油田注汽鍋爐過熱爆管故障智能診斷方法

張莉莉，陳保東，晏永飛，羅 凱，孫憲航

(遼寧石油化工大學，遼寧 撫順 113001)

0 前言

油田注汽鍋爐是稠油開發的重要設備，它產生蒸汽干度為80%的高溫高壓的濕飽和蒸汽，注入油層中，對油層中的原油進行加熱，降低稠油的粘度，增加原油的流動性和滲透性，大幅提高原油采收率［1］。注汽鍋爐的正常穩定地運行是提高稠油采收率、降低安全事故發生率和減少經濟損失的重要保證。因此對注汽鍋爐運行中出現的故障進行快速、準確地判斷是十分必要的。蒸汽干度是油田注汽鍋爐安全運行的重要參數，也是影響稠油熱采效果的重要指標。蒸汽干度過高，會使鍋爐過熱而產生爆管現象。

隨著現代傳感技術的發展，高性能的采集器的不斷出現以及計算機技術的發展，信號處理技術和故障診斷技術的不斷完善，此外，計算機應用和人工智能技術獲得重大發展，鍋爐故障診斷趨向智能化發展。為了更好地對注汽鍋爐進行故障診斷，近十年來，王希光［2］、阮曙東［3］、李玉榮［4］、馬華杰［5］、石寧［6］等從故障樹理論、模糊專家系統、神經網絡、證據論信息融合等方面對鍋爐的故障診斷進行了研究。

因此，本文從蒸汽干度測量儀測得的蒸汽干度信號出發，在利用小波變換提取蒸汽干度的特征的基礎上，將人工智能理論和技術與故障診斷的理論和技術有機結合起來，可以有效地對注汽鍋爐的運行工況進行狀態檢測和故障診斷。本文首先介紹了基于神經網絡和專家系統集成的注汽鍋爐故障診斷系統，接著闡述了神經網絡的學習算法和診斷策略，最后實驗仿真結果證明了該故障診斷系統的準確性和可靠性。

1 注汽鍋爐故障診斷系統結構［7］

油田注汽鍋爐的智能故障診斷系統結構如圖1所示。利用神經網絡系統的學習功能、聯想記憶功能、分布式處理信息功能可以很好地解決專家系統中的知識表示、獲取和并行推理等問題。根據專家對學習示例的分析，確定訓練樣本，對神經網絡進行訓練，將訓練后的神經網絡作為專家系統的知識庫，在此基礎上建立故障診斷神經網絡專家系統。

圖1 故障診斷系統結構

基于神經網絡和專家系統集成的故障診斷技術，將神經網絡的聯想記憶功能、自學習功能等“低層智能”與專家系統的推理邏輯為主的“高層智能”，有機結合，可以做到優勢互補，確保故障診斷的準確性和可靠性。

2 故障診斷專家系統的原理與診斷策略

2.1 知識庫的建立

神經網絡專家系統(NNES)設計的重點是其知識庫，知識庫的設計是建立專家系統最重要和最艱巨的任務。

2.1.1 人工神經網絡模型及其學習算法［8］

神經網絡是用大量神經元的互連及對各連接權值的分布來表示特定的概念或知識。在進行知識獲取時，它要求領域專家提供實例及相應的解，通過特定的學習算法對樣本進行學習，通過網絡內部的自適應算法不斷修改權值分布以達到要求，把領域專家求解實際問題的啟發式知識經驗分布到網絡的互連和權值分布上。

徑向基函數神經網絡(RBFNN)是具有單隱層的三層前饋網絡，它可以以任意精度逼近任一連續函數。RBF神經網絡克服了BP神經網絡的缺陷，在逼近能力、分類能力和學習速度等方面均優于BP神經網絡。

圖2 RBF神經網絡的模型

學習算法，隱層節點數的確定，輸入，輸出徑向基函數神經網絡(RBFNN)的構成包括3層:輸入層、隱層和輸出層。輸入層是蒸汽干度的特征參數，輸出層是目標參數(即故障類型)，隱層節點數的確定方法很多，在文章中采用的是其中，L為隱層節點數，N為輸入層節點數，M為輸出層節點數，a為［1，10］之間的常數。輸入層節點傳遞輸入信號到隱層，隱層節點由高斯核函數(徑向基)描述，而輸出層節點通常由簡單的線性函數刻畫。

在學習過程中，設有p組輸入/輸出樣本xp/dp，yp是在xp輸入下網絡的輸出，定義目標函數

學習的目的是使J≤ε，其中ε為給定誤差隱層第i個結點的輸出為

其中，‖X－ci‖為歐式范數，X為輸入樣本，ci為RBFNN隱結點的中心，利用梯度下降法迭代求得，σ2為標準參數。

輸出層第k個結點的輸出為

其中，θk為輸出層的閾值，ωik為隱層和輸出層的連接權系數，學習算法為

2.1.2 小波變換［9］

小波變換就像一臺可變焦的數學顯微鏡，改變各種焦距來探測被處理信號中所隱含的奇異點并識別出它的性質，從而有效探測并診斷出設備中的故障。根據小波變換的要求，小波函數必須滿足“容許條件”，我們取平滑函數θ(t)的導數作小波函數，并對其進行二進離散，二進小波變換是信號的一種超完備的、冗余的表達。則取小波函數為

對干度信號f(t)的小波變換為

對小波變換后的蒸汽干度信號進行特征提取，以其信號的Lipschitz α，最大振幅，平均振幅，主頻，振幅譜能量，瞬時頻率，瞬時相位，自相關最大值等作為其特征參數。將其特征參數作為神經網絡的輸入。

2.2 診斷步驟

為了確保診斷系統的效率和可靠性，故障診斷采用神經網絡和專家系統相結合的方法。神經網絡提高了故障診斷的效率，專家系統保證了故障診斷的可靠性。故障診斷系統的診斷步驟如下:

(1)用所得樣本對神經網絡進行訓練，初步完成故障診斷系統;

(2)對現場檢測到的蒸汽干度進行小波變換提取故障特征，將獲取數據作為輸入層輸入診斷系統;

(3)用診斷系統對故障進行診斷;

(4)若結果正確，則將結果輸出給用戶，否則轉(5);

(5)調用系統深層知識庫對故障進行分析，得出診斷結果;

(6)將診斷結果輸出給用戶，并對神經網絡進行訓練，更新神經網絡。

3 故障診斷仿真

3.1 神經網絡的訓練

結合現場調研，注汽鍋爐運行中影響蒸汽干度變化的主要因素是蒸汽壓力、給水流量、燃料量和V錐壓差，將其作為神經網絡的輸出。用小波變換提取蒸汽干度的特征參數如Lipschitz α、最大振幅、平均振幅、主頻、振幅譜能量、瞬時頻率、瞬時相位、自相關最大值，將提取到的各故障參數進行模糊化處理，作為RBF神經網絡的輸入。經過分析，則隱層節點數取8。取學習率β=0.5，ε=0.005，對RBF神經網絡進行訓練。

3.2 故障診斷結果分析

(1)先用樣本自身數據輸入訓練完成的網絡中，檢查其識別結果，從中可見自身數據檢測正確率為100%。

(2)任取兩組樣本中未出現實驗數據，其故障識別結果如表1所示。

表1 輸出診斷結果Table.1 The fault diagnosis of output

兩組實驗數據的結果與數據所對應的故障模式相吻合。由此可以看出，本網絡不僅可以識別出樣本自身的故障，而且能準確識別出樣本以外的故障。

3.3 基于神經網絡的故障診斷專家系統

專家系統的核心是深層知識庫，注汽鍋爐故障診斷系統知識庫的建立需要很長時間的反復測試、修改和擴充。可見，該神經網絡對于給定的故障能夠進行很好的判斷，對不能診斷的故障和得出的錯誤判斷結果，專家系統就可以調用深層知識庫做出診斷。

4 結論

由于神經網絡和專家系統的互相滲透，使故障診斷速度快，準確率高。本文將RBF神經網絡專家系統應用于注汽鍋爐運行工況的故障診斷，比BP神經網絡專家系統診斷更迅速。從蒸汽干度信號入手，在分析蒸汽干度波動的基礎上，提出了注汽鍋爐的智能故障診斷方法，并經過仿真運行結果證明，該方法具有一定的優越性，從不同的角度對注汽鍋爐的故障診斷提供了借鑒。

但是，在實際運行過程中注汽鍋爐運行工況比較復雜，引起蒸汽干度波動的因素很多，干擾也很大，受客觀條件的限制，此故障診斷系統并不能完全地反映運行中出現的故障狀況，這是本文的缺陷所在。另外，神經網絡的訓練樣本數目有限，在一定程度上神經網絡的訓練不是很完善，這會使得故障診斷有一定誤差，但是此誤差在限定范圍內。總之本文所提出的故障診斷方法為注汽鍋爐的故障診斷提供可以借鑒的實例。

［1］武占.油田注氣鍋爐［M］.上海:上海交通大學出版社，2008.

［2］王希光.故障樹理論在火電廠鍋爐故障診斷中的應用［D］.大慶:大慶石油學院，2004.

［3］阮曙東，趙海波，鄭楚光.基于Internet/本地的鍋爐故障模糊診斷專家系統［J］.華中科技大學學報，2004.32(6):96－98.

［4］李玉榮，牛玉廣，馬華杰.基于CLIPS的鍋爐故障診斷專家系統應用研究［J］.廣東自動化與信息工程.2006(1):13－15.

［5］馬華杰，朱瑜紅，納春寧.火電廠鍋爐運行故障診斷專家系統的研究［J］.鍋爐技術.2010.41(1):16－19.

［6］石寧.基于模糊專家系統的鍋爐故障診斷方法的研究［D］.沈陽:沈陽理工大學，2010.

［7］蔡自興，約翰·德爾金［美］，龔濤.高級專家系統:原理、設計及應用［M］.北京:科學出版社，2005.

［8］朱大奇，史慧.人工神經網絡原理及應用［M］.北京:科學出版社，2006.

［9］胡昌，張軍波，夏軍，等.基于MATLAB的系統分析與設計:小波分析［M］.西安:西安電子科技大學出版社，2000.

［10］鄂加強.智能故障診斷及其應用［M］.長沙:湖南大學出版社，2006.