浙江浙能溫州發(fā)電有限公司 李文華 徐智偉

基于多信息融合的小機故障預警研究

浙江浙能溫州發(fā)電有限公司 李文華 徐智偉

本文根據(jù)小機故障類型進行知識推理和信息融合混合推理識別故障模式，利用知識庫中的診斷規(guī)則，對小機的多測點信息進行融合推理，得到故障模式的診斷信息。通過采用D-S證據(jù)理論方法對小機的進口蒸汽壓力和高壓進口蒸汽溫度的測點數(shù)據(jù)進行融合，得到綜合診斷結(jié)果。

信息融合；故障預警；小機；綜合診斷；可靠性

0 引言

電廠小機運行狀況的優(yōu)劣，直接影響到整個電廠運行的安全性以及經(jīng)濟性。在故障發(fā)生的時候，小機的運行穩(wěn)定性往往會變得很差，此時如果運行人員調(diào)整不當，很容易造成機組溫度持續(xù)升高，嚴重極端情況下還會引發(fā)爆燃等事故。

為提高小機的運行效率并提高安全性，本文將證據(jù)理論融合方法引入到小機的穩(wěn)定性診斷中，對小機的進口蒸汽壓力和高壓進口蒸汽溫度傳感器監(jiān)測到的數(shù)據(jù)信息進行分析并融合，得到一個較全面反應小機安全狀況的綜合診斷信息。

證據(jù)理論是一種處理不確定性的理論。證據(jù)理論的主要特點有：需滿足的條件比貝葉斯概率理論更弱，即不必滿足概率可加性；具有直接表達“不知道”和“不確定”的能力，在證據(jù)合成過程中，這些保留的信息表示在函數(shù)中；類似于人類在各級抽象層次上的證據(jù)收集過程，證據(jù)理論允許人們將信度賦給假設空間里的單個元素，而且還能賦給它的子集。相比于概率推理理論而言，證據(jù)理論中所需的先驗數(shù)據(jù)更容易獲得、更為直觀，且合成公式可以綜合多個專家或數(shù)據(jù)源的知識或數(shù)據(jù)。在故障模式識別過程中，同一個故障征兆可以對應多個故障模式，且每個故障征兆對識別故障的貢獻不同，因而基于證據(jù)理論的信息融合方法就非常適合用來做故障模式識別。

1 基于證據(jù)理論的信息融合方法

在證據(jù)理論中，涉及到識別框架、基本概率分配函數(shù)、信度函數(shù)、似真函數(shù)等概念，定義如下：

定義1設變量所有可能值的窮舉集合為Θ={,θ1,θ2,...,θn}，若Θ中的各個元素是相互排斥的，則稱Θ為識別框架（Frame of Discernment）。

定義2設Θ為識別框架，對人一個屬于Θ的子集A(命題)都令他對應一個數(shù)m(A)∈[0，1]，且滿足：

表1 故障模式識別示例計算的BPA

圖1 小機故障樹

表2 小機軸故障樹符號定義表

表3 溫州小機性能報警測點表

所定義的函數(shù)Bel(A)為識別框架Θ上的信度函數(shù)(Belieffunction)。信度函數(shù)Bel(A)表示對A的總的信任程度。

所定義的函數(shù)Pl(A)為識別框架上的似真函數(shù)(Plausibilityfunction)，似真函數(shù)Pl(A)表示對A不否定的信任程度。

其中，K為歸一化常數(shù)

2 故障模式的識別

2.1 融合策略

不同故障模式在各自診斷模型中所列的各個故障征兆表現(xiàn)上具有不同程度的反映，經(jīng)分類得到故障所屬模式類后，利用不同的征兆條件群建立診斷模型，通過基于證據(jù)理論的信息融合方法進行知識推理來診斷具體的故障模式。例如，對于一倍頻故障類，所包含的在線監(jiān)測故障模式共有原始質(zhì)量不平衡、轉(zhuǎn)動部件松動飛脫、轉(zhuǎn)子熱彎曲這三種，根據(jù)這三個故障模式的診斷模型，利用軸振振幅、瓦振振幅、振動穩(wěn)定性、軸振時域波形、軸心軌跡、振動相位變化、軸瓦溫度、頂軸油壓、軸向位移和脹差等征兆，就能將它們區(qū)分識別。經(jīng)過信息融合后選擇可信度最大的故障模式即為所求結(jié)果。為了提高證據(jù)合成的效率，避免發(fā)生證據(jù)組合爆炸情況，提出一種貝葉斯近似方法的Dempster證據(jù)合成公式，使焦元個數(shù)小于或等于識別框架中元素的個數(shù)。Voorbraak給出了mass函數(shù)的貝葉斯近似計算公式:

否則，m(A)=0。

一倍頻故障類的三個故障模式組成了識別框架Θ={F1,F2,F3}（原始質(zhì)量不平衡、轉(zhuǎn)動部件松動飛脫、轉(zhuǎn)子熱彎曲分別用F1,F2,F3表示），故障征兆集合{Z1,Z2,...,Zn}作為mass函數(shù)集合{M1,M2,...,Mn}。這里僅用于演算示例，假設故障征兆只有Z1,Z2,ZN，故障發(fā)生的情況只有{F1},{F2},{F3},{F1,F2},和{F1,F2,F3}這幾種簡化組合情況，根據(jù)上述假定分別給出下表所示的BPA，各列的數(shù)值為該征兆對每個故障模式識別的貢獻度。

對于這種無交叉故障發(fā)生情形的而言，對F1,F2,F3的組合函數(shù)再求信任函數(shù)、似然函數(shù)，可知“信任函數(shù)=似然函數(shù)=組合后的mass函數(shù)值”，即:

2.2 故障原因查找

在診斷出故障模式后，根據(jù)故障樹分析法可以找出故障原因。故障原因的查找方法如圖1所示：

圖2 水泵小計系統(tǒng)結(jié)構(gòu)圖

圖3 進口蒸汽壓力和高壓進口蒸汽溫度趨勢圖

圖4 小機調(diào)門開度趨勢圖

首先，依據(jù)故障樹得到故障原因底事件，列全所有的故障原因的最小割集，形成故障原因規(guī)則知識庫。以圖1的軸向動靜跑摩故障為例說明故障原因知識庫的建立過程。該故障樹的最小割集有個，故能得出的診斷規(guī)則有條，例如：

If“升速率太快或暖機時間過短”and“脹差引起的軸向間隙減小”and“軸封與凸肩軸向碰摩”and“故障模式為軸向碰摩”，then“故障原因為升速率太快或暖機時間過短引起的脹差間隙變小”；

2.3 故障位置查找

對于大多數(shù)故障而言，故障位置一般都是根據(jù)故障信號的監(jiān)測位置，例如對于整個軸系來說，分為高中壓缸、低壓缸、小機幾個部分，通過每段軸承上的軸振或者瓦振信息，就能大致定位出故障發(fā)生在那個體或設備上。但是機組的振動往往具有很大的關(guān)聯(lián)性，因為各段轉(zhuǎn)軸是通過聯(lián)軸器相連的，所以也會有小機的異常振動引起低壓缸的振動這種類似的情況。而且，對于某些特殊故障，這一簡單直觀的方法并不能解決問題，如轉(zhuǎn)軸碰摩，到底是汽紅內(nèi)的轉(zhuǎn)子碰摩還是軸封處碰摩都無法立即確定。所以運行人員需根據(jù)相關(guān)聯(lián)的部件測點的數(shù)據(jù)，同時進行關(guān)聯(lián)性分析，對非故障因素進行排除，得到一個相對精確的故障信息，從而可以確定故障模式以及故障位置。例如：“故障模式為軸向振動碰摩”and“故障原因為升速率太快或暖機時間過短引起的脹差間隙變小”and“軸振過大”，then“故障位置在高中壓缸高壓端軸封處”。

2.4 系統(tǒng)實施

利用多元數(shù)據(jù)信息融合技術(shù)，可以融合不同維度的信息，結(jié)合一定的數(shù)據(jù)挖掘算法和統(tǒng)計學方法，在“故障預警”系統(tǒng)里，當設備在實時工況下出現(xiàn)報警，可以結(jié)合報警信息對設備的當前工況下進行安全狀態(tài)分析，實現(xiàn)設備故障的早期預警診斷，以確保設備的正常運行，有效的避免設備的損壞而造成經(jīng)濟損失和嚴重后果。

由于一般的設備在異常工況下不是單一測點報警，而是多測點報警，每個測點的信息又是不同維度的，這時為了研究分析設備當前工況下的安全狀態(tài)就需要這樣的分析理論去結(jié)合多元數(shù)據(jù)信息來對設備進行預警診斷。對報警的測點進行羅列，每一個種類分為一種特征，各種特征之間相互組合都能夠?qū)υO備造成不同的影響。根據(jù)當前報警測點的情況，將每種報警的特征結(jié)合在一起，可以分析出設備的當前運行狀況，以及確定故障發(fā)生的位置，達到及時發(fā)現(xiàn)故障位置，對設備實現(xiàn)早期預警，避免發(fā)生嚴重后果的效果，并且對異常工況下的設備對多測點進行全面性分析能夠更有效、更準確的確定設備當前的運行狀況。

3 實例分析

該系統(tǒng)自投入我廠實際應用以來，已取得了十分良好的使用效果，通過該系統(tǒng)的實際應用和專業(yè)人員的不斷總結(jié)和不斷完善，多年來已經(jīng)實際預警了很多設備的故障。避免了很多不必要的經(jīng)濟損失和設備故障可能造成的嚴重后果。下面通過實際發(fā)生的小機故障案例來說明系統(tǒng)的故障預警實際的工作過程。

將設備出現(xiàn)異常的具體時間，相關(guān)測點描述等相關(guān)詳細信息整理成如表3所示的預警點詳情表。實際工作人員就可以按照相關(guān)流程，并根據(jù)相關(guān)設備的實際預警信息對設備可能出現(xiàn)的故障進行分析判斷，這樣就能夠提前排除設備故障。

圖5 四抽至小機壓力和小機轉(zhuǎn)速趨勢圖

自“故障預警”系統(tǒng)投運起，1月2日20時，#4B給水泵進口蒸汽壓力實際值0.35MPa，比預估值0.54MPa偏差0.19MPa，由此導致預警。

3.2 現(xiàn)場趨勢圖

圖6 給水泵汽機B進口蒸汽壓力趨勢圖

3.3 原因分析

溫州電廠#4機（330MW）配備二套50%給水泵小機系統(tǒng)，該小機可以由高壓（冷再）和低壓（四抽）兩種汽源單獨或同時供汽，各有獨立的主汽門和調(diào)整門進行控制和調(diào)節(jié)。如圖3所示：

從趨勢圖分析，1月20日20時，#4B小機四抽進汽壓力下降，#4B小機冷再進汽溫度上升，判斷冷再蒸汽已經(jīng)參與調(diào)節(jié)，判斷四抽進汽回路或者調(diào)節(jié)控制回路出現(xiàn)異常引起。如圖4所示：

1月12日汽機點檢員和儀控點檢員分別對機務進汽回路和調(diào)節(jié)控制回路進行檢查，四抽調(diào)節(jié)控制回路。如圖5所示，儀控對小機調(diào)門開度趨勢圖分析，四抽調(diào)門開度在全開位置，為了維持小機轉(zhuǎn)速，冷再調(diào)門參與調(diào)節(jié)，調(diào)節(jié)控制回路屬于正常狀態(tài)。

汽機專業(yè)點檢也對進汽回路所有閥門進行檢查，退出#4B汽泵運行，隔離冷再至小機進汽隔離閥，只有四抽進汽隔離閥參與調(diào)節(jié)，當小機轉(zhuǎn)速低于3000r/min時四抽至小機進汽壓力顯示0.35MPa；小機轉(zhuǎn)速4200r/min時四抽至小機進汽壓力顯示0.25MPa，進汽調(diào)節(jié)閥全開，進汽量不足，如圖6所示：

點檢還對四抽至小機進汽隔離閥和電動閥進行檢查，沒有發(fā)現(xiàn)異?，F(xiàn)象。經(jīng)過以上綜合判斷，認為四抽逆止閥卡澀引起進汽壓力和流量不夠，冷再參與調(diào)節(jié)引起預警，等機組檢修時安排逆止閥檢修處理。

從趨勢圖看，進口蒸汽壓力和高壓進口蒸汽溫度變動曲線偏離較大，但是無突變現(xiàn)象，可以排除“汽流激振”“動靜摩擦”等異常可能，屬于逆止閥卡澀現(xiàn)象。

對該事件可以總結(jié)出小機故障的一個故障模式，如表3所示：

綜上所述，可以得出結(jié)論：在“故障預警”系統(tǒng)投用后，監(jiān)測到機組在運行過程中，監(jiān)測到小機四抽進汽壓力下降，小機冷再進汽溫度上升，點檢還對四抽至小機進汽隔離閥和電動閥進行檢查，且均無異?，F(xiàn)象。經(jīng)過以上綜合判斷，認為進汽壓力過低和進口流量低由四抽逆止閥卡澀引起。所以在有條件檢修情況下，建議運行維修人員修整逆止閥，提高小機運行可靠性，消除壓力偏差。

表4 小機故障模式

4 結(jié)束語

這種基于D-S矩陣論的多信息融合的故障預警與診斷方法，相比于傳統(tǒng)的單信息單測點故障預警，具有更高的可靠性、精確性，能夠在多維度數(shù)據(jù)中體現(xiàn)出其優(yōu)秀高效的特點。這種多信息融合的故障預警診斷技術(shù)通過全面分析設備的實時工況信息，能夠根據(jù)關(guān)聯(lián)性較大的測點直接的關(guān)聯(lián)度，來準確判斷設備的安全狀況，為機組的安全運行提供了可靠的保障，方便進行運行維護人員制定的設備維修計劃，為機組在線安全運行提供了科學依據(jù)。

[1]陳昆亮．汽輪發(fā)電機組狀態(tài)監(jiān)測與故障預警系統(tǒng)研究[D]．華北電力大學,2012．

[2]董曉峰．基于RCM分析的智能化小機故障診斷系統(tǒng)研究[D]．華北電力大學,2012．

[3]趙巍偉．基于RCM分析的小機維修決策[D]．華北電力大學,2014．

[4]韓延鵬．小機轉(zhuǎn)子熱彎曲故障診斷方法研究及應用[D]．華北電力大學,2014．

[5]杜加萍．多傳感器信息融合算法的研究及應用[D]．江南大學,2011．

[6]鄒麗潔．電站設備參數(shù)異動搜索分析與故障預警研究[D]．華北電力大學（北京）,2011．

[7]常帥．基于相似建模的小機故障預警系統(tǒng)[D]．華北電力大學,2013．

[8]黃乃成．基于知識的汽輪發(fā)電機組智能故障診斷研究[D]．華北電力大學,2013．

[9]張國坤．基于聚類分析的汽輪發(fā)電機組早期故障識別系統(tǒng)研究[D]．華北電力大學,2013．

[10]李文祝．小機調(diào)節(jié)系統(tǒng)網(wǎng)絡化故障診斷系統(tǒng)研究[D]．華北電力大學,2000．