基于智能算法的發(fā)電設(shè)備遠(yuǎn)程故障預(yù)警系統(tǒng)分析

貢文明

（江蘇華電戚墅堰發(fā)電有限公司 生產(chǎn)技術(shù)部，江蘇 常州 213011）

現(xiàn)代化火電廠是一個(gè)龐大而又復(fù)雜的、集成多種關(guān)鍵設(shè)備的工廠，電廠生產(chǎn)過程的任何故障不僅直接影響電能的產(chǎn)量和質(zhì)量，而且還可能造成設(shè)備毀壞和人身事故。要使發(fā)電機(jī)組設(shè)備能夠安全、可靠、有效地運(yùn)行，使其充分發(fā)揮作用，發(fā)展設(shè)備在線監(jiān)控和智能預(yù)警技術(shù)是必經(jīng)之路。

智能預(yù)警技術(shù)的基本思想是實(shí)時(shí)監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)，在設(shè)備故障產(chǎn)生初期，即設(shè)備當(dāng)前運(yùn)行狀態(tài)剛開始偏離正常運(yùn)行狀態(tài)時(shí)，給出準(zhǔn)確的、快速的預(yù)警結(jié)果，縮小故障定位范圍，為檢修和運(yùn)行人員爭取更多的故障處理時(shí)間與主動(dòng)性，提高機(jī)組設(shè)備運(yùn)行的可靠性，降低維修成本，減少經(jīng)濟(jì)損失。電廠設(shè)備在線監(jiān)測(cè)與智能預(yù)警系統(tǒng)，針對(duì)電力行業(yè)發(fā)電機(jī)組中重要的設(shè)備設(shè)計(jì)并研發(fā)的一款智能分析系統(tǒng)，為發(fā)電機(jī)組的設(shè)備監(jiān)控、預(yù)警、檢修、輔助決策等提供整體的解決方案。

1 框架設(shè)計(jì)

基于大數(shù)據(jù)分析和物理建模的智能預(yù)警充分利用現(xiàn)已積累的海量數(shù)據(jù)和新增的運(yùn)行數(shù)據(jù)，通過大數(shù)據(jù)分析和人工智能技術(shù)的應(yīng)用，實(shí)現(xiàn)機(jī)組故障早期預(yù)警和診斷，提高設(shè)備的可利用率，為最終實(shí)現(xiàn)狀態(tài)檢修打下堅(jiān)實(shí)的基礎(chǔ)。

系統(tǒng)采用B/S架構(gòu)，由基礎(chǔ)技術(shù)平臺(tái)、軟件支撐系統(tǒng)、基于大數(shù)據(jù)的智能預(yù)警、故障診斷等功能模塊構(gòu)成。集成于大數(shù)據(jù)平臺(tái)，面向生產(chǎn)管理人員及領(lǐng)導(dǎo)。每套機(jī)組配置一臺(tái)智能預(yù)警服務(wù)器和顯示器，服務(wù)器與管控系統(tǒng)數(shù)據(jù)庫進(jìn)行通信，并利用歷史數(shù)據(jù)建立各種預(yù)警模型。生產(chǎn)管理人員及領(lǐng)導(dǎo)均可在桌面顯示終端獲取預(yù)警信息，可顯示系統(tǒng)級(jí)、設(shè)備級(jí)以及測(cè)量級(jí)的預(yù)警畫面，并有豐富的實(shí)時(shí)、歷史趨勢(shì)查詢、預(yù)警查詢和統(tǒng)計(jì)等功能。主要包括以下幾個(gè)部分：

（1）現(xiàn)場(chǎng)采集層。現(xiàn)場(chǎng)采集層包括一系列用于設(shè)備狀態(tài)數(shù)據(jù)和過程量數(shù)據(jù)的采集裝置和軟件構(gòu)成，針對(duì)本次項(xiàng)目，現(xiàn)場(chǎng)采集層的配置主要包括信號(hào)采集系統(tǒng)、SyncBase（實(shí)時(shí)數(shù)據(jù)庫）、Gateway過程量數(shù)據(jù)采集網(wǎng)關(guān)（軟件）等。

（2）數(shù)據(jù)存儲(chǔ)層。數(shù)據(jù)資源層是經(jīng)過原始數(shù)據(jù)采集和外部系統(tǒng)數(shù)據(jù)采集后整理的主題數(shù)據(jù)區(qū)，來自存儲(chǔ)于關(guān)系型數(shù)據(jù)庫管理系統(tǒng)和SyncBase實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)中，經(jīng)過歸類處理，將可能用于設(shè)備狀態(tài)分析與預(yù)警的數(shù)據(jù)，其主要包括臺(tái)賬數(shù)據(jù)、在線數(shù)據(jù)、離線數(shù)據(jù)、運(yùn)檢數(shù)據(jù)和試驗(yàn)數(shù)據(jù)等。

（3）數(shù)據(jù)分析層。數(shù)據(jù)分析層是通過基于特征量分析技術(shù)的大數(shù)據(jù)分析引擎對(duì)狀態(tài)采集數(shù)據(jù)路由存儲(chǔ)至關(guān)系型數(shù)據(jù)庫管理系統(tǒng)和SyncBase實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)中，同時(shí)對(duì)智能預(yù)警及設(shè)備故障診斷提供數(shù)據(jù)和算法支持。

（4）應(yīng)用層。應(yīng)用層是劃分的多個(gè)應(yīng)用模塊，分別為在線狀態(tài)檢測(cè)系統(tǒng)、過程量數(shù)據(jù)采集與狀態(tài)分析系統(tǒng)、故障特征提取系統(tǒng)、智能設(shè)備預(yù)警和故障診斷系統(tǒng)等。

圖1 預(yù)警系統(tǒng)架構(gòu)

2 實(shí)現(xiàn)原理

智能預(yù)警系統(tǒng)抓取現(xiàn)場(chǎng)異常，是通過使用python程序來實(shí)現(xiàn)算法的運(yùn)用，故智能預(yù)警的關(guān)鍵技術(shù)則是對(duì)于重要算法的實(shí)現(xiàn)。為實(shí)現(xiàn)對(duì)于異常狀態(tài)數(shù)據(jù)的識(shí)別，需要考慮使用算法對(duì)參數(shù)進(jìn)行相應(yīng)的處理，例如，相關(guān)性分析、KNN近鄰分析算法、MSET以及滑動(dòng)窗口濾波法。算法作為數(shù)據(jù)處理的工具，用于發(fā)電機(jī)組的預(yù)警與診斷中，不可直接照搬，需要根據(jù)系統(tǒng)與設(shè)備的參數(shù)特性，合理選擇并適當(dāng)處理后才可用于工程實(shí)際，否則，應(yīng)用效果會(huì)大打折扣。

2.1 相關(guān)性分析

相關(guān)性分析一般是對(duì)存在關(guān)聯(lián)關(guān)系的變量之間進(jìn)行分析，從可量化的角度來分份變量之間的關(guān)聯(lián)程度。相關(guān)性分析較為經(jīng)典的方法有皮爾遜相關(guān)系數(shù)、肯德爾相關(guān)系數(shù)以及斯皮爾曼相關(guān)系數(shù)。以皮爾遜相關(guān)系數(shù)為例，其計(jì)算公式如下所示，其中α為相關(guān)性系數(shù)。

一般而言，對(duì)于電廠系統(tǒng)設(shè)備部分參數(shù)之間存在強(qiáng)關(guān)聯(lián)性（正相關(guān)或負(fù)相關(guān)）。如機(jī)組功率和主給水流量（正相關(guān)性）、電機(jī)電流與泵組出力等（正相關(guān)性）。當(dāng)系統(tǒng)設(shè)備出現(xiàn)異常，往往會(huì)打破這種強(qiáng)關(guān)聯(lián)性的關(guān)系，可以在參數(shù)出現(xiàn)異常的早期階段識(shí)別此類異常，所以，相關(guān)性分析可以作為數(shù)據(jù)驅(qū)動(dòng)建模的維度之一。

2.2 KNN近鄰分析算法

使用正常的運(yùn)行數(shù)據(jù)建模分析，并運(yùn)用模型來計(jì)算實(shí)時(shí)數(shù)據(jù)是否正常，此類情況屬于監(jiān)督式學(xué)習(xí)，也就是模型訓(xùn)練數(shù)據(jù)都是帶有標(biāo)簽的樣本，即通過帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)建立模型，從而能夠?qū)ξ粗臉?biāo)簽樣本進(jìn)行預(yù)測(cè)。

KNN（K-Nearest Neighbor），即K近鄰算法。通俗來講，當(dāng)預(yù)測(cè)一個(gè)未知樣本的時(shí)候，該樣本屬于何種類型是由K個(gè)最近的鄰居來決定的，或者當(dāng)樣本與哪幾個(gè)鄰居最為接近，則與這幾個(gè)鄰居更為相似。

2.3 MSET多元狀態(tài)估計(jì)

MSET是一種測(cè)量新狀態(tài)與正常工作狀態(tài)相似性的算法。其本質(zhì)是通過對(duì)正常的歷史數(shù)據(jù)訓(xùn)練學(xué)習(xí)建立正常狀態(tài)模型，對(duì)于每個(gè)新的工作狀態(tài)，依據(jù)模型來估計(jì)該狀態(tài)是否正常。

使用MSET首先從歷史數(shù)據(jù)進(jìn)行處理，剔除異常數(shù)據(jù)后，建立記憶矩陣：

Dn×m表示系統(tǒng)監(jiān)測(cè)的n個(gè)變量中，選取了m個(gè)正常時(shí)刻的歷史值。為計(jì)算當(dāng)前狀態(tài)是否正常，可以將當(dāng)前值與歷史值做對(duì)比并計(jì)算出估計(jì)向量，通過構(gòu)造觀測(cè)向量（當(dāng)前值）和估計(jì)向量之間的殘差，則可以衡量當(dāng)前值與歷史值的偏差大小，偏差小則認(rèn)為當(dāng)前狀態(tài)正常，反之則異常。偏差大小的選取則是基于訓(xùn)練集計(jì)算得出。

3 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)整體流程如圖2所示。

圖2 智能預(yù)警實(shí)現(xiàn)流程框圖

3.1 設(shè)備本體參數(shù)智能預(yù)警

采用單點(diǎn)統(tǒng)計(jì)、設(shè)備預(yù)警算法：當(dāng)設(shè)備出現(xiàn)異常、故障后，設(shè)備本體參數(shù)（如振動(dòng)、溫度等）會(huì)偏離正常狀態(tài)。設(shè)備本體智能預(yù)警系統(tǒng)可在設(shè)備發(fā)生異常、故障后的短時(shí)間內(nèi)進(jìn)行預(yù)警，避免非正常停機(jī)，降低設(shè)備維修成本。除了主設(shè)備外，原理上對(duì)所有設(shè)備均可實(shí)現(xiàn)智能預(yù)警。

3.2 工藝系統(tǒng)智能預(yù)警

采用系統(tǒng)預(yù)警算法：當(dāng)出現(xiàn)設(shè)備異常、控制調(diào)節(jié)異常等情形時(shí)，工藝參數(shù)會(huì)產(chǎn)生相應(yīng)變化，偏離正常運(yùn)行值。工藝系統(tǒng)智能預(yù)警即針對(duì)上述異常發(fā)生后引起的工藝參數(shù)非正常變化進(jìn)行預(yù)警，有助于運(yùn)行人員盡早處理異常。

3.3 冗余測(cè)點(diǎn)智能預(yù)警

采用雙冗余、三冗余測(cè)點(diǎn)預(yù)警算法：當(dāng)某個(gè)冗余測(cè)點(diǎn)偏離正常運(yùn)行值，出現(xiàn)異常情況時(shí)，冗余測(cè)點(diǎn)預(yù)警算法即針對(duì)上述異常發(fā)生后引起的參數(shù)非正常變化進(jìn)行預(yù)警，提醒運(yùn)行人員盡早處理異常。

3.4 數(shù)據(jù)模型和機(jī)理模型有機(jī)結(jié)合

預(yù)警服務(wù)采集的數(shù)據(jù)輸入數(shù)據(jù)清理標(biāo)準(zhǔn)模型，通過一系列步驟“清理”數(shù)據(jù)，然后以期望的模式輸出清理過的數(shù)據(jù)，提供給智能算法建模模塊。通過數(shù)據(jù)模型和機(jī)理模型相結(jié)合，使用大數(shù)據(jù)分析技術(shù)，實(shí)時(shí)計(jì)算并綜合評(píng)估機(jī)組關(guān)鍵設(shè)備及主要系統(tǒng)當(dāng)前的健康狀態(tài)，當(dāng)出現(xiàn)異常情況時(shí)能提前發(fā)出預(yù)警，并給出可能的原因。當(dāng)測(cè)點(diǎn)發(fā)生微小偏差時(shí)，能夠從海量數(shù)據(jù)中，提前識(shí)別和抓取異常，且預(yù)警系統(tǒng)的靈敏程度可以依據(jù)系統(tǒng)和設(shè)備特性自行調(diào)整。從每日、每月、每年等多個(gè)時(shí)間維度展示預(yù)警相關(guān)統(tǒng)計(jì)信息，有利于綜合分析和把握系統(tǒng)和設(shè)備的健康狀態(tài)。

4 結(jié)語

該系統(tǒng)通過大量數(shù)據(jù)的挖掘、預(yù)警模型的精確建立和專家知識(shí)庫的自我學(xué)習(xí)，實(shí)現(xiàn)系統(tǒng)和設(shè)備的在線監(jiān)測(cè)、診斷與預(yù)警功能，大幅提高設(shè)備運(yùn)行的安全性、可靠性和穩(wěn)定性，具有更智能、更科學(xué)、更簡潔、更體系、更人性等特征，具有很好的推廣價(jià)值。