CN115469643A - 一种核电站旋转机械健康管理方法、***及介质 - Google Patents
一种核电站旋转机械健康管理方法、***及介质 Download PDFInfo
- Publication number
- CN115469643A CN115469643A CN202211130386.9A CN202211130386A CN115469643A CN 115469643 A CN115469643 A CN 115469643A CN 202211130386 A CN202211130386 A CN 202211130386A CN 115469643 A CN115469643 A CN 115469643A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- monitoring
- characteristic data
- fault diagnosis
- 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
- 230000036541 health Effects 0.000 title claims abstract description 62
- 238000007726 management method Methods 0.000 title claims description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 158
- 238000003745 diagnosis Methods 0.000 claims abstract description 104
- 238000012423 maintenance Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000013075 data extraction Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Plasma & Fusion (AREA)
- General Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供一种核电站旋转机械健康管理方法、***及介质,包括:获取旋转机械的监测数据和DCS数据;对所述监测数据和DCS数据进行数据预处理;对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。本发明实施例解决了现有技术对旋转机械的监测实时性差不全面导致的运维管理效率低的问题。
Description
技术领域
本发明涉及一种核电站旋转机械健康管理方法、***及介质。
背景技术
核电是一个非常复杂的***,一旦发生事故将带来不可估量的后果。旋转机械在核电站中占有相当大的比重,且容易发生故障,严重影响核电安全,因此对其进行状态监测和故障诊断研究具有重要的实际应用价值。
在国内,各核电厂除主泵设置了国外进口的振动监测***以外,目前针对其他众多旋转机械状态监测的普遍手段还是用BENTLY振动数采器到现场进行数据采集;而国内M310机组的主泵振动监测***,机柜端功能不齐,也需在大修时进行离线数采和分析。每个核电机组有数百台旋转机械,现有旋转机械的监测与运维管理模式存在以下问题:人工采集数据和离线分析的效率低、实时性差,不能及时发现故障且延长了主泵检修时间;现场噪音极大,对采集人员存在健康隐患;现有数据分析只针对旋转机械的振动数据,且对振动数据的分析也局限于振动烈度值与阈值(警告值、停机值)的比较和评价,无法进行较全面的设备健康管理。
发明内容
为解决现有技术对旋转机械的监测实时性差不全面导致的运维管理效率低的问题,本发明实施例提供一种核电站旋转机械健康管理方法、***及介质。
本发明实施例通过下述技术方案实现:
第一方面,本发明实施例提供一种核电站旋转机械健康管理方法,包括:
获取旋转机械的监测数据和DCS数据;
对所述监测数据和DCS数据进行数据预处理;
对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;
根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;
根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。
进一步的,所述监测数据包括:旋转机械的振动监测数据和声发射数据;所述DCS数据包括机组的运行工况和旋转机械的运行参数。
进一步的,对所述监测数据和DCS数据进行数据预处理;包括:
根据监测数据和DCS数据信息的数据结构以及数据长度,对监测数据和DCS数据进行筛选过滤,对过滤后的监测数据和DCS数据进行融合,得到预处理后的监测数据和DCS数据。
进一步的,所述根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;包括:
根据状态监测特征数据判断是否进行阈值报警、趋势报警和/或综合报警;若是,则以三维结果可视化显示报警信息及报警日志;若根据状态监测特征数据判定进行综合报警,则判定是否启动故障诊断和故障预测;若是则进行故障诊断和故障预测。
进一步的,故障诊断包括:
根据故障诊断特征数据对设备故障类型、位置以及程度进行诊断,得到诊断数据;
根据诊断数据、故障关联数据和历史趋势判定离设备故障严重所需要的时间和是否发生次生故障。
进一步的,故障预测包括:
将故障预测特征数据的趋势与标准趋势进行对比,判断旋转机械是否会发生潜在故障、故障类型、故障位置以及发生故障的时间;
利用故障异常数据库获取历史平均失效前时间预测下次产生故障的时间;
利用潜在故障的特征的趋势与标准趋势比对,生成潜在故障信息、下一个故障时间以及旋转机械的剩余寿命。
进一步的,根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态;包括:
利用状态监测结果、故障诊断结果、故障预测结果、维修结果和先验知识,对旋转机械的健康状态进行综合评估。
第二方面,本发明实施例提供一种核电站旋转机械健康管理***,包括:
获取单元,用于获取旋转机械的监测数据和DCS数据;
预处理单元,用于对所述监测数据和DCS数据进行数据预处理;
提取单元,用于对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;
诊断及预测单元,用于根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;以及
判断单元,用于根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。
第三方面,本发明实施例提供一种核电站旋转机械健康管理***,包括:
边缘端,用于布置于旋转机械,用于获取旋转机械的监测数据和DCS数据;对所述监测数据和DCS数据进行数据预处理;对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;用于根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态;以及
云端,用于利用边缘端回传的关键数据及处理结果,进行各类算法的建立、维护与推送部署,对设备综合健康状态进行评估和决策。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行所述核电站旋转机械健康管理方法。
本发明实施例与现有技术相比,具有如下的优点和有益效果:
本发明实施例的一种核电站旋转机械健康管理方法、***及介质,通过获取旋转机械的监测数据和DCS数据;对所述监测数据和DCS数据进行数据预处理;对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态,解决了现有技术对旋转机械的监测实时性差不全面导致的运维管理效率低的问题。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,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范围的限定,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相关的附图。
图1为核电站旋转机械健康管理方法的流程示意图。
图2为核电站旋转机械健康管理***的结构示意图。
图3为示例的核电站旋转机械健康管理***的结构示意图。
图4为核电站旋转机械健康管理状态监测逻辑图。
图5为核电站旋转机械健康管理故障预测逻辑图。
图6为核电站旋转机械健康管理维修智能决策逻辑图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实施例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征数据、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征数据、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例
为解决现有技术对旋转机械的监测实时性差不全面导致的运维管理效率低的问题,本发明实施例提供一种核电站旋转机械健康管理方法、***及介质。第一方面,本发明实施例提供一种核电站旋转机械健康管理方法,参考图1所示,包括:
S1.获取旋转机械的监测数据和DCS数据;
S2.对所述监测数据和DCS数据进行数据预处理;
S3.对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;
对于特征数据提取可根据旋转轴承的振动信号特性,特定设计深度学习网络,例如针对其信号时频变换和准周期性的特点,设计嵌入式循环网络架构,使用残差块堆叠提取深层局部特征,使用循环单元提取时域特征,对信噪比较低情况下的微弱故障特征进行提取。
S4.根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;
工程实际中,旋转机械设备型号、尺寸、负载、转速等均与试验条件存在差异,并且在现场的设备长期处于正常状态,有标签的故障数据量较少。针对时域数据特征提取难,不同工况下数据存在差异以及数据多标签少等问题,可以采用迁移学习的方法搭建故障诊断或分类识别算法。
旋转机械故障预测的前提是建立在大量历史监测的数据基础上的,同时以先验知识经验为支撑,从而实现预测寿命和设备运行趋势。将历史监测数据作为数据源,构建综合监测指标,对关键监测指标采用大数据算法(神经网络、随机森林、SVM、贝叶斯等)进行分析建模形成故障诊断模型,不断比较与结果的符合性来提高模型的精确度。将旋转机械状态监测的实时数据接入预测模型进行挖掘分析,得出模型结果并进行评价,评价的最终结果进行保存继续优化模型。
可以尝试引用高阶谱分析和典型时频变换技术,如高阶矩谱、高阶累积量谱、分数阶傅里叶变换、小波变换、Lipschitz指数、分形维数、cohen类时频变换、模糊函数等全面地提取信号中的特征,并结合PCA、流行学习对特征进行筛选,使获得的特征能最大化表示监测数据的信息,同时特征的大小最小化。随后利用神经网络、SVM、KNN、决策树并结合Boosting、Bagging等集成算法,对旋转机械运行状态进行识别,及时发现其存在的早期故障。
S5.根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。
本发明实施例通过获取旋转机械的监测数据和DCS数据;对所述监测数据和DCS数据进行数据预处理;对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态,解决了现有技术对旋转机械的监测实时性差不全面导致的运维管理效率低的问题。
进一步的,所述监测数据包括:旋转机械的振动监测数据和声发射数据;所述DCS数据包括机组的运行工况和旋转机械的运行参数。
可选地,所述DCS数据包括机组的运行工况(如重要设备/管段进出口温度、压力、机组运行功率等)、旋转机械的重要运行参数(如线圈电压/电流、润滑油温度、各级密封压力等)。
进一步的,对所述监测数据和DCS数据进行数据预处理;包括:
根据监测数据和DCS数据信息的数据结构以及数据长度,对监测数据和DCS数据进行筛选过滤,对过滤后的监测数据和DCS数据进行融合,得到预处理后的监测数据和DCS数据。
进一步的,所述根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;包括:
根据状态监测特征数据判断是否进行阈值报警、趋势报警和/或综合报警;若是,则以三维结果可视化显示报警信息及报警日志;若根据状态监测特征数据判定进行综合报警,则判定是否启动故障诊断和故障预测;若是则进行故障诊断和故障预测。
进一步的,故障诊断包括:
根据故障诊断特征数据对设备故障类型、位置以及程度进行诊断,得到诊断数据;
根据诊断数据、故障关联数据和历史趋势判定离设备故障严重所需要的时间和是否发生次生故障。
进一步的,故障预测包括:
将故障预测特征数据的趋势与标准趋势进行对比,判断旋转机械是否会发生潜在故障、故障类型、故障位置以及发生故障的时间;
利用故障异常数据库获取历史平均失效前时间预测下次产生故障的时间;
利用潜在故障的特征的趋势与标准趋势比对,生成潜在故障信息、下一个故障时间以及旋转机械的剩余寿命。
进一步的,根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态;包括:
利用状态监测结果、故障诊断结果、故障预测结果、维修结果和先验知识,对旋转机械的健康状态进行综合评估。
示例性的,核电站旋转机械健康管理方法,包括:
(1)数据、信息的接收与存储
旋转机械健康管理***的数据来源包括而从附加传感器获取的数据(以二进制文件存储)、DCS获取的数据、离线试验数据和经过特征提取、状态监测、故障诊断、故障预测后的结果数据以及需要可视化的中间数据,***的主要信息来源包括而设备设计、制造、安装以及退役信息(来自于文件或人工手动输入)、设备运行状态异常信息(来自历史诊断、预测、评估结果)、维修信息管理***中的维修工单信息(来自维修信息管理***的数据库)以及计算管理模块中的设备维修计划(来自设备维修大纲或生产计划处计划)等信息。
***结合标准的数据传输协议,建立高效、安全、准确、合理的数据传输逻辑通道(非物理通道),实现数据流的全流程实时传递。同时针对以上数据信息,利用结构化数据库与非结构化数据库的优势,为每种数据设计合理的存储模式,以适应大容量、多样化的数据存储场景。
(2)数据预处理与特征提取
***根据监测数据和DCS数据信息的数据结构以及数据长度,对监测数据进行筛选,利用算法库中的预处理算法对监测数据和DCS获取的数据进行融合,并将数据或者数据信息保存在数据库中。
滤掉不合格数据,同时将监测数据或相关信息写入到数据库中,建立起相应的索引。
***利用算法库中状态监测特征提取算法、故障诊断特征提取算法以及故障预测特征提取算法,对预处理后的监测数据信息进行特征变换,生成状态监测特征、故障诊断特征以及故障预测特征,分别作为状态监测节点、故障诊断节点以及故障预测节点的输入。同时为主界面的趋势可视化服务,通过定制化开发的可视化特征提取算法,对需要进行趋势可视化的特征进行计算,并将数据与时间信息作为趋势可视化的输入。
***建立状态监测特征提取算法、故障诊断特征提取算法、故障预测特征提取算法以及可视化特征提取算法的服务部署接口,建立了可视化的标准库,打通服务场景的上下游数据,建立起标准的信息传输通道。
(3)状态监测
主要包括阈值报警、趋势报警和综合报警,同时作为故障诊断以及故障预测执行节点开启的先决条件,其主要逻辑图参考图4所示。
***建立阈值报警、趋势报警、综合报警的服务部署接口,并打通上图中所有的数据流,根据报警结果建立报警交互页面,交互信息包括报警设备和报警日志,提供超限特征名,并将结果写入到状态监测结果数据库中。
(4)故障诊断
主要包括在线故障诊断及结果评价两个部分,其中在线故障诊断过程主要是利用故障诊断特征数据对设备故障类型、位置以及程度进行诊断,结果评价过程主要是对设备诊断结果获得的数据以及历史趋势判定离设备故障严重所需要的时间,以及通过故障关联数据库,判断可能产生的次生故障。
***建立了经验公式、物理仿真模型、数据驱动模型以及结果评估算法的服务部署接口,并部署增量学习应用框架。此外打通上图中所有的数据流,根据故障诊断结果建立交互页面,交互信息包括故障位置、故障程度、故障类型以及设备故障程度严重所需要的时间和次生故障信息,并将结果写入到故障诊断结果数据库中,并将故障前主要特征趋势保存至故障预测标准数据库中,为后续故障预测做准备。
(5)故障预测
主要包括潜在故障预测和设备剩余寿命预测,其中潜在故障预测主要是根据故障预测特征数据的趋势以及标准趋势进行对比,从而判断设备是否会发生潜在故障以及故障主要类型、故障位置以及可能发生故障的时间。同时利用故障异常数据库,获取历史平均失效前时间,并给出下次可能产生故障的时间,其逻辑图如图5所示。
***建立了数理统计算法、数据驱动算法以及寿命评估算法的服务部署接口,并打通上图中所有的数据流,根据故障预测结果建立交互页面,交互信息包括潜在故障特征的实际趋势与标准趋势比对,潜在故障信息,下一个失效时间以及设备的剩余寿命,并将结果写入到故障预测结果数据库中。
(6)智能决策
***主要利用状态监测结果、故障诊断结果以及故障预测结果数据库,进行诊断结果进行综合评估,根据维修信息管理***,挖掘出历史故障与维修策略的映射关系,结合计划管理模块,制定维修决策建议和计划,生成自动报告,并根据工人维修结果给出反馈结果,并将反馈结果和异常信息一并写入到设备信息数据库中,为后续健康管理积累经验,其逻辑图如图6所示。
***建立了维修工单信息挖掘算法、健康状态综合评估算法以及最优决策算法的服务部署接口,建立计划管理模块、设备信息数据库以及维修决策知识库的实时交互界面,与维修工单管理***的接口,并打通上图中所有的数据流,根据维修决策结果自主生成报告,并根据维修完工报告对维修决策建议及计划进行评级,并将结果写入到设备信息数据库中,并对维修决策知识库中的推荐权值进行自动修正。
(7)计划管理模块与维护
***根据设备维护计划建立旋转机械计划管理模块,对旋转机械周期性维护时间、计划维修窗口进行统一管理,通过交互界面实现计划维修信息的录入,并以此指导维修决策的时间窗口。
(8)知识库与维护
***根据专业知识以及由维修管理***中获取的知识,建立旋转机械的设备运维知识库,对专家经验、故障知识、维修方案、运维策略等进行统一管理,形成核心设备运维知识库。
关键设备故障知识库和维修知识库以表格和富文本的方式将其规则化,通过“故障问题——建议操作——维修反馈”的关系对故障知识库、维修知识库以及现场工作进行关联。关键设备故障知识库主要是根据故障来存储的故障树。当设备出现故障时,根据出现故障的情况按照推理规则对故障树进行遍历。
维修知识库是对关键设备已知故障的维修方案进行管理,方便维修人员在遇到关键设备维修时能够快速的查找相应的维修方案开展维修工作。
(9)算法平台及可视化标准库
算法平台一方面作为算法文件的集成中心,同时也作为算法开发的编程环境及编译器。算法平台中的算法能以服务的形式发布到各个执行节点上,***建立适宜的算法平台,提供主流语言(如java、python(能接进python第三方库)和C)以及数据库增改删查的算法模块开发接口,并提供每个流程节点通用的标准算法模块(如信号处理、特征处理、智能分类、智能回归等算法)、算法文件增改删查管理以及发布功能。
可视化标准库作为可视化标准件的集成中心,可视化标准件能以控件的形式部署到空白页面中,供应商应根据需求建立适宜的可视化标准库,提供主流可视化标准件(包括而不限于柱状图、折线图、面积图、饼图、环图、散点图、气泡图、弦图、年轮图、扳手图、勘察图、雷达图、玫瑰图、词云图、网络图、文本流图、迁徙图、聚类图、网络节点图、箱图、圈图、热力图、3D图等),支持多系列,多Y轴,实时更新等可视化常用功能。
从而,本发明实施例利用旋转设备基础信息、维修信息、计划信息以及布置在设备上的附加传感器、DCS***中的设备状态信息和离线试验数据,通过建设大数据算法平台,开发并持续维护诊断算法,实现旋转机械数据监测预警、故障诊断及预测;通过监测数据、诊断结果和运维知识的积累与管理,提供运维策略支持,为生产和维修提供决策依据,实现旋转机械运维、维修、维护的关联化管理,从而不断完善维修技术和维修体制,提升核电站安全性和经济性。
本发明实施例可通过构建设备全寿命数据中心,整合核电站内旋转设备运行数据,实现核电设备全寿命的管理;实现旋转设备维修四种模式,即事后维修、计划维修、状态维修、预测维修。不断完善维修技术和维修体制;实现旋转机械的数据监测预警、故障诊断及故障分析、预警;实现旋转机械运维、维修、维护的关联化管理。
第二方面,本发明实施例提供一种核电站旋转机械健康管理***,参考图2所示,包括:
获取单元,用于获取旋转机械的监测数据和DCS数据;
预处理单元,用于对所述监测数据和DCS数据进行数据预处理;
提取单元,用于对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;
诊断及预测单元,用于根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;以及
判断单元,用于根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。
第三方面,本发明实施例提供一种核电站旋转机械健康管理***,包括:
边缘端,用于布置于旋转机械,用于获取旋转机械的监测数据和DCS数据;对所述监测数据和DCS数据进行数据预处理;对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;用于根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态;以及
云端,用于利用边缘端回传的关键数据及处理结果,进行各类算法的建立、维护与推送部署,对设备综合健康状态进行评估和决策。
可选地,云端用于利用边缘端回传的关键数据及处理结果,主要进行各类算法(报警、诊断、预测等)的建立、维护与推送部署,对设备综合健康状态进行评估和决策。
所述健康管理***的原理和构思同上述方法。
示例性的,参考图3所示。核电站旋转机械健康管理***采用边缘端与云端结合的健康管理模式,通过在旋转机械附近部署边缘端硬件,完成数据、信息的接收,数据预处理与特征提取,状态监测、故障诊断、故障预测等大部分工作,并将关键数据及处理结果通过网络回传云端;在云端,主要进行各类算法(报警、诊断、预测等)的建立、维护与推送部署,对设备综合健康状态进行评估和决策。
***利用旋转设备基础信息、维修信息、计划信息以及布置在设备上的附加传感器、DCS***中的设备状态信息和离线试验数据,通过数据智能预处理、特征提取、状态预警、故障诊断、故障预测以及智能维修决策,建立起完整的旋转机械健康管理体系。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行所述核电站旋转机械健康管理方法。
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)
1.一种核电站旋转机械健康管理方法,其特征在于,包括:
获取旋转机械的监测数据和DCS数据;
对所述监测数据和DCS数据进行数据预处理;
对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;
根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;
根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。
2.如权利要求1所述核电站旋转机械健康管理方法,其特征在于,所述监测数据包括:旋转机械的振动监测数据和声发射数据;所述DCS数据包括机组的运行工况和旋转机械的运行参数。
3.如权利要求1所述核电站旋转机械健康管理方法,其特征在于,对所述监测数据和DCS数据进行数据预处理;包括:
根据监测数据和DCS数据信息的数据结构以及数据长度,对监测数据和DCS数据进行筛选过滤,对过滤后的监测数据和DCS数据进行融合,得到预处理后的监测数据和DCS数据。
4.如权利要求3所述核电站旋转机械健康管理方法,其特征在于,所述根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;包括:
根据状态监测特征数据判断是否进行阈值报警、趋势报警和/或综合报警;若是,则以三维结果可视化显示报警信息及报警日志;若根据状态监测特征数据判定进行综合报警,则判定是否启动故障诊断和故障预测;若是则进行故障诊断和故障预测。
5.如权利要求4所述核电站旋转机械健康管理方法,其特征在于,故障诊断包括:
根据故障诊断特征数据对设备故障类型、位置以及程度进行诊断,得到诊断数据;
根据诊断数据、故障关联数据和历史趋势判定离设备故障严重所需要的时间和是否发生次生故障。
6.如权利要求5所述核电站旋转机械健康管理方法,其特征在于,故障预测包括:
将故障预测特征数据的趋势与标准趋势进行对比,判断旋转机械是否会发生潜在故障、故障类型、故障位置以及发生故障的时间;
利用故障异常数据库获取历史平均失效前时间预测下次产生故障的时间;
利用潜在故障的特征的趋势与标准趋势比对,生成潜在故障信息、下一个故障时间以及旋转机械的剩余寿命。
7.如权利要求6所述核电站旋转机械健康管理方法,其特征在于,根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态;包括:
利用状态监测结果、故障诊断结果、故障预测结果、维修结果和先验知识,对旋转机械的健康状态进行综合评估。
8.一种核电站旋转机械健康管理***,其特征在于,包括:
获取单元,用于获取旋转机械的监测数据和DCS数据;
预处理单元,用于对所述监测数据和DCS数据进行数据预处理;
提取单元,用于对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;
诊断及预测单元,用于根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;以及
判断单元,用于根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态。
9.一种核电站旋转机械健康管理***,其特征在于,包括:
边缘端,用于布置于旋转机械,用于获取旋转机械的监测数据和DCS数据;对所述监测数据和DCS数据进行数据预处理;对预处理之后的监测数据和DCS数据进行特征数据提取,生成状态监测特征数据、故障诊断特征数据以及故障预测特征数据;根据状态监测特征数据、故障诊断特征数据、故障预测特征数据对旋转机械进行状态监测、故障诊断和故障预测;用于根据状态监测数据、故障诊断数据、故障预测数据、旋转机械的历史情况以及先验知识判断核电站旋转机械的健康状态;以及
云端,用于利用边缘端回传的关键数据及处理结果,进行各类算法的建立、维护与推送部署,对设备综合健康状态进行评估和决策。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1-7任意一项所述核电站旋转机械健康管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130386.9A CN115469643A (zh) | 2022-09-15 | 2022-09-15 | 一种核电站旋转机械健康管理方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130386.9A CN115469643A (zh) | 2022-09-15 | 2022-09-15 | 一种核电站旋转机械健康管理方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115469643A true CN115469643A (zh) | 2022-12-13 |
Family
ID=84334103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211130386.9A Pending CN115469643A (zh) | 2022-09-15 | 2022-09-15 | 一种核电站旋转机械健康管理方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115469643A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590149A (zh) * | 2023-11-14 | 2024-02-23 | 南方电网调峰调频发电有限公司检修试验分公司 | 基于大数据技术的故障解决方案生成方法、装置和设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及*** |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断***及诊断方法 |
CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用***、方法及存储介质 |
CN110766277A (zh) * | 2018-10-24 | 2020-02-07 | 中国核电工程有限公司 | 用于核工业现场的健康评估及诊断***和移动终端 |
CN110782190A (zh) * | 2019-12-04 | 2020-02-11 | 江苏方天电力技术有限公司 | 基于泛在电力物联网技术的调相机远程诊断*** |
CN111255674A (zh) * | 2020-01-21 | 2020-06-09 | 武汉瑞莱保能源技术有限公司 | 一种用于检测旋转机械设备状态的***及检测方法 |
CN111753603A (zh) * | 2019-03-29 | 2020-10-09 | 北京市劳动保护科学研究所 | 一种应急发电机组edg故障诊断*** |
CN112152698A (zh) * | 2020-09-24 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种遥感卫星地面站健康监控***及方法 |
CN113112038A (zh) * | 2021-04-13 | 2021-07-13 | 中国铁道科学研究院集团有限公司 | 智能监测与诊断分析***、装置、电子设备及存储介质 |
CN113125135A (zh) * | 2021-03-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 旋转机械的故障诊断方法、存储介质及电子设备 |
CN113391612A (zh) * | 2020-03-13 | 2021-09-14 | 株洲中车时代电气股份有限公司 | 车辆传动控制***的故障预测与健康管理装置和故障预测方法 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断*** |
CN113776794A (zh) * | 2021-08-13 | 2021-12-10 | 昆明理工大学 | 一种嵌入式边缘计算的故障诊断方法、装置和*** |
CN114167842A (zh) * | 2021-12-08 | 2022-03-11 | 中国船舶科学研究中心 | 一种基于振动主动控制***的故障预测与健康管理方法 |
CN114169549A (zh) * | 2021-12-04 | 2022-03-11 | 中国船舶工业综合技术经济研究院 | 一种基于分布式的喷水推进装置故障诊断预测*** |
CN114254779A (zh) * | 2021-12-23 | 2022-03-29 | 九号智能科技(上海)有限公司 | 一种基于预测性维护的生产设备健康管理*** |
CN114841190A (zh) * | 2022-03-16 | 2022-08-02 | 台州守敬应用科技研究院有限公司 | 一种基于复合模型的轴承健康评估方法 |
CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、***和存储介质 |
-
2022
- 2022-09-15 CN CN202211130386.9A patent/CN115469643A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及*** |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断***及诊断方法 |
CN110766277A (zh) * | 2018-10-24 | 2020-02-07 | 中国核电工程有限公司 | 用于核工业现场的健康评估及诊断***和移动终端 |
CN111753603A (zh) * | 2019-03-29 | 2020-10-09 | 北京市劳动保护科学研究所 | 一种应急发电机组edg故障诊断*** |
CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用***、方法及存储介质 |
CN110782190A (zh) * | 2019-12-04 | 2020-02-11 | 江苏方天电力技术有限公司 | 基于泛在电力物联网技术的调相机远程诊断*** |
CN111255674A (zh) * | 2020-01-21 | 2020-06-09 | 武汉瑞莱保能源技术有限公司 | 一种用于检测旋转机械设备状态的***及检测方法 |
CN113391612A (zh) * | 2020-03-13 | 2021-09-14 | 株洲中车时代电气股份有限公司 | 车辆传动控制***的故障预测与健康管理装置和故障预测方法 |
CN112152698A (zh) * | 2020-09-24 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种遥感卫星地面站健康监控***及方法 |
CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、***和存储介质 |
CN113125135A (zh) * | 2021-03-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 旋转机械的故障诊断方法、存储介质及电子设备 |
CN113112038A (zh) * | 2021-04-13 | 2021-07-13 | 中国铁道科学研究院集团有限公司 | 智能监测与诊断分析***、装置、电子设备及存储介质 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断*** |
CN113776794A (zh) * | 2021-08-13 | 2021-12-10 | 昆明理工大学 | 一种嵌入式边缘计算的故障诊断方法、装置和*** |
CN114169549A (zh) * | 2021-12-04 | 2022-03-11 | 中国船舶工业综合技术经济研究院 | 一种基于分布式的喷水推进装置故障诊断预测*** |
CN114167842A (zh) * | 2021-12-08 | 2022-03-11 | 中国船舶科学研究中心 | 一种基于振动主动控制***的故障预测与健康管理方法 |
CN114254779A (zh) * | 2021-12-23 | 2022-03-29 | 九号智能科技(上海)有限公司 | 一种基于预测性维护的生产设备健康管理*** |
CN114841190A (zh) * | 2022-03-16 | 2022-08-02 | 台州守敬应用科技研究院有限公司 | 一种基于复合模型的轴承健康评估方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590149A (zh) * | 2023-11-14 | 2024-02-23 | 南方电网调峰调频发电有限公司检修试验分公司 | 基于大数据技术的故障解决方案生成方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
CN101446827B (zh) | 一种流程工业***的过程故障分析装置及方法 | |
Merkt | On the use of predictive models for improving the quality of industrial maintenance: An analytical literature review of maintenance strategies | |
CN112257988A (zh) | 核电厂复杂事故特征识别及风险预警***和方法 | |
MX2013000577A (es) | Aprendizaje de maquina para redes electricas. | |
CN104392752A (zh) | 一种实时在线的核反应堆故障诊断与监测*** | |
CN116862442A (zh) | 基于大数据分析的智能设备管理方法、*** | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断***及其诊断方法 | |
CN101859128A (zh) | 一种基于知识的车铣复合机床故障预测专家*** | |
CN112487058A (zh) | 一种基于数据挖掘的数控机床故障监测与诊断*** | |
CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与*** | |
CN107767056A (zh) | 一种用于电站磨煤机的状态监控与健康管理*** | |
CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
CN115469643A (zh) | 一种核电站旋转机械健康管理方法、***及介质 | |
CN102929241B (zh) | 精对苯二甲酸装置安全运行指导***及其应用 | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN114118222A (zh) | 一种磨煤机状态预警***及故障识别诊断方法 | |
CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及*** | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN117370818A (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保*** | |
CN111842759A (zh) | 基于工业互联网平台的重型锻造装备远程运维***架构 | |
CN112145375B (zh) | 基于Neo4j与贝叶斯的风机变桨***故障诊断方法 | |
Bellini et al. | A deep learning approach for short term prediction of industrial plant working status |
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 |