基于物聯網的電廠燃機設備檢修方法研究

摘 要：以燃機為核心設備的電廠具有很大的優勢，是未來能源領域的重要發展方向。為了提高電廠燃機設備的故障檢測效率，本文分析了常見的10種故障類型、配置了對應的傳感器、構建了小型的故障檢測物聯網。在物聯網的決策環節，設計基于ESN網絡的智能故障檢測方法，并給出方法的詳細流程。在測試試驗中，采用基于ESN網絡的檢測方法，使5組燃機故障的檢測準確率均超過90%，證實了物聯網系統的有效性。

關鍵詞：電廠燃機；故障檢測；物聯網

中圖分類號：TM 61" " 文獻標志碼：A

在電力能源的供給版圖中，燃機設備并未受到廣泛關注。但是隨著國家對生態環境日益重視，低碳低能耗要求日益深入人心，基于燃機聯合蒸汽輪機等設備的發電技術逐漸受到能源領域的重視[1]。以燃機為核心設備的發電過程，具有以下特點。1）基于燃機的電廠循環效率和能源利用率高，大大優于火力發電的燃煤過程。2）基于燃機的發電過程，蒸汽是主要的能源介質形態，降低了環境的污染程度[2]。3）投資少、占地面積小、建廠速度快，因此基于燃機的電廠在未來擁有廣闊的發展趨勢。需要指出的是，燃機設備是比較復雜的大型設備，在實際應用的過程中可能出現各種類型的故障[3]。這些故障的形成原因各異，導致檢測困難、檢出率低、檢測效率不高等問題。因此，為了保證電廠的正常工作，需要尋找燃機設備的高效檢修方法。本文通過細分故障類型，配置對應的傳感器網絡以形成檢測物聯網，再結合有效的數據分析模型，以期大幅提高燃機設備故障的檢測效率。

1 電廠燃機故障分析及物聯網檢測架構

電廠內的燃機設備結構復雜、使用頻率高，因此受到各種人為和自然因素干擾，導致可能出現各種類型的故障。其中，比較常見的燃機故障有以下10種。1）絕緣失效或絕緣破損導致故障。2）軸承潤滑不良、滾珠遺失、軸瓦破損引發軸承故障。3）電磁耦合繞組短路出現電壓不穩、短路故障。4）電力負載過大導致燃機過熱等故障。5）燃機內電氣組件問題出現電壓不穩故障。6）超出功率承載范圍導致運行異常故障。7）長時間使用導致設備老化故障。8）核心部件出現問題導致燃機機組故障。9）各種因素導致振動故障。10）系統復雜接地系統不統一導致接地故障。

針對上述故障，可以采用對應的傳感器進行故障檢測，這種運用傳感器的方法可以有效替代人工檢測，提高檢測效率。上述10種故障對應的檢測傳感器見表1。

通過使用各種類型傳感器和測量設備，可以對電廠燃機的主要故障進行自動化檢測、自動化數據采集。為了統一處理這些數據并對燃機狀態進行綜合化判定，本文通過構建小型物聯網，對電廠燃機設備故障進行自動化檢測和判定。電廠燃機故障檢測的物聯網系統如圖1所示。

在圖1中，上位機是整個物聯網的核心，負責將燃機設備的各種狀態信息進行整合處理，并判斷燃機設備能否正常使用。為確定燃機設備是否存在局部故障，或到重大故障轉變的可能性，需要采用一種智能化的監測方法。

2 電廠燃機故障的智能檢測方法設計

在電廠燃機設備故障檢測小型物聯網體系結構中，需要用多種傳感器檢測10種故障。對表1中的10種故障來說，在時間維度上，發生概率不確定，并且各種故障出現的時間節點帶有一定的隨機性和偶然性。而不同故障對燃機設備能否正常使用的影響，也有明顯區別。有的故障屬于局部故障，發現后及時處理并不影響燃機的正常使用。有些故障屬于核心故障，一旦出現問題就需要停機檢修。為了徹底實現自動化檢測處理，需要采用智能化的算法給出故障判定結果，從而取代人工檢測。

用各種傳感器對燃機狀態進行持續監測會形成大量的數據。這些數據是用來判定燃機是否存在故障的原始信息。當處理大批量數據，并根據處理結果得到某種決策時，可以采用神經網絡的方法。在本文中，考慮各種故障狀態變量的差異性、數據集合的龐大性，需要將ESN網絡作為數據處理的核心智能算法。

ESN網絡在本文中的應用結構，如圖2所示。

ESN網絡是在BP網絡上發展起來的一種性能更優秀的網絡，其數據處理、機制學習、訓練迭代、結果估計的能力都非常強大。在本文設計的ESN網絡中，輸入層包括表1的10個狀態變量，將其作為10種故障時間序列數據的輸入，中間層包括大量的神經元，這些神經元以復雜的形態連接，可以對更加復雜的機制進行高效學習，輸出層只有一個單元，即對燃機狀態是否存在故障進行判定。

對應圖2的3個層次，給出ESN網絡的數學模型，如公式（1）～公式（3）所示。

I（k）=（i1（k），i2（k），…，il（k）T） （1）

C（k）=（c1（k），c2（k），…，cm（k）T） （2）

O（k）=（o1（k），o2（k），…，on（k）T） （3）

式中：I（k）為電廠燃機設備10種故障數據構成的輸入數據集合；C（k）為電廠燃機設備故障檢測ESN網絡的中間層神經元集合；O（k）為電廠燃機設備的故障檢測結果。

當執行ESN網絡進行燃機故障檢測時，可采用如下步驟。

首先，將10種故障的時間序列數據，按照相同的時間坐標輸入到ESN網絡的輸入單元。需要注意10種故障數據量綱不同、閾值范圍大小不一，因此需要對其進行歸一化處理，便于輸入數據都處在相同的變化范圍內。

其次，將輸入的10個變量數據送入ESN網絡的隱含層，這里有數量豐富的神經元，可以對全部數據進行整理、歸種、分析，并通過神經元之間的關系模擬逼近各個輸入之間的關系，建立網絡內部的各輸入變量關系模擬矩陣以及隱含層到輸出層的關系模擬矩陣。

最后，隱含層根據大量經驗數據的學習和訓練，結合當前輸入數據，對電廠燃機可能存在的故障狀態進行智能判斷，并將判斷結果輸出到輸出神經元。

在ESN網絡的性能測試中，分別選取500組、1000組數據，對其收斂性能進行測試，結果如圖3所示。

從圖3可以看出，ESN網絡訓練的數據量越大，收斂速度越快，并且收斂時的迭代誤差越小。對比圖中兩條曲線可以看出，在1000組數據訓練下，收斂速度要快于500組數據的訓練結果，并且收斂時的迭代誤差縮小了70%。

3 電廠燃機故障的智能檢測試驗

在前面的研究工作中，本文分析并確立了影響電廠燃機設備正常工作的10種故障，并分別配置傳感器，將其用于故障數據采集，構建一個小型的物聯網系統。在物聯網的上位機決策環節中，基于ESN網絡構建了電廠燃機狀態的智能化檢測方法。

在后續工作中，需要通過進一步試驗來驗證所構建的物聯網傳感系統、ESN網絡故障檢測方法的有效性。

在小型物聯網上位機運行后，對電廠燃機各個節點的各種傳感器進行數據采集工作，并將這些數據源源不斷地送到ESN網絡中，用ESN網絡執行內核程序，整合、處理各種傳感器的數據，對電廠燃機設備狀態進行最終故障判定，這個核心程序的運行流程如圖4所示。

根據圖4的流程，對ESN網絡進行訓練。在此次訓練的過程中，將迭代次數設定為1000次，迭代閾值為0.01。如果迭代結果始終不能小于0.01，那么執行1000次迭代為止，如果迭代次數不到1000次，迭代結果就小于0.01，結束迭代過程。可以用得到的輸入權重矩陣、輸出權重矩陣、隱含權重矩陣來分析當前狀態參數的結果。

在ESN網絡達成穩定后，對電廠內的多組燃機進行持續故障檢測，并和常規的檢測方法進行橫向比對，得到的結果如圖5所示。

從圖5可以看出，采用本文提出的ESN網絡的燃機故障檢測方法，準確率比常規檢測方法更高。對5組燃機狀態的故障檢測來說，ESN網絡方法的檢測準確率都在90%以上，優于常規的檢測方法。這充分證明了本文構建的基于多傳感器的物聯網系統以及提出的ESN網絡智能檢測方法的有效性。

4 結論

以燃機為核心設備的發電過程具有非常突出的特點：能源循環利用效率高、環境污染程度降低、建廠工期短、占地面積小。但是，燃機設備在使用過程中會出現多種故障，會對電廠正常運營造成負面影響。本文針對電廠燃機設備進行了深入分析，提出了常見的10種故障，包括絕緣故障、軸承故障、短路故障、機組過熱故障、電壓不穩故障、功率過載故障、設備老化故障、機組核心故障、振動故障、接地故障。在此基礎上，針對故障檢測選擇了10種傳感器，包括絕緣檢測儀、軸承跳動儀、電流表、電壓表、溫度計、功率監測儀、老化測試儀、霍爾傳感器、振動速度傳感器、接地故障探測儀，并基于上述傳感器構建了小型物聯網系統，設計了ESN網絡故障檢測方法。結果證實，與常規方法相比，物聯網和故障檢測方法更具有有效性。

參考文獻

[1] 吳玉進.火電廠燃機故障診斷及運行維護技術分析[J].中國設備工程，2023（15）：150-152.

[2] 何洪，阮航. 基于數據分析的設備故障預警與診斷技術在燃氣電廠的應用[J].石油科技論壇，2023，42（1）：61-66.

[3] 楊喜連，王玉璋，楊志鵬，等. 基于視覺信息增強的服役燃機控制系統傳感器故障分種方法研究[J].動力工程學報，2023，43（9）：1160-1165.