輔助系統設備狀態監測算法及數據分析模型框架構建的關鍵技術分析

高 菘 姚明亮 羅 勇 李德華 張 勇

（南方電網調峰調頻發電有限公司 西部檢修試驗分公司，貴州 興義 562400）

輔助設備是水電站正常運行的重要組成部分，但其在日常應用的過程中始終面臨著一定的不利因素，所以應當積極強化對于在線監測系統的應用，以便于更好地實現對于輔助系統設備狀態的監測工作，進而針對性地采取相應的解決措施，為水電站各類輔助系統設備的高質量運行創造良好的條件。

1 目前設備狀態監測及故障預警若干關鍵技術

1.1 揭示設備運行狀態機械動態特性劣化演變規律

設備在運行中是由非故障狀態向故障運行狀態發生轉化的，且各設備的機械動態特性基本也都存在發展演變的流程。應該分析出設備劣化的具體流程和實際故障變化演化的規律，以及在發展過程中體現出來的主要特點，另要對故障生成的機理、形成原因、具體的發展模式進行研究，建構起劣化演變機械動態特性模型。

1.2 提取設備運行狀態發展趨勢特征

對于在役設備來說，其在運行過程中狀態一般比較復雜，而歷經較長歷程的運行之后，會因為工況及負載等一些非故障因素引起信號能量發生變化，此時非故障變化信息會將故障趨勢信息淹沒，這種情況下就應該及時消除因非故障變化導致的冗余信息，繼而建構起預測模型。一旦提取到敏感特征分量因子或模式，則有概率可以分析典型部件或部位。

1.3 低信噪比微弱信號特征早期故障的信號處理

故障在發生早期階段會表現出比較顯著的低信噪比微弱信號的特點，為了能夠盡早對早期故障做有效分析，具體涉及到的方法有：非平穩及非線性信號處理，噪聲規律和特點分析，信息融合與多傳感系統檢測，故障征兆量與損傷征兆量信號分析，有關數據挖掘和粗糙集、盲源分離等方法。

1.4 故障預測模型構建

建構起的基于智能信息系統的設備早期故障預測模型通常可以分為兩個途徑，即數據信息預測模型與物理信息預測模型，或者也可以建構起此二者互相融合的預測模型。

1.5 運行狀態劣化的相關評價參數、模式及準則

比如闡述設備狀態下不斷發展的參數和特征模式，以及狀態發展評價準則或條件，還包括基于安全可靠的決策理論方法的穩定性以及可靠性、維修性的評估和評判依據等。

2 輔助系統設備狀態監測分析技術和算法簡析

隨著工業生產自動化程度的提升，其工業生產過程中依然陸續呈現出一系列無法量化或決策者不知道的彈性因素，而這些彈性因素也埋下了一系列決策和生產管控工作環節的隱患。時下相較而言更成熟的工業大數據分析技術基本就是要供給一種透明的工具及解決方案，且該方案具備拆解及量化其彈性因素的功效，繼而能夠站在客觀角度有針對性地對于其生產過程及設備運行狀況、可用性實施透明化管理，并且保證管理者能夠對決策“知情”。

運用已有的數據可以完成故障預警及預測分析工作環節，而充分運用好各種推理技術來預測設備的健康狀態，其間采取的核心故障預測算法為“基于模型的故障預測技術”、“基于統計可靠性的故障預測技術”以及“基于數據驅動的故障預測技術”三中技術類型。

1.所謂“基于模型的預測算法”，它是受到復雜的動態系統和精確的數學模型較難建立的條件限制的，且此間會很大限度上對其實際應用效果產生限制。

2.所謂“基于數據驅動的預測算法”，這種計算方法很有可能是因為多重故障因素所致，因此想要確定究竟選用哪一種預測模型及機理模型往往存在一定難度。這種技術是以采集來的數據為基礎，借助各種數據處理方法來深挖隱含信息予以預測的一種技術手段，因此它也是一種實用性較強的預測故障的方法。

3.所謂“基于概率統計的預測方法”，此方法當中既包含了時間序列預測法，又包含了回歸預測法等，對于前者來說，短期的預測效果較好，但后者則對樣本的數量需求較高[1]。

3 輔助系統設備狀態監測算法及數據分析模型框架構建中的關鍵技術——機器學習技術

現如今，我國的水電站中實現了對于各種在線監測以及計算機監控系統的應用，能夠助力對于各種類型監測數據的廣泛采集，用戶往往在面對海量監測信息資源的時候，難以實現對于其所需要數據的精確獲取。通常情況下，用戶并不能更為精細準確地對信息的實際需求進行表達，結合實際情況來看，其根本原因在于表達工具的欠缺。此外，即便是人們能夠將自己的需求表達出來，但若是沒有更為全面科學地進行信息處理，并采用更加有效的檢測分析方法，便會在一定程度上制約人們對其的形象化表達以及充分消化，這樣一來便會為設備檢測工作的高質量開展造成一定的阻礙。但在設備狀態監測中，強化對于機器學習技術的應用，便能夠將設備所具有的更加真實的狀態展現出來，以保障其能夠同用戶日常設備監測以及使用習慣相適應，通過對于機器學習技術的應用，能夠有效幫助用戶對設備健康狀態展開分析工作，進而實現對于當下設備在應用過程中存在的風險和異常的精準識別并進行告警。與此同時，其還可以結合其實際的狀態評價結果，更為科學、智能化地對最優化的檢修策略進行選用。

近些年，我國現代化科學技術發展水平飛速提升，積極開展對于電力信息化平臺的開發和利用工作，能夠幫助工作人員對各種運行設備的實際狀態以及工況信息進行全面獲取，結合大數據本身的內在規律，能夠明確設備狀態演變的整體發展趨勢，并對其中所存在的內在關聯產生更為深層次的了解，以便于在機器學習技術的基礎上，構建起相應的輔助系統設備狀態監測算法和相應的數據分析模型框架。這樣一來便能夠為水電站各種輔助設備的安全平穩運行創造良好的條件，幫助相關工作人員更好地開展設備檢修等工作。

4 基于機器學習技術的水電站輔助設備系統狀態監測算法及數據分析模型框架

4.1 輔助系統設備

4.1.1 油系統

在水電站中，油系統是至關重要的組成部分，油系統的構成包括斷路器和電力變壓器的絕緣油系統，以及供給水輪發電機組的液壓操作油系統和潤滑油系統。液壓操作油系統和潤滑油系統主要是在發電廠房中進行設置，包括變壓器等的絕緣油系統，主要是結合主變壓器安裝的具體位置，在廠房或者是變電站的附近進行設置。

4.1.2 壓縮空氣系統

對于壓縮空氣系統來說，其主要是由兩個系統所構成，其中高壓系統將會向油壓裝置各空氣斷路器以及油壓裝置提供相應的操作和滅弧氣壓以及蓄能氣壓。在實際應用的過程中，低壓系統可以有效實現機組停機制動。壓縮空氣系統可以向廠房中的風動工具提供相應的動力，在面對寒冷地區的時候，就能夠給進水口攔污閘門進行吹氣，以達到良好的防凍效果，與此同時，還能夠為開關站啟動隔離開關以及少油開關進行操作氣壓的提供。

4.1.3 供水系統

供水系統的覆蓋范圍為深井水泵、空氣壓縮機、主變壓器以及供給水輪發電機組等設備運行過程中所需要的潤滑水以及冷卻水，同時，還包含著水電站整體所涉及到的生活用水和消防用水等等。當面臨汛期的時候，其水源有著相對較大的含沙量，所以還應當確保其有著相應的備用水源[2]。

4.1.4 排水系統

排水系統的主要功能便是將廠房、大壩以及水輪機頂蓋處存在的滲漏水有效排除，同時，還要排除在水輪機水下部分檢修工作開展過程中所存在的尾水管中的積水等。一般來說都是通過對于排水管和排水廊道的應用，使其流到集水井當中，與此同時，還要在應用深井水泵的基礎上，將其向尾水渠中排除。

4.2 設備故障診斷模型

4.2.1 淺層結構的機器學習模型

對于以往淺層機器學習模型來說，其主要是采用人工神經網絡以及支持向量機兩種模型，筆者在此處主要針對支持向量機進行分析。從本質上來看，支持向量機屬于一種二分類模型，其基本模式是特征空間間隔上最大的線性分類器。當處在線性不可分狀況下的時候，SVM 將會基于非線性變化，使得輸入空間向高維特征空間進行轉化，并在這一個全新的空間中對最優線性分類面進行求解。從實際情況來看，SVM 僅僅可以進行二分類，但水電站輔助系統設備的故障診斷以及狀態監測本身屬于一個多分類的問題，所以需要對多個SVM 進行分別建立，接下來便可以擴展為一個多分類器。

結合當前的具體情況進行分析，現如今，所采用的擴展策略包括決策導向無環圖、決策樹、一對一以及一對多等。假設在訓練樣本中涉及到K 類故障狀態，應當對個二分類的SVM 進行構造工作，而每一個SVM都會分別將一類故障樣本看成是正樣本。而其他的樣本都屬于是負樣本展開相應的訓練。在應用SVM 的時候有著較高的優勢，具體指的是，其能夠基于最小化結構風險展開模型參數訓練，而其在理論方面有著較高的嚴謹度，可以在原有的基礎上促進模型可解釋性的提升。與此同時，其診斷模型能夠更好地獲得全局最優解，有助于從根本上保障其良好的診斷準確度。但在應用SVM 方法的時候，其還存在一定的不足，具體在于其分類性能將會對核函數的優化選擇造成阻礙，若是其所選擇的核函數不合適，便會在極大程度上降低其分類性能。除此以外，在SVM 中難以實現對于傳感器所采集的時序數據的科學應用，而其中部分特征值所存在的時序變化對于故障分類有著重要意義[3]。

4.2.2 基于深度神經網絡的方法

當前，在圖像識別以及自然語言處理方面，深度神經網絡的應用得到了長足的發展，與此同時，在設備狀態監測以及故障智能診斷中，也實現了對于深度神經網絡的廣泛應用。從目前來看，神經網絡主要包含殘差網絡、深度卷積神經網絡、深度信念網絡以及堆疊自編碼器等等，筆者在本文中主要是針對其中比較經典的模型進行分析。基于SAE 的故障診斷模型結構圖（如圖1 所示），其一般涉及到諸多個自編碼器，其中每一個自編碼器形成的隱向量都可以作為下一個自編碼器的輸入，而最后的自編碼器的隱向量將會向一個softmax 分類器中輸入并進行分類。

圖1 基于SAE 的故障診斷模型結構圖

在最小化分類誤差的基礎上，對模型參數進行優化，從實際情況來看，深度卷積神經網絡本身便是一種局部連接以及權重共享的深度前饋神經網絡，其結構主要由若干池化層以及干卷積層所組成，最后再使用一個softmax 函數開展相應的故障分類工作。

5 結論

綜上所述，強化對于機器學習算法的應用，能夠有效提升在線監測系統應用的實效性，可以幫助工作人員更好地實現對于水電站輔助設備的高質量檢測，這對于水電站整體的持續平穩運行有著積極的促進作用。因此，相關研究人員應加強對于機器算法技術應用的重視，進而保障在線檢測系統的有效應用。