基于生产大数据的水轮发电机组故障诊断系统

李 峰

（贵州北盘江电力股份有限公司董箐分公司，贵州 贵阳550002）

水电设备是水电企业生产的基础。随着大型水轮发电机组在整个电力系统中的比重越来越大，单机容量增加，自动化程度不断提高，年平均发电时间延长，检修时间缩短，一方面满足了发电企业提高生产效率、降低生产成本、节约能源等客观需求，社会效益和经济效益都有巨大的进步；另一方面也对水电设备的可用率、机组运行效率、安全性、可靠性与经济性提出了更高的要求，事故停机造成的经济损失可能会更为严重，给水电设备的运行管理带来更多的挑战。水电机组及电气设备在运行中不断受到泥沙磨损、汽蚀破坏、机械磨损及其他机械或电气损伤，导致设备的寿命缩短。电力设备和系统故障后，轻则降低系统生产效率，重则停运，甚至造成灾难性的后果。因此，准确分析和评估水轮发电机组故障对电力系统稳定可靠运行具有十分重要的意义[1-2]。目前研究有收集机组参数，通过大数据分析，有效地提高了水轮发电机的故障诊断准确率[3-4]，但大多仍在理论研究阶段。

1 研究内容和实施方案

远程诊断平台故障诊断采用模型诊断加经验诊断的混合诊断模式。模型诊断需要的是设备的精确模型，而精确模型的确立需要原始物理模型和实时数据相结合，通过模式识别才能完成。经验诊断需要专家（运行人员等现场专家、离线专家）经验，经过一系列组合起来形成经验集合。通过模型诊断和经验诊断形成组合诊断，这样可以对设备形成比较精确的诊断（图1）。

图1 水电机组诊断流程框架图

1.1 水轮发电机组振摆故障诊断技术研究

1.1.1 基于生产大数据的数据融合

振摆故障诊断数据融合包括：①振动特征参数：振动频率fV、振动幅度AV；②机组的运行参数：转速、水头、流量、功率、励磁电流、压力脉动信号、尾水水位；③机组的结构参数：水轮机类型、转轮叶片数目、主轴直径、止漏环结构型式等；④巡视资料：振动部位、撞击声响、声响位置；⑤安装试验资料：转子中心、重心、轴承调整记录、法兰安装记录、转子圆度安装测量。

1.1.2 机组振动频率和幅度模型

根据机组的结构、动力学原理、水力学原理、电磁理论以及专家的经验，可以形成以下振动频率和振动幅度的诊断模型，见表1和表2[5]。

表1 振动频率诊断模型表

表2 振动幅度诊断模型

1.1.3 诊断

振动故障的诊断过程就是根据以上所阐述的模型、机组运行参数、机组结构参数、技术标准、巡视资料、试验资料、安装资料来进行推理的过程，振动故障和这些资料的关系可以用图2所示的网状图来表示。

图2方框中就是表1中所阐述的模型，模型中有流量、负荷、电流、转速这些运行参数，也有导叶叶片数目这些结构参数，因而这些模型在专家系统这种软件中只能是动态存在的，也是动态形成的，是由运行参数、结构参数、工况等综合形成的。模型有的是在某个时刻能形成的，如MWf；有的必须是在一定的时间区间内形成的，如MPFa；有的还必须在特定的运行时间区间内才能得到判断如MPJa。因而机组振动诊断专家系统是实时和历史相结合，一般和特殊运行工况相结合的诊断专家系统。

模型中有些是确切的模型，如MWf；有些则是不确切的模型，如MKf。不确切的模型一般都是由于以目前的技术水平无法建立准确的数学模型。对于这种不确切模型的建立采用模糊方法。以模型MKf为例，评判因素集U=｛dAV/dQ｝，评判集AV={幅值变化率}，由评判因素得出评判结果，采用专家经验法。

规则库就是经验库，包含一系列规则经验，它包含数据层次上相关领域的描述性知识和具体系统运行中的过程性知识。所有知识均从有经验专家那里或经采编而来。所有的知识和经验参数的确定都要反复咨询专家后确定，然后整理为一条条规则，依据内容的不同，组建成规则库，完成不同层次上的任务。

有了故障、原因、模型、规则、参数、记录以及这些因素之间的关系图，推理过程就非常清晰了。推理过程其实就是从故障出发，按照图中某条路径寻找原因的过程。

1.2 发电机故障诊断技术研究

发电机故障诊断和水轮机诊断类似，主要包括数据融合、数学模型、经验和模型等复合诊断方法。

1.2.1 基于生产大数据的数据融合

发电机数据融合牵涉到的数据：①测量数据：上端气隙（X、Y相关正负8个方向）；发电机局放：A相、B相、C相绕组局放；温度：上导、下导、推力、水导的轴承油温和瓦温，定子铁心温度、空冷器进风和出风温度等。②故障数据：定子线棒铜线断裂或接头开焊故障等；定子引出线套管类故障，如套管裂纹、断裂或表面污秽、爬电故障等；定子绝缘类故障，如定子线圈端部接头绝缘不良故障等多项故障案例。③机组的结构参数：发电机类型、线棒结构型式等。④巡视资料：发热点、振动部位、撞击声响、声响位置。⑤安装试验资料：转子中心、重心、轴承调整记录、法兰安装记录、转子圆度安装测量。

图2 机组振摆故障诊断结构图

1.2.2 模型和算法

发电机故障诊断牵涉到的算法和模型：凸极式同步电机定子、轴瓦等温度诊断模型；凸极式同步电机大轴、机架等振摆诊断模型；凸极式同步电机内部关键参数在线辨识与诊断模型；凸极式同步电机绝缘局部放电监测与诊断模型；凸极式同步电机损耗计算及诊断模型；凸极式同步电机气隙、磁通监测与诊断模型；凸极式同步电机瞬态过程的关键量分析与诊断模型。基于工况同步的同步电机运行状况辨识算法；基于热稳定状况的机组温度诊断算法；基于多参数协同诊断的定子绝缘诊断算法；基于磁通的转子绕组匝间短路诊断算法；基于气隙的定子圆度、转子圆度分析及诊断算法；基于多信息协同分析的同步电机内在参数计算方法。

1.2.3 诊断过程

发电机的故障诊断流程和图2中描述的机组振摆故障诊断类似，由数据、模型、故障现象组成一个网络，故障发生的时候根据这个网络就能得出故障原因。

2 总体实施情况

董箐发电厂水电机组远程诊断平台基于生产大数据，以在线监测系统、监控系统、GIS SF6在线监测系统、主变在线监测系统、发电机局放及水情系统为基础，以预知性检修为核心业务线条，实现依托生产大数据的趋势分析、指标分析、性能分析、诊断预警、设备健康度评价等功能，为实现预知性检修提供技术支持。其主要内容包括：

（1）主平台开发：采用开放性原则，建立诊断平台主系统框架，开发了在线监测、性能分析、诊断分析、预知性检修、应用中心、备品备件、在线学习、数据服务、基础数据、系统管理等功能模块，并采用多级人员及权限配置等安全设置。

（2）数据平台建设：基于生产大数据对接入数据统一采用KKS编码，建立标准数据库，使电厂所有监测系统成为平台子系统，通过数据整合，建成完整的标准化数据平台。机组在线监测系统、计算机监控系统、主变油色谱在线监测系统、GIS SF6在线监测系统及发电机局放系统数据统一编码及接入工作已完成。

（3）KPI指标集开发：在电厂基础数据汇聚的基础上，按照设备部件类型，积极对性能指标进行分类组合，完成了KPI指标集在平台的部署，实现了设备主要指标预警和性能指标对比等功能，并给出分析结论及原因，确保设备健康状态可控。

（4）在线监测模块开发：完成机组在线监测系统数据集成工作，实现重要指标实时监测、电气主接线图、温度及稳定性监测、平台网络实时监测等，实现了设备状态的实时监测、智能预警及趋势报警等功能。

（5）性能分析模块开发：通过对设备效能指标及性能指标的综合计算，实现诊断平台性能分析周报及设备健康状态量化评价报告在平台的自动生成、查询、下载、打印等功能，并对主机设备重要指标周期性的运行状态及设备健康综合状态进行评价，给出评价结论及建议。

（6）诊断分析模块开发：实现状态诊断和专业诊断。状态诊断基于设备历史数据和机组正常状态指标样本库，建立设备模型，从设备级和系统级对机组进行诊断分析，以设备类为应用单元，对主机设备进行诊断，实现基础诊断分析功能，主要包含设备报警、设备量化分析、设备量化评价等功能；专业诊断基于在线监测系统的专业性诊断分析，通过专业诊断报告、设备故障简报及检修决策报告在平台的部署，依托故障诊断工作流模型及故障诊断会诊功能，最终实现对设备状态的智能诊断功能。

（7）预知性检修模块开发：建成以“健康状态预判、主要故障预警、知道故障部位、知道检修时机”为目标的预知性检修，主要包括检修决策工作流、A修缺陷评价表、检修评分等功能模块，通过设备评分模型的开发及部署、设备指标集评价、周期性量化评价等功能，对主机设备的周期性健康状态进行评价，为主机设备预知性检修决策提供支持，提升基层企业精益化管理和安全、集约化管理的能力。

（8）平台首次提出预知性检修理念。预知性检修是通过对设备特征参数进行分析，对设备的主要故障进行预警，对设备健康状态进行预判，对KPI功能指标及周期性评价报告进行分析，通过综合诊断分析，明确设备故障形成原因，确定检修部位及检修时机。诊断平台通过对预知性检修模块的开发及部署，通过对主机设备的周期性健康状态进行评价，能精确判断设备的状态，指导设备检修，提高设备利用小时数。

3 实际应用成效

3.1 转变工作方式

通过对诊断平台的使用，电厂维护人员可直观的对关注测点进行监视，定位故障测点，并通过周报的方式对故障信息进行汇总，对指标趋势进行直观分析，同时通过机组间的横向对标及对比分析，运用问题导向模式进行预警报警，通过色标管理直观地反映设备的运行性能及健康状态，极大地改进了维护人员需到中控室及现场巡视了解设备状况的工作方式，维护人员能够从海量大数据中实现简单、准确的故障定位、故障预判及机组状态优化分析等，更好地保障设备安全稳定运行。

3.2 缺陷精准定位

利用远程诊断平台监测机组运行参数及预警功能，提前预知设备潜在故障点，消除设备隐患缺陷，截止目前，发现机组及筒阀回油箱油位过低、3号机推力外循环油流计异常、2号机1号顶盖排水泵运行效率低、机组压力油罐压力偏低、3号机励磁变温度异常、机组轴瓦温度异常、筒阀故障、调速器故障等缺陷共计83条，处理82条。

同时通过诊断平台专业分析报告，准确地对机组稳定性运行状态进行评价，判断出1号机组平均气隙超标、偏心/圆度参数超标、1号机组下机架振动超标、2号机组水导摆度和下机架振动不及格、3号机组气隙综合评价危险不合格、3号机组下机架振动趋势变坏、4号机组气隙综合评价危险及4号机组振摆综合评价中下机架振动超标等问题，精准的反映了机组的运行状态及趋势状态。

3.3 优化机组运行

电厂通过诊断平台的数据对比功能，研究机组满负荷运行时空冷器冷、热风温度与技术供水流量的关系，在满足机组安全运行的基础上，通过对技术供水阀门开度、水耗及温度的关联关系，寻找开度、水耗及温度三者间最佳拐点，科学的优化冷却水量，达到降低冷却水水耗的目标。通过调整，在定子铁心和定子绕组均上升2℃且温度远未超标的前提下极大减少了技术供水流量，据统计2016年8月至2017年3月共节约水量439.2万m3，增加效益42.11万元。如图3所示。

图3 机组技术供水流量和定子温度对比图

3.4 检修决策支持

电厂通过远程诊断平台的性能分析、指标分析及诊断分析功能，结合性能分析报告、设备健康状态量化评价报告、专项报告及检修决策报告，明确设备故障形成原因，精确的对设备的运行健康状态做出评价及判断，指导设备的日常维护及检修，提高设备的安全性及可靠性，更好地保障设备安全稳定运行。

4 结论

随着水电企业信息化水平的不断提高，信息系统已全面融入企业生产经营管理业务的各个方面，积累了大量的水电机组相关的海量实时数据和非实时数据。本文通过介绍远程诊断平台的大数据系统架构，依此平台架构对生产大数据技术进行数据融合，通过专业的模型算法得出准确率高的诊断结果，弥补了传统诊断技术的缺点，解决了传统技术扩展性不强、建设成本极高、计算处理及分析挖掘能力有限的缺点，能满足电厂级大数据环境下对水轮发电机诊断所需的全类型数据存储、处理、分析及应用的需求。为进一步向企业级大数据智能综合数字化平台的构建提供了理论支持和实践经验。