一种风机失速智能预警系统与方法与流程

本发明属于生产安全技术领域，涉及一种风机失速智能预警系统与方法。

背景技术：

风机处于正常工况时，冲角很小(气流方向与叶片叶弦的夹角即为冲角)，气流绕过机翼型叶片而保持流线状态，当气流与叶片进口形成正冲角，即α>0，且此正冲角超过某一临界值时，叶片背面流动工况开始恶化，边界层受到破坏，在叶片背面尾端出现涡流区，即所谓“失速”现象。冲角大于临界值越多，失速现象越严重，流体的流动阻力越大，使叶道阻塞，同时风机风压也随之迅速降低。电厂风机失速会严重影响机组安全运行。常规控制系统一般通过参数阈值来进行报警，此时运行人员再综合判断风机运行是否正常，如果出现与风机失速相关的参数报警时，说明风机已经出现明显失速症状。实际上，在风机失速前各相关参数一般已经有一定的趋势，但受多种因素影响，一般难以发现，如运行人员难以仅时刻关注风机运行状态、实时趋势变化较小、实时趋势的变化有可能会被瞬时数据波动覆盖等。因此利用计算机智能化技术在风机有失速趋势时提前预警对于机组的安全稳定运行有着重要意义。

技术实现要素：

鉴于现有技术的局限性和智能化技术的发展趋势，本发明提出了一种风机失速智能预警系统与方法。

本发明解决其技术问题所采用的技术方案是：

本发明包括信号采集与预处理模块、数据计算模块、智能分析模块、预警报警模块。

所述的信号采集与预处理模块，用于从自动控制系统采集风机运行的当前时间的前的一段时间t内的历史数据，并对历史数据进行分析和处理，得到有价值的历史数据曲线信息，具体实现如下：

从自动控制系统采集风机运行的当前时间前的一段时间t内的历史数据，历史数据包括：风机电流、动叶开度、风机流量、进出口差压。时间段t的长度和数据点的时间间隔根据数据特征设置，一般情况下，时间段t为1-10分钟，时间段越短，反应越灵敏；时间间隔一般为1秒，需要根据自动控制系统数据频率和数据处理速度要求来综合确定。然后将采集到的历史数据利用平均移动或其它数学方法进行平滑处理，消除历史数据曲线的噪声信号，并去除异常值。再将预处理的历史数据利用数学方法计算其数据波动周期。

所述的数据计算模块，用于计算数据变化趋势(导数)，并根据信号周期获得可靠的实时数据值及其数据偏差，具体的：

根据信号采集与预处理模块得到的数据波动周期，将预处理的历史数据按周期进行平均，得到体现真实数据特征的平稳曲线，再利用导数方法分别计算风机电流、动叶开度、风机流量、进出口差压的周期平均曲线的变化斜率。并根据数据波动周期计算最后一周期的平均值，作为实时数据值，并计算一分钟内历史数据的变化量，即数据偏差，包括风机电流、风机流量、进出口差压。

所述的智能分析模块，用于根据数据变化趋势、实时数据值、数据偏差等评估风机失速的倾向性或失速状态，具体如下：

风机失速倾向性诊断：分别根据风机电流、风机流量、进出口差压、动叶开度的变化斜率，判断风机电流、风机流量、进出口差压、动叶开度是否超过各自的限值，如果都超过各自限值，则判断为风机有失速倾向性。总体逻辑是：如果动叶开度持续增大或已经达到最大值，风机电流、风机流量、进出口差压都持续减小，且各自的变化速度超过各自限值，则表现为即将失速。各参数的变化限值的大小由具体风机的运行特性进行确定，需要根据历史数据进行大数据分析，再通过必要的试验进行补充和验证。

风机失速状态诊断：利用大数据建立风机电流、风机流量、进出口压差与动叶开度之间的关系模型，关系模型包括均值关系和正常区域关系，比如风机正在70％动叶开度下运行，计算此时历史大数据中在此动叶开度下的正常运行的风机电流平均值av和波动范围as。总体逻辑是：如果动叶开度持续增大或已经达到最大值，风机电流、风机流量、进出口差压的实时值分别偏离动叶开度实时值对应的风机电流、风机流量、进出口差压的最小值范围(av-as、fv-fs、pv-ps)，则说明风机已经处于失速状态。

所述的预警报警模型，用于在风机出现失速倾向或已发生失速时，提供预警或报警信息。

当风机出现失速倾向时，进行失速预警，预警色为黄色；

当风机已处于失速状态时，进行失速报警，报警色为红色。

预警、报警的方式包括声、光、弹出框等醒目方式。

本发明有益效果如下：

本发明通过计算机智能化分析技术，将风机失速的关键参数进行预处理，得到有效的信号信息，进一步得到关键参数的有效变化趋势，再通过历史大数据数据分析和风机特性分析(可能需要试验)，得到风机失速相关参数的趋势关系，从而实时分析风机失速的倾向性，可以在风机完全失速前数分钟进行预警，为消除失速提供充足的干预时间。

附图说明

图1是本发明的系统与方法流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，风机失速智能预警系统与方法，包括信号采集与预处理模块①、数据计算模块②、智能分析模块③、预警报警模块④。

所述的信号采集与预处理模块①，用于从自动控制系统采集风机运行的当前时间前的一段时间内的历史数据，并对数据信号进行分析和处理，得到有价值的历史数据曲线信息。

所述的数据计算模块②，用于计算数据变化趋势(导数)，并根据信号周期获得可靠的实时数据及其变化幅度(数据偏差)。

所述的智能分析模块③，用于根据数据变化趋势、实时值、数据偏差等评估风机失速的倾向性或失速状态。

所述的预警报警模型④，用于在风机出现失速倾向或已发生失速时，提供预警或报警信息。

所述的信号采集与预处理模块①，从自动控制系统采集风机运行的当前时间前的一段时间内的历史数据，数据包括：风机电流、动叶开度、风机流量、进出口差压。时间段的长度和数据点时间间隔根据数据特征设置，一般情况下，时间段为1-10分钟，时间段越短，反应越灵敏；时间间隔一般为1秒，需要根据控制系统数据频率和数据处理速度要求来综合确定。然后将采集到的历史数据利用平均移动或其它数学方法进行平滑处理，消除历史数据曲线的噪声信号，并去除异常值。再将预处理的历史数据利用数学方法计算其数据波动周期。

所述的数据计算模块②，根据得到的数据变化周期，将预处理的历史数据按周期进行平均，得到体现真实数据特征的平稳曲线，再利用导数方法分别计算风机电流、动叶开度、风机流量、进出口差压的周期平均曲线的斜率。并根据数据周期计算最后一周期的平均值，作为实时值，并计算一分钟内数据的变化量，即数据偏差，包括风机电流、风机流量、进出口差压。

所述的智能分析模块③，风机失速倾向性诊断，分别根据风机电流、风机流量、进出口差压、动叶开度的变化斜率，判断其是否超过各自的限值，如果都超过各自限值，则判断为风机有失速倾向性。总体逻辑是：如果动叶开度持续增大或已经达到最大值，风机电流、风机流量、进出口差压都持续减小，且各自的变化速度超过各自限值，则表现为即将失速。各参数的变化限值的大小由具体风机的运行特性进行确定，需要根据历史数据进行大数据分析，再通过必要的试验进行补充和验证。

所述的智能分析模块③，风机失速状态诊断，利用大数据建立风机电流、风机流量、进出口压差与动叶开度之间的关系模型，关系模型包括均值关系和正常区域关系，比如风机正在70％动叶开度下运行，计算此时历史大数据中在此动叶开度下的正常运行的风机电流平均值av和波动范围as。总体逻辑是：如果动叶开度持续增大或已经达到最大值，风机电流、风机流量、进出口差压的实时值分别偏离动叶开度实时值对应的风机电流、风机流量、进出口差压的最小值范围(av-as、fv-fs、pv-ps)，则说明风机已经处于失速状态。

所述的预警报警模块④，当风机出现失速倾向时，进行失速预警，预警色为黄色；当风机已处于失速状态时，进行失速报警，报警色为红色。预警、报警的方式包括声、光、弹出框等醒目方式。