一种设备故障精确定位方法技术

本发明专利技术涉及一种设备故障精确定位方法，所述方法包括：获取设备检测数据，根据所述设备检测数据计算得到设备监测值，将所述设备监测值与设备正常运行数据进行对比，判断设备运行状态，并记录异常数据；识别异常数据所属部件，将异常数据与所属部件的故障数据库对比，识别故障；将识别故障推送给监测人员，从维修数据库中提取相应的维修建议一并推送给监测人员；检修完毕后判断识别是否正确，若正确则将故障数据录入故障数据库中并标注为识别正确，并作为机器学习的参考数据，定位结束；否则将故障数据录入故障数据库中并标注为识别错误，并作为机器学习的参考数据，定位结束。

【技术实现步骤摘要】
一种设备故障精确定位方法
本专利技术涉及设备检测领域，具体涉及一种设备故障精确定位方法。
技术介绍
现有机械设备故障检测主流方式为PHM(故障预测与健康管理技术)，PHM主要利用1)基于模型的故障预测技术；2)基于数据驱动的故障预测技术；3)基于统计可靠性的故障预测技术。在发电站领域中，主要应用于风力发电，利用超声波检测发电机组振动状态，再通过振动异常值，推断设备故障。但是在水力发电领域，由于水力发电机组复杂程度远高于风力发电机组，再加上水流噪音过大，使得水力发电机组无法使用相同技术进行设备检测，更无法对设备故障进行定位。现有水力发电机组故障检修，还是只有靠将整个设备拆卸，人工检查修理，不仅会花费大量时间与检修费用，也会因长时间停机导致电量供应减少而带来的隐性巨额经济损失。
技术实现思路
本专利技术所要解决的技术问题是提供一种设备故障精确定位方法，对机组状态进行监测，并对设备故障进行定位与原因分析。本专利技术解决上述技术问题的技术方案如下：一种设备故障精确定位方法，包括以下步骤：S1、获取设备检测数据，根据所述设备检测数据计算得到设备监测值，将所述设备监测值与设备正常运行数据进行对比，判断设备运行状态，并记录异常数据；S2、识别异常数据所属部件，将异常数据与所属部件的故障数据库对比，识别故障；S3、将识别故障推送给监测人员，从维修数据库中提取相应的维修建议一并推送给监测人员；S4、检修完毕后判断识别是否正确，若正确则进入步骤S5，否则进入步骤S6；S5、将故障数据录入故障数据库中并标注为识别正确，并作为机器学习的参考数据，定位结束；S6、将故障数据录入故障数据库中并标注为识别错误，并作为机器学习的参考数据，定位结束。本专利技术的有益效果是：利用水力发电机机组运行时振动、温度、水位等数据，对整个机组运行状态进行监测，并根据历史故障数据，对设备故障进行定位与原因分析，本专利技术在可以在故障出现前提前预测数据，同时快速识别故障位置与原因。减少了检修人员检修的时间与由于故障导致的停机，为水电站节约了大量的经济损失。附图说明图1为本专利技术方法流程图；图2为本专利技术步骤S1的分步骤流程图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。如图1所示，一种设备故障精确定位方法，包括以下步骤S1－S4：S1、获取设备检测数据，根据所述设备检测数据计算得到设备监测值，将所述设备监测值与设备正常运行数据进行对比，判断设备运行状态，并记录异常数据。所述检测数据包括振动检测数据、温度检测数据和压力检测数据，所述监测值包括振动监测值、温度监测值和压力监测值。如图2所示，步骤S1具体包括以下分步骤S11－S16：S11、根据公式(1)，利用振动检测数据计算得到振动监测值f(x)；式中a0为振动额定参数，an为振动检测数据低频分量的振幅，bn为振动检测数据高频分量的振幅，n为周期数，t为每一周期时间，T为总时间，x为振动检测数据；S12、根据公式(2)，利用温度检测数据计算得到温度监测值g(y)；式中Wf为线圈每极匝数，2P为水轮机极数，αf为铜线厚度，Lαf为铜线缠绕长度，If为励磁电流，Rf为励磁绕组直流电阻，y为温度检测数据；S13、根据公式(3)，利用压力检测数据计算得到压力监测值w(z)；式中α为阻力系数，n为脉动周期，ρ0为液体密度，l为管道长度，C为液体流量，z为压力检测数据；S14、将振动监测值、温度监测值和压力监测值录入监测数据库中；S15、将设备正常运行数据录入历史数据库中；S16、将监测值与历史数据库对比，判断运行状态是否正常，并得到异常数据。S2、识别异常数据所属部件，将异常数据与所属部件的故障数据库对比，识别故障。S3、将识别故障推送给监测人员，从维修数据库中提取相应的维修建议一并推送给监测人员。S4、检修完毕后判断识别是否正确，若正确则进入步骤S5，否则进入步骤S6；所述步骤S4中判断识别是否正确的公式(4)为：式中Wij为随机权重，θi为随机参数，Pi为预设变量，xi为用于训练的监测值，xi＝{f(x)，g(y)，w(z)}。S5、将故障数据录入故障数据库中并标注为识别正确，并作为机器学习的参考数据，定位结束。S6、将故障数据录入故障数据库中并标注为识别错误，并作为机器学习的参考数据，定位结束。以上所述仅为本专利技术的较佳实施例，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种设备故障精确定位方法，其特征在于，包括以下步骤：S1、获取设备检测数据，根据所述设备检测数据计算得到设备监测值，将所述设备监测值与设备正常运行数据进行对比，判断设备运行状态，并记录异常数据；S2、识别异常数据所属部件，将异常数据与所属部件的故障数据库对比，识别故障；S3、将识别故障推送给监测人员，从维修数据库中提取相应的维修建议一并推送给监测人员；S4、检修完毕后判断识别是否正确，若正确则进入步骤S5，否则进入步骤S6；S5、将故障数据录入故障数据库中并标注为识别正确，并作为机器学习的参考数据，定位结束；S6、将故障数据录入故障数据库中并标注为识别错误，并作为机器学习的参考数据，定位结束。

【技术特征摘要】
1.一种设备故障精确定位方法，其特征在于，包括以下步骤：S1、获取设备检测数据，根据所述设备检测数据计算得到设备监测值，将所述设备监测值与设备正常运行数据进行对比，判断设备运行状态，并记录异常数据；S2、识别异常数据所属部件，将异常数据与所属部件的故障数据库对比，识别故障；S3、将识别故障推送给监测人员，从维修数据库中提取相应的维修建议一并推送给监测人员；S4、检修完毕后判断识别是否正确，若正确则进入步骤S5，否则进入步骤S6；S5、将故障数据录入故障数据库中并标注为识别正确，并作为机器学习的参考数据，定位结束；S6、将故障数据录入故障数据库中并标注为识别错误，并作为机器学习的参考数据，定位结束。2.根据权利要求1所述的设备故障精确定位方法，其特征在于，所述检测数据包括振动检测数据、温度检测数据和压力检测数据，所述监测值包括振动监测值、温度监测值和压力监测值。3.根据权利要求2所述的设备故障精确定位方法，其特征在于，所述步骤S1具体包括以下分步骤：S11、根据公式(1)，利用振动检测数据计算得到振动监测值f(x...

【专利技术属性】
技术研发人员：高胜，贺进，
申请(专利权)人：成都大汇物联科技有限公司，
类型：发明
国别省市：四川,51