全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物的汽輪發(fā)電機(jī)定子繞組熱故障預(yù)警

摘要： 將汽輪發(fā)電機(jī)組的集散控制系統(tǒng)（DCS）的定子各槽出水口水溫監(jiān)測(cè)點(diǎn)映射為復(fù)雜網(wǎng)絡(luò)中的節(jié)點(diǎn)，從而能夠基于汽輪發(fā)電機(jī)DCS監(jiān)測(cè)數(shù)據(jù)對(duì)定子繞組的熱狀態(tài)進(jìn)行觀測(cè)。根據(jù)DCS監(jiān)測(cè)數(shù)據(jù)的時(shí)序特性，引入全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物（L-DNM）法計(jì)算網(wǎng)絡(luò)中各節(jié)點(diǎn)的特異性皮爾遜相關(guān)系數(shù)，以構(gòu)建不同采樣時(shí)刻的特異性差分網(wǎng)絡(luò)。量化網(wǎng)絡(luò)中各節(jié)點(diǎn)的動(dòng)態(tài)變化以進(jìn)行故障預(yù)警，進(jìn)而篩選出溫度異常升高的關(guān)鍵節(jié)點(diǎn)，根據(jù)這些關(guān)鍵節(jié)點(diǎn)構(gòu)建動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物（DNM）以識(shí)別故障位置。結(jié)果表明：文中方法能夠?qū)崿F(xiàn)對(duì)早期故障的預(yù)警和異常槽口位置的定位。

關(guān)鍵詞： 汽輪發(fā)電機(jī)； 定子繞組； 熱故障； 全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物； 故障檢測(cè)； 故障定位

中圖分類號(hào)： TM 311文獻(xiàn)標(biāo)志碼： A ""文章編號(hào)： 1000-5013（2025）02-0201-08

Early Warning of Thermal Fault in Turbine Generator Stator Winding of Landscape Dynamic Network Marker

ZENG Sijia， FANG Ruiming， PENG Changqing，ZHUANG Jienong， SHANG Rongyan

（College of Information Science and Engineering， Huaqiao University， Xiamen 361021， China）

Abstract： The outlet water temperature monitoring points for each stator slot in the steam turbine generator group distributed control system （DCS） are mapped to nodes in a complex network， the thermal state of the stator windings can be observed based on the steam turbine generator DCS monitoring data. Based on the time series characteristics of the DCS monitoring data， the landscape dynamic network marker （L-DNM） method is introduced to calculate the specific Pearson correlation coefficients of each node in the network to construct specific differential networks at different sampling times. The dynamic changes of each node in the network are quantified for the purpose of fault prediction. Subsequently， critical nodes with abnormal increasing temperature are identified to construct a dynamical network marker （DNM） for fault location identification. The results show that the proposed method can achieve early warning of faults and localization of abnormal slot positions.

Keywords： steam turbine generator； stator winding； thermal fault； landscape dynamic network marker； fault detection； fault localization

水內(nèi)冷系統(tǒng)異常造成的定子繞組熱故障是大型汽輪發(fā)電機(jī)組的主要故障之一， 為確保機(jī)組安全穩(wěn)定工作，對(duì)定子繞組熱故障預(yù)警的研究具有重要意義［1］。由于無(wú)須安裝額外的數(shù)據(jù)采集設(shè)備，基于發(fā)電機(jī)組的集散控制系統(tǒng)（DCS）數(shù)據(jù)的汽輪機(jī)組狀態(tài)異常的檢測(cè)方法具有顯著的成本優(yōu)勢(shì)。近年來(lái)，基于DCS數(shù)據(jù)的汽輪機(jī)組的故障預(yù)警方法在發(fā)電機(jī)定子繞組熱故障診斷領(lǐng)域應(yīng)用較為廣泛［2-4］。Pietrzak 等［5］使用雙譜分析結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)定子繞組故障進(jìn)行檢測(cè)與分類，通過(guò)適當(dāng)調(diào)整訓(xùn)練參數(shù)提高卷積神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性并減少訓(xùn)練時(shí)間。Yang 等［6］提出了一種將滑動(dòng)窗口法和自編碼器-長(zhǎng)短期記憶網(wǎng)絡(luò)（SAE-LSTM）結(jié)合的預(yù)警方法，通過(guò)動(dòng)態(tài)調(diào)整預(yù)警閾值改善預(yù)警精度和及時(shí)性。但上述方法往往忽略了汽輪發(fā)電機(jī)定子繞組熱故障與DCS數(shù)據(jù)多狀態(tài)信息之間的耦合性。此外，汽輪機(jī)組定子繞組熱故障的故障標(biāo)簽數(shù)據(jù)也較為稀缺，難以滿足基于人工智能的故障診斷方法對(duì)訓(xùn)練數(shù)據(jù)的需求。

為了解決這一問(wèn)題，近年來(lái)將動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物（DNM）理論應(yīng)用于復(fù)雜系統(tǒng)的狀態(tài)臨界轉(zhuǎn)化［7］，DNM能夠描述帶有噪聲干擾的復(fù)雜多變量非線性系統(tǒng)在臨界點(diǎn)附近動(dòng)態(tài)特征，量化復(fù)雜系統(tǒng)狀態(tài)臨界轉(zhuǎn)變可能性［8-9］，對(duì)于及時(shí)檢測(cè)類似于汽輪機(jī)組定子繞組熱故障這種類型的問(wèn)題具有很好的借鑒意義。金亮［10］將DNM理論引入到汽輪發(fā)電機(jī)定子繞組熱故障診斷之中，取得了較好的效果，為基于DCS數(shù)據(jù)驅(qū)動(dòng)的汽輪機(jī)組熱故障預(yù)警提供了一種新的思路，但該方法在確定動(dòng)態(tài)網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)時(shí)仍需借助于聚類算法，計(jì)算量較大，影響了預(yù)警的實(shí)時(shí)性?；诖?，本文對(duì)全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物的汽輪發(fā)電機(jī)定子繞組熱故障預(yù)警進(jìn)行研究。

1 全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物方法

1.1 動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物

DNM是一種基于臨界慢化（CSD）和分叉理論（BT）提出的，用于檢測(cè)復(fù)雜系統(tǒng)在發(fā)生臨界轉(zhuǎn)變之前的早期預(yù)警信號(hào)的方法。對(duì)于多變量復(fù)雜非線性系統(tǒng)，當(dāng)其接近臨界狀態(tài)時(shí)，由于集體動(dòng)力學(xué)效應(yīng)，系統(tǒng)中至少存在一組主導(dǎo)性變量，這些變量之間具有高度相關(guān)性，被稱為系統(tǒng)的關(guān)鍵狀態(tài)變量［11-12］。當(dāng)系統(tǒng)逐漸逼近臨界狀態(tài)時(shí)，系統(tǒng)的關(guān)鍵狀態(tài)變量之間的相關(guān)性會(huì)顯著增加，而其余狀態(tài)變量之間的相關(guān)性則會(huì)減弱。

關(guān)鍵狀態(tài)變量要滿足以下3個(gè)條件［13］。

1） 關(guān)鍵狀態(tài)變量中每個(gè)變量的標(biāo)準(zhǔn)差 （σ）顯著增加。

2） 關(guān)鍵狀態(tài)變量中每對(duì)變量的相關(guān)性（Pin）增加。

3） 關(guān)鍵狀態(tài)變量與其余狀態(tài)變量的相關(guān)性（Pout）降低。

依據(jù)上述條件，對(duì)DNM進(jìn)行量化設(shè)定，即

I=σ·PinPout+ε

。（1）

式（1）中：I為DNM的量化值；ε為避免分母為0的小正常數(shù)。

在識(shí)別系統(tǒng)狀態(tài)轉(zhuǎn)變過(guò)程中，DNM通過(guò)最大的I或大幅增加的I檢測(cè)系統(tǒng)狀態(tài)轉(zhuǎn)變的預(yù)警信號(hào)。DNM在復(fù)雜系統(tǒng)的早期預(yù)警研究中展現(xiàn)出了顯著的優(yōu)勢(shì)，傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法依賴特定的模型框架，導(dǎo)致其在應(yīng)用范圍上受到限制，難以在多樣性和復(fù)雜性較高的系統(tǒng)中推廣。同時(shí)，傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法有效性往往也依賴大量高質(zhì)量的訓(xùn)練樣本，而獲取足夠的訓(xùn)練樣本在實(shí)際應(yīng)用中面臨諸多困難，樣本不足的問(wèn)題可能會(huì)導(dǎo)致模型的泛化能力下降，難以滿足故障診斷的需求。此外，傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)方法缺乏對(duì)系統(tǒng)動(dòng)態(tài)特性的考慮，難以捕捉到系統(tǒng)在臨界狀態(tài)下的突變行為，而DNM基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和動(dòng)態(tài)變化規(guī)律，不依賴于特定的模型，能夠從時(shí)間序列數(shù)據(jù)中提取系統(tǒng)在臨界轉(zhuǎn)變前的關(guān)鍵特征，具有較強(qiáng)的普適性［14］。同時(shí)，DNM能夠通過(guò)識(shí)別關(guān)鍵狀態(tài)變量間的集體動(dòng)力學(xué)效應(yīng)，減少對(duì)大量訓(xùn)練樣本的依賴，提升對(duì)系統(tǒng)故障早期預(yù)警的準(zhǔn)確性和可靠性［15-16］。

1.2 全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物

在使用DNM確定系統(tǒng)的關(guān)鍵狀態(tài)變量的過(guò)程中，DNM通常依賴于聚類算法或其他啟發(fā)式程序進(jìn)行篩選。這些方法盡管能夠識(shí)別出系統(tǒng)的關(guān)鍵狀態(tài)變量，但往往需要大量的計(jì)算資源和時(shí)間。因此，在實(shí)時(shí)性要求較高的場(chǎng)景中應(yīng)用時(shí)，DNM實(shí)用性會(huì)受到較大的影響，而全景動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物（L-DNM）可通過(guò)構(gòu)建特異性差分網(wǎng)絡(luò)，快速、高效、實(shí)時(shí)篩選關(guān)鍵狀態(tài)變量，無(wú)需提前確定，大大降低計(jì)算成本的同時(shí)，又提高了時(shí)效性。

L-DNM算法有如下2個(gè)步驟。

1） 特異性差分網(wǎng)絡(luò)的構(gòu)建。選取n組的k個(gè)參考樣本（Sample［i，j］，i=1、…、n；j=1、…、k），構(gòu)建n組參考樣本數(shù)據(jù)的特異性差分網(wǎng)絡(luò)（SDN）。為了獲得每個(gè)SDN中的L-DNM模塊，需要賦予網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)一個(gè)局部得分。

首先，使用節(jié)點(diǎn)x及其一階鄰域內(nèi)所有的節(jié)點(diǎn)（SDN中與節(jié)點(diǎn)x有邊相連的節(jié)點(diǎn)構(gòu)成節(jié)點(diǎn)x的一階鄰域）的差分表達(dá)偏差（DSDE）。其次，計(jì)算節(jié)點(diǎn)x及其一階鄰域內(nèi)所有的節(jié)點(diǎn)的平均特異性皮爾森相關(guān)系數(shù)（Cin），以及節(jié)點(diǎn)x的一階鄰域的節(jié)點(diǎn)和二階鄰域的節(jié)點(diǎn)之間的平均特異性皮爾森相關(guān)系數(shù)（Cout）。

2） 計(jì)算特異性差分網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的局部得分，并繪制三維景觀圖?；赟DN的節(jié)點(diǎn)x局部DNM得分（S（x））為

S（x）=DSDE·CinCout。

（2）

同理，對(duì)于SDN中的每個(gè)節(jié)點(diǎn)都可以得到相應(yīng)的S（x），將S（x）放入坐標(biāo)軸中，得到一個(gè)x軸為參考樣本編號(hào)、y軸為參考樣本組的組號(hào)，z軸為S的三維景觀圖。將三維景觀圖中各個(gè)網(wǎng)絡(luò)中各節(jié)點(diǎn)的得分情況作為檢測(cè)即將到來(lái)的臨界狀態(tài)的特定標(biāo)識(shí)符，某一個(gè)或幾個(gè)節(jié)點(diǎn)其S（x）的快速上升標(biāo)志著臨界狀態(tài)的出現(xiàn)。

L-DNM算法示意圖，如圖1所示。

2 基于L-DNM故障預(yù)警方法

作為發(fā)電機(jī)定子結(jié)構(gòu)的重要組成部分，汽輪發(fā)電機(jī)的定子繞組是常見(jiàn)故障的主要部分。發(fā)電機(jī)定子繞組故障按故障類型包含了電氣故障、機(jī)械故障和冷卻系統(tǒng)故障。其中，電氣故障造成的絕緣損壞及冷卻系統(tǒng)水內(nèi)冷出現(xiàn)異常都會(huì)造成發(fā)電機(jī)定子繞組熱故障。據(jù)不完全統(tǒng)計(jì)，近年來(lái)，全國(guó)含有的100 MW及以上發(fā)電機(jī)中，定子繞組熱故障的次數(shù)占發(fā)電機(jī)故障的60%以上。為此，使用L-DNM對(duì)汽輪發(fā)電機(jī)定子繞組熱故障進(jìn)行及時(shí)預(yù)警。

根據(jù)節(jié)1.2中介紹的方法即可利用發(fā)電機(jī)自身DCS系統(tǒng)中對(duì)于發(fā)電機(jī)定子繞組各槽出水口的溫度監(jiān)測(cè)節(jié)點(diǎn)，建立可反映發(fā)電機(jī)定子繞組溫升變化情況的復(fù)雜網(wǎng)絡(luò)。通過(guò)量化網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的動(dòng)態(tài)變化對(duì)故障進(jìn)行預(yù)警，并篩選出溫度異常升高的關(guān)鍵節(jié)點(diǎn)，構(gòu)建基于關(guān)鍵節(jié)點(diǎn)的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物對(duì)故障位置進(jìn)行辨識(shí)。

基于L-DNM的汽輪發(fā)電機(jī)定子繞組熱故障預(yù)警具體有如下8個(gè)步驟。

1） 選取連續(xù)的k個(gè)采樣時(shí)刻的實(shí)時(shí)DCS監(jiān)測(cè)數(shù)據(jù)，將其中第i+1～n+i個(gè)采樣時(shí)刻的監(jiān)測(cè)數(shù)據(jù)作為參考變量組，其中，n表示參考變量組中所包含的采樣時(shí)刻的總數(shù)。

2） 初始狀態(tài)令i=0，i作為后續(xù)檢測(cè)流程完成的標(biāo)志，計(jì)算參考變量組內(nèi)各個(gè)變量間的Cn，再加入第n+i+1個(gè)采樣時(shí)刻的監(jiān)測(cè)數(shù)據(jù)，計(jì)算新變量組內(nèi)各個(gè)變量間的Cn+1，將Cn+1減去Cn得到SCn，即

式（3），（4）中：xi+1和yi+1為參考樣本組中x和y；x和y分別為x和y在參考樣本組中的均值。

3） 使用置信度檢驗(yàn)法對(duì)每一個(gè)SC進(jìn)行檢驗(yàn)，保留置信度水平高于0.95的SC（兩個(gè)變量存在邊），有邊相連的樣本構(gòu)成即為某個(gè)樣本的一階鄰域，與一階領(lǐng)域內(nèi)的樣本有邊相連的樣本的為二階鄰域，建立該采樣時(shí)刻下的SDN。

4） 根據(jù)相關(guān)公式計(jì)算該采樣時(shí)刻下的SDN的各個(gè)節(jié)點(diǎn)的DSDE、Cin、Cout，進(jìn)而得到各個(gè)節(jié)點(diǎn)在對(duì)應(yīng)采樣時(shí)刻下的S，即

式（5）～（7）中：Nx為特異性差分網(wǎng)絡(luò)中與節(jié)點(diǎn)x有邊相連的節(jié)點(diǎn)構(gòu)成的一階鄰域；nx為一階鄰域中節(jié)點(diǎn)的個(gè)數(shù)；σx為節(jié)點(diǎn)x的標(biāo)準(zhǔn)差；μx為節(jié)點(diǎn)x的平均值；σy為節(jié)點(diǎn)x的一階領(lǐng)域中的節(jié)點(diǎn)y的標(biāo)準(zhǔn)差；μy為節(jié)點(diǎn)y的平均值；Mx為特異性差分網(wǎng)絡(luò)中與節(jié)點(diǎn)x的一階鄰域中節(jié)點(diǎn)有邊相連的節(jié)點(diǎn)構(gòu)成的二階鄰域；mx表示二階鄰域中節(jié)點(diǎn)的個(gè)數(shù)；x′為一階鄰域中的節(jié)點(diǎn)x′；y′為一階鄰域中的節(jié)點(diǎn)y′。

5） 判斷n+i+1是否等于k，若不滿足，令i=i+1，返回步驟2），繼續(xù)得到不同采樣時(shí)刻下的SDN內(nèi)各節(jié)點(diǎn)的S；若滿足，則進(jìn)入步驟6）；

6） 計(jì)算各采樣時(shí)刻內(nèi)各變量的S的標(biāo)準(zhǔn)差，即

（8）

式（8）中：σSi+1為除去參考變量組的第1～n+1個(gè)采樣時(shí)刻后，剩余的第i個(gè)采樣時(shí)刻的各節(jié)點(diǎn)的S的標(biāo)準(zhǔn)差；L為第i個(gè)采樣時(shí)刻的特異性差分網(wǎng)絡(luò)中的節(jié)點(diǎn)個(gè)數(shù)；Si（j）為k個(gè)采樣時(shí)刻中除去變量組的第1～n+1個(gè)采樣時(shí)刻后，剩余的第i個(gè)采樣時(shí)刻的第j個(gè)節(jié)點(diǎn)的S，j=1、2、3、…、L；μSi為除去作為參考變量組的第1～n+1個(gè)采樣時(shí)刻后，剩余第i個(gè)采樣時(shí)刻的各節(jié)點(diǎn)的S的平均值。

7） 以兩個(gè)相鄰采樣時(shí)刻構(gòu)成一個(gè)采樣時(shí)間組，在該組中計(jì)算兩個(gè)相鄰采樣時(shí)刻的σSi+1的偏差a，其中，a=σSi+1-σSiσSi。

8） 若a≤0.05，表明各槽S處于相對(duì)平穩(wěn)的狀態(tài)，判斷發(fā)電機(jī)處于正常運(yùn)行狀態(tài)；若agt;0.05，表明某一個(gè)或多個(gè)槽的S突然上升，說(shuō)明出水口溫度出現(xiàn)了異常變化，發(fā)電機(jī)到達(dá)臨界狀態(tài)，此時(shí)生成預(yù)警信號(hào)，確定三維景觀圖中S發(fā)生突然上升的槽口為檢修的關(guān)鍵節(jié)點(diǎn)，結(jié)合檢修結(jié)果確定局部得分發(fā)生突然上升的槽口是否為所述故障位置。

3 實(shí)例分析

為了驗(yàn)證提出的方法能夠?qū)崿F(xiàn)對(duì)定子繞組熱故障的早期預(yù)警和異常槽口位置的定位，案例采用某發(fā)電機(jī)3號(hào)機(jī)組DCS采集的2020年度監(jiān)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證，型號(hào)為QFSN-1000-2-27，冷卻方式為水氫氫，即定子繞組水內(nèi)冷。DCS每10 min進(jìn)行一次采樣。

3.1 正常運(yùn)行情況分析

對(duì)汽輪發(fā)電機(jī)處于正常運(yùn)行狀態(tài)時(shí)的DCS歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，選取2020年7月18日-7月22日的定子冷卻出水口溫度數(shù)據(jù)進(jìn)行測(cè)試，任意選取一個(gè)時(shí)刻，分別向前、后截取29，20個(gè)采樣時(shí)刻數(shù)據(jù)。正常樣本各采樣時(shí)刻的σS和各采樣時(shí)間組的偏差a，如圖2所示。

由圖2可知：正常樣本中各采樣時(shí)間組的a均小于0.05，而且各采樣時(shí)刻的σS差異較小。正常樣本三維景觀圖，如圖3所示。

由圖3可知：在正常情況下，42個(gè)定子冷卻出水口溫度的S均處于2.5×10-3～7.0×10-3的范圍內(nèi)，沒(méi)有出現(xiàn)某一個(gè)或幾個(gè)定子槽出水口溫度的S明顯高于其他定子槽出水口溫度，說(shuō)明無(wú)異常情況，符合檢修記錄。

3.2 故障情況分析

采用汽輪發(fā)電機(jī)處于故障狀態(tài)時(shí)的DCS歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，選取11月10日-14日的定子冷卻出水口溫度數(shù)據(jù)進(jìn)行測(cè)試，根據(jù)系統(tǒng)報(bào)警時(shí)刻，分別向前、后截取29、20個(gè)采樣時(shí)刻數(shù)據(jù)，故障樣本各采樣時(shí)刻的σS和各采樣時(shí)間組的偏差a，如圖4所示。

由圖4可知：a大于0.05的采樣時(shí)間組是第9組，采樣時(shí)刻90、100內(nèi)的σS差異較大，采樣時(shí)刻100內(nèi)某一個(gè)或多個(gè)槽的S突然上升。

故障樣本三維景觀圖，如圖5所示。單槽故障樣本不同采樣時(shí)刻各槽口的S，如圖6所示。

由圖6可知：S可以分為3類，第1類為正常狀態(tài)，42個(gè)槽口的S基本穩(wěn)定在5×10-3～25×10-3的范圍內(nèi)；第2類為臨界狀態(tài)，5、10、18號(hào)定子槽出水口溫度的S變化為所有數(shù)值中最高位，且遠(yuǎn)大于其他41個(gè)槽口；第3類為故障狀態(tài)，42個(gè)槽口的S基本穩(wěn)定在2×10-3～3×10-3的范圍內(nèi)；各槽口的S在第10個(gè)采樣時(shí)刻發(fā)生突變，一直持續(xù)到第32個(gè)采樣時(shí)刻，42個(gè)槽口的S重新恢復(fù)穩(wěn)定；圖6（b）發(fā)出的預(yù)警信號(hào)比圖6（d）提前了210 min。

正常樣本下，L-DNM檢測(cè)結(jié)果為正常，DNM檢測(cè)結(jié)果為未見(jiàn)異常，檢修結(jié)果為未見(jiàn)異常；故障樣本下，L-DNM檢測(cè)結(jié)果為故障，在采樣時(shí)刻9發(fā)出預(yù)警，DNM檢測(cè)結(jié)果為在采樣時(shí)刻20發(fā)出預(yù)警，檢修結(jié)果為在5、10、18號(hào)槽口出現(xiàn)異常。因此，在故障樣本中，L-DNM比傳統(tǒng)DNM提前發(fā)出預(yù)警，同時(shí)，傳統(tǒng)DNM的有效性往往取決于輸入特征量的篩選的準(zhǔn)備，而L-DNM可事先對(duì)DNM成員進(jìn)行選擇，無(wú)需使用以往研究中的常用的聚類算法或者其他啟發(fā)式程序。

以上實(shí)例分析結(jié)果表明，以兩個(gè)相鄰采樣時(shí)刻構(gòu)成一個(gè)采樣時(shí)間組，計(jì)算兩個(gè)相鄰采樣時(shí)刻的標(biāo)準(zhǔn)差a，當(dāng)發(fā)電機(jī)從正常狀態(tài)進(jìn)入臨界狀態(tài)時(shí)，該采樣時(shí)間組內(nèi)a與對(duì)應(yīng)采樣時(shí)間點(diǎn)的故障定子繞組槽口溫度S會(huì)發(fā)生變化。當(dāng)a≤0.05，各槽口的S處于相對(duì)平穩(wěn)的狀態(tài)，判斷發(fā)電機(jī)處于正常運(yùn)行狀態(tài)；若agt;0.05，某一個(gè)或多個(gè)槽口的S突然上升，說(shuō)明某一個(gè)或多個(gè)槽口的出水口溫度出現(xiàn)了異常變化，發(fā)電機(jī)到達(dá)臨界狀態(tài)，發(fā)生變化的槽口即為關(guān)鍵變量，而發(fā)生變化的采樣時(shí)刻表示發(fā)電機(jī)在該時(shí)間由正常狀態(tài)轉(zhuǎn)化為臨界狀態(tài)，此時(shí)發(fā)出預(yù)警信號(hào)；由臨界狀態(tài)轉(zhuǎn)換至故障狀態(tài)后，各槽口的S重新回到相對(duì)平穩(wěn)的狀態(tài)。建立的基于L-DNM的汽輪發(fā)電機(jī)定子繞組熱故障預(yù)警模型能夠在故障出現(xiàn)前發(fā)出預(yù)警信號(hào)，對(duì)運(yùn)行狀態(tài)變化的臨界進(jìn)行定時(shí)定點(diǎn)的檢測(cè)，驗(yàn)證了其具有一定的工程實(shí)用價(jià)值。

4 結(jié)論

鑒于目前汽輪發(fā)電機(jī)定子繞組熱故障診斷存在的風(fēng)險(xiǎn)和挑戰(zhàn)，提出一種基于機(jī)組定子各槽出水口DCS監(jiān)測(cè)水溫時(shí)序數(shù)據(jù)的定子繞組熱故障預(yù)警方法，只需使用各槽口水溫監(jiān)測(cè)數(shù)據(jù)構(gòu)建特異性差分網(wǎng)絡(luò)，無(wú)需建立特定模型。通過(guò)評(píng)估各個(gè)采樣時(shí)刻的特異性差分網(wǎng)絡(luò)中各節(jié)點(diǎn)的偏差和相關(guān)性，計(jì)算各節(jié)點(diǎn)的局部得分，根據(jù)各節(jié)點(diǎn)的局部得分的動(dòng)態(tài)變化進(jìn)行故障預(yù)警，并根據(jù)繪制的三維景觀圖進(jìn)一步確定故障位置。

1） 基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物理論，僅使用少量數(shù)據(jù)構(gòu)建特異性差分網(wǎng)絡(luò)就可以在汽輪發(fā)電機(jī)定子繞組熱故障發(fā)生之前及時(shí)識(shí)別出臨界點(diǎn)。

2） 采用三維景觀圖中各個(gè)節(jié)點(diǎn)的S可視化地篩選DNM成員，計(jì)算成本低、時(shí)效性較好。

3） 文中方法屬于一種免模型預(yù)警方法，僅需采用機(jī)組自身DCS數(shù)據(jù)即可實(shí)現(xiàn)缺陷臨界狀態(tài)的提前預(yù)測(cè)。然而，文中方法僅驗(yàn)證了在連續(xù)的時(shí)序監(jiān)測(cè)數(shù)據(jù)中具有良好的預(yù)警效果，當(dāng)數(shù)據(jù)由于某些原因出現(xiàn)缺失而導(dǎo)致不連續(xù)時(shí)，文中方法是否同樣能夠準(zhǔn)確地對(duì)故障進(jìn)行預(yù)警是今后需要繼續(xù)研究的工作。

參考文獻(xiàn)：

［1］ 趙洪森，戈寶軍，陶大軍，等.大型核電汽輪發(fā)電機(jī)定子內(nèi)部短路故障時(shí)局部電磁力分布研究［J］.電工技術(shù)學(xué)報(bào)，2018，33（7）：1497-1507.DOI：10.19595/j.cnki.1000-6753.tces.170163.

［2］ 孫磊.大型發(fā)電機(jī)組定子水路堵塞故障分析［J］.中國(guó)高新技術(shù)企業(yè)，2016（22）：55-57.DOI：10.13535/j.cnki.11-4406/n.2016.22.027.

［3］ FANG Ruiming，LIU Zilin，PENG Changqing，et al.Fault diagnosis of inter-turn short circuit in turbogenerator rotor windings based on vibration-current signal fusion［J］.Energy Reports，2023，9：316-323.DOI：10.1016/j.egyr.2023.03.019.

［4］ LI Xingshuo，LIU Jinfu，BAI Mingliang，et al.An LSTM based method for stage performance degradation early warning with consideration of time-series information［J］.Energy，2021，226：120398.DOI：10.1016/j.energy.2021.120398.

［5］ PIETRZAK P，WOLKIEWICZ M，ORLOWSKA-KOWALSKA T.PMSM stator winding fault detection and classification based on bispectrum analysis and convolutional neural network［J］.IEEE Transactions on Industrial Electronics，2022，70（5）：5192-5202.DOI：10.1109/TIE.2022.3189076.

［6］ YANG Yulei，ZHANG Shuming，SU Kaisen，et al.Early warning of stator winding overheating fault of water-cooled turbogenerator based on SAE-LSTM and sliding window method［J］.Energy Reports，2023，9：199-207.DOI：10.1016/j.egyr.2023.02.076.

［7］ CHEN Luonan，LIU Rui，LIU Zhiping，et al.Detecting early-warning signals for sudden deterioration of complex diseases by dynamical network biomarkers［J］.Scientific Reports，2012，2（1）：342.DOI：10.1038/srep00342.

［8］ FANG Ruiming，WU Minling，SHANG Rongyan，et al.Identifying early defects of wind turbine based on SCADA data and dynamical network marker［J］.Renewable Energy，2020，154：625-635.DOI：10.1016/j.renene.2020.03.036.

［9］ 張燕，方瑞明.基于油中溶解氣體動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物模型的變壓器缺陷預(yù)警與辨識(shí)［J］.電工技術(shù)學(xué)報(bào)，2020，35（9）：2032-2041.DOI：10.19595/j.cnki.1000-6753.tces.190295.

［10］ 金亮.基于DCS的發(fā)電機(jī)定子繞組熱故障診斷研究［D］.廈門： 華僑大學(xué)，2021.

［11］ ORMAN G K，TRE N，BALCISOY S，et al.Finding proper time intervals for dynamic network extraction［J］.Journal of Statistical Mechanics： Theory and Experiment，2021，2021（3）：033414.DOI 10.1088/1742-5468/abed45.

［12］ MATSUMORI T，SAKAI H，AIHARA K.Early-warning signals using dynamical network markers selected by covariance［J］.Physical Review E，2019，100（5）：052303.DOI：10.1103/PhysRevE.100.052303.

［13］ CHEN Pei，CHEN E，CHEN Luonan，et al.Detecting early-warning signals of influenza outbreak based on dynamic network marker［J］.Journal of Cellular and Molecular Medicine，2019，23（1）：395-404.DOI：10.1111/jcmm.13943.

［14］ KAMAL M A S，OKU M，HAYAKAWA T，et al.Early detection of a traffic flow breakdown in the freeway based on dynamical network markers［J］.International Journal of Intelligent Transportation Systems Research，2020，18：422-435.DOI：10.1007/s13177-019-00199-1.

［15］ YANG Kun，XIE Jialiu，XIE Rong，et al.Real-time forecast of influenza outbreak using dynamic network marker based on minimum spanning tree［J］.BioMed Research International，2020，2020（1）：7351398.DOI：10.1155/2020/7351398.

［16］ HUANG Xiaoqi，HAN Chongyin，ZHONG Jiayuan，et al.Low expression of the dynamic network markers FOS/JUN in pre-deteriorated epithelial cells is associated with the progression of colorectal adenoma to carcinoma［J］.Journal of Translational Medicine，2023，21（1）：45.DOI：10.1186/s12967-023-03890-5.

（責(zé)任編輯： 陳志賢 ""英文審校： 吳躍勤）

收稿日期： 2024-09-02

通信作者： 方瑞明（1972-），男，教授，博士，主要從事電氣設(shè)備在線監(jiān)測(cè)與故障診斷的研究。E-mail：fangrm@hqu.edu.cn。

基金項(xiàng)目： 國(guó)家自然科學(xué)基金資助項(xiàng)目（52477048）； 福建省高校產(chǎn)學(xué)合作項(xiàng)目（2024H6009）； 福建省廈門市自然科學(xué)基金資助項(xiàng)目（3502Z202373952）； 福建省廈門市產(chǎn)學(xué)研項(xiàng)目（2023CXY0201）

https：//hdxb.hqu.edu.cn/