CN111365158A - 水轮机转轮实时状态评估和生命周期管理预测系统 - Google Patents

Abstract

本发明属于水轮发电机组状态监测技术领域，公开了一种水轮机转轮运行状态实时健康评估和全生命周期管理及预测系统，根据电站机组转轮的固有特性、转轮制造信息、机组安装信息、机组实时运行数据、机组过流水质及泥砂含量等综合信息对转轮的运行健康状态进行实时评估，并在显示台上实时数字化显示转轮运行状态信息、转轮的运行健康度、转轮止漏环实时间隙值、转轮劣化程度与疲劳寿命、转轮预测检修周期、转轮运行评估报告、机组运维优化建议等信息，为水电机组的安全、稳定、经济运行、合理检修和故障诊断提供定量的科学决策支持。

Description

水轮机转轮实时状态评估和生命周期管理预测系统

技术领域

本发明专利属于水轮发电机组状态监测与健康评估技术领域，具体涉及为一种水轮机转轮实时状态评估和生命周期管理预测系统。

背景技术

水轮发电机组的转轮对整个机组的安全经济稳定运行至关重要，目前不少电站均出现转轮磨损及汽蚀严重、转轮叶片裂纹、转轮止漏环碰磨等问题。而且，多数水电机组已接入电网AGC，即机组自动发电控制，AGC的投入使得水电机组运行方式发生较大变化，即多台机组长时间带部分负荷运行、机组负荷调节频繁、负荷变动幅度大且调节速度快、机组频繁跨越振动区和机组开停机频繁，加剧转轮叶片的空蚀程度、恶化转轮叶片受力情况并诱发转轮疲劳裂纹。由于目前转轮在线监测和评估技术的限制，多数机组只能在定期检修时才能发现上述问题，这给机组的安全、经济、稳定运行带来很大的隐患。

目前，行业内针对转轮空蚀和裂纹尚无法直接监测，现有技术多集中于流道压力监测、流道压力脉动监测、超声监测、噪音监测、振动摆度监测以及声发射技术等间接监测手段，上述方法均存在以下主要难题：1)故障样本缺乏，信号噪音复杂，有效特征信号提取困难；2)滞后性，如振动摆度监测、噪音监测和声发射技术，只有当转轮出现裂纹或裂纹发展到一定程度后，才能监测到相关特征信号，无法有效的指导电站优化运行和预知性检修。

目前行业内针对转轮的安全评估，多基于合同约束值，针对机组运行若干特定工况对转轮进行刚度、强度、动力特性和疲劳寿命分析。对其疲劳寿命的评估一般基于合同所约束的且极为简化的疲劳荷载谱进行相关计算，由于无法获取真机实时运行工况数据，其计算结果无法满足转轮真实疲劳损伤程度的评估需求。

如在现有技术中，公开号为CN105678025A，公开日为2016年6月15日，名称为“基于动应力测试和稳定性试验水轮机运行优化方法及系统”的发明专利文献，公开了一种基于动应力测试和稳定性试验水轮机运行优化方法及系统，首先结合水轮机模型分析在各运行区域下的运行特点；获取水轮机真机运行状态实时数据，通过水电机组在线监测系统分析统计运行时的状态量；通过对水轮机转轮的静应力进行有限元分析，核查转轮在各种工况下最大静应力数值和部位；然后对水轮机进行动应力测试，分析和评估动态应力和转轮运行寿命；测试水轮机全水头、全负荷段稳定性试验，最后获取水轮机各重要部位的参数，评估出机组运行的振动区和稳定运行区；最大限度的保证机组运行安全，避免转轮裂纹产生延长检修周期，提高水轮机的安全稳定性，保证机组的安全经济运行。该专利方案存在以下不足之处：1)转轮寿命评估仅考虑实测动应力，实际影响因素较多，如机组全流道水力设计、转轮固有特性、转轮材料、制造工艺和残余应力等；2)影响转轮运行健康状态的指标包括空蚀与磨蚀，该专利未涉及和未引入相关的评估参数，如机组过流水质信息和泥砂含量等；3)未涉及转轮止漏环间隙的安全评估。

水轮机组在实际运行中，其工况多复杂多变，机组压力脉动、汽蚀、泥砂磨损、转轮制造质量、机组安装质量、机组轴系运行状态等因素对转轮的振动、应力和疲劳寿命等均有较大影响，且转轮在线流体仿真和在线结构有限元仿真技术尚未可行，目前尚无相关系统能综合考虑上述因素对转轮的运行状态进行实时评估和生命周期管理及预测。

发明内容

本发明提供了一种根据电站机组转轮的固有特性、转轮制造质量、机组安装质量、机组实时运行数据、泥砂含量等综合信息对转轮的运行状态进行实时自动评估和对转轮疲劳寿命进行定期自动评估，并在显示台上实时显示转轮运行状态的优劣程度、转轮剩余疲劳寿命、推荐检修期等信息，为电站机组的安全运行与合理检修提供定量的科学决策的转轮实时运行状态健康评估和全生命周期管理及预测系统。

本发明的这种水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：包括数据输入端、数据处理单元和数据输出端；所述数据输入端包括机组实时运行数据输入端和转轮固有特性信息数据输入端；

所述机组实时运行数据输入端连接有若干用于监测水轮机组实施运行数据和水文环境数据的实时数据监测单元，即机组实时运行数据输入端是向系统传输采集到的重要参数对应运转状态和环境变化的实时数据的，而所述转轮固有特性信息数据输入端用于输入对应所述水轮机组实时运行数据参数下的机组机械状态数据，以及对应所述水文环境数据参数下的机械特性受环境影响变化数据，即转轮固有特性信息数据是水轮机组根据设计计算、试验记录、历史分析结果等记录方式得到的机组机械特性在受到重要参数影响的历史曲线数据；

所述数据处理单元接收所述数据输入端的输入数据，并将机组实时运行数据输入端的输入数据与转轮固有特性信息输入端的输入数据进行比对，找出转轮固有特性信息数据中对应水轮机组实时运行数据和机械特性受环境影响变化数据的状态，对包括转轮止漏环间隙、转轮疲劳寿命和转轮运行状态进行评估，即将实时监测到的关键数据去对应寻找其在历史曲线数据中对机组机械特性的影响结果，然后通过所述数据输出端输出；

所述数据输出端包括信息显示单元。

具体的，所述机组实时运行数据输入端连接有用于监测机组运行时的工况类数据、状态类监测数据以及机组过流水质泥砂含量和机组过流水质PH值的实时数据监测模块；其中所述工况类数据包括水头、出力、效率和尾水位数值；所述状态类监测数据包括流道压力、全流道压力脉动、机组振动摆度监测数据、推力以及导轴承瓦温数据。

所述电所述站水质的泥砂含量是根据多年每月份统计值确定的。

进一步的，所述转轮固有特性信息数据输入端输入的机组机械状态数据包括机组机械数据、水轮机转轮运转特性曲线和检修历史数据以及机组安装数据；

所述机组机械数据包括弹性模量、材质成分、屈服强度、抗拉强度和S-N曲线的转轮材质信息，和包括转轮尺寸、不平衡重量、表面粗糙度和残余应力的转轮设计与制造数据，以及电站水质和泥砂对转轮磨损影响的相关系数和理论预测曲线；

所述轮机转轮运转特性曲线包括等效率线、等开度线、吸出高度等值线、等空化系数线、压力脉动等值线、出力限制线、转轮叶片转角等值线、关键位置处的平均应力以及关键位置处的动态应力和变形曲线；

所述检修历史数据包括转轮历次故障和修复信息；

所述机组安装数据包括机组安装时的轴系摆度数据、转轮与顶盖止漏环间隙安装值、转轮与底环止漏环间隙安装值。

对应的，所述机组实时运行数据输入端输入的机组机械状态数据也包括机组机械数据、水轮机转轮运转特性曲线和检修历史数据以及机组安装数据；

且所述机组实时运行数据输入端输入的等效率线、等开度线、吸出高度等值线、等空化系数线、压力脉动等值线、出力限制线、转轮叶片转角等值线，是将若干转轮运行工况S_ijk汇同水轮机模型转轮综合特性曲线以及真机稳定性实验结果数据，经过数据读取和比对计算得到的，其中，设H为机组运行水头，N为机组出力，Z为机组尾水位，等效率线η_ij＝η(H_i,N_j)、等开度线α_ij＝α(H_i,N_j)、吸出高度等值线Hs_ij＝Hs(H_i,N_j)、等空化系数线σ_ij＝σ(H_i,N_j)、出力限制线(优选的如混流式机组5％出力限制)P_5％-ij＝P_5％(H_i,N_j)、压力脉动等值线

转轮叶片转角等值线θ_ij＝θ(H_i,N_j)，其中H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选的，

H_max为最大水头、H_min为最小水头、i＝0,1,2,...,n₁，n₁+1为H_i样本数；

N_max为最大出力、N_min为最小出力、j＝0,1,2,...,n₂，n₂+1为N_j样本数；

Z_max为最大尾水位、Z_min为最小尾水位、k＝0,1,2,...,n₃，n₃+1为Z_k样本数。

所述机组实时运行数据输入端输入的轮机转轮运转特性曲线中关键位置处的平均应力，是将若干转轮运行工况S_ijk经过全流道CFD稳态分析和转轮结构FEM稳态分析得到转轮流道水压力稳态分布和转轮稳态平均应力分布，然后通过对转轮稳态平均应力分布进行提取和计算，得到转轮关键位置处在工况S_ijk下的平均应力σ_m-ijk，基于机器学习或深度学习的智能算法对平均应力σ_m-ijk进行拟合得到关键位置处的平均应力数据库；σ_m为转轮关键位置处的平均应力，σ_m＝f(H,N,Z)，其中H为机组运行水头，N为机组出力，Z为机组尾水位；S_ijk＝g(H_i,N_j,Z_k)，其中H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选的如上。

通过CFD流体仿真和FEA结构仿真，可得到转轮关键位置处在S_ijk工况下的平均应力σ_m-ijk，然后，基于机器学习或深度学习的智能算法，可实现σ_m＝f(H,N,Z)这一复杂非线性函数较为精确的拟合，优选的，可使用人工神经网络建模技术，模型的精度取决于样本S_ijk的分布情况和总数量。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理以实现分类的数学模型，其优势在于可以任意精度逼近任意函数；神经网络方法本身属于非线性建模技术，能够适用于各种复杂的数据关系；神经网络具备很强的学习能力，比很多分类方法更好的适用数据空间的变化。

所述机组实时运行数据输入端输入的轮机转轮运转特性曲线中关键位置处的动态应力和变形曲线，是将若干转轮运行工况S_ijk经过转轮流固耦合FSI瞬态分析获得转轮动应力分布和轮转变形分布情况，然后通过转轮动应力试验修正，对成果进行提取得到转轮关键位置处在S_ijk工况下的动应力Δσ_ijk和相关位置处的变形r_ijk，所述相关位置处的变形r_ijk包括转轮上止漏环处的变形值r¹ _ijk＝F₁(H_i,N_j,Z_k)和\或下止漏环处的变形值r² _ijk＝F₂(H_i,N_j,Z_k)，然后基于机器学习或深度学习的智能算法对动态应力Δσ_ijk和动态变形r_ijk进行拟合得到关键位置处的动态应力数据库、止漏环处的动态变形数据库；其中，H为机组运行水头，N为机组出力，Z为机组尾水位，H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选如上。

所述数据处理单元对转轮止漏环间隙的运行状态进行评估，是根据所述机组实时运行数据输入端输入的转轮与顶盖止漏环间隙安装实测值

转轮与底环止漏环间隙安装实测值

若干转轮运行工况S_ijk经过流固耦合FSI瞬态分析得到并通过机器学习或深度学习智能建模的变形值数据库，包括：转轮止漏环处的实时变形值数据库r¹ _ijk＝F₁(H_i,N_j,Z_k)和r² _ijk＝F₂(H_i,N_j,Z_k)、顶盖止漏环处的变形值R¹ _ijk＝F₃(H_i,N_j,Z_k)、底环漏环处的变形值R² _ijk＝F₄(H_i,N_j,Z_k)；其中，H为机组运行水头，N为机组出力，Z为机组尾水位，H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选如上；结合所述转轮固有特性信息数据输入端输入的转轮与顶盖止漏环间隙安装值

转轮与底环止漏环间隙安装值

以及机组安装时的轴系摆度数据为转轮中心处的轴系轨迹

得到转轮运行时的上止漏环实时间隙值

和转轮运行时的下止漏环实时间隙值

水轮机止漏环结构类型较多，止漏间隙一般为0.6～2.5mm之间，现有技术方案中尚无有效监测技术可对运行中转轮与固定件之间的止漏环间隙进行在线监测，本方案基于流体和结构有限元仿真，并结合机组实时运行数据与振摆监测数据，可实现运行中的转轮止漏环间隙的在线评估，可对转轮碰磨故障进行在线预警和趋势分析，并为因止漏环间隙不均而诱发的机组振动提供定量的科学依据。

所述数据处理单元对转轮疲劳寿命的评估，包括转轮快速裂纹安全评估和转轮疲劳裂纹评估；

所述转轮快速裂纹安全评估是转轮结构与机组激励源共振导致的快速裂纹，尤其是叶片出水边卡门涡频率共振，是通过将激振力理论计算频率和激振力电站实测频率与转轮叶片在空气中的固有频率和转轮叶片在水环境中的固有频率进行比较，判断是否共振；

所述转轮疲劳裂纹评估是转轮关键危险点处长期承受动载荷而导致的高周疲劳裂纹，是由转轮固有特性、机组运行工况数据、机组启停信息、仿真计算和/或转轮动应力试验得到的转轮危险点应力-时间荷载曲线，结合转轮材料S-N曲线和历史检修及修复信息，通过雨流荷载计数和疲劳累积损伤理论，对转轮的疲劳寿命进行预测。

智能水电站的水轮机转轮应是基于数字化设计和数字化制造的，数字化设计和数字化设计的转轮与水电站实际运行中的转轮是“数字孪生”型式的，能够完全真实的反映电站运行中转轮的实际工作状态。与现有技术相比，本发明的技术方案综合考虑了水轮机转轮运行状态和使用寿命的各影响因素，从设计、制造、安装、运行等方面进行了考虑，为电站的长期安全、经济、稳定运行提供了定量的科学决策依据，为电站合理安排检修周期和降低检修工作量，实现水轮机的状态检修提供了重要决策支撑。

附图说明

本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚，其中：

图1为本发明一种优选的系统结构关系框图；

图2为本发明一种优选的转轮实时应力数据库构建框图；

图3为本发明一种优选的转轮实时动应力和变形数据库构建框图；

图4为本发明一种优选的数字化机组综合运转特性数据库构建框图；

图5为本发明一种优选的顶盖和底环止漏环变形数据库构建框图；

图6为本发明一种优选的转轮止漏环实时动态间隙预测框图；

图7为本发明一种优选的转轮疲劳寿命预测框图。

具体实施方式

下面通过几个具体的实施例来进一步说明实现本发明目的技术方案，需要说明的是，本发明要求保护的技术方案包括但不限于以下实施例。

实施例1

作为本发明一种最基本的实施方案，如图1，公开了一种水轮机转轮实时状态评估和生命周期管理预测系统，包括数据输入端、数据处理单元和数据输出端；所述数据输入端包括机组实时运行数据输入端和转轮固有特性信息数据输入端。

其中，所述机组实时运行数据输入端连接有若干用于监测水轮机组实施运行数据和水文环境数据的实时数据监测单元，即机组实时运行数据输入端是向系统传输采集到的重要参数对应运转状态和环境变化的实时数据的，而所述转轮固有特性信息数据输入端用于输入对应所述水轮机组实时运行数据参数下的机组机械状态数据，以及对应所述水文环境数据参数下的机械特性受环境影响变化数据，即转轮固有特性信息数据是水轮机组根据设计计算、试验记录、历史分析结果等记录方式得到的机组机械特性在受到重要参数影响的历史曲线数据。

以及，所述数据处理单元接收所述数据输入端的输入数据，并将机组实时运行数据输入端的输入数据与转轮固有特性信息输入端的输入数据进行比对，找出转轮固有特性信息数据中对应水轮机组实施运行数据和机械特性受环境影响变化数据的状态，对包括转轮止漏环间隙、转轮疲劳寿命和转轮运行状态进行评估，即将实时监测到的关键数据去对应寻找其在历史曲线数据中对机组机械特性的影响结果，然后通过所述数据输出端输出。

而所述数据输出端包括信息显示单元。信息显示单元可以显示的信息包括制造厂家、投运时间等转轮出厂信息，最近一次的转轮止漏环实际安装值的转轮安装信息，包括水头、出力、流量、效率、空蚀系数、转轮应力、止漏环变形、压力脉动、机组振动级别、转轮实时运行健康程度信息，以及转轮累计疲劳损伤值、转轮检修周期预测值等；还可以显示至少包括转轮在各运行区域的时间统计图、转轮关键位置处的应力-时间曲线以及转轮剩余疲劳寿命预测值在内信息的运行评估报告，以及运维优化建议。

实施例2

作为本发明一种优选地实施方案，在上述实施例1的基础上，进一步，具体的，所述机组实时运行数据输入端连接有用于监测机组运行时的工况类数据、状态类监测数据以及机组过流水质泥砂含量和机组过流水质PH值的实时数据监测模块；其中所述工况类数据包括水头、出力、效率和尾水位数值；所述状态类监测数据包括流道压力、全流道压力脉动、机组振动摆度监测数据、推力以及导轴承瓦温数据。而所述电所述站水质的泥砂含量是根据多年每月份统计值确定的。

在进一步的，所述转轮固有特性信息数据输入端输入的机组机械状态数据包括机组机械数据、水轮机转轮运转特性曲线和检修历史数据以及机组安装数据；

所述机组机械数据包括弹性模量、材质成分、屈服强度、抗拉强度和S-N曲线的转轮材质信息，和包括转轮尺寸、不平衡重量、表面粗糙度和残余应力的转轮设计与制造数据，以及电站水质和泥砂对转轮磨损影响的相关系数和理论预测曲线；

所述轮机转轮运转特性曲线包括等效率线、等开度线、吸出高度等值线、等空化系数线、压力脉动等值线、出力限制线、转轮叶片转角等值线、关键位置处的平均应力以及关键位置处的动态应力和变形曲线；

所述检修历史数据包括转轮历次故障和修复信息；

所述机组安装数据包括机组安装时的轴系摆度数据、转轮与顶盖止漏环间隙安装值、转轮与底环止漏环间隙安装值。

对应的，所述机组实时运行数据输入端输入的机组机械状态数据也包括机组机械数据、水轮机转轮运转特性曲线和检修历史数据以及机组安装数据；

且如图4，所述机组实时运行数据输入端输入的等效率线、等开度线、吸出高度等值线、等空化系数线、压力脉动等值线、出力限制线、转轮叶片转角等值线，是将若干转轮运行工况S_ijk汇同水轮机综合运转特性曲线以及真机稳定性试验结果数据，经过数据读取和比对计算得到的，其中，设H为机组运行水头，N为机组出力，Z为机组尾水位，等效率线η_ij＝η(H_i,N_j)、等开度线α_ij＝α(H_i,N_j)、吸出高度等值线Hs_ij＝Hs(H_i,N_j)、等空化系数线σ_ij＝σ(H_i,N_j)、出力限制线(优选的如混流式机组5％出力限制)P_5％-ij＝P_5％(H_i,N_j)、压力脉动等值线

转轮叶片转角等值线θ_ij＝θ(H_i,N_j)，其中H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选的，

H_max为最大水头、H_min为最小水头、i＝0,1,2,...,n₁，n₁+1为样本数；

N_max为最大出力、N_min为最小出力、j＝0,1,2,...,n₂，n₂+1为样本数；

Z_max为最大尾水位、Z_min为最小尾水位、k＝0,1,2,...,n₃，n₃+1为样本数。

并且，如图2，所述机组实时运行数据输入端输入的轮机转轮运转特性曲线中关键位置处的平均应力，是将若干转轮运行工况S_ijk经过全流道CFD稳态分析和转轮结构FEM稳态分析得到转轮流道稳态分布和转轮稳态平均应力分布，然后通过对转轮稳态平均应力分布进行计算得到转轮关键位置处在工况S_ijk下的平均应力σ_m-ijk，基于机器学习或深度学习的智能算法对平均应力σ_m-ijk进行拟合得到关键位置处的平均应力数据库；σ_m为转轮关键位置处的平均应力，σ_m＝f(H,N,Z)，其中H为机组运行水头，N为机组出力，Z为机组尾水位；S_ijk＝g(H_i,N_j,Z_k)，其中H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选的如上。

通过CFD流体仿真和FEA结构仿真，可得到转轮关键位置处在S_ijk工况下的平均应力σ_m-ijk，然后，基于机器学习或深度学习的智能算法，可实现σ_m＝f(H,N,Z)这一复杂非线性函数较为精确的拟合，优选的，可使用人工神经网络建模技术，模型的精度取决于样本S_ijk的分布情况和总数量。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理以实现分类的数学模型，其优势在于可以任意精度逼近任意函数；神经网络方法本身属于非线性建模技术，能够适用于各种复杂的数据关系；神经网络具备很强的学习能力，比很多分类方案更好的适用数据空间的变化。

再者，如图3，所述机组实时运行数据输入端输入的轮机转轮运转特性曲线中关键位置处的动态应力和变形曲线，是将若干转轮运行工况S_ijk经过转轮流固耦合FSI瞬态分析获得转轮动应力分布和轮转变形分布情况，然后通过转轮动应力试验修正，并对计算成果进行提取，得到转轮关键位置处在S_ijk工况下的动应力Δσ_ijk和相关位置处的变形r_ijk。

所述关位置处的动应力Δσ_ijk＝f₁(H_i,N_j,Z_k)，所述相关位置处的变形r_ijk包括转轮上止漏环处的变形值r¹ _ijk＝F₁(H_i,N_j,Z_k)和\或下止漏环处的变形值r² _ijk＝F₂(H_i,N_j,Z_k)，然后基于机器学习或深度学习的智能算法对动态应力Δσ_ijk和动态变形r_ijk进行拟合得到关键位置处的动态应力数据库、动态变形数据库；其中，H为机组运行水头，N为机组出力，Z为机组尾水位，H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选如上。

如图5，所述数据处理单元对转轮止漏环间隙运行状态的评估是在线评估，是根据所述机组实时运行数据输入端输入的转轮与顶盖止漏环间隙安装实测值

转轮与底环止漏环间隙安装实测值

若干转轮运行工况S_ijk经过流固耦合FSI瞬态分析得到并通过机器学习或深度学习智能建模的变形值数据库，包括：转轮止漏环处的实时变形值数据库r¹ _ijk＝F₁(H_i,N_j,Z_k)和r² _ijk＝F₂(H_i,N_j,Z_k)、顶盖止漏环处的变形值R¹ _ijk＝F₃(H_i,N_j,Z_k)、底环漏环处的变形值R² _ijk＝F₄(H_i,N_j,Z_k)；其中，H为机组运行水头，N为机组出力，Z为机组尾水位，H_i、N_j、Z_k可根据机组运行工况按任意规则选取并组合，优选如上。结合所述转轮固有特性信息数据输入端输入的转轮与顶盖止漏环间隙安装值

转轮与底环止漏环间隙安装值

以及机组安装时的轴系摆度数据为转轮中心处的轴系轨迹

得到：

转轮运行时的上止漏环实时间隙值

转轮运行时的下止漏环实时间隙值

水轮机止漏环结构类型较多，且止漏间隙一般为0.6～2.5mm之间，现有技术方案中尚无有效监测技术可对运行中转轮与固定件之间的止漏环间隙进行在线监测，如图6，本方案基于流体和结构有限元仿真，并结合机组实时运行数据与振摆监测数据，可实现运行中的转轮止漏环间隙的在线评估，可对转轮碰磨故障进行在线预警和趋势分析，并可为因止漏环间隙不均诱发的机组振动提供定量的科学依据。

而所述数据处理单元对转轮疲劳寿命的评估，如图7，包括转轮快速裂纹安全评估和转轮疲劳裂纹评估；

所述转轮快速裂纹安全评估是转轮结构与机组激励源共振导致的快速裂纹，尤其是叶片出水边卡门涡频率共振，是通过将激振力理论计算频率和激振力电站实测频率与转轮叶片在空气中的固有频率和转轮叶片在水环境中的固有频率进行比较，判断是否共振；

所述转轮疲劳裂纹评估是转轮关键危险点处长期承受动载荷而导致的高周疲劳裂纹，是由转轮固有特性、机组运行工况数据、机组启停信息、仿真计算和/或转轮动应力试验得到的转轮危险点应力-时间荷载曲线，结合转轮材料S-N曲线和历史检修及修复信息，通过雨流荷载计数和疲劳累积损伤理论，对转轮的疲劳寿命进行预测。

对于转轮运行状态的健康评估，因为水轮机转轮是制造厂完全定制化设计和制造的，且机组运行状态健康度影响因素除设计、制造之外，还与电站运行方式密切相关，因此，转轮运行状态健康评估是无法事先完全确定的，必须依赖于多方尤其是电站真机运行历史和实时运行工况的，应根据转轮实际情况确定相应的影响因素及其权重。优选的，转轮运行状态健康评估准则如下：

1.机组运行工况偏离最优工况点的远近程度，权重w₁；

2.转轮关键部位的应力和疲劳损伤程度，权重w₂；

3.转轮止漏环处安装间隙值与实时动态间隙值，权重w₃；

4.机组运行历史，包括机组启停次数、甩负荷次数、过速次数、已投运时间、各历史运行工况的时间统计，权重w₄；

5.流道压力脉动大小，权重w₅；

6.转轮汽蚀状态，权重w₆；

7.转轮泥砂磨损状态，权重w₇；

8.转轮历史故障和修复情况，权重w₈；

9.机组实时振动状态，权重w₉；

定义：

0≤w_i≤1，此处n＝9；w_i值越小，转轮运行工况越好。因此，可定义转轮运行健康状态，并按不同颜色进行显示：

最优状态：0≤W≤0.05，绿色显示，

优秀状态：0.05≤W＜0.25

良好状态：0.25≤W＜0.4

一般状态：0.4≤W＜0.6

监视运行状态：0.6≤W＜0.75

恶劣状态：0.75≤W≤1，红色显示。

Claims (9)

1.水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：包括数据输入端、数据处理单元和数据输出端；所述数据输入端包括机组实时运行数据输入端和转轮固有特性信息数据输入端；

所述机组实时运行数据输入端连接有若干用于监测水轮机组实施运行数据和水文环境数据的实时数据监测单元，所述转轮固有特性信息数据输入端用于输入对应所述水轮机组实时运行数据参数下的机组机械状态数据，以及对应所述水文环境数据参数下的机械特性受环境影响变化数据；

所述数据处理单元接收所述数据输入端的输入数据，并将机组实时运行数据输入端的输入数据与转轮固有特性信息输入端的输入数据进行比对，找出转轮固有特性信息数据中对应水轮机组实时运行数据和机械特性受环境影响变化数据的状态，对包括转轮止漏环间隙、转轮疲劳寿命和转轮运行状态进行评估；

所述数据输出端包括信息显示单元。

2.如权利要求1所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：所述机组实时运行数据输入端连接有用于监测机组运行时的工况类数据、状态类监测数据以及机组过流泥砂含量和机组过流水质PH值的实时数据监测模块；其中所述工况类数据包括水头、出力、效率和尾水位数值；所述状态类监测数据包括流道压力、全流道压力脉动、机组振动摆度监测数据、推力以及导轴承瓦温数据。

3.如权利要求2所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：所述电所述站水质的泥砂含量是根据多年每月份统计值确定的。

4.如权利要求1或2所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：所述转轮固有特性信息数据输入端输入的机组机械状态数据包括机组机械数据、水轮机转轮运转特性曲线和检修历史数据以及机组安装数据；

所述机组机械数据包括弹性模量、材质成分、屈服强度、抗拉强度和S-N曲线的转轮材质信息，以及包括转轮尺寸、不平衡重量、表面粗糙度和残余应力的转轮设计与制造数据，以及电站水质和泥砂对转轮磨损影响的相关系数和理论预测曲线；

所述水轮机转轮运转特性曲线包括等效率线、等开度线、吸出高度等值线、等空化系数线、压力脉动等值线、出力限制线、转轮叶片转角等值线、关键位置处的平均应力以及关键位置处的动态应力和变形曲线；

所述检修历史数据包括转轮历次故障和修复信息；

所述机组安装数据包括机组安装时的轴系摆度数据、转轮与顶盖止漏环间隙安装值、转轮与底环止漏环间隙安装值。

5.如权利要求4所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：所述机组实时运行数据输入端输入的机组机械状态数据也包括机组机械数据、水轮机转轮运转特性曲线和检修历史数据以及机组安装数据；

且所述机组实时运行数据输入端输入的等效率线、等开度线、吸出高度等值线、等空化系数线、压力脉动等值线、出力限制线、转轮叶片转角等值线，是将若干转轮运行工况S_ijk汇同水轮机转轮运转特性曲线以及真机稳定性实验结果数据，经过数据读取和比对计算得到的，其中，设H为机组运行水头，N为机组出力，Z为机组尾水位，等效率线η_ij＝η(H_i,N_j)、等开度线α_ij＝α(H_i,N_j)、吸出高度等值线Hs_ij＝Hs(H_i,N_j)、等空化系数线σ_ij＝σ(H_i,N_j)、出力限制线(优选的如混流式机组5％出力限制)P_5％-ij＝P_5％(H_i,N_j)、压力脉动等值线

转轮叶片转角等值线θ_ij＝θ(H_i,N_j)。

6.如权利要求4所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：所述机组实时运行数据输入端输入的水轮机转轮运转特性曲线中关键位置处的平均应力，是将若干转轮运行工况S_ijk经过全流道CFD稳态分析和转轮结构FEM稳态分析得到转轮流道稳态水压力分布和转轮稳态平均应力分布，然后通过对转轮稳态平均应力分布进行提取和处理得到转轮关键位置处在工况S_ijk下的平均应力σ_m-ijk，基于机器学习或深度学习的智能算法对平均应力σ_m-ijk进行拟合得到关键位置处的平均应力数据库；σ_m为转轮关键位置处的平均应力，σ_m＝f(H,N,Z)，其中H为机组运行水头，N为机组出力，Z为机组尾水位；S_ijk＝g(H_i,N_j,Z_k)。

7.如权利要求4所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：所述机组实时运行数据输入端输入的轮机转轮运转特性曲线中关键位置处的动态应力和变形曲线，是将若干转轮运行工况S_ijk经过转轮流固耦合FSI瞬态分析获得转轮动应力分布和轮转变形分布情况，然后通过转轮动应力试验修正，对计算成果进行提取得到转轮关键位置处在S_ijk工况下的动应力Δσ_ijk和相关位置处的变形r_ijk，所述相关位置处的变形r_ijk包括转轮上止漏环处的变形值r¹ _ijk＝F₁(H_i,N_j,Z_k)和\或下止漏环处的变形值r² _ijk＝F₂(H_i,N_j,Z_k)，然后基于机器学习或深度学习的智能算法对关键位置处的动应力Δσ_ijk和止漏环变形值r_ijk进行拟合，得到关键位置处的动态应力数据库、动态变形数据库；其中，H为机组运行水头，N为机组出力，Z为机组尾水位。

8.如权利要求4所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：

所述数据处理单元对转轮止漏环间隙运行状态进行评估，是根据所述机组实时运行数据输入端输入的转轮与顶盖止漏环间隙安装实测值、转轮与底环止漏环间隙安装实测值以及若干转轮运行工况S_ijk经过流固耦合FSI瞬态分析并通过机器学习或深度学习智能建模得到包括转轮止漏环处的实时变形值数据库r¹ _ijk＝F₁(H_i,N_j,Z_k)和r² _ijk＝F₂(H_i,N_j,Z_k)、顶盖止漏环处的变形值R¹ _ijk＝F₃(H_i,N_j,Z_k)、底环漏环处的变形值R² _ijk＝F₄(H_i,N_j,Z_k)在内的变形值数据库，其中，H为机组运行水头，N为机组出力，Z为机组尾水位；

并结合所述转轮固有特性信息数据输入端输入的转轮与顶盖止漏环间隙安装值

转轮与底环止漏环间隙安装值

以及机组安装时的轴系摆度数据为转轮中心处的轴系轨迹

得到转轮运行时的上止漏环实时间隙值

和转轮运行时的下止漏环实时间隙值

其中t为时间。

9.如权利要求4所述的水轮机转轮实时状态评估和生命周期管理预测系统，其特征在于：

所述数据处理单元对转轮疲劳寿命的评估，包括转轮快速裂纹安全评估和转轮疲劳裂纹评估；

所述转轮快速裂纹安全评估是通过将激振力理论计算频率和激振力电站实测频率与转轮叶片在空气中的固有频率和转轮叶片在水环境中的固有频率进行比较判断是否共振；

所述转轮疲劳裂纹评估是由转轮固有特性、机组运行工况数据、机组启停信息、仿真计算和/或转轮动应力试验得到的转轮危险点应力-时间荷载曲线，结合转轮材料S-N曲线和历史检修及修复信息，通过雨流荷载计数和疲劳累积损伤理论，对转轮的疲劳寿命进行预测。

Images