周 理，王宇希，繆佳美，劉慧玲，葛曉霞

(南京工程學院 能源與動力工程學院，江蘇 南京 211167)

0 前言

故障診斷是根據(jù)設備當前的運行參數(shù)，通過各種方法的分析，最終發(fā)現(xiàn)故障的根源所在，是進行故障處理的必要準備和前期工作[1～4]。故障預警是將設備發(fā)生故障時的數(shù)據(jù)記錄下來，將大量數(shù)據(jù)整理成數(shù)據(jù)庫，同時設置參數(shù)多級安全閾值。在后續(xù)設備運行過程中，將當下數(shù)據(jù)和數(shù)據(jù)庫參數(shù)進行比對，即可實現(xiàn)在故障進一步發(fā)展前發(fā)現(xiàn)故障的存在。

隨著科學技術(shù)的不斷發(fā)展，材料技術(shù)不斷提高，電廠單機容量的不斷擴大，全國范圍內(nèi)的裝機容量也在不斷增加。無論電廠的規(guī)模如何，送風機和引風機都是電廠重要的輔機。且風機的運行環(huán)境一般有高溫，高壓，高雜質(zhì)惡劣的特點，易出現(xiàn)一些異常工況威脅到電廠生產(chǎn)的安全性。所以保證風機的正常運行，對其進行故障預警尤為重要?，F(xiàn)如今的故障預警方法已經(jīng)從過去的運行人員通過自己的經(jīng)驗進行主觀判斷，逐漸邁向技術(shù)化，智能化，出現(xiàn)了大量基于大數(shù)據(jù)分析的新型預警方法，大大提高了設備運行的可靠性。

1 國內(nèi)外故障診斷技術(shù)發(fā)展歷程

當設備發(fā)生故障后，機組將經(jīng)歷一個從正常的穩(wěn)定狀態(tài)過渡到另一個非正常的穩(wěn)定狀態(tài)或者直接崩潰。故障預警的研究目的在于機組由正常穩(wěn)定狀態(tài)向故障狀態(tài)發(fā)展的初期就能夠及時發(fā)出相應報警信息，為維修人員爭取更多時間處理設備故障，減低故障帶來的經(jīng)濟和安全損失。

1.1 國外研究現(xiàn)狀

早在20世紀60年代初期，國外就開始進行故障診斷的研究，并將故障預警思想運用于工程。美國是最早研究設備診斷技術(shù)的國家，分別在1961年和1967年建立國家機械故障研究會(MFWG)和機械故障預防小組(MFPG)，開始有組織有計劃對設備的科學管理與維修進行研究。隨后美國軍方在20世紀70年代中期將故障預測與健康管理技術(shù)(PHM)用于飛機發(fā)動機監(jiān)控系統(tǒng)中，這標志著研究人員開始對故障預警技術(shù)進行研究[5]。隨著信息技術(shù)和計算機技術(shù)的發(fā)展，故障診斷和預警技術(shù)被用于各行各業(yè)。美國電力工業(yè)科研權(quán)威機構(gòu)EPRI較早將故障診斷技術(shù)用于電廠，全方位監(jiān)測電站設備，獲得設備的實時運行信息間。直到今日，故障預警技術(shù)己經(jīng)成功運用于風電、火電、航天與軍工等各種領域。

1.2 國內(nèi)研究現(xiàn)狀

1983年，于南京召開了首屆設備診斷技術(shù)專題座談會，這代表著我國研究故障診斷技術(shù)的開端。較晚的起步促使國內(nèi)的科研工作人員更努力的學歷，經(jīng)過幾十年的自身努力，以及積極吸取國外先進技術(shù)和實踐經(jīng)驗，再加上國家的大力支持，我國在故障診斷和預警技術(shù)上取得了很大的進步。

在理論基礎方面，西安交通大學的劉石院士[6]在《回轉(zhuǎn)機械故障診斷中的三維全息譜技術(shù)》首先提出了利用全息譜技術(shù)來進行設備故障診斷的構(gòu)想，并且提出了一種基于三維全息差譜的故障診斷方法，打破了傳統(tǒng)故障診斷方法的局限性。何正嘉團隊從1998年-2008年花了十年的時間，研究了小波有限元理論，并將其應用到裂紋的定量診斷中[7]。華中科技大學的孫燕華帶領的團隊提出了一種基于開放磁化方法的漏磁傳感器在線自動結(jié)構(gòu)健康監(jiān)測方法[8]。

隨著理論研究的不斷深入，將其應用到實際生產(chǎn)中，誕生了相應的故障診斷系統(tǒng)。西安工業(yè)大學，西安交通大學和華北電力大學等都根據(jù)不同類型的機械設備研發(fā)了多套運行狀態(tài)監(jiān)測和故障診斷系統(tǒng)。鄭州工業(yè)大學研發(fā)出了中國第一套擁有專家故障診斷功能的操作系統(tǒng)；西安熱工研究所也在這之后研發(fā)了一整套“汽輪機發(fā)電機組的振動監(jiān)測和專家診斷系統(tǒng)”；英華達公司研發(fā)了用于旋轉(zhuǎn)機械振動監(jiān)測故障診斷專家系統(tǒng)EN8000。

2 現(xiàn)有故障預警方法

2.1 基于大數(shù)據(jù)狀態(tài)預測的故障預警

根據(jù)大數(shù)據(jù)進行預測的故障預警方法包括多元狀態(tài)估計方法(Multivariate State Estimation Techniques，MSET)，支持向量機法(Support Vector Machine, SVM),以及神經(jīng)網(wǎng)絡(Artificial Neural Network ,ANN)等方法。以上方法都從大數(shù)據(jù)的角度對已有信息進行挖掘，該挖掘主要可分成數(shù)據(jù)準備，數(shù)據(jù)挖掘，結(jié)果表達和解釋幾個流程[9]。其中數(shù)據(jù)準備又可以分成數(shù)據(jù)集成，對來自多個數(shù)據(jù)庫的數(shù)據(jù)進行整合處理；數(shù)據(jù)選取，過濾掉不需要的數(shù)據(jù)，提高數(shù)據(jù)的有效率和后續(xù)挖掘效率；數(shù)據(jù)處理，對遺漏、錯誤數(shù)據(jù)進行處理。數(shù)據(jù)挖掘，即利用設計的算法挖掘數(shù)據(jù)中潛在的利用價值。結(jié)果表達和解釋，即根據(jù)挖掘數(shù)據(jù)的目的和需要，把數(shù)據(jù)轉(zhuǎn)換成有用的信息。其核心原理是利用以往的數(shù)據(jù)進行建模，將實際工況和模型進行比對，從而實現(xiàn)故障預警。文獻[10]提出了一種對利用BP神經(jīng)網(wǎng)絡進行故障預測的改進措施，降低了訓練次數(shù)的同時，提高了網(wǎng)絡的容錯率。文獻[11]提出了基于集合經(jīng)驗模態(tài)分解樣本熵和LIBSVM工具箱的離心風機故障預測的方法，同時證明了其有效性。文獻[12]提出了一項基于多元狀態(tài)估計方法的風機故障預警技術(shù)，通過層次分析法來確定需要監(jiān)測參數(shù)的占比系數(shù)，尋找可能發(fā)生故障的參數(shù)測點。

利用大數(shù)據(jù)作為工具對風機進行故障預測需要較為龐大的數(shù)據(jù)量來建立數(shù)學模型，并將模型作為參考標準對風機設備當下或以后運行時的數(shù)據(jù)進行估計與預測。利用MSET建立的模型，一般來說其輸出參數(shù)的數(shù)量和輸入?yún)?shù)數(shù)量相同，適用于對測點數(shù)量要求較高的設備，例如送引風機等。通過該模型可以搜尋出設備出現(xiàn)異常的源頭，在可以保證包含所有運行特征的歷史矩陣規(guī)模的同時，計算速度快，時效性高；SVM可以應用到樣本較小的機器學習中。如果面對的是數(shù)據(jù)測點較多的工業(yè)設備，就會出現(xiàn)運算效率較低的問題；ANN的非線性學習能力較強，但是其模型的構(gòu)建需要用到的數(shù)據(jù)量更大，系統(tǒng)較為復雜時，計算量也會相應增加，導致其時效性較低。此外，SVM和ANN更適合用于單輸入多輸出的情況，

2.2 基于故障特征值的故障預警

故障特征值參數(shù)法是對故障設備發(fā)展過程進行研究，以此來探尋特征值參數(shù)的潛在變化規(guī)律。具體操作時，一般對故障機理進行研究或者是進行故障模擬實驗，尋找能夠用以判斷是否發(fā)生故障的特征變量，此外，還要確定這些不同的特征變量在設備正常運行時的參數(shù)允許范圍，以及正常運行時的閾值，當某個特征參數(shù)在某個時間超過所設閾值，即可認為設備出現(xiàn)異常，發(fā)出故障預警信號。

對于風機這類高速旋轉(zhuǎn)的設備，如果出現(xiàn)故障，則會反映在振動信號內(nèi)。所以針對風機，還可以從振動的角度入手，用振動頻譜分析的方法進行故障監(jiān)測。對于實測振動瞬態(tài)信號，對各種信號進行分析，從中提取出故障信息的方法已經(jīng)在實際生產(chǎn)得到廣泛應用。最基礎的信號分析和故障特征值的獲取方法包括頻譜分析，時域分析，包絡和倒頻譜分析。其中，包絡分析方法能夠?qū)崿F(xiàn)滾動軸承振動調(diào)制信號的解調(diào)分析，并且提取出軸承發(fā)生故障時候的特征參數(shù)，因此是獲取振動故障特征值重要方法。

就目前來看，振動信號的分析方法研究較為完善，各種方法層出不窮，且有故障信息覆蓋面廣，反映時間短，故障識別性高等突出優(yōu)點。但是美中不足的是振動信號非常容易受到干擾噪聲的影響。以引風機為例，其干擾信號較多，從振動信號中分離出故障信號，對干擾成分的確定比較困難。根據(jù)當前的生產(chǎn)需要來看，引風機需要與火電廠負荷的變化匹配，在穩(wěn)定性得到提高的同時，故障特征值的變化容易變得不平穩(wěn)，且數(shù)學模型復雜，難以進行分析。

2.3 基于概率模型的故障預警

概率模型是用來描述一個或多個隨機變量之間的相互非確定性的概率關(guān)系。該故障預警方法將選取和設備不同運行狀態(tài)下密切相關(guān)的特征參數(shù)。分析該特征參數(shù)過往的數(shù)據(jù)。找到特征參數(shù)和不同運行狀態(tài)之間的關(guān)系，進而進行數(shù)學建模，得到概率模型。利用所建的模型中參數(shù)的概率分布來判斷當前處于何種運行狀態(tài)，或是預測將來的狀態(tài)，達到實現(xiàn)故障預警的目的。

文獻[13]利用神經(jīng)網(wǎng)絡的方法將特征頻率到故障類型進行了非線性映射，輔以D-S(Dempster-Shafer evidence theory)證據(jù)理論，將多路信號融合分析，針對不同類型的故障都可以進行相對準確的預測。文獻[14]是將電廠設備過往得數(shù)據(jù)進行概率網(wǎng)格劃分，建立運行的概率模型，參考概率值的大小判斷設備是否發(fā)生了故障。文獻[15]中提到了一種對鍋爐設備進行的故障預警的方法。利用貝葉斯網(wǎng)絡分析方法，對鍋爐過熱蒸汽和燃料的平衡進行分析，根據(jù)分析結(jié)果可以計算出余熱鍋爐泄露的概率，從而達到預警目的。

基于概率模型的故障預警方法的優(yōu)勢在于無需人工設定參數(shù)閾值，而是根據(jù)當前的概率分布完成故障預警，降低了手動干預程度，提高了自動化水平。但由于要對故障進行預警，其劣勢之處也和前文兩者方法較為相似，即需要對設備的歷史運行數(shù)據(jù)做大量的前期準備工作。只有將不同類型故障的發(fā)展程度進行具體的分類分條，才可以實現(xiàn)準確的故障預警。但實際生產(chǎn)過程中，完成故障發(fā)展程度的分類難度較高。同時想要獲得設備在不同運行狀態(tài)下的概率分布的前提是有大量的歷史數(shù)據(jù)作為參考，其包括正常運行數(shù)據(jù)，發(fā)生故障前后的數(shù)據(jù)等等，而對于新建的一些生產(chǎn)設備，這些數(shù)據(jù)的獲取較為困難。是一種相對滯后的預警方法。

3 風機設備故障預警的發(fā)展方向

隨著科學技術(shù)特別是大數(shù)據(jù)的不斷發(fā)展，智慧電廠的受關(guān)注率越來越高。智慧電廠是一個集設備智能化控制、物聯(lián)網(wǎng)等新技術(shù)、生產(chǎn)過程監(jiān)視與優(yōu)化、發(fā)電生產(chǎn)經(jīng)營一體化管控、生產(chǎn)經(jīng)營優(yōu)化與數(shù)字化決策五個方面的信息化系統(tǒng)。其中數(shù)字化決策中的監(jiān)視層就包括設備建模，生產(chǎn)監(jiān)視，實時預警，健康評估四個功能。尤其智能監(jiān)控系統(tǒng)的問世，為電力企業(yè)的發(fā)展提供了新的思路。智能監(jiān)控技術(shù)能夠深入地發(fā)掘和分析大量的運營數(shù)據(jù)和信息，建立評估模型、故障預測模型和故障診斷模型。根據(jù)以上模式，智能監(jiān)控技術(shù)在設備安全性、系統(tǒng)安全性、機組運行經(jīng)濟性等方面具有重要意義；對機組的狀態(tài)進行連續(xù)量化評價，以提高故障早期報警準確率，實現(xiàn)智能監(jiān)控。該方法可以降低操作人員對數(shù)據(jù)的查詢和判斷，減輕操作人員的工作負荷，提高了對數(shù)據(jù)的監(jiān)控和判別準確率。通過智慧監(jiān)盤，可以有效地解決系統(tǒng)的故障問題。智慧監(jiān)盤憑借其優(yōu)勢必將會成為未來電廠發(fā)展方向?qū)蚺芠16]。

目前智慧監(jiān)盤的前景可以歸結(jié)為以下3個方向。

3.1 多種診斷方法的融合

在實際生產(chǎn)過程中，設備數(shù)據(jù)具有多樣性，多變性的特點，單一的故障監(jiān)測方法具有一定的局限性。例如在用支持向量機法進行大數(shù)據(jù)預測時，如果設備測點過多，該方法就會暴露出計算效率低下的問題。所以對于風機這樣工作環(huán)境較為復雜的設備而言，需要多種參數(shù)，多種方法組合分析，才能對運行工況做出更好的判斷。不同理論之間相互補充，相互借鑒才能使故障預測技術(shù)進一步的發(fā)展。

3.2 信號采集方式的不斷更新

在風機故障預測的信號采集中，振動信號的應用較為廣泛，具有故障信息覆蓋面廣，反應時間快的特點。但是振動信號非常容易受到干擾噪聲的影響，從振動信號中分離出故障信號較為困難。文獻[17]中采用VXI((VME bus extensions for instrumentation))或PXI(PCIE Xtensions for Instrumentation)總線進行數(shù)據(jù)的傳輸，提高了傳感器的穩(wěn)定性；增加整周期性采樣，使用雙通道或者多通道的采樣方式，大大提高了數(shù)據(jù)采集的數(shù)量和質(zhì)量，實現(xiàn)了數(shù)據(jù)的快速高效的采集，從而提高數(shù)據(jù)信號的預處理能力。

3.3 容錯控制

容錯控制是指當風機設備出現(xiàn)故障后，系統(tǒng)可以進行故障的自動剔除，并對系統(tǒng)進行重新構(gòu)建[18]。重新構(gòu)建后的設備運行性能較正常運行時有所下降，但仍可以滿足生產(chǎn)要求。在這種控制方式下，功能拓展設計的方法是關(guān)鍵。即系統(tǒng)內(nèi)部需要有一定的自我補償能力，設備在運行時候的參數(shù)可以進行自動調(diào)節(jié)，為設備的安全運行，電廠的安全生產(chǎn)保駕護航。容錯控制的發(fā)展是工業(yè)自動化發(fā)展的主要趨勢之一。

4 結(jié) 語

現(xiàn)有風機預警系統(tǒng)多以數(shù)據(jù)挖掘為主要研究方法，能夠達到實時報警的功能。這些方法大都需要利用已知數(shù)據(jù)建立完備的故障數(shù)據(jù)庫，且只能對收錄在數(shù)據(jù)庫的故障進行判斷。但是電廠風機作為實際生產(chǎn)的機械設備，有多變量，強耦合非線性的特點。加之風機本身機械結(jié)構(gòu)復雜，故障種類多，有些故障的發(fā)展機理不清晰。例如有些故障和征兆之前沒有相對明確的對應關(guān)系，存在一個征兆對應多個故障或者一個故障出現(xiàn)多種征兆，因此難以建立全面的故障知識庫。且各測點的數(shù)據(jù)也容易受到外界的干擾，掩蓋真實的故障信號。

結(jié)合以上幾點，目前國內(nèi)外大都利用振動信號對風機的故障進行判斷，輔以其他信號，故障診斷準確率不高的問題依舊存在，所以不同算法之間的相互補充，相互完善更為重要。要充分利用新的信號采集傳輸方式，使得諸如MSET等算法在面對海量電廠運行數(shù)據(jù)時，有更高的實時處理性能。并在現(xiàn)場的經(jīng)驗的不斷總結(jié)中，改進算法，適應智慧電廠的發(fā)展對風機故障預測技術(shù)提出的更高的要求。