CN115167324A - 一种火电站设备故障预警、诊断、干预***及方法 - Google Patents
一种火电站设备故障预警、诊断、干预***及方法 Download PDFInfo
- Publication number
- CN115167324A CN115167324A CN202211005501.XA CN202211005501A CN115167324A CN 115167324 A CN115167324 A CN 115167324A CN 202211005501 A CN202211005501 A CN 202211005501A CN 115167324 A CN115167324 A CN 115167324A
- Authority
- CN
- China
- Prior art keywords
- equipment
- module
- fault
- model module
- model
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007246 mechanism Effects 0.000 claims abstract description 66
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 28
- 238000002955 isolation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000011022 operating instruction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种火电站设备故障预警、诊断、干预***及方法,涉及电力行业设备故障预测和诊断干预技术领域,包括现场设备、DCS***、单向隔离网闸、SIS***、实时数据采集模块、故障预警模块、故障诊断模块、故障干预模块、数据驱动模型模块、机理驱动模型模块、设备故障模型模块、设备干预模型模块、历史数据获取模块,数据驱动模型模块、机理驱动模型模块利用设备实时和历史数据,采用人工智能方法训练各***设备的参数模型、机理模型;故障预警模块分析参数模型和机理模型,对各设备状态做出故障预警。本发明通过两个模型结合的方式,减少不必要的维护,降低运行成本,及时维护需要维护的设备,减少因故障导致的机组非停次数,实现降本增效。
Description
技术领域
本发明涉及电力行业设备故障预测和诊断干预技术领域,尤其涉及一种火电站设备故障预警、诊断、干预***及方法。
背景技术
自动化设备的结构日趋复杂,使得设备故障问题无可避免,就发电行业而言,目前国内火电在装机容量上仍占较大比例,火电机组设备是否运行正常直接关系发电企业的生产安全和经济效益。目前传统火电站运行监盘方式主要是依赖定值报警,而较少观察设备数据的波动范围和劣化趋势。如图1所示,为传统设备故障预警模式。可以看到,在设备故障之前,部分状态参数已经出现的偏差现象无法发现,当设备发生故障,全靠运行人员的经验和主观性来判断评估故障情况。
部分故障报警***利用人为设定简单判据判断故障是否存在,而忽略设备以往的运行状态数据。一些方案虽然利用了历史数据加强故障预警,在预警中却缺少对***运行机理关系的参考,准确性也有待提高。在这种前提下,设备隐患不能被及时发现,得不到预警,成为安全隐患。另一方面,大部分***功能仅局限在预警,缺乏进一步预警诊断及处置故障的功能,无法形成故障从发现到消除的闭环过程。此外设备结构的复杂性和关联性,导致设备故障也会关联,人为干预延迟的话,造成维护工作更加复杂。
因此,本领域的技术人员致力于开发一种火电站设备故障预警、诊断、干预***及方法,引入目前比较前沿的人工智能方法(深度神经网络、自动机器学习、知识图谱等),采用不同模型相结合的预警策略,进一步提高故障预警的准确性和及时性。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是电力行业设备故障预警和处理不及时不准确。
为实现上述目的,本发明提供了一种火电站设备故障预警、诊断、干预***,包括现场设备、DCS***、第一单向隔离网闸、SIS***、第二单向隔离网闸、实时数据采集模块、故障预警模块、故障诊断模块、故障干预模块、数据驱动模型模块、机理驱动模型模块、设备故障模型模块、设备干预模型模块、历史数据获取模块,其中,所述实时数据采集模块从所述DCS***获取***实时数据,传输数据至所述数据驱动模型模块、所述机理驱动模型模块、所述设备故障模型模块和所述设备干预模型模块;
所述数据驱动模型模块利用设备实时和历史数据作为输入,采用人工智能方法训练各***设备的参数模型;
所述机理驱动模型模块利用设备实时和历史数据作为输入,采用人工智能方法训练各***设备的机理模型;
所述故障预警模块用于分析所述数据驱动模型模块和所述机理驱动模型模块的输出结果,对各设备状态做出故障预警。
进一步地,所述现场设备为火电站的现场工艺设备。
进一步地,所述DCS***为火电站机组的分散控制***;所述SIS***从所述DCS***获取火电站机组数据,便于***状态监视;
进一步地,所述第一单向隔离网闸、第二单向隔离网闸为网络设备间安全防护设备,用于保证数据单向传输安全。
进一步地,所述历史数据获取模块用于传输历史数据至所述数据驱动模型模块、所述机理驱动模型模块、所述设备故障模型模块和所述设备干预模型模块。
进一步地,所述设备故障模型模块基于设备实时和历史数据训练故障模型,用于对当前故障状态进行诊断,并给出诊断信息。
进一步地,所述设备干预模型模块基于设备实时和历史数据训练干预模型,用于设备故障时给出干预操作指令。
进一步地,所述故障诊断模块基于所述故障模型,根据所述故障预警对设备故障进行诊断,输出故障诊断信息。
进一步地,所述故障干预模块基于所述干预模型,根据所述故障诊断信息对故障设备进行干预,输出干预指令。
一种火电站设备故障预警、诊断、干预方法,包括以下步骤:
步骤1、现场设备的数据传输至DCS***;
步骤2、所述DCS***的设备参数经过第一单向隔离网闸传输至SIS***;
步骤3、所述SIS***的设备数据经过第二单向隔离网闸传输至实时数据采集模块;
步骤4、所述实时数据采集模块采集数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;
步骤5、历史数据获取模块获取历史数据后,传输至所述数据驱动模型模块、所述机理驱动模型模块、所述设备故障模型模块和所述设备干预模型模块;
步骤6、所述数据驱动模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤7、所述机理驱动模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤8、所述设备故障模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤9、所述设备干预模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤10、所述数据驱动模型模块和所述机理驱动模型模块获取实时数据,进行设备状态分析评估,形成评估结果,输出至故障预警模块;
步骤11、所述故障预警模块从所述实时数据采集模块获取实时数据,基于所述数据驱动模型模块和所述机理驱动模型模块的评估结果,进行设备故障状态预警,输出故障预警信息;
步骤12、故障诊断模块获取所述故障预警信息,基于所述设备故障模型模块进行故障诊断,输出故障诊断信息;
步骤13、设备干预模块获取所述故障诊断信息,基于所述设备干预模型模块进行故障干预,输出干预指令。
与现有技术相比,本发明至少具有如下有益技术效果:
本发明同时基于数据驱动+机理建模结合的方式,通过设备运行数据学习不同工况下的参数特性,基于***工艺特性建立机理模型,训练两种互相佐证的完备模型;通过两种模型方式相结合,提高了设备状态评估的准确性,保证了设备故障能更大可能的被提前预判出来,便于运维人员及时发现,提早消除隐患;同时在故障预警之后,故障模型模块和干预模型模块对设备故障进行诊断,并给出干预操作指令,提高了机组运行效率,减轻了因故障发生导致的一系列后果,即保证了设备安全,也降低了不必要的维护费用,达到了降本增效的目的。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是现有技术的传统设备故障预警模式示意图;
图2是本发明的一个较佳实施例的***结构示意图;
图3是本发明的第二个较佳实施例的***结构示意图;
图4是本发明的第三个较佳实施例的***结构示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
实施例1:
如图2所示,是本发明的一个较佳实施例的***结构示意图,包括现场设备、DCS***、第一单向隔离网闸、SIS***、第二单向隔离网闸、实时数据采集模块、故障预警模块、故障诊断模块、故障干预模块、数据驱动模型模块、机理驱动模型模块、设备故障模型模块、设备干预模型模块、历史数据获取模块。具体地,现场设备为火电站的现场工艺设备;DCS***为火电站机组的分散控制***;第一单向隔离网闸为网络设备间安全防护设备,保证数据单向传输安全;SIS***从DCS***获取火电站机组数据,便于***状态监视;第二单向隔离网闸为网络设备间安全防护设备,保证数据单向传输安全;实时数据采集模块从DCS***获取***实时数据,传输数据至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;数据驱动模型模块利用设备实时和历史数据作为输入,训练各***设备的参数模型;机理驱动模型模块利用设备实时和历史数据作为输入,训练各***设备的机理模型;故障预警模块用于分析数据驱动模型模块和机理驱动模型模块的输出结果,对各设备状态做出故障预警;历史数据获取模块用于传输历史数据至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;设备故障模型模块基于设备实时和历史数据训练故障模型,用于对当前故障状态进行诊断,并给出诊断信息;设备干预模型模块基于实时和历史数据训练干预模型,用于设备故障时给出干预操作指令;故障诊断模块基于故障模型,根据预警信息对设备故障进行诊断,输出诊断结果;故障干预模块基于干预模型,根据诊断信息对故障设备进行干预,输出干预指令。
实施例1采用人工智能方法(深度神经网络、自动机器学习、知识图谱等),利用电站各设备实时和历史数据训练数据驱动模型、机理驱动模型,学习不同工况下的***设备参数。该两种模型对实时工况下的设备状态进行预估,并与实际数据进行对比,一旦发生偏离,给出报警。设备故障模型和干预模型利用设备实时和历史故障状态数据进行训练,形成设备故障模型和干预模型,进行设备故障诊断和输出干预指令。具体实现过程包括以下步骤:
步骤1、现场设备的数据传输至DCS***;
步骤2、DCS***的设备参数经过第一单向隔离网闸传输至SIS***;
步骤3、SIS***的设备数据经过第二单向隔离网闸传输至实时数据采集模块;
步骤4、实时数据采集模块采集数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;
步骤5、历史数据获取模块获取历史数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;
步骤6、数据驱动模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤7、机理驱动模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤8、设备故障模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤9、设备干预模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤10、数据驱动模型模块和机理驱动模型模块获取实时数据,进行设备状态分析评估,形成评估结果,输出至故障预警模块;
步骤11、故障预警模块从实时数据采集模块获取实时数据,基于数据驱动模型模块和机理驱动模型模块的评估结果,进行设备故障状态预警,输出预警信息;
步骤12、故障诊断模块获取故障预警信息,基于设备故障模型模块进行故障诊断,输出诊断信息;
步骤13、设备干预模块获取故障诊断信息,基于设备干预模型模块进行故障干预,输出干预指令。
实施例2:
在DCS***平台技术兼容的情况下,可以将设备预警***各项功能嵌入到DCS***中,无需通过SIS***获取数据,实时数据采集模块直接从DCS***网络中获取数据。优点在于,可以实现统一操作预警界面,可实现自动预警、诊断、干预闭环控制,但受制于控制***厂家技术限制,需要支持标准通讯协议,例如:OPC、MODBUS等,以便预警***与DCS***实现相互数据通讯。
如图3所示,包括现场设备、DCS***、实时数据采集模块、故障预警模块、故障诊断模块、故障干预模块、数据驱动模型模块、机理驱动模型模块、设备故障模型模块、设备干预模型模块、历史数据获取模块。具体地,现场设备为火电站的现场工艺设备;DCS***为火电站机组的分散控制***;实时数据采集模块从DCS***获取***实时数据,传输数据至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;数据驱动模型模块利用设备实时和历史数据作为输入,训练各***设备的参数模型;机理驱动模型模块利用设备实时和历史数据作为输入,训练各***设备的机理模型;故障预警模块分析数据驱动模型模块和机理驱动模型模块的输出结果,对各设备状态做出故障预警信息;历史数据获取模块传输历史数据至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;设备故障模型模块基于设备实时和历史数据训练故障模型,用于对当前故障状态进行诊断,并给出诊断信息;设备干预模型模块基于设备实时和历史数据训练干预模型,用于设备故障时给出干预操作指令;故障诊断模块基于故障模型,根据预警信息对设备故障进行诊断,输出诊断结果;故障干预模块基于干预模型,根据诊断信息对故障设备进行干预,输出干预指令至DCS***进行干预实施。
实施例2采用人工智能方法(深度神经网络、自动机器学习、知识图谱等),利用电站各设备实时和历史数据训练数据驱动模型、机理驱动模型,学习不同工况下的***设备参数。该两种模型对实时工况下的设备状态进行预估,并与实际数据进行对比,一旦发生偏离,给出报警。设备故障模型和干预模型利用设备实时和历史故障状态数据进行训练,形成设备故障模型和干预模型,进行设备故障诊断和干预操作。具体实现过程包括以下步骤:
步骤1、现场设备的数据传输至DCS***;
步骤2、DCS***的设备参数传输至实时数据采集模块;
步骤3、实时数据采集模块采集数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;
步骤4、历史数据获取模块获取历史数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;
步骤5、数据驱动模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤6、机理驱动模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤7、设备故障模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤8、设备干预模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤9、数据驱动模型模块和机理驱动模型模块获取实时数据,进行设备状态分析评估,形成评估结果,输出至故障预警模块;
步骤10、故障预警模块从实时数据采集模块获取实时数据,基于数据驱动模型模块和机理驱动模型模块的评估结果,进行设备故障状态预警,输出预警信息;
步骤11、故障诊断模块获取故障预警信息,基于设备故障模型模块进行故障诊断,输出诊断信息;
步骤12、设备干预模块获取故障诊断信息,基于设备干预模型模块进行故障干预,输出干预指令至DCS***进行干预实施。
实施例3:
如果火电站的DCS控制***无法接收干预模型的干预操作指令,出于生产安全考虑,可取消故障干预功能,取消故障干预模块和干预模型模块,同时省去训练干预模型工作。诊断模块给出的设备故障诊断信息由运行人员监盘,以人员的经验为基础,实行相应的消缺措施。
如图4所示,包括现场设备、DCS***、第一单向隔离网闸、SIS***、第二单向隔离网闸、实时数据采集模块、故障预警模块、故障诊断模块、数据驱动模型模块、机理驱动模型模块、设备故障模型模块、历史数据获取模块。具体地,现场设备为火电站的现场工艺设备;DCS***火电站机组的分散控制***;第一单向隔离网闸为网络设备间安全防护设备,保证数据单向传输安全;SIS***从DCS***获取机组各类数据,便于***状态监视;第二单向隔离网闸为网络设备间安全防护设备,保证数据单向传输安全;实时数据采集模块采集数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块;数据驱动模型模块利用设备实时和历史数据作为输入,训练各***设备的参数模型;机理驱动模型模块利用设备实时和历史数据作为输入,训练各***设备的机理模型;故障预警模块分析数据驱动模型模块和机理驱动模型模块的输出结果,对各设备状态做出故障预警;历史数据获取模块获取历史数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块;故障诊断模块基于故障模型,根据预警信息对设备故障进行诊断,输出诊断结果。
实施例3采用人工智能方法(深度神经网络、自动机器学习、知识图谱等),利用电站各设备实时和历史数据训练数据驱动模型、机理驱动模型,学习不同工况下的***设备参数。该两种模型对实时工况下的设备状态进行预估,并与实际数据进行对比,一旦发生偏离,给出报警。设备故障模型利用设备实时和历史故障状态数据进行训练,形成设备故障模型,进行设备故障诊断。具体实现过程包括以下步骤:
步骤1、现场设备的数据传输至DCS***;
步骤2、DCS***的设备参数经过第一单向隔离网闸传输至SIS***;
步骤3、SIS***的设备数据经过第二单向隔离网闸传输至实时数据采集模块;
步骤4、实时数据采集模块采集数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块;
步骤5、历史数据获取模块获取历史数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块;
步骤6、数据驱动模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤7、机理驱动模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤8、设备故障模型模块获取实时和历史数据后,利用人工智能方法(深度神经网络、自动机器学习、知识图谱等)训练模型,形成最终模型;
步骤9、数据驱动模型模块和机理驱动模型模块获取实时数据,进行设备状态分析评估,形成评估结果,输出至故障预警模块;
步骤10、故障预警模块从实时数据采集模块获取实时数据,基于数据驱动模型模块和机理驱动模型模块的评估结果,进行设备故障状态预警,输出预警信息;
步骤11、故障诊断模块获取故障预警信息,基于设备故障模型模块进行故障诊断,输出诊断信息。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种火电站设备故障预警、诊断、干预***,其特征在于,包括现场设备、DCS***、第一单向隔离网闸、SIS***、第二单向隔离网闸、实时数据采集模块、故障预警模块、故障诊断模块、故障干预模块、数据驱动模型模块、机理驱动模型模块、设备故障模型模块、设备干预模型模块、历史数据获取模块,其中,
所述实时数据采集模块从所述DCS***获取***实时数据,传输数据至所述数据驱动模型模块、所述机理驱动模型模块、所述设备故障模型模块和所述设备干预模型模块;
所述数据驱动模型模块利用设备实时和历史数据作为输入,采用人工智能方法训练各***设备的参数模型;
所述机理驱动模型模块利用设备实时和历史数据作为输入,采用人工智能方法训练各***设备的机理模型;
所述故障预警模块用于分析所述数据驱动模型模块和所述机理驱动模型模块的输出结果,对各设备状态做出故障预警。
2.如权利要求1所述的火电站设备故障预警、诊断、干预***,其特征在于,所述现场设备为火电站的现场工艺设备。
3.如权利要求1所述的火电站设备故障预警、诊断、干预***,其特征在于,所述DCS***为火电站机组的分散控制***;所述SIS***从所述DCS***获取火电站机组数据,便于***状态监视。
4.如权利要求1所述的火电站设备故障预警、诊断、干预***,其特征在于,所述第一单向隔离网闸、所述第二单向隔离网闸为网络设备间安全防护设备,用于保证数据单向传输安全。
5.如权利要求1所述的火电站设备故障预警、诊断、干预***,其特征在于,所述历史数据获取模块用于传输历史数据至所述数据驱动模型模块、所述机理驱动模型模块、所述设备故障模型模块和所述设备干预模型模块。
6.如权利要求1所述的火电站设备故障预警、诊断、干预***,其特征在于,所述设备故障模型模块基于设备实时和历史数据训练故障模型,用于对当前故障状态进行诊断,并给出诊断信息。
7.如权利要求1所述的火电站设备故障预警、诊断、干预***,其特征在于,所述设备干预模型模块基于设备实时和历史数据训练干预模型,用于设备故障时给出干预操作指令。
8.如权利要求7所述的火电站设备故障预警、诊断、干预***,其特征在于,所述故障诊断模块基于所述故障模型,根据所述故障预警对设备故障进行诊断,输出故障诊断信息。
9.如权利要求8所述的火电站设备故障预警、诊断、干预***,其特征在于,所述故障干预模块基于所述干预模型,根据所述故障诊断信息对故障设备进行干预,输出干预指令。
10.一种火电站设备故障预警、诊断、干预方法,其特征在于,所述方法包括以下步骤:
步骤1、现场设备的数据传输至DCS***;
步骤2、所述DCS***的设备参数经过第一单向隔离网闸传输至SIS***;
步骤3、所述SIS***的设备数据经过第二单向隔离网闸传输至实时数据采集模块;
步骤4、所述实时数据采集模块采集数据后,传输至数据驱动模型模块、机理驱动模型模块、设备故障模型模块和设备干预模型模块;
步骤5、历史数据获取模块获取历史数据后,传输至所述数据驱动模型模块、所述机理驱动模型模块、所述设备故障模型模块和所述设备干预模型模块;
步骤6、所述数据驱动模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤7、所述机理驱动模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤8、所述设备故障模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤9、所述设备干预模型模块获取实时和历史数据后,利用人工智能方法训练模型,形成最终模型;
步骤10、所述数据驱动模型模块和所述机理驱动模型模块获取实时数据,进行设备状态分析评估,形成评估结果,输出至故障预警模块;
步骤11、故障预警模块从所述实时数据采集模块获取实时数据,基于所述数据驱动模型模块和所述机理驱动模型模块的评估结果,进行设备故障状态预警,输出故障预警信息;
步骤12、故障诊断模块获取所述故障预警信息,基于所述设备故障模型模块进行故障诊断,输出故障诊断信息;
步骤13、设备干预模块获取所述故障诊断信息,基于所述设备干预模型模块进行故障干预,输出干预指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005501.XA CN115167324A (zh) | 2022-08-22 | 2022-08-22 | 一种火电站设备故障预警、诊断、干预***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005501.XA CN115167324A (zh) | 2022-08-22 | 2022-08-22 | 一种火电站设备故障预警、诊断、干预***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115167324A true CN115167324A (zh) | 2022-10-11 |
Family
ID=83481230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211005501.XA Pending CN115167324A (zh) | 2022-08-22 | 2022-08-22 | 一种火电站设备故障预警、诊断、干预***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115167324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982642A (zh) * | 2022-12-30 | 2023-04-18 | 栾松 | 一种基于人工智能的火电站设备故障预警方法及*** |
-
2022
- 2022-08-22 CN CN202211005501.XA patent/CN115167324A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982642A (zh) * | 2022-12-30 | 2023-04-18 | 栾松 | 一种基于人工智能的火电站设备故障预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108628291B (zh) | 一种垃圾焚烧厂基于仿真平台的专家智能诊断*** | |
CN112187861B (zh) | 一种用于变电站巡检的方法及*** | |
EP3515012A1 (en) | Door controller with integrated data collection and transmission device and transmission processing method thereof | |
CN1991652A (zh) | 可编程逻辑控制器和中央单元之间通信的通信方法及自动远程监控和诊断*** | |
CN102510125A (zh) | 电力一次设备运行工况监测方法及装置 | |
CN110988559A (zh) | 基于物联网的变电站直流***全生命周期的在线监测方法 | |
CN111098463A (zh) | 一种注塑机故障诊断***及诊断方法 | |
CN110543142A (zh) | 一种数控机床故障诊断与预警*** | |
CN115167324A (zh) | 一种火电站设备故障预警、诊断、干预***及方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
WO2024031855A1 (zh) | 一种高压套管油气远程监测*** | |
CN112801313A (zh) | 基于大数据技术综采工作面故障判定方法 | |
CN115562133A (zh) | 一种轴向柱塞泵智能网关 | |
CN116872206A (zh) | 一种基于工业互联网的机器人故障检测方法及*** | |
CN109240253A (zh) | 一种在线设备诊断及预防性维护方法及*** | |
CN117311316A (zh) | 一种面向工业互联网的机器故障诊断方法及*** | |
CN211624815U (zh) | 一种基于plc的机械设备检测与自动润滑*** | |
CN117221145A (zh) | 基于物联网平台的设备故障预测性维护*** | |
CN115755664A (zh) | 一种离散型企业制造设备维护方法及*** | |
CN115238925B (zh) | 一种电机设备监管方法及*** | |
CN114279699B (zh) | 一种超高真空气动阀故障检测***及方法 | |
CN109981359A (zh) | 一种智能变电站遥控异常分析诊断方法和装置 | |
CN115034408A (zh) | 一种无缝钢管生产重点设备物联网维修预测*** | |
CN107065840B (zh) | 一种双极板制备热压机的远程控制及诊断***及其方法 | |
CN111552248A (zh) | 一种用于智能控制***设备oee远程运维的方法 |
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 |