一种基于AspenMtell系统的水轮发电机组故障预警和预判方法与流程

一种基于aspen mtell系统的水轮发电机组故障预警和预判方法
技术领域
1.本发明涉及水电站管理技术领域，具体涉及一种基于aspen mtell系统的水轮发电机组故障预警和预判方法。


背景技术：

2.水电站是将水能转换为电能的综合工程设施。一般包括由挡水、泄水建筑物形成的水库和水电站引水系统、发电厂房、机电设备等。水库的高水位水经引水系统流入厂房推动水轮发电机组发出电能，再经升压变压器、开关站和输电线路输入电网。
3.在现有产品方面，调研了华科同安tn8000水电机组状态监系统、奥技异hpu2100振动摆度监测系统、北京中水科水电isma2000水电厂状态监测分析系统、国电南自sd8000c水电站监控系统和aspen mtell系统。目前国内设备状态监测分析系统虽然在国内水电企业得到了较大规模的应用，但这些系统基本都没有完全利用设备自身完整的监测数据由计算机进行自学习，自建模的机器学习算法，仅支持实时状态监测、不能实现早期提前预警，可能产生误报和漏报。
4.因此，需要一种对水电机组整体设备系统性监控预警的产品，更高预测准确性和更长预警提前期，并具有自学习能力的系统，为将来的智能电站建设做基础技术。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，选取设备本身的监控传感器采集数据，以及上下游工艺传感器所采集的数据，用他们的综合趋势来进行模式识别，通过历史数据和模型识别的结果，能评估清洗传感器采集数据，使用简单，纯机器学习核心技术能提供准确故障预警，提供维修参考；能提供潜在故障监测和预警，如果完全按照已知故障库的甄别方法，则我们发现设备的正常运行时间基本不存在，因为通过消缺记录发现所有设备的运行工况十分复杂多变，所采集的单个监测数据也不能完整和唯一的表明真实的事件情况，重复发生同一种事件的概率也不大。基于此，我们结合消缺记录，以及mtell的运行状况分析得到了综合的正常运行时间，并基于此建立了模型。
6.具体通过以下技术方案来实现的：一种基于aspen mtell系统的水轮发电机组故障预警和预判方法，包括下列步骤：
7.步骤s1：通过计算机获取机组设备的历史工作数据，含故障、维修工单数据，将机组设备上的传感器获取连续的工作数据进行储存，得到历史工作数据，将历史工作数据作为训练样本集；
8.步骤s2：将训练样本集发送至aspen mtell系统，aspen mtell系统清洗传感器数据得到故障样本集合；
9.步骤s3：在故障样本集合中，按照设备事件的类型，定义事件样本集合的机组设备时序状态并通过学习不同状态的时段数据构建不同事件态的预测模型，包括正常agent、已
知故障agent、一般事件agent。通过三类预测模型(agent)，可以预测四种运行状态，分别是：正常agent可以预测正常运行状态和未知异常状态，已知故障agent可以预测已知故障状态，一般事件事件模型可以监测一般事件状态(包括规律性事件和偶发事件)；
10.步骤s4：实时获取机组设备上待检测位置的时序工作数据，将该工作数据输入进aspen mtell系统中，aspen mtell系统将输出该位置的预测状态，当预测状态为故障状态时，aspen mtell系统根据该预测状态和该位置输出预测的故障原因。
11.优选的，所述步骤s2中，aspen mtell系统支持在线适配eam或者离线导入，通过配置用户账号和密码，获取对应的地址后初始化并导入训练样本集。
12.优选的，aspen mtell系统还包括模型训练单元，模型训练单元包括下列步骤：步骤s31：选定机组设备工作数据作为模型训练基础，导入工作数据到aspen mtell系统中，通过机组设备的历史运行状态训练agent，其中，已知故障agent、一般事件agent是通过该选定机组设备上关联的传感器及故障事件或者维修工单对应时间等数据分析判断而得，正常agent是通过该持续正常运行的机组设备上关联的传感器数据并定义正常运行时段分析判断而得；
13.步骤s32：分别索引正常agent、已知故障agent、一般事件agent上的工作数据，将不符合已知故障agent、未知异常agent和正常agent的时序工作数据进行标记为未知事件，并调试该时序的工作数据，执行步骤s33；
14.步骤s33：验证调试后的agent与历史运行状态的符合情况，根据验证结果得到aspen mtell系统的效率。
15.优选的，aspen mtell系统的效率与所述步骤s4中的预测状态的准确率呈正比。
16.优选的，所述aspen mtell系统中包含有多个单元，多个单元之间依次运行，每个单元中包含有一个或多个表单，工作数据按照时序和agent分类排列在表单中。
17.优选的，所述步骤2中，清洗传感器数据包括剔除时序数据不合格的传感器数据，包括时序数据缺少、时序数据是在传感器接触不良下获取。
18.优选的，步骤s31中，历史运行状态通过导入维修工单所得，分类为已知故障运行状态、一般事件状态、未知异常运行状态和正常运行状态。其中未知异常运行状态为未来新发现的从未出现过的故障状态。
19.优选的，已知故障运行状态包含故障维修工单中涉及状态数据的传感地址上报的超低限、低限、高限、超高限告警事件，其中，状态数据包括有水压、电压、摆渡、功率、脉动静压值、振动和转速，所述正常运行类包含正常运行、发出指令后停机状态。
20.本发明的有益效果是：
21.(1)建立规律性事件侦探模型训练，避免误报，能够实现；
22.(2)配置联机监测侦探，同步故障类型，对传感数据能够进行迅速的分析和归类。
附图说明
23.图1为本发明的整体框架图；
24.图2为本发明的实施例中传感器设置示意图；
25.图3为本发明的实施例中aspen mtell系统运行状态的时序排列图；
26.图4为本发明的实施例中剔除的传感器运行数据的采样图；
27.图5为本发明的实施例中规律性事件agent的采样图；
28.图6为本发明的实施例中整体工作原理图。
具体实施方式
29.下面结合本发明的附图1，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均属于本技术的保护范围。
30.实施例1：
31.一种基于aspen mtell系统的水轮发电机组故障预警和预判方法，包括下列步骤：步骤s1：通过计算机获取机组设备的历史工作数据，通过机组设备上的传感器获取连续的工作数据进行储存得到历史工作数据，将历史工作数据作为训练样本集；
32.步骤s2：将训练样本集发送至aspen mtell系统，aspen mtell系统清洗传感器数据得到故障样本集合；
33.步骤s3：在故障样本集合中，按照故障事件的类型，定义故障样本集合的机组设备时序状态，包括一般事件状态、已知故障状态和正常状态，并对对应状态时段的数据进行学习构建相应预测模型agent；
34.步骤s4：实时获取机组设备上待检测位置的时序工作数据，将待预测的该工作数据输入进aspen mtell系统中，aspen mtell系统输出该位置的预测状态，当预测状态为故障状态时，aspen mtell系统根据该预测状态和该位置输出预测的故障原因；
35.所述步骤s2中，aspen mtell系统支持在线适配eam或者离线导入，通过配置用户账号和密码，获取对应的地址后初始化并导入训练样本集。
36.aspen mtell系统还包括模型训练单元，模型训练单元包括下列步骤：
37.步骤s31：选定机组设备工作数据作为训练基础，导入工作数据到aspen mtell系统中，通过机组设备的历史运行状态训练agent，其中，已知故障agent是选定机组设备上关联的传感器及故障事件或者维修工单对应时段，正常agent是选定持续正常运行的机组设备上关联的传感器并定义正常运行时段，未知异常agent是选定机组设备上关联的传感器并定义非正常运行时段；
38.步骤s32：分别索引已知故障agent、一般事件agent和正常agent上的工作数据，将不符合已知故障agent、一般事件agent和正常agent的时序工作数据进行标记为未知事件，并调试该时序的工作数据，执行步骤s33；
39.步骤s33：验证调试后的agent与历史运行状态，根据训练结果得到aspen mtell系统的预测模型，aspen mtell系统的预测模型部署生产环境输入实时数据能得到所述步骤s4中的预测故障状态的及概率。所述aspen mtell系统中包含有多个单元，多个单元之间依次运行，每个单元中包含有一个或多个表单，工作数据按照时序和agent分类排列在表单中。本实施例中，新建立振动超限agent，瓦温超限agent，选择了不同的sensor group传感器组和不同的equipment set整套设备，经过agent调整和分析，并验证预测关系，得到最佳的10个agent训练时长及调优5周，确定设备集，确定了优化后sensor group及故障侦探进行数据筛选。通过软件的筛选功能消除不正常的数据点。
40.所述步骤2中，清洗传感器数据包括剔除时序数据不合格的传感器数据，包括时序数据缺少、时序数据是在传感器接触不良下获取。请参照图5，根据2017和2018年的实际情况，存在上述40个指令性事件，我们为了保障未来存在遗漏现象，为他们建立规律性事件侦探模型训练避免误报漏报。
41.步骤s31中，历史运行状态通过导入维修工单所得，分类为已知故障运行状态、未知异常运行状态和正常运行状态。
42.值得说明的是，对侦探集中的数据进行遍历，剔除故障的传感器数据。所述已知故障类包含故障维修工单中涉及状态数据的传感地址上报的超低限、低限、高限、超高限告警事件，其中，状态数据包括有水压、电压、摆渡、功率、脉动静压值、振动和转速，所述正常运行类包含正常运行、发出指令后停机状态。所述正常运行类为机组通过指令发出后通常出现的技术状态模型，包含正常运行、发出指令后停机状态模型以及由于运动边界条件自然变化所引起的正常反应，用于监测当前状态与定义的状态是否存在异常。所述一般性事件类为机组中上报周期性指令的事件，所述偶发时间类包含非周期性指令。
43.本实施例中，以雅砻江水电站4号发电机组中的振动和温度相关数据为例，请参照图2，进行本系统的验算，通过mtell工具在线适配eam或者离线导入数据。
44.当一个以前没出现过的故障发生时，正常agent可以进行报警。报警发生之后，可以通过故障概率知道设备故障的严重情况，同时可以通过传感器排行/根原因分析，确定故障的来源，在接下来的故障模型侦探中，我们主要排除了顶盖 y水平振动(滤波)超限这个缺陷记录。通过这一工作，我们验证了mtell的正常agent可以帮助我们准确的识别异常状态。
45.请参照图2，选取设备本身的监控传感器，以及上下游工艺传感器，用他们的综合趋势来进行模式识别。
46.通过历史数据和模式识别的结果，建立两种agent(侦探)：正常agent，异常agent
47.把两种agent放在线上进行监控和模式识别。如果设运行状态和正常agent相同，则说明设备运行正常。如果和异常agent相同，则说明将发生故障或事件。
48.正常agent(侦探)：是设备正常运行情况下的综合趋势。它包含不只一种情况，不同负荷，原料，外界条件等的正常运行情况都会被它收集起来。如果设备运行偏离了所有正常状态，则这个侦探就会报警并分析根本原因，可以发现与正常运行状态不同的所有未知异常。
49.异常agent(侦探)：是设备发生故障(事件)或即将发生故障(事件)时候的综合趋势。设备每发生一类故障就可以训练一个故障状态agent(侦探)。类似故障再次发生之后，侦探就可以提前进行报警，并告知故障发生的类型和原因。
50.值得说明的是，所述步骤s2中，aspen mtell系统支持在线适配eam或者离线导入，通过配置用户账号和密码，获取对应的地址后初始化并导入训练样本集，下列是工单结构的数据，配置联机监测侦探的故障同步类型：1、选择设备和需要联机监测的侦探
51.2、选择具体同步告警的方式，比如短信、邮件、工单等，可以同时建立全部方式，请参照图6。
52.3、选择工单模式后则可以选择之前定义好的模板，在这里还可以对模板内的字段进行根据业务需要进行增减
53.agent name:$(agent name)
54.alert severity:$(alert severity)
55.machine learning agent:$(machine learning agent)
56.machine name:$(machine name)
57.agent trigger date:$(agent trigger date)
58.agent trigger mode:$(agent trigger mode)
59.ml result-top 10sensors:
60.$(ml result-top 10tags)
61.reliability characteristics
62.failure class:$(class code)
63.problem code:$(problem code)
64.cause code:$(cause code)
65.remedy code:$(remedy code)
66.corrective actions:$(corrective actions)。
67.值得说明的是，请参照图6，aspen mtell智慧电厂预测性维护总体方案，具备对外通知能力、独立部署和联网部署能力、具备被集成能力方便整合综合监控。还能够，
68.1.设备故障主因分析(专家系统)
69.2.顺控流程异常信号报警(机器学习、专家系统)
70.3.辅助设备启停异常分析(统计、关联、回归)
71.4.报警阈值分段及自修正
72.5.故障处置指导、对接maximo自动开具智能工作票
73.6.故障定位及数字孪生进行维修预演
74.通过mtell报警和分析结果指导传感器布设，防止产生监控死角，以实现更好的在线监控结果。
75.综上所述，mtell可以对设备故障进行预警，预警期长达数周至数月，mtell可以预测诸如轴承故障，轴瓦故障等发电机组故障，在此基础上可以提前进行准备工作，将非计划停机变成计划停机，或者通过调整参数避免停机，这样可以规避非计划停车带来的安全隐患和风险，mtell提供了充分的时间进行排产检修安排，杜绝应急检修，tell提供的长时间预警可以让调度部分合理安排检修时间，避免应急检修。而很多在应急检修中出现的，由于时间不足、检修条件不充分、检修人员不充足而导致的连续作业，违章检修，安全措施不足等安全隐患也得以避免。而通常这些就是导致检修过程中发生事故的根本原因，mtell提供了针对设备故障的针对性解决方案，mtell可以通过关键参数排行找到发电机组根本原因，这样就可以让我们对设备运行参数和工艺参数进行调整，避免设备的停机和检修，这样也就从根本上避免了由于设备故障和检修过程所导致的事故隐患。