CN119005941B - 一种基于工业互联网平台的定子槽温故障分析方法 - Google Patents

Abstract

一种基于工业互联网平台的定子槽温故障分析方法，可替代人工随时的自动化启动对定子槽温的故障分析。该平台包括四个层级，分别是驱动级、分析级、输出级和数据级；驱动级用于确定发电机定子槽温异常时的分析驱动方式，包括事件驱动和周期驱动，并输出故障模式特征指标；分析级用于对故障的原因和影响进行分析，包括故障案例分析、规则分析、FTA分析大数据分析，分析级将得到的案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，输出置信度最高的结果；输出级用于通过思维导图形式将故障分析的逻辑和结果进行显示；数据级用于分析每次故障分析结果，对故障关键信息进行梳理，更新故障知识并将过程与结果结构化后录入数据库。

Description

一种基于工业互联网平台的定子槽温故障分析方法

技术领域

本发明属于电力行业故障分析领域，特别涉及一种基于工业互联网平台的定子槽温故障分析方法。

背景技术

目前水轮发电机定子槽温主要通过人工，按周、月、年度定期进行趋势分析和故障分析分析，对于出现的异常，需要人工去收集各个监测系统的相关测点数据进行统计分析，需投入大量的人力和时间成本，分析效率较低。

现有技术的不足在于：现有的水轮发电机定子槽温故障分析方法智能化程度不高，分析精确性不够，并且缺少结合工业互联网平台技术的分析方法。

发明内容

本发明所要解决的技术问题是提供一种基于工业互联网平台的定子槽温故障分析方法，本发明可替代人工随时的自动化启动对定子槽温的故障分析分析，并且能够提高故障分析分析的效率，并且提高分析的精确性。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于工业互联网平台的定子槽温故障分析方法，采用了工业互联网平台，所述的工业互联网平台包括驱动级、分析级、输出级和数据级四个层级；定子槽温故障分析方法步骤如下：

步骤一：通过设备侧分布式传感器获取定子槽温的实时数据；

步骤二：通过驱动级的趋势预警模块分析实时数据发出发电机定子槽温出现异常上升的信息；

步骤三：通过驱动级的信息分析模块将上述信息处理成趋势分析结果输入到驱动级的策略驱动模块，确定故障模式特征指标；

步骤四：基于数据级的数据库，检索是否有相同或相似故障模式的案例，并基于匹配规则进行分析，判断是否存在同步升高趋势，根据匹配相似度输出最接近的故障模式、故障结果和故障措施；

步骤五：基于FTA数据库对故障原因进行分析，比对案例匹配结果、规则分析结果、FTA分析结果和数据分析结果，得出槽温异常原因和故障影响，并输出故障风险程度和需要采取的治理措施。

优选地，步骤三中，所述故障模式特征指标包括异常槽温值-临近槽号铁芯温度值、异常槽温值-临近槽号齿压板温度值、以及异常槽温值-临近槽号槽温值。

优选地，数据级包括数据库单元，将数据库单元中的包括规则、算法和指标的知识加载到相应模块，以对数据和信息进行处理。

优选地，步骤五中，根据分析输出的结果，对故障关键信息进行梳理，判断是否是已发生故障，如果是发生过的故障，则替代原有故障内容；如果不是发生过的故障，则形成新故障内容并录入数据库。

优选地，步骤五中，所述FTA数据库是根据水电系统历史故障及故障关联经验所提供的信息，通过FTA引擎去组织建立故障分析树，帮助寻找同类故障发生有关的原因和故障影响。

优选地，所述驱动级包括故障分析驱动单元，所述故障分析驱动单元包括趋势预警模块、信息分析模块、策略驱动模块和缺陷设备分析模块，信息分析模块用于根据工业互联网平台中的智能预警模块输出的预警信息得到预警结果以及根据驱动级的趋势预警模块输出的定子槽温出线异常上升的信息得到趋势分析结果；基于预警结果和趋势分析结果，缺陷设备分析模块对发生缺陷的设备进行明确；

驱动级用于确定发电机定子槽温异常时的分析驱动方式，包括事件驱动和周期驱动，并输出故障模式特征值标给分析级。

优选地，所述分析级包括故障分析单元，所述故障分析单元包括故障案例分析模块、规则分析模块、FTA分析模块、大数据分析模块、以及置信度对比模块；故障案例分析模块是基于知识沉淀级的案例库，检索是否有相同或相似案例、并基于分析级的规则，所述规则是检索故障信号测点数据、故障现象、故障征兆、故障模式和处理措施信息，与案例库对应字段进行语义匹配，根据匹配相似度输出最接近的故障模式、故障结果和故障措施，得到案例匹配结果；规则分析模块是基于专家经验和设备运行机理，相邻对应槽号附近铁芯温度和齿压板温度、相邻槽温之间温差出现相关性变化，则说明该位置温度确实出现异常，根据温度之间的关系，对故障原因进行判断，得到规则分析结果；FTA分析模块是将驱动级的故障模式特征指标，匹配到数据级的FTA库中的故障模式，基于数据级的FTA库的FTA对应的逻辑故障树，分析故障原因和故障影响，得到FTA分析结果；大数据分析是将机组所有测点历史数据进行相关性计算，从纯数据角度分析得出数据分析结果；置信度对比模块是将案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，将置信度最高的结果输出；

分析级用于对故障的原因和影响进行分析，包括故障案例分析、规则分析、FTA分析大数据分析，分析级将得到的案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，输出置信度最高的结果。

优选地，输出级用于通过思维导图形式将故障分析的逻辑和结果进行显示。

优选地，数据级包括数据库单元，将数据库单元中的包括规则、算法和指标的知识加载到相应模块，以对数据和信息进行处理；

数据级用于分析每次故障分析结果，对故障关键信息进行梳理，更新故障知识并将过程与结果结构化后录入数据库。

一种定子槽温故障分析系统，采用了所述的一种基于工业互联网平台的定子槽温故障分析方法。

本发明可达到以下有益效果：

本发明可替代人工随时的自动化启动对定子槽温的故障分析分析，并且能够提高故障分析分析的效率，并且提高分析的精确性。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明故障分析方法流程图；

图2为本发明工业互联网平台结构图。

具体实施方式

优选的方案如图1至图2所示，一种基于工业互联网平台的定子槽温故障分析方法，采用了工业互联网平台，该平台包括四个层级，分别是驱动级、分析级、输出级和数据级；驱动级用于确定发电机定子槽温异常时的分析驱动方式，包括事件驱动和周期驱动，并输出故障模式特征值标给分析级；分析级用于对故障的原因和影响进行分析，包括故障案例分析、规则分析、FTA分析大数据分析，分析级将得到的案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，输出置信度最高的结果；输出级用于通过思维导图形式将故障分析的逻辑和结果进行显示；数据级用于分析每次故障分析结果，对故障关键信息进行梳理，更新故障知识并将过程与结果结构化后录入数据库。

故障分析的方法流程如图1所示，

步骤一：通过设备侧分布式传感器获取定子槽温的实时数据；

步骤二：通过驱动级的趋势预警模块分析所述实时数据发出发电机定子槽温出现异常上升的信息；

步骤三：通过驱动级的信息分析模块将上述信息处理成趋势分析结果输入到驱动级的策略驱动模块，确定故障模式特征指标；

步骤四：基于数据级的数据库，检索是否有相同或相似故障模式的案例，并基于匹配规则进行分析，判断是否存在同步升高趋势，根据匹配相似度输出最接近的故障模式、故障结果和故障措施；

步骤五：基于FTA数据库对故障原因进行分析，比对案例匹配结果、规则分析结果、FTA分析结果和数据分析结果，得出槽温异常原因和故障影响，并输出故障风险程度和需要采取的治理措施。

故障模式特征指标包括异常槽温值-临近槽号铁芯温度值、异常槽温值-临近槽号齿压板温度值、异常槽温值-临近槽号槽温值

以下针对各单元进行详细介绍。

一、驱动级包括故障分析驱动单元，所述故障分析驱动单元包括趋势预警模块、信息分析模块、策略驱动模块和缺陷设备分析模块，信息分析模块能够根据工业互联网平台中的智能预警模块输出的预警信息得到预警结果以及根据驱动级的趋势预警模块输出的定子槽温出现异常上升的信息得到趋势分析结果；基于预警结果和趋势分析结果，缺陷设备分析模块对发生缺陷的设备进行明确。

为保证故障分析驱动单元的正常工作，需要将数据库中的包括规则、算法和指标的知识加载到策略驱动模块，以对数据和信息进行处理。

故障分析驱动单元的驱动方式包括“事件驱动”和“周期驱动”，“事件驱动”：发生了预警/告警等事件后，开启故障分析。“周期驱动”：按照日、周、月等固定的周期，开启故障分析。

二、故障分析单元，包括故障案例分析模块、规则分析模块、FTA分析模块、大数据分析模块、以及置信度对比模块。

故障案例分析模块：故障案例分析是基于数据库，检索是否有相同或相似案例、并基于规则，所述规则是检索故障信号测点数据、故障现象、故障征兆、故障模式和处理措施等信息，与案例库对应字段进行语义匹配，根据匹配相似度输出最接近的故障模式、故障结果和故障措施，得到案例匹配结果。

规则分析模块：基于专家经验和设备运行机理，如相邻对应槽号附近铁芯温度和齿压板温度、相邻槽温之间温差出现相关性变化，则说明该位置温度确实出现异常，根据温度之间的关系，对故障原因进行判断，得到规则分析结果。

FTA分析模块：将驱动级级的故障模式特征指标，匹配到数据库的FTA的故障模式，基于数据库的FTA对应的逻辑故障树，分析故障原因和故障影响，得到FTA分析结果。

大数据分析模块：将该机组所有测点历史数据进行相关性计算，从纯数据角度分析得出数据分析结果。

置信度对比模块：将案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，将置信度最高的结果输出。

为保证故障分析单元的正常工作，将数据库中的包括规则、算法、指标的知识加载到故障分析单元的相应模块，对数据和信息进行处理。

对故障关键信息进行梳理，判断是否是已有故障，如果是发生过的已有故障，则对原有故障知识进行覆盖；如果不是，则形成新故障知识并录入数据库。

数据库可以包括FMEA数据库、案例数据库、规则数据库、FTA数据库、算法数据库、样本数据库、指标数据库。

FMEA数据库是利用FMEA分析方法，识别出水电站设备的故障模式及其风险，并建立设备故障模式之间的影响关系，进而形成的故障关联知识库。

案例数据库是对工业当中发生的故障，利用IT技术将故障发生时的各类特征记录下来，进行故障忠实记录，总结故障经验，组织成典型故障案例库。当再有故障发生后，使用案例匹配算法，快速匹配出历史故障案例，并调取案例信息，从而将故障原因，处理措施等历史经验作为参考来进行故障排除，从而提高故障分析和处置的效率。

规则数据库是将业务规则按照业务主题进行管理，保存为业务规则库。规则包括一组条件和在该条件下的（一个或多个）动作。条件是可计算的逻辑表达式（由包括常量或变量组成）。条件的计算方法可以是数学函数、字符串函数、内置API、脚本或自定义的其他方法。动作是输出到控制台、执行函数、调用外部接口或自定义的其他方法。

FTA数据库是根据水电系统历史故障及故障关联经验所提供的信息，通过FTA引擎去组织建立故障分析树，帮助寻找同类故障发生有关的原因和故障影响，从而提高故障分析效率，并采取有效的防范措施，防止同类故障再次发生。

算法数据库就是通用算子算法和水电用算子算法的集合。

样本数据库是具有一定业务价值的数据集，需要满足数据筛选和数据处理过程要求，同时需要能与应用模型紧密结合，定义出各种类型和范围的样本集支撑高级应用模型的需求。样本定义是体现样本库价值的过程，是数据样本库的核心能力。按照业务含义的不同，可分为几大类：健康样本、故障样本、模拟样本。健康样本的定义：从时序数据全集中，根据算法找到异常的数据，人工确认后，剔除异常数据，即为健康样本；故障样本的定义：提取故障发生时的运行数据，进行保存，为故障预警、分析提供参考；模拟样本的定义：实际设备运行的数据，不满足故障分析的数据输入需求，通常使用模拟样本生成模拟数据，进行故障分析模拟。

指标数据库将所有可对外提供数据服务的指标，按照不同应用场景进行分类管理，并提供指标自身定义信息的查询、检索，以及指标结果信息的综合查询检索能力。指标库中的所有指标，既可以通过在线查询方式获取并使用其结果；也可以通过即时接口获取并使用其结果。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (9)

1.一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：采用了工业互联网平台，所述的工业互联网平台包括驱动级、分析级、输出级和数据级四个层级；定子槽温故障分析方法步骤如下：

步骤一：通过设备侧分布式传感器获取定子槽温的实时数据；

步骤二：通过驱动级的趋势预警模块分析实时数据发出发电机定子槽温出现异常上升的信息；

步骤三：通过驱动级的信息分析模块将上述信息处理成趋势分析结果，再将趋势分析结果输入到驱动级的策略驱动模块，确定故障模式特征指标；

步骤四：基于数据级的数据库，检索是否有相同或相似故障模式的案例，并基于匹配规则进行分析，判断是否存在同步升高趋势，根据匹配相似度输出最接近的故障模式、故障结果和故障措施；

步骤五：基于FTA数据库对故障原因进行分析，比对案例匹配结果、规则分析结果、FTA分析结果和数据分析结果，得出槽温异常原因和故障影响，并输出故障风险程度和需要采取的治理措施；

所述分析级包括故障分析单元，所述故障分析单元包括故障案例分析模块、规则分析模块、FTA分析模块、大数据分析模块、以及置信度对比模块；故障案例分析模块是基于知识沉淀级的案例库，检索是否有相同或相似案例、并基于分析级的规则，所述规则是检索故障信号测点数据、故障现象、故障征兆、故障模式和处理措施信息，与案例库对应字段进行语义匹配，根据匹配相似度输出最接近的故障模式、故障结果和故障措施，得到案例匹配结果；规则分析模块是基于专家经验和设备运行机理进行分析，相邻对应槽号附近铁芯温度和齿压板温度、相邻槽温之间温差出现相关性变化，则说明相邻对应槽号处温度确实出现异常，根据温度之间的关系，对故障原因进行判断，得到规则分析结果；FTA分析模块是将驱动级的故障模式特征指标，匹配到数据级的FTA库中的故障模式，基于数据级的FTA库的FTA对应的逻辑故障树，分析故障原因和故障影响，得到FTA分析结果；大数据分析是将机组所有测点历史数据进行相关性计算，从纯数据角度分析得出数据分析结果；置信度对比模块是将案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，将置信度最高的结果输出；

分析级用于对故障的原因和影响进行分析，包括故障案例分析、规则分析、FTA分析大数据分析，分析级将得到的案例匹配结果、规则分析结果、FTA分析结果和数据分析结果进行对比，输出置信度最高的结果。

2.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：步骤三中，所述故障模式特征指标包括异常槽温值-临近槽号铁芯温度值、异常槽温值-临近槽号齿压板温度值、以及异常槽温值-临近槽号槽温值。

3.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：数据级包括数据库单元，将数据库单元中的包括规则、算法和指标的知识加载到相应模块，以对数据和信息进行处理。

4.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：步骤五中，根据分析输出的结果，对故障关键信息进行梳理，判断是否是已发生故障，如果是发生过的故障，则替代原有故障内容；如果不是发生过的故障，则形成新故障内容并录入数据库。

5.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：步骤五中，所述FTA数据库是根据水电系统历史故障及故障关联经验所提供的信息，通过FTA引擎去组织建立故障分析树，帮助寻找同类故障发生有关的原因和故障影响。

6.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：所述驱动级包括故障分析驱动单元，所述故障分析驱动单元包括趋势预警模块、信息分析模块、策略驱动模块和缺陷设备分析模块，信息分析模块用于根据工业互联网平台中的智能预警模块输出的预警信息得到预警结果以及根据驱动级的趋势预警模块输出的定子槽温出线异常上升的信息得到趋势分析结果；基于预警结果和趋势分析结果，缺陷设备分析模块对发生缺陷的设备进行明确；

驱动级用于确定发电机定子槽温异常时的分析驱动方式，包括事件驱动和周期驱动，并输出故障模式特征值标给分析级。

7.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：输出级用于通过思维导图形式将故障分析的逻辑和结果进行显示。

8.根据权利要求1所述的一种基于工业互联网平台的定子槽温故障分析方法，其特征在于：数据级包括数据库单元，将数据库单元中的包括规则、算法和指标的知识加载到相应模块，以对数据和信息进行处理；

数据级用于分析每次故障分析结果，对故障关键信息进行梳理，更新故障知识并将过程与结果结构化后录入数据库。

9.一种定子槽温故障分析系统，其特征在于：采用了根据权利要求1-8中任意一项所述的一种基于工业互联网平台的定子槽温故障分析方法。