CN116519054A - 一种热力站设备健康状态监测***及方法 - Google Patents
一种热力站设备健康状态监测***及方法 Download PDFInfo
- Publication number
- CN116519054A CN116519054A CN202310460219.9A CN202310460219A CN116519054A CN 116519054 A CN116519054 A CN 116519054A CN 202310460219 A CN202310460219 A CN 202310460219A CN 116519054 A CN116519054 A CN 116519054A
- Authority
- CN
- China
- Prior art keywords
- early warning
- parameters
- sensor
- motor
- early
- 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 42
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 47
- 238000010801 machine learning Methods 0.000 claims description 35
- 238000010438 heat treatment Methods 0.000 claims description 21
- 230000001502 supplementing effect Effects 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 36
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000007689 inspection Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000005299 abrasion Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005202 decontamination Methods 0.000 description 2
- 230000003588 decontaminative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种热力站设备健康状态监测***及方法,采用多传感器信息融合技术,将板式换热器堵塞、电机轴承磨损、管道爆裂等问题纳入实时状态监管体系,通过增加振动、温度传感器的方式建立温度、振动故障诊断专家分析、温度场分析模型,结合原PLC的压力流量等实时数据,形成综合设备故障预警***,实时判断设备异常情况,采集处理分析故障信息,为现场巡点检提供重点检查依据。通过设备状态数据的收集,结合边缘计算智能分析,对设备当前的运行健康状态进行有效评估,并及时提供预警信息,提前发出设备故障预警等级,为检修人员快速检查,提高设备可靠性提供保障。
Description
技术领域
本发明涉及热力站设备技术领域,具体为一种热力站设备健康状态监测***及方法。
背景技术
热力站是供热网络与用户连接的中转站,将热网输送的热媒通过定向调整后转为可分配热能,满足居民用暖的需求。标准热力站设备配置有换热器、循环泵、一二次网除污器、补水泵、补水箱、计量仪表、控制阀门等。根据热力站规模不同,设备数量多少及设备大小有差异。热力站分布根据城市规划无序设立,点多且分散,一般中小城市热网管理公司下辖多个热力站,其设备保有量巨大,给检修维护工作带来很大压力。
目前都是按照计划性检修方式和突发故障检修进行检修工作,计划性检修方式是在供热停止阶段对所有的热力设备进行检查维护,对故障点进行维护,该方式费时费力,而且不能对隐匿的故障点做到有效清除;突发故障检修则是供热期间热力设备出现突发故障后进行维护,在维护阶段会影响该区域的供暖,检修工作人员每天忙于处理设备突发故障,大大增加工人的工作量。
现有热力站设备管理方式方法,全部基于PLC逻辑控制方法实现换热站设备闭环运行,该类控制方式属于运行自动化,针对设备故障仅有简易的故障报警和过载保护功能,不能对设备故障进行有效预警,需要配合人工巡检才能保障设备正常运行。
发明内容
针对现有技术中存在的问题,本发明提供一种热力站设备健康状态监测***及方法,能够有效检测热力设备的运行状态,根据运行状态输出热力设备的预警信号,尽早排出故障,减轻维护压力,降低热力设备的运行成本,
本发明是通过以下技术方案来实现:
一种热力站设备健康状态监测***,包括换热器堵塞预警单元、管道漏爆预警单元、电机预警单元和控制单元;
所述换热器堵塞预警单元,用于获取热力***中换热器介质的压力、温度和流量参数,并将获取的压力、温度和流量发送给机头显示;
所述管道漏爆预警单元,用于获取热力***中各供水管线的压力和流量参数,并将获取的压力和流量参数发送给机头显示;
所述电机预警单元,用户获取热力***中各电机的振动参数、温度参数和电压和电流参数,并将获取的振动参数、温度参数和电压和电流参数发送给机头显示;
所述控制单元,用于对接收到的参数进行分析并输出预警信号。
优选的,所述换热器堵塞预警单元包括设置在换热器的进水口和出水口的管路上均设置压力传感器、温度传感器和流量传感器。
优选的,所述电机预警单元包括设置循环泵和补水泵上的振动传感器、温度传感器和电流电压传感器。
优选的,管道漏爆预警单元包括流量传感器和压力传感器;热力***的介质流通管路上间隔一定距离设置流量传感器和压力传感器。
优选的,所述控制单元包括数据采集模块、预警分析模块和显示模块,数据采集模块通过无线方式与各传感器连接,采集模块和显示模块与预警分析模块连接。
一种热力站设备健康状态监测***的预警方法,所述换热器堵塞预警单元的预警方法如下:
获取换热器供水回水的进水口和出水口的压力、流量和温度参数,将获取的参数作为样本数据输入到构建的堵塞机器学习模型中,对堵塞机器学习模型进行训练,训练后的堵塞机器学习模型得到当前换热器的正常运行状态以及报警阈值,当换热器的运行参数不符合正常的运行状态则输出预警信号。
优选的,所述电机预警单元的预警方法如下:
获取振动传感器、温度传感器和电压电流传感器历史时间段的正常状态的振动参数跳变曲线、温度跳变曲线、三相电压平衡曲线和电流负载曲线,并作为样本数据输入到构建的电机预警机器学习模型中,对电机预警机器学习模型进行训练,训练后的电机预警机器学习模型得到电机正常状态的运行参数;
将电机的实时运行参数输入到训练后的电机预警机器学习模型中,对电机的实时运行状态进行判断,并根据判断结果输出预警信号。
优选的,所述管道漏爆预警单元的预警方法如下:
获取各传感器K值将其作为样本数据输入到构建的管道预警机器学习模型中,对管道预警机器学习模型进行训练,训练后的管道预警机器学习模型将所有的传感器的K值进行复合运算得到各热力管路的标准健康状态L;
将实时的各传感器K值输入到训练后的管道预警机器学习模型中,并输出当前管道的实时健康状态L1,将标准健康状态L与实时的实时健康状态L1进行比较,输出预警信号。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供的一种热力站设备健康状态监测***,该***采用多传感器信息融合技术,将板式换热器堵塞、电机轴承磨损、管道爆裂等问题纳入实时状态监管体系,通过增加振动、温度传感器的方式建立温度、振动故障诊断专家分析、温度场分析模型,结合原PLC的压力流量等实时数据,形成综合设备故障预警***,实时判断设备异常情况,采集处理分析故障信息,为现场巡点检提供重点检查依据。通过设备状态数据的收集,结合边缘计算智能分析,对设备当前的运行健康状态进行有效评估,并及时提供预警信息,提前发出设备故障预警等级,为检修人员快速检查,提高设备可靠性提供保障。
附图说明
图1为本发明热力站设备健康状态监测***的结构框图;
图2为本发明热力站设备健康状态监测***的结构图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
一种热力站设备健康状态监测***,包括换热器堵塞预警单元、管道漏爆预警单元、电机预警单元和控制单元;
换热器堵塞预警单元,用于获取热力***中换热器介质的压力、温度和流量参数,并将获取的压力、温度和流量发送给机头显示。
管道漏爆预警单元,用于获取热力***中各供水管线的压力和流量参数,并将获取的压力和流量参数发送给机头显示。
电机预警单元,用户获取热力***中各电机的振动参数、温度参数和电压和电流参数,并将获取的振动参数、温度参数和电压和电流参数发送给机头显示。
控制单元,用于对接收到的参数进行分析并输出预警信号。
换热器堵塞预警单元包括压力传感器、温度传感器和流量传感器,换热器的进水口和出水口的管路上均设置压力传感器、温度传感器和流量传感器,进而获取换热器进水口和出水口的压力、流量和温度。
通过传感器获取换热器供水回水的进水口和出水口的压力、流量和温度参数,将获取的参数作为样本数据输入到构建的堵塞机器学习模型中,对堵塞机器学习模型进行训练,经过分析历史时间段内、对应的当前时间的换热器的工况参数,堵塞机器学习模型得出当前换热器的正常运行状态,同时得出当前时间段准确报警阈值,最终获得换热器合理有效的工况区间。通过单个设备自学习整定参数,满足不同品牌板式换热器故障监控,并可以根据工艺要求随时调整报警阈值,真正实现换热器的定点精准监控。
堵塞机器学习模型为深度学习网络模型或卷积神经网路模型。
电机预警单元包括电机上的振动传感器、温度传感器和电流电压传感器,通过振动传感器获取电机的加速度和位移数据,温度传感器用于测量电机的轴端温度,电流电压传感器用于测量电机的电流和电压值。
在电机上部署振动传感器、温度传感器,电压电流传感器,用于获取电机三轴加速度、速度、位移、前后轴温度、三相电压和电流数据。将获取的参数作为样本数据输入到构建的电机预警机器学习模型中,对电机预警机器学习模型进行训练,训练后的电机预警机器学习模型得到电机正常状态的运行参数,并针对多个参数等级标定报警阈值,最终实现电机健康状态评估体系。
将电机的实时运行参数输入到训练后的电机预警机器学***衡之间智能分析,输出电机异常状态,
依据电机铭牌额定参数,可分析出电机异常状态,并可以在早期征兆时提醒检修维护,并针对多个参数等级标定报警阈值,实现设备故障提前发现,提早预防。将事故隐患扼杀在摇篮期,具有预见性分析及报警手段,提高设备有效监管力度,减少事故非停,故障扩大等事后因素。
根据电机预警机器学习模型,建立电机的故障预警***,将热力***中各个电机进行编号并输入故障预警***,当任何一个模型输出的电机的非正常状态,则故障预警***输出预警型号,指示维护人员进行对该编号的电机进行检修维护。该电机的故障预警***,实时判断设备异常情况,为现场巡点检提供重点检查依据。并对设备当前的运行健康状态进行有效评估,及时提供预警信息,提前发出设备故障预警等级,为状态检修奠定数据基础。
管道漏爆预警单元包括流量传感器和压力传感器,在热力***的介质流通管路上间隔一定距离设置流量传感器和压力传感器,流量传感器和压力传感器将测量的参数实时发送给控制单元,控制单元对流量和压力参数进行分析,并输出热力管路的预警信号,分析过程如下:
对各传感器历史时间段内的数据进行统计计算得到各传感器的K值,多个传感器计算出多个K值,既K1、K2、K3..Kn。将获取各传感器K值将其作为样本数据输入到构建的管道预警机器学习模型中,对管道预警机器学习模型进行训练,训练后的管道预警机器学习模型将所有的传感器的K值进行复合运算得到各热力管路的标准健康状态L;将实时的各传感器K值输入到训练后的管道预警机器学习模型中,并输出当前管道的实时健康状态L1,将标准健康状态L与实时的实时健康状态L1进行比较,输出预警信号。将所有的传感器的K值进行复合运算得到各热力管路的健康状态L,单个传感器的K值又可以进行单个传感器的健康状态,从而实现闭环检测。比如通过出入口温度、压力、流量的K值,可以判断出当前管路是管道堵塞、不通畅、或者有漏点。
所述温度传感器主要采集板式换热器进水口和出水口两端、水泵轴端、管道表面的温度信息,所述温度传感器采用成熟的PT100采集温度,温度采集范围-5~200℃。所述温度传感器将温度数据转换为数字信号,通过有线或者无线方式上传至控制单元。所述振动传感器主要采集电动机、水泵X、Y、Z三轴加速度、位移数据。所述振动传感器将加速度、位移数据转换为数字信号,通过有线或者无线方式上传至至控制单元。
温度传感器和振动传感器使用电池供电,数据采用无线传输的方式运行,所有测量芯片使用数字芯片,从而最大减少因气温、湿度、辐射引起的模拟数据跳变。本实施例中所使用温度采集为恒流源驱动。振动使用RMS算法有效值,算法结构如下:
所述电压电流传感器采用智能电表测量电机的用电参数,包含A、B、C三相电压、电流数据,所述智能电表将电压电流信号转换为数字信号,通过有线无线或者无线方式上传至控制单元。
所述热力管道的压力、流量、液位等均有相对应的传感器,传感器品牌及型号根据热力站设计要求选型,型号种类众多。所述压力、流量、液位等信号均采用4~20mA数据采集模块串入原控制回路,不改变原测量方式。所述4~20mA数据采集模块将以上信息转换为数字信号,通过有线或者无线方式上传至控制单元。
控制单元包括数据采集模块、预警分析模块和显示模块,数据采集模块通过无线方式与各传感器连接,所述无线方式采用ZigBee、LoRa等低功耗无线协议接入,所述有线方式采用RS485、RJ45、CAN总线协议接入,所述协议均属于成熟稳定的通讯协议,采集模块和显示模块与预警分析模块连接,显示模块用于显示各热力设备的温度、振动、电流电压、流量和液位数据。
所有通讯包含无线报文上报均采用但不限于CRC冗余校验进行数据校验,CRC校验原型为,x^16x^12x^51(0x1021)。
实施例1
下面以一个换热***为例,对本发明提供的热力站设备健康状态监测***进行说明。
参阅图2,图中,FT代表流量传感器、PT代表压力传感器、TE代表温度传感器、3V代表3相电压表、3I代表3相电流表、VS代表振动传感器。
一次供水管路的旋转除污泵的入口设置第一流量传感器,旋转除污泵的入口旋转除污泵的入口与板式换热器热侧入口之间的管路上设置第一压力传感器和第一温度传感器,板式换热器热侧入口的管路上设置第二压力传感器和第二温度传感器,一次供水管路和二次供水管路的连接处设置第二流量传感器。
板式换热器的冷侧出口的一次回水管路上设置第三压力传感器、第三温度传感器和第三流量传感器,板式换热器的冷侧入口设置第四压力传感器和第四温度传感器。
板式换热器的冷侧入口通过管路接并联的第一循环泵和第二循环泵,第一循环泵和第二循环泵上分别设置有三相电流表、三相电压表、温度传感器和振动传感器,循环泵的出口设置压力传感器。第一循环泵和第二循环泵的入口分别接,第一补水泵、第二补水泵和除污器,除污器接二次回水管路,第一补水泵和第二补水泵的入口通过出水管路接补水箱。所述二次回水管路上设置流量传感器,补水泵上设置三相电流表、三相电压表、温度传感器和振动传感器,补水泵的出口设置压力传感器。
在板式换热器两侧增加压力及温度传感器,通过长期收集两侧压力及温度数据,从而导出历史正常比率浮动范围,取中心值设置该比率为基准值。通过人工标定损坏的板式换热器数据,设定损坏比率。通过收集多个品牌、不同功率板式换热器温度压力数据,得出详细正常运行区间和异常损坏区间值。通过标定后的温度压力数据,可针对板式换热器实现无人化监管,并且根据运行参数时间多级报警,例如提示清洗、加酸、紧固、更换等。实现板式换热器无人化自动监控及健康状态评估。
通过加装电机振动传感器、温度传感器,电压电流传感器,同步对比数据跳变曲线、三相平衡曲线、负载曲线。通过数据建模实现振动、温升、三相平衡之间智能分析,依据电机铭牌额定参数,可分析出电机异常状态,并可以在早期征兆时提醒检修维护,并针对多个参数等级标定报警阈值,实现设备故障提前发现,提早预防。将事故隐患扼杀在摇篮期,具有预见性分析及报警手段,提高设备有效监管力度,减少事故非停,故障扩大等事后因素。
通过加装一次供水、一次回水、二次供水、二次回水流量传感器、压力传感器。可针对泄漏、爆管等异常情况早监控、早发现、提前解决。通过沿线管路增加多个流量、压力传感器,还可以定位泄漏、爆管发生的大致区域位置,为提前事故处理及隐患排除提供可靠的数据支撑。
各传感器通过无线通信与控制单元的数据采集模块连接,还可以将多个热力***的健康状态监测***通过后台监控中心进行连接,各热力站的控制单元通过光纤、4G、5G、NB-IoT等协议同步上传数据至后台监控中心,通过后台监控中心对区域内的所有的热力站设备进行监控预警,将每个分散的热力站通过物联网的方式连接至一个网络中,实现同步管理。
监控中心通过数据库不间断的收集这些实时参数,并根据工艺要求分门别类存放,建立大数据中心库。根据工艺参数要求建立数字模型,并根据功能性导入相关数据、时间等参数。并且同步实现数据依存关系及处理方法,报警阈值标定等针对设备正常数据值及异常数据值评定依据。根据阈值法、分析法实现设备故障诊断、设备隐患预警。把早期故障征兆反映至人机交互界面上,并且通过数据指标提供设备健康状态评估,达到无人化设备监管,从基于计划性检修方法,过渡到预防性状态检修的程度,大幅度减轻运维人员工作量。将之前时候补救措施,进化至事前预防、萌芽期消灭的程度。通过本***,实现设备故障可视化、可预见,使运维人员全面掌握设备健康状态及未来检修维护时间节点。
与现有技术相比较,上述***具有以下有益效果:
1、该***采用多传感器信息融合技术,具有实时数据监控采集和数据传输功能,在每个热力站布置一套热力站设备健康状态监测***,即可兼容所有设备监控状态所需的传感器。传感器可采用有线或者无线方式上传数据。可以实现分布式管理、快速部署安装。
2、该***独立于现有控制***之外,***安装部署不改变原有设备及控制方式的完整性和正常运行状态。能弥补原有控制***中的监管盲区,对设备精细化管理具有补充及深入监管层次。
3、能够便于进行故障预警判断,变事后诊断为事前分析。便于捕捉设备异常的早期征兆,进而锁定范围,进行事前分析,提高设备可靠性,减少设备隐患、紧急抢修和非停,减少停机时间;
4、该热力站设备健康状态监测***兼容性强、扩展性强。同时满足不同品牌不同型号的板式换热器、电机水泵、管道等常规热力站设备的监管。因此,能兼容几乎所有的热力站设备,并且还具备后续扩容、扩展、升级的功能,对已有热力站快速部署、未来新建热力站兼容升级等均有全面考量,是一套真正意义上解决当前实际痛点问题,同时又满足未来持续发展的可升级状态检修***,为热力站设备监管水平上升提供决策性依据。
设备健康状态检修***包含温度、振动、电压电流、压力流量、液位等测量方法。通过后台数据建模,并且倒入数据依存关系,通过大数据分析实现故障监测、故障萌芽期预警、设备监控状态评估、检修周期建议等功能。实现由计划性检修方式到状态检修方式过渡。设备健康状态检修***定位于热力站设备全面管理:旨在提升设备监管能力和故障预警水平,使故障在萌芽期就能发现,尽早消除,由事后补救措施改为事前预防,减轻维护压力,降低运行成本,并且对热力站设备健康状态进行实时、全面监控。
该设备健康状态检修***将计划性检修及事后抢修模式变为状态化检修,根据设备实际健康状态选择检修、维护、润滑或者是紧固螺丝等。大大提升后台对设备的监管力度和监管层次,减轻减少维护人员人力物力支出,降低突发故障几率,降低因此带来的一系列周边影响;本发明利用物联网思维,将一整套***按照功能区分为软件和硬件,并采用搭积木的方式兼容不同热力站。同时考虑未来扩展扩容等实际客观情况,是一款精确定位、实用的热力站检修维护***。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种热力站设备健康状态监测***,其特征在于,包括换热器堵塞预警单元、管道漏爆预警单元、电机预警单元和控制单元;
所述换热器堵塞预警单元,用于获取热力***中换热器介质的压力、温度和流量参数,并将获取的压力、温度和流量发送给机头显示;
所述管道漏爆预警单元,用于获取热力***中各供水管线的压力和流量参数,并将获取的压力和流量参数发送给机头显示;
所述电机预警单元,用户获取热力***中各电机的振动参数、温度参数和电压和电流参数,并将获取的振动参数、温度参数和电压和电流参数发送给机头显示;
所述控制单元,用于对接收到的参数进行分析并输出预警信号。
2.根据权利要求1所述的一种热力站设备健康状态监测***,其特征在于,所述换热器堵塞预警单元包括设置在换热器的进水口和出水口的管路上均设置压力传感器、温度传感器和流量传感器。
3.根据权利要求1所述的一种热力站设备健康状态监测***,其特征在于,所述电机预警单元包括设置循环泵和补水泵上的振动传感器、温度传感器和电流电压传感器。
4.根据权利要求1所述的一种热力站设备健康状态监测***,其特征在于,管道漏爆预警单元包括流量传感器和压力传感器;热力***的介质流通管路上间隔一定距离设置流量传感器和压力传感器。
5.根据权利要求1所述的一种热力站设备健康状态监测***,其特征在于,所述控制单元包括数据采集模块、预警分析模块和显示模块,数据采集模块通过无线方式与各传感器连接,采集模块和显示模块与预警分析模块连接。
6.一种权利要求1-5任一项所述的一种热力站设备健康状态监测***的预警方法,其特征在于,所述换热器堵塞预警单元的预警方法如下:
获取换热器供水回水的进水口和出水口的压力、流量和温度参数,将获取的参数作为样本数据输入到构建的堵塞机器学习模型中,对堵塞机器学习模型进行训练,训练后的堵塞机器学习模型得到当前换热器的正常运行状态以及报警阈值,当换热器的运行参数不符合正常的运行状态则输出预警信号。
7.根据权利要求3所述的一种热力站设备健康状态监测***的预警方法,其特征在于,所述电机预警单元的预警方法如下:
获取振动传感器、温度传感器和电压电流传感器历史时间段的正常状态的振动参数跳变曲线、温度跳变曲线、三相电压平衡曲线和电流负载曲线,并作为样本数据输入到构建的电机预警机器学习模型中,对电机预警机器学习模型进行训练,训练后的电机预警机器学习模型得到电机正常状态的运行参数;
将电机的实时运行参数输入到训练后的电机预警机器学习模型中,对电机的实时运行状态进行判断,并根据判断结果输出预警信号。
8.根据权利要求4所述的一种热力站设备健康状态监测***的预警方法,其特征在于,所述管道漏爆预警单元的预警方法如下:
获取各传感器K值将其作为样本数据输入到构建的管道预警机器学习模型中,对管道预警机器学习模型进行训练,训练后的管道预警机器学习模型将所有的传感器的K值进行复合运算得到各热力管路的标准健康状态L;
将实时的各传感器K值输入到训练后的管道预警机器学习模型中,并输出当前管道的实时健康状态L1,将标准健康状态L与实时的实时健康状态L1进行比较,输出预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460219.9A CN116519054A (zh) | 2023-04-21 | 2023-04-21 | 一种热力站设备健康状态监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460219.9A CN116519054A (zh) | 2023-04-21 | 2023-04-21 | 一种热力站设备健康状态监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116519054A true CN116519054A (zh) | 2023-08-01 |
Family
ID=87396994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310460219.9A Pending CN116519054A (zh) | 2023-04-21 | 2023-04-21 | 一种热力站设备健康状态监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116519054A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117170312A (zh) * | 2023-11-03 | 2023-12-05 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
-
2023
- 2023-04-21 CN CN202310460219.9A patent/CN116519054A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117170312A (zh) * | 2023-11-03 | 2023-12-05 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
CN117170312B (zh) * | 2023-11-03 | 2024-04-12 | 南通钜盛数控机床有限公司 | 一种数控机床主轴健康程度量化评价方法 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
CN117572295B (zh) * | 2024-01-12 | 2024-04-12 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116519054A (zh) | 一种热力站设备健康状态监测***及方法 | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及*** | |
CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
CN103403463B (zh) | 故障检测和诊断算法 | |
CN104796082A (zh) | 一种光伏发电***在线故障诊断***及方法 | |
EP2290597A2 (en) | System and method for wind turbine health management | |
CN110991692B (zh) | 基于动态包络线法的换热器群运行状况监测清洗预警方法 | |
KR20140130540A (ko) | 설비들의 그룹의 조건 모니터링을 위한 방법 및 시스템 | |
CN103942735A (zh) | 一种继电保护状态评估的方法 | |
CN112177661B (zh) | 一种煤矿局部通风参数精准监测与异常预警***及方法 | |
CN105022373A (zh) | 基于zigbee技术的港口设备维护*** | |
CN106997513A (zh) | 基于大数据分析的配网设备状态评价*** | |
CN112836941B (zh) | 一种煤电机组汽轮机高加***在线健康状况评估方法 | |
CN105320123A (zh) | 一种基于在线监测数据的测控设备健康状态评价***和方法 | |
CN112000654B (zh) | 一种高速铁路大风监测数据质量控制方法和装置 | |
CN113902288A (zh) | 一种用于水资源调控与运营的管理***及方法 | |
CN214173430U (zh) | 用于通风机或水泵的能效安康一体化的监测*** | |
CN117277958A (zh) | 一种基于大数据的光伏电站的智能运维管理方法及*** | |
CN113669628A (zh) | 一种蒸汽热网运行监控和在线故障诊断*** | |
CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及*** | |
CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
RU2541937C2 (ru) | Способ информационного обеспечения и управления нефтедобычей в реальном масштабе времени и автоматизированная система для его осуществления | |
CN106325258A (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN112611413A (zh) | 用于通风机或水泵的能效安康一体化的监测方法及装置 | |
RU2668487C2 (ru) | Система информационной поддержки принятия управленческих решений для обслуживающего персонала судовой энергетической установки |
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 |