火電機組凝汽器真空故障診斷的研究

羅 寧， 何 青

(華北電力大學 能源動力與機械工程學院，北京 102206)

火電機組凝汽器真空故障診斷的研究

羅 寧， 何 青

(華北電力大學 能源動力與機械工程學院，北京 102206)

通過仿真機進行凝汽器故障診斷，選擇合適的故障判斷基準，判斷凝汽器系統真空是否發生故障。首先在確定真空應達值時建立了Pc-M模型，在其后的真空故障判斷中使用該Pc-M模型表示機組的真空應達值，當閾值取0.5%時可以診斷出真空故障，最后分別采用了線性相關度法和BP神經網絡法對單故障工況和多故障并發工況進行診斷。結果表明BP神經網絡法相比線性相關度法無論是速度還是精度都有明顯的優勢，而且在多故障并發的情況下同樣結果精確。

凝汽器； 故障診斷； 真空應達值； 線性相關度； BP神經網絡

0 引言

火力發電廠是生產電力的重要場所，其系統設備紛繁復雜，體積巨大，并且設備多處于高溫高壓高轉速的嚴酷工作條件下，任何一個設備的故障都可能導致嚴重的后果，輕則停機沖擊電網，重則危及電廠周邊人身及財產安全。

凝汽器是將汽輪機乏汽凝結成水的特殊換熱器，又稱冷凝器。能夠在汽機末級建立并維持真空，提高汽輪機比焓降，從而增大汽機輸出功率和循環熱效率；為鍋爐供應潔凈的凝結水給水。凝汽器設備故障頻發并且故障發生時可能遠不止一處故障，所以凝汽器的工作狀況對整體機組的安全經濟性有重大影響[1]。

凝汽器主要會發生真空故障、凝結水過冷、冷卻管泄露、冷卻管振動等故障[2]。其中最為常見的是真空故障[3]。由于凝汽器低真空現象會引起汽輪機運行中的各種故障，因此研究其故障診斷技術和方法，開發行之有效的故障監測和診斷系統，對機組的安全運行具有至關重要的作用。

目前，凝汽器故障診斷常見方法有神經網絡法、模糊專家系統法、D-S 規則方法和模糊模式識別方法以及其他方法[4-6]等，都不同程度地解決了凝汽器故障診斷中的不確定性問題[7-10]。

本文主要針對寧海1 000 MW仿真機組進行凝汽器部分的故障診斷，選擇合適的故障判斷基準，判斷凝汽器系統真空是否發生故障，并建立起一個能夠快速準確判斷出故障發生的故障診斷模型。當判斷出凝汽器真空故障時，在單故障發生和多故障并發等多種狀況下檢驗該模型診斷結果的準確性。除了使用BP神經網絡法進行診斷外，還使用最簡單原始的向量線性相關度的方法進行診斷，通過對比兩種診斷方法來表現BP神經網絡法的優越性。

1 凝汽器故障集的確定

1.1 實驗用仿真機機組簡介

本次實驗使用的仿真機仿真的是浙江國華寧海發電廠的1000 MW機組[11]，其機組主要參數如下：

(1)鍋爐部分。SG3091/27.56-M54X，上海鍋爐廠生產的BMCR工況額定蒸汽流量3091T/H額定工況蒸汽壓力27.56 MPa。

(2)汽機部分。N1000-26.25/600/600(TC4F)，超超臨界一次中間再熱凝汽式、單軸、四缸四排汽汽輪機，三高(雙列)、四低、一除氧。

(3)凝汽器部分。凝汽器雙背壓，在設計條件及主機THA設計工況下，汽輪機平均背壓6.2 kPa；循環冷卻倍率為55(按THA工況主機及小汽機排汽總量為基準)，循環水設計進水溫度為24.5 ℃，循環水為海水。凝汽器補充水采用噴霧除氧。

1.2 典型凝汽器故障集

通過參考各種同類文獻，整理出如表1所示的幾個典型的凝汽器故障集[12-17]。這些典型故障可以在之后故障集的確定中作為參考。

1.3 故障征兆集的確定

通過查閱寧海1 000 MW機組汽輪機分冊手冊，找出手冊中給定的故障特征參數。根據參考文獻中整理得到的故障征兆參數，結合機組實際結構特點，可以為下一步在仿真機中確定故障發生時發生變化的參數做參考。

就實驗結果準確性來講，所選取的征兆參數越詳盡，則結果越準確。考慮操作量以及時間因素，選擇故障發生時變化區分度較明顯的參數。

表1 典型凝汽器故障集匯總

結合在仿真機中故障發生時產生變化的各項參數與實際操作量的權衡，如表2所示最終選取如下30個征兆參數作為本次設計的特征集。

表2 故障征兆參數集

2 真空應達值判斷故障

2.1 故障判斷基準選擇

故障判斷基準中基準所指的是在機組正常運行工況下某項參數所應該達到的數值，如真空基準與傳熱系數K基準。

直接判斷真空法：通過判斷實際真空是否達到真空應達值來直接判斷真空是否故障。

傳熱系數K判斷真空：通過判斷傳熱系數K是否達到應達值來判斷是否發生故障。

采取直接判斷真空法時，常規方法是先算出凝汽器的真空應達值，然后通過對比凝汽器實際真空度和應達值偏差來判斷是否發生故障，但是在計算真空應達值時存在如下問題：

(1)怎樣量化表達冷卻管內壁表面清潔度。

(2)冷卻管流程和冷卻管的結構因素如何考慮。

(3)在計算凝汽器端差時需要用到的傳熱系數K如何確定。

凝汽器總體傳熱系數K本身受很多因素影響，通過量化計算真空應達值較困難，且計算傳熱系數K過程又存在多個不同的標準(1.別爾曼公式2.美國傳熱協會(HEI)公式3.英國電氣機械制造協會(BEAMA)公式)。由此可見，通過計算來得到真空應達值的方法很難實現。

2.2 真空應達值基準確定

鑒于上述傳統計算真空應達值的各種局限性，本次設計中我們作出Pc-M的擬合曲線用以代替傳統方法中真空應達值的計算。由于此擬合曲線是在本機組仿真機上通過數據采集得到，并非計算得出，排除了計算應達值時很多影響因素的干擾，因此該方法得出的應達值比計算得出的真空應達值K更加準確。

Pc為凝汽器背壓，M為表征工況的參數，我們可以用以下公式計算出M值來表征凝汽器的運行工況，M值的具體計算方法由式(1)給出：

(1)

式中：Pc為凝汽器背壓，kPa；Tw為循環水進口溫度，K；Dw為循環水流量，kg/s；Cp為水密度，kg/m3。

2.3 擬合偏差的計算

(1)擬合曲線Pc-M及擬合偏差計算：

本文中所提到的各項偏差計算是指當前變量x1相對應達值x0的偏差，具體的計算方法由式(2)給出：

(2)

為了能更直觀表示出個工況下擬合偏差的大小關系，我們做出如下圖1所示δ-M折線圖。

從圖1中可以清楚的看出，擬合曲線偏差的最大值δ=0.459%。

(2)各故障下真空度與擬合值的偏差計算

以600 MW工況為例，依次插入9個故障并采集各故障下的凝汽器A、B的真空數值。同樣，每2 min記一次數，持續2 h，共計60組數據。由于故障A8真空破壞門誤開和A9循環水中斷是機組重大設備故障，均會迅速導致機組跳機，無法測滿2 h的數據，對于這兩個會引起跳機的故障采取如下采集方式：每2 s記一次數，持續1 min，共計30組數據。如圖2所示，表示各故障下真空相對應達值擬合值的偏差大小關系。

圖1 各工況下凝汽器背壓擬合偏差曲線

圖2 各故障工況下真空較擬合值的偏差曲線

出現圖中所示情況的主要原因是：A7故障為真空系統泄露，而真空系統泄露是真空下降很快，故該工況下真空相對擬合應達值偏差很大；A8和A9故障為循環水中斷和真空破壞門誤開，這兩個故障均會引起機組迅速反映并跳機，從而導致這兩個工況下的凝汽器真空度急劇下降。

通過數據的比較，發現9個故障發生時的真空相對擬合值偏差的最小值δ1=0.512%大于擬合最大偏差δ8=0.459%，當δ取0.5%時，可以用此方法直接判斷真空可以診斷出故障是否發生。

2.4 故障論域特征向量征兆參數閾值確定

對于征兆表達方式有如下兩種：(1)隨時間的變化率；(2)與應達值的偏差及閾值;它們的征兆表達方式的依據及優缺點如表3所示。

對于會引起真空急劇下降并致機組跳機的故障，需要及時發現并采取相應的補救措施，所以當機組發生這類故障時，對應的征兆應依據參數單位時間變化率的正負來表征；對于引起真空緩慢下降的故障，由于這類故障發生時，相應的征兆參數變化緩慢，所以可根據參數運行值與應達值的偏差及閥值來進行表征如表4所示。具體表現為A1～A7故障采用第二種表達方式，A8、A9是會引起跳機的故障采用第一種表達方式。

表3 兩種征兆表達方式的依據及優缺點

表4 各征兆參數狀態量化值及對應的偏差范圍

注：Y表示故障特征參數在該工況下相對應達值的偏差。

為了得到故障論域特征向量，我們需要在全工況下對各個故障進行采集數據并分析。通過確定一個合適的閾值，來將各故障下30個征兆參數轉化為故障特征向量。此步驟需要采集大量數據并進行分析，操作量極大。由于本文主要研究的是真空應達值的確定及故障判斷方法，確定閾值并非我們的主要研究目標。其確定的閾值標準如表4所示。

3 線性相關度法的故障診斷

3.1 線性相關度模型

首先，建立線性相關度的模型

Y=[A]X

(3)

式中：Y為故障輸出向量，單元數為9，每個單元數分別代表故障相關度；X為故障特征向量，單元數30；[A]為前文中提及到的在仿真機上仿真得到的故障論域特征向量。

3.2 線性相關度法的驗證

在仿真機600 MW工況分別插入故障。A4:B循環水泵跳閘；A5:A真空泵跳閘且備用泵不聯啟；A4、A5兩個故障同時發生。插入故障A4后，采集30個征兆參數的數值，并根據上一章中的量化偏差閾值將其轉換成該故障下的特征向量。同理，可以得到A真空泵跳閘且備用泵不聯啟故障下的特征向量和兩個故障同時發生時的故障特征向量。將3組故障特征向量X分別帶入模型公式計算。

(1)A4:B循環水泵跳閘故障

故障特征向量

X4=[1,1,1,0,0,0,0.5,0.5,0.5,0.5,0.5,1,0,1,1,1,0.5,0.5,0.5,0.5,0,0, 0.5，0.50.5,0.5,1,1,0.5,0.5]

故障輸出向量

Y4=[8.5,11.75.12.13.9.9.12.5,10.5,]

從圖3中可以看出，A4故障所對應的單元數13最大，為線性最相關。故該診斷結果表明A4故障發生。與實際插入故障相符，故診斷結果正確。

圖3 A4故障特征向量對應的相關度診斷結果

(2)A5：A真空泵跳閘且備用泵不聯啟

故障特征向量

X5=[1,1,0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,1,0, 0.5, 0.5,0, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,1,0.5, 0.5,]

故障輸出向量

Y5=[8,9.75,9,9,9.75,9,11,9.75,8.5]

從圖4中可以看出A7故障所對應的單元數11最大，為最相關，故而該診斷結果表明發生A7故障真空系統泄露。而實際發生的故障為A5故障A真空泵跳閘且備用泵不聯啟，可以看出，這次未能成功診斷出故障。

圖4 A5故障特征向量對應的相關度診斷結果

(3)A4、A5故障同時發生

故障特征向量

X45=[1,1,1,0,0,0.5,0.5,0.5,0.5,0.5,1,0.5,0.5,1,1,0, 0.5,0.5,0.5,0,0, 0.5,0.5, 0.5, 0.5, 0.5,1,1,0, 0.5]

故障輸出向量

Y45=[8,10.75,11,12,9.5,9,12,10,9.5]

從圖5中可以看出A4和A7對應的單元數12最大，為線性最相關，診斷結果表明A4、A7故障發生。實際發生的故障為A4和A5故障。本方法只是診斷出其中一個故障，依舊未能成功的將兩個故障全部診斷出來。

圖5 A4、A5故障特征向量對應的相關度診斷結果

除了不能成功診斷出故障外，在三次故障診斷的結果圖中均可以發現，9個故障的相關度區分度很小，相關度相差只有1.5甚至不到1。如何判定究竟是哪個故障發生也是個很大的問題。由于區分度很小，嚴格來講，并不能確定是某個故障發生。

綜上結果表明，線性相關度法存在著明顯的不足，一是無法診斷多個故障同時發生的工況。在某些單個故障發生的工況下，該方法也存在一些問題，問題主要集中在相關度區分度不足，例如在某些故障工況下，診斷出的各故障相關度很接近，很難確定究竟是哪個或哪些故障發生。

基于存在以上提出的種種問題，在實際診斷中，這種最原始的方法幾乎很少使用，為此，我們重新使用了一種常用的方法來進行本次故障診斷研究。

4 基于BP神經網絡的故障診斷

4.1 BP神經網絡法簡介

神經網絡是目前在故障診斷領域使用最頻繁的診斷方法之一。由于其是將信息存儲于網絡內的神經元中，并且通過多次學習組織來達到精確逼近任意復雜非線性系統的目的，故其有著較高的診斷精度。BP神經網絡即為基于BP算法的神經網絡。BP算法即為誤差反向傳播(Error Back Propagation)算法。BP算法的基本特點是，學習過程由信號的正向與誤差的反向傳播兩個過程組成。多層前饋網絡的訓練經常采用誤差反向傳播算法，所以也常將多層前饋網絡直接稱為BP神經網絡。

如圖6所示，BP神經網絡主要包括如下3個結構：輸入層、輸出層和隱含層。在本次設計中，輸入層為30個故障征兆參數；輸出層為故障集中的9個故障。

圖6 BP神經網絡拓撲結構模型

其中隱含層節點數是決定故障診斷精確度的一個重要因素，若節點數過少，神經網絡的性能很差，不能產生足夠的連接權組合數來滿足對樣本的學習最終導致診斷結果正確率不夠高。如果選取過少，雖然解決了之前正確率不高的問題，但同時導致訓練學習的時間過長且結果很難達到最優點。

4.2 建立BP神經網絡模型及驗證

4.2.1 建立BP神經網絡模型

在MATLAB 中創建程序，調用MATLAB工具箱中的BP神經網絡工具。本次設計中使用的MATLAB版本為R2015a。

程序部分參數設置如下:隱含層節點數取40，最大訓練次數為5 000，每隔20步顯示一次訓練結果，訓練要求的精度0.000 1，初始學習率的選擇0.85，學習速率1 r下降比設置為0.7，學習速率增長比設置為1.05，動量因子的選擇0.9。程序模型如圖7所示。

圖7 BP神經網絡程序模型圖

將仿真機上得到的各故障工況下的故障論域特征向量9×30=270個參數作為訓練樣本對該BP神經網絡程序進行訓練。訓練結果誤差曲線如圖8所示。

圖8 訓練結果誤差曲線

可見在第167次訓練后誤差達到最小等于9.656 5×10-5，至此得到可用于凝汽器故障診斷的模型。

4.2.2 驗證模型準確性

同線性相關度法的內容，依次代入3種故障狀況下的故障征兆特征向量，結果如下。

(1)A4:B循環水泵跳閘故障

故障特征向量

X4=[1,1,1,0,0,0.5,0.5,0.5,0.5.0.5,1,0,1,1,1,0.5,

0.5,0.5,0.5,0,0,0.5,0.5,0.5,0.5,0.5,1,1,0.5,0.5]；代入上述MATLAB程序中，得到如圖9所示結果。

圖9 A4故障特征向量對應診斷結果

從圖9可以看出A4故障表現最明顯，將圖中9個故障對應的概率數值統計如表5所示。

表5 A4各故障發生概率

從表中可以看到，該模型診斷出A4發生的概率為98.29%，遠高于其他8個故障的數量級，可以判斷是A4故障發生，這與實際故障狀況相符，診斷結果正確。

(2)A5:A真空泵跳閘且備用泵不聯啟

故障特征向量

X5=[1,1,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,1,0,0.5,0.5,0,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,1,0.5,0,0.5]；代入MATLAB程序中，得到如圖10所示結果。

圖10 A5故障特征向量對應診斷結果

從圖10可以看出A5故障表現最明顯，將上圖中9個故障對應的概率數值統計如表6所示。

表6 A5各故障發生概率

從表中可以看到該模型診斷出A5發生的概率為97.9%，遠高于其他8個故障的數量級，可以判斷是A5故障發生，這與實際故障狀況相符，診斷結果正確。

(3)A4、A5故障同時發生

故障特征向量

X45=[1,1,1,0,0,0.5,0.5,0.5,0.5,0.5,1,0.5,0.5,1,1,0, 0.5,0.5,0.5,0,0,0.5,0.5,0.5,0.5,0.5,1,1,0,0.5]；代入MATLAB程序中，得到如圖11所示結果。

圖11 A4、A5故障特征向量對應診斷結果

從圖11可以看出A4、A5兩個故障表現最明顯，將上圖中9個故障對應的概率數值統計如表7所示。

表7 A4、A5各故障發生概率

從表8中可以看出診斷結果中，A4和A5故障發生概率均高于50%，且遠高于其他7個故障發生的概率。診斷結果為A4、A5故障發生，這與實際仿真機故障插入情況相符合，診斷結果正確。

4.2.3 隨機驗證模型準確性

為了檢測上述兩個故障同時發生的診斷結果的偶然性，額外隨機選取兩個故障進行二次驗證如下，取A1、A6故障同時發生，該工況下故障特征向量：

X16=[1,1,0.5,0.5,0.5,0,0,0,0,0,0,1,0.5,0.5,0.5,0.5,0,1,1,0.5,0.5,0,0,0,1,1,0.5,1,0.5,0]；代入MATLAB程序中，得到如圖12所示結果。

圖12 A1、A6故障特征向量對應診斷結果

從圖12可以看出A1、A6兩個故障表現最明顯，將上圖中9個故障對應的概率數值統計如表9所示。

表8 A1、A6各故障發生概率

從表8中可以看出診斷結果中，A1和A6故障發生概率最高，均高于80%，且遠高于其他7個故障發生的概率。故可認定診斷結果為A1、A6故障發生，這與實際仿真機故障插入情況相符合，診斷結果正確。

該工況下的診斷結果也表明，之前能診斷出A4、A5故障同時發生并非其偶然性。

從以上3個故障工況的診斷結果可以看出，在1 000 MW機組仿真機下，該BP神經網絡可以快速準確地診斷出單個故障發生或多個故障同時發生。同時診斷結果的區分度很高，診斷出的故障與其他的故障發生概率相差幾個數量級，可以準確判斷是哪個故障發生。

4.3 BP神經網絡法優缺點分析

相比線性相關度法，BP神經網絡法的結果令人滿意，該方法不僅能夠準確快速診斷出單個故障，而且在多故障并發的情況下同樣表現出色。單從診斷結果的數據來看，BP神經網絡法得到的故障區分度很高，相差一個甚至幾個數量級，完全可以確定是哪個故障發生，體現出了BP神經網絡法在故障領域的優越性。

但是BP神經網絡法的精確度很大一部分要歸功于數據量。理論來講，提供給神經網絡訓練的數據量越大，該方法最終診斷出的結果越準確。故而想要得到較精確的數據，需要大量的訓練樣本支持。

另外，在進行診斷的過程中，該方法也暴露出一定問題，如BPNN法程序開始時賦予的初始化權值及閾值是隨機的，而且訓練終止時的誤差也不完全相同，因為每次初始化網絡時都是隨機的，訓練后的權植和閾值也不完全相同(大致是一樣的)，所以每次訓練后的結果也略有不同，在進行故障診斷時，容易陷入局部極小值，最終可能導致多次診斷同一故障時得到的結果不一致，甚至出現診斷出錯的情況。需要多次進行嘗試，并在得到合適的結果時，在程序中固定初始權值并保存網絡。

5 結論

本文主要討論了凝汽器故障診斷在電力工業生產過程中的重要性，并針對如何判斷真空發生故障和真空發生故障時如何診斷出發生何種故障進行了重點研究。

(1)確定真空故障判斷基準。由于直接判斷真空法在實際生產中的便利性及直觀性，本次設計中采用了直接判斷真空法。該方法的核心思想是確定真空應達值，通過對比實際真空值與應達值的方法來判斷真空是否發生故障。

(2)確定真空應達值。本文未采用傳統的計算真空應達值的方法，而是在仿真機上進行數據采集，用M值來表征凝汽器的運行工況，通過大量的數據來支撐得到Pc-M的擬合曲線，而這條擬合曲線上的點就表示各工況下的背壓應達值。

(3)Pc-M可用于真空故障判斷。9個故障工況下的數據表明，在本次設計中擬合曲線的最大擬合偏差仍小于故障發生時最小的背壓值變化偏差，當閾值取值δ=0.5%時，該模型可以診斷出真空故障。

(4)線性相關度法：線性相關度法通過計算各故障的線性相關度來判斷故障。該方法在單個故障診斷時診斷結果受量化值取值影響較大，且在本次設計的量化取值下診斷結果區分度很小，難以確定某一故障是否發生。在多故障并發工況下無法準確診斷出所有故障，且該方法診斷故障費時費力，效率很低。

(5)BP神經網絡法：BP神經網絡法首先對BP神經網絡MATLAB程序進行訓練，之后再故障診斷。實驗驗證結果表明，BP神經網絡法相比線性相關度法無論是速度還是精度都有明顯的優勢。另外，BP神經網絡法在多故障診斷中也具有可行性。該方法能夠準確診斷出多故障工況下的所有故障。

[1] 張艷萍.用于故障診斷的凝汽器真空模型研究[D].北京：華北電力大學, 2009.

[2] 李季,嚴東超.BP神經網絡改進算法在電氣故障診斷系統中的應用[J]. 電力科學與工程, 2005，21(1):69-72.

[3] 王彪,劉格.基于BP神經網絡的直接空冷凝汽器背壓預測[J]. 電力科學與工程,2014，30(5):67-70.

[4] 司麗麗,陳榮生,滕丕忠,等.電站凝汽器運行狀態監測智能決策系統研究[J].能源研究與信息,2007, 23(2):96-99.

[5] 陳林霄,王惠杰,楊新健.基于改進型BP神經網絡的火電機組初壓優化[J].節能,2013,32(11):53-56.

[6] 丁常富,王亮.基于交叉驗證法的BP神經網絡在汽輪機故障診斷中的應用[J].電力科學與工程,2008, 24(3):31-34.

[7] 侯煒,田沛,徐桂成,等. D-S證據理論在凝汽器故障診斷中的應用[J].電力科學與工程,2003，19(4):65-67.

[8] 張建華,侯國蓮,張巍,等. 一種基于模糊規則和遺傳算法的凝汽器故障診斷方法的研究[J].中國電機工程學報,2004,24(4):205-209.

[9] 孫曉剛,張建華,侯國蓮,等. 基于概率神經網絡的凝汽器故障診斷研究[J].現代電力,2005, 22(3):58-61.

[10] 于偉鋒,陳鴻偉.基于試驗和BP神經網絡的CFB鍋爐脫硫效率研究[J].電力科學與工程,2013, 29(8):50-56.

[11] 羅韶輝，高錦堯，張連濤.寧海電廠二期1000MW超超臨界機組啟停機優化[C].長三角電機、電力科技分論壇. 2011.

[12] 宮喚春.基于模糊支持向量機的凝汽器故障診斷[J]. 熱力發電, 2015(6):98-101.

[13] 張新海,雷勇.BP神經網絡在機械故障診斷中的應用[J]. 噪聲與振動控制. 2008，28(5): 95-97.

[14] AJAMI ALI, DANESHVAR MAHDI. Independent component analysis approach for fault diagnosis of condenser system in thermal power plant[J]. Journal of Central South University, 2014, 21(1):242-251.

[15] 高建強,馬亞,鐘錫鎮,等. 基于遺傳神經網絡的直接空冷凝汽器故障診斷研究[J]. 華北電力大學學報(自然科學版),2013,40(3):69-73.

[16] 王運民,吳艷,夏成銳,等. 火電廠小汽輪機排汽連接方式的改進與定量分析[J]. 電力科學與技術學報, 2015, 30(4):131-135.

[17] 向敏,何川,田力,等. 基于模糊神經網絡的配電網無線通信系統性能評估方法[J]. 電力科學與技術學報, 2016, 31(2):64-71.

作者簡介：羅 寧 (1994-)，男，碩士研究生，研究方向為電站設備故障診斷與狀態監測、壓縮空氣儲能技術等。

Research on Vacuum Fault Diagnosis of Condenserin Thermal Power Unit

LUO Ning, HE Qing

(School of Energy Power and Mechanical Engineering, North China Electric Power University, Beijing 102206, China )

According to the simulation machine to do condenser fault diagnosis.Choosing the appropriate fault judgment benchmarks to judge whether thevacuum of condenser failed. Firstly we established the Pc-M model to judge the vacuum value, and secondly the Pc-M model was used to judge the vacuum. When the threshold was 0.5%,the vacuum failure can be diagnosed. Finally the linear correlation method and the BP neural network method were used to diagnose the single fault condition and the multi-fault concurrency conditions. The final results showed that the BP neural network method was better than the linear correlation method and has obvious advantages both the speed and accuracy, and the same exact is accurate in the case of multiple failures.

condenser; fault diagnosis; vacuum target value; linear correlation; BP neural network(BPNN)

虞斌(1965-)，男，教授，主要從事高效傳熱傳質環保設備的研究。

10.3969/j.ISSN.1672-0792.2017.05.014

2017-03-16。

國家自然科學基金資助項目(51276059)。

TK264

A

1672-0792(2017)05-0070-09