陳統(tǒng)錢

（浙江浙能中煤舟山煤電有限責(zé)任公司，浙江舟山316131）

基于多元狀態(tài)估計技術(shù)建模的引風(fēng)機(jī)早期診斷研究

陳統(tǒng)錢

（浙江浙能中煤舟山煤電有限責(zé)任公司，浙江舟山316131）

隨著發(fā)電廠容量的增大，機(jī)組設(shè)備越來越復(fù)雜，其相應(yīng)的故障發(fā)生率也日益提高。如何對發(fā)電機(jī)組進(jìn)行狀態(tài)監(jiān)測與早期診斷，在故障早期發(fā)現(xiàn)設(shè)備劣化趨勢，從而減少故障發(fā)生，使發(fā)電機(jī)組安全穩(wěn)定運(yùn)行是近年來發(fā)電廠面臨的主要難題。采用基于多變量狀態(tài)估計技術(shù)的建模方法，對引風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行實時預(yù)測，幫助運(yùn)行人員發(fā)現(xiàn)分析設(shè)備早期的故障特征信號并采取解決措施，避免設(shè)備進(jìn)一步惡化。該方法在發(fā)電廠的實際應(yīng)用表明，使用效果良好，在發(fā)電設(shè)備的早期診斷領(lǐng)域有著廣闊的應(yīng)用前景。

引風(fēng)機(jī)；早期診斷；多元狀態(tài)估計（MSET）；建模；供油壓力

0 引言

目前發(fā)電廠大型關(guān)鍵設(shè)備都在SIS（廠級實時監(jiān)控信息）系統(tǒng)中進(jìn)行實時監(jiān)控，在這個過程中積累了海量的設(shè)備歷史數(shù)據(jù)，這些數(shù)據(jù)不僅僅包含了設(shè)備的性能參數(shù)還包含著設(shè)備運(yùn)行狀態(tài)信息。隨著大數(shù)據(jù)分析技術(shù)的發(fā)展，一系列數(shù)據(jù)挖掘和基于數(shù)據(jù)的預(yù)測技術(shù)如雨后春筍般出現(xiàn)，MSET（多無狀態(tài)估計技術(shù)）正是其中的一種[1]。它是以這些儲存在SIS系統(tǒng)中的歷史數(shù)據(jù)為基礎(chǔ)進(jìn)行非參數(shù)估計，從而得到設(shè)備狀態(tài)估計結(jié)果[2]。MSET自Singer等人提出以來，經(jīng)過不斷的完善和發(fā)展，目前在傳感器、設(shè)備狀態(tài)監(jiān)測、設(shè)備全壽命周期管理等方面取得了成功的應(yīng)用[3-4]。

在此以引風(fēng)機(jī)為例，結(jié)合實際案例，介紹了基于MSET建模的引風(fēng)機(jī)狀態(tài)預(yù)測。在發(fā)電廠中，引風(fēng)機(jī)作為風(fēng)煙系統(tǒng)中的重要設(shè)備，在鍋爐乃至整個機(jī)組中有十分重要的地位。引風(fēng)機(jī)主要是將鍋爐內(nèi)高溫高壓氣體排出，保證鍋爐的爐膛壓力在合理范圍內(nèi)，使整個機(jī)組安全運(yùn)行[5-12]。正因為如此，引風(fēng)機(jī)在發(fā)電廠設(shè)備中的故障率居高不下，甚至影響了整臺機(jī)組設(shè)備的正常運(yùn)行。

1 MSET理論及應(yīng)用

1.1 MSET理論

MSET是基于設(shè)備對象正常運(yùn)行狀態(tài)下的歷史數(shù)據(jù)建模，這個模型包括了該設(shè)備運(yùn)行狀態(tài)下的所有正常工況。通過比對現(xiàn)場測點實際值與該模型產(chǎn)生的估計值之間的偏差趨勢來判斷設(shè)備是否會發(fā)生故障。一旦設(shè)備發(fā)生異常，模型計算出的預(yù)測值會與實際值出現(xiàn)一定的偏差，而這個偏差是否在一個合理的范圍就成為判斷設(shè)備出現(xiàn)故障的關(guān)鍵。而且由于多元狀態(tài)估計模型能夠?qū)υO(shè)備所有的測點進(jìn)行預(yù)測，一旦出現(xiàn)某個測點偏差較大，還可以提供相關(guān)測點狀態(tài)判斷設(shè)備是否正常，大大提高了模型的可靠性。所以多元狀態(tài)估計技術(shù)能夠很好地發(fā)現(xiàn)設(shè)備劣化的早期征兆，將故障扼殺在搖籃中。

狀態(tài)矩陣表示待研究設(shè)備正常狀態(tài)下的歷史數(shù)據(jù)。假設(shè)某設(shè)備有n個測點，運(yùn)行m個時刻。那么狀態(tài)矩陣就是一個n×m的矩陣，列表示該設(shè)備在某一時刻下所有相關(guān)測點的歷史數(shù)據(jù)，行表示某個測點在一段時間下的所有歷史數(shù)據(jù)。狀態(tài)矩陣如下所示，每一列就是該設(shè)備的一個狀態(tài)向量。

狀態(tài)矩陣所包含的描述設(shè)備狀態(tài)的歷史數(shù)據(jù)應(yīng)滿足如下要求∶

狀態(tài)矩陣所包含的歷史數(shù)據(jù)應(yīng)該是能反應(yīng)該設(shè)備在足夠長的時間內(nèi)的運(yùn)行狀態(tài)，并且應(yīng)是正常狀態(tài)下的數(shù)據(jù)；每一個狀態(tài)向量的數(shù)據(jù)都必須是同一時刻的數(shù)據(jù)；這些數(shù)據(jù)最好能反映該設(shè)備所有的運(yùn)行工況。

一旦完成狀態(tài)矩陣的構(gòu)建，就可以開始利用MSET技術(shù)對設(shè)備進(jìn)行建模。模型的輸入是該設(shè)備的狀態(tài)向量，用Xobs表示。模型的輸出是對輸入的狀態(tài)向量進(jìn)行預(yù)測得到估計向量，用Xest來表示。MSET是將輸入的狀態(tài)向量與存儲的狀態(tài)矩陣進(jìn)行相似度權(quán)值計算，然后計算出估計向量。相似度權(quán)值W與模型預(yù)測值Xest如式（2）—（3）所示。

實際上，相似度權(quán)值是通過實際值與估計值之間的偏差計算出來的，偏差ε如式（4）所示。

對該偏差求導(dǎo)，并使導(dǎo)數(shù)等于0，得到相似度權(quán)值表達(dá)式為：

由式（5）可知DTD必須可逆，但是由矩陣相關(guān)知識可知，DTD矩陣可逆的必要條件是D的列數(shù)必須小于行數(shù)，即m＜n。換句話說要使DTD可逆，狀態(tài)矩陣包含的時刻數(shù)必須小于總測點數(shù)。但是在實際應(yīng)用中，為了獲得設(shè)備的全部運(yùn)行狀態(tài)的樣本，狀態(tài)矩陣中的時刻數(shù)是肯定大于該設(shè)備的所有測點數(shù)的，也就是說矩陣DTD不可逆。為了解決這個問題，MSET引入非線性運(yùn)算符⊙代替線性向量的乘法運(yùn)算，使DTD成為可逆，即

這種運(yùn)算符能夠計算具有不同量綱數(shù)據(jù)之間的距離或相似性程度，計算的方法有許多種，常用的有歐氏距離、城市距離、線性相關(guān)相關(guān)系數(shù)等等。采用歐氏距離來計算變量之間的相似性程度，其計算公式如式（7）所示：

當(dāng)設(shè)備運(yùn)行在正常狀態(tài)下時，輸入到MSET模型中的實時狀態(tài)處于狀態(tài)矩陣所覆蓋的正常運(yùn)行工況范圍內(nèi)。也就是說，輸入的實際值與通過模型計算出的估計值偏差較小，模型精度較大。當(dāng)設(shè)備有劣化失效的趨勢或者出現(xiàn)故障時，其本身的運(yùn)行參數(shù)會較之前設(shè)備正常時的參數(shù)發(fā)生很大的變化，設(shè)備狀態(tài)不在狀態(tài)矩陣覆蓋的范圍內(nèi)，這時通過模型計算出的估計值與實際值的偏差就很大，模型精度下降。所以通過模型產(chǎn)生的估計值與實際值之間的偏差能夠很好的反映出當(dāng)前設(shè)備所處的運(yùn)行狀態(tài)，一旦設(shè)備出現(xiàn)異常，通過偏差就能很早發(fā)現(xiàn)，從而完成設(shè)備早期的故障預(yù)警。

1.2 MSET應(yīng)用

1.2.1 正常歷史數(shù)據(jù)集

用來生成設(shè)備正常歷史數(shù)據(jù)集合K的矩陣表達(dá)式如下所示，M表示設(shè)備的每個測點在第M個時刻的數(shù)值，N表示設(shè)備有N個相關(guān)測點。

預(yù)測模型所需要的原始數(shù)據(jù)主要來自設(shè)備的歷史數(shù)據(jù)庫，而任何一個模型的準(zhǔn)確度離不開該模型原始數(shù)據(jù)的質(zhì)量，所以用于建立預(yù)測模型的原始數(shù)據(jù)應(yīng)能夠滿足以下要求：

（1）歷史數(shù)據(jù)應(yīng)包含設(shè)備不同載荷、不同外界環(huán)境下的運(yùn)轉(zhuǎn)狀態(tài)。

（2）歷史數(shù)據(jù)最好能夠體現(xiàn)該設(shè)備在足夠長的時間內(nèi)的運(yùn)行狀態(tài)。

（3）由于每個測點并不相同，傳感器采集頻率也有差別，所以要保證每個測點歷史數(shù)據(jù)的同時性。

1.2.2 數(shù)據(jù)預(yù)處理

使用正常歷史數(shù)據(jù)集來構(gòu)建預(yù)測模型的狀態(tài)矩陣時，首先要在正常歷史數(shù)據(jù)集中剔除那些機(jī)組不在運(yùn)行的數(shù)據(jù)；其次對于那些因為傳感器等原因造成的明顯錯誤數(shù)據(jù)也有進(jìn)行剔除；再次基礎(chǔ)上，由于每個設(shè)備的測點類型不同，量綱不同，數(shù)據(jù)絕對值不同，為方便模型計算所以要對剩余的歷史數(shù)據(jù)進(jìn)行歸一化處理，使實際輸入到模型內(nèi)的數(shù)值映射到[0，1]之間，方法見式（8）：

式中：x為原始的歷史數(shù)據(jù)；y為對應(yīng)歸一后的歷史數(shù)據(jù)。

對于該設(shè)備的每一個測點，首先將[0，1]之間均分為u份，其次以1/u為步距從正常歷史數(shù)據(jù)集中挑選出一定數(shù)量的向量加入到狀態(tài)矩陣D中。當(dāng)然，可以設(shè)計相關(guān)錄入方法避免數(shù)據(jù)重復(fù)錄入，從而使?fàn)顟B(tài)矩陣覆蓋的設(shè)備狀態(tài)空間更為全面。

2 引風(fēng)機(jī)故障預(yù)警系統(tǒng)實施路線

2.1 引風(fēng)機(jī)建模變量選取

要實現(xiàn)對引風(fēng)機(jī)進(jìn)行故障預(yù)警，首先要對引風(fēng)機(jī)這個設(shè)備有哪些測點變量進(jìn)行考察。因為這些測點不僅僅描述了引風(fēng)機(jī)的特征參量，通過這些測點還可以實時監(jiān)測引風(fēng)機(jī)的運(yùn)行狀態(tài)。故障預(yù)警系統(tǒng)正是對這些測點進(jìn)行實時預(yù)測，從而將故障扼殺在搖籃之中。隨著運(yùn)行時間的增加，引風(fēng)機(jī)的某些部件會出現(xiàn)疲勞、磨損、老化等情況，使引風(fēng)機(jī)慢慢失效。設(shè)備失效是一個過程，在失效前，引風(fēng)機(jī)會出現(xiàn)一系列的早期征兆，例如振動、壓力、溫度等有明顯增大的趨勢。所以通過對這些變量的實時預(yù)測就能發(fā)現(xiàn)劣化早期的異常狀態(tài)，從而對癥下藥，防止其進(jìn)一步劣化從而導(dǎo)致故障發(fā)生甚至設(shè)備失效。

從現(xiàn)場實時數(shù)據(jù)庫了解到，引風(fēng)機(jī)傳感器測點共包括28個模擬量測點，分別是：引風(fēng)機(jī)電機(jī)定子溫度；濾網(wǎng)差壓；引風(fēng)機(jī)液壓油油箱油位；液壓油冷油器進(jìn)出口溫差；閉式循環(huán)冷卻水母管水溫；引風(fēng)機(jī)液壓油站油箱溫度；液壓油油泵電流；液壓油油泵出口壓力；引風(fēng)機(jī)液壓油站供油壓力等。在建立預(yù)測模型時，需要構(gòu)建包含這28個測點的正常歷史數(shù)據(jù)集。

2.2 系統(tǒng)預(yù)測模型的建立

由上述所知，引風(fēng)機(jī)測點一共有29個，假設(shè)每10 min采樣1次，進(jìn)行100×12 h（從設(shè)備運(yùn)行1年的歷史數(shù)據(jù)中挑選滿足建模條件的數(shù)據(jù)）采樣，每個測點可以得到6 000個采樣值，引風(fēng)機(jī)28個測點全部的采樣數(shù)據(jù)就構(gòu)成了預(yù)測模型所用的正常數(shù)據(jù)，共計2 800組。

由28個測點組成的每1組數(shù)據(jù)都表示引風(fēng)機(jī)在過去1年中的一個正常運(yùn)行狀態(tài)，也就是說預(yù)測模型所用的正常數(shù)據(jù)就是描述了引風(fēng)機(jī)在歷史運(yùn)行過程中的正常狀態(tài)。然后在此基礎(chǔ)上，選擇那些能代表引風(fēng)機(jī)各個工況、各個狀態(tài)、不同環(huán)境下的正常數(shù)據(jù)組成引風(fēng)機(jī)狀態(tài)矩陣的數(shù)據(jù)。

2.3 設(shè)備動態(tài)模型預(yù)測值的產(chǎn)生

當(dāng)現(xiàn)場實時數(shù)據(jù)傳輸?shù)揭L(fēng)機(jī)故障預(yù)警系統(tǒng)時，預(yù)警系統(tǒng)會將接受到的實時數(shù)據(jù)輸入到預(yù)測模型中，預(yù)測模型會計算出實時數(shù)據(jù)與存儲在狀態(tài)矩陣內(nèi)數(shù)據(jù)的相似度權(quán)重，然后將權(quán)重×狀態(tài)矩陣對應(yīng)該權(quán)重的數(shù)值累加得到對應(yīng)這組數(shù)據(jù)的預(yù)測模型估計值，每個測點的實際值與估計值的差值就是預(yù)測模型計算出的偏差。當(dāng)然，預(yù)測模型并不僅僅是單一測點對應(yīng)單一測點進(jìn)行計算，它還會考慮與該測點相關(guān)的其他測點的數(shù)據(jù)。這不僅能夠屏蔽其他干擾信號對預(yù)測造成的偏差，而且可以增加模型的可靠性和預(yù)測值的精確性。預(yù)測模型計算過程如圖1所示。

3 應(yīng)用實例分析

該系統(tǒng)自投入實際應(yīng)用以來，已取得了十分良好的使用效果，通過該系統(tǒng)的實際應(yīng)用和專業(yè)人員的不斷總結(jié)和不斷完善，避免了很多不必要的經(jīng)濟(jì)損失和設(shè)備故障可能造成的嚴(yán)重后果。下面通過實際發(fā)生的引風(fēng)機(jī)液壓油站供油壓力異常案例來說明系統(tǒng)的故障預(yù)警實際的工作過程。

圖1 模型數(shù)據(jù)輸出

3.1 潛在故障的早期階段

如圖2所示，橫軸代表的是時間軸，縱軸代表引風(fēng)機(jī)液壓油壓力，單位為MPa。圖中只列出了引風(fēng)機(jī)液壓油站供油壓力這一個類型的測點（出現(xiàn)預(yù)警的測點），事實上模型中還包括了引風(fēng)機(jī)出口壓力、風(fēng)量等相關(guān)類型測點，由于這些測點并沒有出現(xiàn)狀態(tài)預(yù)警，在此就不逐一列出。

2016年6月15日下午，引風(fēng)機(jī)A供油壓力測點1，2，3均出現(xiàn)了低限值報警，在此可基本排除是傳感器故障導(dǎo)致的問題。雖然引風(fēng)機(jī)液壓油站供油壓力有降低現(xiàn)象，且也沒有到達(dá)DCS（分散控制系統(tǒng)）報警值，但是與模型產(chǎn)生的估計值相比，已經(jīng)持續(xù)多次超出動態(tài)預(yù)警帶。正是采用了基于多元狀態(tài)技術(shù)建模的故障預(yù)警系統(tǒng)后，系統(tǒng)在故障早期階段就發(fā)現(xiàn)了故障信號，并產(chǎn)生狀態(tài)預(yù)警。這時相關(guān)運(yùn)行人員將此報警記錄在案并對引風(fēng)機(jī)液壓油站供油壓力加強(qiáng)關(guān)注并安排人員進(jìn)行點檢。

3.2 故障機(jī)理分析

當(dāng)預(yù)警系統(tǒng)發(fā)生報警后，運(yùn)行人員可以查詢到與液壓油壓力低相關(guān)的故障模式表，如表1所示。根據(jù)故障模式表，運(yùn)行人員可以在預(yù)警系統(tǒng)中查詢相關(guān)測點信息，從而快速定位故障點。如果通過多元狀態(tài)技術(shù)建模產(chǎn)生的估計值與實際值曲線吻合，則該測點參數(shù)基本正常；若偏差較大或產(chǎn)生報警，則該測點異常。

表1 引風(fēng)機(jī)液壓油壓力相關(guān)故障模式表節(jié)選

在引風(fēng)機(jī)液壓油壓力降低期間，預(yù)警管理員根據(jù)上表內(nèi)容進(jìn)行多元狀態(tài)分析，發(fā)現(xiàn)除液壓油壓力外其他測點均無明顯異常。經(jīng)過就地點檢，發(fā)現(xiàn)溢流閥就地壓力出現(xiàn)異常，基本排除是由液壓油冷油器泄漏、引風(fēng)機(jī)動葉位置調(diào)節(jié)卡澀、濾網(wǎng)堵塞、液壓油泵故障造成的液壓油壓力偏低。再進(jìn)一步結(jié)合現(xiàn)場信息、發(fā)電廠歷史案例和故障庫的指導(dǎo)建議，設(shè)備專工初步認(rèn)定為溢流閥故障造成引風(fēng)機(jī)液壓油站壓力偏低。

3.3 結(jié)論

對引風(fēng)機(jī)停機(jī)檢修更換溢流閥，引風(fēng)機(jī)液壓油站壓力基本回復(fù)正常水平，驗證了此前的猜想。經(jīng)過對引風(fēng)機(jī)液壓油站更換下的溢流閥解體發(fā)現(xiàn)先導(dǎo)孔上堵了片狀、團(tuán)絮狀雜質(zhì)，引風(fēng)機(jī)液壓油壓力波動主要由于溢流閥先導(dǎo)孔出現(xiàn)堵塞造成。由于此為先導(dǎo)式溢流閥，對油液要求高，一旦有雜質(zhì)卡在閥的進(jìn)油處的小濾網(wǎng)處，溢流閥動作遲緩不但起不到穩(wěn)壓作用，反而使油壓產(chǎn)生劇烈波動，比較嚴(yán)重時就會出現(xiàn)壓力非常低，如圖3所示。

圖2 測點趨勢

圖3 溢流閥解體照片

在此次案例中，基于多元狀態(tài)技術(shù)建模的故障預(yù)警系統(tǒng)能夠準(zhǔn)確的發(fā)現(xiàn)引風(fēng)機(jī)設(shè)備的早期故障特征信號，并發(fā)出報警。運(yùn)行人員接到報警后根據(jù)預(yù)警信息分析早期設(shè)備故障特征，快速定位故障點，在決策層起到安排計劃檢修工作的作用，通過故障預(yù)警系統(tǒng)最終消除設(shè)備故障，確保了機(jī)組設(shè)備的安全穩(wěn)定運(yùn)行，也避免了設(shè)備進(jìn)一步劣化造成的連帶故障。

4 結(jié)語

為適應(yīng)國內(nèi)發(fā)電行業(yè)的發(fā)展需求，實現(xiàn)發(fā)電設(shè)備預(yù)知性維修，提高設(shè)備壽命和發(fā)電效率，是電力設(shè)備檢修改革發(fā)展的必然趨勢。利用多元狀態(tài)估計建立了設(shè)備的健康模型，該模型可隨機(jī)組實時運(yùn)行工況的變化相應(yīng)地給出設(shè)備模型估計值，通過對比實際值與估計值之間的偏差，能及時發(fā)現(xiàn)設(shè)備的早期故障，避免設(shè)備失效甚至緊急停機(jī)。不僅如此，還能夠在事后分析原因，改進(jìn)設(shè)備維護(hù)策略，減少故障發(fā)生率，增加設(shè)備安全運(yùn)行時間，具有良好的經(jīng)濟(jì)效益。

[1]李泉，尹峰，陳波.超臨界機(jī)組主汽溫模型預(yù)測控制研究[J].浙江電力，2016，35（10）∶40-42.

[2]CHANG SHUPING，GAO MING.The Application of Failure Prognostic System in State Monitoring of Power Plant Generation Equipments[C].World Automation Congress Proceedings，2012.

[3]裴玉龍，章立宗，劉永新，等.基于多源信息融合的設(shè)備動作狀態(tài)自動識別方法的研究[J].浙江電力，2016，35（10）∶65-68.

[4]CHENG S F，PECHT M G.Multivariate state estimation technique for remaining useful life prediction of electronic products[C].Proceedings of AAAI Fall Symp Artif Intell. Prognostics，Arlington，VA，2007.

[5]張少敏，毛冬，王保義.大數(shù)據(jù)處理技術(shù)在風(fēng)電機(jī)組齒輪箱故障診斷與預(yù)警中的應(yīng)用[J].電力系統(tǒng)自動化，2016（14）∶129-134.

[6]孫小林.火電廠風(fēng)機(jī)故障預(yù)警系統(tǒng)的應(yīng)用研究[D].北京：華北電力大學(xué)，2015.

[7]滕衛(wèi)明，劉林，盧偉明，等.基于SBM技術(shù)的發(fā)電設(shè)備故障預(yù)警系統(tǒng)研究[J].中國電力，2015（1）∶40-46.

[8]常劍，高明.基于相似性建模的發(fā)電機(jī)組設(shè)備故障預(yù)警系統(tǒng)[J].機(jī)電工程，2012（5）∶576-579.

[9]王軍民.雙級動葉可調(diào)式軸流引風(fēng)機(jī)高負(fù)荷失速分析[J].浙江電力，2016，35（8）∶50-52.

[10]盧建海.雙機(jī)并聯(lián)變頻器在7 200 kW引風(fēng)機(jī)中的應(yīng)用[J].浙江電力，2015，34（12）∶58-60.

[11]應(yīng)明良，冉志超.1 000 MW機(jī)組鍋爐汽動引風(fēng)機(jī)運(yùn)行試驗分析[J].浙江電力，2015，34（7）∶46-48.

[12]林彤.引風(fēng)機(jī)電動機(jī)軸承燒損故障原因分析[J].浙江電力，2015，34（5）∶42-44.

（本文編輯：陸瑩）

Research on Early Diagnosis of Induced Draft Fan Based on Multivariate State Estimation Technology

CHEN Tongqian
（Zhejiang Zheneng Zhongmei Zhoushan Coal&Electricity Co.，Ltd.，Zhoushan Zhejiang 316131，China）

With the capacity increase of power plant，equipment is becoming increasingly complicated and the failure rate is increasing day by day.It is a major problem in recent years for power plants to handle that how to monitor and diagnose the generator set and detect the deterioration trend of the equipment in the early stage of the fault to reduce the faults and ensure operation safety and stability of the generating set In this paper，a modeling method based on multivariable state estimation is used for real-time forecast of the operating status of the draft fan and helping the operating personnel detect and analyze the characteristic signal of the early equipment fault，and take measures to avoid further deterioration of the equipment.The practical application of the method in power plants proves that it is effective and has a broad application prospect in the early diagnosis of power generation equipment.

induced draft fan；early diagnosis；multivariate state estimation（MSET）；modeling；oil supply pressure

10.19585/j.zjdl.201708010

1007-1881（2017）08-0049-05

TK223.26

A

2017-04-27

陳統(tǒng)錢（1967），男，碩士，高級工程師，從事火力發(fā)電廠生產(chǎn)管理工作。