吳 昕 陳 侃 謝昌亞 劉雙白 梅 隆 王文歲

（1.國(guó)網(wǎng)冀北電力有限公司電力科學(xué)研究院（華北電力科學(xué)研究院有限責(zé)任公司）；2.北京京能未來(lái)燃?xì)鉄犭娪邢薰荆?.陜西德源府谷能源有限公司）

給水泵作為火電機(jī)組重要的輔機(jī)設(shè)備，其工作狀態(tài)直接決定機(jī)組的安全穩(wěn)定運(yùn)行。 對(duì)于設(shè)計(jì)多臺(tái)給水泵的機(jī)組，單臺(tái)給水泵故障跳閘將觸發(fā)機(jī)組RB （快速減負(fù)荷）， 直接影響機(jī)組帶負(fù)荷能力；采用100%容量汽動(dòng)給水泵機(jī)組，給水泵跳閘將直接導(dǎo)致機(jī)組非停。 振動(dòng)是評(píng)價(jià)給水泵運(yùn)行狀況的重要指標(biāo)，也是設(shè)備運(yùn)行狀態(tài)的重要監(jiān)視參數(shù)，如何準(zhǔn)確、高效地實(shí)現(xiàn)給水泵振動(dòng)參數(shù)預(yù)警，對(duì)維持機(jī)組安全穩(wěn)定運(yùn)行具有現(xiàn)實(shí)的工程意義［1～3］。

目前，采用基于數(shù)據(jù)分析的設(shè)備狀態(tài)監(jiān)測(cè)和預(yù)警方法主要有主成分分析、核主成分分析、K近鄰算法、相似性建模、神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)等。張金萍和白廣彬基于主成分分析方法成功約簡(jiǎn)高維故障樣本特征［4］；付文龍等提出了一種模糊K近鄰支持向量數(shù)據(jù)描述方法， 并將模型用于某水電廠機(jī)組振動(dòng)故障診斷，取得了較高的診斷精度［5］；黃葆華等結(jié)合了相似性建模與模糊概率有向圖方法的優(yōu)點(diǎn)，提出了一種設(shè)備故障監(jiān)測(cè)診斷方法， 并成功應(yīng)用在某600 MW機(jī)組高壓加熱器故障預(yù)警中［6］；韓平等基于最小二乘支持向量機(jī)研究分析了一次風(fēng)機(jī)的振動(dòng)狀態(tài)估計(jì)和故障預(yù)警，其研究結(jié)果表明，該方法有較高的估計(jì)精度，能夠及時(shí)辨別一次風(fēng)機(jī)在運(yùn)行中的振動(dòng)異常［7］。

筆者結(jié)合了主成分分析和K鄰近算法的優(yōu)點(diǎn)，基于某燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組高壓給水泵，研究論證了一種準(zhǔn)確、高效的給水泵振動(dòng)預(yù)警方法。

1 主成分分析

隨著傳感器技術(shù)的發(fā)展，輔機(jī)設(shè)備的監(jiān)視參數(shù)逐步完善， 數(shù)據(jù)直接上傳至DCS （分散控制系統(tǒng)）供工作人員監(jiān)視設(shè)備運(yùn)行狀態(tài)。 對(duì)于給水泵、引風(fēng)機(jī)及磨煤機(jī)等重要輔機(jī)設(shè)備，其相關(guān)運(yùn)行參數(shù)眾多， 在非物理建模和無(wú)先驗(yàn)經(jīng)驗(yàn)的條件下，若直接采用全部相關(guān)參數(shù)進(jìn)行設(shè)備的狀態(tài)預(yù)測(cè)，將會(huì)產(chǎn)生較大的計(jì)算量。 考慮到電站設(shè)備運(yùn)行期間，監(jiān)測(cè)參數(shù)存在高共線性情況，因而可采用主成分分析，將高維數(shù)據(jù)降維處理后，再進(jìn)行數(shù)據(jù)分析。

PCA是一種經(jīng)典的特征提取方法［8］，該方法將一系列可能相關(guān)聯(lián)的高維變量減少為一系列低維度線性不相關(guān)合成變量，同時(shí)，這些低維度數(shù)據(jù)將會(huì)盡可能多地保存原始數(shù)據(jù)的方差。 經(jīng)過(guò)降維的特征向量排除原始各向量間的共線性對(duì)預(yù)測(cè)算法精度的影響，同時(shí)也改善在數(shù)據(jù)樣本較少但數(shù)據(jù)維度很高情況下的算法精度［9］。 PCA降維的主要步驟如下［10］：

a. 計(jì)算樣本數(shù)據(jù)集X中樣本的均值向量μ，

2 K近鄰算法

KNN是一種惰性學(xué)習(xí)模型，會(huì)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行少量的處理或者完全不處理。 KNN也是一種非參數(shù)模型，幾乎可以進(jìn)行即刻預(yù)測(cè)，但是需要付出大量的計(jì)算代價(jià)。 當(dāng)具備龐大訓(xùn)練數(shù)據(jù)集，同時(shí)對(duì)響應(yīng)變量和解釋變量的關(guān)系所知甚少時(shí)，采用KNN模型將會(huì)非常有效。 KNN模型只基于一個(gè)假設(shè)，即互相接近的實(shí)例擁有類似的相應(yīng)變量值。

KNN算法步驟如下：

a. 構(gòu)建訓(xùn)練樣本集T；

b. 設(shè)定近鄰樣本參數(shù)k的初始值；

d. 采用上述歐式距離計(jì)算方法，尋找與待測(cè)樣本x距離最近的k個(gè)樣本集，V={x1，x2，…，xk}；

e. 基于上述得到的近鄰樣本，采用某種投票機(jī)制進(jìn)行待測(cè)樣本的預(yù)測(cè)。

3 PCA-KNN仿真實(shí)例

3.1 數(shù)據(jù)采集

筆者以某燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組高壓給水泵為研究對(duì)象，選取與該高壓給水泵運(yùn)行狀態(tài)相關(guān)的30個(gè)特征參數(shù)（汽機(jī)負(fù)荷、給水泵轉(zhuǎn)速、給水流量、泵出口壓力、電機(jī)電流及液偶執(zhí)行機(jī)構(gòu)位置反饋等），擬對(duì)該給水泵非驅(qū)動(dòng)端x方向、y方向振動(dòng)參數(shù)和驅(qū)動(dòng)端x方向、y方向振動(dòng)參數(shù)進(jìn)行預(yù)測(cè)，部分參數(shù)列于表1。

表1 高壓給水泵運(yùn)行狀態(tài)部分特征參數(shù)

選取給水泵7日內(nèi)的特征參數(shù)， 每隔1 s記錄一次。 采用越限判斷等手段對(duì)原始數(shù)據(jù)進(jìn)行清洗，刨除給水泵啟停期間運(yùn)行參數(shù)后，每隔60 s提取一組特征參數(shù)，最終得到7 459組有效數(shù)據(jù)。

3.2 KNN算法仿真

對(duì)上述30個(gè)給水泵運(yùn)行特征進(jìn)行歸一化處理，直接采用KNN算法預(yù)測(cè)振動(dòng)參數(shù)，通過(guò)計(jì)算均方誤差衡量該模型的預(yù)測(cè)性能。 設(shè)計(jì)訓(xùn)練數(shù)據(jù)集為75%，測(cè)試數(shù)據(jù)集為25%，采用10次隨機(jī)訓(xùn)練計(jì)算均方誤差均值， 尋找最佳鄰近樣本參數(shù)k。 圖1為均方誤差隨k值的變化趨勢(shì)圖。 從圖1可知，隨著k值的增大，訓(xùn)練樣本的均方誤差逐步增大，基于該數(shù)據(jù)，筆者選擇k值為3。

圖1 均方誤差隨k值的變化趨勢(shì)

選取末1/5樣本測(cè)試， 進(jìn)行4組振動(dòng)參數(shù)的預(yù)測(cè)。 由于4組振動(dòng)參數(shù)偏差規(guī)律基本一致，僅選取給水泵非驅(qū)動(dòng)端x方向振動(dòng)實(shí)測(cè)值與預(yù)測(cè)值進(jìn)行比對(duì)，KNN算法仿真結(jié)果如圖2所示。 由圖2可以看出，預(yù)測(cè)值與實(shí)際值吻合很好，尤其在變工況時(shí)，預(yù)測(cè)值也能迅速跟上實(shí)際參數(shù)的變化；存在一處數(shù)據(jù)點(diǎn)相對(duì)偏差達(dá)到9%，篩查發(fā)現(xiàn)該處為全局?jǐn)?shù)據(jù)極小值， 其預(yù)測(cè)絕對(duì)誤差僅為1.8 μm，后續(xù)可通過(guò)增大數(shù)據(jù)訓(xùn)練集樣本，提高精度；預(yù)測(cè)主要偏差保持在1%以內(nèi)， 偏差高于1%的數(shù)據(jù)點(diǎn)主要集中在非均勻變工況過(guò)程，由于算法采用歸一化的數(shù)據(jù)格式，各參數(shù)對(duì)振動(dòng)的影響為同一權(quán)重，當(dāng)出現(xiàn)運(yùn)行工況陡增和突降時(shí)，由于各特征參數(shù)表現(xiàn)為非均勻變化趨勢(shì)且同一參數(shù)變化趨勢(shì)與變工況前狀態(tài)息息相關(guān)。 因此，極有可能產(chǎn)生較大的偏差。

圖2 KNN 算法仿真結(jié)果

由此可以看出，直接采用KNN算法，可以有效預(yù)測(cè)給水泵的振動(dòng)參數(shù)，并且能夠完美捕捉變工況參數(shù)狀態(tài)，具有極高的預(yù)測(cè)精度，可用于工程實(shí)際。

3.3 PCA-KNN算法仿真

PCA-KNN算法主要是通過(guò)PCA進(jìn)行降維處理，弱化低貢獻(xiàn)率的特征參數(shù)，構(gòu)造出新的表征設(shè)備狀態(tài)的特征矩陣，隨后再利用KNN高效準(zhǔn)確的回歸優(yōu)勢(shì)進(jìn)行參數(shù)預(yù)測(cè)。

與KNN選取最佳k值類似， 在數(shù)據(jù)降維處理中，基于均方誤差衡量計(jì)算，選取最佳特征數(shù)量。通過(guò)仿真計(jì)算得到最優(yōu)特征數(shù)量為6， 總體特征數(shù)據(jù)貢獻(xiàn)率達(dá)到了99%，這說(shuō)明通過(guò)坐標(biāo)變換，僅僅需要6個(gè)特征參數(shù)便能表征設(shè)備狀態(tài)。 采用新的特征矩陣進(jìn)行KNN算法回歸，同樣選取總數(shù)據(jù)末1/5樣本進(jìn)行仿真，PCA-KNN算法仿真結(jié)果如圖3所示。 從圖3可以看出，相比于KNN算法，該算法存在少量的高偏差數(shù)據(jù)，相對(duì)偏差達(dá)到46%，其余偏差略微增。 此外，該算法同樣可以精準(zhǔn)地預(yù)測(cè)給水泵振動(dòng)。

圖3 PCA-KNN算法仿真結(jié)果

給水泵4 組振動(dòng)參數(shù)的全部仿真結(jié)果如圖4 所示。 由圖4 可以看出，除了兩處大偏差數(shù)據(jù)點(diǎn)外，在給水泵變工況過(guò)程和穩(wěn)定工況期間， 振動(dòng)預(yù)測(cè)值均能與振動(dòng)實(shí)際值相吻合， 尤其在驅(qū)動(dòng)端x 方向和y 方向的預(yù)測(cè)中，預(yù)測(cè)值也完整、精確地捕捉到了后期兩個(gè)方向振動(dòng)的波動(dòng)，這也說(shuō)明了該算法具有較高的精度。

圖4 全部仿真結(jié)果

表2為樣本的偏差特征統(tǒng)計(jì)數(shù)據(jù) （全部樣本有1 492個(gè)），可以看出：在PCA-KNN仿真中，總體預(yù)測(cè)結(jié)果較為滿意。 對(duì)于個(gè)別高偏差預(yù)測(cè)值，可通過(guò)增加涵蓋范圍更廣的訓(xùn)練樣本來(lái)提高近鄰選取精度，并且在實(shí)際預(yù)警過(guò)程中，采用延遲方法、多參數(shù)對(duì)比等手段消除可能存在的高偏差結(jié)果對(duì)設(shè)備預(yù)警結(jié)果的影響。 除此之外， 相比于KNN算法，采用PCA-KNN算法進(jìn)行給水泵振動(dòng)參數(shù)的預(yù)測(cè)，其計(jì)算速度將提升70%，這將對(duì)具有更多特征參數(shù)的熱力設(shè)備和全電站重要設(shè)備的運(yùn)行預(yù)測(cè)具有積極作用。 綜上所述，該算法能夠準(zhǔn)確、高效地實(shí)現(xiàn)給水泵振動(dòng)預(yù)警，可滿足實(shí)際工程需要。

表2 偏差樣本統(tǒng)計(jì)

3.4 振動(dòng)異常預(yù)警

筆者采用PCA-KNN進(jìn)行振動(dòng)異常預(yù)警包括振動(dòng)參數(shù)預(yù)警和振動(dòng)劣化預(yù)警兩個(gè)方面。

由于電站輔機(jī)設(shè)備眾多，工作人員未能詳盡掌握各設(shè)備的參數(shù)變化， 尤其對(duì)于小量級(jí)參數(shù)（如在某一工況時(shí)，給水泵振動(dòng)參數(shù)由30 μm變化至35 μm）更不易察覺(jué)，但往往這種細(xì)微的變化就是設(shè)備劣化的征兆， 因此進(jìn)行振動(dòng)參數(shù)的預(yù)警，可以在振動(dòng)參數(shù)實(shí)際值與預(yù)測(cè)值出現(xiàn)較大偏差時(shí)，給予報(bào)警提示。 通過(guò)實(shí)時(shí)在線計(jì)算給水泵振動(dòng)參數(shù)實(shí)際值與預(yù)測(cè)值的偏差，當(dāng)偏差越過(guò)預(yù)設(shè)閾值后，將觸發(fā)報(bào)警。 圖5展示了某次振動(dòng)參數(shù)的報(bào)警情況， 在報(bào)警點(diǎn)前振動(dòng)參數(shù)偏差不斷升高，直到報(bào)警點(diǎn)處，參數(shù)越過(guò)閾值，提醒工作人員關(guān)注設(shè)備的運(yùn)行狀態(tài)。

圖5 振動(dòng)參數(shù)預(yù)警

電站設(shè)備往往存在長(zhǎng)期劣化過(guò)程，相比定時(shí)檢修，基于設(shè)備運(yùn)行狀態(tài)而采取的狀態(tài)檢修顯然更為合理。 振動(dòng)劣化預(yù)警是考慮設(shè)備已經(jīng)出現(xiàn)振動(dòng)參數(shù)報(bào)警，但距離邏輯設(shè)計(jì)的報(bào)警值或跳機(jī)值余量較大，檢查后仍可繼續(xù)運(yùn)行的情況下，對(duì)設(shè)備振動(dòng)進(jìn)行的劣化分析。 劣化預(yù)警是基于參數(shù)預(yù)警中的振動(dòng)參數(shù)偏差，選取數(shù)個(gè)典型工況進(jìn)行的回歸和預(yù)測(cè)，如圖6所示。 圖6中選取了3個(gè)典型轉(zhuǎn)速工況，基于半年工況中的各月均偏差，采用最小二乘法，進(jìn)行未來(lái)半年的振動(dòng)劣化預(yù)測(cè)。 通過(guò)每月劣化數(shù)據(jù)的更新，掌握設(shè)備的劣化規(guī)律和趨勢(shì)，為后續(xù)安排設(shè)備檢修計(jì)劃提供數(shù)據(jù)支撐。 振動(dòng)劣化預(yù)警與振動(dòng)參數(shù)預(yù)警相結(jié)合，更加符合電站實(shí)際運(yùn)行需求，具有工程實(shí)際意義。

圖6 振動(dòng)劣化預(yù)警

4 結(jié)論

4.1 直接采用KNN算法進(jìn)行給水泵振動(dòng)預(yù)警，選取全部設(shè)備相關(guān)特征參數(shù)，可以精確地預(yù)測(cè)給水泵的振動(dòng)參數(shù)。

4.2 采用PCA-KNN算法，在保證預(yù)測(cè)結(jié)果精度、滿足工程需要的同時(shí)， 大幅降低了計(jì)算時(shí)間，提高了預(yù)測(cè)效率。

4.3 采用振動(dòng)參數(shù)預(yù)警與振動(dòng)劣化預(yù)警相結(jié)合的方法，更加滿足電站實(shí)際運(yùn)行需求，具有現(xiàn)實(shí)工程意義。