基于PCA-KNN的給水泵振動預警方法研究

吳 昕 陳 侃 謝昌亞 劉雙白 梅 隆 王文歲

（1.國網冀北電力有限公司電力科學研究院（華北電力科學研究院有限責任公司）；2.北京京能未來燃氣熱電有限公司；3.陜西德源府谷能源有限公司）

給水泵作為火電機組重要的輔機設備，其工作狀態直接決定機組的安全穩定運行。 對于設計多臺給水泵的機組，單臺給水泵故障跳閘將觸發機組RB （快速減負荷）， 直接影響機組帶負荷能力；采用100%容量汽動給水泵機組，給水泵跳閘將直接導致機組非停。 振動是評價給水泵運行狀況的重要指標，也是設備運行狀態的重要監視參數，如何準確、高效地實現給水泵振動參數預警，對維持機組安全穩定運行具有現實的工程意義［1～3］。

目前，采用基于數據分析的設備狀態監測和預警方法主要有主成分分析、核主成分分析、K近鄰算法、相似性建模、神經網絡及支持向量機等。張金萍和白廣彬基于主成分分析方法成功約簡高維故障樣本特征［4］；付文龍等提出了一種模糊K近鄰支持向量數據描述方法， 并將模型用于某水電廠機組振動故障診斷，取得了較高的診斷精度［5］；黃葆華等結合了相似性建模與模糊概率有向圖方法的優點，提出了一種設備故障監測診斷方法， 并成功應用在某600 MW機組高壓加熱器故障預警中［6］；韓平等基于最小二乘支持向量機研究分析了一次風機的振動狀態估計和故障預警，其研究結果表明，該方法有較高的估計精度，能夠及時辨別一次風機在運行中的振動異常［7］。

筆者結合了主成分分析和K鄰近算法的優點，基于某燃氣-蒸汽聯合循環機組高壓給水泵，研究論證了一種準確、高效的給水泵振動預警方法。

1 主成分分析

隨著傳感器技術的發展，輔機設備的監視參數逐步完善， 數據直接上傳至DCS （分散控制系統）供工作人員監視設備運行狀態。 對于給水泵、引風機及磨煤機等重要輔機設備，其相關運行參數眾多， 在非物理建模和無先驗經驗的條件下，若直接采用全部相關參數進行設備的狀態預測，將會產生較大的計算量。 考慮到電站設備運行期間，監測參數存在高共線性情況，因而可采用主成分分析，將高維數據降維處理后，再進行數據分析。

PCA是一種經典的特征提取方法［8］，該方法將一系列可能相關聯的高維變量減少為一系列低維度線性不相關合成變量，同時，這些低維度數據將會盡可能多地保存原始數據的方差。 經過降維的特征向量排除原始各向量間的共線性對預測算法精度的影響，同時也改善在數據樣本較少但數據維度很高情況下的算法精度［9］。 PCA降維的主要步驟如下［10］：

a. 計算樣本數據集X中樣本的均值向量μ，

2 K近鄰算法

KNN是一種惰性學習模型，會對訓練數據集進行少量的處理或者完全不處理。 KNN也是一種非參數模型，幾乎可以進行即刻預測，但是需要付出大量的計算代價。 當具備龐大訓練數據集，同時對響應變量和解釋變量的關系所知甚少時，采用KNN模型將會非常有效。 KNN模型只基于一個假設，即互相接近的實例擁有類似的相應變量值。

KNN算法步驟如下：

a. 構建訓練樣本集T；

b. 設定近鄰樣本參數k的初始值；

d. 采用上述歐式距離計算方法，尋找與待測樣本x距離最近的k個樣本集，V={x1，x2，…，xk}；

e. 基于上述得到的近鄰樣本，采用某種投票機制進行待測樣本的預測。

3 PCA-KNN仿真實例

3.1 數據采集

筆者以某燃氣-蒸汽聯合循環機組高壓給水泵為研究對象，選取與該高壓給水泵運行狀態相關的30個特征參數（汽機負荷、給水泵轉速、給水流量、泵出口壓力、電機電流及液偶執行機構位置反饋等），擬對該給水泵非驅動端x方向、y方向振動參數和驅動端x方向、y方向振動參數進行預測，部分參數列于表1。

表1 高壓給水泵運行狀態部分特征參數

選取給水泵7日內的特征參數， 每隔1 s記錄一次。 采用越限判斷等手段對原始數據進行清洗，刨除給水泵啟停期間運行參數后，每隔60 s提取一組特征參數，最終得到7 459組有效數據。

3.2 KNN算法仿真

對上述30個給水泵運行特征進行歸一化處理，直接采用KNN算法預測振動參數，通過計算均方誤差衡量該模型的預測性能。 設計訓練數據集為75%，測試數據集為25%，采用10次隨機訓練計算均方誤差均值， 尋找最佳鄰近樣本參數k。 圖1為均方誤差隨k值的變化趨勢圖。 從圖1可知，隨著k值的增大，訓練樣本的均方誤差逐步增大，基于該數據，筆者選擇k值為3。

圖1 均方誤差隨k值的變化趨勢

選取末1/5樣本測試， 進行4組振動參數的預測。 由于4組振動參數偏差規律基本一致，僅選取給水泵非驅動端x方向振動實測值與預測值進行比對，KNN算法仿真結果如圖2所示。 由圖2可以看出，預測值與實際值吻合很好，尤其在變工況時，預測值也能迅速跟上實際參數的變化；存在一處數據點相對偏差達到9%，篩查發現該處為全局數據極小值， 其預測絕對誤差僅為1.8 μm，后續可通過增大數據訓練集樣本，提高精度；預測主要偏差保持在1%以內， 偏差高于1%的數據點主要集中在非均勻變工況過程，由于算法采用歸一化的數據格式，各參數對振動的影響為同一權重，當出現運行工況陡增和突降時，由于各特征參數表現為非均勻變化趨勢且同一參數變化趨勢與變工況前狀態息息相關。 因此，極有可能產生較大的偏差。

圖2 KNN 算法仿真結果

由此可以看出，直接采用KNN算法，可以有效預測給水泵的振動參數，并且能夠完美捕捉變工況參數狀態，具有極高的預測精度，可用于工程實際。

3.3 PCA-KNN算法仿真

PCA-KNN算法主要是通過PCA進行降維處理，弱化低貢獻率的特征參數，構造出新的表征設備狀態的特征矩陣，隨后再利用KNN高效準確的回歸優勢進行參數預測。

與KNN選取最佳k值類似， 在數據降維處理中，基于均方誤差衡量計算，選取最佳特征數量。通過仿真計算得到最優特征數量為6， 總體特征數據貢獻率達到了99%，這說明通過坐標變換，僅僅需要6個特征參數便能表征設備狀態。 采用新的特征矩陣進行KNN算法回歸，同樣選取總數據末1/5樣本進行仿真，PCA-KNN算法仿真結果如圖3所示。 從圖3可以看出，相比于KNN算法，該算法存在少量的高偏差數據，相對偏差達到46%，其余偏差略微增。 此外，該算法同樣可以精準地預測給水泵振動。

圖3 PCA-KNN算法仿真結果

給水泵4 組振動參數的全部仿真結果如圖4 所示。 由圖4 可以看出，除了兩處大偏差數據點外，在給水泵變工況過程和穩定工況期間， 振動預測值均能與振動實際值相吻合， 尤其在驅動端x 方向和y 方向的預測中，預測值也完整、精確地捕捉到了后期兩個方向振動的波動，這也說明了該算法具有較高的精度。

圖4 全部仿真結果

表2為樣本的偏差特征統計數據 （全部樣本有1 492個），可以看出：在PCA-KNN仿真中，總體預測結果較為滿意。 對于個別高偏差預測值，可通過增加涵蓋范圍更廣的訓練樣本來提高近鄰選取精度，并且在實際預警過程中，采用延遲方法、多參數對比等手段消除可能存在的高偏差結果對設備預警結果的影響。 除此之外， 相比于KNN算法，采用PCA-KNN算法進行給水泵振動參數的預測，其計算速度將提升70%，這將對具有更多特征參數的熱力設備和全電站重要設備的運行預測具有積極作用。 綜上所述，該算法能夠準確、高效地實現給水泵振動預警，可滿足實際工程需要。

表2 偏差樣本統計

3.4 振動異常預警

筆者采用PCA-KNN進行振動異常預警包括振動參數預警和振動劣化預警兩個方面。

由于電站輔機設備眾多，工作人員未能詳盡掌握各設備的參數變化， 尤其對于小量級參數（如在某一工況時，給水泵振動參數由30 μm變化至35 μm）更不易察覺，但往往這種細微的變化就是設備劣化的征兆， 因此進行振動參數的預警，可以在振動參數實際值與預測值出現較大偏差時，給予報警提示。 通過實時在線計算給水泵振動參數實際值與預測值的偏差，當偏差越過預設閾值后，將觸發報警。 圖5展示了某次振動參數的報警情況， 在報警點前振動參數偏差不斷升高，直到報警點處，參數越過閾值，提醒工作人員關注設備的運行狀態。

圖5 振動參數預警

電站設備往往存在長期劣化過程，相比定時檢修，基于設備運行狀態而采取的狀態檢修顯然更為合理。 振動劣化預警是考慮設備已經出現振動參數報警，但距離邏輯設計的報警值或跳機值余量較大，檢查后仍可繼續運行的情況下，對設備振動進行的劣化分析。 劣化預警是基于參數預警中的振動參數偏差，選取數個典型工況進行的回歸和預測，如圖6所示。 圖6中選取了3個典型轉速工況，基于半年工況中的各月均偏差，采用最小二乘法，進行未來半年的振動劣化預測。 通過每月劣化數據的更新，掌握設備的劣化規律和趨勢，為后續安排設備檢修計劃提供數據支撐。 振動劣化預警與振動參數預警相結合，更加符合電站實際運行需求，具有工程實際意義。

圖6 振動劣化預警

4 結論

4.1 直接采用KNN算法進行給水泵振動預警，選取全部設備相關特征參數，可以精確地預測給水泵的振動參數。

4.2 采用PCA-KNN算法，在保證預測結果精度、滿足工程需要的同時， 大幅降低了計算時間，提高了預測效率。

4.3 采用振動參數預警與振動劣化預警相結合的方法，更加滿足電站實際運行需求，具有現實工程意義。