachine |
ES2776004T3 (es) * | 2013-03-15 | 2020-07-28 | Kaeser Kompressoren Se | Desarrollo de un modelo superior para el control y/o monitorización de una instalación de compresor |
US10037026B2 (en) | 2014-09-25 | 2018-07-31 | General Electric Company | Systems and methods for fault analysis |
JP6610987B2 (ja) * | 2015-02-18 | 2019-11-27 | 株式会社Ihi | 異常診断方法及び異常診断システム |
-
2018
- 2018-02-28 US US15/907,322 patent/US10845792B2/en active Active
- 2018-03-06 EP EP18160171.7A patent/EP3385804B1/en active Active
- 2018-03-23 CN CN201810244511.6A patent/CN108629077B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135412A (ja) * | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
JP2011107760A (ja) * | 2009-11-12 | 2011-06-02 | Yokogawa Electric Corp | プラント異常検出装置 |
CN101819252A (zh) * | 2009-11-23 | 2010-09-01 | 电子科技大学 | 一种模拟电路故障诊断方法 |
WO2014202100A1 (en) * | 2013-06-19 | 2014-12-24 | Volvo Truck Corporation | A method for a vehicle |
CN105378574A (zh) * | 2013-06-19 | 2016-03-02 | 沃尔沃卡车集团 | 用于车辆的方法 |
JP2016528416A (ja) * | 2013-06-19 | 2016-09-15 | ボルボトラックコーポレーション | 車両のための方法 |
JP2016018526A (ja) * | 2014-07-11 | 2016-02-01 | 株式会社荏原製作所 | 故障診断システム及び故障診断方法 |
CN105547730A (zh) * | 2016-01-17 | 2016-05-04 | 太原理工大学 | 水轮发电机组故障检测*** |
Also Published As
Publication number | Publication date |
---|---|
US10845792B2 (en) | 2020-11-24 |
EP3385804B1 (en) | 2020-07-01 |
EP3385804A1 (en) | 2018-10-10 |
CN108629077A (zh) | 2018-10-09 |
US20180276322A1 (en) | 2018-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huo et al. | Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures | |
Ayo-Imoru et al. | A survey of the state of condition-based maintenance (CBM) in the nuclear power industry | |
JP7340265B2 (ja) | 異常検出装置、異常検出方法、およびプログラム | |
JP6989398B2 (ja) | 故障診断装置、故障診断方法、および故障診断プログラム | |
US11782430B2 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
JP6200833B2 (ja) | プラントと制御装置の診断装置 | |
CN104756029B (zh) | 一种监控设备的部件组的*** | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
JP6783163B2 (ja) | 翼振動監視装置および翼振動監視方法 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN110823576A (zh) | 基于生成对抗网络的机械异常检测方法 | |
US11604447B2 (en) | Condition monitoring system | |
CN108629077B (zh) | 故障诊断装置、监视装置、故障诊断方法以及记录介质 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
CN116992376A (zh) | 用于检测电网中的异常的装置、***和方法 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
EP3712577B1 (en) | Apparatus for equipment monitoring | |
JP2017117034A (ja) | 診断装置及び診断方法 | |
JP5178471B2 (ja) | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
Popescu et al. | Change detection in vibration analysis—A review of problems and solutions | |
EP3819608A1 (en) | Detecting rotor anomalies by determining vibration trends during transient speed operation | |
JP6785715B2 (ja) | 正常異常判別装置、正常異常判別方法、及び正常異常判別システム |
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 |