數(shù)據(jù)驅(qū)動與電站設(shè)備故障診斷方法

導語：數(shù)據(jù)驅(qū)動與電站設(shè)備故障診斷方法一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：傳統(tǒng)的電站設(shè)備故障診斷方法，一般是依據(jù)故障表征和報警信息，結(jié)合以往的經(jīng)驗進行分析。由于經(jīng)驗的獲取比較困難，診斷的準確程度又依賴于經(jīng)驗的豐富程度和知識水平的高低，當參數(shù)及規(guī)則較多時，推理過程中存在匹配沖突、組合爆炸等問題，使得推理速度較慢、效率低下，不可避免地使得診斷結(jié)果存在不確定性。采用數(shù)據(jù)驅(qū)動的方法，充分挖掘有限數(shù)據(jù)可利用的信息，可以優(yōu)化并加快故障診斷的進程。分別以多元統(tǒng)計分析、信號處理、機器學習三種數(shù)據(jù)驅(qū)動的方法，結(jié)合數(shù)據(jù)可視化，對電站設(shè)備故障進行了定量分析和研究。

關(guān)鍵詞：統(tǒng)計分析；數(shù)據(jù)可視化；故障診斷；神經(jīng)網(wǎng)絡(luò)；平均影響值

火電廠主輔設(shè)備數(shù)量眾多、類型復雜，如何保證設(shè)備的安全穩(wěn)定運行是生產(chǎn)管理人員花費時間和精力最多的，也是處理起來最困難的問題。設(shè)備在運行中產(chǎn)生會大量數(shù)據(jù)，快速有效地對數(shù)據(jù)進行分析，及時了解設(shè)備的健康狀態(tài)，盡早開展維護和檢修，對于設(shè)備的安全穩(wěn)定運行具有重要意義。數(shù)據(jù)本身是抽象的，它帶給人們的直觀印象只有數(shù)值大小。當數(shù)據(jù)集合特別龐大的時候，甚至連大小都無從說起。因此，采用恰當?shù)姆治?a href="http://www.ushengzhilian.com/lunwen/jixielunwen/gzzdlw/202111/749866.html" target="_blank">方法對收集來的大量數(shù)據(jù)進行分析，提取出有用的信息，并借助圖形化手段，將數(shù)據(jù)以視覺形式展現(xiàn)出來，清晰有效地傳遞信息，有利于進一步研究并解決問題。理論上講，如果有足夠的具有代表性的數(shù)據(jù)，就可以運用數(shù)學方法找到一個或者一組模型的組合使得它和真實的情況非常接近，這種方法稱為數(shù)據(jù)驅(qū)動的方法。稱之為數(shù)據(jù)驅(qū)動的方法，是因為它不預設(shè)模型，而是用簡單的模型來擬合數(shù)據(jù)。數(shù)據(jù)驅(qū)動的方法意義在于，當一個問題無法用簡單而準確的方法解決時，可以通過歷史數(shù)據(jù)構(gòu)造出近似的模型來逼近真實，實際上是用計算量和數(shù)據(jù)量來換取研究時間，得到的模型雖然和真實情況有偏差但足以指導實踐。數(shù)據(jù)驅(qū)動的方法，優(yōu)勢在于能夠在最大程度上利用計算機技術(shù)的進步。

1故障診斷流程

一次完整的數(shù)據(jù)驅(qū)動的故障診斷流程為：明確分析目標（只有明確了分析的目標，隨后的分析才可展開）→數(shù)據(jù)采集（根據(jù)目標去獲取所需要的數(shù)據(jù)）→數(shù)據(jù)分析處理（解決數(shù)據(jù)質(zhì)量的問題，需要進行數(shù)據(jù)清洗，包括補全缺失值、刪去異常值、重復值、進行數(shù)據(jù)轉(zhuǎn)換等等）→數(shù)據(jù)可視化[1]（可選，“一圖勝千言”，用圖表可以更清晰地展現(xiàn)結(jié)論）→提出建議，推動問題解決（完成整個流程的閉環(huán)）。在以下章節(jié)中，將以三個典型案例，分別使用多元統(tǒng)計分析、信號處理、機器學習三種數(shù)據(jù)驅(qū)動的方法，結(jié)合數(shù)據(jù)可視化方法，進行定量分析和研究。

2汽動給水泵流量特性分析

對于直流鍋爐，汽動給水泵的運行特性直接關(guān)系到鍋爐給水流量的穩(wěn)定和安全。當小機與汽泵解體檢修后，建議做設(shè)備運行特性分析。為了解其運行特性，我們可以對其流量特性進行分析。本節(jié)選擇了某火電廠#1機組A小機作為研究對象，因變量為小機流量，自變量選擇了小機轉(zhuǎn)速、小機進汽調(diào)門開度、進汽壓力3項（經(jīng)驗表明，由多個自變量的組合共同來預測因變量，比只用一個自變量進行預測更準確，更符合實際）。數(shù)據(jù)來源為火電廠廠級監(jiān)控信息系統(tǒng)[2]（SupervisoryInformationSystem，簡稱SIS），時間段為2020年7月1日00:00至7月7日00:00，采樣間隔為1分鐘，共計34564條數(shù)據(jù)。對收集到的數(shù)據(jù)進行分析，可以發(fā)現(xiàn)小機流量可以采用多元線性回歸模型（多元線性回歸分析研究一種現(xiàn)象隨多種現(xiàn)象的變動而相應(yīng)變動的規(guī)律）進行描述，應(yīng)用SPSS建立多元回歸模型[3]如下：F=-0.327×S+14.707×O+1323.646+263.25式中，F(xiàn)為小機流量，單位為t/h；S為小機轉(zhuǎn)速，單位為r/m；O為小機進汽調(diào)門開度，單位為%；P為進汽壓力，單位為MPa。經(jīng)檢驗，擬合優(yōu)度（模型所能解釋的因變量的變化百分比）為0.985，方差分析得出的F值為190295.406，P<0.05，殘差近似為正態(tài)分布，模型具有統(tǒng)計意義。每次小機檢修后，可以通過采集小機運行數(shù)據(jù)，計算回歸模型，將系數(shù)與歷史數(shù)據(jù)進行比較，以發(fā)現(xiàn)小機運行特性有了哪些變化，為及時發(fā)現(xiàn)設(shè)備存在的缺陷提供了依據(jù)，避免了查找設(shè)備問題時的盲目性。

3鍋爐減溫水調(diào)門故障診斷

減溫水調(diào)門直接關(guān)系到鍋爐蒸汽溫度的調(diào)節(jié)品質(zhì)，但由于評價減溫水特性比較復雜（多種因素交織，既有燃料的不穩(wěn)定性這類客觀因素，也有運行人員調(diào)整水平、維護人員的參數(shù)整定水平等人為因素），傳統(tǒng)的評價方法一般是基于運行及維護人員的主觀判斷，標準較為粗放。本節(jié)選擇了某火電廠#2鍋爐減溫水氣動調(diào)門作為研究對象，通過統(tǒng)計分析及可視化方法，判斷調(diào)門存在的問題，并為傳統(tǒng)的評價方法增加一些客觀標準。收集了減溫水調(diào)門的開度及減溫器后的溫度數(shù)據(jù)，來源同樣來自SIS系統(tǒng)，時間段為2020年5月1日12:00至5月4日12:00，采樣間隔為15秒鐘，共計69124條數(shù)據(jù)。繪制鍋爐減溫水系統(tǒng)示意圖如圖1所示，過熱蒸汽采用兩級噴水減溫，每級又分為A、B兩側(cè)。高過出口蒸汽管道交叉布置，低過、屏過出口蒸汽管道不交叉。因此，圖1中A2溫控點對應(yīng)的是B側(cè)二級減溫器，B2溫控點對應(yīng)的是A側(cè)二級減溫器；A1、B1溫控點則分別對應(yīng)A側(cè)一級減溫器、B側(cè)一級減溫器。觀察分析圖2可以發(fā)現(xiàn)：①屏過出口溫度方面，A1點、B1點溫度波動范圍基本一致，但是與它們相對應(yīng)的一減調(diào)門開度略有不同。A側(cè)一減調(diào)門開度大部分位于（15，40）之間,B側(cè)一減調(diào)門開度大部分位于（0，20）范圍內(nèi)，表明B側(cè)一減調(diào)門參數(shù)整定仍然需要完善。②高過出口蒸汽溫度方面，與A2點相比，B2點溫度更為集中地分布于設(shè)定值附近（尖峰更高），但是與其對應(yīng)的A側(cè)二級減溫水調(diào)門開度在（0，100）范圍內(nèi)分布十分均勻，B側(cè)二級減溫水調(diào)門開度基本在（0，60）范圍內(nèi)，這表明為了維持B2點溫度穩(wěn)定，A側(cè)二減調(diào)門的波動是比較大的，有可能減溫水量不足，后續(xù)對其進行跟蹤，詢問維護人員，該調(diào)門因為漏水，盤根壓得較緊，水量也的確有所不足。

4汽輪機軸承振動故障分析診斷

汽輪機的軸承振動分析是一項復雜繁瑣的工作，軸承振動大既可能是汽輪機本身的原因，也可能有運行參數(shù)選擇的因素。以分析運行參數(shù)為例，本節(jié)選擇了某火電廠#2汽輪機#1軸承X向振動作為研究對象，選取了可能影響#1軸承振動的33項運行參數(shù)。為排除相關(guān)性顯著的參數(shù)，加快計算速度，采用SPSS進行相關(guān)性分析，去除相關(guān)系數(shù)|r|≥0.9（顯著相關(guān)）的12項參數(shù)，余下21項參數(shù)（無功、#1高調(diào)開度、#2高調(diào)開度、#3高調(diào)開度、#4高調(diào)開度、主汽壓、主汽溫、再熱汽溫、調(diào)節(jié)級溫度、高排溫度、軸封壓力、高壓軸封溫度、低壓軸封溫度、真空、潤滑油壓、潤滑油溫、EH油壓、調(diào)閥端差脹、電機端差脹、缸脹、偏心）。數(shù)據(jù)來源為SIS系統(tǒng)，時間段為2020年4月1日零點至4月21日零點，采樣間隔為1分鐘，共計604821條數(shù)據(jù)。為了對這些運行參數(shù)影響振動的權(quán)重進行分析，首先將上述21項運行參數(shù)作為輸入，軸承振動作為輸出，建立如圖3（a）所示BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò)，其突出優(yōu)點是具有很強的非線性映射能力，特別適合擬合復雜的非線性函數(shù)，此處正是應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的這項優(yōu)點用于軸承振動分析。經(jīng)試驗確定隱藏層數(shù)為1，隱藏層節(jié)點數(shù)設(shè)為14，激活函數(shù)為雙曲正切函數(shù)，輸出層激活函數(shù)為恒等函數(shù)。隨后利用MIV算法[5]進行權(quán)重計算。MIV被認為是在神經(jīng)網(wǎng)絡(luò)中評價變量重要性的最好指標之一，其符號代表相關(guān)的方向，絕對值大小代表影響的相對重要性，其計算方法如圖3（b）所示。具體的計算過程為：在網(wǎng)絡(luò)訓練終止后，將訓練樣本P中每一個自變量在其原值的基礎(chǔ)上分別加和減K%（K為調(diào)節(jié)率）構(gòu)成兩個新的訓練樣本P1和P2，將P1和P2分別作為仿真樣本利用已訓練好的網(wǎng)絡(luò)進行仿真，得到兩個仿真結(jié)果R1和R2，求出R1和R2的差值，即為變動該自變量后對輸出產(chǎn)生的影響變化值IV（ImpactValue），最后將IV按觀測例數(shù)平均，得出該自變量對于因變量的MIV（MeanImpactValue）。按照以上步驟依次算出各個自變量的MIV值，最后根據(jù)MIV絕對值的大小為各自變量排序，得到各自變量對于網(wǎng)絡(luò)輸出的影響權(quán)重位次，從而判斷出輸入特征對于網(wǎng)絡(luò)結(jié)果的影響程度，實現(xiàn)權(quán)重計算。調(diào)節(jié)率的變化對MIV影響不大[6]，選取任一調(diào)節(jié)率，MIV均具有代表性，本文選擇了調(diào)節(jié)率k=15。另外，由于神經(jīng)網(wǎng)絡(luò)在初始化和訓練過程中存在隨機性，每次神經(jīng)網(wǎng)絡(luò)訓練后的權(quán)重都會有所不同（即使是采用相同的模型，相同的訓練數(shù)據(jù)集亦是如此），這會在較大程度上影響到最終結(jié)論的正確性。為了使結(jié)果更準確，本文采用收集到的數(shù)據(jù)，連續(xù)訓練了500次神經(jīng)網(wǎng)絡(luò)，計算得到了500組MIV，最后再次取平均值作為最終結(jié)果（表1、圖4），以在統(tǒng)計學意義上避免不確定性.從圖4中可以清晰地看出，對#1軸承X向振動影響較大的（前5位）參數(shù)按照絕對值從大到小排列，依次為#4高調(diào)開度、#1高調(diào)開度、主汽壓力、調(diào)閥端差脹和潤滑油壓。其中，#1高調(diào)開度、潤滑油壓這兩項參數(shù)與軸承振動呈現(xiàn)負相關(guān)性，其他三項為正相關(guān)。以上結(jié)論與根據(jù)專家的經(jīng)驗進行定性分析所得到的結(jié)果是一致的。

5結(jié)語

本文介紹了基于數(shù)據(jù)驅(qū)動的設(shè)備故障診斷方法，并應(yīng)用此方法對電站的三個典型案例進行了定量的分析和研究。在數(shù)據(jù)來源多樣化的情況下，數(shù)據(jù)的可靠性和實用性非常重要。數(shù)據(jù)的完整性、規(guī)范性以及一致性，直接影響到是否能夠得到正確的模型和結(jié)論，影響到設(shè)備故障診斷的結(jié)論。高質(zhì)量的數(shù)據(jù)和有效的數(shù)據(jù)管理，才能夠保證分析結(jié)果的真實和有價值。

參考文獻

[1]任磊,杜一,馬帥,等.大數(shù)據(jù)可視分析綜述[J].軟件學報,2014,25(9):1909-1936.

[2]沈赫男,SIS系統(tǒng)在火力發(fā)電廠的應(yīng)用研究[D],華北電力大學,2014.

[3]薛薇,統(tǒng)計分析與SPSS的應(yīng)用[M].中國人民大學出版社,2017.

[4]李長兵.水電站機電設(shè)備運行維護與故障檢修研究[J].新型工業(yè)化,2020,10(2):36-40.

[5]王小川,史峰與郁磊,MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京航空航天大學出版社,2019.

[6]楊斌,李敬洋,文磊.基于MIV的碳鋼大氣腐蝕速率影響因子權(quán)重分析[J].北京航空航天大學學報,2018,44(8):1620-1628.

作者：張偉 單位：華電新鄉(xiāng)發(fā)電有限公司