馬良玉，劉　婷

(華北電力大學 控制與計算機工程學院，河北 保定　071003)

?

不同負荷低加內(nèi)部泄漏故障神經(jīng)網(wǎng)絡診斷研究

馬良玉，劉婷

(華北電力大學 控制與計算機工程學院，河北 保定071003)

摘要：針對600 MW火電機組低壓加熱器系統(tǒng)內(nèi)部泄漏故障，提出一種基于神經(jīng)網(wǎng)絡的以最大故障分離度為目標的尋優(yōu)技術;采用征兆模糊計算方法對典型故障樣本進行規(guī)整化處理，建立了低加內(nèi)部泄漏故障診斷的神經(jīng)網(wǎng)絡模型;結合征兆縮放優(yōu)化技術和神經(jīng)網(wǎng)絡診斷模型，對不同負荷下不同程度低加內(nèi)部泄漏故障進行實時仿真實驗;實驗表明上述方法對不同負荷下程度迥異的低加故障均可得到具有高故障分離度的正確診斷結果，可準確診斷低加內(nèi)部泄漏故障，具有較好的工程實用性。

關鍵詞：火電機組；低壓加熱器；內(nèi)部泄漏；故障診斷；人工神經(jīng)網(wǎng)絡；征兆縮放優(yōu)化

0引言

低壓加熱器是汽輪發(fā)電機組回熱循環(huán)系統(tǒng)的重要換熱設備，其作用是利用來自汽輪機低壓缸的各段抽汽加熱進入除氧器的凝結水，從而使蒸汽熱能得到充分利用，減少冷源損失，提高循環(huán)熱效率。隨著機組運行時間增長，由于運行溫差過大導致的熱應力、管板變形，以及因汽水沖刷、磨損、腐蝕、振動造成的管壁變薄等，均會使低壓加熱器泄漏越來越嚴重[1-2]。由此導致低加的水位異常升高，不僅影響機組經(jīng)濟性，甚至危及汽輪機運行的安全。因此對低壓加熱器的內(nèi)部泄漏故障進行監(jiān)測和實時診斷十分必要。

現(xiàn)有文獻對于加熱器故障診斷的研究多集中在高壓給水加熱器[3]，對低加故障診斷研究相對較少。由于低壓加熱器內(nèi)部結構及系統(tǒng)配置與高加不同，其內(nèi)部泄漏故障規(guī)律與高加有一定差別。此外，由于低加系統(tǒng)的汽水管路存在很強的耦合性，某低加發(fā)生故障后不僅會影響自身的參數(shù)，還會導致其它低加運行參數(shù)的變化，因此低加故障分析及診斷應將低加系統(tǒng)視為一個整體來統(tǒng)籌考慮。

為此，本文針對某600 MW超臨界機組，借助全范圍仿真系統(tǒng)，對低加系統(tǒng)內(nèi)部泄漏的故障規(guī)律進行仿真研究。在此基礎上，結合征兆模糊計算、故障神經(jīng)網(wǎng)絡建模及征兆縮放優(yōu)化技術，實現(xiàn)不同負荷下不同程度低加系統(tǒng)內(nèi)部泄漏故障的實時準確診斷，并借助仿真實驗驗證方法的有效性。

1低加泄漏故障類型及特征參數(shù)選取

1．1低加及抽汽疏水系統(tǒng)簡介

本文研究對象為某國產(chǎn)600 MW超臨界火電機組的低壓加熱器系統(tǒng)，其流程結構如圖1所示。系統(tǒng)包含5號、6號、7A、7B、8A和8B共6個低壓加熱器，其中5、6號低加水側均為獨立的小旁路結構，8A與7A低加、8B與7B低加水側分別串聯(lián)之后再并聯(lián)。各低加均為臥式U型管結構，均設有內(nèi)置凝結段和疏冷段。正常疏水采用逐級自流方式，最終疏至凝汽器。各加熱器均設有事故疏水，分別引入與凝汽器相連的本體疏水擴容器經(jīng)擴容釋壓后排入凝汽器。每個加熱器的疏水管路上均設有疏水調(diào)節(jié)閥，用于控制加熱器正常水位。危急疏水管道上的調(diào)節(jié)閥受加熱器高水位信號控制。

圖1　低加抽汽疏水示意圖

1．2低加泄漏故障類型與故障特征參數(shù)選取

低加內(nèi)部泄漏是低壓加熱器系統(tǒng)最常見最嚴重的故障之一。根據(jù)泄漏位置不同，低加泄漏可分為給水管本身的泄漏，以及由于進出水室隔板密封不嚴或沖擊損壞造成的進出水室短路。因此，這里重點對這兩類故障的規(guī)律進行仿真研究。對于圖1所示6個低加，可細分為表1所示12個故障。

表1　低加系統(tǒng)泄漏故障項目

分析DCS監(jiān)控畫面中低加抽汽及疏水系統(tǒng)有關運行參數(shù)與低加內(nèi)部泄漏故障的相關性，選取各低加正常及危急疏水閥總開度、凝結水溫升、疏水溫度及除氧器水位調(diào)節(jié)閥開度共16個參數(shù)作為故障特征參數(shù)，見表2。

表2　低加泄漏故障特征變量選取

2不同負荷低加泄漏故障ANN診斷方法

人工神經(jīng)網(wǎng)絡由于具有很強的非線性映射、自適應學習、聯(lián)想記憶能力及優(yōu)良的容錯性能，在復雜非線性動態(tài)系統(tǒng)辨識、控制和故障診斷領域得到廣泛的應用[5]。由于火電機組可以在不同負荷工況下運行，而且各低加內(nèi)部泄漏故障程度多變，給故障的準確診斷帶來較大困難。

研究表明，當系統(tǒng)拓撲結構不變時，熱力系統(tǒng)主要運行參數(shù)的變化與泄漏量具有近似線性變化規(guī)律，據(jù)此文獻[6-7]提出了一種結合征兆縮放優(yōu)化技術和神經(jīng)網(wǎng)絡以實現(xiàn)對不同程度故障的準確識別[8]。由于機組工況的相似性，此方法也可運用于其他不同負荷穩(wěn)態(tài)工況下的故障診斷，區(qū)別僅在于無故障所參照的正常值不同。本文不同負荷下不同程度低加故障診斷采用該方法。該方法僅采用額定負荷工況下的典型故障樣本數(shù)據(jù)構建神經(jīng)網(wǎng)絡，并采用模糊計算方法將故障征兆集規(guī)整為[-1，+1]區(qū)間的標準樣本數(shù)據(jù)，用于診斷模型訓練。而當模型用于不同負荷工況故障的實時診斷時，僅需確定不同負荷點各特征參數(shù)的基準值(無故障正常運行值)，同時基于不同負荷下故障的相似性及機組運行工況的相似性，利用征兆縮放優(yōu)化技術尋找當前故障征兆與額定工況故障典型征兆集的最佳匹配，從而實現(xiàn)不同負荷不同程度低加泄漏故障的準確診斷。上述診斷方法流程如圖2所示。

圖2　故障診斷神經(jīng)網(wǎng)絡方法流程圖

本文診斷過程中，預先提取無故障條件下仿真機在600 MW、540 MW、480 MW、420 MW工況下穩(wěn)定運行時的正常數(shù)值為基準數(shù)據(jù)，其它中間負荷工況的特征參數(shù)基準值則采用分段插值法擬合確定。

為將典型故障數(shù)據(jù)處理為[-1，+1]區(qū)間的標準樣本集，借用模糊數(shù)學中隸屬度的概念。熱力系統(tǒng)故障診斷中常用的征兆類型分為語義型征兆和趨勢型征兆。趨勢型征兆反映參數(shù)變化的速率和方向，語義型征兆反映參數(shù)變化的大小和方向。本文低加故障診斷主要采用語義型征兆。設參數(shù)正常時征兆值為0，參數(shù)達最大變化范圍上、下限時征兆值分別取+1、-1，則語義征兆值μ(y)的模糊計算式如下[9]：

(1)

其中：y為參數(shù)實際值，y0為相應工況下參數(shù)正常值，B為參數(shù)變化最大幅寬。

采用上述計算方法完成故障樣本的標準化處理后，即可在MATLAB環(huán)境下構建神經(jīng)網(wǎng)絡模型，并利用標準樣本集完成神經(jīng)網(wǎng)絡診斷模型的訓練，確定合理的神經(jīng)網(wǎng)絡隱層節(jié)點數(shù)、權值和閾值等參數(shù)，并存儲離線訓練好的模型供故障在線實時診斷使用[10]。

在故障實時診斷時，對機組運行過程中的特征變量進行實時監(jiān)測，按照一定采樣周期獲取特征參數(shù)值。根據(jù)機組當時的實際負荷擬合計算各特征參數(shù)無故障情況下的正常值，并采用與離線樣本相同的征兆計算方法得到實時故障征兆，經(jīng)征兆縮放后作為神經(jīng)網(wǎng)絡的輸入，由神經(jīng)網(wǎng)絡實時計算故障診斷結果。根據(jù)輸出的故障分離度(故障最大隸屬度與次大隸屬度的差值)是否大于預先設定值，對征兆縮放系數(shù)進行尋優(yōu)，直到診斷結果符合要求。

3神經(jīng)網(wǎng)絡診斷模型的建立

為建立診斷模型，借助火電機組仿真機在600 MW額定負荷(協(xié)調(diào)方式)下分別進行了低加泄漏和短路兩大類共12組故障的仿真實驗，獲取了各故障從發(fā)生到趨穩(wěn)的動態(tài)過程數(shù)據(jù)。其中各低加進出水室短路故障由于恢復穩(wěn)定時間較短取故障加入后400組連續(xù)運行數(shù)據(jù)，低加內(nèi)部泄漏故障由于恢復穩(wěn)定時間較長取600組連續(xù)運行數(shù)據(jù)，采樣時間均為1 s。

為將故障樣本處理為[-1,1]區(qū)間的標準樣本數(shù)據(jù)，需預先確定式(1)中各Bi參數(shù)的取值。各Bi取值依據(jù)所有可能故障情況下各參數(shù)正、反向變化的最大幅值合理確定，具體如表3所示。

表3　征兆模糊計算參數(shù)Bi選取

采用上述取值Bi和式(1)對故障樣本進行模糊化處理獲取標準樣本集，用于神經(jīng)網(wǎng)絡診斷模型的建立。本文在MATLAB平臺下建立低加內(nèi)部泄漏故障的BP神經(jīng)網(wǎng)絡診斷模型。模型包含16個輸入，12個輸出。網(wǎng)絡隱層函數(shù)采用tansing，輸出層激活函數(shù)采用purelin，訓練采用L-M算法。經(jīng)反復實驗，隱層神經(jīng)元節(jié)點數(shù)取25時，訓練完成后模型經(jīng)驗證具有較高的擬合精度。

圖3　故障診斷神經(jīng)網(wǎng)絡模型離線測試

為驗證訓練好的模型對故障訓練樣本的擬合效果，依次將不同故障樣本序列作為輸入對模型進行驗證。神經(jīng)網(wǎng)絡輸出依次是F1~F12各故障的隸屬度，訓練時對相應故障的理想輸出取1，其它取0。如對于8B低加進出水室短路的故障(F6)，訓練時網(wǎng)絡理想輸出向量為[0 0 0 0 0 1 0 0 0 0 0 0]。限于篇幅，圖3僅給出對應F6、F8兩個故障的神經(jīng)網(wǎng)絡模型離線校驗結果，可見模型輸出與理想輸出吻合較好。

4不同負荷下低加故障實時仿真診斷實驗

以下實時仿真故障診斷實驗借助600 MW超臨界機組仿真機完成。當仿真機在協(xié)調(diào)方式下運行于不同負荷穩(wěn)定工況時，通過實時加入不同故障，調(diào)用神經(jīng)網(wǎng)絡診斷模型，驗證故障診斷的正確性、及時性。

圖4　600 MW負荷故障F4驗證結果

4．1600 MW穩(wěn)態(tài)工況故障仿真診斷

神經(jīng)網(wǎng)絡訓練中使用的7B低加進出水室短路(F4)故障樣本為額定負荷工況下的故障樣本，故障程度取20%。為了驗證本模型的對程度不同故障的診斷能力，在線驗證時設置故障程度為15%，實驗結果如圖4所示((b)中實線為征兆縮放系數(shù)，虛線為故障分離度，下同)。實驗結果表明，加入故障后23 s，系統(tǒng)正確識別出故障序號，46 s后故障征兆縮放系數(shù)穩(wěn)定在1．41，故障分離度穩(wěn)定在0．86。

類似地，圖5為6號低加泄漏12%(F8)的實驗結果。通過曲線可知，系統(tǒng)50 s后正確識別出故障號碼，最終征兆縮放系數(shù)為0．69，故障分離度達到0．98。

圖5　600 MW故障F8驗證結果

可見，在600 MW額定工況協(xié)調(diào)控制方式下，加入故障程度與典型樣本不同的低加故障，系統(tǒng)均能準確識別故障號碼，穩(wěn)定后故障分離度能達到0．8以上。

為了驗證該方法對不同負荷工況的適用性，進一步在不同變負荷工況進行故障仿真診斷實驗。

4．2變工況故障仿真實驗

4．2．1540 MW穩(wěn)態(tài)工況故障仿真診斷

仿真機置于540 MW穩(wěn)態(tài)工況協(xié)調(diào)控制方式。加入5號低泄漏25%的故障(F1)，實驗結果如圖6所示。結果表明，系統(tǒng)在200 s左右準確識別出故障號碼，穩(wěn)定后故障系數(shù)縮放系數(shù)為0．22，最終故障分離度為0．79。

圖6　540 MW故障F1驗證結果

4．2．2480 MW穩(wěn)態(tài)工況試驗

仿真機置于480 MW穩(wěn)態(tài)工況協(xié)調(diào)控制方式。加入7A號低泄漏10%的故障(F9)，實驗結果如圖7所示。結果表明，系統(tǒng)在42 s左右準確識別出故障號碼，穩(wěn)定后故障系數(shù)縮放系數(shù)為0．61，最終故障分離度為0．93。

5結論

借助600 MW火電仿真機組系統(tǒng)，針對低加系統(tǒng)內(nèi)部泄漏和短路故障，結合征兆模糊計算，采用神經(jīng)網(wǎng)絡建立了低加內(nèi)部泄漏故障的診斷模型。將征兆縮放優(yōu)化技術與神經(jīng)網(wǎng)絡診斷模型相結合，實現(xiàn)了不同工況、不同程度低加泄漏故障的準確實時診斷。仿真結果驗證了本文方法的有效性。

圖7　480 MW故障F9驗證結果

參考文獻：

[1] 沙建峰，劉繼平，嚴俊杰，等. 低壓加熱器運行缺陷對經(jīng)濟性影響的計算及其分析[J].河南電力,2000,27(4): 9-10, 20.

[2] 賈公禮，王紅梅，胡乃文，等.低壓加熱器泄漏原因分 析及處理[J].電站系統(tǒng)工程, 2008, 24(3):45-46.

[3] 馬良玉, 王兵樹, 高建強,等. 大旁路布置高壓給水加熱器系統(tǒng)故障模糊知識庫及其神經(jīng)網(wǎng)絡的診斷研究[J]. 動力工程,2002, 22(1): 1615-1621,1588.

[4] 曹興. 熱力系統(tǒng)動態(tài)過程故障神經(jīng)網(wǎng)絡診斷方法研究[D].保定: 華北電力大學, 2012.

[5] Frank P M. New Developments Using AI in Fault Diagnosis [J]. Engineering Application of Artificial Intelligence. 1997, 10(1): 3-14.

[6] 馬良玉,馬永光,王兵樹. 不同負荷下高加給水系統(tǒng)程度迥異故障診斷的新方法[J].中國電機工程學報, 2010, 30(2): 115-121.

[7] 馬良玉,高建強,王兵樹,等. 300 MW機組給水高壓加熱 器系統(tǒng)故障的模糊模式識別[J].中國電力, 2002, 35(6): 36-39.

[8] 馬良玉. 結合仿真技術的電站熱力系統(tǒng)故障智能診斷研究[D]. 保定：華北電力大學, 2004.

[9] Xiaoyong C, Dejian Z, Zhaohua W, et al. Study on intelligent detecting technology for solder joint quality of SMT based on fuzzy diagnosis technique[A]. 11th International Conference on Electronic Packaging Technology & High Density Packaging (ICEPT-HDP)[C].IEEE, 2010:989-992.

[10] Hatem A. Darwish. Development and implementation of an ANN-based fault diagnosis scheme for generator winding protection[J]. IEEE Transactions on Power Delivery,2001, 16(2): 208-214.

Neural Network Based Internal Leakage Fault Diagnosis for Low-Pressure Heater System under Multiple Load Points

Ma Liangyu，Liu Ting

(School of Control and Computer Engineering, North China Electric Power University，Baoding071003, China)

Abstract:By taking the internal leakage faults of the low-pressure heater system of a 600 MW supercritical boiler unit as the object studied, a new approach by combining fault symptom zoom optimization technology based on artificial neural network was proposed. The neural network fault diagnosis model is established by dealing with the typical fault samples with symptom fuzzy calculation method. Real time fault diagnosis simulation tests are further realized by combining the ANN fault diagnosis model with fault symptom zoom optimization technology. It is proved that the proposed method can accurately diagnose the low-pressure heaters’ inner leakage faults of different leakage severity degrees under multiple load points with good engineering practicability.

Keywords：thermal power unit; low-pressure heater; internal leakage; fault diagnosis; artificial neural network; symptom zoom optimization

文章編號：1671-4598(2016)02-0057-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.015

中圖分類號：TP277；TM611.1

文獻標識碼：A

作者簡介：馬良玉(1972-)，男，河北井陘人，博士，教授，主要從事工業(yè)過程建模與仿真，智能技術在電站建模、控制與故障診斷中的應用研究。

基金項目：國家自然科學基金項目(61174111)。

收稿日期：2015-09-06；修回日期：2015-10-10。