基于多變量狀態估計的磨煤機一次風量故障預警仿真

常永亮

(京能秦皇島熱電有限公司，河北秦皇島066300)

0 引言

火電機組熱工一次風量測點在磨煤機系統運行過程中起到重要的調節作用，影響磨煤機一次風量的2個調門分別是熱風調節門和冷風調節門，熱風調節門主要調節磨煤機入口一次風量，冷風調節門主要調節磨煤機出口風溫。因此，一次風量測點的準確與否直接影響鍋爐的燃燒以及磨煤機的安全運行。據統計，河北某熱電機組熱工專業1個月內發生6次磨煤機一次風量測點堵塞缺陷，根據此缺陷，熱工專業已將磨煤機一次風量測點反吹掃工作作為定期工作執行。基于此，磨煤機一次風量在線故障預警研究具有十分重要的研究意義。

目前，故障預警系統主要有基于機理模型的故障預警系統[1]和基于數據驅動模型的故障預警系統。發電機組由于工況變化復雜，被控對象受外界影響大，系統之間相互耦合導致機理建模的模型不能十分準確地匹配現場實際情況。隨著智能控制的不斷成熟，基于現場數據建模的故障預警系統逐漸得到應用，并在一定程度上優于機理建模方法。

現有的火電機組分散控制系統DCS（distributed control system）功能十分完善，擁有詳細的故障預警功能，但是火電機組中各個測點之間都是相互耦合、相互關聯的，而DCS本身自帶的故障報警功能都是基于單點上下限的報警模式，缺乏多變量的數據融合報警功能?；谏舷孪薜膱缶Ｊ酵荒芗皶r發現故障，提前處理。基于此，本文采用多變量相互融合的故障預警模型進行磨煤機一次風量故障預警研究，采用多變量狀態估計MSET（multivariate state estimation techniques）的方法對磨煤機一次風量進行建模，進行故障預警。

1 多變量狀態估計

多變量狀態估計算法最初是應用于檢測核電機組傳感器、設備以及機組運行參數劣化的非參數、非機理的建模方法。近年來，隨著風電機組裝機容量不斷擴大，參考文獻[2—5]的作者將該算法逐漸應用在風電機組齒輪箱的故障預警研究應用中。MSET算法采用觀測向量來組成該算法的估計矩陣，該估計矩陣盡量包含了機組全部的運行工況。在火電機組、風電機組、核電機組中，任何一輔機或者主機的監測參數都是相互關聯、相互耦合的，基于此，多變量狀態估計算法將這些主要的監測變量組成向量的形式來作為估計矩陣中的其中某一工況點?；谝陨显恚烙嬀仃噹缀醢四骋辉O備、某一系統、某一機組的所有工況點。MSET采用相似度函數來檢測目前采集到的觀測向量是不是在估計矩陣中的某一工況點，當相似度很低時說明某一設備、某一系統、某個機組正處在故障邊緣，此時需要提醒運行或者熱控人員開始排查設備、系統、機組的潛在故障點。相比于DCS上下限的故障報警模式，該方法不但能夠實時監測設備、系統、機組的運行狀態，還能夠將各個監測變量融合到一起提前發現設備的劣化趨勢。MSET的詳細數學推導公如下，其中估計矩陣記為D，估計矩陣中的任何一列代表狀態向量。某一時刻新觀測到的狀態向量代表觀測向量，記為Xobs，則

其中，n為觀測向量變量個數；i為采樣時刻。估計矩陣總的狀態向量個數記作m，所以多變量狀態估計矩陣維數為n×m，估計矩陣記為

多變量狀態估計模型將觀測向量Xobs與估計矩陣D中的狀態向量進行對比，然后計算出估計向量Xest，估計向量Xest為估計矩陣D與權值向量W的積，記為

其中，權值向量W通過最小化殘差方差ε來進行計算求出，ε＝Xest－Xobs，在保證殘差方差最小的情況下求出權值向量W，則

基于以上計算原理，可以得知觀測向量與估計向量之間的殘差就可以代表當前磨煤機一次風量系統是否存在故障，此時數值是否準確。對于兩個狀態向量之間的殘差大小，本文采用式（7）進行計算。

當數值S越大，則當前設備出現故障的概率越大。為了保證故障預警精度更好，更貼近現場實際情況，針對模型預警殘差進行滑動窗口平滑處理，保證預警更為有效，從一定程度上避免了該模型出現誤報現象。假設多變量狀態預警模型預測殘差點為n個，則計算n個殘差點的平均值代表此時故障預警殘差值，然后按照滑動窗口大小為n的窗口依次移動一個點，同理下一時刻的殘差點則為移動后的n個殘差的平均值，其原理如圖1所示。

圖1 滑動窗口原理圖

本文采用MATLAB軟件進行仿真實驗。估計矩陣的主要數據來源由機組正常運行過程中機組各個運行工況點的數據組成，該數據從DCS歷史數據中導出使用。

2 磨煤機一次風量測量裝置

本文研究對象為河北某電廠正壓直吹式磨煤機一次風量，該機組為超臨界35萬kW熱電聯產機組，單臺機組配置5臺正壓直吹式磨煤機。一次風量測量裝置采用差壓式原理進行測量，每臺磨煤機一次風量測點配置3個獨立的取樣裝置，經過流量計算書得出一次風流量。其中，3個一次風流量取樣后作為磨煤機熱一次風調節門的被調節對象，其準確度直接影響風煤比、機組燃燒、磨煤機安全運行等。在該機組中經常發生一次風量測量裝置取樣管積灰現象，致使風量波動較大，經常導致磨煤機熱一次風調門由自動狀態切換至手動狀態。

3 預警模型建立

建立磨煤機一次風量故障預警模型，首先選取建模變量。在選取建模變量前通過機理分析需要的相關建模變量。為了能夠全面準確地表征磨煤機一次風量，建模變量的選取需要考慮從一次風機入口到磨煤機出口的整個工藝流程，選取典型的代表變量進行建模分析[7]?，F選取主要相關變量為：11號磨煤機一次風機電流IA、11號磨煤機一次風機變頻器頻率HA、12號磨煤機一次風機電流IB、12號磨煤機一次風機變頻器頻率HB、11號磨煤機電流IM、11號給煤機瞬時煤量F、11號磨煤機冷一次風調門開度FB1、11號磨煤機熱一次風調門開度FB2、11號磨煤機進出口一次風差壓DP1、進口一次風溫度T1，11號磨煤機一次風量CF。其中1號機組11、12號磨煤機一次風機為變頻調節，事故工況下切換至工頻方式，配合一次風機入口電動調節擋板調節一次風母管壓力。磨煤機一次風量故障預警模型能否準確地進行判斷，關鍵在于估計矩陣中數據的選取。本文仿真所用數據均來自于DCS歷史數據，所以不需要再次進行濾波等數據處理。由于不同變量之間的量綱均不同，為了保證模型預測更為準確，本文對所有數據進行歸一化處理，刪除量綱對估計模型計算的影響，歸一化區間為[0 1]，本文采用MATLAB中自帶函數Mapminmax進行數據歸一化處理[8]。為了保證估計矩陣中數據能夠覆蓋機組所有運行工況且數據量盡可能小的情況以保證計算迅速和節省電腦內存使用率，參考文獻[9]中基于相似度的方法來動態更新估計矩陣數據，從而保證模型計算既準確又運算速度快?；谙嗨贫确椒ㄟM行數據篩選的基本思想是在假設機組所有運行工況正常的情況下，利用相似度函數計算2個狀態向量之間的相似程度。針對相似度很高的2組狀態向量只保留其中1個狀態向量，這樣既保證了工況點比較全面又保證了狀態向量之間沒有冗余情況。相似度公式為

其中，Rij代表2個狀態向量的相似度大小，xi代表第i個狀態向量，xj代表第j個狀態向量，δ代表相似度函數歸一化參數，||||則代表矩陣的2個范數。

基于相似度數據選取的原則為：Rij≤ε，保留兩組狀態向量，其中ε為兩組狀態向量的相似度；Rij＞ε，刪除其中一組狀態向量。參數δ的計算公式為

其中，Di為第i個參數的數值，m為變量個數。

4 故障預警模型仿真

本次仿真數據從DCS歷史站中導出某天24 h變量的歷史數據，該數據段包含了機組整個負荷變化范圍，機組負荷變化范圍在175～350 MW之間，幾乎涵蓋了該機組全部正常運行范圍，以這段數據進行仿真驗證。其中估計矩陣數據使用以上24 h數據建立模型，隨機截取其中50個向量作為觀測向量進行仿真驗證。為了檢驗該模型能夠準確識別觀測向量中的異類向量，本文采用在以上50個正常觀測向量中的11號磨煤機一次風量上逐漸添加偏移量來檢測該模型的有效性。首先檢驗該模型檢測正常的50個觀測向量的仿真，然后通過觀察估計向量與觀測向量的殘差檢驗該模型的有效性，其殘差曲線如圖2所示，擬合對比曲線如圖3所示。

圖2 檢驗正常觀測向量殘差曲線

圖3 檢驗正常觀測向量擬合對比曲線

在正常觀測向量中的一次風流量變量上逐步添加步距為0.05的誤差，再次對MSET故障預警模型檢測故障的有效性進行仿真實驗，然后根據仿真實驗和現場實際情況確定報警閥限值。

5 結論

通過以上仿真可以得知基于多變量狀態估計的磨煤機一次風量系統故障預警模型能夠及時判斷該系統當前的健康狀況，能夠根據趨勢及時判斷和發現該系統當前存在的安全隱患，相比于DCS越線的報警模式能夠提前進行故障預判，并且能夠有效地融合其他相關變量進行綜合預警，基于此可知，該模型在磨煤機一次風量故障預警上是有效的。