基于振擺數據分析的水輪機狀態在線預警系統在五強溪電廠的應用

侯 凱

（湖南五凌電力科技有限公司，湖南省長沙市 410004）

0 引言

五強溪電廠機組狀態在線監測系統由傳感器、數據采集處理單元、上位機系統及相關網絡設備、軟件等組成。系統采用分層分布式結構，安裝在機組現地各部位的傳感器將物理信號轉化為電信號，傳送到各狀態監測子系統，經過各子系統采集并處理的數據統一存儲到狀態數據服務器，實現了對機組運行狀態數據采集、數據存儲以及初步數據統計分析的功能。機組狀態監測系統以對監測部位的報警閾值來衡量其機組的狀態穩定性，而無法對異常故障進行早期預警，更不能對機組故障進行有效地識別與檢修維護指導，系統的診斷分析功能也只是利用振動信號的頻率成分組成和頻率幅值相結合進行綜合分析，由于水電機組故障具有復雜性、隨機性、耦合性及頻譜結構存在相似性等特點，僅僅依賴振動信號頻譜信息進行診斷，常常出現誤診的現象，甚至會造成重大的損失[1]。整個系統存在監測點少、功能單一、缺乏系統性和綜合性等問題，妨礙了水電機組狀態信息由單一診斷向綜合診斷的轉變。

1 預警系統設計目的

目前，大多數水電機組已安裝了相當數量的在線監測系統，但未形成規范的運行、使用和維護辦法，對在線監測系統的應用重視程度不夠，采集到的數據缺乏專人進行深入分析和專業技術人員的技術支持。另外，由于在線監測系統生產、安裝調試廠家較多，系統維護又以制造廠家為主，服務及時性和有效性普遍較差，系統運行維護非常困難。水電設備的劣化、缺陷大多數都有一定的發展期，其電氣、水力、化學、機械等特性發生少量漸進的變化，出現前期征兆。如果對水電設備進行連續或隨機地檢測，及時獲取這些前期征兆信息，并進行綜合分析和處理，則可隨時評估設備的運行可靠性，并根據其健康狀況有計劃地安排停機檢查和維護。因此，一種以狀態檢測和故障診斷預警為基礎的檢修維護體系，即狀態檢修體系正日益得到重視和發展。在遵循現有的預防性維修體制下，積極采取狀態檢測和故障診斷預警技術，即可彌補定期預防性維修的不足，及時發現運行中水電設備的缺陷，避免故障，提高發電企業的安全經濟運行能力、電力系統的供電可靠性，同時又可降低預防性維修的盲目性，通過適當延長維修周期來降低生產成本，增加競爭力并獲得更大效益，同時也為將來過渡到預知性維修奠定基礎[2]。

2 基于振擺在線監測數據分析的健康指標

基于大數據挖掘技術的人工智能診斷主要針對尚未有明確診斷模式的故障（或尚且很少存在診斷經驗的故障），開發機器自學習功能，以海量歷史數據為基礎，以大數據分析方法與模型為核心，在專家知識庫[3]的指導下組態數據及設備運行工況，通過大數據挖掘總結設備正常運行時的參數區間形成健康樣本，當參數偏離正常運行區間、出現突變或長時間單向變化時即實現設備故障智能診斷。水電機組是一個復雜的水機電系統，其與振動相關的故障模式相當復雜。本文通過關聯工況構建基于大數據診斷模型，對于振動密切相關的機組工況基礎數據進行網格劃分，采用自學習策略，用三維曲面模型方式繪制機組在正常運行時機組振動擺度測點通頻值及各頻率成分的運行區間，或統計計算機組振動擺度測點通頻值及各頻率成分的隨機分布規律，當機組運行的（一個或多個）振動擺度測點值在某單一或一系列特定的網格下偏離該三維曲面模型，或出現單方向持續變化，或偏離先前統計的隨機分布時，給出預警信息，根據預警測點位置初步定位故障位置。

五強溪電廠水電機組振擺數據健康指標建設主要開發了關于主機健康狀態的故障指標及趨勢預警指標，能夠比較全面地反映主機系統的健康狀況，根據健康指標及趨勢預警的具體情況，可以指導電站運行維護人員及時發現機組隱患，協助檢修專家對機組進行定向檢修。特以發電機軸心指標為典型示例，具體如下：

此指標為發電機轉子中心線的實際回轉半徑。指標測值過大會造成上導擺度超標，在軸瓦溫度不超標的前提下，通過減小軸瓦間隙或對轉子進行配重，可以使該指標達到合適值，減小上導擺度。此指標計算需要用到上導X向擺度、上導Y向擺度、推力X向擺度、推力Y向擺度、水導X向擺度、水導Y向擺度測點的波形數據，將計算的發電機軸心指標值與設置的報警閾值進行比較，判斷機組健康狀態。

該指標具體計算過程如下：

（1）在中間量算法中，使用空間軸線算法（以三部導軸承處擺度及振動波形數據建立的立式機組空間模型）模板，計算出上導軸承處的擺度影響量。

（2）將第一步計算出來的擺度影響量作為三維的Z軸，用水頭和導葉開度作為X、Y軸，進入三維模型算法中進行收斂計算。

（3）將三維模型中收斂出來的擺度影響量進行圈點，選擇額定水頭附近、開度60%以上的特征信號進行提取，作為特征值輸出。

（4）對從三維模型中提取出來的特征信號進行報警判定后形成指標[4]。

此指標值超過報警值對應的故障缺陷有三種可能：上導軸承瓦間隙過大；轉子質量不平衡；轉子磁拉力不平衡。

3 基于振擺在線監測數據分析的健康指標算法

3.1 總體概況

算法服務器可對各種監測信號進行分析處理，算法引擎協助數據平臺完成數據的加工和處理，是數據平臺的“協助處理器”，用于在線加工計算各種特征量和指標量，是實現數據挖掘的核心部件[5]。

3.2 算法功能

算法平臺采用開放式平臺結構，用戶可自行對故障特征量組態，無需修改軟件源代碼，可用圖形或公式化邏輯語言，對信號進行各種計算，如加、減、乘、除、最大值、最小值、傅里葉變換等，形成用戶自己獨特的故障診斷指標。軟件采用模塊化式的設計，形成積木式可拼裝組態式的結構，同時有第三方友好鏈接，能與其他系統進行友好銜接，系統的可持續發展得到保證。用戶可根據實際需要，新增典型故障診斷指標模型，錄入知識庫，無需軟件的二次開發。主要功能如下：

（1）提供狀態在線預警算法，開發專業軟件平臺實現對振擺數據進行實時在線的趨勢分析及狀態評價，當設備狀態在線檢測參數發生顯著異常變化或超過預、報警閥值時，系統收集相應數據，發出預、報警信號信息到監控系統，及時提醒生產調度及集控值班員。

（2）設備狀態評價算法：能提供多種分析方法和手段，可進行歷史趨勢分析、橫向縱向對比分析、異常情況分析等，從多角度觀察數據發現影響數據的關鍵因素。有多種數據表現形式，可采用數據表格和圖形（曲線圖、柱狀圖等）相結合的表現形式，達到生動直觀的效果?？蛇M行水電設備運行狀況分析、設備缺陷分析等，實時分析相應檢測數據，并對水電設備異常狀態進行及時預警。合理組態已有振動、擺度及壓力測點的時、頻波形數據，計算診斷指標，且診斷指標與對應故障的關聯度要求定量化，典型故障的確定性亦通過診斷指標應量化。融合離線試驗數據，如金屬探傷、六件檢查結果，對故障模型進行修正。能及時、準確地對各種異常狀態或故障做出診斷，預防或消除故障，對設備運行進行指導，提高設備可靠性、安全性和有效性，保證設備運行在最佳狀態。

（3）劣化趨勢分析算法：積累歷史監測的在線和離線數據，提取劣化診斷指標，剔除噪聲干擾，并建立合適的故障樣本庫，組態分析機組振動、擺度、壓力脈動信號的頻域特征和時域特征作為診斷指標量，建立診斷指標量與故障類型的映射關系，通過動態的趨勢變化來診斷故障嚴重程度。

本研究存在的不足：（1）相關指標的最優截點值得選取不一，本研究采用ROC曲線兼顧敏感性和特異性來取截點值，其他方法獲取的截點值可能會對結果產生影響。（2）本研究屬于單中心回顧性研究，統計結果可能會出現選擇偏倚，故需多中心的前瞻性隨機對照研究進一步證實這些炎性指標在預測胃癌患者生存預后中的重要價值。

（4）故障診斷與分析決策算法：除依靠數據分析平臺上提供的信息及模型，系統還可以提供遠程專業團隊及專家團隊依靠信息化手段，發揮自身作用，為設備狀態掌控、生產管理提供支撐。

該平臺可將現有生產類信息系統中可提取的信息、在線監測數據、建立的模型分析結果提供給專家，并依靠專家的經驗及知識，對設備狀態進行分析評價，得到分析結論、提出應對策略，為生產管理提供支持。當設備發生復雜故障或在線自動診斷結果不能滿足設備診斷要求時，系統應提供人機交互診斷接口，通過廣域網發布診斷信息，為遠程的水電專家提供翔實的設備狀態數據和分析診斷報告，遠程專家可根據這些設備狀態數據并利用診斷知識庫中的知識與規則，與系統進行交互式診斷，做到充分結合水電設備管理領域專家的知識和經驗，實現遠程專家會診，得到更準確的診斷結果。

算法引擎基于windows系統部署，算法管理平臺同樣具備三級權限，最高權限具備算法增加、刪除、修改、啟動、停止等功能，二級權限具備修改、啟動、停止等功能，三級權限僅具有對算法的啟動、停止功能。用戶權限使用用戶名與密碼進行區分登陸。各種算法模塊對集成的各種監測參數進行在線算法加工和處理，形成各種中間計算量，故障指標、性能曲線或曲面等供應用程序展示和交互。

3.3 算法平臺搭建及使用

算法平臺分為四大部分，具體如下：

（1）中間量算法。中間量算法為作為最終指標量的第一步算法，可對點值數據進行整合及有效范圍篩選。

在算法服務器中Google瀏覽器地址欄輸入“localhost：9443”登錄中間量算法配置界面，在該界面上點擊算法管理“算法模板”，即可看到已經開發完成的算法模板，用戶只需點擊改模板后選擇新建算法即可，無需二次開發。

（3）指標算法為通過三維曲面提取出來的Z軸特征信號，包括特征值、偏差值及緩變率。

（4）指標報警。報警算法為可對該系統內任意值進行報警閾值設定，報警閾值來自國家標準、行業標準及電廠運行規程中的定值。

4 界面展示

該分析系統界面分為四大模塊及專業工具。由于篇幅有限，僅展示部分圖片。

4.1 主界面

在主界面上，可以一覽電站所有機組的整體健康狀況，若某項指標達到報警閾值，則可直觀的在界面的相應模塊上反應，如圖1所示。

4.2 運行監視界面

在運行監視模塊中，可以查看到機組的實時運行狀況。進入該模塊后，可看到機組的實時狀況。若要查看某項監測量的詳細信息，可點擊該監測量名稱，即進入到其詳細信息界面。若水導擺度監測量，該量集成了水導X向擺度和水導Y向擺度，若其中一只擺度值報警，則該水導擺度量同樣也會發出報警信息。

4.3 健康指標界面

在健康指標模塊中，可以從大數據角度分析機組各個部件的健康狀況。將主機分為軸系、轉子、定子、上導軸承、推力軸承、水導軸承及過流部件等7個部件，每個部件提取能夠反映其健康狀況的特征信號，通過該部件指標，可一目了然地看到該部件的狀況。在該界面上可進入某一項指標的詳細信息界面，可查看該指標的歷史趨勢，分析其歷史狀況，檢查其狀況是否發生變化。

圖1 主界面Figure 1 main interface

4.4 趨勢預警界面

在趨勢預警模塊中，算法根據積累的歷史檢測數據，提取劣化診斷指標，提出噪聲干擾后建立合適的故障樣本庫，并根據歷史數據進行狀態預警。在該界面上可進入某一項指標的詳細信息界面，可查看該預警指標的變化趨勢，分析故障是否存在擴大趨勢。

4.5 運轉特性界面

在運轉特性模塊中，可選擇查看某一特定運轉特性。在運轉特性主界面上，列出了機組功率特性、定子繞組溫度特性、水導擺度特性、定子鐵芯溫度特性，如圖2所示。在左上角可選擇查看其余特性模型。在此特性模型上，可分析在不同工況條件下機組的振擺趨勢。

5 結束語

本文在深入分析水輪發電機組故障類型的基礎上，在數據平臺的基礎上開發算法平臺，針對五強溪電廠機組運行特點，利用大數據算法工具，通過理論分析建立故障的機理模型，對水輪機組振擺在線監測的大量歷史數據進行頻譜分析，挖掘出有價值的特征“指標”，將提取到的特征信號值與相同水頭及負荷工況下的歷史值或預測值進行偏差計算，根據偏差值的變化趨勢，提前發現潛在故障，指導機組安全穩定運行。此研究項目實施后，在背景量采集、軟件系統的分析功能、系統的穩定性上仍存在少許不足。但隨著對機組數據的持續分析，系統的不斷完善，管理制度的約束等，功能會越來越強大，對于水電設備的檢修方式也會上一個新的高度。

圖2 運轉特性界面Figure 2 Operating characteristics interface