徐紅偉，劉振宇，李崇晟

?

基于分類算法的汽動(dòng)給水泵組故障預(yù)測(cè)

徐紅偉，劉振宇，李崇晟

（西安熱工研究院有限公司，陜西 西安 710054）

汽動(dòng)給水泵組是火電廠熱力系統(tǒng)的重要輔助設(shè)備，對(duì)汽動(dòng)給水泵組有效的故障預(yù)測(cè)有助于其狀態(tài)檢修。本文通過基于統(tǒng)計(jì)特征的特征提取方法及Relief特征選擇算法，實(shí)現(xiàn)廠級(jí)監(jiān)控信息系統(tǒng)歷史數(shù)據(jù)到分類模型輸入?yún)?shù)的合理轉(zhuǎn)化，并采用5種分類算法分別針對(duì)2個(gè)電廠汽動(dòng)給水泵組的小機(jī)葉片斷裂和給水泵動(dòng)、靜平衡盤碰磨實(shí)際故障案例，建立了正常與故障狀態(tài)的分類模型。實(shí)際數(shù)據(jù)驗(yàn)證表明：BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和組合分類算法分類效果更優(yōu)，可提前4~10周識(shí)別設(shè)備故障的潛在風(fēng)險(xiǎn)，該結(jié)果為其他設(shè)備故障預(yù)測(cè)提供了新的思路。

汽動(dòng)給水泵組；故障預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)；組合分類；狀態(tài)檢修

火電廠設(shè)備檢修模式主要分為定期檢修、事故檢修和狀態(tài)檢修。定期檢修是按預(yù)定時(shí)間周期進(jìn)行的計(jì)劃?rùn)z修；事故檢修是設(shè)備發(fā)生故障后被動(dòng)進(jìn)行的非計(jì)劃?rùn)z修；狀態(tài)檢修則根據(jù)設(shè)備狀態(tài)變化合理安排檢修時(shí)間和內(nèi)容，是檢修模式的發(fā)展方向。有效的故障預(yù)測(cè)可為狀態(tài)檢修提供技術(shù)支撐。

故障預(yù)測(cè)一般有2類方法：1）通過機(jī)理分析綜合考慮機(jī)械、材料等特性確定設(shè)備劣化趨勢(shì)，但由于制造、運(yùn)行等過程的不確定性，增加了研究的復(fù)雜度和誤差率；2）挖掘設(shè)備歷史數(shù)據(jù)中的隱藏信息，根據(jù)數(shù)據(jù)特征變化分析設(shè)備狀態(tài)變化趨勢(shì)。

汽動(dòng)給水泵組是火電廠熱力系統(tǒng)的重要輔助設(shè)備，它將給水從凝結(jié)水壓力提高到鍋爐給水壓力，并向過熱器及再熱器提供減溫水。汽動(dòng)給水泵組的安全運(yùn)行與整個(gè)機(jī)組的安全密切相關(guān)，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于汽動(dòng)給水泵組的故障預(yù)測(cè)，可為汽動(dòng)給水泵組狀態(tài)檢修的發(fā)展探索新的方向。

數(shù)據(jù)挖掘技術(shù)在設(shè)備故障預(yù)測(cè)領(lǐng)域的應(yīng)用已有較多研究：Golriz Amooee等[1]使用貝葉斯網(wǎng)絡(luò)、支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)等預(yù)測(cè)了設(shè)備的缺陷，并比較了不同算法的性能；雷金波[2]運(yùn)用邏輯回歸模型實(shí)現(xiàn)了設(shè)備狀態(tài)退化評(píng)估，并采用SVM預(yù)測(cè)了設(shè)備狀態(tài)發(fā)展趨勢(shì)；Elyas Rakhshani等[3]將鍋爐燃燒系統(tǒng)的有效參數(shù)數(shù)據(jù)進(jìn)行聚類，并采用神經(jīng)網(wǎng)絡(luò)分別實(shí)現(xiàn)了故障監(jiān)測(cè)和預(yù)測(cè)；Andrew Kusiak等[4]使用隨機(jī)森林算法實(shí)現(xiàn)了風(fēng)機(jī)狀態(tài)預(yù)測(cè)，從而識(shí)別風(fēng)機(jī)故障；童超等[5-6]采用改進(jìn)Apriori關(guān)聯(lián)規(guī)則算法分析了風(fēng)電機(jī)組槳距角不對(duì)稱故障前后的報(bào)警信息，從中提煉了有效報(bào)警量，并采用分類算法辨別風(fēng)機(jī)處于正?；蚬收蠣顟B(tài)；Zhao Gang等[7]將故障類型與振動(dòng)頻譜和過程特征相關(guān)聯(lián)，采用決策樹實(shí)現(xiàn)了故障分類；李莎等[8]將相關(guān)分析法結(jié)合最大最小聚類對(duì)數(shù)據(jù)進(jìn)行了約簡(jiǎn)，并采用SVM實(shí)現(xiàn)了汽輪機(jī)故障診斷；張國(guó)坤[9]利用k-均值聚類方法對(duì)汽輪發(fā)電機(jī)組構(gòu)建了基于多征兆信息融合的故障識(shí)別體系；張子泓[10]使用改進(jìn)Apriori算法對(duì)給水泵進(jìn)行了關(guān)聯(lián)規(guī)則挖掘，實(shí)現(xiàn)了給水泵故障預(yù)測(cè)及檢修計(jì)劃編制；Yang Haowei等[11]將關(guān)聯(lián)規(guī)則挖掘應(yīng)用于給水泵故障預(yù)測(cè)，得到了特定測(cè)點(diǎn)組合超標(biāo)與故障的警示關(guān)系。

本文依托火電廠廠級(jí)監(jiān)控信息系統(tǒng)（supervisory information system in plant level，SIS），采用多維時(shí)間序列分類方法實(shí)現(xiàn)了汽動(dòng)給水泵組的典型故障預(yù)測(cè)，并結(jié)合實(shí)際案例對(duì)模型的有效性進(jìn)行了驗(yàn)證。

1 研究對(duì)象

本文分別選取電廠A和電廠B的1臺(tái)汽動(dòng)給水泵組作為研究對(duì)象進(jìn)行故障預(yù)測(cè)，分別取性能測(cè)點(diǎn)、軸承及油溫測(cè)點(diǎn)、振動(dòng)測(cè)點(diǎn)3類數(shù)據(jù)。其中，性能測(cè)點(diǎn)主要包括功率、轉(zhuǎn)速、進(jìn)出口壓力、溫度、流量等參數(shù)；軸承及油溫測(cè)點(diǎn)主要包括軸承溫度和潤(rùn)滑油溫度等參數(shù)；振動(dòng)測(cè)點(diǎn)主要包括軸向位移、和向振動(dòng)等參數(shù)。A電廠共選取39個(gè)測(cè)點(diǎn)，B電廠共選取22個(gè)測(cè)點(diǎn)。

設(shè)備的故障往往不是瞬間導(dǎo)致，而有萌芽、發(fā)展、惡化直至發(fā)生事故的過程（圖1）。盡管無法完全正確地衡量故障萌芽、發(fā)展、惡化的時(shí)間點(diǎn)，但可通過模糊處理，將設(shè)備離故障發(fā)生點(diǎn)還很久時(shí)的狀態(tài)看作健康狀態(tài)，將設(shè)備故障前夕的狀態(tài)看作故障狀態(tài)。

圖1 故障發(fā)展過程

A電廠于2016年9月28日發(fā)生了小汽輪機(jī)末 級(jí)葉片斷裂事故（3片斷裂、1片損傷），選取其 2016年1月至2016年9月的SIS數(shù)據(jù)。B電廠于 2016年9月至2017年6月因給水泵動(dòng)、靜平衡盤碰磨而產(chǎn)生了一系列問題，選取其2015年11月至2017年6月的SIS數(shù)據(jù)。

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)特性分析

測(cè)點(diǎn)數(shù)據(jù)是時(shí)間序列數(shù)據(jù)，時(shí)間序列數(shù)據(jù)根據(jù)其采樣方式有所不同，一般是根據(jù)固定時(shí)間間隔（如1 s）采樣，這樣容易組合為向量或矩陣，易于采用矩陣?yán)碚撎幚?。而SIS對(duì)數(shù)據(jù)的存儲(chǔ)依據(jù)數(shù)值的變化和時(shí)間差2個(gè)因素來設(shè)定，當(dāng)實(shí)時(shí)值與前存儲(chǔ)值的差超過設(shè)定的百分比，或當(dāng)實(shí)時(shí)值與前存儲(chǔ)值的時(shí)間差超過一定時(shí)間時(shí)，才存儲(chǔ)當(dāng)前實(shí)時(shí)值及其時(shí)刻。SIS中獲取的某功率測(cè)點(diǎn)數(shù)據(jù)見表1。

表1 SIS中獲取的某功率測(cè)點(diǎn)數(shù)據(jù)

Tab.1 The data of a power measurement point from SIS

由表1可以看出，該數(shù)據(jù)在時(shí)間維度上缺乏規(guī)律性。對(duì)于多維數(shù)據(jù)來說，由于不同測(cè)點(diǎn)的變化規(guī)則各有差異，不規(guī)律性更加突出，SIS中多維數(shù)據(jù)存儲(chǔ)示例如圖2所示。圖2中，①、②、③分別代表不同測(cè)點(diǎn)，橫向間隔表示存儲(chǔ)值的時(shí)間差?？梢钥闯觯谌我夤潭〞r(shí)間區(qū)間內(nèi)，各測(cè)點(diǎn)的存儲(chǔ)值個(gè)數(shù)均有差別，各值的存儲(chǔ)時(shí)間也并無聯(lián)系。

圖2 SIS中多維數(shù)據(jù)存儲(chǔ)示例

2.2 樣本劃分

根據(jù)以上分析，首先對(duì)數(shù)據(jù)劃分樣本。由于某些測(cè)點(diǎn)數(shù)據(jù)波動(dòng)較大，如果單純考慮瞬時(shí)數(shù)據(jù)時(shí)，可能丟失時(shí)序信息，所以在此將一段固定時(shí)間間隔內(nèi)的多維數(shù)據(jù)集及其存儲(chǔ)時(shí)刻集作為一個(gè)樣本。此固定時(shí)間間隔取為1 800 s，即每隔30 min，取其間各測(cè)點(diǎn)的存儲(chǔ)數(shù)據(jù)及存儲(chǔ)時(shí)刻作為一個(gè)樣本。然后對(duì)存儲(chǔ)時(shí)刻規(guī)范化，根據(jù)各值存儲(chǔ)時(shí)刻與樣本初始時(shí)刻的時(shí)差，將其轉(zhuǎn)換為1~1 800中的一個(gè)數(shù)。

根據(jù)第1節(jié)中對(duì)設(shè)備故障與正常狀態(tài)的假設(shè)說明，對(duì)A電廠，將2016年1月的樣本標(biāo)定為正常類，將2016年9月的樣本標(biāo)定為故障類；對(duì)B電廠，將2015年11—12月以及2016年1月的樣本標(biāo)定為正常類，將2016年8—10月的樣本標(biāo)定為故障類。其余樣本均作為驗(yàn)證數(shù)據(jù)。

然后對(duì)所有數(shù)據(jù)進(jìn)行清理，即剔除原始數(shù)據(jù)中的壞值，對(duì)缺失值進(jìn)行光滑，并實(shí)現(xiàn)數(shù)據(jù)的一致性。

2.3 特征提取

分類問題需要先將對(duì)象描述成特征向量形式。對(duì)于本文中多維數(shù)據(jù)且各維數(shù)據(jù)長(zhǎng)度不同的情況，需要先通過合適方式提取數(shù)據(jù)特征，并構(gòu)造特征向量。時(shí)間序列特征提取方法主要分4類：基于頻譜分析的方法（離散傅里葉變換[12]和離散小波變換[13]等）、基于統(tǒng)計(jì)特征的方法[14]、基于形狀的方法[15]、基于模型的方法[16]。此外，還有分段線性表示[17]、奇異值分解[18]、符號(hào)聚集近似[19]等。

對(duì)于本文中的數(shù)據(jù)，不僅同一測(cè)點(diǎn)各值的存儲(chǔ)間隔差異很大，不同測(cè)點(diǎn)間也完全不一致。甚至有些測(cè)點(diǎn)參數(shù)在一個(gè)樣本的1 800 s內(nèi)只有2~3個(gè)數(shù)據(jù)，顯然這樣的數(shù)據(jù)不適于采用基于頻譜分析、基于形狀和基于模型等對(duì)數(shù)據(jù)密度要求較高且存儲(chǔ)值時(shí)間間隔必須一致的方法來處理?；诮y(tǒng)計(jì)特征的方法不需顧及數(shù)據(jù)的存儲(chǔ)密度，也不考慮數(shù)據(jù)的存儲(chǔ)間隔，對(duì)于數(shù)值型數(shù)據(jù)，總能找到合適的統(tǒng)計(jì)特征量來描述。

本文對(duì)各維數(shù)據(jù)均提取6個(gè)統(tǒng)計(jì)特征量，分別為加權(quán)平均值1、加權(quán)標(biāo)準(zhǔn)差2、變化次數(shù)3、最大變化率4、平均變化率5、極差6。其中，加權(quán)平均值反映數(shù)據(jù)的集中趨勢(shì)，加權(quán)標(biāo)準(zhǔn)差和極差反映數(shù)據(jù)的離散程度，變化次數(shù)、最大變化率和平均變化率反映設(shè)備在狀態(tài)惡化時(shí)數(shù)據(jù)可能出現(xiàn)的頻繁或大幅的波動(dòng)。具體計(jì)算公式為：

式中：為樣本中要提取特征的維度值數(shù)量；x為樣本中要提取特征的維度的第個(gè)數(shù)據(jù)；t為數(shù)據(jù)對(duì)應(yīng)的規(guī)范化時(shí)標(biāo)，1=1，t1=1 801；max為樣本中要提取特征維度的最大值；min為樣本中要提取特征維度的最小值。

特征提取中部分變量取值如圖3所示。圖3表示單個(gè)樣本中的一維數(shù)據(jù)，在此樣本范圍內(nèi)，此一維數(shù)據(jù)包含5個(gè)數(shù)據(jù)點(diǎn)。當(dāng)下一個(gè)數(shù)據(jù)點(diǎn)出現(xiàn)前，默認(rèn)數(shù)據(jù)值約等于前一個(gè)數(shù)據(jù)值。

圖3 特征提取中部分變量取值

A電廠共39個(gè)測(cè)點(diǎn)，每個(gè)維度產(chǎn)生6個(gè)特征量，將各維的特征量依次排序組成特征向量，其維度為39×6=234維。B電廠共22個(gè)測(cè)點(diǎn)，得到的特征向量維度為22×6=132維。

將數(shù)據(jù)在[0,1]區(qū)間歸一化，歸一化處理后，所有數(shù)據(jù)值都處于[0,1]區(qū)間。

2.4 特征選擇

按照特征子集形成方式，特征選擇方法分為窮舉式、啟發(fā)式和隨機(jī)式。窮舉式方法是在原始特征集中考慮特征的完全組合，根據(jù)評(píng)價(jià)最優(yōu)標(biāo)準(zhǔn)，選取最佳特征子集；啟發(fā)式方法在窮舉式的基礎(chǔ)上增加了一些主觀調(diào)節(jié)傾向，提高了最優(yōu)子集的搜索效率；隨機(jī)式方法先采用隨機(jī)抽取方式選擇特征子集，然后評(píng)估各子集的有效程度并擇取最優(yōu)[20]。

窮舉式方法一定能得到最優(yōu)解，但計(jì)算復(fù)雜度太大，應(yīng)用價(jià)值較低；隨機(jī)式方法的有效性與參數(shù)設(shè)置的合理性密切相關(guān)；啟發(fā)式方法簡(jiǎn)單快速，也能獲得近似最優(yōu)解。在此采用一種常用于二分類問題的啟發(fā)式特征選擇算法——Relief算法，該算法根據(jù)原始特征集中各特征與各類別的相關(guān)性程度賦予特征不同的權(quán)重[21]。其思路如下：

1）建立特征的權(quán)重向量并初始化為0；

2）在訓(xùn)練數(shù)據(jù)集中隨機(jī)選取一個(gè)樣本A；

3）從與A同類的樣本集中找出與其距離最近的樣本S，從與A不同類的樣本集中找出與其距離最近的樣本D；

4）對(duì)每個(gè)特征=1~（原特征向量維度），通過式(7)更新其權(quán)重，

式中，為抽樣次數(shù)，[]為A樣本在特征上的值，max()為特征上的最大值，min()為特征上的最小值；

5）返回步驟2）繼續(xù)進(jìn)行下一次抽樣，直到完成次抽樣；

6）按權(quán)重由大到小對(duì)特征進(jìn)行排序，取排名靠前的部分特征的組合作為最終的特征向量；

7）對(duì)A電廠選取權(quán)重排序前43維特征，對(duì)B電廠選取前33維特征，分別作為各自的特征向量。

3 模型建立

常用分類算法有BP神經(jīng)網(wǎng)絡(luò)、SVM、樸素貝葉斯算法、決策樹以及組合分類等。

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中最常用的網(wǎng)絡(luò)類型，其層與層間神經(jīng)元全連接，同一層各神經(jīng)元互不連接。信號(hào)傳播方式分?jǐn)?shù)據(jù)信號(hào)正向傳播和誤差信號(hào)反向傳播。前者指輸入數(shù)據(jù)信號(hào)由輸入層到輸出層逐層通過各神經(jīng)元的連接權(quán)值計(jì)算網(wǎng)絡(luò)輸出，而后者指實(shí)際輸出與期望輸出的誤差信號(hào)由輸出層到輸入層逐層反向傳播并調(diào)整相應(yīng)連接權(quán)值[22]。

SVM在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上發(fā)展而來，易解決非線性、小樣本和高維分類問題。對(duì)線性問題，SVM通過搜索最大邊緣超平面實(shí)現(xiàn)最優(yōu)分類。對(duì)非線性問題，SVM通過非線性映射，將原樣本空間的非線性問題轉(zhuǎn)化為高維空間的線性問題，從而在高維空間尋找最優(yōu)超平面實(shí)現(xiàn)分類[23]。

樸素貝葉斯算法基于貝葉斯定理和類條件獨(dú)立假設(shè)，其原理是將給定樣本分類到具有最高后驗(yàn)概率的類。類條件獨(dú)立假設(shè)假定各屬性在各類別上互不干擾，以對(duì)計(jì)算加以簡(jiǎn)化。樸素貝葉斯算法分類效率穩(wěn)定，但由于類條件獨(dú)立假設(shè)在實(shí)際中往往很難滿足，當(dāng)數(shù)據(jù)各屬性對(duì)同一類別的影響具有相關(guān)性時(shí)，可能導(dǎo)致分類效果不太理想[24]。

決策樹是一種樹結(jié)構(gòu)分類算法，每個(gè)內(nèi)部結(jié)點(diǎn)（非樹葉結(jié)點(diǎn)）代表數(shù)據(jù)在一個(gè)屬性上的分類過程，每個(gè)分枝代表分類的一個(gè)輸出，最終一直分到樹葉結(jié)點(diǎn)，每個(gè)樹葉結(jié)點(diǎn)都代表一個(gè)類標(biāo)號(hào)。決策樹算法不需專業(yè)領(lǐng)域知識(shí)支撐，且形式直觀，容易理解，但其忽視了各屬性間可能存在的關(guān)聯(lián)性[25]。

組合分類是將多個(gè)分類器組合形成的復(fù)合方法。組合策略有裝袋、提升等。裝袋方法對(duì)各子分類器分別建模，預(yù)測(cè)時(shí)再以相同權(quán)重進(jìn)行綜合。提升方法在訓(xùn)練中不斷更新樣本權(quán)重，增大誤分類樣本權(quán)重，使其后學(xué)習(xí)的分類器更關(guān)注誤分類樣本，最終各子分類器投票權(quán)重與其分類準(zhǔn)確率有關(guān)。

本文分別采用以上5種算法來建立模型，比較選取最適合汽動(dòng)給水泵組的故障預(yù)測(cè)方法。其中，決策樹采用C4.5算法，組合分類使用裝袋策略。

A電廠正常數(shù)據(jù)和故障數(shù)據(jù)分別有1 390和 1 307個(gè)樣本，共2 697個(gè)。從中隨機(jī)選擇1 800個(gè)樣本作為訓(xùn)練數(shù)據(jù)，剩余897個(gè)樣本作為測(cè)試數(shù)據(jù)。B電廠正常數(shù)據(jù)和故障數(shù)據(jù)分別4 295和2 022個(gè)樣本，共6 317個(gè)。同樣，從中隨機(jī)選擇4 200個(gè)樣本作為訓(xùn)練數(shù)據(jù)，剩余2 117個(gè)作為測(cè)試數(shù)據(jù)。

根據(jù)特征選擇結(jié)果，在建模時(shí)，A電廠分類模型輸入?yún)?shù)為43維向量，B電廠分類模型輸入?yún)?shù)為33維向量，輸出用{[1]、[–1]}簡(jiǎn)單區(qū)分。據(jù)此可以對(duì)各分類算法設(shè)置模型參數(shù)。

對(duì)BP神經(jīng)網(wǎng)絡(luò)模型，選擇單隱含層網(wǎng)絡(luò)結(jié)構(gòu)。隱含層節(jié)點(diǎn)數(shù)通常采用經(jīng)驗(yàn)公式[22]給出。A電廠BP神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點(diǎn)數(shù)取11，B電廠 取12。訓(xùn)練函數(shù)均取trainlm，性能函數(shù)均取mse。

SVM的懲罰參數(shù)和核函數(shù)參數(shù)通常憑經(jīng)驗(yàn)給定，但往往難以取得最優(yōu)值。此處采用交叉驗(yàn)證法對(duì)其尋優(yōu)。首先選定和的篩選區(qū)間和步長(zhǎng)，使和取遍區(qū)間的所有組合。同時(shí)，將總體樣本分為組，每組數(shù)據(jù)分別作一次驗(yàn)證集，其余數(shù)據(jù)作訓(xùn)練集，對(duì)和的每個(gè)組合都計(jì)算個(gè)模型的平均分類準(zhǔn)確率，作為性能指標(biāo)。最終取性能指標(biāo)最優(yōu)的和組合作為最優(yōu)參數(shù)。當(dāng)多組和性能相差較小時(shí)，取最小的組合以避免過學(xué)習(xí)。A電廠和B電廠的和選擇結(jié)果分別如圖4和圖5所示。圖4和圖5中“*”對(duì)應(yīng)最優(yōu)和。

圖4 A電廠c和g參數(shù)選擇結(jié)果

圖5 B電廠c和g參數(shù)選擇結(jié)果

4 模型評(píng)估

BP神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、SVM、決策樹、組合分類這5種方法對(duì)A電廠和B電廠的數(shù)據(jù)分類結(jié)果分別見表2和表3。由表2、表3可見，BP神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、SVM和決策樹都對(duì)A電廠和B電廠的訓(xùn)練和測(cè)試樣本有極高識(shí)別率，最高甚至達(dá)到100%，最低也在93%以上，說明前述方法選取的特征向量對(duì)正常和故障數(shù)據(jù)有良好區(qū)分能力。但決策樹算法的訓(xùn)練及測(cè)試時(shí)間遠(yuǎn)大于其他3種，而組合分類的投票需要奇數(shù)個(gè)分類器，考慮到?jīng)Q策樹算法會(huì)大大增加組合分類時(shí)間，故組合分類的子分類器選取BP神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、SVM。

表2 A電廠數(shù)據(jù)分類結(jié)果

Tab.2 The classification results of data from plant A

表3 B電廠數(shù)據(jù)分類結(jié)果

Tab.3 The classification results of data from plant B

總體而言，BP神經(jīng)網(wǎng)絡(luò)、SVM和組合分類 3種算法的分類性能指標(biāo)最優(yōu)，決策樹算法耗時(shí)較長(zhǎng)，樸素貝葉斯算法性能指標(biāo)略低，故針對(duì)此問題，BP神經(jīng)網(wǎng)絡(luò)、SVM和組合分類算法最適合。

5 模型應(yīng)用

將上述3種較優(yōu)分類方法模型應(yīng)用于其余樣本數(shù)據(jù)中，并將分類結(jié)果與實(shí)際運(yùn)行和檢修記錄進(jìn)行比較，實(shí)現(xiàn)模型的驗(yàn)證。3種分類方法對(duì)A電廠和B電廠驗(yàn)證數(shù)據(jù)的分類結(jié)果分別如圖6和圖7所示。由圖6可見：對(duì)A電廠，2016年9月28日發(fā)生了一次給水泵汽輪機(jī)葉片斷裂事故，在以2016年9月數(shù)據(jù)為故障樣本、2016年1月數(shù)據(jù)為正常樣本建立分類模型情況下，模型不僅可以很好地識(shí)別2類，而且可以在8月就給出故障指示，提前4~5周達(dá)到預(yù)測(cè)效果。

對(duì)B電廠，情況略微復(fù)雜。經(jīng)專家鑒定，B電廠汽動(dòng)給水泵組在2016年9月至2017年6月因給水泵動(dòng)、靜平衡盤碰磨故障而產(chǎn)生了一系列問題。由圖7可見：在以2015年11月至2016年1月數(shù)據(jù)為正常樣本、以2016年8—10月數(shù)據(jù)為故障樣本建立分類模型情況下，模型也可以將2類很好地識(shí)別，而且可以在2016年6月就給出故障指示，提前9~10周達(dá)到預(yù)測(cè)效果。2016年11月至2017年6月共 8個(gè)月里，除2016年12月（檢修）、2017年1月（停機(jī)）、2017年2月（檢修）外，其余月份的預(yù)測(cè)結(jié)果都明顯偏向故障類，而電廠專業(yè)人員證實(shí)，在此期間，設(shè)備確實(shí)一直處于帶故障運(yùn)行狀態(tài)，且此給水泵在每次完成檢修投入運(yùn)行后，狀態(tài)又會(huì)逐漸惡化，其故障未能得到根本解決。2016年12月及2017年2月的預(yù)測(cè)結(jié)果偏向正常類，與當(dāng)月對(duì)設(shè)備進(jìn)行了檢修這一事實(shí)正好吻合，且2017年2月后預(yù)測(cè)結(jié)果的逐漸上升趨勢(shì)與給水泵完成檢修投入運(yùn)行后設(shè)備狀態(tài)的逐漸惡化也基本匹配。

圖6 分類方法對(duì)A電廠數(shù)據(jù)驗(yàn)證結(jié)果

圖7 分類方法對(duì)B電廠數(shù)據(jù)驗(yàn)證結(jié)果

根據(jù)以上分析，數(shù)據(jù)分類的結(jié)果與設(shè)備的實(shí)際運(yùn)行和檢修記錄基本吻合，說明此分類方法對(duì)汽動(dòng)給水泵組的典型故障預(yù)測(cè)有明顯效果。

6 結(jié) 語

本文依托火電廠SIS，通過統(tǒng)計(jì)特征提取和Relief特征選擇算法，實(shí)現(xiàn)了SIS數(shù)據(jù)到分類模型輸入?yún)?shù)的合理轉(zhuǎn)化，避免了冗余特征對(duì)分類結(jié)果的干擾。同時(shí)，采用5種分類算法分別對(duì)2個(gè)電廠汽動(dòng)給水泵組的故障案例建立了正常與故障狀態(tài)分類模型，經(jīng)現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)驗(yàn)證，BP神經(jīng)網(wǎng)絡(luò)、SVM和組合分類算法分類效果更優(yōu)，可提前4~10周識(shí)別故障的潛在風(fēng)險(xiǎn)，避免惡性事故的發(fā)生，并為其他設(shè)備的故障預(yù)測(cè)提供了新的思路。

［1］ AMOOEE G, MINAEIBIDGOLI B, BAGHERID EHNAVI M. A comparison between data mining prediction algorithms for fault detection[J]. International Journal of Computer Science Issues, 2011, 8(6): 425-431.

［2］ 雷金波. 基于邏輯回歸和支持向量機(jī)的設(shè)備狀態(tài)退化評(píng)估與趨勢(shì)預(yù)測(cè)研究[D]. 上海: 上海交通大學(xué), 2008: 31-38. LEI Jinbo. Research on degeneration assessment & trend prediction about machine based on logistic regression and SVM[D]. Shanghai: Shanghai Jiao Tong University, 2008: 31-38.

［3］ RAKHSHANI E, SARIRI I, ROUZBEHI K. Application of data mining on fault detection and prediction in boiler of power plant using artificial neural network[J]. International Conference on Power Engineering, 2009, 5852(2014): 473-478.

［4］ KUSIAK A, VERMA A. A data-mining approach to monitoring wind turbines[J]. IEEE Transactions on Sustainable Energy, 2011, 3(1): 150-157.

［5］ 童超. 基于數(shù)據(jù)挖掘方法的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)研 究[D]. 北京: 華北電力大學(xué), 2014: 14-18. TONG Chao. Research on wind turbine condition monitoring based on data mining[D]. Beijing: North China Electric Power University, 2014: 14-18.

［6］ 童超, 郭鵬. 基于特征選擇和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障分類監(jiān)測(cè)研究[J]. 動(dòng)力工程學(xué)報(bào), 2014, 34(4): 313-317.TONG Chao, GUO Peng. Wind turbine fault classification based on BP neural network and feature selection algorithm[J]. Journal of Chinese Society of Power Engineering, 2014, 34(4): 313-317.

［7］ ZHAO G, JIANG D X, LI K, et al. Data mining for fault diagnosis and machine learning for rotating machinery[J]. Key Engineering Materials, 2005, 293/294: 175-182.

［8］ 李莎, 陶紅, 高尚. 基于屬性約簡(jiǎn)與參數(shù)優(yōu)化的SVM故障診斷研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2012, 22(4): 175-178. LI Sha, TAO Hong, GAO Shang. SVM fault diagnosis research based on attribute reduction and parameters optimization[J]. Computer Technology and Development, 2012, 22(4): 175-178.

［9］ 張國(guó)坤. 基于聚類分析的汽輪發(fā)電機(jī)組早期故障識(shí)別系統(tǒng)研究[D]. 北京: 華北電力大學(xué), 2013: 52-56. ZHANG Guokun. Research on early fault identification system for turbo-generation unit based on cluster analysis[D]. Beijing: North China Electric Power University, 2013: 52-56.

［10］ 張子泓. 基于數(shù)據(jù)挖掘的火電廠設(shè)備檢修管理的研究[D]. 大連: 大連海事大學(xué), 2014: 38-48.ZHANG Zihong. The research on equipment maintenance management in power plant based on data mining[D]. Dalian: Dalian Maritime University, 2014: 38-48.

［11］ WEI Y H, XUE D S. The research of equipment maintenance management in power plant based on data mining[C]. IEEE International Conference on Computational Intelligence & Communication Technology. 2015: 543-547.

［12］ AGRAWAL R, FALOUTSOS C, SWAMI A. Efficient similarity search in sequence databases[J]. International Conference on Foundations of Data Organization & Algorithms, 1993, 730: 69-84.

［13］ CHAN K, FU W. Efficient time series matching by wavelets[C]. International Conference on Data Engi- neering. 1999: 126-133.

［14］ NANOPOULOS A, ALCOCK R, MANOLOPOULOS Y. Feature-based classification of time-series data[J]. Nova Science Publishers lnc., 2001, 10: 49-61.

［15］ GRABOCKA J, WISTUBA M, SCHMIDT-THIEME L. Fast classification of univariate and multivariate time series through shapelets discovery[J]. Knowledge & Information Systems, 2015, 49(2): 1-26.

［16］ ZHONG S, GHOSH J. HMM and coupled HMMs for multi-channel EEG classification[J]. International Joint Conference on Neural Networks, 2002, 2: 1154-1159.

［17］ CHANG P C, FAN C Y, LIU C H. Integrating a piecewise linear representation method and a neural network model for stock trading points prediction[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2008, 39(1): 80-92.

［18］ WENG X Q, SHEN J Y. Classification of multivariate time series using two-demensional singular value decomposition[J]. Knowledge-Based Systems, 2008, 21(7): 535-539.

［19］ SUN Y Q, LI J Y, LIU J X, et al. An improvement of symbolic aggregate approximation distance measure for time series[J]. Neurocomputing, 2014, 138(11): 189-198.

［20］ 毛勇, 周曉波, 夏錚, 等. 特征選擇算法研究綜述[J]. 模式識(shí)別與人工智能, 2007, 20(2): 211-218. MAO Yong, ZHOU Xiaobo, XIA Zheng, et al. A survey for study of feature selection algorithms[J]. Pattern Recognition and Artificial Intelligence, 2007, 20(2): 211-218.

［21］ 譚海龍. 多維時(shí)間序列的分類技術(shù)研究[D]. 杭州: 浙江大學(xué), 2015: 33-34. TAN Hailong. Multivariate time series classification technology research[D]. Hangzhou: Zhejiang University, 2015: 33-34.

［22］ 葛哲學(xué), 孫志強(qiáng). 神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn)[M]. 北京: 電子工業(yè)出版社, 2007: 108-111. GE Zhexue, SUN Zhiqiang. Theory of neural network and its implementation with MATLAB R2007[M]. Beijing: Electronics Industry Press, 2007: 108-111.

［23］ 丁世飛, 齊丙娟, 譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào), 2011, 40(1): 2-10. DING Shifei, QI Bingjuan, TAN Hongyan. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Tech- nology of China, 2011, 40(1): 2-10.

［24］ 謝斌. 樸素貝葉斯分類在數(shù)據(jù)挖掘中的應(yīng)用[J]. 甘肅聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007, 21(4): 79-82. XIE Bin. The application of na?ve Bayesian classification in data mining[J]. Journal of Gansu Lianhe University (Natural Sciences Edition), 2007, 21(4): 79-82.

［25］ 李如平. 數(shù)據(jù)挖掘中決策樹分類算法的研究[J]. 東華理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2010, 33(2): 192-196. LI Ruping. Research of decision tree classification algorithm in data mining[J]. Journal of East China Institute of Technology (Natural Sciences Edition), 2010, 33(2): 192-196.

Fault prediction for turbine driven boiler feed water pump set based on classification algorithm

XU Hongwei, LIU Zhenyu, LI Chongsheng

(Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China)

The turbine driven boiler feed water pump set is an important auxiliary part of the thermodynamic cycle system in thermal power plants. Effective fault prediction for the turbine driven boiler feed water pump set is helpful to its condition-based maintenance. In this paper, by a feature extraction method based on statistics and a feature selection algorithm named Relief, the history data in plant-level supervision information system (SIS) is converted to the input parameters of classification models rationally. Moreover, combing with the actual fault cases in two power plants, the blades fracture of small turbine in turbine driven feedwater pump set and dynamic/static balance disk rubbing in feedwater pump, five classification algorithms are applied to establish the classification models for distinguishing normal state and fault state. The actual data verification shows that, the BP neural network, support vector machine (SVM) and combined classification algorithm have better performance than other methods, which can identify the potential risks of faults 4~10 weeks in advance. The result provides new idea for other equipment failure prediction.

turbine driven boiler feed water pump set, fault prediction, BP neural network, support vector machine, combined classification, candition-based maintenance

National Key Research and Development Program (2017YFF0210500)

TH163+.3; TM621.7

A

10.19666/j.rlfd.201807139

徐紅偉, 劉振宇, 李崇晟. 基于分類算法的汽動(dòng)給水泵組故障預(yù)測(cè)[J]. 熱力發(fā)電, 2019, 48(4): 128-134. XU Hongwei, LIU Zhenyu, LI Chongsheng. Fault prediction for turbine driven boiler feed water pump set based on classification algorithm[J]. Thermal Power Generation, 2019, 48(4): 128-134.

2018-07-26

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2017YFF0210500)

徐紅偉(1990—)，男，碩士，助理工程師，主要研究方向?yàn)榛痣姀S設(shè)備狀態(tài)監(jiān)測(cè)及狀態(tài)檢修，xuhongwei@tpri.com.cn。

（責(zé)任編輯 杜亞勤）