(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

基于RS-MSET的電站風(fēng)機(jī)振動預(yù)測研究

孫建平，富雙進(jìn)

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

故障預(yù)測技術(shù)是在數(shù)據(jù)預(yù)測技術(shù)和故障診斷技術(shù)基礎(chǔ)上形成的綜合技術(shù)，即先預(yù)測后診斷，因此，準(zhǔn)確建立預(yù)測模型至關(guān)重要。電站風(fēng)機(jī)作為電站的關(guān)鍵輔機(jī)之一，它的正常運(yùn)行是電站正常工作的重要保障。MSET是一種非參數(shù)建模方法，它利用數(shù)據(jù)之間的耦合關(guān)系對模型進(jìn)行預(yù)測。本文選擇粗糙集屬性約簡簡化MSET模型的數(shù)據(jù)集，得到簡明的屬性集。將MSET與粗糙集相結(jié)合對電站風(fēng)機(jī)軸承振動進(jìn)行預(yù)測，便于提早發(fā)現(xiàn)風(fēng)機(jī)運(yùn)行發(fā)展趨勢，及時(shí)處理，減少由于風(fēng)機(jī)突發(fā)故障引起的非計(jì)劃停機(jī)或者嚴(yán)重事故，對現(xiàn)場運(yùn)行具有重要意義。

MSET;粗糙集;電站風(fēng)機(jī);振動預(yù)測

0 引言

隨著科技的進(jìn)步，機(jī)械設(shè)備不斷向大型化、自動化方向發(fā)展，其復(fù)雜性不斷增加，影響因素也越來越多。電站現(xiàn)場的設(shè)備多而且長時(shí)間不間斷運(yùn)行，它的安全運(yùn)行影響著火力發(fā)電廠的經(jīng)濟(jì)效益乃至現(xiàn)場工作人員的安全。監(jiān)測電站設(shè)備的狀態(tài)、提前故障預(yù)警，減少由于設(shè)備故障而產(chǎn)生的非計(jì)劃停機(jī)十分必要。故準(zhǔn)確建立設(shè)備的預(yù)測模型對電廠正常、高效運(yùn)行具有重要意義。

風(fēng)機(jī)屬于大型旋轉(zhuǎn)機(jī)械。電廠的風(fēng)機(jī)指的是送風(fēng)機(jī)、引風(fēng)機(jī)、一次風(fēng)機(jī)等。風(fēng)機(jī)是火力發(fā)電廠重要的輔機(jī)設(shè)備之一，它在鍋爐燃燒的過程中起到相互平衡和通風(fēng)的作用。它連續(xù)地向鍋爐內(nèi)部輸送燃燒所需要的空氣，同時(shí)把煙氣排出到鍋爐的外邊，以保證鍋爐的燃燒正常運(yùn)行[1]。風(fēng)機(jī)工作環(huán)境較惡劣，出現(xiàn)的故障率比較高，它的故障有不平衡、不對中、裂紋、熱彎曲等[2]。這些故障都直接或間接地以振動形式表現(xiàn)出來[3]，對風(fēng)機(jī)振動進(jìn)行預(yù)測可以為后續(xù)的狀態(tài)監(jiān)測及故障診斷提供判斷依據(jù)。故本文采用基于多變量狀態(tài)估計(jì)的建模方法對電站風(fēng)機(jī)軸承振動量進(jìn)行預(yù)測建模。MSET利用設(shè)備正常運(yùn)行的數(shù)據(jù)進(jìn)行建模，當(dāng)預(yù)測模型有數(shù)據(jù)輸入時(shí)，利用模型數(shù)據(jù)與輸入數(shù)據(jù)之間的耦合關(guān)系實(shí)現(xiàn)預(yù)測數(shù)據(jù)地輸出。相關(guān)文獻(xiàn)使用MSET進(jìn)行模型的建立所使用的參量大多都是根據(jù)現(xiàn)場經(jīng)驗(yàn)，人為選定的。粗糙集利用已有的數(shù)據(jù)，不需要先驗(yàn)知識，在處理數(shù)據(jù)過程中不受任何外在因素影響，這樣保證了數(shù)據(jù)處理的結(jié)果具有客觀性。粗糙集與MSET相結(jié)合使得MSET建模數(shù)據(jù)減少冗余信息，使得模型更加簡明，預(yù)測計(jì)算量的相對準(zhǔn)確性，減少人為等外界因素的干擾，建立出來的預(yù)測模型更具客觀性，學(xué)習(xí)和模型建立過程更加簡單、直觀。

1 粗糙集屬性約簡

粗糙集(Rough Set)理論是Pawlak教授于1982年提出的一種能夠定量分析處理不精確、不一致、不完整信息與知識的數(shù)學(xué)工具[4]。它不需要任何先驗(yàn)知識，只是利用已有的數(shù)據(jù)，在保持系統(tǒng)分類能力不變的前提下，根據(jù)數(shù)據(jù)之間的依賴關(guān)系找出內(nèi)部分類規(guī)則。粗糙集把對象世界抽象為一個(gè)信息系統(tǒng)S，用S=(U,A,V,f)來表示。其中，U為對象，A為對象的屬性，由條件屬性與決策屬性組成，并且兩者相交等于空集，V是屬性值集合，f：U×A→V表示的是論域U中

每一個(gè)對象在相應(yīng)屬性上所取的屬性值。如表1所示。

表1 單個(gè)決策屬性的決策表形式Table1 single decision attribute of decision table form

在一般情況下，不同運(yùn)行工況的數(shù)據(jù)之間的相關(guān)性導(dǎo)致了上式中的矩陣因共線性而不可逆，導(dǎo)致無法計(jì)算。為解決這個(gè)問題，MSET采用高級模式識別方法來計(jì)算矩陣之間的非線性運(yùn)算符。計(jì)算結(jié)果表示具有不同量綱的參量進(jìn)行歸一化處理之后的相似程度。計(jì)算距離的方法有許多，但是由于歐式距離的物理意義比較直觀，當(dāng)距離為0或近似為0，表示兩個(gè)向量相同或相似,所以一般常采用歐氏距離代替非線性運(yùn)算符，其計(jì)算公式如下：

2 仿真試驗(yàn)

2.1電站風(fēng)機(jī)監(jiān)測變量

電站風(fēng)機(jī)中引風(fēng)機(jī)的輸送工質(zhì)是煙氣，含有雜質(zhì)大，溫度高，工作環(huán)境惡劣，出現(xiàn)故障的頻率相對較高，故本文以引風(fēng)機(jī)#1為例研究對其軸承振動進(jìn)行預(yù)測。電站風(fēng)機(jī)現(xiàn)場監(jiān)測參量為：電動機(jī)電流、電機(jī)軸承1溫度、電機(jī)軸承2溫度、電機(jī)軸承1振動速率、電機(jī)軸承2振動速率、定子繞相A/B/C相溫度（共6個(gè)）、電機(jī)軸承1溫度（3個(gè)）、電機(jī)軸承2溫度（3個(gè)）、推力軸承溫度（3個(gè)）、軸承水平振動、軸承軸向振動、入口煙氣壓力、入口煙氣溫度、潤滑油濾網(wǎng)差壓、潤滑油壓力、潤滑油供油溫度、靜葉調(diào)節(jié)閥位反饋、出口煙氣壓力、液壓油濾網(wǎng)差壓、液壓油壓力、潤滑油油箱油位、潤滑油油箱溫度、出口煙溫共計(jì)34個(gè)特征屬性。

2.2監(jiān)測時(shí)間段選取及數(shù)據(jù)處理

現(xiàn)提取2013年3月～2013年6月共6段正常運(yùn)行的數(shù)據(jù)，約每10min取一次，共計(jì)1305組觀測數(shù)據(jù)。由于選取屬性的量綱、取值段是不同的，它們的值相距較大，在建模時(shí)可能引起大數(shù)吃小數(shù)的現(xiàn)象。數(shù)據(jù)歸一化能夠避免輸入數(shù)值過大時(shí)引起的計(jì)算困難問題，從而減少計(jì)算時(shí)間，同時(shí)能夠保證使用非線性算子正確衡量不同觀測向量之間的距離，故對所選取的變量的數(shù)值進(jìn)行歸一化處理，使測量結(jié)果都映射在[0 1]的區(qū)間。歸一化公式為：

對軸承振動進(jìn)行預(yù)測后的數(shù)值均在[01]之間，為表達(dá)更清楚直觀，將數(shù)據(jù)進(jìn)行反歸一化處理，反歸一化公式為：

2.3粗糙集屬性約簡

多元狀態(tài)估計(jì)技術(shù)有兩個(gè)關(guān)鍵點(diǎn)，一個(gè)是歷史觀測向量集合K的生成；另外一個(gè)是過程記憶矩陣D的構(gòu)造。在數(shù)據(jù)量不大的情況下，二者相差不大。本文直接把歷史記憶矩陣K當(dāng)作記憶矩陣；將風(fēng)機(jī)軸承軸向振動與水平振動分別作為粗糙集決策表的決策屬性對整個(gè)決策表進(jìn)行屬性約簡，如表2、表3所示。根據(jù)結(jié)果在預(yù)測軸向振動時(shí)，將引風(fēng)機(jī)電動機(jī)電流、電機(jī)軸承1溫度1、電機(jī)軸承2溫度2、電機(jī)軸承1振動速率、電機(jī)軸承2振動速率、定子繞相A相溫度1、定子繞相A相溫度2、定子繞相B相溫度1、定子繞相C相溫度2、引風(fēng)機(jī)軸承1溫度3、引風(fēng)機(jī)軸承2溫度2、引風(fēng)機(jī)推力軸承溫度3、引風(fēng)機(jī)軸承水平振動、引風(fēng)機(jī)入口煙溫、潤滑油壓力、引風(fēng)機(jī)靜葉調(diào)節(jié)閥位反饋、引風(fēng)機(jī)出口煙氣壓力、引風(fēng)機(jī)出口煙溫18個(gè)條件屬性與決策屬性引風(fēng)機(jī)軸承軸向振動加入MSET的特征空間。在粗糙集約簡后得到的決策表中，可以分析一下選入的條件屬性的合理性。引風(fēng)機(jī)電動機(jī)電流：控制引風(fēng)機(jī)的啟停，只有在引風(fēng)機(jī)運(yùn)行時(shí)對風(fēng)機(jī)振動的探討才有意義。溫度：溫度是風(fēng)機(jī)運(yùn)行的一個(gè)重要指標(biāo)，在溫度上面的參量有所減少。這是由于在同一對象上的溫度測點(diǎn)有多處，它們之間存在一定的關(guān)聯(lián)性，根據(jù)依賴關(guān)系減少同一對象的測點(diǎn)數(shù)對結(jié)果影響不大或者沒有影響。振動速率：即單位時(shí)間的振動量，與振動量關(guān)系緊密。引風(fēng)機(jī)軸承水平振動：軸承振動一般有水平振動與軸向振動，兩個(gè)振動具有一定的相關(guān)性。入口出口煙溫：引風(fēng)機(jī)輸送的對象就是煙氣，煙氣的溫度與壓力是工質(zhì)的屬性，它們對引風(fēng)機(jī)的影響比較大，是研究其的重要因素。潤滑油壓力：潤滑油在風(fēng)機(jī)中起到潤滑，密封的作用。油壓降低會影響潤滑效果；油壓較高容易出現(xiàn)跑油現(xiàn)象。出口煙氣壓力、溫度：引風(fēng)機(jī)出口與煙囪連接將煙氣排除到大氣中，出口壓力影響著煙氣的排放，鍋爐的正常運(yùn)行；出口煙溫的高低決定其中包含的硫酸蒸汽是否出現(xiàn)凝結(jié)現(xiàn)象，進(jìn)而影響出口管道是否被腐蝕。引風(fēng)機(jī)靜葉調(diào)節(jié)閥位反饋:該參量與“搶風(fēng)”密切相關(guān)，可能導(dǎo)致爐膛壓力處于不穩(wěn)定狀態(tài)。

同理得出風(fēng)機(jī)軸承水平振動預(yù)測的特征空間。由此可見：粗糙集約簡使得原特征空間維數(shù)幾乎降低了一半，故能減少計(jì)算量，提高效率。

表2 以軸承軸向振動為決策的約簡結(jié)果Table 2 For bearing axial vibration reduction results of decision-making

表3 以軸承水平振動為決策的約簡結(jié)果Table3 For bearing horizontal vibration reduction results of decision-making

2.4預(yù)測結(jié)果

在粗糙集屬性約簡完成后，在特征空間中選取加入記憶矩陣的數(shù)據(jù)組。具體要求見MSET理論小節(jié)所述。對于記憶矩陣數(shù)據(jù)地選擇有如下解釋：論文選取的是4個(gè)月的運(yùn)行數(shù)據(jù)，記憶矩陣中應(yīng)包含這4個(gè)月運(yùn)行數(shù)據(jù)中各個(gè)屬性的最值。在這種新的解釋下選取合適的樣本共1155個(gè)進(jìn)行建模，其余的作為測試樣本，如圖1～圖4所示。

圖1 軸承軸向振動預(yù)測結(jié)果Fig.1 Bearing axial vibration prediction results

圖2 軸承軸向振動預(yù)測誤差Fig.2 Bearing axial vibration prediction error

圖3 軸承水平振動預(yù)測Fig.3 Bearing horizontal vibration prediction

圖4 軸承水平振動預(yù)測誤差Fig.4 Bearing horizontal vibration prediction error

從圖1～圖4可以看出，利用粗糙-MSET算法對風(fēng)機(jī)軸承振動進(jìn)行預(yù)測，得到的誤差很小，可以比較準(zhǔn)確地預(yù)測出振動量，可以為后續(xù)振動狀態(tài)地分析提供較為可靠的依據(jù)。

3 結(jié)束語

MSET是根據(jù)風(fēng)機(jī)的正常運(yùn)行參數(shù)的數(shù)據(jù)進(jìn)行非參數(shù)建模，較其他的預(yù)測方法來說不需要設(shè)置參數(shù)，避免了參數(shù)設(shè)置的主觀性與隨機(jī)性。粗糙集約簡MSET的數(shù)據(jù)空間，使得選擇模型參量完全單純按照數(shù)據(jù)間的密切程度來選擇。仿真試驗(yàn)證明，基于RS-MSET的方法能夠準(zhǔn)確地預(yù)測風(fēng)機(jī)軸承振動量，預(yù)測偏差量很小。目前該方法在某電廠得到成功地運(yùn)用，通過監(jiān)測設(shè)備狀態(tài)，提前發(fā)現(xiàn)設(shè)備的異常運(yùn)行，大大減少了發(fā)電機(jī)組因設(shè)備故障而非計(jì)劃停機(jī)的次數(shù)。但是也應(yīng)該看到MSET是在大量數(shù)據(jù)的基礎(chǔ)上根據(jù)參量之間的相似性來進(jìn)行預(yù)測，數(shù)據(jù)必須具有運(yùn)行狀態(tài)的全面性，如何在一定的數(shù)據(jù)量的基礎(chǔ)上完善模型的記憶矩陣是以后努力的方向。

[1]高明．火電廠送風(fēng)機(jī)故障預(yù)警系統(tǒng)的研究[D]．北京：華北電力大學(xué),2013．

[2]楊林．通風(fēng)機(jī)振動分析與故障診斷的試驗(yàn)研究[D]．煤炭科學(xué)研究總院,2009．

[3]曾周亮．電廠風(fēng)機(jī)狀態(tài)監(jiān)測與維修系統(tǒng)研究[D]．武漢：武漢大學(xué),2004．

[4]王國胤,姚一豫,于洪．粗糙集理論與應(yīng)用研究綜述[J]．計(jì)算機(jī)學(xué)報(bào),2009,07：1229-1246．

[5]朱顥東,鐘勇．一種無決策屬性的信息系統(tǒng)的屬性約簡算法[J]．小型微型計(jì)算機(jī)系統(tǒng),2010,02：360-362．

[6]景運(yùn)革．基于粗糙集屬性算法的研究[M]．成都：西南交通大學(xué)出版社,2013．

[7]王麗娜．基于粗糙集的數(shù)據(jù)挖掘改進(jìn)的屬性約簡算法研究[D]．電子科技大學(xué),2012．

[8]Chang,Shuping;Gao,Ming．The Application of Failure Prognostic System in State Monitoring of Power Plant Generation Equipments[C]．World Automation Congress Proceedings,2012．

[9]常澍平,郭江龍,呂玉坤,等．非線性狀態(tài)估計(jì)(NSET)建模方法在故障預(yù)警系統(tǒng)中的應(yīng)用[J]． 軟件,2011,07：57-60．

[10]郭鵬,徐明,白楠,等．基于SCADA運(yùn)行數(shù)據(jù)的風(fēng)電機(jī)組塔架振動建模與監(jiān)測[J]．中國電機(jī)工程學(xué)報(bào),2013,05：128-135+20．

[11]劉鑫沛,翟永杰,張君穎．基于聚類分析和狀態(tài)估計(jì)的制粉系統(tǒng)故障預(yù)警[J]．計(jì)算機(jī)真,2013,08：151-154．

[12]閆順林,張雪松．火電廠鍋爐引風(fēng)機(jī)搶風(fēng)問題的分析[J]．應(yīng)用能源技術(shù),2011,02：46-48．

[13]J． Wesley Hines and Alexander Usynin． MEST performance optimization through regularization[J]． Nuclear Engineering and Technology(S1738-5733)．2005,37(2)： 177-184．

[14]W．Yang,P． J． Tavner and M． R． Wilkinson． Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]．IET Renewable Power Generation (S1752-1416),2009,3(1)：1-11．

[15]蔡曉晨,林文慰．引風(fēng)機(jī)出口煙道低溫腐蝕分析及措施[J]．電力與能源,2013,05：497-499．

[16]孫文華,何森．靜葉調(diào)節(jié)軸流式引風(fēng)機(jī)搶風(fēng)問題探討[J]．熱力發(fā)電,2009,07：57-59+79．

The Forecast Model on the Power Plant fan Based on RS - MSET

Sun Jianping，F(xiàn)u Shuangjin
（School of Control and Computer Engineering, North China Electric Power University, Baoding 071003 China）

Technical failure prediction technology is integrated technology based on the data prediction and fault diagnosis technology, meaning that prediction firsts and diagnostics follows, so it is essential to establish an accurate predictive model. As one of the key of power plant’ auxiliaries, it is important for power stations working properly to guarantee the normal operation of turbine. MSET is a non-parametric modeling method, using data coupling relationship to make predictions. Attribute reduction of rough set can be used to simplify data collection, choosing the most appropriate set of attributes, so that the last generation model is more simple and effective. In this paper, MSET space is reduced by rough set, then MSET build predictive models of plant fans and improve operational efficiency.

MSET RS power station fan vibration prediction

TP

A

Doi：10.3969/j.issn.1671-1041.2014.03.003

2014-04-14

孫建平，男，博士，教授，研究方向：仿真與控制、先進(jìn)控制理論及應(yīng)用、故障診斷與容錯控制等。