水电机组故障扫描诊断方法

技术领域

本发明属于水轮发电机组设备故障诊断技术领域，特别涉及一种水电机组故障扫描诊断方法。

背景技术

水力发电机组工作环复杂，工况切换频繁，工作状态受到水力因素、机械因素、电气因素的影响，并且各种因素作用相互耦合难以分解，这导致水电机组的故障诊断的难度大幅提升。目前对水电机组的故障分析和诊断多基于明确的故障机理和专家经验。机理明确的故障类型相对较少，且大多是基于单个因素影响下的机理诊断，诊断数量和准确度不足以涵盖工况复杂的各类运行条件；专家经验的诊断高度依赖专家的水平和经验，对不同类型的水电机组或者未经历过的故障难以进行切实有效的诊断分析。因此对水电机组的实施准确有效的故障诊断一直都是行业痛点、难点问题。

发明内容

鉴于背景技术所存在的技术问题，本发明所提供的水电机组故障扫描诊断方法，解决公司内管辖的多种类型水力发电机组设备故障原因分析的技术问题，切实有效掌握发电设备的健康状态变化。

为了解决上述技术问题，本发明采取了如下技术方案来实现：

一种水电机组故障扫描诊断方法，步骤为：

步骤1：根据水轮发电机组设备的结构关系和功能关联，建立故障诊断理论体系，故障诊断理论体系包括失效模式及影响分析子体系、故障树分析子体系和故障诊断知识图谱子体系；根据故障诊断理论体系确定“知识驱动+大数据驱动”的双链路故障诊断策略同步进行的故障诊断思路；

步骤2：基于构建的故障诊断理论体系和故障诊断思路，依托IoT平台建立故障诊断技术中台；故障诊断技术中台为故障知识的沉淀及故障诊断的知识复用提供配置工具；

步骤3：依托IoT平台建立故障诊断业务中台；故障诊断业务中台为故障诊断提供各类故障诊断所需要的知识数据库；

步骤4：提供设备故障诊断的统一入口，对故障诊断业务的执行、故障结果的汇总进行归集及统一管理，同步设置故障诊断应用；故障诊断任务触发后，依据预先配置的流程分别调用故障诊断技术中台和故障诊断业务中台的配置工具和知识数据库进行故障诊断的实施，并将诊断结果统一收集汇总并归类呈现；

步骤5：对设备异常事件进行诊断，所述的异常事件包括机组设备测点越限告警信息、机组状态预测模型的预警信息和设备重点问题跟踪信息；

步骤6：对不同设备层级的故障进行诊断，设备层级包括全厂站层级、整台机组层级和设备层级。

优选地，步骤1中，所述的失效模式及影响分析(FMEA)子体系用于对整台机组层级和设备层级的故障模式、故障征兆、故障类别、故障原因、特征参数、严重度、发生度、可检测度的故障相关信息特征进行标准化描述，按照设备系统或部件之间的结构和功能联结关系，建立机组系统的失效模式及影响分析的诊断分析；

所述的故障树分析(FTA)子系统含有故障顶事件、中间事件、基本事件故障分析事件，且各个故障事件挂接相应故障诊断方法，且各层级的故障事件之间通过逻辑门进行连接，形成故障分析的树状结构；

所述的故障诊断知识图谱(FKM)子系统以知识图谱的展现形式，实现根据故障模式得到该故障模式下关联的设备与测点关系以及根据故障征兆现象及故障特征数据定位到故障相关原因的目标。

优选地，步骤2中，IoT平台包括IaaS层、PaaS层和SaaS层；

IaaS层用于实现对设备运维和检修数据进行存储的功能。

PaaS层包括故障诊断应用的具体实施执行提供支持的组件模块层；

SaaS层为应用层级，即利用IaaS和PaaS层提供的工具环境，进行水电机组设备的运维管理专门业务的应用层级。

优选地，步骤2中，故障诊断技术中台工具包括FMEA配置、FTA配置、故障案例配置、规则指标配置、故障图谱配置和模型配置在内的配置功能组件；故障诊断技术中台中的各类配置工具根据诊断方法配置诊断分析所需的各类诊断分析工具；并实现将配置出的逻辑设备诊断工具模板实例化到对应的单台具体的机组及设备，根据业务需要为每台机组设备提供具体知识，分别汇集到业务中台中的相应“仓库”中。

优选地，步骤3中，故障诊断业务中台是具体单台水电机组业务专门知识“仓库”，包含FMEA库、FTA库、故障案例库、规则库、指标库、知识脉络图和模型样本；业务中台中将各个实例化设备运维及诊断所需要的各类知识经验进行沉淀汇集；在故障诊断任务触发时，根据工作流程自动调用对应设备的相应诊断分析“仓库”知识，从而实现设备的诊断分析。

优选地，步骤4中，能够与预警模块，状态评估模块实现业务间的联动，将预警结果，缺陷分析结果等作为故障来源，进行统一的故障诊断。

优选地，步骤5和6中，能够实现手动，和自动两种诊断模式，为业务人员提供更加便捷的操作模式和知识沉淀策略（能够基于异常事件的组合情况，决定是否启动自动诊断。）

本专利可达到以下有益效果：

本发明使得基于故障历史的知识驱动式设备故障诊断和基于学习（机器学习、深度学习等）分析的数据驱动式设备故障诊断成为可能。该方法具备很好的拓展性，对于新增故障模式类型的水电机组设备的故障，可根据故障发生的机理、故障对应的现象及相关数据特征，通过技术中台的FMEA配置工具修改该机组的FMEA库，以保持机组设备的FMEA总是与机组的真实运维情况保持一致，以便于后期同类模式的故障诊断分析；对于新增的已有故障模式的水电机组设备故障，可根据故障发生的机理、模式和故障对应的现象及相关数据特征，通过技术中台工具形成机组该项故障的FTA树、故障案例、故障规则指标等，进而丰富完善现有业务知识库；对于新增的采用大数据诊断分析的设备运维数据，该项被诊断数据又会根据诊断出的故障具体模式将其作为特定的故障样本自动归类到相应的故障样本库中实现故障样本的丰富和充实。

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为本发明水轮发电机组设备故障诊断具体实施流程图;

图2为本发明基于FMEA的诊断体系框架图；

图3为本发明的征兆与特征参数计算流程图；

图4为本发明的案例匹配流程图；

图5为本发明的规则匹配流程图；

图6为本发明的算法模型流程图；

图7为本发明的知识脉络推理流程图；

图8为本发明的FTA匹配流程图；

图9为本发明的实例说明图。

具体实施方式

优选的方案如图1至图8所示，一种水电机组故障扫描诊断方法，基于水力发电工业互联网平台，通过该平台可根据实际需要新增或修改水力发电机组设备故障分析的FMEA标准，同时还可以根据业务需求自由创建水力发电厂设备诊断分析工具实例。该平台系统开放水力发电厂中水力发电设备的故障诊断配置以提供水电设备运维检修知识的沉淀工具，并且能提供故障诊断所需要的水电设备各类知识经验。为业务人员进行设备诊断分析提供真正可配置的诊断分析环境，根据业务需求搭建实现对各类故障进行诊断寻因的探索分析环境。步骤为：

步骤1：根据水轮发电机组设备的结构关系和功能关联，建立故障诊断理论体系，故障诊断理论体系包括失效模式及影响分析(FMEA)子体系、故障树分析(FTA)子体系和故障诊断知识图谱(FKM)子体系；根据故障诊断理论体系确定“知识驱动+大数据驱动”的双链路故障诊断策略同步进行的故障诊断思路；

其中“知识驱动”诊断策略会同时触发所涵盖的基于故障诊断知识图谱的诊断、基于FTA的诊断、基于机理规则的诊断、基于故障案例匹配的诊断等方式，“大数据驱动”的诊断策略作为对故障机理、故障特征不太明确类型的故障诊断补充诊断技术，该技术依赖于历史故障记录并通过机器学习模型对历史故障记录进行学习能自动提取并记录故障特征，从而对机组设备的实时运行情况进行判断；

所述的失效模式及影响分析(FMEA)子体系用于对整台机组层级和设备层级的故障模式、故障征兆、故障类别、故障原因、特征参数、严重度、发生度、可检测度的故障相关信息特征进行标准化描述，按照设备系统或部件之间的结构和功能联结关系，建立机组系统的失效模式及影响分析的诊断分析；

所述的故障树分析(FTA)子系统含有故障顶事件、中间事件、基本事件故障分析事件，且各个故障事件挂接相应故障诊断方法(如诊断规则/算法)，且各层级的故障事件之间通过逻辑门进行连接，形成故障分析的树状结构；

所述的故障诊断知识图谱(FKM)子系统以知识图谱的展现形式，实现根据故障模式得到该故障模式下关联的设备与测点关系以及根据故障征兆现象及故障特征数据定位到故障相关原因的目标。

步骤2：基于构建的故障诊断理论体系和故障诊断思路，依托IoT平台建立故障诊断技术中台；故障诊断技术中台为故障知识的沉淀及故障诊断的知识复用提供配置工具；

配置工具包含FMEA配置、FTA配置、案例配置、规则指标配置、模型配置等配置功能组件，为故障诊断高级应用提供统一的应用支撑；

IoT平台包括IaaS层、PaaS层和SaaS层；

IaaS层用于实现对设备运维和检修数据进行存储的功能。

PaaS层包括故障诊断应用的具体实施执行提供支持的组件模块层；

SaaS层为应用层级，即利用IaaS和PaaS层提供的工具环境，进行水电机组设备的运维管理专门业务的应用层级。

故障诊断技术中台工具包括FMEA配置、FTA配置、故障案例配置、规则指标配置和模型配置在内的配置功能组件；故障诊断技术中台中的各类配置工具根据诊断方法配置诊断分析所需的各类诊断分析工具；并实现将配置出的逻辑设备诊断工具模板实例化到对应的单台具体的机组及设备，根据业务需要为每台机组设备提供具体知识，分别汇集到业务中台中的相应“仓库”中。

步骤3：依托IoT平台建立故障诊断业务中台；故障诊断业务中台为故障诊断提供各类故障诊断所需要的知识数据库；

知识数据库包含FMEA库、FTA库、故障案例库、规则指标库、模型样本等水电业务知识仓库，为故障诊断高级应用提供统一的服务支撑；

故障诊断业务中台是具体单台水电机组业务专门知识“仓库”，包含FMEA库、FTA库、故障案例库、规则库、指标库和模型样本；业务中台中将各个实例化设备运维及诊断所需要的各类知识经验进行沉淀汇集；在故障诊断任务触发时，根据工作流程自动调用对应设备的相应诊断分析“仓库”知识，从而实现设备的诊断分析。

步骤4：提供设备故障诊断的统一入口，对故障诊断业务的执行、故障结果的汇总进行归集及统一管理，同步设置故障诊断应用；故障诊断任务触发后，依据预先配置的流程分别调用故障诊断技术中台和故障诊断业务中台的配置工具和知识数据库进行故障诊断的实施，并将诊断结果统一收集汇总并归类呈现；

步骤5：对设备异常事件进行诊断，所述的异常事件包括机组设备测点越限告警信息、机组状态预测模型的预警信息和设备重点问题跟踪信息；

步骤6：对不同设备层级的故障进行诊断，设备层级包括全厂站层级、整台机组层级和设备层级。

实施例1：以变压器故障识别为例

基于FMEA体系构建一套完整的从故障模式到故障原因，再到故障影响因素分析的故障诊断业务管控体系的标准，达到五个统一：故障描述统一化，故障定位统一化，故障判断统一化，故障原因分析统一化，故障确诊统计方法统一化，具体实现步骤如下：

1.FMEA配置实现方式如下：

1.1建立FMEA标准模板，对该标准新增FMEA数据，选择需要配置的设备；

1.2按照系统、子系统、设备、部件等不同层级，对（多层级）设备配置对应的故障模式、优先级等信息，实现设备与故障模式之前的关联关系；

1.4针对配置的所有故障模式自动获取特征参数及故障征兆，或者手动配置故障模式对应的特征参数；

1.5对所有故障模式配置对应的风险评估信息，包括严重度（S）、发生度（O）、检测度（D）等信息，最终形成FMEA的总览信息；

2.变压器故障案例匹配的实现方式如下：

2.1手工创建变压器故障案例：选择逻辑设备，实例化设备及故障模式，故障时间段。

2.2通过故障模式，可以通过FMEA查询出变压器故障模式所涉及的所有特征参数，在征兆属性栏，数据特征里显示出来，通过实例化设备及故障时间段，可将该特征参数的数值全部带出来。

2.3根据故障模式，可以通过FMEA查询出该故障模式的故障原因，处理措施，检测方法等内容，并自动带出。

2.4 通过实例化设备及故障时间段，可以生成并关联故障数据样本。亦可以关联告警等信息内容。

2.5 案例保存并发布

2.6案例匹配时是按照特征参数的数值去进行相似度计算匹配的，匹配算法使用灰色关联度匹配算法。

2.7案例匹配的过程是首先将该逻辑设备下的故障模式全部提取以便，并依据时间段计算该故障模式所涉及的特征参数，然后与案例里的特征参数的数值通过匹配算法去匹配，并求出所有案例的相似度排序。

2.8 案例匹配结果会呈现数据特征参数和案例特征参数，及所有案例的相似度排序。

3.变压器规则判断实现方式如下：

3.1规则构建

①规则数据设计

a）创建输入数据对象，挑选三比值法相关的6个测点。

b）创建中间数据集输出的数据对象，包含最后要输出的变量，以及用于数据处理过程中中间数据的保存变量。

c）根据需要，把一些业务参数设置为常量。设置常量的目的：使数据可读，增强数据的可维护性。

②规则逻辑设计

a）完成三比值法的逻辑设计，按照顺序执行对三比值法执行过程进行规则编排。

b）一般的规则设计过程包括：

数据处理：完成数据的加工，如从对象结构中提取属性值，利用函数对变量进行处理得到目标变量。

条件逻辑判断：按照if…then…else的结构执行业务逻辑。

三比值法规则的过程大致如下：取测点值；判断是否符合三比值法启动条件；计算三比值；对每一个比值项目；根据不同的比值进行编码；根据三个比值项的编码组合，给出故障原因等数据。

③规则快速测试：提供输入数据进行测试，也可以对接物理测点执行，查看输入结果是否符合预期。

3.2规则调度：

①规则实例化：创建实例，指定规则所应用的设备。

②规则任务：需要周期执行的规则，可创建定时任务，在任务里包含多个规则实例。

4.变压器知识图谱判断实现方式如下：

搭建知识体系框架，依据需求对知识进行分类，并明确每个分类的类型及属性信息；同时，对知识之间的关系进行预定义，明确各类关系并进行维护管理。

4.1知识表示

知识表示决定了图谱构建的产出目标，即知识图谱的语义描述框架、Schema、实体命名及ID体系；

知识表示标准语言包含RDFS和OWL，其中，RDFS提供了对类和属性的简单描述，从而给RDF数据提供词汇建模的语言。更丰富的定义则需要杉到OWL本体描述语言。

RDF（三元组）作为基本的数据模型，其基本的逻辑结构包含主语（个体：类的实例）、谓语（属性）和宾语（个体或数据类型的实例）三个部分。

知识获取：目前，故障模式的信息以FMEA库为主要来源，面向结构化数据的知识抽取，通常是逻辑表通过三元组映射映射至RDF数据，而三元组映射是可以将逻辑表中每一行映射为若干RDF三元组的规则。三元组规则主要包含两个部分：一个主语映射和多个谓词-宾语映射。第二是谓词-宾语映射则包含了谓词映射和宾语映射。

4.2图谱构建

①Schema定义：

Schema也就是对知识图谱中的实体、属性及关系进行明确的界定，对其可行的范畴加以明确，即定义知识图谱的Schema等价于构建知识图谱的本体。

在故障诊断应用需求的基础上，以用户需求为出发点，以数据统计为证据，为构建不同主题来满足用户需求。

②本体图谱构建：

在故障诊断应用场景下，以Schema定义为基础，对故障模式、征兆现象、设备进行本体图谱构建，图谱包含实体、属性及实体与实体或实体与属性的关系。 将定义好的本体进行图谱构建。

4.3知识融合：

知识融合的目标是建立本体间的联系，从而使本体与本体之间的知识图谱能相互沟通，实现它们之间的相互操作。

通过图谱算法及规则，对本体与本体之间的关系进行计算判断，并自动生成新的关系图谱。

5.变压器故障识别算法模型配置：

5.1首先输入有标记的故障样本，随后进行数据的预处理，例如格式转换、时间对齐和空数据的去除等。然后通过分类模型（例如，朴素贝叶斯、支持向量机等）进行训练。

进行预测时，数据进行同样的预处理工作，然后通过分类模型输出结果。

训练数据来源于机组运行期间所积累的样本，内含大量故障和正常数据，经过汇总，建立起样本库。

5.2故障数据进行标签处理，即在每一条数据后面加上故障类别标识，例如“高温放电”、“低温放电”，“局部放电”等。在模型运行时，替换成程序可以识别的故障代码，例如“30”，“46”等。在进行完计算输出时，再转换回故障描述。

6.变压器FTA实现方式如下：

6.1创建变压器逻辑FTA，将FTA节点配置上逻辑设备和故障模式，并对可配置的节点关联故障诊断方法，比如在高温过热（高于700oC）节点上配置三比值规则。

6.2 逻辑FTA配置完成后，进行完整性检测，检测完成，保存并发布。

6.3 逻辑FTA进行实例化，实例化到具体的厂站和机组上，比如实例化到葛洲坝厂站2B变压器上。

6.4 逻辑FTA进行实例化，生成了FTA实例，FTA实例可根据不同厂站和机组再进行编辑和保存，并发布。

6.5 FTA的诊断：高级应用-故障诊断发送请求参数KKS编码，故障时间段。FTA根据KKS匹配出对应的FTA实例，并启动FTA实例上所有节点关联的诊断方法，诊断方法运行后返回诊断结果，该诊断结果在FTA节点上反映并标注成红，绿颜色。并依据各个节点反馈的故障，推算出顶事件的发生概率。

步骤三：在故障诊断高级应用中，结合流程管理工具配置故障模式及关联的诊断流程和诊断工具。

1.创建流程：

创建流程，输入模型名称，模型key和模型描述，注意，这里的模型key不能是纯数字，同时在后面接口调用的时候需要用到，起一个key。进入确定之后，如果保存成功，空白的流程就创建完毕。

2.流程设计：

①开始流程设计

将案例、规则、FTA、知识脉络图、算法模型的流程节点事件拖拽到设计面板中，不同的元素需要用箭头（序列流）进行连接。

对于HTTP任务，首先是执行监听器，因为rest服务一般判断成功或者失败都是后端代码中写入的，而不是单纯依靠HTTP的Status Code。因此这里的执行监听器就是为了通过配置一些变量来让工作流知道此次HTTP服务调用是否真正成功。如果不关系是否调用成功，那么这里不需要配置。

②进入事件的+号，新增一个事件；

事件：选择end

类：固定值com.dhcc.flowable.common.listener.HttpTaskExecuteListener；

进入Name的+号，新增一个字段；

名称：固定值success

表达式：responseRes为固定的，其余根据实际接口的字段等于多少为成功来配置。比如实际接口的返回为{statusCode: 0, data: [XXXXX]}，其中statusCode为0表示成，那么这里就配置为${responseRes.statusCode == 0}；

进入Name的+号，再新增一个字段；

名称：固定值errMsg；

表达式：responseRes为固定的，其余根据实际接口的错误信息字段来配置。比如实际接口的返回为{statusCode: -77777, errorMessage: ‘出错了’}，那么这里就配置为${responseRes.errorMessage}；

执行监听器配置完毕之后，然后需要配置HTTP服务任务的其他属性：

③请求方法：选择GET或者POST

请求URL：${requestHost}为固定值，后面的地址根据实际情况填写；

请求头：authorization: ${authorization}为固定值，如果接口需要传入body，则第二行配置Content-Type: application/json，如果不需要传入，则配置Content-Type:application/x-www-form-urlencoded ；

④请求体：固定值${requestBody}，注意在接口参数中需要传入变量requestBody以及对应的值。该值将会在调用HTTP服务的时候作为参数传入；

请求超时时间：固定值100000（或者根据实际情况修改）；

响应变量名：固定值responseRes；

将响应保存为JSON：固定值true；

步骤四：在故障诊断高级应用中，选择信息扫描的起止时间并根据需要选择全场站所有机组或选择指定的单台机组设备进行故障扫描诊断。流程管理工具会在后台同时启动各类诊断工具，并将其诊断结果分别返回到故障诊断高级应用的前端界面展示。可以在故障诊断界面查看各类诊断结果的详细结果信息。

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。