基于運(yùn)行數(shù)據(jù)的鍋爐故障自動(dòng)檢測(cè)技術(shù)研究

郭永謙

(青海省特種設(shè)備檢驗(yàn)所，青海 西寧 810000)

0 引言

現(xiàn)階段鍋爐的使用規(guī)模不斷擴(kuò)大[1]，鍋爐系統(tǒng)的復(fù)雜程度也逐漸提升。尤其是鍋爐設(shè)備的日益高速化、自動(dòng)化，使其結(jié)構(gòu)愈來(lái)愈繁瑣。在科技背景下，可將傳統(tǒng)人工現(xiàn)場(chǎng)操作方式變換成通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)智能控制，并能收集與保存海量的運(yùn)行數(shù)據(jù)。但是，工作人員極難依據(jù)這些數(shù)據(jù)真正了解鍋爐系統(tǒng)實(shí)際工作情況，且不能及時(shí)發(fā)現(xiàn)系統(tǒng)故障并進(jìn)行精準(zhǔn)地判定。為此，單純通過(guò)人工分析方式來(lái)解決鍋爐故障問(wèn)題[2]已很難滿足現(xiàn)今運(yùn)行的需求。

為此，諸多學(xué)者、專(zhuān)家等對(duì)系統(tǒng)故障自動(dòng)檢測(cè)技術(shù)進(jìn)行研究。張維等[3]針對(duì)鍋爐系統(tǒng)故障檢測(cè)正確率較低的狀況，采用關(guān)聯(lián)規(guī)則挖掘方式得出正常工作情況下鍋爐設(shè)備狀態(tài)參考數(shù)值，并根據(jù)測(cè)試數(shù)據(jù)和參考數(shù)值間的滑動(dòng)平均相似程度來(lái)斷定鍋爐否發(fā)生故障。此方法有效提升了故障自動(dòng)檢測(cè)精度，但計(jì)算量大，需要消耗大量時(shí)間。許裕栗等[4]面對(duì)鍋爐故障不能及時(shí)檢測(cè)的問(wèn)題，采用K-均值算法將鍋爐工作流程的工況細(xì)分出來(lái)，利用距離度量完成每個(gè)工況內(nèi)各采樣點(diǎn)的協(xié)方差距離，并根據(jù)高斯閾值建立判決函數(shù)，檢測(cè)出鍋爐故障。該方法可以及時(shí)檢測(cè)出故障，使用計(jì)算方法較為簡(jiǎn)單，但故障查全率較低。

基于此，本文結(jié)合文獻(xiàn)方法優(yōu)點(diǎn)并利用運(yùn)行數(shù)據(jù)方式對(duì)鍋爐故障自動(dòng)檢測(cè)技術(shù)進(jìn)行研究。通過(guò)滑動(dòng)判斷方式篩選出鍋爐數(shù)據(jù)，使選取的數(shù)據(jù)具有全面性；利用主成分分析方法提取出數(shù)據(jù)特征，能夠在保證數(shù)據(jù)提取精度前提下降低數(shù)據(jù)提取的計(jì)算量；運(yùn)用距離度量方式檢測(cè)出鍋爐故障，可以使自動(dòng)檢測(cè)結(jié)果更加貼近實(shí)際情況，并且計(jì)算簡(jiǎn)便，縮短了故障檢測(cè)時(shí)間，進(jìn)而完成鍋爐故障自動(dòng)檢測(cè)。

1 運(yùn)行數(shù)據(jù)下鍋爐故障自動(dòng)檢測(cè)

1.1 故障自動(dòng)檢測(cè)流程

基于運(yùn)行數(shù)據(jù)的鍋爐故障自動(dòng)檢測(cè)[5]流程主要分為兩個(gè)部分。第一部分包括鍋爐數(shù)據(jù)的采集、歸一化處理與特征提取。數(shù)據(jù)采集是經(jīng)過(guò)數(shù)據(jù)清洗來(lái)提升數(shù)據(jù)質(zhì)量；歸一化處理為了降低數(shù)據(jù)間因數(shù)據(jù)的量級(jí)、分布情況對(duì)數(shù)據(jù)特征提取所造成的影響；數(shù)據(jù)特征提取為了更加有效表述鍋爐的特征與屬性；第二部分是利用距離度量方式來(lái)判定故障數(shù)據(jù)，使故障檢測(cè)結(jié)果更加精準(zhǔn)，達(dá)到自動(dòng)檢測(cè)目的，具體過(guò)程如圖1所示。

圖1 故障檢測(cè)流程

1.2 運(yùn)行數(shù)據(jù)特征提取

1)數(shù)據(jù)篩選

鍋爐設(shè)備的工作狀態(tài)是根據(jù)電網(wǎng)負(fù)荷的需求而變化的，其工作流程為：電網(wǎng)負(fù)荷調(diào)度中心把負(fù)荷指標(biāo)下發(fā)到電廠，電廠依據(jù)負(fù)荷調(diào)節(jié)運(yùn)行的參數(shù)，使鍋爐設(shè)備達(dá)到電網(wǎng)負(fù)荷標(biāo)準(zhǔn)之后穩(wěn)定運(yùn)行；當(dāng)電網(wǎng)負(fù)荷發(fā)生改變時(shí)，鍋爐設(shè)備須進(jìn)行調(diào)整。

鍋爐設(shè)備運(yùn)行參數(shù)主要分為兩種，即根據(jù)電網(wǎng)負(fù)荷變化而發(fā)生改變的參數(shù)與被調(diào)控在特定區(qū)域內(nèi)的參數(shù)。這兩種參數(shù)影響鍋爐當(dāng)前的工作狀態(tài)。

當(dāng)鍋爐設(shè)備處于過(guò)渡階段時(shí)，鍋爐內(nèi)部的流場(chǎng)會(huì)帶來(lái)極強(qiáng)波動(dòng)，致使運(yùn)行監(jiān)測(cè)設(shè)備的數(shù)值劇烈變化。與此同時(shí)，因當(dāng)今鍋爐系統(tǒng)規(guī)模逐漸擴(kuò)大，對(duì)應(yīng)的延遲也會(huì)增加，使得不同設(shè)備測(cè)量得出時(shí)間節(jié)點(diǎn)數(shù)據(jù)各不相同，為此不能正確反映出鍋爐的工作情況。當(dāng)鍋爐設(shè)備在穩(wěn)定的情況下工作，鍋爐內(nèi)部變換較為平穩(wěn)，監(jiān)測(cè)設(shè)備得出數(shù)值具有良好的穩(wěn)定性和同步性，并能正確展現(xiàn)出鍋爐設(shè)備當(dāng)前工作情況。

利用滑動(dòng)判別方式完成穩(wěn)態(tài)數(shù)據(jù)采集。滑動(dòng)判別方式是根據(jù)時(shí)間序列[6]找出穩(wěn)態(tài)數(shù)據(jù)，通過(guò)逐點(diǎn)遍歷的方式，隨著時(shí)間維度滑動(dòng)[7]，判斷出數(shù)據(jù)點(diǎn)是否屬于穩(wěn)態(tài)數(shù)據(jù)。設(shè)定x表示數(shù)據(jù)點(diǎn)，則數(shù)據(jù)點(diǎn)一維空間向量X為

X=[x1,x2,…,xn]

(1)

同時(shí)，原始權(quán)值向量W為

W=[w1,w2,…,wn]=[0,0,…,0]

(2)

其中[w1,w2,…,wn]每一項(xiàng)均對(duì)應(yīng)相應(yīng)的向量X，用于判斷向量X中各元素是否屬于穩(wěn)態(tài)數(shù)據(jù)[8]。針對(duì)向量X中元素xi，則有

(3)

或者

(4)

則認(rèn)定xi是非穩(wěn)態(tài)部分?jǐn)?shù)據(jù)點(diǎn)，相反的點(diǎn)，認(rèn)定為穩(wěn)態(tài)部分?jǐn)?shù)據(jù)點(diǎn)。如圖2所示，圖中b表示穩(wěn)態(tài)部分?jǐn)?shù)據(jù)點(diǎn)，a不符合式(3)，c不符合式(4)則認(rèn)定是非穩(wěn)態(tài)數(shù)據(jù)點(diǎn)。

圖2 滑動(dòng)判定流程

若向量X中元素xi被判定成非穩(wěn)態(tài)點(diǎn)時(shí)，數(shù)據(jù)點(diǎn)xi-H～ii+H對(duì)應(yīng)的權(quán)值向量W元素各加1，得出

[Wi-H,…,Wi,…,Wi+H]=[Wi-H+1,…,Wi,…,Wi+H+1]

(5)

式中ii+H表示與x對(duì)應(yīng)的非穩(wěn)態(tài)點(diǎn)。

當(dāng)向量X全部向量元素通過(guò)穩(wěn)態(tài)判定后，并對(duì)權(quán)值向量W中元素進(jìn)行判定，若其小于閾值，則其對(duì)應(yīng)的向量X中元素xi是穩(wěn)態(tài)點(diǎn)，相反是非穩(wěn)態(tài)點(diǎn)，設(shè)定為ii。這種方式能夠通過(guò)數(shù)據(jù)點(diǎn)xi的數(shù)據(jù)情況來(lái)判定數(shù)據(jù)是否屬于穩(wěn)態(tài)數(shù)據(jù)，使收集的數(shù)據(jù)避免了局部性錯(cuò)誤的問(wèn)題。

2) 數(shù)據(jù)處理

采用歸一化方式將收集數(shù)據(jù)進(jìn)行處理，其處理方式主要分為min-max歸一化與Z-score歸一化兩種方式。數(shù)據(jù)向量X通過(guò)min-max歸一化后，得出數(shù)據(jù)向量x*

(6)

式中：xmin、xmin表示向量X的兩個(gè)極值；x*表示進(jìn)行歸一化后的數(shù)據(jù)。歸一化后可以把數(shù)據(jù)集合的中心移到坐標(biāo)原點(diǎn)。

Z-score歸一化處理，得出

(7)

式中：E[x]表示向量X的平均值，是均值向量；var[x]表示向量X的方差。Z-score歸一化把數(shù)據(jù)集合的平均值變成0，方差變成1。

1.3 特征提取

將鍋爐設(shè)備穩(wěn)態(tài)處理后的數(shù)據(jù)當(dāng)作數(shù)據(jù)樣本集合，設(shè)定樣本集合X∈Rm×n，m表示樣本數(shù)量，n表示數(shù)據(jù)屬性數(shù)量(工作運(yùn)行參數(shù)數(shù)量)。

(8)

為了解決集合中不相同屬性取值結(jié)果對(duì)數(shù)據(jù)特征提取的影響，把全部屬性歸一化處理，使數(shù)據(jù)集合元素屬性的平均值、方差分別為0、1，得出

(9)

(10)

一般情況下，在主成分矩陣中特征向量數(shù)量根據(jù)特征向量的解釋率與累積解釋率所決定的，取前a個(gè)解釋率數(shù)值大的特征向量組成主成分矩陣。數(shù)據(jù)特征向量的解釋率運(yùn)算過(guò)程如式(11)所示。

(11)

式中ER(i)表示第i個(gè)數(shù)據(jù)特征向量的解釋率數(shù)值。

根據(jù)特征數(shù)值大小由高到低分別算出各特征向量的解釋率，累計(jì)解釋率計(jì)算過(guò)程為

(12)

式中：CER(i)描述了前i個(gè)特征向量的累計(jì)解釋率數(shù)值；ER(j)描述了前i個(gè)特征向量的數(shù)據(jù)變化解釋占總數(shù)據(jù)變化解釋的百分比。

1.4 故障自動(dòng)檢測(cè)

采用全局距離方式完成鍋爐故障自動(dòng)檢測(cè)。先算出鍋爐機(jī)組數(shù)據(jù)特征提取數(shù)據(jù)集合中數(shù)據(jù)兩個(gè)點(diǎn)的間距，與剩余點(diǎn)的間距，并算出各個(gè)點(diǎn)到剩余點(diǎn)的距離和。設(shè)定n′表示故障數(shù)據(jù)數(shù)量，則距離和最大的前n′個(gè)數(shù)據(jù)點(diǎn)認(rèn)為是鍋爐故障數(shù)據(jù)詳細(xì)描述為：

將鍋爐特征提取數(shù)據(jù)做標(biāo)準(zhǔn)化處理，算出m個(gè)數(shù)據(jù)點(diǎn)間的距離為dij，得出距離矩陣R：

(13)

距離度量方式基本上采用絕對(duì)距離與歐式距離兩種方式。關(guān)于m維空間中數(shù)據(jù)點(diǎn)xi與xj數(shù)點(diǎn)據(jù)間的歐式距離描述為

(14)

絕對(duì)距離描述為

(15)

將以上兩種方式進(jìn)行融合，得出

(16)

一般情況下，數(shù)據(jù)分布為密集分布與稀疏分布，其中呈密集分布的正常數(shù)值較多，使周?chē)收蠑?shù)值與對(duì)應(yīng)數(shù)據(jù)點(diǎn)間距較大。由于故障數(shù)據(jù)容易受分布密度干擾，因此造成相反情況發(fā)生，即稀疏周?chē)收蠑?shù)值與對(duì)應(yīng)數(shù)據(jù)點(diǎn)間距較大。根據(jù)這一屬性特征，式(16)只能完成鍋爐稀疏數(shù)據(jù)的故障自動(dòng)檢測(cè)，而密集部分?jǐn)?shù)據(jù)采用距離度量函數(shù)方式完成鍋爐故障自動(dòng)檢測(cè)，即

(17)

若數(shù)據(jù)s到數(shù)據(jù)u間的距離與數(shù)據(jù)t到數(shù)據(jù)w間的距離等同，即

(18)

通過(guò)距離度量函數(shù)方式能夠?qū)⒎植济芗瘮?shù)據(jù)的故障數(shù)據(jù)和其他數(shù)據(jù)之間的距離增大，還能減少正常數(shù)據(jù)與其他數(shù)據(jù)之間的距離和，進(jìn)而校正故障數(shù)據(jù)與正常數(shù)據(jù)到剩余數(shù)據(jù)的距離和。為此，可運(yùn)用距離度量函數(shù)方式完成爐鍋數(shù)據(jù)的故障自動(dòng)檢測(cè)。

2 實(shí)驗(yàn)結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)整個(gè)流程在Microsoft Windows10操作系統(tǒng)下進(jìn)行的，實(shí)驗(yàn)平臺(tái)軟件選擇MATLAB R2018a軟件。

實(shí)驗(yàn)的數(shù)據(jù)來(lái)源于某大規(guī)模火電廠4號(hào)鍋爐工作現(xiàn)場(chǎng)。因?yàn)殡娬惧仩t的真實(shí)檢測(cè)數(shù)據(jù)集合中可能含有故障數(shù)據(jù)，若直接把其當(dāng)作實(shí)驗(yàn)數(shù)據(jù)，對(duì)得出結(jié)果不能保證其評(píng)估結(jié)果的精度。因此，結(jié)合電站鍋爐檢測(cè)數(shù)據(jù)的現(xiàn)實(shí)收集情況，先從鍋爐機(jī)組負(fù)荷為300MW的數(shù)據(jù)集合中選取690個(gè)數(shù)據(jù)當(dāng)作正常數(shù)值，再?gòu)腻仩t機(jī)組負(fù)荷為270MW中抽取10個(gè)數(shù)據(jù)當(dāng)作故障數(shù)據(jù)，共同組成實(shí)驗(yàn)700個(gè)數(shù)據(jù)。

2.2 精度對(duì)比

為了證實(shí)本文提出基于運(yùn)行數(shù)據(jù)的鍋爐故障自動(dòng)檢測(cè)技術(shù)的有效性，從檢測(cè)出的故障總數(shù)量與正確檢測(cè)故障數(shù)量?jī)蓚€(gè)角度進(jìn)行驗(yàn)證，并使用對(duì)比方式將本文方法與文獻(xiàn)[3]方法、文獻(xiàn)[4]方法進(jìn)行對(duì)比，得出結(jié)果如圖3所示。

圖3 檢測(cè)結(jié)果對(duì)比

設(shè)定幅值在[2,-2]之間當(dāng)作是鍋爐正常數(shù)據(jù)，反之當(dāng)作是鍋爐故障數(shù)據(jù)。圖3(a)為實(shí)際鍋爐運(yùn)行數(shù)據(jù)，包含10個(gè)故障數(shù)據(jù)；圖3(b)為本文方法鍋爐故障檢測(cè)結(jié)果，檢測(cè)出9個(gè)正確故障數(shù)據(jù)與2個(gè)錯(cuò)誤故障數(shù)據(jù)；文獻(xiàn)[3]、文獻(xiàn)[4]方法均檢測(cè)出7個(gè)正常故障數(shù)據(jù)與3個(gè)錯(cuò)誤故障數(shù)據(jù)。本文方法檢測(cè)出正確、故障數(shù)據(jù)均大于文獻(xiàn)方法，而檢測(cè)出錯(cuò)誤故障數(shù)量小于文獻(xiàn)方法。本文方法的檢測(cè)效果更好，這是因?yàn)楸疚姆椒ㄍㄟ^(guò)時(shí)間序列方式收集鍋爐穩(wěn)態(tài)數(shù)據(jù)，并歸一化處理；利用了主成分方式將鍋爐數(shù)據(jù)進(jìn)行特征提取，并運(yùn)用距離度量算法完成各數(shù)據(jù)點(diǎn)的故障自動(dòng)檢測(cè)，有效縮小了故障檢測(cè)結(jié)果的誤差，故本文方法優(yōu)于文獻(xiàn)方法。

2.3 運(yùn)行耗時(shí)對(duì)比

為了進(jìn)一步驗(yàn)證3種方法的故障檢測(cè)結(jié)果性能的優(yōu)劣，下面從故障檢測(cè)耗時(shí)角度進(jìn)行驗(yàn)證，得出結(jié)果如圖4所示。

圖4 故障檢測(cè)耗時(shí)對(duì)比情況

從圖4可以看出，當(dāng)數(shù)據(jù)組數(shù)為300時(shí)，3種方法鍋爐故障自動(dòng)檢測(cè)結(jié)果趨于平緩。數(shù)據(jù)組數(shù)為500組時(shí)，文獻(xiàn)[3]方法、文獻(xiàn)[4]方法與本文方法的檢測(cè)耗時(shí)分別為42s、37s、28s，本文檢測(cè)耗時(shí)曲線均低于文獻(xiàn)方法，說(shuō)明本文方法的故障檢測(cè)效率較高。這是因?yàn)橛捎谖墨I(xiàn)方法沒(méi)有使用歸一化方式將鍋爐數(shù)據(jù)進(jìn)行處理，增加了鍋爐數(shù)據(jù)特征難度，故文獻(xiàn)方法需要消耗較多時(shí)間才能檢測(cè)出鍋爐故障，進(jìn)一步證實(shí)了本文方法鍋爐故障自動(dòng)檢測(cè)性能良好。

3 結(jié)語(yǔ)

鍋爐實(shí)際運(yùn)行數(shù)據(jù)中可能含有一些故障數(shù)據(jù)，導(dǎo)致鍋爐設(shè)備癱瘓，不能正常運(yùn)行，為此本文在運(yùn)行數(shù)據(jù)基礎(chǔ)上對(duì)鍋爐故障自動(dòng)檢測(cè)技術(shù)進(jìn)行研究。通過(guò)滑動(dòng)判斷方式完成鍋爐數(shù)據(jù)采集，利用主成分分析方式提取出數(shù)據(jù)特征，并根據(jù)數(shù)據(jù)各點(diǎn)間距離判定出故障數(shù)據(jù)，完成鍋爐故障自動(dòng)檢測(cè)。本文方法雖取得一定成效，但由于研究時(shí)間有限，日后可以將時(shí)間序列、深度學(xué)習(xí)等方法引入，進(jìn)一步提升檢測(cè)結(jié)果的精度。