基于生產大數據的水輪發電機組故障診斷系統

李 峰

（貴州北盤江電力股份有限公司董箐分公司，貴州 貴陽550002）

水電設備是水電企業生產的基礎。隨著大型水輪發電機組在整個電力系統中的比重越來越大，單機容量增加，自動化程度不斷提高，年平均發電時間延長，檢修時間縮短，一方面滿足了發電企業提高生產效率、降低生產成本、節約能源等客觀需求，社會效益和經濟效益都有巨大的進步；另一方面也對水電設備的可用率、機組運行效率、安全性、可靠性與經濟性提出了更高的要求，事故停機造成的經濟損失可能會更為嚴重，給水電設備的運行管理帶來更多的挑戰。水電機組及電氣設備在運行中不斷受到泥沙磨損、汽蝕破壞、機械磨損及其他機械或電氣損傷，導致設備的壽命縮短。電力設備和系統故障后，輕則降低系統生產效率，重則停運，甚至造成災難性的后果。因此，準確分析和評估水輪發電機組故障對電力系統穩定可靠運行具有十分重要的意義[1-2]。目前研究有收集機組參數，通過大數據分析，有效地提高了水輪發電機的故障診斷準確率[3-4]，但大多仍在理論研究階段。

1 研究內容和實施方案

遠程診斷平臺故障診斷采用模型診斷加經驗診斷的混合診斷模式。模型診斷需要的是設備的精確模型，而精確模型的確立需要原始物理模型和實時數據相結合，通過模式識別才能完成。經驗診斷需要專家（運行人員等現場專家、離線專家）經驗，經過一系列組合起來形成經驗集合。通過模型診斷和經驗診斷形成組合診斷，這樣可以對設備形成比較精確的診斷（圖1）。

圖1 水電機組診斷流程框架圖

1.1 水輪發電機組振擺故障診斷技術研究

1.1.1 基于生產大數據的數據融合

振擺故障診斷數據融合包括：①振動特征參數：振動頻率fV、振動幅度AV；②機組的運行參數：轉速、水頭、流量、功率、勵磁電流、壓力脈動信號、尾水水位；③機組的結構參數：水輪機類型、轉輪葉片數目、主軸直徑、止漏環結構型式等；④巡視資料：振動部位、撞擊聲響、聲響位置；⑤安裝試驗資料：轉子中心、重心、軸承調整記錄、法蘭安裝記錄、轉子圓度安裝測量。

1.1.2 機組振動頻率和幅度模型

根據機組的結構、動力學原理、水力學原理、電磁理論以及專家的經驗，可以形成以下振動頻率和振動幅度的診斷模型，見表1和表2[5]。

表1 振動頻率診斷模型表

表2 振動幅度診斷模型

1.1.3 診斷

振動故障的診斷過程就是根據以上所闡述的模型、機組運行參數、機組結構參數、技術標準、巡視資料、試驗資料、安裝資料來進行推理的過程，振動故障和這些資料的關系可以用圖2所示的網狀圖來表示。

圖2方框中就是表1中所闡述的模型，模型中有流量、負荷、電流、轉速這些運行參數，也有導葉葉片數目這些結構參數，因而這些模型在專家系統這種軟件中只能是動態存在的，也是動態形成的，是由運行參數、結構參數、工況等綜合形成的。模型有的是在某個時刻能形成的，如MWf；有的必須是在一定的時間區間內形成的，如MPFa；有的還必須在特定的運行時間區間內才能得到判斷如MPJa。因而機組振動診斷專家系統是實時和歷史相結合，一般和特殊運行工況相結合的診斷專家系統。

模型中有些是確切的模型，如MWf；有些則是不確切的模型，如MKf。不確切的模型一般都是由于以目前的技術水平無法建立準確的數學模型。對于這種不確切模型的建立采用模糊方法。以模型MKf為例，評判因素集U=｛dAV/dQ｝，評判集AV={幅值變化率}，由評判因素得出評判結果，采用專家經驗法。

規則庫就是經驗庫，包含一系列規則經驗，它包含數據層次上相關領域的描述性知識和具體系統運行中的過程性知識。所有知識均從有經驗專家那里或經采編而來。所有的知識和經驗參數的確定都要反復咨詢專家后確定，然后整理為一條條規則，依據內容的不同，組建成規則庫，完成不同層次上的任務。

有了故障、原因、模型、規則、參數、記錄以及這些因素之間的關系圖，推理過程就非常清晰了。推理過程其實就是從故障出發，按照圖中某條路徑尋找原因的過程。

1.2 發電機故障診斷技術研究

發電機故障診斷和水輪機診斷類似，主要包括數據融合、數學模型、經驗和模型等復合診斷方法。

1.2.1 基于生產大數據的數據融合

發電機數據融合牽涉到的數據：①測量數據：上端氣隙（X、Y相關正負8個方向）；發電機局放：A相、B相、C相繞組局放；溫度：上導、下導、推力、水導的軸承油溫和瓦溫，定子鐵心溫度、空冷器進風和出風溫度等。②故障數據：定子線棒銅線斷裂或接頭開焊故障等；定子引出線套管類故障，如套管裂紋、斷裂或表面污穢、爬電故障等；定子絕緣類故障，如定子線圈端部接頭絕緣不良故障等多項故障案例。③機組的結構參數：發電機類型、線棒結構型式等。④巡視資料：發熱點、振動部位、撞擊聲響、聲響位置。⑤安裝試驗資料：轉子中心、重心、軸承調整記錄、法蘭安裝記錄、轉子圓度安裝測量。

圖2 機組振擺故障診斷結構圖

1.2.2 模型和算法

發電機故障診斷牽涉到的算法和模型：凸極式同步電機定子、軸瓦等溫度診斷模型；凸極式同步電機大軸、機架等振擺診斷模型；凸極式同步電機內部關鍵參數在線辨識與診斷模型；凸極式同步電機絕緣局部放電監測與診斷模型；凸極式同步電機損耗計算及診斷模型；凸極式同步電機氣隙、磁通監測與診斷模型；凸極式同步電機瞬態過程的關鍵量分析與診斷模型。基于工況同步的同步電機運行狀況辨識算法；基于熱穩定狀況的機組溫度診斷算法；基于多參數協同診斷的定子絕緣診斷算法；基于磁通的轉子繞組匝間短路診斷算法；基于氣隙的定子圓度、轉子圓度分析及診斷算法；基于多信息協同分析的同步電機內在參數計算方法。

1.2.3 診斷過程

發電機的故障診斷流程和圖2中描述的機組振擺故障診斷類似，由數據、模型、故障現象組成一個網絡，故障發生的時候根據這個網絡就能得出故障原因。

2 總體實施情況

董箐發電廠水電機組遠程診斷平臺基于生產大數據，以在線監測系統、監控系統、GIS SF6在線監測系統、主變在線監測系統、發電機局放及水情系統為基礎，以預知性檢修為核心業務線條，實現依托生產大數據的趨勢分析、指標分析、性能分析、診斷預警、設備健康度評價等功能，為實現預知性檢修提供技術支持。其主要內容包括：

（1）主平臺開發：采用開放性原則，建立診斷平臺主系統框架，開發了在線監測、性能分析、診斷分析、預知性檢修、應用中心、備品備件、在線學習、數據服務、基礎數據、系統管理等功能模塊，并采用多級人員及權限配置等安全設置。

（2）數據平臺建設：基于生產大數據對接入數據統一采用KKS編碼，建立標準數據庫，使電廠所有監測系統成為平臺子系統，通過數據整合，建成完整的標準化數據平臺。機組在線監測系統、計算機監控系統、主變油色譜在線監測系統、GIS SF6在線監測系統及發電機局放系統數據統一編碼及接入工作已完成。

（3）KPI指標集開發：在電廠基礎數據匯聚的基礎上，按照設備部件類型，積極對性能指標進行分類組合，完成了KPI指標集在平臺的部署，實現了設備主要指標預警和性能指標對比等功能，并給出分析結論及原因，確保設備健康狀態可控。

（4）在線監測模塊開發：完成機組在線監測系統數據集成工作，實現重要指標實時監測、電氣主接線圖、溫度及穩定性監測、平臺網絡實時監測等，實現了設備狀態的實時監測、智能預警及趨勢報警等功能。

（5）性能分析模塊開發：通過對設備效能指標及性能指標的綜合計算，實現診斷平臺性能分析周報及設備健康狀態量化評價報告在平臺的自動生成、查詢、下載、打印等功能，并對主機設備重要指標周期性的運行狀態及設備健康綜合狀態進行評價，給出評價結論及建議。

（6）診斷分析模塊開發：實現狀態診斷和專業診斷。狀態診斷基于設備歷史數據和機組正常狀態指標樣本庫，建立設備模型，從設備級和系統級對機組進行診斷分析，以設備類為應用單元，對主機設備進行診斷，實現基礎診斷分析功能，主要包含設備報警、設備量化分析、設備量化評價等功能；專業診斷基于在線監測系統的專業性診斷分析，通過專業診斷報告、設備故障簡報及檢修決策報告在平臺的部署，依托故障診斷工作流模型及故障診斷會診功能，最終實現對設備狀態的智能診斷功能。

（7）預知性檢修模塊開發：建成以“健康狀態預判、主要故障預警、知道故障部位、知道檢修時機”為目標的預知性檢修，主要包括檢修決策工作流、A修缺陷評價表、檢修評分等功能模塊，通過設備評分模型的開發及部署、設備指標集評價、周期性量化評價等功能，對主機設備的周期性健康狀態進行評價，為主機設備預知性檢修決策提供支持，提升基層企業精益化管理和安全、集約化管理的能力。

（8）平臺首次提出預知性檢修理念。預知性檢修是通過對設備特征參數進行分析，對設備的主要故障進行預警，對設備健康狀態進行預判，對KPI功能指標及周期性評價報告進行分析，通過綜合診斷分析，明確設備故障形成原因，確定檢修部位及檢修時機。診斷平臺通過對預知性檢修模塊的開發及部署，通過對主機設備的周期性健康狀態進行評價，能精確判斷設備的狀態，指導設備檢修，提高設備利用小時數。

3 實際應用成效

3.1 轉變工作方式

通過對診斷平臺的使用，電廠維護人員可直觀的對關注測點進行監視，定位故障測點，并通過周報的方式對故障信息進行匯總，對指標趨勢進行直觀分析，同時通過機組間的橫向對標及對比分析，運用問題導向模式進行預警報警，通過色標管理直觀地反映設備的運行性能及健康狀態，極大地改進了維護人員需到中控室及現場巡視了解設備狀況的工作方式，維護人員能夠從海量大數據中實現簡單、準確的故障定位、故障預判及機組狀態優化分析等，更好地保障設備安全穩定運行。

3.2 缺陷精準定位

利用遠程診斷平臺監測機組運行參數及預警功能，提前預知設備潛在故障點，消除設備隱患缺陷，截止目前，發現機組及筒閥回油箱油位過低、3號機推力外循環油流計異常、2號機1號頂蓋排水泵運行效率低、機組壓力油罐壓力偏低、3號機勵磁變溫度異常、機組軸瓦溫度異常、筒閥故障、調速器故障等缺陷共計83條，處理82條。

同時通過診斷平臺專業分析報告，準確地對機組穩定性運行狀態進行評價，判斷出1號機組平均氣隙超標、偏心/圓度參數超標、1號機組下機架振動超標、2號機組水導擺度和下機架振動不及格、3號機組氣隙綜合評價危險不合格、3號機組下機架振動趨勢變壞、4號機組氣隙綜合評價危險及4號機組振擺綜合評價中下機架振動超標等問題，精準的反映了機組的運行狀態及趨勢狀態。

3.3 優化機組運行

電廠通過診斷平臺的數據對比功能，研究機組滿負荷運行時空冷器冷、熱風溫度與技術供水流量的關系，在滿足機組安全運行的基礎上，通過對技術供水閥門開度、水耗及溫度的關聯關系，尋找開度、水耗及溫度三者間最佳拐點，科學的優化冷卻水量，達到降低冷卻水水耗的目標。通過調整，在定子鐵心和定子繞組均上升2℃且溫度遠未超標的前提下極大減少了技術供水流量，據統計2016年8月至2017年3月共節約水量439.2萬m3，增加效益42.11萬元。如圖3所示。

圖3 機組技術供水流量和定子溫度對比圖

3.4 檢修決策支持

電廠通過遠程診斷平臺的性能分析、指標分析及診斷分析功能，結合性能分析報告、設備健康狀態量化評價報告、專項報告及檢修決策報告，明確設備故障形成原因，精確的對設備的運行健康狀態做出評價及判斷，指導設備的日常維護及檢修，提高設備的安全性及可靠性，更好地保障設備安全穩定運行。

4 結論

隨著水電企業信息化水平的不斷提高，信息系統已全面融入企業生產經營管理業務的各個方面，積累了大量的水電機組相關的海量實時數據和非實時數據。本文通過介紹遠程診斷平臺的大數據系統架構，依此平臺架構對生產大數據技術進行數據融合，通過專業的模型算法得出準確率高的診斷結果，彌補了傳統診斷技術的缺點，解決了傳統技術擴展性不強、建設成本極高、計算處理及分析挖掘能力有限的缺點，能滿足電廠級大數據環境下對水輪發電機診斷所需的全類型數據存儲、處理、分析及應用的需求。為進一步向企業級大數據智能綜合數字化平臺的構建提供了理論支持和實踐經驗。