基于參數相關性分析的火電設備故障診斷方法

羅嬋純

(大唐華銀攸縣能源有限公司， 湖南株洲 412307)

現代化工業(yè)技術的迅速發(fā)展下，火電設備不斷走向大型化、集成化和自動化?；痣娫O備的安全穩(wěn)定運行，不僅直接關系到火電廠正常的發(fā)電生產，也會間接影響到電網的安全穩(wěn)定運行。因此，火電重要設備一旦發(fā)生故障，造成的影響將十分巨大。為避免電力生產事故的發(fā)生，加強火電設備故障特征狀態(tài)的早期識別顯得尤為重要。設備在運行過程中，如果某個部件或零件出現了故障，相應的設備參數就會發(fā)生某些變化[1]。一個故障的發(fā)生，往往不僅僅只關系到某一個參數的變化，不同的故障模式下，相應參數的變化也各不相同，因此通過有效的分析方法實現對故障特殊參數的提取，是設備故障診斷過程中的重要環(huán)節(jié)。筆者主要運用數據相關性分析方法，對火電廠一次風機監(jiān)測參數的歷史數據進行分析，先對正常運行狀態(tài)下的數據進行相關性分析。當設備異常或設備發(fā)生故障時，參數間相關關系將會發(fā)生改變[2]。因此，可根據正常與故障時參數相關性變化情況來發(fā)現和定位故障，為設備故障診斷提供依據。

1 相關性分析方法

相關性分析定義為對兩個或多個具備相關性的變量元素進行分析，從而衡量兩個變量因素的相關密切程度。

1.1 Pearson相關系數

Pearson相關系數是研究兩變量間相關性時最常用的方法，它需滿足以下兩個條件[3]：

(1) 必須假設數據是成對地從正態(tài)分布中取得的。

(2) 數據至少在邏輯范圍內是等距的。

假設有兩個變量X、Y，其Pearson相關系數求解公式如下：

(1)

式中：cov表示協方差；σ表示標準差；E表示期望；μX、μY分別表示X、Y的平均值。

1.2 Spearman相關系數

如果兩個變量不滿足Pearson相關分析的兩個條件，可以采用Spearman相關系數來代替。

將變量X、Y分別按從小到大的秩次排序，重復的數據取它們次序的平均值，Spearman相關系數的計算公式如下：

(2)

式中：Ri、Qi分別是X、Y的秩次。

1.3 偏相關系數

在多變量情況下，兩變量間的相關性往往容易受到其他變量的影響，為了得到它們之間真正的相關程度，可采用偏相關分析。

分析多個變量集合[X1，X2，…，Xk]中任意兩變量之間的偏相關關系時，其計算是一個迭代的求解過程。

(3)

(4)

(5)

式中：r12.34…k為變量X1、X2在消除其他變量X3,…,Xk影響后的偏相關系數；rij為Xi和Xj之間的Pearson相關系數。

2 一次風機參數的相關性分析

一次風機是火電廠重要的輔助設備，主要為鍋爐提供一次風，用來輸送和干燥煤粉，并供給燃料燃燒初期所需的空氣。為確保一次風機的正常穩(wěn)定運行，機體主要安裝了出力、振動、溫度等類型的測點，具體分布見圖1。

圖1 一次風機測點安裝分布圖

選取一個月的一次風機正常運行歷史數據(約1 000條)作為數據分析樣本，見表1。

表1 一次風機主要測點

從表1可以發(fā)現：測點之間數量級有較大差異，不利于尋找各變量之間的關系。為了消除量綱影響，采用標準化方法對數據進行處理，該方法可以真實反映一個數據距離平均數的相對標準距離[3]。

(6)

i=1,2,…,n,j=1,2,…,m

對一次風量任意兩個變量間進行Pearson相關分析、Spearman相關分析和偏相關分析，得到相關系數分別見表2、表3和表4。由表2～表4可以看出：任意兩個參量間Pearson相關系數和Spearman相關系數比較接近，而偏相關系數普遍較Pearson相關系數和Spearman相關系數要低。

表2 Pearson相關系數

表3 Spearman相關系數

表4 偏相關系數

X4和X5(軸振1、軸振2)的相關系數均為1，說明兩者存在很強的正相關性,即在同一剛性轉子的振動耦合性強。同時，X6、X7和X8(風機側軸溫與電動機側軸溫)、X9和X10(線圈溫度1和線圈溫度2)的Pearson相關系數和Spearman相關系數均大于0.7，但偏相關系數卻在[-0.15，0.15]，這主要是因為偏相關系數排除了其他變量的影響，反映出兩兩測點的凈相關性，更能表示兩個變量之間的本質聯系。因此，對火電設備參數間進行相關性分析時，偏相關分析更能反映兩兩變量之間的相關性關系，所以筆者在后續(xù)設備故障診斷分析過程中選擇偏相關分析方法。

在計算變量間的偏相關系數后，可以對變量間是否存在顯著的凈相關進行推斷[4]：

(1) 提出原假設，即兩總體的偏相關系數與零無顯著差異。

(2) 選擇檢驗統計量。偏相關分析的檢驗統計量為t統計量，其數學定義為：

(7)

式中：r為偏相關系數；n為樣本數；q為階數。統計量服從n-q-2個自由度的t分布。當t分布的自由度很大的時候，t分布近似為標準正態(tài)分布，這里因為n很大，所以將統計量t視為服從標準正態(tài)分布。

(3) 計算檢驗統計量的觀測值或對應的概率p。

(4) 決策。如果檢驗統計量的概率p小于給定的顯著性水平α時，則應拒絕原假設，參數間存在顯著相關性(取值1或-1)；反之，則不能拒絕原假設。驗證結果見表5。

表5 相關性顯著性驗證

3 一次風機故障特征提取方法

通過表3的相關顯著性驗證發(fā)現了一次風機在正常運行時有如下相關性規(guī)律：

(1) 環(huán)境參數入口風溫與溫度類測點存在明顯的正相關關系，即入口風溫的增加的同時設備各溫度測點也在增加。

(2) 電流與風量存在正相關關系。電流增加表示電動機負荷增加，負荷增加必會帶來風量的增加。

(3) 同一部位的振動測點與軸溫測點無明顯的相關關系。

(4) 風機軸溫與電動機軸溫無明顯相關關系。

當設備出現故障或者異常時，其參數間相關關系也會發(fā)生變化，可以通過正常運行時各參數之間的相關系數與異常時的相關系數對比發(fā)現故障特征參量，定位設備故障。

表6為一次風機異常狀態(tài)下的相關性驗證矩陣，陰影區(qū)域表示與正常運行時相關性顯著驗證矩陣存在不同。

表6 設備異常狀態(tài)下的相關性顯著性驗證

通過分析，發(fā)現入口風溫對風機側軸溫的相關關系發(fā)生了變化，由正常時的顯著性相關變成了不相關，即表示軸溫上升并不受環(huán)境入口風溫的影響，同時振動測點與軸溫測點出現了顯著性相關，由此可以定位設備異?？赡軄碜杂谳S承座及輔助的潤滑冷卻系統，通過現場檢查，發(fā)現潤滑油品質變差，引起軸承潤滑不良，導致振動加大且軸溫升高。

表7為一次風機參數間相關性變化時可能存在的設備故障。

表7 參數相關性變化可能引發(fā)的故障列表

在運用相關性分析過程中，可提取設備正常運行數據進行參數間相關的訓練學習，通過與計算機實時監(jiān)測系統相結合，建立設備故障相關關系特征故障庫，實時計算參量之間的相關關系，當參數之間的相關關系發(fā)生變化時匹配特征故障庫，可以快速定位查找故障。

4 結語

(1) 相關分析方法中的偏相關分析相對Pearson相關分析和Spearman相關分析，剔除了其他參量對分析參量的影響，展現兩兩參量之間的凈相關關系，能夠更加清晰地用于設備故障分析和診斷。

(2) 通過參量間的顯著性假設檢驗，可以確定參量之間的相關關系。在設備運行過程中，參量間相關關系較正常運行時發(fā)生了顯著性變化，則反映設備可能存在的故障和異常，從而可以定位設備故障，為設備故障診斷提供依據。