謝小鵬，林玥廷，林英明

(1.湖南大唐先一科技有限公司，長(zhǎng)沙 410007； 2.廣東電網(wǎng)公司電力調(diào)度控制中心，廣州 510600)

0 引言

近年來，全球有許多設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域的、以大數(shù)據(jù)機(jī)器學(xué)習(xí)算法為熱點(diǎn)和方向的研究。通過大數(shù)據(jù)機(jī)器學(xué)習(xí)算法，對(duì)火電廠設(shè)備健康狀態(tài)的樣本進(jìn)行學(xué)習(xí)和預(yù)測(cè)，將提升設(shè)備狀態(tài)監(jiān)測(cè)、評(píng)價(jià)與診斷的及時(shí)性與準(zhǔn)確性，并提高設(shè)備維護(hù)員的工作效率，改變?cè)O(shè)備維護(hù)員的工作模式。采用信息化的技術(shù)手段，可利用設(shè)備狀態(tài)參數(shù)進(jìn)行監(jiān)測(cè)和分析，判斷設(shè)備是否存在早期異常并對(duì)出現(xiàn)異常的部件和異常原因進(jìn)行診斷。這對(duì)全面掌握劣化趨勢(shì)、及時(shí)維護(hù)和檢修、提高設(shè)備的可靠性和安全性十分必要[1-2]。

1 傳統(tǒng)火電廠設(shè)備狀態(tài)監(jiān)測(cè)與故障預(yù)警的缺陷

傳統(tǒng)火電廠的設(shè)備運(yùn)行監(jiān)測(cè)方式主要為關(guān)注定值報(bào)警，而較少關(guān)注參數(shù)的波動(dòng)范圍或劣化趨勢(shì)。當(dāng)設(shè)備發(fā)生參數(shù)報(bào)警、熱工保護(hù)動(dòng)作時(shí)，設(shè)備已經(jīng)發(fā)生了明顯的劣化與故障。傳統(tǒng)的設(shè)備狀態(tài)評(píng)估主要依賴設(shè)備管理人員的主觀經(jīng)驗(yàn)來判斷，而非海量的歷史數(shù)據(jù)，許多機(jī)組隱患不能及時(shí)被發(fā)現(xiàn)和處理。傳統(tǒng)的設(shè)備故障診斷主要依賴外部專家，缺少對(duì)以往診斷經(jīng)驗(yàn)的積累、交流與學(xué)習(xí)，缺乏診斷經(jīng)驗(yàn)積累的支撐平臺(tái)[3]。

2 設(shè)備劣化與故障預(yù)警算法研究

2.1 GMM算法介紹

GMM，即用高斯概率密度函數(shù)精確地量化事物，將一個(gè)事物分解為若干的基于高斯概率密度函數(shù)(正態(tài)分布曲線)形成的模型。在概率統(tǒng)計(jì)中，任意形狀的概率分布都可以用多個(gè)高斯分布函數(shù)去近似，其參數(shù)求解方法一般為使用極大似然估計(jì)求解。在混合高斯模型中，權(quán)值、高斯模型的期望值和方差為模型決定參數(shù)。

2.2 K-means算法介紹

K-means算法是最為經(jīng)典的基于劃分的聚類方法，是十大經(jīng)典數(shù)據(jù)挖掘算法之一。K-means算法的基本思想是以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近他們的對(duì)象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。

2.3 兩種算法比較

(1)K-means 算法優(yōu)點(diǎn)為算法快速、簡(jiǎn)單，對(duì)大數(shù)據(jù)集有較高的效率并且具有可伸縮性；缺點(diǎn)為需要根據(jù)初始聚類中心來確定一個(gè)初始劃分，然后對(duì)初始劃分進(jìn)行優(yōu)化，在K-means 算法中多維空間相似性度量基于歐氏距離進(jìn)行計(jì)算，并不能準(zhǔn)確反映多維空間點(diǎn)中的相似情況。

(2)GMM優(yōu)點(diǎn)：適用性廣，多維空間中聚類效果好；引入概率分布，算法簡(jiǎn)單、迭代方法有效且穩(wěn)定。缺點(diǎn)：計(jì)算速度慢；模型初始化困難，權(quán)值(a0)、均值(μ0)、方差(σ0)較難確定；由于迭代算法是局部最優(yōu)解算法，雖然能保證收斂后達(dá)到局部最大點(diǎn)，但并不能保證收斂到全局最大點(diǎn)，聚類結(jié)果受初始值a0、μ0、σ0影響較大。

2.4 兩種算法結(jié)合應(yīng)用

結(jié)合上述兩種算法優(yōu)缺點(diǎn)，可先采用K-means 算法得到結(jié)果，轉(zhuǎn)換為GMM的初始值。K-means 算法在對(duì)設(shè)備狀態(tài)原始數(shù)據(jù)進(jìn)行較為粗略的分類時(shí)效率較高。 采用K-means算法對(duì)EM(最大期望)算法進(jìn)行初始化，會(huì)顯著提高EM 算法的收斂速度，提高最終分類結(jié)果的準(zhǔn)確率[4]。計(jì)算過程為： 使用K-means計(jì)算得到的中心點(diǎn)作為高斯模型初始期望μ0；同組工況點(diǎn)協(xié)方差得到高斯模型初始均方差σ0；同組包括的樣本點(diǎn)占總樣本的比例為高斯模型的初始權(quán)值。計(jì)算具體流程見圖1。

圖1 總體流程

2.5 兩種算法結(jié)合應(yīng)用示例

以“前置泵電機(jī)模型”測(cè)試數(shù)據(jù)中的前8 000條數(shù)據(jù)作為訓(xùn)練樣本，共得到11維、8 000多個(gè)樣本點(diǎn)。以“前置泵電機(jī)模型”的樣本數(shù)據(jù)表的后1 000個(gè)樣本點(diǎn)為實(shí)時(shí)測(cè)試數(shù)據(jù)。整個(gè)計(jì)算通過MATLAB工具編碼實(shí)現(xiàn)，高斯混合模型個(gè)數(shù)設(shè)定為100個(gè)，計(jì)算結(jié)果形成的趨勢(shì)圖如圖2、圖3所示。

圖2 前置泵電機(jī)繞組溫度實(shí)時(shí)值與期望值趨勢(shì)

圖3 前置泵電機(jī)運(yùn)行相似度趨勢(shì)

3 系統(tǒng)總體設(shè)計(jì)

3.1 研究目標(biāo)

(1)充分挖掘、利用實(shí)時(shí)和歷史數(shù)據(jù)的價(jià)值，采用數(shù)學(xué)方法，建立實(shí)體設(shè)備的數(shù)學(xué)模型并實(shí)時(shí)監(jiān)測(cè)計(jì)算，在設(shè)備出現(xiàn)早期異常時(shí)進(jìn)行預(yù)警，便于客戶及早發(fā)現(xiàn)和消除故障隱患，從而降低設(shè)備故障率。

(2)提供模糊匹配和基于規(guī)則的設(shè)備智能診斷，及時(shí)發(fā)現(xiàn)和消除設(shè)備隱患，使用機(jī)組的被動(dòng)檢修變?yōu)橹鲃?dòng)檢修，優(yōu)化檢修策略，提高機(jī)組安全性、可靠性，降低電廠的檢修費(fèi)用，提高機(jī)組的運(yùn)行性能，從而提高電廠的經(jīng)濟(jì)效益。

(3)通過提供設(shè)備故障統(tǒng)計(jì)報(bào)告，在機(jī)組大修或小修前評(píng)估設(shè)備的健康狀況，逐步實(shí)現(xiàn)設(shè)備的狀態(tài)檢修。

(4)建立企業(yè)自身的知識(shí)庫，為設(shè)備管理和生產(chǎn)運(yùn)行人員積累診斷經(jīng)驗(yàn)提供基礎(chǔ)平臺(tái)。通過故障模式庫，實(shí)現(xiàn)對(duì)設(shè)備潛在故障進(jìn)行初步診斷；通過知識(shí)庫，提供對(duì)類似情況的參考案例，以便輔助診斷。

3.2 設(shè)計(jì)思路

系統(tǒng)基于REAP4.0平臺(tái)，研發(fā)了B/S結(jié)構(gòu)的可擴(kuò)展設(shè)計(jì)思想，并結(jié)合SOA(面向服務(wù)的體系結(jié)構(gòu))思想，實(shí)現(xiàn)即插即用的模塊組件化。系統(tǒng)基于設(shè)備監(jiān)測(cè)參數(shù)，針對(duì)電廠設(shè)備、設(shè)備群或系統(tǒng)，建立實(shí)時(shí)算法模型。依據(jù)大量歷史數(shù)據(jù)中隱含的參數(shù)關(guān)聯(lián)性、耦合性以及設(shè)備正常運(yùn)行的樣本數(shù)據(jù)，建立基于神經(jīng)網(wǎng)絡(luò)算法的參數(shù)正常值預(yù)測(cè)模型，實(shí)現(xiàn)了基于規(guī)則的設(shè)備故障診斷及運(yùn)行指導(dǎo)，為設(shè)備管理和生產(chǎn)運(yùn)行人員積累診斷經(jīng)驗(yàn)提供了基礎(chǔ)平臺(tái)。

3.3 系統(tǒng)架構(gòu)設(shè)計(jì)

系統(tǒng)采用面向服務(wù)SOA+B/S體系架構(gòu)設(shè)計(jì)，系統(tǒng)設(shè)計(jì)采用成熟的三層結(jié)構(gòu)，分為數(shù)據(jù)層、中間層和應(yīng)用層，具體架構(gòu)如圖4所示[5]。數(shù)據(jù)層：數(shù)據(jù)采集接口采用標(biāo)準(zhǔn)網(wǎng)絡(luò)通訊協(xié)議，將DCS(分布式控制系統(tǒng))及其他控制系統(tǒng)的實(shí)時(shí)數(shù)據(jù)采集并到實(shí)時(shí)與關(guān)系數(shù)據(jù)庫。中間層：基于REAP 4.0、RTDB平臺(tái)，完成模型建立、模型訓(xùn)練、參數(shù)評(píng)估、分層評(píng)估以及潛在故障預(yù)警等數(shù)據(jù)處理環(huán)節(jié)，是系統(tǒng)模型運(yùn)算與業(yè)務(wù)處理的核心層。應(yīng)用層：系統(tǒng)配置管理及功能應(yīng)用部分，主要包括設(shè)備狀態(tài)監(jiān)視、設(shè)備故障預(yù)警定位、設(shè)備故障分析、設(shè)備健康狀態(tài)評(píng)價(jià)等應(yīng)用。

3.4 技術(shù)要求

(1)數(shù)據(jù)采集與計(jì)算周期：原始實(shí)時(shí)數(shù)據(jù)采集周期≤1分鐘；計(jì)算周期≤1分鐘。

(2)模型配置與參數(shù)要求：根據(jù)電廠監(jiān)測(cè)要求及訓(xùn)練情況，建立監(jiān)測(cè)模型，建議單臺(tái)機(jī)組模型不超過80個(gè)；每個(gè)監(jiān)測(cè)模型的參數(shù)可以根據(jù)監(jiān)測(cè)目的來選擇，個(gè)數(shù)沒有要求，但選擇與模型監(jiān)測(cè)目的無關(guān)的參數(shù)將影響模型預(yù)警結(jié)果準(zhǔn)確性。

(3)訓(xùn)練樣本要求：模型訓(xùn)練應(yīng)保證正常運(yùn)行時(shí)段四季的樣本數(shù)據(jù)，可從不同季節(jié)中選擇典型月份，再從中篩選正常標(biāo)準(zhǔn)運(yùn)行數(shù)據(jù)；樣本數(shù)據(jù)越全面，模型預(yù)警準(zhǔn)確性越高，建議樣本條數(shù)在8 000條以上[5]。

圖4 系統(tǒng)架構(gòu)圖

3.5 技術(shù)亮點(diǎn)

(1)利用數(shù)據(jù)挖掘技術(shù)，從大量歷史數(shù)據(jù)中挖掘出隱含的參數(shù)關(guān)聯(lián)性、耦合性，建立基于神經(jīng)網(wǎng)絡(luò)算法的回歸模型，實(shí)時(shí)預(yù)測(cè)給出監(jiān)測(cè)參數(shù)的正常值。

(2)采用數(shù)據(jù)準(zhǔn)確性甄別技術(shù)，主動(dòng)地發(fā)現(xiàn)測(cè)點(diǎn)異常，為控制部和運(yùn)行部提供實(shí)時(shí)和歷史的測(cè)點(diǎn)異常清單，輔助熱工測(cè)量維護(hù)工作。

(3)采用多重告警模式，實(shí)現(xiàn)了設(shè)備早期劣化或故障報(bào)警提示，電廠技術(shù)人員和管理人員能更高效地發(fā)現(xiàn)設(shè)備的異常，有助于設(shè)備狀態(tài)檢修。

(4)采用分層級(jí)評(píng)價(jià)方法，從安全性、經(jīng)濟(jì)性角度分析，評(píng)價(jià)設(shè)備參數(shù)組的狀態(tài)依次得出設(shè)備、系統(tǒng)、機(jī)組的健康狀態(tài)。評(píng)價(jià)依據(jù)充分，結(jié)果可靠。

數(shù)據(jù)準(zhǔn)確性甄別提高了設(shè)備監(jiān)測(cè)原始數(shù)據(jù)的可靠性與準(zhǔn)確性。數(shù)據(jù)準(zhǔn)確性甄別技術(shù)已經(jīng)獲得了國家發(fā)明專利，且在國內(nèi)電網(wǎng)節(jié)能環(huán)保智能一體化系統(tǒng)與SIS(安全儀表系統(tǒng))產(chǎn)品中得到了廣泛應(yīng)用。

4 應(yīng)用效果

4.1 經(jīng)濟(jì)效益分析

以某電廠4×300 MW機(jī)組為例，本項(xiàng)目一次投入大約為100萬元。系統(tǒng)投入使用1年后取得經(jīng)濟(jì)效益如下。

(1)減少人力資源投入。按每1臺(tái)機(jī)組可以減少巡檢員1名，1名職工支付年工資約6萬元，1年該電廠4臺(tái)機(jī)組共節(jié)約人力成本約24萬元。

(2)減少設(shè)備檢修及備件費(fèi)用。根據(jù)行業(yè)統(tǒng)計(jì)數(shù)據(jù)，由于監(jiān)控不到位、發(fā)現(xiàn)不及時(shí)，每年將造成4次以上輔機(jī)、軸瓦等設(shè)備損壞，直接經(jīng)濟(jì)損失約10萬元/次，1年可減少費(fèi)用40萬元。

(3)減少降出力。根據(jù)電力可靠性指標(biāo)發(fā)布數(shù)據(jù)顯示，非計(jì)劃停運(yùn)次數(shù)平均為0.48次/臺(tái)年，非計(jì)劃停運(yùn)年平均值為33.00 h/臺(tái)。若系統(tǒng)能在設(shè)備發(fā)生異常前提前報(bào)警，保守估計(jì)1臺(tái)300 MW機(jī)組每年減少一次“降出力”事件。若降出力負(fù)荷為機(jī)組額定負(fù)荷的20% ，即60MW，降出力時(shí)間為20 h，1年將能挽回降出力經(jīng)濟(jì)損失約104萬元。

綜上所述，此電廠總計(jì)1年的經(jīng)濟(jì)效益約168萬元。

4.2 社會(huì)效益

(1)本產(chǎn)品的應(yīng)用，為發(fā)電行業(yè)設(shè)備狀態(tài)監(jiān)測(cè)、診斷系統(tǒng)的應(yīng)用提供了一個(gè)標(biāo)桿，特別是基于大數(shù)據(jù)機(jī)器學(xué)習(xí)算法，改變了傳統(tǒng)的依靠人員管理經(jīng)驗(yàn)進(jìn)行設(shè)備狀態(tài)監(jiān)測(cè)與診斷方法；

(2)設(shè)備點(diǎn)檢長(zhǎng)、點(diǎn)檢員對(duì)于設(shè)備狀態(tài)監(jiān)測(cè)與評(píng)估有據(jù)可依、有記錄可查，日常工作量和工作壓力得到降低，工作效率至少提高20%；

(3)幫助火電廠提高了設(shè)備劣化、缺陷的監(jiān)測(cè)與故障診斷水平，從而提高發(fā)電設(shè)備可靠性，減少機(jī)組非計(jì)劃事件的發(fā)生[6-7]。

5 結(jié)束語

本文以火電廠設(shè)備狀態(tài)監(jiān)測(cè)與故障預(yù)警為研究對(duì)象，重點(diǎn)研究了系統(tǒng)設(shè)計(jì)中的高斯混合算法與K-means算法結(jié)合應(yīng)用的方法，并詳細(xì)介紹了系統(tǒng)總體設(shè)計(jì)，分析了設(shè)備狀態(tài)監(jiān)測(cè)與診斷在電廠的應(yīng)用效果。通過建立該系統(tǒng)，電廠可實(shí)時(shí)掌握設(shè)備劣化與故障情況，為電廠機(jī)組設(shè)備的安全與穩(wěn)定運(yùn)行提供參考依據(jù)。