摘 要:由于火電廠鍋爐設(shè)備在高溫、高壓的惡劣環(huán)境中運(yùn)行,容易出現(xiàn)多種故障,因此嚴(yán)重影響了設(shè)備的安全性與可靠性。為了有效預(yù)防這些故障,本文提出了一種基于振動監(jiān)測技術(shù)與智能算法的故障預(yù)警方法。首先,利用數(shù)據(jù)清洗技術(shù)對振動監(jiān)測數(shù)據(jù)進(jìn)行預(yù)處理,消除噪聲和異常值干擾。其次,采用K-means聚類算法對預(yù)處理后的數(shù)據(jù)進(jìn)行模式識別,初步分類設(shè)備運(yùn)行狀態(tài)。最后,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)對聚類后的數(shù)據(jù)進(jìn)行故障類型識別。試驗結(jié)果表明,該方法能夠有效提高故障預(yù)警的準(zhǔn)確性與實(shí)時性,為火電廠鍋爐設(shè)備的安全運(yùn)行提供了可靠保障。
關(guān)鍵詞:火電廠鍋爐;智能故障預(yù)警;振動監(jiān)測;頻譜分析
中圖分類號:TM 62" 文獻(xiàn)標(biāo)志碼:A
火電廠作為電力系統(tǒng)中的重要組成部分,其鍋爐設(shè)備的運(yùn)行環(huán)境通常具有高溫、高壓和強(qiáng)腐蝕等復(fù)雜特點(diǎn)[1]。這些惡劣的工況條件使鍋爐設(shè)備在長期運(yùn)行過程中容易出現(xiàn)各種故障。這些故障不僅會導(dǎo)致設(shè)備停運(yùn)和經(jīng)濟(jì)損失,還可能引發(fā)嚴(yán)重的安全事故,威脅人身和設(shè)備安全。智能故障預(yù)警技術(shù)能夠利用先進(jìn)的傳感器技術(shù)對潛在故障進(jìn)行早期檢測和預(yù)警[2]。振動信號能夠反映設(shè)備運(yùn)行狀態(tài)的動態(tài)特性,其變化通常表明設(shè)備可能存在異?;蚬收?。
1 研究現(xiàn)狀
現(xiàn)階段的研究主要分為以下幾個方面:振動信號采集與處理,通過提高采集數(shù)據(jù)的實(shí)時性和全面性,為后續(xù)的數(shù)據(jù)分析和故障診斷提供足夠的數(shù)據(jù)參考價值[3]。在振動信號的特征提取和分析方法方面,主流方式主要包括基于快速傅里葉變換(FFT)的頻譜分析、時頻域分析、波形分析和基于小波變換的多分辨率分析等。隨著人工智能技術(shù)的不斷發(fā)展,通過智能算法對海量歷史振動數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練,能夠自動識別和分類設(shè)備的故障類型,提高故障預(yù)警的準(zhǔn)確性和魯棒性。
2 振動監(jiān)測理論與設(shè)備
2.1 振動監(jiān)測基本原理
振動監(jiān)測技術(shù)是一種基于機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測的有效手段,其基本原理是通過安裝在設(shè)備上的振動傳感器實(shí)時采集設(shè)備在運(yùn)行過程中產(chǎn)生的振動信號,并通過數(shù)據(jù)處理和分析方法對振動信號中的特征信息進(jìn)行提取,從而識別設(shè)備可能存在的異常狀態(tài)或故障趨勢[4]。在火電廠鍋爐設(shè)備中,振動監(jiān)測可以有效地檢測旋轉(zhuǎn)機(jī)械的不平衡、軸承磨損、齒輪的故障以及結(jié)構(gòu)松動等問題。這些故障會導(dǎo)致設(shè)備振動特征參數(shù)變化,通過分析振動信號的頻率、幅值、相位等特征,可以盡早發(fā)現(xiàn)設(shè)備的潛在問題,為預(yù)防性維護(hù)提供依據(jù)[5]。
2.2 在線狀態(tài)監(jiān)測系統(tǒng)
本文設(shè)計的在線狀態(tài)監(jiān)測系統(tǒng)采用了ARM+DSP+FPGA的混合架構(gòu),可以保證高效的實(shí)時數(shù)據(jù)處理能力,其架構(gòu)模型如圖1所示。
該系統(tǒng)集成了24位AD轉(zhuǎn)換器,能夠提供高達(dá)128ksps的高速采樣率,能精確捕捉振動信號的微小變化。高精度的24位AD轉(zhuǎn)換器可以保證信號采集的精度,能夠有效地保留振動信號的微小細(xì)節(jié)信息,避免因量化誤差導(dǎo)致的信號失真問題。這種高分辨率的采樣方式特別適用于監(jiān)測火電廠鍋爐設(shè)備中復(fù)雜而微小的振動變化,例如軸承微小磨損引起的振動變化,或者因設(shè)備結(jié)構(gòu)松動而引發(fā)的低頻振動信號。
系統(tǒng)的多通道實(shí)時采集功能可以同時監(jiān)測多個關(guān)鍵點(diǎn)的振動狀態(tài)。在火電廠鍋爐設(shè)備中,由于其結(jié)構(gòu)復(fù)雜且各部件間的相互影響較大,因此多通道實(shí)時采集能夠有效覆蓋整個設(shè)備的關(guān)鍵部位,保證及時發(fā)現(xiàn)任何局部的異常。同時系統(tǒng)內(nèi)置大容量數(shù)據(jù)存儲器,并設(shè)計了斷點(diǎn)續(xù)傳功能。當(dāng)網(wǎng)絡(luò)中斷或通信異常時,系統(tǒng)能夠?qū)⒄駝訑?shù)據(jù)臨時存儲在本地存儲器中,并在網(wǎng)絡(luò)恢復(fù)后自動將數(shù)據(jù)上傳到數(shù)據(jù)服務(wù)器。這個設(shè)計可以提高數(shù)據(jù)傳輸?shù)目煽啃?,防止?shù)據(jù)丟失,從而保證了長期振動監(jiān)測數(shù)據(jù)的完整性和連續(xù)性。
2.3 振動監(jiān)測點(diǎn)的設(shè)置與安裝
鍋爐設(shè)備結(jié)構(gòu)復(fù)雜,各部件運(yùn)行狀況存在差異以及不同部件間會相互影響,因此在火電廠鍋爐設(shè)備的振動監(jiān)測過程中要選擇可能產(chǎn)生故障或振動變化顯著的部位安裝振動傳感器,同時要盡量避開極端溫度和壓力的影響區(qū)域,選擇能夠有效捕捉振動信號且安全穩(wěn)定的安裝位置。本文選擇的位置包括軸承監(jiān)測、轉(zhuǎn)子監(jiān)測、齒輪監(jiān)測。監(jiān)測點(diǎn)的布置如圖2所示。
3 基于K聚類與CNN算法的故障預(yù)警
3.1 數(shù)據(jù)清洗
振動監(jiān)測數(shù)據(jù)往往會受到噪聲、異常值和缺失值的影響,通過使用低通濾波器或高通濾波器來消除不需要的高頻或低頻噪聲,并且在該環(huán)節(jié)中將原始信號和濾波信號進(jìn)行對比,保證清洗后數(shù)據(jù)的可靠性。其中的檢驗方法是Z-score方法,設(shè)置參數(shù)的閾值為3,若數(shù)據(jù)檢驗后的均差|Zi|gt;3,則認(rèn)為該數(shù)據(jù)點(diǎn)為異常值。
3.2 K-means聚類算法
聚類分析是一種統(tǒng)計數(shù)據(jù)分析方法,其主要目的是將具有相同特征的數(shù)據(jù)集中在一個組別中,形成的不同組之間的對象具有較大的差異性。在故障點(diǎn)分析中,K-means算法是一種無監(jiān)督學(xué)習(xí)方法,可以將數(shù)據(jù)集分為K個簇。它利用迭代的方法將各點(diǎn)最小化到所屬簇中心的歐幾里得距離平方,并將數(shù)據(jù)集中的觀測值聚集成若干個簇,從而識別數(shù)據(jù)中的異常模式和潛在的故障區(qū)域。
該算法首先隨機(jī)確定幾個聚類中心μ1,μ2,,,,μK,其次,將數(shù)據(jù)集中的每個數(shù)據(jù)點(diǎn)xi分配到距離最近的中心,最后,根據(jù)每個集群中包括的數(shù)據(jù)點(diǎn),按照歐幾里得公式重新計算每個簇的聚類中心,如公式(1)所示。
Ci={xi:||xi-μj||2≤||xi-μk||2,k,1≤k≤K} (1)
重復(fù)以上步驟,直到得到可接受范圍內(nèi)的聚類中心。
3.3 基于K聚類與卷積神經(jīng)網(wǎng)絡(luò)算法的故障預(yù)警
在K-means聚類分析后,每個簇代表數(shù)據(jù)的不同模式或類別。在故障檢測的場景下,不同的聚類可以對應(yīng)不同的設(shè)備狀態(tài)(例如正常運(yùn)行、輕微故障、嚴(yán)重故障等)。
在此基礎(chǔ)上,對每個聚類內(nèi)的數(shù)據(jù)點(diǎn)來說,利用基于時頻域變換的方式提取頻譜特征,將時域或頻域的振動信號轉(zhuǎn)換為2D矩陣形式,并將其輸入CNN中進(jìn)行故障識別。在本文中,設(shè)計的CNN架構(gòu)包括卷積層、池化層、全連接層以及輸出層幾個部分。卷積層的作用是通過卷積核(filter)再次提取輸入數(shù)據(jù)的局部特征。通過多個卷積層可以提取數(shù)據(jù)的高階特征,可以用公式(2)表示其提取的數(shù)學(xué)原理,用來確定權(quán)重和偏置項。
(2)
式中:Zl i,j為第l層的卷積輸出;Xl-1為第 l-1層的輸入;Wl為卷積核權(quán)重;bl為偏置項。
池化層的作用是降低特征圖的維度,防止過擬合。在該部分中,使用平均池化的方法對其進(jìn)行處理。全連接層可以將前面池化層的輸出展平,并通過一系列神經(jīng)元進(jìn)行進(jìn)一步非線性組合。該環(huán)節(jié)是采用卷積層中得到的權(quán)重項、偏置項進(jìn)行非線性函數(shù)構(gòu)造。輸出層通常使用Softmax激活函數(shù),將最后一層的輸出轉(zhuǎn)換為概率分布,表示各個類別(故障類型)的概率。
通過上述步驟,可以有效地利用CNN對火電廠鍋爐設(shè)備進(jìn)行故障檢測和識別。利用K-means聚類分析對數(shù)據(jù)進(jìn)行預(yù)處理和模式識別,再使用CNN進(jìn)一步分類具體的故障類型。這種方法結(jié)合了無監(jiān)督和監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn),提高了故障檢測的準(zhǔn)確性和魯棒性。
4 模型檢驗
圖3展現(xiàn)了不同簇下的的數(shù)據(jù)處理與CNN算法輸出效果。其中,圖3(a)是轉(zhuǎn)子檢測數(shù)據(jù)中部分?jǐn)?shù)據(jù)的處理結(jié)果,圖3(b)是齒輪檢測中部分?jǐn)?shù)據(jù)的處理結(jié)果。
圖中曲線顯示了初始狀態(tài)與濾波后狀態(tài)下的振動信號隨時間的變化。濾波后狀態(tài)下的振動信號呈現(xiàn)平滑的波動曲線,但是其趨勢和走向同初始狀態(tài)保持一致,證明數(shù)據(jù)清洗過程較完整地保留了數(shù)據(jù)原本特征。
中間的圖表示K-means聚類算法對提取的振動特征數(shù)據(jù)的分類結(jié)果。點(diǎn)狀分別表示不同故障狀態(tài)的數(shù)據(jù)點(diǎn),叉號表示聚類中心。聚類結(jié)果表明,利用K-means算法可以有效地將振動信號數(shù)據(jù)分為兩類,對應(yīng)不同的狀態(tài)。通過聚類可以快速識別異常數(shù)據(jù)點(diǎn),為后續(xù)的深度學(xué)習(xí)模型提供先驗信息。
下邊的圖為聚類后各類別的概率密度分布。橫坐標(biāo)表示某個特征值范圍,縱坐標(biāo)表示相應(yīng)特征值的概率密度。通過概率密度分布,可以分析不同狀態(tài)下設(shè)備振動信號的特征分布,識別可能的故障模式。
與實(shí)際故障類型相比,其預(yù)警準(zhǔn)確率分別達(dá)到了76%和78%。預(yù)測精度較高,說明該預(yù)警方法具有較強(qiáng)的適用性。
5 結(jié)語
本文提出的基于振動監(jiān)測與智能算法的故障預(yù)警方法,通過數(shù)據(jù)清洗、K-means聚類與CNN深度學(xué)習(xí)相結(jié)合,有效提高了火電廠鍋爐設(shè)備故障預(yù)警的精度與可靠性。研究表明,振動監(jiān)測技術(shù)能夠靈敏捕捉設(shè)備的異常振動信號,而智能算法則在故障識別與分類方面展現(xiàn)出強(qiáng)大的潛力。在未來工作中,可以進(jìn)一步優(yōu)化算法模型,提高在復(fù)雜工況下的適應(yīng)性與實(shí)時性,應(yīng)對其他工業(yè)應(yīng)用場景。
參考文獻(xiàn)
[1]王鳳曲.火電廠汽輪機(jī)運(yùn)行問題與應(yīng)對措施[J].機(jī)械與電子控制工程,2022,4(3):63-65.
[2]何洪,阮航.基于數(shù)據(jù)分析的設(shè)備故障預(yù)警與診斷技術(shù)在燃?xì)怆姀S的應(yīng)用[J].石油科技論壇,2023,42(1):61.
[3]崔泉源,邱倍良,華俊娟,等.機(jī)電設(shè)備振動測試系統(tǒng)設(shè)計[J].工程學(xué)研究與實(shí)用,2024,5(11):197-199.
[4]宮文峰,陳輝,張澤輝,等.基于改進(jìn)CNN-GAP-SVM的船舶電力變換器快速故障診斷方法[J].計算機(jī)集成制造系統(tǒng),2022,28(5):1370.
[5]付海燕.振動監(jiān)測在轉(zhuǎn)動設(shè)備維護(hù)中的應(yīng)用分析[J].機(jī)械與電子控制工程,2024,6(13):82-84.