水电机组故障综合诊断方法与流程

1.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综合诊断方法。


背景技术：

2.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。
3.中国专利文献cn115685972a公开了一种基于fmeca和本体的设备故障诊断方法，采用的诊断方法为：结合fmeca的分析思想，提取设备的故障诊断领域知识，作为构建故障诊断本体的基础。针对待诊断设备，首先对设备结构和功能流程进行分析。对于一般的工业设备，其结构可划分为整体设备级别、系统级别、组件级别和部件级别。将被诊断设备中各层级结构对应的设备进行总结，并根据设备结构，对设备的工作流程进行分析，并总结各层级设备出现故障时，对同层级设备或高层级设备可能出现的影响。上述诊断过程只采用了单一诊断工具，诊断准确性不高，容易发生误诊断。


技术实现要素：

4.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综合诊断方法，能对不同类型的水电机组进行诊断，并采用了多种诊断方式相融合，最终得到概率较大的诊断结果，提高了诊断的正确率。
5.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：
6.一种水电机组故障综合诊断方法，步骤为：
7.步骤1，进行故障扫描诊断前的准备工作：获取电站配置数据、机组配置数据、设备配置数据、fmea故障模式配置数据和诊断工作流配置数据；
8.步骤2，启动故障诊断：利用多种诊断方式对电站配置数据、机组配置数据、设备配置数据进行诊断；所述的诊断方式包括大数据模型算法、规则推理、故障案例匹配方式和故障树分析方式；
9.步骤3，获取每个诊断方式的结果；
10.步骤4，对多个诊断方式的诊断结果进行故障诊断融合决策：
11.步骤5：获得最终的诊断结果。
12.优选地，步骤1的子步骤为：
13.步骤1.1，获取电站配置数据包括电站编码、电站配置数据关联机组信息表、电站
配置数据id；
14.步骤1.2，机组配置数据包括机组编码、机组配置数据关联设备表、机组配置数据id；
15.步骤1.3，设备配置数据包括设备名称、设备编码、设备配置数据关联的引入的系统设备信息表；
16.步骤1.4，获取所有故障模式信息、设备逻辑位置。
17.优选地，步骤2中，每个诊断方式构成了一个诊断节点，诊断节点包括大数据模型算法节点、规则节点、故障案例库节点和故障树分析方式节点；诊断时，同时进入大数据模型算法节点、规则节点、故障案例库节点和故障树分析方式节点进行诊断；依次对电站配置数据、机组配置数据和设备配置数据进行诊断。
18.优选地，步骤3的结果表包括大数据模型算法结果表、规则结果表、故障案例库结果表和故障树分析方式结果表。
19.优选地，步骤4的子步骤为：
20.步骤4.1，对各诊断方式的诊断结果进行过滤处理，取各诊断方式不同故障模式概率最大的结果；
21.步骤4.2，对各诊断方式过滤后结果进行融合计算处理，获取到最终故障模式及其概率。
22.优选地，步骤4.2的融合计算分两种情况，第一种：各工具结果只有一种故障模式；第二种：各工具结果有多种故障模式；
23.第一种：各诊断方式结果只有一种故障模式，采用如下表格进行：
24.表1各诊断方式结果只有一种故障模式的融合决策对比表
[0025][0026][0027]
s为最终融合结果故障概率。
[0028]
优选地，第二种：各诊断方式结果有多种故障模式，则需要采用ds证据推理融合性决策模型进行计算。
[0029]
优选地，故障树分析方式的过程为：
[0030]
1)将故障分为故障顶事件、中间事件和基本事件三层，故障顶事件包含了多个中间事件，中间事件包含了多个基本事件；
[0031]
2)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；
[0032]
3)每个层级的故障事件对应了相应地故障征兆。
[0033]
优选地，规则推理过程为：
[0034]
s1、根据已知故障模式和故障征兆的关系的经验数据建立规则，基于输入的故障征兆数据，判断故障模式发生的概率；
[0035]
s2、对设备的时序数据建立分析模型，分析相关的故障征兆是否发生
[0036]
s3、将s2分析出来的设备征兆数据封装成该规则接口输入的json结构，请求s1建立的规则rest接口；
[0037]
s4、规则执行引擎处理rest接口请求，输入数据到该规则，判定故障模式发生的概率并输出。
[0038]
优选地，大数据模型算法的过程为：首先输入有标记的故障样本，随后进行数据的预处理，然后通过分类模型进行训练；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。
[0039]
本发明可达到以下有益效果：
[0040]
本发明能对不同类型的水电机组进行诊断，并采用了多种诊断方式相融合，最终得到概率较大的诊断结果，提高了诊断的正确率。
附图说明
[0041]
下面结合附图和实施例对本发明作进一步说明：
[0042]
图1为本发明诊断流程图；
[0043]
图2为本发明实施例1的诊断过程图。
具体实施方式
[0044]
优选的方案如图1所示，一种水电机组故障综合诊断方法，包括以下步骤：
[0045]
步骤1，进行故障扫描诊断前的准备工作：获取电站配置数据、机组配置数据、设备配置数据、fmea故障模式配置数据和诊断工作流配置数据；
[0046]
失效模式及影响分析(fmea)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；
[0047]
步骤1.1，获取电站配置数据包括电站编码、电站配置数据关联机组信息表、电站配置数据id；
[0048]
电站配置数据关联机组信息表：某一个电站包含的所有机组机组配置数据。
[0049]
步骤1.2，机组配置数据包括机组编码、机组配置数据关联设备表、机组配置数据id；
[0050]
机组配置数据关联设备表：某一个机组包含的所有设备配置数据。
[0051]
步骤1.3，设备配置数据包括设备名称、设备编码、设备配置数据关联的引入的系统设备信息表；
[0052]
设备配置数据关联的引入的系统设备信息表：某一个设备包含的所有子设备。
[0053]
步骤1.4，获取所有故障模式信息、设备逻辑位置。
[0054]
步骤2，启动故障诊断：利用多种诊断方式对电站配置数据、机组配置数据、设备配
置数据进行诊断；所述的诊断方式包括大数据模型算法、规则推理、故障案例匹配方式和故障树分析方式；本发明采用的诊断方式为现有的诊断方式，功能介绍如下：
[0055]
诊断方式1、所述的故障树分析方式(fta)：是一种定量的分析方法，可以帮助工程师确定设备的可靠性和安全性指标，并制定适当的预防措施。故障树分析通常与fmea(故障模式与影响分析)等其他分析方法结合使用，以提高分析的准确性和可靠性。故障树分析方式的过程为：将故障分为故障顶事件、中间事件和基本事件三层，故障顶事件包含了多个中间事件，中间事件包含了多个基本事件；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；每个层级的故障事件对应了相应地故障征兆。具体分析过程如下：
[0056]
s1:根据系统可能发生的事故或已经发生的事故所提供的信息或者基于fmea，创建fta逻辑模型树；
[0057]
s2：将创建好的逻辑模型树实例化生成fta实例化模型树
[0058]
s3:fta实例化模型通过自身故障诊断算法并结合算法模型、诊断规则、脚本以及测点数据完成整颗故障树的分析演绎，从而得出故障发生概率。
[0059]
步骤s1具体包括以下子步骤：
[0060]
s11：根据系统可能发生的事故或已经发生的事故，选定某一个影响最大的系统故障作为顶事件。并为故障树顶事件绑定逻辑设备与故障诊断工具(算法模型、诊断规则、脚本以及测点)。
[0061]
s12:然后将造成系统故障的原因逐级分解为中间事件，并为故障树顶事件绑定逻辑设备与故障诊断工具(算法模型、诊断规则、脚本以及测点)。
[0062]
s13：将不能或者不需要分解的事件作为基础事件即底事件位置。并为底事件设置故障诊断工具以及默认发生概率。
[0063]
s14：各故障树节点之间使用逻辑关系运算法连接(例如：逻辑与、逻辑或)，至此完成了一颗完整的逻辑故障树绘制。
[0064]
s15：故障树绘制完成后通过完整性检验，则完成了逻辑故障的创建。
[0065]
步骤s2具体包括以下子步骤：
[0066]
s21：通过选择实例化厂站、设备,将逻辑模型转化为实例化模型。
[0067]
s22：在实例化过程中，会将节点绑定的逻辑设备、测点等转为绑定物理设备、物理测点。
[0068]
s22：将逻辑算法模型转换为物理算法模型
[0069]
s23：如果故障树节点存在为引用子树的情况，则需要将子树也转为实例化树。
[0070]
s24：并将逻辑故障树模型名称转化为实例化模型名称，至此故障树实例化创建完成。
[0071]
步骤s3具体包括以下子步骤：
[0072]
s31：实例化后的故障树则可正式投入使用，可通过result接口调用亦可通过周期任务自动执行。
[0073]
s32：获取故障树节点绑定的诊断算法，根据不同类型的诊断算法调用相应的诊断接口，获取诊断结果，设置到节点告警结果以及概率。
[0074]
s33：如果故障节点绑定了故障子树，则重复执行s32。
[0075]
s34：将s32步骤获取的故障概率代入故障树，如该节点未绑定故障诊断算法则获
取默认设置的故障发生概率。根据fta故障诊断算法，例如最小割集、最小径集等，分析演绎得出故障树顶事件是否发生故障，与发生故障的概率。
[0076]
诊断方式2，所述的规则推理过程为：
[0077]
s1：根据已知故障模式和故障征兆的关系的经验数据，在规则配置工具中建立规则，可以基于输入的故障征兆数据，判断故障模式发生的概率。规则发布后，提供rest接口服务。
[0078]
规则配置过程由数据设计和逻辑设计两部分组成。
[0079]
在数据设计中，需要把故障诊断规则中的输入数据、输出数据、中间计算结果数据进行定义，包括数据变量的名称和类型。根据需要，可以将多个关联数据封装为复杂的变量类型。定义后的数据变量才可以在规则逻辑中使用。对规则逻辑中的业务参数可以定义为常量，提升可读性和易维护性。
[0080]
在逻辑设计中，按照对输入数据的处理流程，通过拖拉各种规则元素，包括条件判断、数据赋值、数据处理函数、基础四则运算等，构造包含数据处理过程和判断逻辑的系列规则块。
[0081]
规则发布时，从上述数据设计中的数据变量中指定哪些是规则的输入数据，哪些是规则执行完成需要输出的数据，发布后的rest接口，接收json格式的输入数据，返回json格式的结果。
[0082]
s2：对设备的时序数据建立分析模型，分析相关的故障征兆是否发生
[0083]
s3：按照规则发布时指定的输入要求，将s2分析出来的设备征兆数据封装成该规则接口输入的json结构，请求s1建立的规则rest接口。
[0084]
s4：规则配置后端规则执行引擎处理rest接口请求，输入数据到该规则，按照设计的逻辑，判定故障模式发生的概率并输出。
[0085]
规则执行引擎将每一个规则块编译为一个规则树，按照规则中每个规则块的顺序依次运行这些规则树，更新相关的数据变量。并最终输出指定的输出数据，包括故障模式及其发生概率。
[0086]
针对某一故障或问题，通过对相关信息进行整理、归纳、分类，从而形成的一种可视化的知识结构图。这种图表通常包括故障的原因、表现、排除方法、解决方案等内容，以帮助人们更好地理解和解决特定的故障或问题。
[0087]
诊断方式3,故障案例匹配方式：通过故障案例库来存储和组织故障案例的信息，当出现新的故障时，系统会自动地与案例库中的数据进行比较和匹配，以找到最相似的故障案例，并从中提取出有用的信息来进行推断。根据需要诊断的时间段、设备、机组等信息，查询相应测点时序数据。诊断过程如下：
[0088]
s1：根据测点时序数据进行征兆计算，每种征兆对应不同的计算逻辑。判断该时段发生了哪些征兆及其征兆可信度。
[0089]
s2：根据计算出来的征兆按照对应的故障模式进行分组，然后将计算得出的征兆可信度按照固定权重进行归一化处理，得到各个故障模式的可信度。
[0090]
s3：再通过多种相似度的算法计算上述发生的征兆和案例库中各个案例对应征兆的相似度。
[0091]
s4：最后将故障模式的可信度和相似度相结合，得到每种故障模式的可信度，即故
障发生的可能性。
[0092]
诊断方式4，大数据模型算法的诊断过程如下：
[0093]
s1、根据需要诊断的时间段和机组设备，基于kks实例设备树，查询相应测点时序数据。
[0094]
s2、将时序数据进行转表处理(数据透视，pivot，把id，time，v格式数据转换为id1，id2，id3
……
格式)
[0095]
s3、因转表后会出现时间不对齐的情况(在同一时刻部分测点有数据，部分测点无数据)，对有功功率测点和机组水头测点进行前值修补
[0096]
s4、根据有功功率测点，对数据进行稳定性筛选，具体逻辑为
[0097]
s4.1.设定判断窗口t和波动阈值m，判断时长为t的窗口内机组是否稳定运行，也就是有功功率的波动幅度(该窗口内最大值-最小值)是否小于m
[0098]
s4.2.将窗口向后滑动，重复判断逻辑1
[0099]
s5、对所有的空数据进行前值修补，分两步进行前值修补的原因是需要保证数据的真实性
[0100]
s6、筛选超过传感器量程的测点数据
[0101]
s7、对目标测点进行阈值筛选，若目标测点超过用户设置的阈值，则进行标记
[0102]
s8、将所有标记后的数据存储进数据表中，该表用于模型开发部分和故障诊断模块的数据交互。
[0103]
另外，诊断方式1-4为定量诊断，当定量诊断无法诊断时，采用知识图谱诊断方式进行诊断，诊断过程如下：
[0104]
s1：根据水电机组及故障相关知识，设计用于诊断的知识及关系模型，知识节点包括系统、子系统、机组、故障案例库、fmea(故障失效与影响分析)库、fta(故障分析树)库、预警信息、测点等，并梳理知识之间的关联关系构成水电故障诊断知识图谱的概念模型；
[0105]
(1)知识图谱用于描述真实世界中存在的各种实体或概念及其关系,其最终构成一张巨大的语义网络图。其中，节点表示实体或概念，边则由属性或关系构成。
[0106]
(2)节点(或称本体)。代表一个概念concepts，一个实体(entity)，一个属性(attribute)或者是一个事件(event)。实体，如一台主变，一个业务人员等，或是抽象的概念，如大数据平台、知识图谱、发电机组等。
[0107]
(3)边(或称弧)。节对应“关系”，表示节点之间存在的某种联系。边的标签指明了关系的类型，或是实体之间的关系，如类属关系、构成关系等。
[0108]
在水电机组的故障诊断知识图谱中，节点包括系统、部件、设备、故障案例库、fmea(故障失效与影响分析)库、fta(故障分析树)库、预警库、测点库等，并且节点之间的类属关系、序列关系、因果关系、构成关系等关系，共同构成了故障诊断知识图谱的概念模型(faultdiagnosiskg conception model)。
[0109]
s2：知识分类。此环节很重要，为后期的知识服务、知识计算、知识推理和知识可视化等做准备，将节点分为系统类、设备类、故障类、方法类、数据类、用户类等；关系类分为类属关系、构成关系、聚合关系、实例关系、序列关系、关联关系、依赖关系、因果关系、相关人等；
[0110]
s3：细化知识节点的数据结构，即梳理知识节点作为对象的有助于故障分析的相
关属性，例如机组(设备kks码、设备规格、投运时间、设备类型、制造商等)，故障案例(案例编码、案例名称、案例简要描述、案例来源类型、案例相关图片等)，故障(故障编码、故障模式、故障现象描述、故障等级、故障影响等)，故障处理(处理措施、处理步骤、处理效果)，故障特征(特征数据、图形特征、故障数据样本、故障恢复后的数据样本)等；
[0111]
s4：使用知识图谱构建工具，将概念知识模型构建到图数据库neo4j中，将概念层知识模板转化为三元组(主语，谓语，宾语)，例如(机组，关联关系，故障)，(水轮机，类属关系，机组)，(故障原因，因果关系，故障)，(故障特征，关联关系，故障征兆)，(故障，相关人，缺陷记录人)，(预警，关联关系，机组)等；
[0112]
s5：知识抽取准备。为结构化类型的知识节点进行本本映射配置，为半结构化和非结构数据配置知识源配置和知识标注等工作，以及进行知识抽取任务创建及任务执行参数(例如任务执行频率，执行覆盖范围，知识覆盖方式)等配置；
[0113]
s6：知识抽取与更新。定时或定期执行知识抽取任务，根据预制的水电故障诊断知识图谱的概念模型向图数据库中存储实例化数据，当出现实体定义不一致等情况辅助人工手段进行知识整合，最终形成水电故障诊断的知识图谱；
[0114]
s7：知识计算与推理。根据故障诊断推理规则和相关模型，对形成的水电故障诊断知识图谱进行知识计算或知识推理，得到故障诊断结果及故障分析过程记录。
[0115]
s8：知识可视化。将故障诊断结果及分析过程以合适的形式展示给用户。
[0116]
每个诊断方式构成了一个诊断节点，诊断节点包括大数据模型算法节点、规则节点、故障案例库节点和故障树分析方式节点；诊断时，同时进入大数据模型算法节点、规则节点、故障案例库节点和故障树分析方式节点进行诊断；依次对电站配置数据、机组配置数据和设备配置数据进行诊断。
[0117]
具体诊断过程如下：
[0118]
表2诊断过程表
[0119]
[0120][0121]
步骤3，获取每个诊断方式的结果；结果表包括大数据模型算法结果表、规则结果表、故障案例库结果表和故障树分析方式结果表。
[0122]
步骤4，对多个诊断方式的诊断结果进行故障诊断融合决策：
[0123]
步骤4.1，对各诊断方式的诊断结果进行过滤处理，取各诊断方式不同故障模式概率最大的结果；
[0124]
步骤4.2，对各诊断方式过滤后结果进行融合计算处理，获取到最终故障模式及其概率。
[0125]
第一种：各工具结果只有一种故障模式；第二种：各工具结果有多种故障模式；
[0126]
步骤4.2.1，第一种：各诊断方式结果只有一种故障模式，采用如下表格进行：
[0127]
表1各诊断方式结果只有一种故障模式的融合决策对比表
[0128][0129]
注：如果某工具为产生故障结果或故障发生概率为0则不参与计算。
[0130]
s为最终融合结果故障概率；
[0131]
步骤4.2.1，第二种：各诊断方式结果有多种故障模式，则需要采用ds证据推理融合性决策模型进行计算。ds证据推理相关文献为：中国专利文献cn110166437b公开的一种基于ds证据推理的移动目标防御最优策略选取的方法。
[0132]
步骤5：获得最终的诊断结果。
[0133]
最终诊断结果包括规则诊断结果、案例匹配结果、故障树分析方式匹配结果、模型匹配结果和知识推理结果，并最终将上述最终诊断结果进行集成与汇聚。
[0134]
具体地，在故障诊断详情界面查看各类诊断结果的详细结果信息。包括规则诊断结果，案例匹配结果，故障树分析方式匹配结果，模型匹配结果，和知识推理结果，并最终将
各类诊断结果进行集成与汇聚，综合各种模型诊断概率和历史置信度，通过融合决策给出故障诊断决策结果。
[0135]
1)规则结果展示：
[0136]
①
详情取值说明：基于故障模式，取每个故障模式测算的最大概率作为结果，如果有多个故障模式会取多个模式
[0137]
②
诊断依据说明：命中了哪个故障模式，把征兆名称及发生情况进行罗列
[0138]
基于征兆：假设质量不平衡命中了110条中某个征兆的组合，把每个征兆的置信度以及该组合的置信度进行罗列
[0139]
基于特征参数：假设该故障模式挂接了一组特征参数的计算，则将该组特征参数的计算结果以及计算方法进行展示
[0140]
2)案例结果展示：
[0141]
①
详情取值说明：基于故障模式，取每个故障模式测算的最大概率作为结果，如果有多个故障模式会取多个模式
[0142]
②
诊断依据说明：分为机理征兆和特征参数两种
[0143]
基于征兆：本次参与计算的征兆范围进行罗列，哪些发生了，哪些没发生，基于征兆组合推断故障模式的发生
[0144]
基于特征参数：本次参与计算的特征参数进行罗列
[0145]
3)故障树分析方式结果展示：
[0146]
①
详情取值说明：基于故障树分析方式树，取每个故障树分析方式树中命中的故障模式，同时可通过故障影响查看命中该故障模式下的整条路径
[0147]
②
诊断依据说明：将故障树分析方式树中，绑定算法/规则的故障模式节点以及是否发生进行罗列
[0148]
4)知识脉络结果展示：
[0149]
①
详情取值说明：基于征兆或故障模式，形成该次推理的一张完整的关联图谱；
[0150]
②
诊断依据说明：
[0151]
基于征兆：本次计算有征兆参与，则从征兆结果表中获取相关征兆，基于征兆推理命中相应的故障模式，故障原因及处理措施
[0152]
基于特征参数：本次计算未找到征兆，则需要通过特征参数计算的规则id启动，找到相应的故障模式，通过故障模式推理相关的故障原因处理措施等
[0153]
5)算法计算结果展示：
[0154]
①
详情取值说明：基于故障模式，取每个故障模式测算的最大概率作为结果，如果有多个故障模式会取多个模式
[0155]
②
诊断依据说明：基于每个算子步骤，点击查看相应的依据
[0156]
6)融合计算结果展示：
[0157]
基于故障案例、故障树分析方式、大数据模型算法、规则、知识脉络图的计算结果，按故障模式合并，取每个工具中概率最大的3个故障模式的数据进行综合展示(展示策略可进行调整)，同时关联故障征兆、故障类别、故障原因、特征参数、严重度、发生度、可检测度等信息融合输出，为业务人员对设备状态的判断提供科学的依据。
[0158]
实施例1：
[0159]
如图2所示，以变压器故障识别为例详述故障诊断实现全流程。
[0160]
步骤一，获取配置数据：
[0161]
1.fmea配置实现方式如下：
[0162]
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；
[0163]
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；
[0164]
1.3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；
[0165]
1.4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；
[0166]
步骤二，多种诊断方式(或者利用多种诊断工具)进行诊断；
[0167]
2.变压器故障案例匹配的实现方式如下：
[0168]
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。
[0169]
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。
[0170]
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。
[0171]
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。
[0172]
2.5案例保存并发布
[0173]
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。
[0174]
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。
[0175]
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。
[0176]
3.变压器规则(规则推理)判断实现方式如下：
[0177]
3.1规则构建
[0178]
①
规则数据设计
[0179]
a)创建输入数据对象，挑选三比值法相关的6个测点。
[0180]
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。
[0181]
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。
[0182]
②
规则逻辑设计
[0183]
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。
[0184]
b)一般的规则设计过程包括：
[0185]
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。
[0186]
条件逻辑判断：按照if
…
then
…
else的结构执行业务逻辑。
[0187]
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。
[0188]
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。
[0189]
3.2规则调度：
[0190]
①
规则实例化：创建实例，指定规则所应用的设备。
[0191]
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。
[0192]
4.变压器知识图谱判断实现方式如下：
[0193]
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。
[0194]
4.1知识表示
[0195]
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；
[0196]
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。
[0197]
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。
[0198]
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。
[0199]
4.2图谱构建
[0200]
①
schema定义：
[0201]
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。
[0202]
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。
[0203]
②
本体图谱构建：
[0204]
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。
[0205]
4.3知识融合：
[0206]
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。
[0207]
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。
[0208]
5.变压器故障识别算法模型配置：
[0209]
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。
[0210]
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。
[0211]
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。
[0212]
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。
[0213]
6.变压器fta实现方式如下：
[0214]
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。
[0215]
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。
[0216]
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。
[0217]
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。
[0218]
6.5fta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。
[0219]
步骤三：在工作流中，配置故障模式及关联的诊断流程和诊断工具。
[0220]
1.创建流程：
[0221]
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。
[0222]
2.流程设计：
[0223]
①
开始流程设计
[0224]
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。
[0225]
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。
[0226]
②
进入事件的+号，新增一个事件；
[0227]
事件：选择end
[0228]
类：固定值com.dhcc.flowable.common.listener.httptaskexecutelistener；
[0229]
进入name的+号，新增一个字段；
[0230]
名称：固定值success
[0231]
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${responseres.statuscode＝＝0}；
[0232]
进入name的+号，再新增一个字段；
[0233]
名称：固定值errmsg；
[0234]
表达式：responseres为固定的，其余根据实际接口的错误信息字段来配置。比如实际接口的返回为{statuscode:-77777,errormessage:
‘
出错了’}，那么这里就配置为${responseres.errormessage}；
[0235]
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：
[0236]
③
请求方法：选择get或者post
[0237]
请求url：${requesthost}为固定值，后面的地址根据实际情况填写；
[0238]
请求头：authorization:${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；
[0239]
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；
[0240]
请求超时时间：固定值100000(或者根据实际情况修改)；
[0241]
响应变量名：固定值responseres；
[0242]
将响应保存为json：固定值true；
[0243]
步骤四：融合决策，并进行结果展示：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。
[0244]
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。

技术特征：
1.一种水电机组故障综合诊断方法，其特征在于包括以下步骤：步骤1，进行故障扫描诊断前的准备工作：获取电站配置数据、机组配置数据、设备配置数据、fmea故障模式配置数据和诊断工作流配置数据；步骤2，启动故障诊断：利用多种诊断方式对电站配置数据、机组配置数据、设备配置数据进行诊断；所述的诊断方式包括大数据模型算法、规则推理、故障案例匹配方式和故障树分析方式；步骤3，获取每个诊断方式的结果；步骤4，对多个诊断方式的诊断结果进行故障诊断融合决策：步骤5：获得最终的诊断结果。2.根据权利要求1所述的水电机组故障综合诊断方法，其特征在于：步骤1的子步骤为：步骤1.1，获取电站配置数据包括电站编码、电站配置数据关联机组信息表、电站配置数据id；步骤1.2，机组配置数据包括机组编码、机组配置数据关联设备表、机组配置数据id；步骤1.3，设备配置数据包括设备名称、设备编码、设备配置数据关联的引入的系统设备信息表；步骤1.4，获取所有故障模式信息、设备逻辑位置。3.根据权利要求1所述的水电机组故障综合诊断方法，其特征在于：步骤2中，每个诊断方式构成了一个诊断节点，诊断节点包括大数据模型算法节点、规则节点、故障案例库节点和故障树分析方式节点；诊断时，同时进入大数据模型算法节点、规则节点、故障案例库节点和故障树分析方式节点进行诊断；依次对电站配置数据、机组配置数据和设备配置数据进行诊断。4.根据权利要求3所述的水电机组故障综合诊断方法，其特征在于：步骤3的结果表包括大数据模型算法结果表、规则结果表、故障案例库结果表和故障树分析方式结果表。5.根据权利要求4所述的水电机组故障综合诊断方法，其特征在于：步骤4的子步骤为：步骤4.1，对各诊断方式的诊断结果进行过滤处理，取各诊断方式不同故障模式概率最大的结果；步骤4.2，对各诊断方式过滤后结果进行融合计算处理，获取到最终故障模式及其概率。6.根据权利要求5所述的水电机组故障综合诊断方法，其特征在于：步骤4.2的融合计算分两种情况，第一种：各工具结果只有一种故障模式；第二种：各工具结果有多种故障模式；第一种：各诊断方式结果只有一种故障模式，采用如下表格进行：表1各诊断方式结果只有一种故障模式的融合决策对比表
s为最终融合结果故障概率。7.根据权利要求6所述的水电机组故障综合诊断方法，其特征在于：第二种：各诊断方式结果有多种故障模式，则需要采用ds证据推理融合性决策模型进行计算。8.根据权利要求1所述的水电机组故障综合诊断方法，其特征在于：故障树分析方式的过程为：1)将故障分为故障顶事件、中间事件和基本事件三层，故障顶事件包含了多个中间事件，中间事件包含了多个基本事件；2)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；3)每个层级的故障事件对应了相应地故障征兆。9.根据权利要求1所述的水电机组故障综合诊断方法，其特征在于：规则推理过程为：s1、根据已知故障模式和故障征兆的关系的经验数据建立规则，基于输入的故障征兆数据，判断故障模式发生的概率；s2、对设备的时序数据建立分析模型，分析相关的故障征兆是否发生s3、将s2分析出来的设备征兆数据封装成该规则接口输入的json结构，请求s1建立的规则rest接口；s4、规则执行引擎处理rest接口请求，输入数据到该规则，判定故障模式发生的概率并输出。10.根据权利要求1所述的水电机组故障综合诊断方法，其特征在于：大数据模型算法的过程为：首先输入有标记的故障样本，随后进行数据的预处理，然后通过分类模型进行训练；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。

技术总结
一种水电机组故障综合诊断方法，步骤为：步骤1，进行故障扫描诊断前的准备工作：获取电站配置数据、机组配置数据、设备配置数据；步骤2，启动故障诊断：利用多种诊断方式对电站配置数据、机组配置数据、设备配置数据进行诊断；所述的诊断方式包括大数据模型算法、规则推理、故障案例匹配方式和故障树分析方式；步骤3，获取每个诊断方式的结果；步骤4，对多个诊断方式的诊断结果进行故障诊断融合决策：步骤5：获得最终的诊断结果。本发明能对不同类型的水电机组进行诊断，并采用了多种诊断方式相融合，最终得到概率较大的诊断结果，提高了诊断的正确率。率。率。


技术研发人员：易万爽 冉毅川 李友平 宋晶辉 谭鋆 皮有春 肖燕凤 郭钰静 冉应兵 毛业栋 胡杨 宋文雄
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：2023.05.12
技术公布日：2023/9/20