水輪機頂蓋排水泵動態剩余壽命綜合預測方法

皮俊東，肖志懷，任 剛，張 舸，汪 林，王登賢，薛云蛟，王杰飛

（1. 武漢大學動力與機械學院，湖北 武漢 430072； 2. 中國長江電力股份有限公司，湖北 宜昌 443000）

0 引 言

頂蓋排水系統是水力發電機組輔機系統之一，主要功能是保障水電機組運行安全，若該系統運行異常，將影響水電廠電力生產安全，問題嚴重時會導致水淹廠房、運行機組強制停機等后果。因此，為保障頂蓋排水系統安全平穩運行，頂蓋排水系統動態壽命預測是工程上亟需解決的問題。

目前國內外關于機械設備剩余運行壽命預測的研究，主要有基于物理仿真模型和基于數據驅動兩種設備壽命預測方法，廣泛應用于汽輪機、滾動軸承、刀具、變壓器等設備的運行狀態評估及性能退化趨勢預測［1-4］，對于水電機組的研究，則多偏重于故障診斷、特征提取及參數辨識方面［5-8］。例如，荊岫巖、姬聯濤等［9］針對抽水蓄能機組運行工況復雜，負荷調節頻繁的特點，提出了一種基于比例協變量模型和邏輯回歸模型混合的可靠性評估方法。Zhou 等［10］使用HHT 方法從切削信號中提取刀具磨損特征，建立了基于LSTM 的模型，獲得可變工作條件下刀具磨損過程的復雜時空關系。Aghazadeh 等［11］將卷積神經網絡應用于刀具磨損的預測，分別對力，振動，電流信號進行小波變換，建立了時頻域信號與刀具磨損量之間的映射關系。Kothuru等［12］提供了一種可以使用聲音信號監測齒輪銑刀在切削硬度變化的攻堅材料時的磨損狀況的方法。An 等［13］使用CNN 與LSTM 的混合模型，其中CNN 提取監測信號局部特征，LSTM 獲得局部特征之間的時間序列上的長期關系，并對銑刀加工信號進行預測。許昱暉、舒俊清［14］等針對傳統相似性方法在提取健康指標和相似性匹配上存在的不足，提出了結合自編碼器神經網絡的基于多時間尺度健康指標相似性的預測方法。而針對頂蓋排水系統設備監控評估文獻報道少見，目前對頂蓋排水系統的研究主要在于故障分析、優化運行和系統改造等方面，劉虹［15］等針對頂蓋排水泵排水能力差、啟停頻繁、運行時間長等問題，通過改造管路布置、優化水泵控制邏輯，有效增強了頂蓋排水系統運行可靠性。頂蓋排水系統設備剩余壽命評估的關鍵是建立準確可靠的預測模型。作為一種新型神經網絡算法，極限學習機（extreme learning machine， ELM）具有設置參數簡單，訓練速度快捷，預測精度高等特點，在許多領域包括設備剩余壽命預測應用中都取得成功［16］。

本文提出一種實時數據與可靠性原理相結合的基于極限學習機的潛水泵壽命預測算法，建立潛水泵壽命預測模型，對頂蓋排水系統中的潛水泵進行剩余壽命實時預測，不僅可以優化維護策略，降低維護成本，而且可以避免由于關鍵設備突發故障導致的經濟損失和安全風險。根據預測結果提出相應運維策略，可以避免水電廠重要系統關鍵設備因剩余壽命不足引發的非計劃停機事故。結合某電站生產過程中的歷史運行數據，驗證了該方法對頂蓋排水泵剩余運行壽命預測的可行性。

1 壽命預測方法

物理模型和數據驅動是水電機組輔助設備壽命預測的兩種主要方法，其中，方法一主要通過構建設備劣化過程物理模型，結合測量數據辨識模型參數，預測設備剩余壽命。在缺乏足夠的設備失效數據時，物理模型法可以通過模擬故障以增加失效數據，但這種物理失效模型通常非常復雜和難以建立。方法二則是借助設備歷史數據信息，結合機器學習算法，構建設備全壽命周期性能劣化曲線，實現設備剩余壽命預測。隨著水電廠自動化、智能化運行水平的不斷提高，獲取設備運行特征數據，實現數據驅動的壽命預測方法較為容易。

1.1 剩余壽命分析理論

如圖1 所示，頂蓋排水泵剩余壽命為“功能故障點”的時間減去“當前狀態點”的時間，由于當前狀態信息易獲取，故剩余壽命分析的關鍵是找到功能故障點［17］。

圖1 機械設備故障演化規律Fig.1 Fault evolution law of mechanical equipment

功能故障點，即設備因出現故障無法完成設計功能的狀態點，由于頂蓋排水泵性能劣化過程是緩變連續的，故可以找到一個臨界狀態，當設備性能優于該狀態時，頂蓋排水泵可完成既定功能，當設備性能劣于該狀態時，頂蓋排水泵發生功能失效。

根據頂蓋排水泵運行過程中，產生的多種狀態信息，如振動位移、振動速度、噪聲、壓差、溫度、流量等，對其運行可靠性進行評估。這些信息能夠反映水泵運行狀態的劣化程度，可作為水泵運行可靠性評估的依據。在設備運行狀態信息的基礎上，通過建立設備運行狀態與可靠度關聯映射模型，計算出設備處于臨界狀態時的運行可靠度閾值，并定義為檢修閾值。通過預測運行可靠度變化趨勢，對比檢修閾值，就可以得到設備剩余壽命。

1.2 基于實時數據與可靠性原理的壽命預測算法

以統計數據進行壽命預測的算法難以應對設備運行狀態突變的影響，從而失去設備壽命預測準確性，故為提高關鍵設備運行壽命預測可靠性，本文提出了一種改進的基于設備實時狀態數據的頂蓋排水泵壽命預測算法。具體流程如圖2 所示，詳細過程為下：

（1）分析頂蓋排水泵的工作原理，確定設備運行壽命的關鍵特征量；

（2）通過監控采樣，獲取設備實時運行數據；

（3）計算設備實時可靠度，構建可靠度預測樣本；

（4）訓練預測模型；

（5）實現運行可靠度預測；

（6）將預測運行可靠度與檢修閾值比較，得到功能故障點；

（7）計算剩余壽命。

1.3 基于狀態參數的運行可靠度計算

1.3.1 狀態參量法

設備在運行過程中，隨著設備狀態不斷劣化，導致表征設備運行狀態信號的某個特征參量u變化，其對應運行可靠度相應發生變化下降。本文建立特征參量u與其對應運行可靠度的函數關系有如下2種關系：

（1）逆向參量法，即u增加，運行可靠度下降時：

式中：a1和a2是設備運行特征參量的下限和上限。

運行可靠度R(u) ∈[0，1]。

（2）同向參量法，即u下降，運行可靠度下降時：

式中：a3和a4是設備運行特征參量的上限和下限。

運行可靠度R(u) ∈[0，1]。

1.3.2 潛水泵流量運行可靠度計算

在實際運行中，頂蓋排水泵流量計算用頂蓋水位的下降速度計算，即：

式中：Q泵為水泵流量；ΔH為頂蓋水位變化；t為抽水時間。

然后根據潛水泵的設備銘牌，以及設備投運時的數據記錄，界定水泵在剛投運時最佳狀態的額定流量Q額。以潛水泵的流量進行分類，根據潛水泵國家標準GB∕T 2816-2014，對于潛水泵，流量與運行狀態的分類如表1所示。

表1 水泵流量與運行狀態的分類Tab.1 Classification of pump flow and operation state

由于水泵特征參量屬于同向參量，則利用狀態參量法中的式（2），考慮到不允許狀態Q流量上限值為0.6Q額，令a3=Q額，a4= 0.6Q額，將水泵流量映射為水泵的流量運行可靠度，即：

1.3.3 潛水泵振動運行可靠度計算

機械振動嚴重程度用振動速度的均方根值衡量，即：

式中：v(t)為物體振動速度，mm∕s；T為所測信號長度，s。

根據國際振動標準ISO2372，振動速度的均方根值與運行狀態的分類如表2所示。

表2 小型機械按其振動程度而作的分類Tab.2 Classification of small machinery accordingto its vibration degree

由于機器振動是越小越好，屬于逆向參量，利用式（1），考慮到不允許狀態vrms下限值為4.5 mm∕s，令a1=0.18 mm∕s，a2=4.5 mm∕s，轉換為振動程度對應的振動運行可靠度，即：

依照上述各類特征指標對應運行可靠度計算，對頂蓋排水泵，除流量和振動速度，還可計算抽水時間和振動位移等重要性能指標對應可靠度，由于篇幅限制，便不再贅述。

1.3.4 潛水泵綜合運行可靠度計算

綜合運行可靠度計算公式如下：

式中：Rm(x)為綜合運行可靠度；Ri(x)為不同特征指標對應運行可靠度；Ki為不同特征指標運行可靠度分別對應的權值。

1.4 基于極限學習機的設備剩余壽命預測模型

1.4.1 預測模型性能評價指標

為定量描述剩余壽命評估模型的預測性能，采用均方誤差和決定系數兩個評價指標進行模型預測性能評價。

（1）均方誤差。均方誤差（Mean Squared Error，MSE）主要表征一串數據的變化波動程度，計算公式為：

式中：εi為預測誤差=真實值-預測值；σ表示均方誤差；n為數據個數。

故均方誤差越小，說明預測值和真實值之間的差值越小，預測模型準確度越高。

（2）決定系數。決定系數是相關系數的平方，記為R2。R為相關系數，表示兩組數據的相關程度，在預測中即為預測值和真實值的相關程度。決定系數R2的范圍為0～1，R2越接近1 說明兩組數據相關程度越高，即預測模型可靠性越高，其計算公式為：

式中：x為預測值；y為真實值；N為數據組數。

1.4.2 基于極限學習機的剩余壽命預測方法

具體流程如圖3所示，實現步驟如下：

（1）數據輸入。將運行特征量及對應計算可靠度數據作為輸入樣本，用于ELM的訓練和預測。

（2）設置模型參數。初始化ELM相關參數。

（3）ELM 優化。設定迭代次數，選取訓練樣本的均方誤差，當滿足允許的誤差范圍時，則得出滿足條件的ELM 輸入權重和偏置。

（4）模型構建。將得到的輸入權重和偏置輸入到ELM 網絡中，經隱含層處理后得到輸出權重的最優解，從而完成ELM 預測模型優化。

（5）結果輸出。ELM 優化完成后輸入測試樣本數據，進行特征量及對應可靠度預測，對比檢修閾值，確定功能故障點，實現剩余壽命預測。

2 實例驗證及分析

以某水電廠1F 機組頂蓋排水系統頂蓋排水泵2015 年8 月-2017 年4 月監測數據為例進行分析與驗證。已知2015 年8 月此機組完成A 修，按照電廠檢修規程及大修標準，下次大修時間應為2017 年4 月-2017 年8 月，且此階段中潛水泵運行出現過異常及故障。監測數據包括振動數據和流量數據，經查詢和計算可得振動速度、振動位移、抽水流量以及抽水時間如表3所示。

表3 原始特征指標值Tab.3 Original characteristic index value

利用主觀賦權法（層次分析法），對頂蓋排水泵的振動速度、振動位移、抽水流量、抽水時間四項特征指標計算得到對應可靠度分別賦予權重0.3、0.2、0.3、0.2，可計算綜合可靠度，如表4所示。

表4 特征指標計算可靠度值Tab.4 Reliability index calculated by characteristic index

分別選取振動速度、振動位移、抽水流量、抽水時間4 種原始特征指標數據進行預測，經融合后的綜合可靠度也同樣進行預測。每一種數據選取編號為1 到10 的數據對模型進行訓練，預測第11～13 號數據。預測模型均采用ELM 模型，設置隱層神經元節點個數為8，預測模型的性能指標選用MSE以及R2。4種原始特征指標和經融合后的綜合可靠度預測結果如圖4、表5所示。

表5 不同指標的預測結果評價Tab.5 Evaluation of prediction results of different indicators

圖4 不同指標的預測結果Fig.4 Prediction results of different indicators

從上述圖表中的結果可以看出，融合后的綜合可靠度預測效果明顯優于其他4 種特征指標，說明使用綜合可靠度進行預測能更好反映頂蓋排水泵的劣化狀態，綜合可靠度的預測結果可進一步用于剩余壽命的評估。

將表6中2015年8月-2018年02月綜合可靠度數據輸入到該預測模型中，對比臨修狀態下的可靠度數據和預測數據，如圖5所示。

表6 綜合可靠度數據Tab.6 Comprehensive reliability data

圖5 臨修閾值與預測數據對比Fig.5 Comparison between temporary repair threshold and prediction results

從圖5 可以看出，編號18～20 綜合可靠度預測結果大于臨修閾值，編號21 號綜合可靠度預測結果略大于臨修閾值，但已經十分接近，編號22 結果小于臨修閾值。已知21 號和22 號數據對應的監測日期為2018 年03 月和2018 年04 月，說明該頂蓋排水泵已經臨近維修狀態。根據電廠運行監測記錄和維保記錄可知，2018 年02 月監測發現此排水泵出現抽水效率下降，頂蓋排水時間過長，排水系統啟動雙泵的故障現象。

3 結 論

針對統計經驗方法中存在沒有考慮外界載荷、環境等因素對個體的影響的問題，本文提出一種實時數據與可靠性原理相結合的基于極限學習機的潛水泵壽命預測算法。其特點在于：①根據設備實時監測運行數據進行壽命預測計算。②在設備運行狀態突變時，能夠及時修正壽命預測結果，算法靈敏度高。③能為電廠實際生產運行過程及檢修決策提供了參考意見。通過對某水電廠頂蓋排水泵修理案例分析，驗證了本文提出方法的有效性。