CN109855873A - 汽轮机大轴的故障诊断方法及装置 - Google Patents
汽轮机大轴的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN109855873A CN109855873A CN201811518908.6A CN201811518908A CN109855873A CN 109855873 A CN109855873 A CN 109855873A CN 201811518908 A CN201811518908 A CN 201811518908A CN 109855873 A CN109855873 A CN 109855873A
- Authority
- CN
- China
- Prior art keywords
- steam turbine
- main shaft
- turbine main
- sensing data
- default
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005452 bending Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 7
- 241000521257 Hydrops Species 0.000 claims description 3
- 206010030113 Oedema Diseases 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000002405 diagnostic procedure Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Control Of Turbines (AREA)
Abstract
本发明提供一种汽轮机大轴的故障诊断方法，包括：获取汽轮机大轴的预设传感器数据；根据预设传感器数据判断汽轮机大轴的运行状态；根据汽轮机大轴的运行状态对汽轮机运行的预设传感器数据的实时参数值与工况下正常运行时的参数值的差值向量进行预处理后得到大轴弯曲故障告警因子；根据大轴弯曲故障告警因子与预设告警阈值的差值判断是否存在至少一种故障原因；根据相应的汽轮机大轴的运行状态对差值向量与故障样本向量进行相似度计算，以确认汽轮机大轴的至少一种故障原因；选取相似度最高的故障样本向量为作当前故障的最大概率的形成原因。本发明提供的诊断方法，通过告警阈值充分考虑参数特征值的变化规律与汽轮机的运行状态，降低误报率。
Description
技术领域
本发明涉及交通工具检测技术领域，具体而言，涉及一种汽轮机大轴 的故障诊断方法及装置。
背景技术
汽轮机大轴弯曲故障会直接导致机组停运，如果大轴产生永久弯曲将 对发电企业造成严重的经济影响。因此，通过对汽轮机实时传感器数据进 行挖掘、分析与处理从而提前发现汽轮机大轴弯曲的早期征兆并准确诊断 出其故障原因的预警诊断***就有了一定的商业价值。
目前对于汽轮机大轴弯曲故障的主要处理方法包括：
1)频域诊断法：应用频谱分析技术，根据频谱特征变化，判别轴系的 状态及故障形成原因；
2)时域分析法：应用时间序列模型及其有关的特征函数判别轴系状态 的变化；
3)模式识别法：利用检测信号提取与状态反映敏感的特征量构成矢量， 设计合适的分类器，判别故障形成原因，即人工智能方法。
目前的汽轮机大轴弯曲故障诊断主要采用两种方法。一种方法是对原 始振动信号进行时域与频域分析，通过专家领域知识人为判断故障，该种 方法过度依赖专家的经验，无法程序化，不利用推广使用。另一种方法是 采用数据驱动的方法，将汽轮机大轴弯曲故障发生前后的传感器数据进行 特征提取，聚类成隐式规则，该种方法由于故障样本数量有限，所形成的 隐式规则很难泛化，因此诊断成功率较低。
发明内容
鉴于上述问题，本发明针对此现状，综合考虑以上两种方法(时域与 频域分析)的优劣，对汽轮机的相关参数进行必要的数据处理，通过计算 处理后数据与故障特征数据间的相似度来间接判定大轴弯曲故障原因的置 信度，从而有效提高故障诊断的准确性。
为了实现上述目的，本发明采用如下的技术方案：
第一方面，本发明提供了一种汽轮机大轴的故障诊断方法，所述故障 诊断方法包括：
由检测模块获取所述汽轮机大轴的预设传感器数据；
根据所述预设传感器数据判断所述汽轮机大轴的运行状态，其中，所 述汽轮机大轴的运行状态至少包括升速状态、降速状态、稳定负荷状态、 升负荷状态或降负荷状态；
根据所述汽轮机大轴的运行状态对所述汽轮机运行的预设传感器数据 的实时参数值与工况下正常运行时的参数值的差值向量进行预处理后得到 大轴弯曲故障告警因子；
根据所述大轴弯曲故障告警因子与预设告警阈值的差值判断所述汽轮 机大轴是否存在至少一种故障原因；
根据相应的所述汽轮机大轴的运行状态对所述差值向量与故障样本向 量进行相似度计算，以确认所述汽轮机大轴的至少一种故障原因；
选取相似度最高的故障样本向量为作当前故障的最大概率的形成原 因。
作为一种可选的实施方式，在所述“由检测***获取所述汽轮机大轴的 预设传感器数据”前，所述故障诊断方法还包括：
设定所述汽轮机大轴的预设传感器数据，所述预设传感器数据包括汽 轮机轴振参数、转子偏心值参数、轴向位移参数、胀差参数、汽轮机上下 缸温差参数及抽汽管道温度参数的其中至少一种。
作为一种可选的实施方式，在所述“由检测模块获取所述汽轮机大轴的 预设传感器数据”中，所述检测模块为监视信息***、分散控制***或汽轮 机监视***。
作为一种可选的实施方式，在所述“根据所述预设传感器数据判断所 述汽轮机大轴的运行状态”中，根据汽轮机缸温、转速变化率、负荷变化 率中的至少一种参数判断所述汽轮机大轴的运行状态。
作为一种可选的实施方式，在所述“根据所述汽轮机大轴的运行状态对 所述汽轮机运行的预设传感器数据的实时参数值与工况下正常运行时的参 数值的差值向量进行预处理后得到大轴弯曲故障告警因子”中，所述故障诊 断方法包括：
根据所述汽轮机大轴的运行状态选定至少一种预设传感器数据；
根据以下公式计算所述差值向量：
B＝(Δv，Δu，Δd，Δe，Δt......)，其中，Δv＝v-vn，Δu＝u-un，Δd＝d-dn， Δe＝e-en，Δt＝t-tn；
vn为该工况下正常运行时的振动值；
un为该工况下正常运行时的偏心值；
dn为该工况下正常运行时的轴向位移值；
en为该工况下正常运行时的胀差值；
tn为该工况下正常运行时的上下缸温差值；
为所述大轴弯曲故障告警因子。
作为一种可选的实施方式，在所述“根据所述大轴弯曲故障告警因子 与预设告警阈值的差值判断所述汽轮机大轴是否存在至少一种故障原因” 中，当所述汽轮机大轴于所述升速状态时，所述预设告警阈值为1.3～1.4； 当所述汽轮机大轴于所述降速状态时，所述预设告警阈值为1.2～1.3；当所 述汽轮机大轴于所述稳定负荷状态时，所述预设告警阈值为1.1～1.2；当所 述汽轮机大轴于所述升负荷状态时，所述预设告警阈值为1.2～1.3；当所述 汽轮机大轴于所述降负荷状态时，所述预设告警阈值为1.25～1.35。
作为一种可选的实施方式，在所述“根据相应的所述汽轮机大轴的运 行状态对所述差值向量与故障样本向量进行相似度，以确认所述汽轮机大 轴的至少一种故障原因”中，所述故障原因包括轴系碰磨、空心转子中积 液或汽轮机水冲击的其中至少一。
第二方面，本发明提供了一种汽轮机大轴的故障诊断装置，应用于汽 轮机大轴的故障诊断方法，所述故障诊断装置包括：
检测模块，所述检测模块获取所述汽轮机大轴的预设传感器数据；
判断模块，所述判断模块根据所述预设传感器数据判断所述汽轮机大 轴的运行状态，其中，所述汽轮机大轴的运行状态至少包括升速状态、降 速状态、稳定负荷状态、升负荷状态或降负荷状态；
预处理模块，所述预处理模块根据所述汽轮机大轴的运行状态对所述 汽轮机运行的预设传感器数据的实时参数值与工况下正常运行时的参数值 的差值向量进行预处理后得到大轴弯曲故障告警因子；
故障模块，所述故障模块根据所述大轴弯曲故障告警因子与预设告警 阈值的差值判断所述汽轮机大轴是否存在至少一种故障原因；
确认模块，所述确认模块根据相应的所述汽轮机大轴的运行状态对所 述差值向量与故障样本向量进行相似度，以确认所述汽轮机大轴的至少一 种故障原因；
选取模块，所述选取模块选取相似度最高的故障样本向量为作当前故 障的最大概率的形成原因。
作为一种可选的实施方式，所述故障诊断装置还包括：
设定模块，所述设定模块设定所述汽轮机大轴的预设传感器数据，所 述预设传感器数据包括汽轮机轴振参数、转子偏心值参数、轴向位移参数、 胀差参数、汽轮机上下缸温差参数及抽汽管道温度参数的其中至少一种。
根据本发明的又一个实施方式，提供一种计算机终端，包括存储器以 及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机 程序以使所述计算机终端执行根据上述的防盗管理方法。
根据本发明的又一个实施方式，提供一种计算机可读存储介质，其存 储有上述的计算机终端中所使用的所述计算机程序。
根据本发明提供一种汽轮机大轴的故障诊断方法及装置。故障诊断方 法包括：获取汽轮机大轴的预设传感器数据；根据预设传感器数据判断汽 轮机大轴的运行状态；根据汽轮机大轴的运行状态对汽轮机运行的预设传 感器数据的实时参数值与工况下正常运行时的参数值的差值向量进行预处 理后得到大轴弯曲故障告警因子；根据大轴弯曲故障告警因子与预设告警 阈值的差值判断汽轮机大轴是否存在至少一种故障原因；根据相应的汽轮 机大轴的运行状态对差值向量与故障样本向量进行相似度计算，以确认汽 轮机大轴的至少一种故障原因；选取相似度最高的故障样本向量为作当前 故障的最大概率的形成原因。本发明提供的诊断方法，通过告警阈值充分 考虑参数特征值的变化规律与汽轮机的运行状态，降低误报率。可见，实 施本发明的技术方案能够根据汽轮机的运行状态进行分类，采用对故障敏 感的参数特征值进行大轴弯曲故障告警因子计算。另外，本发明采用差值 向量与故障样本向量进行相似度计算时，充分考虑了不同原因产生故障时 的样本向量各参数的权重，原因诊断更为准确，用相似度值代替诊断置信 度值更为科学与合理。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实 施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需 要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些 实施例，因此不应被看作是对本发明范围的限定。
图1是本发明实施例1提供的汽轮机大轴的故障诊断方法的流程示意 图；
图2是本发明实施例2提供的汽轮机大轴的故障诊断方法的流程示意 图；
图3是本发明实施例3提供的汽轮机大轴的故障诊断装置的方块示意 图。
主要元件符号说明：
300-故障诊断装置；301-检测模块；303-判断模块；305-预处理模块； 307-故障模块；309-确认模块；311-选取模块；313-设定模块。
具体实施方式
下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示 相同或类似的元件或具有相同或类似功能的元件。
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于 限定本发明。
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组 件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本 发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅 仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护 的范围。
实施例1
请参阅图1，图1是本发明实施例1提供图1是本发明实施例1提供的 汽轮机大轴的故障诊断方法(以下简称“故障诊断方法”)的流程示意图。如 图1所示，故障诊断方法包括以下步骤：
S02、由检测模块获取汽轮机大轴的预设传感器数据。
汽轮机是一种旋转式蒸汽动力装置，高温高压蒸汽穿过固定喷嘴成为 加速的气流后喷射到叶片上，使装有叶片排的转子旋转，同时对外做功， 作为火力发电厂的主要设备。大致来说，汽轮机包括单级汽轮机和多级汽 轮机。各级汽轮机装在一个汽缸内的单缸汽轮机，和各级汽轮机分装在几 个汽缸内的多缸汽轮机。各级汽轮机装在一根轴上的单轴汽轮机，和各级 汽轮机装在两根平行轴上的双轴汽轮机。例如，汽轮机的联轴器(可视为大轴)用来连接汽轮机各个转子以及发电机转子，并将汽轮机的扭矩传给 发电机，并在运行时检测预设传感器数据。
在一实施例中，本发明通过分散控制***(Distributed Control system)、监视信息***(Supervisory Informntion System)或汽轮机监视系 统(Turbine SupervisoryInstrumentation)以自动模式或手动模式获取汽轮机 大轴的预设传感器数据。其中，分散控制***是以微处理器为基础的集中 分散型控制***。监视信息***是收集过程实时监测、优化控制及生产过 程管理为一体的厂级自动化信息***。
S03、根据预设传感器数据判断汽轮机大轴的运行状态，其中，汽轮机 大轴的运行状态至少包括升速状态、降速状态、稳定负荷状态、升负荷状 态或降负荷状态。
在一实施例中，可以根据汽轮机缸温、转速变化率、负荷变化率中的 至少一种参数判断汽轮机大轴的运行状态。例如，转速变化率为正值时， 汽轮机大轴的运行状态为升速状态；转速变化率为负值时，汽轮机大轴的 运行状态为降速状态；负荷变化率为为零时，汽轮机大轴的运行状态为稳 定负荷状态；负荷变化率为为正值时，汽轮机大轴的运行状态为升负荷状 态；负荷变化率为为负值时，汽轮机大轴的运行状态为降负荷状态。
S04根据汽轮机大轴的运行状态对汽轮机运行的预设传感器数据的实 时参数值与工况下正常运行时的参数值的差值向量进行预处理后得到大轴 弯曲故障告警因子。
在一实施例中，本发明利用在特定运行状态所获取到的预设传感器数 据的实时参数值与工况下正常运行时的参数值进行差值运算得到差值向 量，再对差值向量进行预处理得到大轴弯曲故障告警因子。以下为理论公 式集举例说明：
根据汽轮机大轴的运行状态选定至少一种预设传感器数据，在一实施 例中，选定振动值、偏心值、轴向位移值、胀差值及上下缸温差值作为根 据以下公式计算差值向量的预设传感器数据(可视为故障反映敏感的参 数)，本发明不以此为限制；
根据以下公式计算差值向量：
B＝(Δv，Δu，Δd，Δe，Δt......)，其中，Δv＝v-vn，Δu＝u-un，Δd＝d-dn， Δe＝e-en，Δt＝t-tn；
vn为该工况下正常运行时的振动值，v为获取到的预设传感器数据的振 动值；
un为该工况下正常运行时的偏心值，u为获取到的预设传感器数据的偏 心值；
dn为该工况下正常运行时的轴向位移值，d为获取到的预设传感器数据 的轴向位移值；
en为该工况下正常运行时的胀差值，e为获取到的预设传感器数据的胀 差值；
tn为该工况下正常运行时的上下缸温差值，t为获取到的预设传感器数 据的上下缸温差值；
为大轴弯曲故障告警因子。
S05、根据大轴弯曲故障告警因子与预设告警阈值的差值判断汽轮机大 轴是否存在至少一种故障原因；
在一实施例中，当汽轮机大轴于升速状态时，预设告警阈值为1.3～1.4； 当汽轮机大轴于所述降速状态时，预设告警阈值为1.2～1.3；当汽轮机大轴 于稳定负荷状态时，预设告警阈值为1.1～1.2；当汽轮机大轴于升负荷状态 时，预设告警阈值为1.2～1.3；当汽轮机大轴于所述降负荷状态时，预设告 警阈值为1.25～1.35。
例如，为预设告警阈值，为运行状态计算常数，计算程序为：
int m，“m为选用参数的数量”；
Dim B(1 To m)As float；
a＝B(1)；
b＝B(2)；
for(i＝2；i≤m；i++)；
a＝w，b＝B(i)；}；
S06、根据相应的汽轮机大轴的运行状态对差值向量与故障样本向量进 行相似度计算，以确认汽轮机大轴的至少一种故障原因。
在一实施例中，故障原因包括轴系碰磨、空心转子中积液或汽轮机水 冲击的其中至少一。
S07选取相似度最高的故障样本向量为作当前故障的最大概率的形成 原因。
实施例2
请参阅图2，图2是本发明实施例2提供图2是本发明实施例2提供的 汽轮机大轴的故障诊断方法(以下简称“故障诊断方法”)的流程示意图。 S02～S07请参阅实施例1的说明。如图2所示，故障诊断方法包括以下步 骤：
S01设定汽轮机大轴的预设传感器数据，预设传感器数据包括汽轮机轴 振参数、转子偏心值参数、轴向位移参数、胀差参数、汽轮机上下缸温差 参数及抽汽管道温度参数的其中至少一种。
实施例3
请参阅图3，图3是本发明实施例3提供的汽轮机大轴的故障诊断装置 (以下简称“故障诊断装置”)的方块示意图。
如图3所示，故障诊断装置300，包括：
检测模块301，检测模块301获取汽轮机大轴的预设传感器数据；
判断模块303，判断模块303根据预设传感器数据判断汽轮机大轴的运 行状态，其中，汽轮机大轴的运行状态至少包括升速状态、降速状态、稳 定负荷状态、升负荷状态或降负荷状态；
预处理模块305，预处理模块305根据汽轮机大轴的运行状态对汽轮机 运行的预设传感器数据的实时参数值与工况下正常运行时的参数值的差值 向量进行预处理后得到大轴弯曲故障告警因子；
故障模块307，故障模块307根据大轴弯曲故障告警因子与预设告警阈 值的差值判断汽轮机大轴是否存在至少一种故障原因；
确认模块309，确认模块309根据相应的汽轮机大轴的运行状态对差值 向量与故障样本向量进行相似度计算，以确认汽轮机大轴的至少一种故障 原因；
选取模块311，选取模块311选取相似度最高的故障样本向量为作当前 故障的最大概率的形成原因；
设定模块313，设定模块313设定汽轮机大轴的预设传感器数据，预设 传感器数据包括汽轮机轴振参数、转子偏心值参数、轴向位移参数、胀差 参数、汽轮机上下缸温差参数及抽汽管道温度参数的其中至少一种。
此外，本发明还提供了一种计算机终端，包括存储器以及处理器，该 终端设备可以包括智能电话、平板电脑、台式计算机、便携式计算机等。 该终端设备包括存储器和处理器，存储器可用于存储计算机程序，处理器 通过运行所述计算机程序，从而使终端设备执行上述诊断方法或者上述诊 断装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操 作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功 能等)等；存储数据区可存储根据终端设备的使用所创建的数据(比如音 频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还 可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其 他易失性固态存储器件。
本实施例还提供了一种计算机存储介质，用于储存上述计算机终端中 使用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法， 也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的， 例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上， 流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分， 所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注 的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框 实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所 涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及 结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用 的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形 成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模 块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使 用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发 明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储 介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人 计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM， Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、 磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可 轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种汽轮机大轴的故障诊断方法，其特征在于，所述故障诊断方法包括：
由检测模块获取汽轮机大轴的预设传感器数据；
根据所述预设传感器数据判断所述汽轮机大轴的运行状态，其中，所述汽轮机大轴的运行状态至少包括升速状态、降速状态、稳定负荷状态、升负荷状态或降负荷状态；
根据所述汽轮机大轴的运行状态对所述汽轮机运行的预设传感器数据的实时参数值与工况下正常运行时的参数值的差值向量进行预处理后得到大轴弯曲故障告警因子；
根据所述大轴弯曲故障告警因子与预设告警阈值的差值判断所述汽轮机大轴是否存在至少一种故障原因；
根据相应的所述汽轮机大轴的运行状态对所述差值向量与故障样本向量进行相似度计算，以确认所述汽轮机大轴的至少一种故障原因；
选取相似度最高的故障样本向量为作当前故障的最大概率的形成原因。
2.根据权利要求1所述的汽轮机大轴的故障诊断方法，其特征在于，在所述“由检测***获取所述汽轮机大轴的预设传感器数据”前，所述故障诊断方法还包括：
设定所述汽轮机大轴的预设传感器数据，所述预设传感器数据包括汽轮机轴振参数、转子偏心值参数、轴向位移参数、胀差参数、汽轮机上下缸温差参数及抽汽管道温度参数的其中至少一种。
3.根据权利要求1所述的汽轮机大轴的故障诊断方法，其特征在于，在所述“由检测模块获取所述汽轮机大轴的预设传感器数据”中，所述检测模块为监视信息***、分散控制***或汽轮机监视***。
4.根据权利要求1所述的汽轮机大轴的故障诊断方法，其特征在于，在所述“根据所述预设传感器数据判断所述汽轮机大轴的运行状态”中，根据汽轮机缸温、转速变化率、负荷变化率中的至少一种参数判断所述汽轮机大轴的运行状态。
5.根据权利要求1所述的汽轮机大轴的故障诊断方法，其特征在于，在所述“根据所述汽轮机大轴的运行状态对所述汽轮机运行的预设传感器数据的实时参数值与工况下正常运行时的参数值的差值向量进行预处理后得到大轴弯曲故障告警因子”中，所述故障诊断方法包括：
根据所述汽轮机大轴的运行状态选定至少一种预设传感器数据；
根据以下公式计算所述差值向量：
B＝(Δv,Δu,Δd,Δe,Δt……)，其中，Δv＝v-vn，Δu＝u-un，Δd＝d-dn，Δe＝e-en，Δt＝t-tn；
vn为该工况下正常运行时的振动值；
un为该工况下正常运行时的偏心值；
dn为该工况下正常运行时的轴向位移值；
en为该工况下正常运行时的胀差值；
tn为该工况下正常运行时的上下缸温差值；
为所述大轴弯曲故障告警因子。
6.根据权利要求1所述的汽轮机大轴的故障诊断方法，其特征在于，在所述“根据所述大轴弯曲故障告警因子与预设告警阈值的差值判断所述汽轮机大轴是否存在至少一种故障原因”中，当所述汽轮机大轴于所述升速状态时，所述预设告警阈值为1.3～1.4；当所述汽轮机大轴于所述降速状态时，所述预设告警阈值为1.2～1.3；当所述汽轮机大轴于所述稳定负荷状态时，所述预设告警阈值为1.1～1.2；当所述汽轮机大轴于所述升负荷状态时，所述预设告警阈值为1.2～1.3；当所述汽轮机大轴于所述降负荷状态时，所述预设告警阈值为1.25～1.35。
7.根据权利要求1所述的汽轮机大轴的故障诊断方法，其特征在于，在所述“根据相应的所述汽轮机大轴的运行状态对所述差值向量与故障样本向量进行相似度，以确认所述汽轮机大轴的至少一种故障原因”中，所述故障原因包括轴系碰磨、空心转子中积液或汽轮机水冲击的其中至少一。
8.一种汽轮机大轴的故障诊断装置，应用于汽轮机大轴的故障诊断方法，其特征在于，所述故障诊断装置包括：
检测模块，所述检测模块获取所述汽轮机大轴的预设传感器数据；
判断模块，所述判断模块根据所述预设传感器数据判断所述汽轮机大轴的运行状态，其中，所述汽轮机大轴的运行状态至少包括升速状态、降速状态、稳定负荷状态、升负荷状态或降负荷状态；
预处理模块，所述预处理模块根据所述汽轮机大轴的运行状态对所述汽轮机运行的预设传感器数据的实时参数值与工况下正常运行时的参数值的差值向量进行预处理后得到大轴弯曲故障告警因子；
故障模块，所述故障模块根据所述大轴弯曲故障告警因子与预设告警阈值的差值判断所述汽轮机大轴是否存在至少一种故障原因；
确认模块，所述确认模块根据相应的所述汽轮机大轴的运行状态对所述差值向量与故障样本向量进行相似度，以确认所述汽轮机大轴的至少一种故障原因；
选取模块，所述选取模块选取相似度最高的故障样本向量为作当前故障的最大概率的形成原因。
9.根据权利要求8所述的汽轮机大轴的故障诊断装置，其特征在于，所述故障诊断装置还包括：
设定模块，所述设定模块设定所述汽轮机大轴的预设传感器数据，所述预设传感器数据包括汽轮机轴振参数、转子偏心值参数、轴向位移参数、胀差参数、汽轮机上下缸温差参数及抽汽管道温度参数的其中至少一种。
10.一种计算机终端，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机终端执行根据权利要求1至7中任一项所述的汽轮机大轴的故障诊断方法。
11.一种计算机可读存储介质，其特征在于，其存储有权利要求10所述的计算机终端中所使用的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811518908.6A CN109855873B (zh) | 2018-12-12 | 2018-12-12 | 汽轮机大轴的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811518908.6A CN109855873B (zh) | 2018-12-12 | 2018-12-12 | 汽轮机大轴的故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109855873A true CN109855873A (zh) | 2019-06-07 |
| CN109855873B CN109855873B (zh) | 2021-02-05 |
Family
ID=66891105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811518908.6A Active CN109855873B (zh) | 2018-12-12 | 2018-12-12 | 汽轮机大轴的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109855873B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110617981A (zh) * | 2019-09-16 | 2019-12-27 | 江苏方天电力技术有限公司 | 一种调相机故障诊断方法 |
| CN111332809A (zh) * | 2020-03-18 | 2020-06-26 | 华润电力技术研究院有限公司 | 一种协调盘煤仪和斗轮机的堆取料控制方法及*** |
| CN114034476A (zh) * | 2021-11-17 | 2022-02-11 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
| CN114813105A (zh) * | 2022-04-11 | 2022-07-29 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19723728C2 (de) * | 1996-05-31 | 2000-03-02 | Yamatake Corp | Verfahren und Vorrichtung zur Ermittlung von Haft-Gleit-Bewegungen |
| DE19855745A1 (de) * | 1998-12-03 | 2000-08-03 | Medav Digitale Signalverarbeit | Verfahren zur Fehlerdiagnose und zur Qualitätsbewertung (Rating) von rotierenden Maschinen am Serienprüfstand |
| CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
| CN101393049A (zh) * | 2008-08-25 | 2009-03-25 | 北京天源科创风电技术有限责任公司 | 风力发电机组振动监测及故障诊断的方法 |
| CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
| CN102829967A (zh) * | 2012-08-27 | 2012-12-19 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
| CN103321839A (zh) * | 2012-03-20 | 2013-09-25 | 华锐风电科技(集团)股份有限公司 | 风机振动监测方法及***、风机监控器 |
| CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
| CN103940611A (zh) * | 2014-04-09 | 2014-07-23 | 中国水利水电科学研究院 | 一种风电机组变工况下滚动轴承自适应异常检测方法 |
| CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
| CN106525415A (zh) * | 2016-10-25 | 2017-03-22 | 华北电力科学研究院有限责任公司 | 一种风电机组传动链健康状态评价***及方法 |
| CN107036819A (zh) * | 2017-05-02 | 2017-08-11 | 大唐东北电力试验研究所有限公司 | 多参数修正的汽轮发电机组远程振动故障诊断方法及*** |
| CN108021774A (zh) * | 2017-12-28 | 2018-05-11 | 华润电力技术研究院有限公司 | 数据处理方法以及装置 |
| CN108627345A (zh) * | 2018-05-11 | 2018-10-09 | 浙江师范大学 | 一种汽轮机***级故障的诊断方法及*** |
| CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
| CN109163919A (zh) * | 2018-09-05 | 2019-01-08 | 中国科学院上海高等研究院 | 一种机械运行故障监测***、方法、可读存储介质及终端 |
-
2018
- 2018-12-12 CN CN201811518908.6A patent/CN109855873B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19723728C2 (de) * | 1996-05-31 | 2000-03-02 | Yamatake Corp | Verfahren und Vorrichtung zur Ermittlung von Haft-Gleit-Bewegungen |
| DE19855745A1 (de) * | 1998-12-03 | 2000-08-03 | Medav Digitale Signalverarbeit | Verfahren zur Fehlerdiagnose und zur Qualitätsbewertung (Rating) von rotierenden Maschinen am Serienprüfstand |
| CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
| CN101393049A (zh) * | 2008-08-25 | 2009-03-25 | 北京天源科创风电技术有限责任公司 | 风力发电机组振动监测及故障诊断的方法 |
| CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
| CN103321839A (zh) * | 2012-03-20 | 2013-09-25 | 华锐风电科技(集团)股份有限公司 | 风机振动监测方法及***、风机监控器 |
| CN102829967A (zh) * | 2012-08-27 | 2012-12-19 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
| CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
| CN103940611A (zh) * | 2014-04-09 | 2014-07-23 | 中国水利水电科学研究院 | 一种风电机组变工况下滚动轴承自适应异常检测方法 |
| CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
| CN106525415A (zh) * | 2016-10-25 | 2017-03-22 | 华北电力科学研究院有限责任公司 | 一种风电机组传动链健康状态评价***及方法 |
| CN107036819A (zh) * | 2017-05-02 | 2017-08-11 | 大唐东北电力试验研究所有限公司 | 多参数修正的汽轮发电机组远程振动故障诊断方法及*** |
| CN108021774A (zh) * | 2017-12-28 | 2018-05-11 | 华润电力技术研究院有限公司 | 数据处理方法以及装置 |
| CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
| CN108627345A (zh) * | 2018-05-11 | 2018-10-09 | 浙江师范大学 | 一种汽轮机***级故障的诊断方法及*** |
| CN109163919A (zh) * | 2018-09-05 | 2019-01-08 | 中国科学院上海高等研究院 | 一种机械运行故障监测***、方法、可读存储介质及终端 |
Non-Patent Citations (3)
| Title |
|---|
| JIN WENLONG: "Statistics and analysis on power transformer damages caused by short circuit fault in 110KV and higher voltage classes", 《POWER SYSTEM TECHNOLOGY》 * |
| 吴庆生: "汽轮机大轴弯曲诊断及其防范措施探讨", 《电力科学与工程》 * |
| 胡利辉: "汽轮机大轴弯曲的诊断与分析", 《内蒙古科技与经济》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110617981A (zh) * | 2019-09-16 | 2019-12-27 | 江苏方天电力技术有限公司 | 一种调相机故障诊断方法 |
| CN110617981B (zh) * | 2019-09-16 | 2021-06-15 | 江苏方天电力技术有限公司 | 一种调相机故障诊断方法 |
| CN111332809A (zh) * | 2020-03-18 | 2020-06-26 | 华润电力技术研究院有限公司 | 一种协调盘煤仪和斗轮机的堆取料控制方法及*** |
| CN111332809B (zh) * | 2020-03-18 | 2021-12-07 | 华润电力技术研究院有限公司 | 一种协调盘煤仪和斗轮机的堆取料控制方法及*** |
| CN114034476A (zh) * | 2021-11-17 | 2022-02-11 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
| CN114034476B (zh) * | 2021-11-17 | 2022-06-14 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
| CN114813105A (zh) * | 2022-04-11 | 2022-07-29 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
| CN114813105B (zh) * | 2022-04-11 | 2023-04-28 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109855873B (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109855873A (zh) | 汽轮机大轴的故障诊断方法及装置 | |
| Wang et al. | Multilevel information fusion for induction motor fault diagnosis | |
| CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
| CN108520080B (zh) | 船舶柴油发电机故障预测与健康状态在线评估***及方法 | |
| US20210140851A1 (en) | System and method for automatic diagnosis of power generation facility | |
| Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
| US5625574A (en) | Method and data processing system for monitoring operating states of a technical plant | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN110704964B (zh) | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 | |
| CN109657982A (zh) | 一种故障预警方法及装置 | |
| KR102206737B1 (ko) | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 | |
| Yan et al. | Multi-branch convolutional neural network with generalized shaft orbit for fault diagnosis of active magnetic bearing-rotor system | |
| CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及*** | |
| CN110361193A (zh) | 用于风力发电机组变桨轴承故障识别的方法 | |
| CN107767056A (zh) | 一种用于电站磨煤机的状态监控与健康管理*** | |
| CN108319780A (zh) | 基于数据驱动的电气牵引***故障检测方法 | |
| CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
| CN110007660B (zh) | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 | |
| CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
| EP3805557A1 (en) | Wind power generation system | |
| EP3303835B1 (en) | Method for windmill farm monitoring | |
| CN207660778U (zh) | 风力发电机组状态监测*** | |
| CN109751197A (zh) | 风力发电机组状态监测*** | |
| Randrianandraina et al. | Wind turbine generator bearing anomaly detection and explanation using rrcf approach | |
| CN220434942U (zh) | 一种风电机组全景故障诊断*** |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240403 Address after: 518066 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee after: Shenzhen goes out new knowledge property right management Co.,Ltd. Country or region after: China Address before: 523000 Room 302, building 18, songkeyuan, Songshanhu high tech Industrial Development Zone, Dongguan City, Guangdong Province Patentee before: CR POWER TECHNOLOGY INSTITUTE Co.,Ltd. Country or region before: China |