CN114564839A - 一种汽轮机振动故障风险的评价方法及*** - Google Patents
一种汽轮机振动故障风险的评价方法及*** Download PDFInfo
- Publication number
- CN114564839A CN114564839A CN202210199196.6A CN202210199196A CN114564839A CN 114564839 A CN114564839 A CN 114564839A CN 202210199196 A CN202210199196 A CN 202210199196A CN 114564839 A CN114564839 A CN 114564839A
- Authority
- CN
- China
- Prior art keywords
- degree
- vibration fault
- steam turbine
- fault
- typical vibration
- 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 35
- 230000006378 damage Effects 0.000 claims abstract description 135
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 230000006866 deterioration Effects 0.000 claims abstract description 23
- 238000012502 risk assessment Methods 0.000 claims abstract description 18
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 238000006731 degradation reaction Methods 0.000 claims abstract description 9
- 239000000126 substance Substances 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明实施例提供一种汽轮机振动故障风险的评价方法及***,包括:对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D‑S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。考虑汽轮机振动故障危害程度、振动幅值劣化度及振动故障发生可能性,体现汽轮机振动故障风险水平的动态变化,使得故障风险评价结果更加科学。
Description
技术领域
本发明涉及复杂设备故障风险评价技术领域,尤其涉及一种汽轮机振动故障风险评价方法及***。
背景技术
汽轮机是一种大型旋转设备,其造价昂贵、结构复杂、自动化程度高、运行状况多变,不可避免的会发生各类振动故障,科学地评价汽轮机振动故障风险水平,能够有效指导汽轮机运维工作的开展。
申请人发现现有技术中至少存在如下问题:汽轮机振动故障风险评价过程中未考虑风险水平的动态变化。
发明内容
本发明实施例提供一种汽轮机振动故障风险的评价方法及***,考虑汽轮机振动故障危害程度、振动幅值劣化度及振动故障发生可能性,体现汽轮机振动故障风险水平的动态变化,使得故障风险评价结果更加科学。
为达上述目的,一方面,本发明实施例提供一种汽轮机振动故障风险的评价方法,包括:
对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;
确定汽轮机典型振动故障风险评语集;
当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;
将各典型振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。
另一方面,本发明实施例还提供一种汽轮机振动故障风险的评价***,包括:
危害程度确定单元,用于对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;
风险评语集确定单元,用于确定汽轮机典型振动故障风险评语集;
故障初步确定单元,用于当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;
故障终极确定单元,用于将各典型振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。
上述技术方案具有如下有益效果:考虑汽轮机振动故障危害程度、振动幅值劣化度及振动故障发生可能性,体现汽轮机振动故障风险水平的动态变化,使得故障风险评价结果更加科学。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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是本发明实施例提供的汽轮机振动故障风险评价方法的流程图;
图2是本发明实施例提供的汽轮机振动故障风险评价***的结构图;
图3是本发明实施例提供的汽轮机振动故障危害程度评分值的流程图;
图4为本发明实施例提供的汽轮机振动故障风险模糊评价方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
如图1所示,结合本发明的实施例提供一种汽轮机振动故障风险的评价方法,包括:
S101:对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;
S102:确定汽轮机典型振动故障风险评语集;
S103:当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;
S104:将各典型振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。
优选地,所述每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见包括:典型振动故障的危害程度的评分值、典型振动故障的危害程度的标准化相对权重水平、以及每个评分值的基本信度;
在步骤101中,如图3所示,所述对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见,具体包括:
假设有K个专家(E1,E2,…,EK);
针对每个汽轮机典型振动故障,每个专家分别确定该典型振动故障的危害程度的评分值,通过所有专家的评分值形成该典型振动故障的危害程度的评分值的识别空间表示为:
θ=(Cmin,Cmin+1,...,Cmax)
其中,Cmin表示该典型振动故障的危害程度的最小评分值,Cmax表示该典型振动故障的危害程度的最大评分值;
比如:对于某故障危害程度分值的识别空间可以表示为θ=(1,2,3,4,5,6,7,8,9,10),其中,1、2、3、4、5、6、7、8、9、10表示该种汽轮机典型振动故障的危害程度分值,评分(分值)越高代表风险越大。
针对该典型振动故障,每个专家给出每个典型振动故障的危害程度的标准化相对权重水平,将该典型振动故障的危害程度的标准化相对权重水平表示为:
w=(w1,w2,…,wj,wK)
其中,j=1,2,…,K,j表示第j个典型振动故障,wj表示第j个专家给出的该典型振动故障的危害程度的标准化相对权重,0≤wj≤1,针对该汽轮机典型振动故障,所有专家的标准化相对权重之和为1;
针对该典型振动故障,在每个专家确定该典型振动故障的危害程度的评分值的同时,给出每个评分值的基本信度mj(C)。
优选地,在步骤101中,所述针对汽轮机每个典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度,具体包括:
针对该典型振动故障,根据所有专家对该典型振动故障的危害程度的评分值、每个评分值的基本信度mj(C),得到每个专家对该典型振动故障的危害程度的评分值的修正基本信度表示为:
wj表示该典型振动故障的危害程度的标准化相对权重水平;
mj(C)表示未考虑标准化相对权重的危害程度的评分值的基本信度;
C代表该典型振动故障的危害程度的某个评分值;
依次类推,如果专家人数多于两人,依次将其余每个专家对该典型振动故障的危害程度的评分值的修正基本信度与前一合成值进行合成,得到该典型振动故障的危害程度的评分值的综合信度;
根据该典型振动故障的危害程度的评分值的综合信度,计算得到该典型振动故障的最终评分值:
其中,L表示该典型振动故障的最终评分值;
q表示振动故障的危害程度的评分值的数目,1≤q≤10;
Mk为采用D-S理论融合所有专家意见的第k个评分值的综合可信度;
Ck为第k个评分值;
通过该典型振动故障的最终评分值评价该典型振动故障的危害程度。
优选地,在步骤103中,所述当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,具体包括:
当汽轮机发生振动异常时,汽轮机振动幅值劣化度的计算式表示为:
其中,xm表示振动幅值的实测值,x0表示振动幅值的基准值,xmax表示振动幅值的停机值。
优选地,在步骤103中,所述当汽轮机发生振动异常时,确定汽轮机各典型振动故障发生的可能性,具体包括:
根据专家评估或者智能推理算法得到汽轮机典型振动故障发生的可能性;汽轮机典型振动故障发生的可能性是指每种典型振动故障发生的概率。
步骤102,具体包括:
将汽轮机典型振动故障风险评语集确定5个风险等级,5个风险等级分别为“很低”、“低”、“中等”、“高”、“很高”;
步骤104,如图4所示,具体包括:
S1041:选择合适的模糊隶属度函数,根据所选择的模糊隶属度函数分别确定每种评价指标隶属于典型振动故障的风险评语集内各个风险等级的隶属度;
S1042:确定每种评价指标在汽轮机典型振动故障风险水平的权重,利用权重采用加权平均方法确定每个典型振动故障的5个风险等级的综合隶属度,根据综合隶属度采取隶属度最大原则确定每个典型振动故障的风险水平。
其中,隶属度是一个数字,取值区间为[0,1];隶属度A(x)越接近于1,表示x属于A的程度越高,A(x)越接近于0表示x属于A的程度越低。
如图2所示,结合本发明的实施例,提供一种汽轮机振动故障风险的评价***,包括:
危害程度确定单元21,用于对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;
风险评语集确定单元22,用于确定汽轮机典型振动故障风险评语集;
故障初步确定单元23,用于当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;
故障终极确定单元24,用于将各典型振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。
优选地,所述每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见包括:典型振动故障的危害程度的评分值、典型振动故障的危害程度的标准化相对权重水平、以及每个评分值的基本信度;
所述危害程度确定单元21包括危害程度意见子单元211,所述危害程度意见子单元211,具体用于:
假设有K个专家(E1,E2,…,EK);
针对每个汽轮机典型振动故障,每个专家分别确定该典型振动故障的危害程度的评分值,通过所有专家的评分值形成该典型振动故障的危害程度的评分值的识别空间表示为:
θ=(CminiCmin+1,...,Cmax)
其中,Cmin表示该典型振动故障的危害程度的最小评分值,Cmax表示该典型振动故障的危害程度的最大评分值;
针对该典型振动故障,每个专家给出每个典型振动故障的危害程度的标准化相对权重水平,将该典型振动故障的危害程度的标准化相对权重水平表示为:
w=(w1,w2,…,wj,wK)
其中,j=1,2,…,K,j表示第j个典型振动故障,wj表示第j个专家给出的该典型振动故障的危害程度的标准化相对权重,0≤wj≤1,针对该汽轮机典型振动故障,所有专家的标准化相对权重之和为1;
针对该典型振动故障,在每个专家确定该典型振动故障的危害程度的评分值的同时,给出每个评分值的基本信度mj(C)。
优选地,所述危害程度确定单元21包括危害程度确定子单元212,所述危害程度确定子单元212,具体用于:
针对该典型振动故障,根据所有专家对该典型振动故障的危害程度的评分值、每个评分值的基本信度mj(C),得到每个专家对该典型振动故障的危害程度的评分值的修正基本信度表示为:
wj表示该典型振动故障的危害程度的标准化相对权重水平;
mj(C)表示未考虑标准化相对权重的危害程度的评分值的基本信度;
C代表该典型振动故障的危害程度的某个评分值;
依次类推,如果专家人数多于两人,依次将其余每个专家对该典型振动故障的危害程度的评分值的修正基本信度与前一合成值进行合成,得到该典型振动故障的危害程度的评分值的综合信度;
根据该典型振动故障的危害程度的评分值的综合信度,计算得到该典型振动故障的最终评分值:
其中,L表示该典型振动故障的最终评分值;
q表示振动故障的危害程度的评分值的数目,1≤q≤10;
Mk为采用D-S理论融合所有专家意见的第k个评分值的综合可信度;
Ck为第k个评分值;
通过该典型振动故障的最终评分值评价该典型振动故障的危害程度。
优选地,所述故障初步确定单元23包括第一因素子单元231,所述第一因素子单元231,具体用于:
当汽轮机发生振动异常时,汽轮机振动幅值劣化度的计算式表示为:
其中,xm表示振动幅值的实测值,x0表示振动幅值的基准值,xmax表示振动幅值的停机值。
优选地,所述故障初步确定单元23包括第二因素子单元232,所述第二因素子单元232具体用于:
根据专家评估或者智能推理算法得到汽轮机典型振动故障发生的可能性;
所述风险评语集确定单元22,具体用于:
将汽轮机典型振动故障风险评语集确定5个风险等级,5个风险等级分别为“很低”、“低”、“中等”、“高”、“很高”;
所述故障终极确定单元24,包括:
隶属度确定子单元241,用于选择合适的模糊隶属度函数,根据所选择的模糊隶属度函数分别确定每种评价指标隶属于典型振动故障的风险评语集内各个风险等级的隶属度;
故障终极确定子单元242,用于确定每种评价指标在汽轮机典型振动故障风险水平的权重,利用权重采用加权平均方法确定每个典型振动故障的5个风险等级的综合隶属度,根据综合隶属度采取隶属度最大原则确定每个典型振动故障的风险水平。
本发明的汽轮发电机振动故障判断的方法及***所取得有益效果为:综合考虑汽轮机振动故障危害程度、振动幅值劣化度以及振动故障发生可能性,体现了风险水平的动态变化,使得汽轮机振动故障风险评价结果更加科学。
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明,实施过程中没有介绍到的技术细节,可以参考前文的相关描述。
本发明实施例提供了一种汽轮机振动故障风险评价方法,方法包括以下步骤:采用D-S证据理论融合多专家意见,得到汽轮机振发生的可能性;确定汽轮机振动故障风险评语集,将故障危害程度、振动幅值劣化度以及故障发生可能性作为评价指标,采用模糊评价方法得到汽轮机振动故障风险评语。本发明能够更加科学的对振动故障风险进行定量评价,能更好的指导汽轮机运维。
本发明综合考虑汽轮机振动故障危害程度、振动幅值劣化度以及振动故障发生可能性,体现了风险水平的动态变化,使得汽轮机振动故障风险评价结果更加科学。
实施例1:
某汽轮机低压缸5Y振动通频幅值跳机保护值为254μm,基准值A0=73.75μm,运行中发生了振动异常现象,振动通频幅值达到99.40μm,基于此案例展示所提出的汽轮机振动故障风险评价方法。
表1可能发生的振动故障及其可能性
故障编号 | 故障名称 | 故障模式发生可能性 |
F01 | 轴向碰磨 | 0.5 |
F02 | 转轴与汽封碰磨 | 0.8 |
F03 | 转轴与油档碰磨 | 0.5 |
F04 | 轴颈与轴瓦碰磨 | 0.5 |
F05 | 转子裂纹 | 0.3 |
步骤1:采用D-S证据理论融合多专家意见,分析汽轮机典型振动故障危害程度。
实际应用中,应事先采用D-S证据理论对所有可能振动故障进行危害程度评分,这里作为案例展示,仅展示该案例中疑似振动故障危害程度评分过程。此案例中根据推理得到的低压缸疑似振动故障及其发生可能性等故障信息如表1所示。通过专家打分法获得故障潜在危害程度的评分C的范围为1~10,分值越高,表示故障危害程度越大。邀请三位专家对各个故障的危害程度进行打分,结果如表2所示。
表2各个故障危害程度评分值
专家1 | 专家2 | 专家3 | |
F01 | {(6,0.35),(7,0.35),(8,0.3)} | {(6,0.2),(7,0.5),(8,0.3)} | {(6,0.4),(7,0.45),(8,0.15)} |
F02 | {(6,0.25),(7,0.35),(8,0.4)} | {(6,0.2),(7,0.4),(8,0.4)} | {(6,0.35),(7,0.5),(8,0.15)} |
F03 | {(6,0.35),(7,0.35),(8,0.3)} | {(6,0.2),(7,0.5),(8,0.3)} | {(6,0.4),(7,0.45),(8,0.15)} |
F04 | {(6,0.3),(7,0.3),(8,0.4)} | {(6,0.2),(7,0.5),(8,0.3)} | {(6,0.3),(7,0.5),(8,0.2)} |
F05 | {(8,0.15),(9,0.65),(10,0.2)} | {(8,0.2),(9,0.4),(10,0.4)} | {(8,0.3),(9,0.2),(10,0.5)} |
采用前述的D-S理论可求得各个故障的危害程度的评分值如下:
对于F01:m123(C1=6)=0.2328,m123(C2=7)=0.6549,m123(C3=8)=0.1123;LF01=6.8795;
对于F02:m123(C1=6)=0.1570,m123(C2=7)=0.6278,m123(C3=8)=0.2152;LF02=7.0582;
对于F03:m123(C1=6)=0.2328,m123(C2=7)=0.6549,m123(C3=8)=0.1123;LF03=6.8795;
对于F04:m123(C1=6)=0.1538,m123(C2=7)=0.6410,m123(C3=8)=0.2051;LF04=7.0506;
对于F05:m123(C1=8)=0.0891,m123(C2=9)=0.5149,m123(C3=10)=0.3960;LF05=9.3069;
步骤2:当汽轮机发生振动异常时,计算振动幅值的劣化度,并确定振动故障发生的可能性。
5Y振动通频幅值为99.4μm,基准值A0=73.75μm,5Y振动通频幅值的跳机保护值为254μm,进而求得振动通频幅值的劣化度为0.1423;确定的振动故障发生的可能性如表1所示。
步骤3:确定汽轮机振动故障风险评语集,将故障危害程度、振动幅值劣化度以及故障发生可能性作为评价指标,采用模糊评价方法得到汽轮机振动故障风险评语。具体包括:
步骤301:将汽轮机振动故障风险评语集确定为“很低(s1)”、“低(s2)”、“中等(s3)”、“高(s4)”、“很高(s5)”5个风险等级;
步骤302:选择合适的模糊隶属度函数,分别确定每个评价指标隶属于各个风险等级的隶属度。
故障危害程度评分值对应的各风险等级的隶属度函数如下:
振动通频幅值劣化度对应的各风险等级的隶属度函数如下:
故障发生可能性对应的各风险等级的隶属度函数如下:
根据以上隶属度函数,故障危害程度指标值隶属于各个风险等级的隶属度如表3所示。
表3各个故障模式危害程度对应的各风险等级隶属度
故障编号 | 故障名称 | 危险程度评分 | 对应风险等级隶属度 |
F01 | 轴向碰磨 | 6.8795 | (0,0,0.594,0.952,0.778) |
F02 | 转轴与汽封碰磨 | 7.0582 | (0,0,0.454,0.966,0.801) |
F03 | 转轴与油档碰磨 | 6.8795 | (0,0,0.594,0.952,0.778) |
F04 | 轴颈与轴瓦碰磨 | 7.478 | (0,0,0.159,0.990,0.851) |
F05 | 转子裂纹 | 9.3069 | (0,0,0,0.268,0.988) |
故障劣化度对应的各风险等级的隶属度为(0.7189,0.2811,0.1325,0.0761,0.0491),故障发生可能性对应的各风险等级的隶属度如表4所示。
表4故障发生可能性对应的各风险等级隶属度
故障编号 | 故障名称 | 故障发生可能性 | 对应的风险等级隶属度 |
F01 | 轴向碰磨 | 0.5 | (0,0.5,0.5,0,0) |
F02 | 转轴与汽封碰磨 | 0.8 | (0,0,0,1,0.75) |
F03 | 转轴与油档碰磨 | 0.5 | (0,0.5,0.5,0,0) |
F04 | 轴颈与轴瓦碰磨 | 0.5 | (0,0.5,0.5,0,0) |
F05 | 转子裂纹 | 0.3 | (0.1464,1,0,0,0) |
步骤303:确定每个评价指标在汽轮机振动故障风险评价中的权重,采用加权平均方法确定5个风险等级的综合隶属度,采取隶属度最大原则确定故障风险水平。
采用层次分析法确定指标权重,故障发生可能性、振动幅值劣化度、故障危害程度三个指标的权重判断矩阵为:
计算出三者的的权重分别为0.4、0.4、0.2,进而得到各个振动故障的风险等级如表5所示。
表5各个振动故障的风险等级
故障编号 | 故障名称 | 各风险等级隶属度 | 风险等级 |
F01 | 轴向碰磨 | (0.288,0.312,0.372,0.221,0.175) | 中等 |
F02 | 转轴与汽封碰磨 | (0.288,0.112,0.144,0.624,0.480) | 高 |
F03 | 转轴与油档碰磨 | (0.288,0.312,0.372,0.221,0.175) | 中等 |
F04 | 轴颈与轴瓦碰磨 | (0.288,0.312,0.285,0.228,0.190) | 低 |
F05 | 转子裂纹 | (0.346,0.512,0.053,0.084,0.217) | 低 |
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽轮机振动故障风险的评价方法,其特征在于,包括:
对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;
确定汽轮机典型振动故障风险评语集;
当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;
将各典型振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。
2.根据权利要求1所述的汽轮机振动故障风险的评价方法,其特征在于,所述每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见包括:典型振动故障的危害程度的评分值、典型振动故障的危害程度的标准化相对权重水平、以及每个评分值的基本信度;
所述对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见,具体包括:
假设有K个专家(E1,E2,…,EK);
针对每个汽轮机典型振动故障,每个专家分别确定该典型振动故障的危害程度的评分值,通过所有专家的评分值形成该典型振动故障的危害程度的评分值的识别空间表示为:
θ=(Cmin,Cmin+1,…,Cmax)
其中,Cmin表示该典型振动故障的危害程度的最小评分值,Cmax表示该典型振动故障的危害程度的最大评分值;
针对该典型振动故障,每个专家给出每个典型振动故障的危害程度的标准化相对权重水平,将该典型振动故障的危害程度的标准化相对权重水平表示为:
w=(w1,w2,…,wj,wK)
其中,j=1,2,…,K,j表示第j个典型振动故障,wj表示第j个专家给出的该典型振动故障的危害程度的标准化相对权重,0≤wj≤1,针对该汽轮机典型振动故障,所有专家的标准化相对权重之和为1;
针对该典型振动故障,在每个专家确定该典型振动故障的危害程度的评分值的同时,给出每个评分值的基本信度mj(C)。
3.根据权利要求2所述的汽轮机振动故障风险的评价方法,其特征在于,所述针对汽轮机每个典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度,具体包括:
针对该典型振动故障,根据所有专家对该典型振动故障的危害程度的评分值、每个评分值的基本信度mj(C),得到每个专家对该典型振动故障的危害程度的评分值的修正基本信度表示为:
wj表示该典型振动故障的危害程度的标准化相对权重水平;
mj(C)表示未考虑标准化相对权重的危害程度的评分值的基本信度;
C代表该典型振动故障的危害程度的某个评分值;
依次类推,如果专家人数多于两人,依次将其余每个专家对该典型振动故障的危害程度的评分值的修正基本信度与前一合成值进行合成,得到该典型振动故障的危害程度的评分值的综合信度;
根据该典型振动故障的危害程度的评分值的综合信度,计算得到该典型振动故障的最终评分值:
其中,L表示该典型振动故障的最终评分值;
q表示振动故障的危害程度的评分值的数目,1≤q≤10;
Mk为采用D-S理论融合所有专家意见的第k个评分值的综合可信度;
Ck为第k个评分值;
通过该典型振动故障的最终评分值评价该典型振动故障的危害程度。
5.根据权利要求1所述的汽轮机振动故障风险的评价方法,其特征在于,所述当汽轮机发生振动异常时,确定汽轮机各典型振动故障发生的可能性,具体包括:
根据专家评估或者智能推理算法得到汽轮机典型振动故障发生的可能性;
所述确定汽轮机典型振动故障风险评语集,具体包括:
将汽轮机典型振动故障风险评语集确定5个风险等级,5个风险等级分别为“很低”、“低”、“中等”、“高”、“很高”;
所述将疑似振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机疑似振动故障的风险评语,具体包括:
选择合适的模糊隶属度函数,根据所选择的模糊隶属度函数分别确定每种评价指标隶属于典型振动故障的风险评语集内各个风险等级的隶属度;
确定每种评价指标在汽轮机典型振动故障风险水平的权重,利用权重采用加权平均方法确定每个典型振动故障的5个风险等级的综合隶属度,根据综合隶属度采取隶属度最大原则确定每个典型振动故障的风险水平。
6.一种汽轮机振动故障风险的评价***,其特征在于,包括:
危害程度确定单元,用于对于汽轮机各典型振动故障,获取每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见;针对汽轮机每典型振动故障,采用D-S证据理论融合各专家针对汽轮机该典型振动故障的危害程度的意见,以评价出汽轮机该典型振动故障的危害程度;
风险评语集确定单元,用于确定汽轮机典型振动故障风险评语集;
故障初步确定单元,用于当汽轮机发生振动异常时,计算汽轮机振动幅值的劣化度,并确定汽轮机各典型振动故障发生的可能性;
故障终极确定单元,用于将各典型振动故障的危害程度、汽轮机振动幅值的劣化度以及汽轮机典型振动故障发生的可能性均作为评价指标,根据汽轮机典型振动故障风险评语集,采用模糊评价方法得到汽轮机典型振动故障的风险评语。
7.根据权利要求6所述的汽轮机振动故障风险的评价***,其特征在于,所述每个专家所给出的关于汽轮机各典型振动故障相应危害程度的意见包括:典型振动故障的危害程度的评分值、典型振动故障的危害程度的标准化相对权重水平、以及每个评分值的基本信度;
所述危害程度确定单元包括危害程度意见子单元,所述危害程度意见子单元,具体用于:
假设有K个专家(E1,E2,…,EK);
针对每个汽轮机典型振动故障,每个专家分别确定该典型振动故障的危害程度的评分值,通过所有专家的评分值形成该典型振动故障的危害程度的评分值的识别空间表示为:
θ=(Cmin,Cmin+1,…,Cmax)
其中,Cmin表示该典型振动故障的危害程度的最小评分值,Cmax表示该典型振动故障的危害程度的最大评分值;
针对该典型振动故障,每个专家给出每个典型振动故障的危害程度的标准化相对权重水平,将该典型振动故障的危害程度的标准化相对权重水平表示为:
w=(w1,w2,…,wj,wK)
其中,j=1,2,…,K,j表示第j个典型振动故障,wj表示第j个专家给出的该典型振动故障的危害程度的标准化相对权重,0≤wj≤1,针对该汽轮机典型振动故障,所有专家的标准化相对权重之和为1;
针对该典型振动故障,在每个专家确定该典型振动故障的危害程度的评分值的同时,给出每个评分值的基本信度mj(C)。
8.根据权利要求7所述的汽轮机振动故障风险的评价***,其特征在于,所述危害程度确定单元包括危害程度确定子单元,所述危害程度意见子单元,具体用于:
针对该典型振动故障,根据所有专家对该典型振动故障的危害程度的评分值、每个评分值的基本信度mj(C),得到每个专家对该典型振动故障的危害程度的评分值的修正基本信度表示为:
wj表示该典型振动故障的危害程度的标准化相对权重水平;
mj(C)表示未考虑标准化相对权重的危害程度的评分值的基本信度;
C代表该典型振动故障的危害程度的某个评分值;
依次类推,如果专家人数多于两人,依次将其余每个专家对该典型振动故障的危害程度的评分值的修正基本信度与前一合成值进行合成,得到该典型振动故障的危害程度的评分值的综合信度;
根据该典型振动故障的危害程度的评分值的综合信度,计算得到该典型振动故障的最终评分值:
其中,L表示该典型振动故障的最终评分值;
q表示振动故障的危害程度的评分值的数目,1≤q≤10;
Mk为采用D-S理论融合所有专家意见的第k个评分值的综合可信度;
Ck为第k个评分值;
通过该典型振动故障的最终评分值评价该典型振动故障的危害程度。
10.根据权利要求6所述的汽轮机振动故障风险的评价***,其特征在于,所述故障初步确定单元包括第二因素子单元,所述第二因素子单元,具体用于:
根据专家评估或者智能推理算法得到汽轮机典型振动故障发生的可能性;
所述风险评语集确定单元,具体用于:
将汽轮机典型振动故障风险评语集确定5个风险等级,5个风险等级分别为“很低”、“低”、“中等”、“高”、“很高”;
所述故障终极确定单元,包括:
隶属度确定子单元,用于选择合适的模糊隶属度函数,根据所选择的模糊隶属度函数分别确定每种评价指标隶属于典型振动故障的风险评语集内各个风险等级的隶属度;
故障终极确定子单元,用于确定每种评价指标在汽轮机典型振动故障风险水平的权重,利用权重采用加权平均方法确定每个典型振动故障的5个风险等级的综合隶属度,根据综合隶属度采取隶属度最大原则确定每个典型振动故障的风险水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199196.6A CN114564839B (zh) | 2022-03-02 | 2022-03-02 | 一种汽轮机振动故障风险的评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199196.6A CN114564839B (zh) | 2022-03-02 | 2022-03-02 | 一种汽轮机振动故障风险的评价方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114564839A true CN114564839A (zh) | 2022-05-31 |
CN114564839B CN114564839B (zh) | 2024-05-28 |
Family
ID=81716545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210199196.6A Active CN114564839B (zh) | 2022-03-02 | 2022-03-02 | 一种汽轮机振动故障风险的评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564839B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116950729A (zh) * | 2023-09-19 | 2023-10-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN107045584A (zh) * | 2017-05-11 | 2017-08-15 | 河海大学 | 一种适用于水泵转子***的工频振动异常故障诊断方法 |
CN107273924A (zh) * | 2017-06-06 | 2017-10-20 | 上海电力学院 | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 |
CN108180986A (zh) * | 2018-02-01 | 2018-06-19 | 陈磊 | 一种基于设备的振动信号报警识别方法及计算设备 |
WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
WO2020019531A1 (zh) * | 2018-07-26 | 2020-01-30 | 哈尔滨汽轮机厂有限责任公司 | 汽轮机叶片裂纹评估***及汽轮机叶片裂纹预警方法 |
CN111859809A (zh) * | 2020-07-27 | 2020-10-30 | 华北电力大学 | 基于模糊理论的燃气轮机***故障模式及影响分析方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112395766A (zh) * | 2020-11-24 | 2021-02-23 | 华能新能源股份有限公司 | 一种考虑故障传播影响的风电机组故障模式与影响分析方法 |
-
2022
- 2022-03-02 CN CN202210199196.6A patent/CN114564839B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN107045584A (zh) * | 2017-05-11 | 2017-08-15 | 河海大学 | 一种适用于水泵转子***的工频振动异常故障诊断方法 |
CN107273924A (zh) * | 2017-06-06 | 2017-10-20 | 上海电力学院 | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 |
CN108180986A (zh) * | 2018-02-01 | 2018-06-19 | 陈磊 | 一种基于设备的振动信号报警识别方法及计算设备 |
WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
WO2020019531A1 (zh) * | 2018-07-26 | 2020-01-30 | 哈尔滨汽轮机厂有限责任公司 | 汽轮机叶片裂纹评估***及汽轮机叶片裂纹预警方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN111859809A (zh) * | 2020-07-27 | 2020-10-30 | 华北电力大学 | 基于模糊理论的燃气轮机***故障模式及影响分析方法 |
CN112395766A (zh) * | 2020-11-24 | 2021-02-23 | 华能新能源股份有限公司 | 一种考虑故障传播影响的风电机组故障模式与影响分析方法 |
Non-Patent Citations (2)
Title |
---|
刘明顺;赵立进;黄良;林成;苏华英;龙志君;刘阳;张思颖;张晓伟;: "基于模糊综合评价的电网风险评估分级", 武汉大学学报(工学版), no. 05, 1 October 2017 (2017-10-01), pages 733 - 737 * |
杨楠;顾煜炯;孙树民;王仲;: "汽轮机故障链诊断与评估方法研究", 自动化仪表, no. 12, 20 December 2019 (2019-12-20), pages 14 - 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116950729A (zh) * | 2023-09-19 | 2023-10-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及*** |
CN116950729B (zh) * | 2023-09-19 | 2024-02-27 | 华能山东发电有限公司烟台发电厂 | 一种汽轮机叶片故障检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114564839B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366123B (zh) | 基于缺陷分析的软件风险评估方法 | |
CN110782164A (zh) | 一种基于变权重和模糊综合评价的配电设备状态评价方法 | |
US20140249865A1 (en) | Claims analytics engine | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
CN112611584B (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN112487910A (zh) | 核电汽轮机***故障预警方法及*** | |
CN114564839A (zh) | 一种汽轮机振动故障风险的评价方法及*** | |
CN110633893A (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
CN111179115A (zh) | 故障处理辅助决策方法、装置、存储介质及电子设备 | |
CN115729761B (zh) | 一种硬盘故障预测方法、***、设备及介质 | |
CN111242424A (zh) | 质量数据的处理方法及装置 | |
KR20120106828A (ko) | 압축기를 진단하는 방법 및 시스템 | |
Luo et al. | Adaptive Fisher‐Based Deep Convolutional Neural Network and Its Application to Recognition of Rolling Element Bearing Fault Patterns and Sizes | |
CN113283673A (zh) | 一种模型性能衰减评价方法、模型训练方法及装置 | |
CN116346405A (zh) | 基于数据统计的网络安全运维能力评估***及方法 | |
CN110458408B (zh) | 典型故障对动设备及装置影响后果的分析方法 | |
CN116933121A (zh) | 数据异常检测方法及装置 | |
CN110146634B (zh) | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 | |
CN116126657A (zh) | 参数寻优方法和装置 | |
CN110874088B (zh) | 基于多维向量模型的船舶关键设备***的监测方法 | |
CN117949173B (zh) | 一种光缆质量监测方法、装置、电子设备及可读存储介质 | |
CN117851873A (zh) | 一种基于动态接触角的轴承运行状态评估方法及*** | |
CN117469152B (zh) | 流体泵异常检测方法、装置、电子设备和存储介质 | |
CN110927488B (zh) | 一种基于隶属度函数的变压器运行状态监测方法 | |
CN115760365B (zh) | 一种构建违约损失率预测模型的方法及装置 |
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 |