李 鋒 ，潘鳳萍 ，廖宏楷 ，呂 游 ，黃 鑫

(1.廣東電網(wǎng)有限責任公司電力科學研究院，廣東 廣州 510800；2.華北電力大學控制與計算機工程學院，北京 102206)

0 引言

提高電站設(shè)備運行的安全性和可靠性、降低設(shè)備的維護成本、延長設(shè)備的檢修周期，對提高發(fā)電企業(yè)的經(jīng)濟效益和社會效益都具有重要的意義。隨著電站設(shè)備故障檢測技術(shù)的發(fā)展，人們不僅希望在故障出現(xiàn)時提供維修，還要求在設(shè)備發(fā)生故障前實現(xiàn)預警，從而有足夠的時間采取措施來防止故障的發(fā)生和造成的停機，避免不必要的損失[1]。

引風機是大型火力發(fā)電廠主要的輔機設(shè)備之一，其運行狀態(tài)直接影響電力生產(chǎn)的安全性和經(jīng)濟性。電站引風機故障會造成機組負荷降低或者非計劃停機，減少機組發(fā)電量，影響發(fā)電企業(yè)的經(jīng)濟效益，甚至引發(fā)潛在安全事故。由于引風機設(shè)備結(jié)構(gòu)復雜、故障類型繁多，而且在運行過程中會受到許多外界因素的影響，很難及時發(fā)現(xiàn)故障和準確判斷故障產(chǎn)生的原因。因此，在設(shè)備出現(xiàn)異常或故障之前進行準確的預警，提前將潛在的故障預警送達相關(guān)人員，以采取正確措施避免故障發(fā)生或降低故障損失，對企業(yè)的安全生產(chǎn)和效益提高都具有重要的意義。

多元狀態(tài)估計技術(shù)(multiple state estimation technology,MSET)利用涵蓋正常運行狀態(tài)的數(shù)據(jù)進行過程相似性建模，可以實現(xiàn)對設(shè)備運行狀態(tài)的辨識及故障預警[2-3]。孫建平等[4]將MSET應(yīng)用于電站風機的狀態(tài)監(jiān)測及故障預警中；劉濤等[5]提出利用MSET和偏離度實現(xiàn)電站引風機設(shè)備的故障預警。此外，MSET還應(yīng)用于風機齒輪箱[6-7]以及內(nèi)燃機[8]等設(shè)備的狀態(tài)監(jiān)測和預警中，并得到了較好的效果。

在利用MSET進行故障預警時，需要選取正常工況下的歷史運行數(shù)據(jù)構(gòu)建記憶矩陣，實現(xiàn)對運行狀態(tài)的估計。而構(gòu)建的記憶矩陣中工況特性的好壞，直接影響模型的預測精度[9-12]。如何選取合適的運行數(shù)據(jù)樣本來構(gòu)造信息量完備的記憶矩陣，是建立引風機故障預警模型時需要解決的一個重要問題。

本文提出一種記憶矩陣的構(gòu)建方法?？紤]樣本的樣本分布的空間大小、樣本分布的均勻程度以及樣本的冗余程度，構(gòu)造記憶矩陣的評價指標；從歷史運行數(shù)據(jù)中選取記憶矩陣時，應(yīng)使評價指標l盡可能大，從而使得到的記憶矩陣涵蓋更多的工況特性，以保證模型預測的精度?；谶x取的記憶矩陣，構(gòu)建MSET預測模型，從而實現(xiàn)電站引風機的故障預警。

1 引風機結(jié)構(gòu)及監(jiān)測參數(shù)

本文以燃煤電站中配備的靜葉可調(diào)軸流式引風機為研究對象。電站廠級監(jiān)控信息系統(tǒng)(supervision information system,SIS)中實時記錄了引風機運行的狀態(tài)參數(shù)，涵蓋了電流、溫度以及振動位移等參數(shù)。這些參數(shù)反映風機設(shè)備的運行狀態(tài)變化特性?；谶@些參數(shù)信息，可以實現(xiàn)對設(shè)備的狀態(tài)監(jiān)測和故障預警。引風機測點分布如圖1所示。

圖1 引風機測點分布圖

圖1中：I為電機電流；t1為電機后軸承溫度；t2為電機前軸承溫度；t3為引風機前軸承溫度；t4為引風機后軸承溫度；l1為引風機前軸承垂直位移；l2為引風機前軸承水平位移；l3為引風機后軸承垂直位移；l4為引風機后軸承水平位移。

從SIS系統(tǒng)中采集引風機運行狀態(tài)相關(guān)的9維參數(shù)變量，具體包括：引風機電機電流、電機前軸承溫度、電機后軸承溫度、引風機前軸承溫度、引風機后軸承溫度、引風機前軸承垂直位移、引風機前軸承水平位移、引風機后軸承垂直位移和引風機后軸承水平位移。

2 多元狀態(tài)估計技術(shù)

多元狀態(tài)估計技術(shù)是一種非參數(shù)建模方法，通過運行參數(shù)之間的相似性來實現(xiàn)對設(shè)備狀態(tài)的監(jiān)測和故障預警[2- 3]。MSET的主要思想是利用設(shè)備正常工況下的歷史運行數(shù)據(jù)，建立關(guān)于各參數(shù)之間關(guān)系，并根據(jù)新采樣的數(shù)據(jù)判斷設(shè)備的當前運行工況。在正常工況的歷史運行數(shù)據(jù)中選取樣本構(gòu)建記憶矩陣D，在歷史運行數(shù)據(jù)中，記tj時刻p個變量的數(shù)據(jù)樣本為：X(tj)=[x1(tj),x2(tj),…,xp(tj)]T,j=1,2,…,n。其中:xi(tj)表示樣本的變量i在tj時刻的測量值。選取n個數(shù)據(jù)樣本，構(gòu)建記憶矩陣D∈ip×p：

Dp×n=[X(t1),X(t2),…,X(tn)]=

(1)

式中：Dij=xi(tj)。

記憶矩陣中的每一列觀測向量代表設(shè)備的一個正常運行狀態(tài)，經(jīng)過合理選擇的記憶矩陣中的n個數(shù)據(jù)樣本所形成的子空間，能夠代表設(shè)備正常運行的過程特性。因此，記憶矩陣的構(gòu)造實質(zhì)就是對設(shè)備正常運行特性的描述和存儲。

(2)

式中：權(quán)值向量w為該樣本與記憶矩陣中各狀態(tài)的相似性測度，并可通過最小化預測誤差e得到。

新樣本和估計值之間的誤差定義為：

(3)

通過使誤差最小化，可求得權(quán)值向量w：

w=(DT?D)-1×(DT?xo)

(4)

式中：?為非線性運算符，用來代替普通矩陣乘積運算。

通常，采用歐式距離運算，即：

(5)

式中：xi=X(ti);yj=Y(tj)。

通過歐式距離反映樣本之間的相似程度。若新樣本與記憶矩陣中樣本的相似程度越大，則所對應(yīng)的權(quán)值越大；反之越小。將式(4)代入式(2)，可得到樣本的估計向值。

3 記憶矩陣構(gòu)建方法

記憶矩陣存儲了設(shè)備正常運行的工況特性。當新樣本處于記憶矩陣空間之內(nèi)時，表明設(shè)備當前的運行特性與存儲的正常工況特性一致，同時樣本的估計誤差較小，設(shè)備處于正常運行狀態(tài)；若新樣本處于記憶矩陣空間之外，表明當前的運行特性與存儲的正常工況特性不一致，同時估計誤差較大，設(shè)備可能發(fā)生故障。由此可以看出，記憶矩陣所包含的工況特性是否完備，直接決定了MSET的預測精度和預警的正確性。如何構(gòu)建一個覆蓋較大工況特性的記憶矩陣，對實現(xiàn)故障的精確預警具有重要的意義。本文同時考慮樣本的空間大小、樣本分布的均勻程度和樣本的冗余程度，從歷史運行數(shù)據(jù)中尋找涵蓋最大工況的數(shù)據(jù)樣本構(gòu)建記憶矩陣。

在從歷史運行數(shù)據(jù)中選取樣本構(gòu)建記憶矩陣時，考慮三個重要的因素：樣本分布的空間大小、樣本分布的均勻程度以及樣本的冗余程度。樣本分布的空間大小直接決定了記憶矩陣的覆蓋范圍，樣本分布的均勻程度決定了記憶矩陣是無偏的，樣本的冗余程度決定了信息的重復和冗余特性。

歷史運行數(shù)據(jù)中任意一個樣本到其鄰近樣本的平均距離為：

(6)

式中：n為所選的樣本數(shù)；mi為與xi鄰近的周邊樣本數(shù)；dij為任意兩個樣本xi和xj之間的歐式距離，并可以通過公式計算得到；r越大，表征樣本分布的空間范圍越大。

同時，為了保證每個樣本與周邊樣本的距離都相近，即樣本在整個空間內(nèi)均勻分布，要求所有的距離近似一致，即具有較小的方差：

(7)

除了以上兩個因素之外，還要考慮樣本之間的冗余程度，使記憶矩陣中包含較少的冗余信息，即其中的每個數(shù)據(jù)記錄都具有一定的工況代表性。這里利用Pearson相關(guān)系數(shù)的平均值來表征數(shù)據(jù)樣本的冗余度：

(8)

ρij可以通過下式計算：

(9)

基于以上分析，最終定義評價記憶矩陣的指標如下：

λ=ρ(r-σ)

(10)

在進行選取記憶矩陣樣本時，應(yīng)使評價指標l的值盡可能大，從而使得到的記憶矩陣涵蓋更大的工況特性，以保證預測的精度。在選取記憶矩陣樣本時，可以采用Kennard-Stone (KS)搜索方法[11]、遺傳算法以及粒子群算法等方法[12]。

4 基于MSET的風機故障預警

4.1 故障預警準則

定義當前樣本與設(shè)備正常特性下預測值的相似度s來表征設(shè)備當前的健康狀況：

(11)

式中：ε為相似度歸一化參數(shù)，其值由設(shè)備正常運行樣本的變化方差所決定。若s較大，表明當前樣本和其預測值一致，即當前設(shè)備的運行狀況也是正常的；若s較小，表明當前樣本和其預測值不一致，即當前設(shè)備的運行狀況與正常特性不同，設(shè)備有可能出現(xiàn)了故障。

定義相似度閾值δ作為故障閾值，來表征設(shè)備是否發(fā)生故障。若s≥δ，則設(shè)備運行狀態(tài)正常；若s<δ，則設(shè)備發(fā)生故障。

4.2 故障預警變量選取及標準化

為了建立電站引風機的故障預警模型，需要選擇表征引風機運行特性的變量來作為預警變量?；陲L機常見故障，選擇引風機電機電流、電機前軸承溫度、電機后軸承溫度、引風機前軸承溫度、引風機后軸承溫度、引風機前軸承垂直位移、引風機前軸承水平位移、引風機后軸承垂直位移和引風機后軸承水平位移作為預警變量。同時，為了統(tǒng)一個各個變量的量綱，將所選變量按照式(12)進行標準化：

(12)

式中：x為觀測向量中的變量；x′為對應(yīng)的標準化后的變量；μ為變量的樣本均值；σ為變量的樣本標準差。

4.3 風機預警仿真分析

選擇引風機電機電流、電機前軸承溫度、電機后軸承溫度、引風機前軸承溫度、引風機后軸承溫度、引風機前軸承垂直位移、引風機前軸承水平位移、引風機后軸承垂直位移和引風機后軸承水平位移測點作為預警模型的觀測變量，采集故障前連續(xù)2周左右的運行數(shù)據(jù)，采樣間隔為2 min，共得到約10 000組數(shù)據(jù)樣本。其中，引風機設(shè)備在9 500點開始發(fā)生引風機前軸承超溫。采集的引風機前軸承溫度數(shù)據(jù)如圖2所示。

圖2 引風機前軸承溫度數(shù)據(jù)

從引風機正常運行的歷史數(shù)據(jù)中，按照本文提出的使記憶矩陣評價指標最大化方法來選擇100組數(shù)據(jù)樣本作為記憶矩陣。利用MSET對新樣本進行狀態(tài)估計，然后計算樣本與估計值的偏離度，建立故障預警模型(記為M1)。為了驗證提出的記憶矩陣選取方法的有效性，按照時間順序選取前100組數(shù)據(jù)樣本構(gòu)建記憶矩陣和建立故障預警模型(記為M2)，對樣本進行狀態(tài)監(jiān)測和故障預警。故障預警閾值δ設(shè)置為0.7。

利用故障預警模型M1得到的狀態(tài)監(jiān)測結(jié)果如圖3所示。由圖3可以看出，從第9 200個樣本開始，樣本的相似度逐漸降低，在第9 400個樣本點開始低于故障閾值0.7。這說明引風機開始進入早期故障階段，直至第9 500個樣本點出現(xiàn)超溫故障，相似度迅速降低，并在第9 800個樣本點時降至0左右。由此可見，利用本文提出的最大化評價指標選擇記憶矩陣建立的MSET模型可以實現(xiàn)故障的早期預警。以第9 500個樣本點發(fā)生早期故障來計算，預警時間比故障發(fā)生時間提前了3 h。

圖3 基于M1模型的預測相似度

利用故障預警模型M2得到的狀態(tài)監(jiān)測結(jié)果如圖4所示。由圖4可以看出，模型的相似度在第3 400個樣本點處下降，并低于故障閾值，但是在第3 600個樣本點處又開始上升。這說明模型在此處發(fā)生了故障誤報。同時，模型在第6 900個樣本點處也發(fā)生了故障誤報。此外，模型在第9 700個樣本點處仍能給出故障的預警信息，但比模型M1滯后了10 h左右。

圖4 基于M2模型的預測相似度

為了進一步探究模型誤報的原因，對模型的預測精度進行分析。圖5和圖6分別給出了模型M1和M2對引風機運行特性預測的誤差序列。

圖5 基于M1模型的預測誤差

由圖5可以看出，在設(shè)備正常運行的工況下，模型M1的預測誤差較低，當發(fā)生故障時，模型的預測誤差開始增加，這說明故障工況偏離了正常工況特性。

圖6 基于M2模型的預測誤差

由圖6可以看出，模型M2在某些正常工況點也存在較大的誤差，從而誤認為這段運行工況偏離了正常狀態(tài)，發(fā)生了故障的誤報。這說明記憶矩陣樣本的選取對MSET模型的預測精度有著較大的影響。

預警模型M1和M2中記憶矩陣樣本的引風機電機電流分布頻度如圖7所示。

圖7 風機電流分布頻度

由圖7(a)可以看出，模型M1中樣本分布覆蓋了較大的工況范圍，標準化電機電流值的范圍達到[-3.8,3.8]。這是由于M1中樣本經(jīng)過精心的篩選，使樣本評價指標達到了最大化。而M2中記憶矩陣的樣本則是按時間順序進行選取，最大范圍只達到[-2.1,1.6]，小于M1模型的記憶矩陣樣本的工況范圍。通過對比圖7(a)和圖7(b)可以發(fā)現(xiàn)，模型M1中記憶矩陣的電機電流的分布頻度較為均勻，而模型M2中記憶矩陣只選取了前100組數(shù)據(jù)樣本，無法保證分布頻度的均勻性。由此可見，本文提出的記憶矩陣樣本選取方法，能夠有效地選擇具有較大工況特性的樣本，并能保證樣本分布的均勻性，從而使MSET建模具有很高的精度，并能實現(xiàn)對引風機故障的精確預警。

5 結(jié)束語

本文分析了電站引風機機結(jié)構(gòu)和監(jiān)測參數(shù)，在此基礎(chǔ)上，對MSET技術(shù)在引風機的故障進行預警中的應(yīng)用進行了研究。提出了記憶矩陣樣本的評價準則和選取方法，對不同記憶矩陣樣本選取方法下模型的預測精度進及預警效果行了對比驗證。驗證結(jié)果表明，本文提出的記憶矩陣樣本選取方法，能夠有效地選擇具有較大工況特性的樣本，從而使MSET建模具有很高的精度，并能實現(xiàn)對引風機故障的精確預警。