趙春暉 胡赟昀 鄭嘉樂 陳軍豪

電力工業(yè)是我國國民經(jīng)濟(jì)中的支柱型產(chǎn)業(yè).隨著我國經(jīng)濟(jì)的飛速發(fā)展,社會對電力的需求不斷提高.在我國的電源結(jié)構(gòu)中,燃煤發(fā)電一直是主力電源,也是火電的主體[1].雖然受能源資源、環(huán)境保護(hù)、應(yīng)對氣候變化等影響,我國核電、風(fēng)電、太陽能得到快速發(fā)展,但由于煤電成本低、供電安全可靠、資源立足國內(nèi),以煤為主的能源結(jié)構(gòu)仍將長期保持不變.國際能源署則預(yù)測,即使到2030 年,全球能源對化石燃料的依存度仍高達(dá)80%.隨著信息化和工業(yè)化的深度融合,應(yīng)對互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等信息領(lǐng)域新技術(shù)發(fā)展,推進(jìn)火電行業(yè)的智能轉(zhuǎn)型升級,是加快構(gòu)建高效、清潔、低碳、可持續(xù)的電力工業(yè)體系的必然選擇.

近年來,為了實(shí)現(xiàn)可持續(xù)發(fā)展,火力發(fā)電行業(yè)積極開展結(jié)構(gòu)調(diào)整,“上大壓小”,以大容量、高參數(shù)、低能耗的超臨界和超超臨界機(jī)組取代高能耗小火電機(jī)組,基本形成了以超超臨界機(jī)組為主體的電力能源結(jié)構(gòu).百萬千瓦超超臨界機(jī)組已經(jīng)成為我國電力工業(yè)發(fā)展的代表性機(jī)組和主流方向.在工業(yè)和信息化部發(fā)布的《高端裝備制造業(yè)“十二五”發(fā)展規(guī)劃》中,百萬千瓦級超超臨界火電發(fā)電機(jī)組被列為近十年我國高端裝備制造業(yè)具有自主知識產(chǎn)權(quán)的12 項(xiàng)重大成果之首.與常規(guī)火力發(fā)電裝備相比較,百萬千瓦超超臨界機(jī)組具有許多特殊性,如單機(jī)容量大、熱力參數(shù)高、系統(tǒng)規(guī)模龐大、參數(shù)耦合嚴(yán)重、非線性程度高、參數(shù)波動要求嚴(yán)格、安全可靠性要求高等,機(jī)組出現(xiàn)性能退化甚至故障是不可避免的,運(yùn)行過程一旦發(fā)生重大故障將造成機(jī)組非停[2].為提高百萬千瓦超超臨界機(jī)組的運(yùn)行安全穩(wěn)定性,需要開展裝備運(yùn)行工況監(jiān)控的深入研究,包括及時發(fā)現(xiàn)異常、識別故障并快速制定應(yīng)對措施,從而消除安全隱患,降低發(fā)電裝備非停風(fēng)險,最大限度保障現(xiàn)役百萬千瓦超超臨界機(jī)組的安全可靠運(yùn)行,這對于減少電力生產(chǎn)事故、提高電能生產(chǎn)效率具有十分重要的意義[3].

燃煤發(fā)電裝備運(yùn)行工況監(jiān)控技術(shù)是了解和掌握燃煤發(fā)電裝備在使用過程中的狀態(tài),確定其整體或局部是否正常,早期發(fā)現(xiàn)故障及其原因,并預(yù)報故障發(fā)展趨勢,給出故障處理對策與建議的技術(shù).工況監(jiān)控從廣義上來講,包括了狀態(tài)監(jiān)測和故障診斷.狀態(tài)監(jiān)測[4-6]是對裝備狀態(tài)異常的判別,是故障診斷的起點(diǎn)和基礎(chǔ).狀態(tài)監(jiān)測通過了解和掌握設(shè)備的運(yùn)行狀態(tài),包括采用各種檢測、測量、監(jiān)視、分析和判別方法,結(jié)合系統(tǒng)的歷史和現(xiàn)狀,考慮環(huán)境因素,對裝備運(yùn)行狀態(tài)進(jìn)行評估,判斷其是否處于正常,是否為優(yōu),為裝備的故障分析、合理使用和安全工作提供信息和準(zhǔn)備數(shù)據(jù).故障診斷[4,7]根據(jù)狀態(tài)監(jiān)測所獲得的信息,結(jié)合已知的結(jié)構(gòu)特性和參數(shù)以及環(huán)境條件、該設(shè)備的運(yùn)行歷史(包括運(yùn)行記錄和曾發(fā)生過的故障及維修記錄等),對設(shè)備可能要發(fā)生的或已經(jīng)發(fā)生的故障進(jìn)行預(yù)報、分析和判斷,確定故障的性質(zhì)、類別、程度、原因和部位,指出故障發(fā)生和發(fā)展的趨勢及其后果.研究燃煤發(fā)電裝備運(yùn)行工況監(jiān)控技術(shù),包括狀態(tài)監(jiān)測與故障診斷,是實(shí)現(xiàn)智能電廠的關(guān)鍵核心.

目前專門針對燃煤發(fā)電裝備的工況監(jiān)控工作尚未形成系統(tǒng)的理論體系.在Web of Science 核心數(shù)據(jù)庫中,按照主題詞“Power plant monitoring” 檢索結(jié)果,關(guān)于發(fā)電過程監(jiān)控的科學(xué)引文索引(Science citation index,SCI)科研文章數(shù)量正呈現(xiàn)逐年上升趨勢,目前保持在每年700 篇左右的數(shù)量,表明其研究正在引起科研工作者的重視,并逐漸成為人們關(guān)注的焦點(diǎn).燃煤發(fā)電裝備運(yùn)行過程本質(zhì)上是典型的工業(yè)生產(chǎn)過程.因而,除自身獨(dú)有的特性以外,燃煤發(fā)電裝備生產(chǎn)過程也包含與其他工業(yè)生產(chǎn)過程類似的運(yùn)行特性,例如設(shè)備耦合導(dǎo)致的非線性問題、大規(guī)模多設(shè)備問題、多閉環(huán)回路導(dǎo)致的動態(tài)性問題等.除此以外,燃煤發(fā)電裝備子系統(tǒng)眾多,每個子系統(tǒng)中包含多種設(shè)備,有些設(shè)備與其他工業(yè)生產(chǎn)過程中的設(shè)備也具有相似性,尤其是應(yīng)用廣泛的旋轉(zhuǎn)機(jī)械設(shè)備.針對上述共性問題,有些研究雖未直接用于燃煤發(fā)電裝備,但已取得有效進(jìn)展并在其他工業(yè)生產(chǎn)過程得以驗(yàn)證.考慮到方法的通用性和研究對象的共性,這些前人研究方法或可應(yīng)用于燃煤發(fā)電裝備的工況監(jiān)控研究中.因此,本文在討論一些共性問題時,也加入了對其他工業(yè)生產(chǎn)過程研究方法的討論,希望為燃煤發(fā)電裝備工況監(jiān)控研究帶來借鑒.

目前,從過程歷史數(shù)據(jù)中提取信息并據(jù)此進(jìn)行建模監(jiān)測的數(shù)據(jù)解析方法[8]已成為運(yùn)行工況監(jiān)控研究的一個熱點(diǎn).概括來說,數(shù)據(jù)解析方法通過分析挖掘收集的發(fā)電過程數(shù)據(jù),提取數(shù)據(jù)內(nèi)部隱含的信息和特征,從而揭示發(fā)電過程的運(yùn)行狀態(tài)并追溯故障原因.與專家經(jīng)驗(yàn)等定性知識相比,數(shù)據(jù)解析方法可以理解為一種特殊的基于知識的方法,其主要的不同在于這些知識是從大量的工業(yè)數(shù)據(jù)中提取得到的,無需系統(tǒng)的精確模型和先驗(yàn)知識.隨著工業(yè)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,工業(yè)智能化水平顯著提高,人們可以便利快捷地觀測、采集和存儲大量過程數(shù)據(jù)(如高頻的振動信號和低頻的傳感器測量信號、工藝數(shù)據(jù)和產(chǎn)品質(zhì)量等數(shù)據(jù)),為深入的解析和過程理解提供了豐富的數(shù)據(jù)支持.工業(yè)大數(shù)據(jù)概念由此提出[9-11],引起了國內(nèi)外學(xué)者的廣泛關(guān)注.而機(jī)器學(xué)習(xí)方法的發(fā)展也為數(shù)據(jù)驅(qū)動的發(fā)電裝備運(yùn)行工況監(jiān)控研究提供了理論指導(dǎo)[12].近年來,機(jī)器學(xué)習(xí)[13-16]的理論和方法體系正在不斷向深層次發(fā)展,深度學(xué)習(xí)[17-19]、零樣本學(xué)習(xí)[20]、集成學(xué)習(xí)[21-22]、監(jiān)督與半監(jiān)督學(xué)習(xí)[23]等為發(fā)電過程工況監(jiān)控技術(shù)提供了豐富的分析手段.

本文從分析燃煤發(fā)電裝備的本質(zhì)特性出發(fā),揭示了其變負(fù)荷深度調(diào)峰導(dǎo)致的非平穩(wěn)運(yùn)行特性和全流程復(fù)雜耦合特性,在此基礎(chǔ)上總結(jié)了發(fā)電過程區(qū)別于一般連續(xù)過程的問題,指出了研究燃煤發(fā)電裝備工況監(jiān)控算法的必要性.進(jìn)而,基于這些特性,我們對面向發(fā)電裝備工況監(jiān)控的數(shù)據(jù)驅(qū)動算法30 年來的發(fā)展進(jìn)行了回顧和分析.從算法層面來講,我們把發(fā)電裝備工況監(jiān)控算法的發(fā)展分為3 個階段:傳統(tǒng)工況監(jiān)控算法階段、非平穩(wěn)分析算法階段和多模式分析算法階段.其中,多模式研究包括時間分析框架和條件分析框架.在此基礎(chǔ)上,梳理了目前存在的問題,并進(jìn)一步介紹了發(fā)電裝備工況監(jiān)控領(lǐng)域未來可能的發(fā)展方向.

1 發(fā)電裝備復(fù)雜特性及工況監(jiān)控難點(diǎn)分析

百萬千瓦超超臨界機(jī)組熱力系統(tǒng)規(guī)模龐大、設(shè)備多樣、參數(shù)眾多且相互影響,是個極其復(fù)雜的對象[24-25].超超臨界機(jī)組運(yùn)行在高溫高壓的環(huán)境中,熱力系統(tǒng)是其能量轉(zhuǎn)換的主要場所.如圖1 所示,機(jī)組通過鍋爐燃燒將化學(xué)能轉(zhuǎn)變?yōu)闊崮?蒸汽推動汽輪機(jī)轉(zhuǎn)動做功,將熱能轉(zhuǎn)變?yōu)闄C(jī)械能.由于運(yùn)行環(huán)境惡劣且自身特性復(fù)雜,發(fā)電裝備熱力系統(tǒng)的狀態(tài)監(jiān)測與故障診斷具有很高的難度.本節(jié)首先介紹百萬千瓦超超臨界機(jī)組熱力系統(tǒng)以變負(fù)荷非平穩(wěn)為主的復(fù)雜特性,然后對發(fā)電裝備工況監(jiān)控的難點(diǎn)問題展開分析.

1.1 裝備變負(fù)荷非平穩(wěn)特性

平穩(wěn)性指時間序列的均值和方差不隨時間變化[26],保持長期穩(wěn)定.但是,發(fā)電過程運(yùn)行狀態(tài)明顯不符合平穩(wěn)性定義.受變負(fù)荷調(diào)峰等影響,發(fā)電運(yùn)行狀態(tài)呈現(xiàn)明顯的非平穩(wěn)特性.如圖2所示,負(fù)荷和其他參數(shù)都隨著時間非平穩(wěn)波動.這種情況也稱為裝備的變工況.以磨煤機(jī)為例,每臺裝備配備了6臺磨煤機(jī),由于負(fù)荷變化,以及裝備工作時6 臺磨煤機(jī)之間根據(jù)需要啟停切換,因此需要改變輸入的給煤量設(shè)定值.由于給煤量的變化,將會引發(fā)磨煤機(jī)運(yùn)行工況的變化.根據(jù)裝備運(yùn)行參數(shù)是否隨時間變化,非平穩(wěn)變化涵蓋了穩(wěn)態(tài)工況和非穩(wěn)態(tài)工況.穩(wěn)態(tài)工況[4]是指裝備運(yùn)行過程中系統(tǒng)參數(shù)始終保持恒定不變或者變化率較小的穩(wěn)定情況.非穩(wěn)態(tài)工況[4]是指裝備運(yùn)行過程中系統(tǒng)參數(shù)變化率較大的非穩(wěn)定情況,即動態(tài)過渡工況.特別是近年來風(fēng)電、光電等新能源并網(wǎng)造成的電網(wǎng)負(fù)荷波動、峰谷差加大以及用戶側(cè)需求的變化,導(dǎo)致裝備出現(xiàn)頻繁深度調(diào)峰等新常態(tài),由此導(dǎo)致熱力系統(tǒng)很多參數(shù)都在隨時間發(fā)生變化,裝備往往無法處于穩(wěn)態(tài)工況,具有明顯的變負(fù)荷非平穩(wěn)運(yùn)行特性.對于非平穩(wěn)運(yùn)行過程,正常過程狀態(tài)變化在某些特征參數(shù)上的反映與故障引起的變化非常相似,這些變化的重合給異常工況的及時檢測和故障原因的準(zhǔn)確診斷帶來很大難度.因此,全工況下百萬千瓦超超臨界機(jī)組熱力系統(tǒng)的狀態(tài)監(jiān)控與故障診斷要比單一穩(wěn)態(tài)工況的狀態(tài)監(jiān)控與故障診斷要求高、難度大,還存在很多問題和挑戰(zhàn)需要深入探討和研究.

圖2 百萬千瓦超超臨界機(jī)組非平穩(wěn)運(yùn)行軌跡示意圖Fig.2 Schematic of non-stationary operation trajectory of 1 000 MW ultra-supercritical unit

1.2 設(shè)備故障特性復(fù)雜

如圖3 所示,燃煤發(fā)電裝備發(fā)電的工藝過程生產(chǎn)流程長、系統(tǒng)規(guī)模龐大、設(shè)備結(jié)構(gòu)復(fù)雜、空間分布廣.熱力系統(tǒng)囊括鍋爐、汽輪機(jī)2 大主機(jī)及3 大風(fēng)機(jī)、磨煤機(jī)、給水泵、循環(huán)水泵、凝結(jié)水泵等輔助設(shè)備.設(shè)備之間的耦合性、系統(tǒng)的復(fù)雜性,以及高溫、高壓、高速旋轉(zhuǎn)的特殊工作環(huán)境,導(dǎo)致高故障率和故障后果的高危害性.這樣的復(fù)雜系統(tǒng),可能發(fā)生的故障亦復(fù)雜多樣,且故障表征復(fù)雜耦合,故障產(chǎn)生的影響傳播后可能產(chǎn)生新的故障表征.此外,裝備頻繁深度調(diào)峰導(dǎo)致運(yùn)行參數(shù)動態(tài)多變,裝備復(fù)合故障多發(fā),故障因果不清、不確定性強(qiáng).以圖4 中磨煤機(jī)和空預(yù)器設(shè)備故障為例,對應(yīng)不同故障源,具有不同的故障表征.故障表征與故障源之間并非簡單的單一映射關(guān)系.相對于單一故障,復(fù)合故障則是更為復(fù)雜的多對多問題,即多個故障源對應(yīng)多個故障表征.發(fā)電裝備全流程的特點(diǎn)、設(shè)備部件的復(fù)雜性、變量間的耦合性以及實(shí)際故障數(shù)據(jù)的稀疏性,使得故障的及時診斷和溯源面臨著嚴(yán)峻的挑戰(zhàn).

圖3 百萬千瓦超超臨界機(jī)組全流程運(yùn)行示意圖Fig.3 Schematic of the full-condition operation of 1 000 MW ultra-supercritical unit

圖4 磨煤機(jī)磨輥磨損與空預(yù)器磨損的故障表征示意圖Fig.4 Diagram of fault characterization of coal mill roller wear and air preheater wear

1.3 發(fā)電裝備其他特性

除了變工況非平穩(wěn)特性以及全流程復(fù)雜耦合特性之外,發(fā)電裝備運(yùn)行還具有工業(yè)過程的一些典型共性問題.總結(jié)如下:

1)非線性.雖然線性關(guān)系直觀明了,線性模型的構(gòu)建也簡單易行,但是不可否認(rèn)大部分過程變量之間的關(guān)系都是非線性的[27-29].譬如,凝汽器的尺寸和容量的關(guān)系,發(fā)電機(jī)的扭力、轉(zhuǎn)速和輸出功率的關(guān)系等.

2)非高斯性.工業(yè)過程受到操作點(diǎn)設(shè)定改變、工況變化等因素影響,其對應(yīng)的數(shù)據(jù)往往不服從高斯分布[30-32].由圖2 所示,電廠數(shù)據(jù)受不同負(fù)荷影響,時間軸上不同時期的數(shù)據(jù)顯然不能用同一個高斯模型來表征和涵蓋.

3)時變性.即使工業(yè)過程不發(fā)生故障,它也會隨著時間的變化偏離預(yù)設(shè)值[33-35].這往往由外界環(huán)境變化和設(shè)備本身的自然變化導(dǎo)致,例如催化劑失活、設(shè)備老化、傳感器漂移以及預(yù)防性維護(hù)和清潔等.

4)動態(tài)性.動態(tài)特性是指工業(yè)過程數(shù)據(jù)具有的與時間相關(guān)聯(lián)的特性[36-38],即:實(shí)際過程變量前后的測量值往往相互關(guān)聯(lián),體現(xiàn)出明顯的時序相關(guān)性,即過程動態(tài)特性.該特性受對象上施加的控制手段和作用影響,并與對象的內(nèi)在機(jī)制關(guān)系緊密,包括過程所處的工況、物理化學(xué)反應(yīng)機(jī)理以及外界噪聲、擾動等.發(fā)電裝備由于多系統(tǒng)耦合以及控制策略的使用,具有典型的動態(tài)性.

5)多源性.工業(yè)過程中產(chǎn)生的數(shù)據(jù)不僅數(shù)量龐大,而且來源豐富、類型多樣.傳感器的多樣性往往使得不同設(shè)備間數(shù)據(jù)的采樣頻率、存儲形式也各不相同,導(dǎo)致數(shù)據(jù)具有多源性.例如:除溫度、壓力等低頻的過程數(shù)據(jù)外,燃煤發(fā)電裝備中的旋轉(zhuǎn)設(shè)備還會產(chǎn)生大量高頻的振動信號.

1.4 燃煤發(fā)電裝備工況監(jiān)控難點(diǎn)分析

如前文所述,燃煤發(fā)電裝備運(yùn)行工況監(jiān)控任務(wù)包括了狀態(tài)監(jiān)測與故障診斷兩方面.工業(yè)大數(shù)據(jù)概念的提出,使得基于數(shù)據(jù)驅(qū)動的工況監(jiān)控成為關(guān)注的熱點(diǎn).但是,發(fā)電裝備的復(fù)雜特性導(dǎo)致發(fā)電裝備的工況監(jiān)控任務(wù)存在以下一些難點(diǎn):

1)隨著工業(yè)智能化進(jìn)程不斷加快,對燃煤發(fā)電裝備運(yùn)行過程實(shí)行智能化監(jiān)控的要求也日益提高.發(fā)電裝備在運(yùn)行過程中產(chǎn)生大量的過程歷史數(shù)據(jù).如何分析挖掘過程數(shù)據(jù),提取數(shù)據(jù)內(nèi)隱含的信息和特征,實(shí)現(xiàn)智能化的發(fā)電裝備工況監(jiān)控,是需要考慮的問題.

2)區(qū)別于一般連續(xù)過程,發(fā)電裝備運(yùn)行過程具有顯著的變工況非平穩(wěn)特性,穩(wěn)態(tài)工況與過渡工況頻繁交替,給運(yùn)行異常的及時檢測和故障診斷帶來了較大困難.如何精準(zhǔn)描述變工況過程,建立非單一穩(wěn)態(tài)工況下的監(jiān)測或診斷模型是亟待解決的一個難題.

3)類似于其他工業(yè)過程,發(fā)電裝備運(yùn)行過程具有一些典型的復(fù)雜特性,包括非線性、非高斯、時變性、動態(tài)性、數(shù)據(jù)多源性等,由此也帶來了工業(yè)過程工況監(jiān)控的共性問題.如何將其他工業(yè)過程的工況監(jiān)控方法移植應(yīng)用到燃煤發(fā)電裝備過程中,也亟待研究.

綜上,深入分析百萬千瓦超超臨界機(jī)組熱力系統(tǒng)運(yùn)行中的特點(diǎn)和問題,構(gòu)建百萬千瓦超超臨界機(jī)組運(yùn)行工況監(jiān)控技術(shù),有利于提高機(jī)組設(shè)備的透明化水平,保障機(jī)組的安全、可靠運(yùn)行,對我國電力工業(yè)節(jié)能與低碳經(jīng)濟(jì)目標(biāo)的實(shí)現(xiàn)具有重要意義,必將推動智能電廠的進(jìn)一步發(fā)展.

2 發(fā)電裝備復(fù)雜特性下的工況監(jiān)控方法

上一節(jié)主要介紹了燃煤發(fā)電裝備的生產(chǎn)過程及其特性,并圍繞著設(shè)備的復(fù)雜特性,凝練了燃煤發(fā)電裝備工況監(jiān)控的難點(diǎn)問題.本節(jié)將主要介紹基于數(shù)據(jù)驅(qū)動的燃煤發(fā)電裝備工況監(jiān)控理論和方法的基本發(fā)展歷程.首先,介紹傳統(tǒng)的基于數(shù)據(jù)驅(qū)動的燃煤發(fā)電裝備工況監(jiān)控方法;其次,介紹復(fù)雜特性下的基于數(shù)據(jù)驅(qū)動的工況監(jiān)控方法.其中,將重點(diǎn)介紹針對非平穩(wěn)特性的工況監(jiān)控方法,包括以協(xié)整分析(Cointegration analysis,CA)等為代表的典型非平穩(wěn)信號分析方法、時間驅(qū)動的多模態(tài)分析方法以及最新興起的條件驅(qū)動的多模式分析方法.進(jìn)而對變負(fù)荷非平穩(wěn)運(yùn)行狀態(tài)下燃煤發(fā)電裝備其他復(fù)雜特性進(jìn)行深入解析,介紹現(xiàn)有的針對具體問題的工況監(jiān)控研究工作.

2.1 基于數(shù)據(jù)驅(qū)動的傳統(tǒng)工況監(jiān)控方法

鑒于目前專門針對百萬千瓦超超臨界機(jī)組的運(yùn)維管理研究工作尚未形成系統(tǒng)的理論方法體系,下面將從已有的燃煤發(fā)電裝備工況監(jiān)控的研究工作出發(fā)進(jìn)行介紹.燃煤發(fā)電裝備的故障診斷是以檢測到的機(jī)組運(yùn)行狀態(tài)信息為前提的.因此,一般所講的燃煤發(fā)電裝備工況監(jiān)控技術(shù),往往將狀態(tài)監(jiān)測和故障診斷放到一起.國內(nèi)外學(xué)者對燃煤發(fā)電裝備工況監(jiān)控理論與方法進(jìn)行了廣泛的研究.概括說來,燃煤發(fā)電裝備工況監(jiān)控方法主要包括基于解析模型的方法[39-42]和數(shù)據(jù)驅(qū)動的方法[43-67].

其中,基于解析模型的方法通過建立燃煤發(fā)電裝備精確的數(shù)學(xué)模型和構(gòu)造可觀測輸入輸出量殘差信號來反映裝備期望行為與實(shí)際運(yùn)行模式之間的一致性,從而指示與判斷運(yùn)行狀態(tài)的正常與否,進(jìn)而診斷故障原因.基于解析模型的工況監(jiān)控方法主要應(yīng)用于線性時不變系統(tǒng),但是大多數(shù)火電系統(tǒng)和設(shè)備都是非線性、時變的.此外,基于解析模型的診斷方法需要對診斷對象及故障機(jī)理有深刻的認(rèn)識,然而對于燃煤發(fā)電裝備這樣的復(fù)雜非線性系統(tǒng),其結(jié)構(gòu)復(fù)雜、動態(tài)時變以及強(qiáng)耦合特性顯著,難以通過建立精確的解析模型實(shí)現(xiàn)工況監(jiān)控.不同于基于解析模型的方法,數(shù)據(jù)驅(qū)動的方法通過對系統(tǒng)運(yùn)行數(shù)據(jù)的分析處理,能夠在無需知道診斷對象的先驗(yàn)知識和系統(tǒng)精確解析模型的情況下完成系統(tǒng)的工況監(jiān)控.

近年來,隨著數(shù)據(jù)測量與存儲技術(shù)的飛速發(fā)展,人們可以方便快捷地獲取和處理裝備的低頻運(yùn)行參數(shù)和產(chǎn)品質(zhì)量數(shù)據(jù)(如溫度、壓力、流量、風(fēng)量、功率、轉(zhuǎn)速、電流等),以及高頻運(yùn)行信號(如汽輪機(jī)、風(fēng)機(jī)等旋轉(zhuǎn)機(jī)械的振動),為數(shù)據(jù)驅(qū)動的工況監(jiān)控技術(shù)奠定了基礎(chǔ).數(shù)據(jù)驅(qū)動的燃煤發(fā)電裝備工況監(jiān)控技術(shù)主要是通過分析挖掘收集的發(fā)電過程數(shù)據(jù),提取數(shù)據(jù)內(nèi)部隱含的信息和特征,從而揭示發(fā)電過程的運(yùn)行狀態(tài)和追溯故障原因.目前數(shù)據(jù)驅(qū)動的傳統(tǒng)工況監(jiān)控方法主要包括多元統(tǒng)計(jì)的方法和人工智能的方法.

由于具有強(qiáng)大的降維和數(shù)據(jù)處理能力,多元統(tǒng)計(jì)分析的方法[43-54]在燃煤發(fā)電裝備故障診斷研究領(lǐng)域得到廣泛關(guān)注.Ajami等[45]將主元分析(Principal component analysis,PCA)應(yīng)用于電廠狀態(tài)監(jiān)測,減少了由于機(jī)理模型的不確定性和操作條件變化導(dǎo)致的誤報警.文獻(xiàn)[46]針對燃煤發(fā)電裝備運(yùn)行工況的連續(xù)性,提出了一種改進(jìn)的多步向前滑窗PCA 方法,并將其應(yīng)用于某600 MW火電機(jī)組雙背壓凝汽器運(yùn)行狀態(tài)監(jiān)測.Sun等[47]提出一種改進(jìn)的用于鍋爐泄漏檢測的PCA 方法,解決常規(guī)PCA 方法用于狀態(tài)監(jiān)測時誤報警率偏高的問題.此外,香港科技大學(xué)高福榮研究團(tuán)隊(duì)[51-52]、東北大學(xué)王福利研究團(tuán)隊(duì)[53]、清華大學(xué)周東華等[54]、浙江大學(xué)趙春暉等[55-57]等在數(shù)據(jù)驅(qū)動的狀態(tài)監(jiān)測、故障診斷和故障緩變趨勢預(yù)測等研究方向提出了許多具有創(chuàng)新性的思想方法,取得了豐富的成果并應(yīng)用到不同的領(lǐng)域.

人工智能的方法[55-65]主要通過模仿和實(shí)現(xiàn)人類(熟練操作人員、技術(shù)人員、專家)在燃煤發(fā)電裝備監(jiān)控過程中的某些思維和行為,自動完成整個工況監(jiān)控過程.Costa等[60]結(jié)合神經(jīng)網(wǎng)絡(luò)和模糊邏輯,提出了一種兩階段診斷模型,首先使用神經(jīng)網(wǎng)絡(luò)初步診斷故障的類型,然后利用模糊系統(tǒng)分析診斷結(jié)果的可靠性,給出具體的信任度.Rakhshani等[61]將數(shù)據(jù)挖掘與人工神經(jīng)網(wǎng)絡(luò)用于熱電站鍋爐的狀態(tài)監(jiān)測與故障診斷,首先利用數(shù)據(jù)挖掘方法將鍋爐多測點(diǎn)數(shù)據(jù)聚類為3 類:正常運(yùn)行狀態(tài)族、直接故障狀態(tài)族、有故障先兆狀態(tài)族,然后采用兩類神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,完成故障的及時檢測并對故障進(jìn)行診斷.我國學(xué)者主要采用神經(jīng)網(wǎng)絡(luò)方法[66-67]對燃煤發(fā)電裝備進(jìn)行工況監(jiān)控的研究,取得了顯著的成果.與傳統(tǒng)信息處理方法相比,神經(jīng)網(wǎng)絡(luò)方法具有強(qiáng)大的非線性表達(dá)能力和自適應(yīng)學(xué)習(xí)能力,增大了對環(huán)境變化的適應(yīng)能力,其在燃煤發(fā)電裝備工況監(jiān)控領(lǐng)域的應(yīng)用研究一直是一個熱點(diǎn).但是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的信息以權(quán)值形式存儲,屬于不易理解的隱式知識,因而導(dǎo)致神經(jīng)網(wǎng)絡(luò)方法的診斷過程難以解釋.此外,已有燃煤發(fā)電裝備熱力系統(tǒng)的故障診斷方法,主要針對某一穩(wěn)定負(fù)荷工況下獲得的運(yùn)行數(shù)據(jù)展開研究,僅有少數(shù)文獻(xiàn)通過建立不同工況下的多診斷模型實(shí)現(xiàn)了不同穩(wěn)態(tài)工況下的故障診斷[67].

針對檢測出的異常狀態(tài),除了診斷故障原因,還可以采用故障預(yù)測技術(shù)實(shí)現(xiàn)對故障的早期發(fā)現(xiàn)并預(yù)測其未來的發(fā)展趨勢,便于對燃煤發(fā)電裝備進(jìn)行及時調(diào)整,避免惡性事故的發(fā)生.在燃煤發(fā)電裝備中,除了個別突變故障,大多數(shù)故障的發(fā)生是有一個漸進(jìn)過程的.從設(shè)備正常運(yùn)行到出現(xiàn)故障征兆再到發(fā)生故障災(zāi)害是一個較慢的過程,如果在故障早期時發(fā)現(xiàn),準(zhǔn)確預(yù)測設(shè)備性能退化趨勢,可以減少事故發(fā)生的幾率,進(jìn)一步提高系統(tǒng)運(yùn)行的安全性、可靠性和有效性.評估與預(yù)測未來可能的失效與剩余使用壽命已成為國內(nèi)外研究的熱點(diǎn)問題.目前,針對燃煤發(fā)電裝備緩變故障預(yù)測技術(shù)的研究還處于起步階段,相關(guān)的研究學(xué)者和成果都比較少.雖然一些研究學(xué)者進(jìn)行了初步的有益嘗試[68-70],但是由于百萬千瓦超超臨界機(jī)組熱力系統(tǒng)結(jié)構(gòu)復(fù)雜、子系統(tǒng)及設(shè)備之間存在較強(qiáng)的耦合性、系統(tǒng)運(yùn)行工況復(fù)雜多變,準(zhǔn)確的故障預(yù)測難度非常大.因此,百萬千瓦超超臨界機(jī)組緩變故障預(yù)測方法有待深入研究.

表1 對比了基于解析模型的方法和數(shù)據(jù)驅(qū)動的發(fā)電設(shè)備工況監(jiān)控方法.基于解析模型的發(fā)電設(shè)備工況監(jiān)控具有一定的理論支撐,能夠反映發(fā)電系統(tǒng)的主要規(guī)律.但是,機(jī)理模型參數(shù)眾多,需要對過程機(jī)理有充分了解和認(rèn)知.此外,模型參數(shù)辨識難、實(shí)用性較差.特別是對發(fā)電過程這一復(fù)雜的物理化學(xué)反應(yīng)和能量轉(zhuǎn)化過程來說,單純基于機(jī)理的解析模型很難保證精度和準(zhǔn)確性.數(shù)據(jù)驅(qū)動的方法不需要假設(shè)或?qū)δＰ蛥?shù)的經(jīng)驗(yàn)估計(jì),具有強(qiáng)大的建模能力.雖然利用數(shù)據(jù)驅(qū)動的方法對電廠設(shè)備進(jìn)行狀態(tài)監(jiān)測和故障診斷越來越受到研究學(xué)者關(guān)注并在工程實(shí)踐中獲得廣泛應(yīng)用,但是,它在理解過程運(yùn)行特性、分析故障機(jī)理、解釋故障原因方面仍然具有一定的局限性.

表1 基于解析模型和數(shù)據(jù)驅(qū)動的發(fā)電裝備工況監(jiān)控方法總結(jié)Table 1 A comparing summary between analytical-model-based methods and data-driven methods for condition monitoring of power generation equipment

2.2 非平穩(wěn)特性解析與工況監(jiān)控方法

上述的傳統(tǒng)工況監(jiān)控方法大多針對單一特定運(yùn)行模式進(jìn)行工況監(jiān)控的研究.然而,在火電熱力系統(tǒng)實(shí)際運(yùn)行過程中,負(fù)荷的頻繁變化會使得熱力系統(tǒng)關(guān)鍵設(shè)備部分運(yùn)行參數(shù)的均值和方差隨時間發(fā)生改變,呈現(xiàn)出明顯的非平穩(wěn)特性[71],由此導(dǎo)致裝備的變工況問題非常普遍.穩(wěn)態(tài)工況與過渡工況的頻繁交替,給運(yùn)行異常的及時檢測帶來了較大困難.一方面,故障特征很容易被非平穩(wěn)趨勢所掩蓋,正常的工況變化與異常變化難以區(qū)分;另一方面,傳統(tǒng)的工況監(jiān)控方法不能準(zhǔn)確地描述非平穩(wěn)變量間的關(guān)系,由此可能導(dǎo)致錯誤的監(jiān)測結(jié)果.

此外,由于變工況現(xiàn)象,尤其是過渡工況的存在,實(shí)際火電熱力系統(tǒng)運(yùn)行過程的工況監(jiān)控相比單一穩(wěn)態(tài)工況下的工況監(jiān)控難度更大要求更高.針對非平穩(wěn)工況監(jiān)控研究的發(fā)展歷程,本節(jié)將從典型非平穩(wěn)分析方法、時間驅(qū)動的多模式分析方法和最近興起的條件驅(qū)動多模式分析方法3 個方面進(jìn)行介紹.

2.2.1 典型非平穩(wěn)分析方法

考慮到實(shí)際工業(yè)過程運(yùn)行時的非平穩(wěn)變化特性,一些信號處理方法廣泛應(yīng)用于非平穩(wěn)過程運(yùn)行工況監(jiān)控.例如,小波變換[72-74]、短時傅里葉變換[75-77]、Wigner-Ville 分布[78-80]等用于分析非平穩(wěn)振動信號,實(shí)現(xiàn)機(jī)械設(shè)備過程監(jiān)測及故障診斷.Huang等[81]提出了經(jīng)驗(yàn)?zāi)B(tài)分解方法,可以用于任何類型的信號的分解.作為一種自適應(yīng)的時頻分析方法,經(jīng)驗(yàn)?zāi)B(tài)分解在處理非平穩(wěn)信號上有很大的優(yōu)勢[82].上述信號處理的方法可以有效處理具有非平穩(wěn)特性的振動信號,但是這些方法都只適用于分析單個過程變量.

除了信號處理的方法外,一些學(xué)者提出利用自適應(yīng)策略來解決非平穩(wěn)問題[34,83-84].該策略的主要思想是通過連續(xù)更新模型來捕獲非平穩(wěn)變化.Li等[34]推出了兩種遞歸PCA 算法來自適應(yīng)更新PCA 監(jiān)測模型,Yu等[84]推出了遞歸指數(shù)慢特征分析算法來解決模型誤更新問題,實(shí)現(xiàn)精細(xì)化的自適應(yīng)狀態(tài)識別.然而自適應(yīng)更新策略無法有效區(qū)分正常的變化和故障,特別是對于緩慢變化的故障過程容易將故障錯誤的適應(yīng)進(jìn)來,存在著一定的局限性.此外,一些傳統(tǒng)的方法通過計(jì)算原始非平穩(wěn)時間序列差分來消除非平穩(wěn)趨勢[85].Box等[86]與Castillo[87]用差分整合移動平均自回歸模型(Autoregressive integrated moving average model,ARIMA)來描述過程的非平穩(wěn)特性.Berthouex等[88]提出用ARIMA模型來預(yù)測廢水處理過程的運(yùn)行狀態(tài).但差分處理會導(dǎo)致數(shù)據(jù)中部分信息的丟失(如動態(tài)信息等),從而影響過程監(jiān)測效果.

針對燃煤發(fā)電裝備非平穩(wěn)運(yùn)行工況監(jiān)控,另一種常用的方法是基于協(xié)整分析的方法[89-90].Engle等[90]提出了協(xié)整理論,認(rèn)為具有非平穩(wěn)特性的變量間可能存在著長期的動態(tài)均衡關(guān)系,即各個變量圍繞著一個共同的長期趨勢隨機(jī)波動.這個長期均衡關(guān)系就是協(xié)整關(guān)系.協(xié)整關(guān)系是由變量所處系統(tǒng)所決定的,描述了變量之間內(nèi)在本質(zhì)的相互關(guān)系,協(xié)整變量的線性組合是平穩(wěn)的.根據(jù)這樣的理論觀點(diǎn),如果能夠建立起工程系統(tǒng)變量之間的協(xié)整關(guān)系模型,那么當(dāng)系統(tǒng)發(fā)生故障而造成變量之間關(guān)系被改變時,相應(yīng)的信息便會反映在模型殘差(新息變量)中.因此,通過對模型殘差進(jìn)行分析,便可以得到故障特征和系統(tǒng)狀態(tài)信息.Chen等[91]首次將協(xié)整分析用于工業(yè)蒸餾裝置的狀態(tài)監(jiān)測,為復(fù)雜工業(yè)過程的非平穩(wěn)運(yùn)行工況監(jiān)控帶來了新的思路和方法.其主要原理是,當(dāng)過程運(yùn)行在正常工況下時,可以建立非平穩(wěn)變量間的協(xié)整模型,并得到一個平穩(wěn)的殘差序列;當(dāng)運(yùn)行過程中有故障發(fā)生時,系統(tǒng)中參數(shù)或結(jié)構(gòu)會發(fā)生變化,從而影響變量間的動態(tài)關(guān)系,此時非平穩(wěn)變量間原有的共同趨勢發(fā)生改變,即這些變量不再是協(xié)整的,所以其線性組合后的殘差序列也不再是平穩(wěn)的.因此可以通過對殘差序列進(jìn)行監(jiān)測,判斷過程中是否有故障發(fā)生.在此基礎(chǔ)上,Li等[92]做了進(jìn)一步改進(jìn),通過對提取的殘差序列進(jìn)行平穩(wěn)性檢驗(yàn),獲得多個平穩(wěn)的殘差序列,基于全部的平穩(wěn)殘差序列建立監(jiān)測模型,從而更全面地提取過程信息.隨后,協(xié)整分析方法開始逐漸應(yīng)用于工業(yè)設(shè)備的工況監(jiān)控中[93-95].

針對百萬千瓦超超臨界機(jī)組,由于新能源并網(wǎng)造成的電網(wǎng)負(fù)荷波動、峰谷差加大以及用戶側(cè)需求的變化,機(jī)組常處于大范圍非平穩(wěn)運(yùn)行模式.Zhao等[96-102]基于協(xié)整分析方法展開了狀態(tài)監(jiān)測和故障診斷的一系列系統(tǒng)性研究,并通過實(shí)例驗(yàn)證了它們的有效性和合理性.針對不斷變化的工況,Zhao等[96]結(jié)合協(xié)整分析和慢特征分析方法構(gòu)建了一種面向非平穩(wěn)動態(tài)過程的全工況監(jiān)測策略,可以通過同時監(jiān)測長期均衡關(guān)系和動態(tài)關(guān)系來區(qū)分運(yùn)行條件的變化和實(shí)際故障.進(jìn)一步,他們提出火電運(yùn)行過程是一個平穩(wěn)特性和非平穩(wěn)特性混合的復(fù)雜過程[97],應(yīng)該分別提取這兩部分特性并加以分析.基于上述考慮,他們將整個數(shù)據(jù)空間分成不同的子空間,在不同子空間中植入不同的相似度分析,實(shí)現(xiàn)了火電過程微小故障的檢測.更進(jìn)一步地,針對大規(guī)模發(fā)電系統(tǒng),基于稀疏協(xié)整分析方法,提出了一種迭代的變量子塊劃分方法[55,99],將非平穩(wěn)變量根據(jù)協(xié)整關(guān)系的強(qiáng)弱自動劃分到不同的子塊中,用于提取局部的非平穩(wěn)特性,建立底層模型用于監(jiān)測過程的局部狀態(tài);并且借助信息融合方法,建立全局模型以衡量不同子塊間的相關(guān)關(guān)系.在燃煤發(fā)電裝備熱力系統(tǒng)中的大量實(shí)驗(yàn)結(jié)果驗(yàn)證了分塊分層的非平穩(wěn)過程表征模型在泛化能力、計(jì)算復(fù)雜度以及可解釋性等方面的優(yōu)勢.在此基礎(chǔ)上,結(jié)合對系統(tǒng)時變特性的分析,揭示了協(xié)整關(guān)系可能存在的時變性.對此,Yu等[100]建立了協(xié)整關(guān)系的快速增量學(xué)習(xí)策略,使得模型對于新模式具有快速適應(yīng)能力.協(xié)整分析在非平穩(wěn)過程的故障診斷中也起著重要作用.Sun等[101]提出了非平穩(wěn)故障過程故障變量的稀疏性理念,建立了一種基于協(xié)整分析的稀疏重構(gòu)策略,將最小絕對收縮和選擇算子(Least absolute shrinkage and selection operator,LASSO)融合到協(xié)整模型中用于在線隔離故障變量,在不需要任何歷史故障數(shù)據(jù)的情況下對故障變量進(jìn)行在線分離和診斷.Hu等[102]利用協(xié)整分析提取各個故障類之間的公共協(xié)整關(guān)系和每個類獨(dú)特的協(xié)整關(guān)系,分別建立共性故障診斷模型和特性故障診斷模型,綜合考慮雙重診斷模型,提高了火電裝備故障診斷的性能.

綜上,典型的非平穩(wěn)分析方法主要包含信號處理的方法、基于自適應(yīng)更新和基于協(xié)整分析的方法.信號處理的方法能有效處理非平穩(wěn)非線性信號,但只能對單個信號分析,對于多變量復(fù)雜耦合的非平穩(wěn)發(fā)電裝備適用性并不高.基于自適應(yīng)更新的策略能夠快速適應(yīng)過程新工況,但是如果更新不當(dāng),可能錯誤地將故障數(shù)據(jù)用于模型更新,從而無法有效區(qū)分正常的變化和故障.基于協(xié)整分析的方法能夠有效挖掘非平穩(wěn)變量間的長期均衡關(guān)系,只需建立單一模型且模型長時間范圍內(nèi)保持有效,但是其對數(shù)據(jù)的協(xié)整假設(shè)在實(shí)際過程中可能無法滿足.

2.2.2 時間驅(qū)動的多模式分析方法

針對燃煤發(fā)電裝備非平穩(wěn)過程的狀態(tài)監(jiān)測和故障診斷,另一經(jīng)典的思路是基于工況劃分的多模型方法.燃煤發(fā)電裝備運(yùn)行過程明顯受到外界負(fù)荷需求的影響,往往不是運(yùn)行在單一的穩(wěn)定工況,而是在平穩(wěn)態(tài)和過渡態(tài)之間不斷交替運(yùn)行,即工況始終在不斷發(fā)生變化.因此,傳統(tǒng)的基于單一穩(wěn)態(tài)的單個多元統(tǒng)計(jì)模型將削弱不同工況下各自的統(tǒng)計(jì)特性,且忽略了過渡過程中變量的統(tǒng)計(jì)特性變化,勢必會導(dǎo)致過程特性分析不準(zhǔn)確,從而造成監(jiān)測或者診斷性能的下降.近年來,已有不少學(xué)者針對多工況的過程監(jiān)測和故障診斷進(jìn)行了研究,提出了基于工況劃分的多模型策略[103-108].其主要思路是進(jìn)行多穩(wěn)態(tài)工況數(shù)據(jù)的聚類,對聚類后的數(shù)據(jù)建立多個局部模型,通過多次建模將局部單工況過程擴(kuò)展為多工況過程.該方法的首要問題即為如何檢測穩(wěn)態(tài)數(shù)據(jù)并將數(shù)據(jù)聚類成不同工況對應(yīng)的多個子集[103].其中,大多數(shù)穩(wěn)態(tài)檢測方法都是在某一個數(shù)據(jù)窗口內(nèi)計(jì)算數(shù)據(jù)的均值、方差以及回歸斜率,然后利用統(tǒng)計(jì)檢驗(yàn)的方法對所得結(jié)果進(jìn)行置信度檢驗(yàn),將滿足一定置信水平的數(shù)據(jù)劃分為一個穩(wěn)態(tài),否則劃分為動態(tài)過程[104].另一種常見的劃分穩(wěn)態(tài)的方法是利用Dorr等[105]提出的穩(wěn)定性因子(Stability factor,SF)來判斷測量變量的平穩(wěn)性,并根據(jù)該因子判斷過程數(shù)據(jù)是否處于穩(wěn)態(tài)運(yùn)行,從而將歷史數(shù)據(jù)處理成穩(wěn)態(tài)數(shù)據(jù)塊的形式.趙春暉等[8, 57,106-107]建立了數(shù)據(jù)統(tǒng)計(jì)特征與過程內(nèi)部運(yùn)行機(jī)理的關(guān)聯(lián)機(jī)制,指出可以根據(jù)過程變量相關(guān)關(guān)系的變化反推過程特性的變化,從而將運(yùn)行狀態(tài)分為不同模式.對此,他們建立了時間驅(qū)動的多模式分析與表征理論,提出了特性變化度量與模式劃分策略,對非平穩(wěn)變化特性與頻繁狀態(tài)切換問題進(jìn)行了深入刻畫.此外,高斯混合模型聚類方法同樣適用于工況的識別和判斷.孫賢昌等[108]以測試樣本屬于各個工況的概率為權(quán)重,將各PCA 模型中的貢獻(xiàn)量融合為全局相對貢獻(xiàn)量,生成全局相對貢獻(xiàn)圖,實(shí)現(xiàn)對多工況過程的故障診斷.

以上方法主要是針對穩(wěn)態(tài)工況下的監(jiān)控,沒有考慮各穩(wěn)定工況之間的特性變化和切換[109-111].對此,Zhao等[109]建立了一種軟過渡PCA 模型(Softtransition multiple PCA,STMPCA)方法,克服了子PCA 模型建立中硬劃分和聚類失誤的問題.針對過渡區(qū)域,該算法利用0-1 模糊隸屬度作為與過渡模式相鄰的兩個穩(wěn)態(tài)過程的權(quán)重系數(shù),通過基于歐幾里得距離的加權(quán)平均綜合了相鄰兩個過程的過程特征,增強(qiáng)了過渡監(jiān)測模型的靈敏性.隨后,Yao等[110]在此基礎(chǔ)上采用了不同的相似度指標(biāo)來分析各PCA 模型間的相似關(guān)系,進(jìn)一步發(fā)展了軟時段過渡方法.Wang等[111-112]建立了多種工業(yè)過程多模態(tài)及過渡問題的解決方案.以上方法都利用了多變量聚類的方法來進(jìn)行工況劃分.

2.2.3 條件驅(qū)動的多模式分析方法

本節(jié)以磨煤機(jī)為例介紹傳統(tǒng)時間驅(qū)動分析方法的問題.輸入磨煤機(jī)的給煤量設(shè)定值是根據(jù)負(fù)荷的變化而變化的,而給煤量設(shè)定值的變化會引起設(shè)備運(yùn)行狀態(tài)的相應(yīng)改變,且狀態(tài)變化頻繁、無規(guī)律可循.以往多模態(tài)研究方法是時間驅(qū)動的.這種傳統(tǒng)的時間軸分析方法,往往分析時間上的變化規(guī)律,采用聚類方法揭示過程運(yùn)行工況的變化.從時間維度上來看,模式的變化更加繁雜,頻繁的工況切換以及切換的初始和目標(biāo)工況不同,給建模和理解帶來很大困難,包括時間無序性和在線工況標(biāo)簽識別等最典型的問題.

考慮到操作工況的變化在時間上的無序性和重復(fù)性,浙江大學(xué)趙春暉研究團(tuán)隊(duì)[113-114]以發(fā)電裝備的磨煤機(jī)設(shè)備為例,首次提出了條件驅(qū)動的多模式分析理論,將傳統(tǒng)的時間軸上繁雜的變工況運(yùn)行導(dǎo)致的模式變化轉(zhuǎn)變?yōu)闂l件軸上規(guī)律性的多模式變化,消除了非平穩(wěn)特性的影響,抓住了工況變化的本質(zhì),在磨煤機(jī)上進(jìn)行了成功驗(yàn)證,并廣泛適用于非平穩(wěn)運(yùn)行的連續(xù)生產(chǎn)工業(yè)系統(tǒng),拓展了非平穩(wěn)分析的理論方法體系.Zhao等[114]通過對運(yùn)行工況變化的深入研究,提出了以下認(rèn)知:1)雖然非平穩(wěn)運(yùn)行中操作條件(給煤量設(shè)定值)頻繁切換,過程特性隨時間非平穩(wěn)變化,但過程特性在運(yùn)行條件驅(qū)動下,隨過程操作進(jìn)程或過程機(jī)理特性的變化發(fā)生規(guī)律性的改變,呈現(xiàn)分模式性的變化規(guī)律;2)盡管運(yùn)行條件(給煤量設(shè)定值)隨時間發(fā)生變化,但潛在的變量相關(guān)性在相同的條件模式下相似,不同條件模式下則有顯著的差異.在該認(rèn)知基礎(chǔ)上,根據(jù)變量相關(guān)性是否隨條件變量的變化而改變,可以從條件有序的角度將整個過程分為多個條件模式.如圖5 所示,時間上呈現(xiàn)非平穩(wěn)變化的數(shù)據(jù)通過數(shù)據(jù)重組,轉(zhuǎn)變?yōu)闂l件軸上有規(guī)律的數(shù)據(jù)分析單元,即條件片.以此最小分析單位作為基礎(chǔ),在相同的條件片下,過程特性近似一致;按照條件變量的變化,對不同條件片的過程特性相似性進(jìn)行評估,從而將整個過程劃分為不同條件模式段.條件模式這一全新概念的提出解決了工況變換的時間無序和在線監(jiān)測時模態(tài)難以判斷的問題.根據(jù)條件變量的指示,可以直接判斷當(dāng)前運(yùn)行過程所處的條件模式.Zhao等[114]提出的多條件模式的表征理論方法,從根本上克服了以往時間驅(qū)動分析方法的保守性,增強(qiáng)了人們對條件驅(qū)動生產(chǎn)過程變工況和時變特性的理解,有利于不同模式內(nèi)關(guān)鍵信息的分析與提取,顯著提高了模型的精度.條件驅(qū)動的多模式分析思想為后續(xù)的狀態(tài)監(jiān)測、故障診斷等工況監(jiān)控任務(wù)奠定了基礎(chǔ),開辟了一條新的研究道路.

圖5 條件軸數(shù)據(jù)重組(從時間軸非平穩(wěn)數(shù)據(jù)到條件軸不同條件片)Fig.5 Rearranging data according to condition axis(from nonstationary data on time axis to different condition slices on condition axis)

表2 總結(jié)對比了典型非平穩(wěn)分析方法、時間驅(qū)動的多模式分析、最新興起的條件驅(qū)動的多模式分析3 類非平穩(wěn)工況監(jiān)控方法.典型非平穩(wěn)分析方法往往對過程數(shù)據(jù)具有較為嚴(yán)苛的要求,因此對于大范圍非平穩(wěn)運(yùn)行且變量復(fù)雜耦合的百萬千瓦超超臨界機(jī)組適用性較差.時間驅(qū)動的分析方法旨在捕捉過程在時間軸上的變化進(jìn)而將非平穩(wěn)過程劃分成不同的工況模式進(jìn)行分析.發(fā)電裝備工況復(fù)雜,其時間上的無序性和重復(fù)性使得現(xiàn)有方法所劃分的模式往往不夠準(zhǔn)確且不具有清晰的物理意義.與時間驅(qū)動的分析方法相比,條件驅(qū)動理念將時間上非平穩(wěn)變化的數(shù)據(jù)轉(zhuǎn)變?yōu)闂l件軸上規(guī)則的分析單元,為后續(xù)的工況監(jiān)控研究奠定了基礎(chǔ).對該類方法的研究還包括對多條件變量耦合影響下的條件模式的劃分以及如何更好地對條件模式建模等.

表2 三類非平穩(wěn)分析方法對比總結(jié)Table 2 Comparison and summary of three types of non-stationary analysis methods

2.3 其他典型問題的工況監(jiān)控方法

燃煤發(fā)電裝備亦具有與其他工業(yè)生產(chǎn)過程相似的運(yùn)行特性.針對此類共性問題的已有研究方法可望直接運(yùn)用于燃煤發(fā)電裝備的狀態(tài)監(jiān)測和故障診斷,實(shí)現(xiàn)工況的有效識別.

2.3.1 非線性問題

非線性是工業(yè)過程的重要特性.事實(shí)上,雖然線性關(guān)系直觀明了,但絕大多數(shù)的復(fù)雜工業(yè)過程變量間的關(guān)系都是非線性關(guān)系.運(yùn)行工況的多變、設(shè)備的復(fù)雜耦合,使得燃煤發(fā)電裝備的非線性特性更加顯著.由于非線性特性的存在,傳統(tǒng)的線性模型無法有效地對潛在的過程特性進(jìn)行提取、分析和利用[115],在復(fù)雜工業(yè)過程中并不適用.

為克服線性工況監(jiān)控方法的不足,在過去的幾十年中,各種非線性方法[116-124]應(yīng)運(yùn)而生.最先用于建立非線性模型的是基于神經(jīng)網(wǎng)絡(luò)的方法[116].例如,Kramer[117]提出了利用自聯(lián)想神經(jīng)網(wǎng)絡(luò)來提取數(shù)據(jù)的非線性主成分分量.考慮到自聯(lián)想神經(jīng)網(wǎng)絡(luò)隨著隱含層層數(shù)增加反向傳播性能普遍下降,Tan等[118]提出了一個3 層輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò),克服了這一局限性,使得神經(jīng)網(wǎng)絡(luò)更易于訓(xùn)練.Dong等[119]將主元曲線和神經(jīng)網(wǎng)絡(luò)相結(jié)合來解決非線性問題.這些基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的方法需要離線開發(fā)模型,并通過一些優(yōu)化方法對模型進(jìn)行訓(xùn)練.由于當(dāng)時計(jì)算機(jī)性能差、數(shù)據(jù)量小以及傳統(tǒng)神經(jīng)網(wǎng)絡(luò)技術(shù)的局限性,基于神經(jīng)網(wǎng)絡(luò)的方法沒有得到廣泛使用,逐漸沒落.隨后,基于核函數(shù)的方法被證實(shí)能有效解決非線性問題,因而得到了迅速的發(fā)展[27,120-122].其主要原理是使用核函數(shù)將數(shù)據(jù)從低維輸入空間映射到高維特征空間中,再進(jìn)行相應(yīng)的線性計(jì)算,具有較高的運(yùn)算效率.常用的核方法包括核主成分分析(Kernel PCA,KPCA)[120]、核偏最小二乘(Kernel partial least squares,KPLS)[121]、核獨(dú)立成分分析(Kernel independent component analysis,KICA)[122]等.此類方法對核函數(shù)和相關(guān)參數(shù)的選擇依賴較高,但現(xiàn)有的文獻(xiàn)對這類問題的分析討論較少.同時,基于核函數(shù)的方法受限于核函數(shù)的性質(zhì),有時并不能取得較好的在線監(jiān)測結(jié)果.近些年來,隨著人工智能算法的不斷發(fā)展和算力的增強(qiáng),不少基于深度神經(jīng)網(wǎng)絡(luò)的方法也運(yùn)用到了非線性過程狀態(tài)監(jiān)測領(lǐng)域[28,123-124].特別是具有非線性降維功能的自編碼網(wǎng)絡(luò)[28]更是在故障檢測領(lǐng)域得到了廣泛的應(yīng)用.Yu等[28]首先將自編碼(Autoencoder,AE)網(wǎng)絡(luò)應(yīng)用于工業(yè)過程中,并考慮降噪功能,通過訓(xùn)練中心層較小的多層神經(jīng)網(wǎng)絡(luò)將高維數(shù)據(jù)轉(zhuǎn)換為低維特征實(shí)現(xiàn)非線性特征的提取,建立了相應(yīng)的監(jiān)測模型以檢測異常;通過結(jié)合降噪自編碼(Denoising autoencoder,DAE)和彈性網(wǎng)(Elastic Net,EN),隔離出引起故障的關(guān)鍵變量.Zhang等[124]則提出了一種基于變分自編碼器(Variational autoencoder,VAE)的非線性工況監(jiān)控方法.通過在網(wǎng)絡(luò)的隱含層中添加高斯分布約束,使得VAE 學(xué)習(xí)到的隱含層特征服從高斯分布.

對于燃煤裝備運(yùn)行過程而言,由于運(yùn)行工況的變化其非線性特性會更加顯著.一般來說,在考慮變工況特性的基礎(chǔ)上,可以很好地將原有連續(xù)過程的非線性分析方法拓展到燃煤發(fā)電裝備運(yùn)行工況監(jiān)控研究中.

2.3.2 線性非線性混雜問題

考慮到不同的工業(yè)過程中,往往包含不同程度的非線性關(guān)系,還可能同時包含線性和非線性關(guān)系[115].因此,在實(shí)際工程應(yīng)用中,有針對性地選擇合適的工況監(jiān)控方法至關(guān)重要.然而,傳統(tǒng)的工況監(jiān)控方法要么基于先驗(yàn)知識判斷,要么直接假設(shè)過程是單一線性或非線性的.然而這種假設(shè)沒有嚴(yán)格依據(jù)支撐,先驗(yàn)知識的來源也可能是不可靠的,這直接導(dǎo)致所選擇的方法可能并不符合所分析的實(shí)際過程,從而降低了模型精度和在線監(jiān)測性能.因此,對實(shí)際過程線性和非線性關(guān)系進(jìn)行準(zhǔn)確判斷十分必要.為此,Kruger等[125]提出了一種基于PCA 模型的非線性度量方法,通過估算不同樣本區(qū)域的PCA模型的誤差方差來實(shí)現(xiàn)線性與否的判斷.Zhang等[126]基于皮爾森相關(guān)性和互信息定義了一種非線性系數(shù),并利用該系數(shù)衡量系統(tǒng)的非線性程度.

然而,上述工作均采用單一的線性或非線性分析方法,即:如果判斷大部分過程變量為非線性,則采用非線性方法;反之,如果判斷大部分過程變量為線性,則采用線性方法.實(shí)際上,過程數(shù)據(jù)往往采集自不同的設(shè)備或部件,這些設(shè)備內(nèi)部反應(yīng)(運(yùn)行)機(jī)理不同,設(shè)備與設(shè)備間的相關(guān)關(guān)系也極為復(fù)雜,從而導(dǎo)致過程變量間的相關(guān)性往往不服從簡單的線性關(guān)系或者非線性關(guān)系,而是呈現(xiàn)出一種混合的相關(guān)關(guān)系.對于這種具有線性和非線性關(guān)系混合特征的工業(yè)過程,一方面,采用單一的線性分析方法不能有效解析非線性關(guān)系和捕捉狀態(tài)變化;另一方面,單一的非線性方法無法有效解析其中隱藏的線性變量關(guān)系,亦無法直觀顯示變量之間的關(guān)聯(lián)性.考慮到實(shí)際過程中混合變量相關(guān)性問題的普遍性,傳統(tǒng)的過程監(jiān)測方法無法有效匹配實(shí)際過程,因而會導(dǎo)致算法失效,從而產(chǎn)生錯誤的監(jiān)測信息.為此,Li等[115]提出了一種線性評估方法,通過識別其中存在的線性變量關(guān)系實(shí)現(xiàn)了線性變量子組劃分,并區(qū)分了線性和非線性變量;采用線性和非線性分析方法,分別對不同的變量關(guān)系進(jìn)行建模,實(shí)現(xiàn)了對復(fù)雜工業(yè)過程的精細(xì)監(jiān)測.

對于實(shí)際工業(yè)運(yùn)行過程,由于線性非線性混雜,如何有效區(qū)分、抽取其中線性和非線性的不同特征,進(jìn)行分別表征和監(jiān)測也極具挑戰(zhàn).

2.3.3 大規(guī)模復(fù)雜系統(tǒng)問題

百萬千瓦超超臨界機(jī)組有兩大主機(jī)、三大風(fēng)機(jī),還有磨煤機(jī)、給水泵等多種輔助設(shè)備,整個生產(chǎn)過程具有上千個測點(diǎn),系統(tǒng)規(guī)模龐大、參數(shù)耦合嚴(yán)重.針對此類大規(guī)模復(fù)雜系統(tǒng)的工況監(jiān)控問題,首先考慮的是如何對其建模.這里可以分為集中式建模和分布式建模兩種策略.集中式建模的思想是將全流程大規(guī)模過程看成是一個整體,將其全部過程變量用于建立監(jiān)測模型.然而這樣很難從數(shù)目眾多的數(shù)據(jù)中有效地提取出過程信息,以及變量間的相關(guān)關(guān)系,導(dǎo)致過程監(jiān)測效果降低.對全流程的燃煤發(fā)電系統(tǒng)而言,集中式建模策略不僅會影響監(jiān)測效果,還會帶來大規(guī)模海量數(shù)據(jù)建模的困難.因此對燃煤發(fā)電裝備通常采用分布式建模的方式,即對單個單元或相關(guān)關(guān)系較強(qiáng)的變量組單獨(dú)建立監(jiān)測模型.分布式建模的關(guān)鍵在于合理的過程分塊,對此前人已經(jīng)展開了相關(guān)的研究.MacGregor等[127]提出了一種多塊偏最小二乘算法,該工作通過對局部和全局分別建立模型來考慮整體和局部之間的信息.Westerhuis等[128]通過對比一些分布式監(jiān)測方法指出如果變量能夠劃分為具有一定意義的子塊,那么針對每個子塊可以采用PCA 或者偏最小二乘(Partial least squares,PLS)算法來建立監(jiān)測模型.Qin等[129]分析了分塊PCA 和PLS 方法并提出了一種統(tǒng)一多模塊的建模策略.以上分布式監(jiān)測方法通常是根據(jù)過程機(jī)理知識進(jìn)行子塊劃分.在實(shí)際工業(yè)過程中,詳細(xì)的過程知識通常難以獲取.對此,Li等[115]建立了一種基于數(shù)據(jù)的分布式監(jiān)測方法,提出了基于線性變量組劃分的分層建模策略和分布式監(jiān)測方法.Tong等[130]提出了改進(jìn)的分塊PCA算法,將整個系統(tǒng)劃分為4 個不同的子空間,監(jiān)測各個子空間中變量的變化情況.除了從數(shù)據(jù)驅(qū)動角度的分塊,還需要綜合考慮不同系統(tǒng)和設(shè)備機(jī)理和知識,將具有共同屬性的設(shè)備歸于同一子系統(tǒng),在此基礎(chǔ)上再進(jìn)行變量級別的劃分.此外,針對全流程大規(guī)模的監(jiān)測診斷問題,前人已經(jīng)做了一些研究[131-132],但是均基于平穩(wěn)過程假設(shè),如何將全流程非平穩(wěn)系統(tǒng)劃分為不同的子系統(tǒng),進(jìn)而實(shí)現(xiàn)分布式監(jiān)測沒有得到很好的解決.Zhao等[55, 98]根據(jù)協(xié)整關(guān)系的強(qiáng)弱自動劃分不同的變量子塊,并考慮了不同子塊間變量的重疊性.針對非平穩(wěn)過程的大規(guī)模問題的解決還有很多問題需要深入思考,特別是如何在兼顧對非平穩(wěn)特性分析的基礎(chǔ)上建立合適的分塊方法.此外,對不同的應(yīng)用目的,相應(yīng)的分塊思路和角度也應(yīng)有不同的考慮.

2.3.4 動態(tài)性問題

對于發(fā)電裝備來說,閉環(huán)反饋控制的使用導(dǎo)致裝備運(yùn)行具有典型的動態(tài)特性.比如,對于磨煤機(jī)來說,給煤量設(shè)定值的變化,引起其他參數(shù)的變化,而根據(jù)最終輸出的發(fā)電功率反饋回來調(diào)節(jié)給煤量,并對其他參數(shù)產(chǎn)生時間上的延遲影響作用.動態(tài)特性是指工業(yè)過程數(shù)據(jù)具有的與時間相關(guān)聯(lián)的特性[38],即時序相關(guān)性.受系統(tǒng)耦合和復(fù)雜的閉環(huán)反饋系統(tǒng)的影響,過程數(shù)據(jù)往往是強(qiáng)自相關(guān)或者動態(tài)互相關(guān)的,即呈現(xiàn)明顯的動態(tài)特性.x(t)=[x1(t),x2(t),···,xm(t)]為當(dāng)前時刻t的變量值,其中下標(biāo)m為變量,其會受到過去一段時間變量值x(t-1)～x(t-d)的影響;同時也會對未來一段時間的變量值x(t+1)～x(t+d)產(chǎn)生影響,這里時滯參數(shù)d的大小由過程的性質(zhì)決定.其中,時序相關(guān)性包含兩部分:變量的自相關(guān),即xi(t)與xi(t+k),k∈[-d,d]0的相關(guān)性;變量間的互相關(guān),即xi(t)與xj(t+k),k∈[-d,d].

目前,對動態(tài)性的分析,主要是考慮如何提取過程測量數(shù)據(jù)中蘊(yùn)含的時序相關(guān)特性,其中的主流是潛投影提取方法.概括說來,直接的動態(tài)潛投影方法包括兩大類.第一類是多元統(tǒng)計(jì)分析方法的動態(tài)擴(kuò)展[133-136],譬如,動態(tài)PCA (Dynamic PCA,DPCA)[133]、動態(tài)偏最小二乘(Dynamic PLS,DPLS)[134]等.它們利用歷史樣本拓展過程數(shù)據(jù)矩陣,然后將拓展后的數(shù)據(jù)矩陣直接帶入到一些傳統(tǒng)多元統(tǒng)計(jì)模型中進(jìn)行分析[135-136],操作簡單且便于實(shí)施,因而應(yīng)用廣泛.但是這些方法以不同的目標(biāo)函數(shù)進(jìn)行特征提取并不能保證實(shí)現(xiàn)過程動態(tài)性的有效表征.并且,它們依賴的動態(tài)擴(kuò)展可能造成變量維度的大幅增加,無法實(shí)現(xiàn)數(shù)據(jù)的降維分析[133-136].針對上述問題,有學(xué)者提出了無需經(jīng)過動態(tài)擴(kuò)展,直接從原始變量中提取時序相關(guān)特征的方法[135-136],我們稱之為第二類方法.譬如,動態(tài)潛變量模型(Dynamic latent variable,DLV)[135]、動態(tài)內(nèi)部主元分析方法(Dynamic-inner principal component analysis,DiPCA)[136]等.這些方法都是為了找尋投影方向,使得投影后得到的特征與未來或者過去一段時間的數(shù)據(jù)具有較大的相關(guān)性,因此具有一定的對過去或未來數(shù)據(jù)的預(yù)測能力.在這些方法中,“動態(tài)特征”往往是指“時序相關(guān)性強(qiáng)” 或者“可預(yù)測性強(qiáng)”的特征,這些特征所攜帶的過程信息為動態(tài)信息,而那些不具有時序相關(guān)性的信息,如白噪聲就認(rèn)為是“靜態(tài)信息”.

狀態(tài)空間模型是從另一個角度來探究動態(tài)問題的方法.上述的DiPCA 等算法,兩個重要的操作就是先降維,再提取時序關(guān)系,而狀態(tài)空間模型很直接地將這兩個操作表述出來,并且能夠?qū)⑦^程數(shù)據(jù)的自相關(guān)和互相關(guān)特征同時進(jìn)行建模.針對動態(tài)過程建模的情況,常常是基于子空間辨識的方法來分析狀態(tài)空間方程,常用的方法有規(guī)范變量分析方法(Canonical variate analysis,CVA)[37, 137]等.為了解決非線性動態(tài)過程的建模問題,Pilario等[138]結(jié)合核技巧將狀態(tài)空間方程擴(kuò)展成非線性模型.基于CVA的方法求解簡單且能夠全面地分析過程變量的時序相關(guān)性.但由于CVA 在求解過程中涉及到對過程數(shù)據(jù)矩陣的求逆,當(dāng)數(shù)據(jù)存在共線性問題時,其所求解將不穩(wěn)定,從而影響提取的特征對過程時序性的表征能力.

上述的動態(tài)潛變量方法和狀態(tài)空間模型雖然已得到廣泛的應(yīng)用,但是它們局限于模型訓(xùn)練數(shù)據(jù)所處的工況,無法識別出過程操作工況的切換,會將過程操作工況的切換錯誤地指示為故障.因此,近些年基于慢特征分析(Slow feature analysis,SFA)的動態(tài)過程識別方法逐漸受到學(xué)者的關(guān)注[139-140].SFA的目標(biāo)是尋找一組投影方向,使得輸出信號的變化盡可能慢.一般而言,特征中變化最慢的特征最能體現(xiàn)數(shù)據(jù)本質(zhì)特性,而快速變化的特征可以認(rèn)為是一些噪聲.實(shí)際上,通過推導(dǎo)可以發(fā)現(xiàn),SFA的目標(biāo)函數(shù)最小化特征的變化速度可以轉(zhuǎn)變?yōu)樽畲蠡卣鞯囊浑A自相關(guān)性,SFA 所找到的投影方向是使得過程數(shù)據(jù)一階時序相關(guān)性最大的投影方向.對應(yīng)變化速度慢的特征,其一階自相關(guān)性大;相反,對應(yīng)變化速度快的特征其一階自相關(guān)性小.因此,從時序相關(guān)性的角度去衡量SFA 獲得的特征,變化慢的特征是一階時序相關(guān)的,也就是一種特殊的時序相關(guān)性[37].

基于動態(tài)性的分析,需要充分利用所提取出來的動特征以及其他信息對過程運(yùn)行狀態(tài)的變化進(jìn)行指示.Shang等[141]和Zhao等[96]基于SFA 提出了動靜特性協(xié)同分析的思想,同時提取了動態(tài)信息和靜態(tài)信息,并分別建立不同的監(jiān)測模型和定義不同的監(jiān)測統(tǒng)計(jì)量.該思想通過動態(tài)和靜態(tài)信息變化的精細(xì)解析,使?fàn)顟B(tài)變化的指示更加精細(xì)化.但是基于SFA 所定義的“靜態(tài)”與“動態(tài)”對應(yīng)的是原始特征與特征的差分,并不是由時序相關(guān)性來衡量,所以這與上面提到的CVA 等方法中的“動態(tài)”與“靜態(tài)”是不一樣的.如圖6 所示,Zhao等[114]分析了發(fā)電過程在不同運(yùn)行條件上的靜動變化.對于不同的時刻,一方面過程可能處于不同的運(yùn)行條件下,但顯示出相同的過程動態(tài)特性.如圖中的A點(diǎn)和C點(diǎn),它們分別處于條件1 和條件3 處,但是顯示出相似的過程動態(tài)特性(變化速度).另一方面,即使處于相同的運(yùn)行條件下,過程可能在時間方向顯示不同的動態(tài)特性.如圖中的B、D、E、F四個不同的點(diǎn).它們處于相同的運(yùn)行條件下,但是具有不同的瞬時特性.B點(diǎn)是從條件1 變化到條件2,而D點(diǎn)則是由條件3 變化到條件2.E和F都運(yùn)行在條件2 之下,但是它們具有不同的變化速度.

圖6 不同運(yùn)行條件上的過程動態(tài)變化示意圖Fig.6 Illustration of process dynamics under different operating conditions

表3 對以上所述的動態(tài)建模方法進(jìn)行了對比總結(jié).由于百萬千瓦超超臨界機(jī)組頻繁深度變負(fù)荷,其熱力系統(tǒng)處于動態(tài)過渡工況的可能性大大增加,而時序相關(guān)性如果沒有得到有效挖掘,正常的動態(tài)變化在某些特征參數(shù)上的反映與故障引起的變化非常相似,對實(shí)時的異常檢測帶來難度.因此,針對百萬千瓦超超臨界機(jī)組的狀態(tài)監(jiān)測需要兼顧全工況運(yùn)行的動態(tài)變化特點(diǎn),進(jìn)行精細(xì)化分析和監(jiān)測.

表3 動態(tài)潛投影建模方法比較Table 3 Comparison of dynamic latent projecting methods

2.3.5 旋轉(zhuǎn)機(jī)械振動分析問題

在燃煤發(fā)電裝備的眾多設(shè)備中,有很多屬于旋轉(zhuǎn)機(jī)械設(shè)備,例如三大主機(jī)中的汽輪機(jī)和發(fā)電機(jī).另外很多常見的輔機(jī),例如各種泵機(jī)、風(fēng)機(jī)、磨煤機(jī)等,也屬于旋轉(zhuǎn)機(jī)械.由于旋轉(zhuǎn)機(jī)械上的振動信號具有易采集、靈敏性強(qiáng)、可識別度高的特點(diǎn),目前,對旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷最重要也是最有效的方法就是對其振動信號進(jìn)行分析和處理.已有的基于振動信號的故障診斷方法大致分為兩大類:對振動信號進(jìn)行分析的方法和利用模式識別與機(jī)器學(xué)習(xí)的方法.

目前,對振動信號進(jìn)行分析和預(yù)處理常見的方法主要有:傅里葉變換[142]、小波變換[143]、短時傅里葉變換[144]、經(jīng)驗(yàn)?zāi)B(tài)分解[145]、包絡(luò)譜分析[146]等.然后,針對處理得到的多個子信號在時域和頻域計(jì)算統(tǒng)計(jì)特征,最終往往可以得到維度較多的統(tǒng)計(jì)特征.然而,并非所有提取到的特征都會受到故障的影響,唯有準(zhǔn)確反映故障信息的關(guān)鍵特征才是對故障診斷有用的信息,方可用于旋轉(zhuǎn)機(jī)械設(shè)備的故障表征.傳統(tǒng)的基于振動信號的故障診斷方法將提取到的全部統(tǒng)計(jì)特征用于建模[147],特征冗余導(dǎo)致了能夠反映故障信息的關(guān)鍵特征被掩蓋,使得關(guān)鍵特征在故障診斷模型中并未發(fā)揮其全部的性能,影響了故障診斷的效果.同時,在關(guān)鍵特征的選取過程中,需要充分考慮特征間的相關(guān)性,既要選出能夠反映故障信息的關(guān)鍵特征,又要避免發(fā)生諸如特征間存在耦合關(guān)系等特征冗余問題.

近年來,憑借著優(yōu)越的性能,以機(jī)器學(xué)習(xí)算法為代表的新一代信息技術(shù)廣泛應(yīng)用到故障診斷領(lǐng)域,也為旋轉(zhuǎn)機(jī)械設(shè)備故障診斷研究提供了新的思路和方向.目前,常用于處理旋轉(zhuǎn)機(jī)械設(shè)備故障診斷的機(jī)器學(xué)習(xí)方法[147]包括:支持向量機(jī)(Support vector machine,SVM),人工神經(jīng)網(wǎng)絡(luò) (Artificial neural network,ANN),決策樹以及貝葉斯方法等.文獻(xiàn)[148]將經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical mode de-composition,EMD)和神經(jīng)網(wǎng)絡(luò)相結(jié)合,利用神經(jīng)網(wǎng)絡(luò)對提取到的特征進(jìn)行分類,為振動信號故障診斷提供了新的思路;文獻(xiàn)[149]提出了一種結(jié)合主元分析和決策樹的旋轉(zhuǎn)機(jī)械故障診斷方法,通過主元分析對特征進(jìn)行降維,然后利用決策樹進(jìn)行分類得到故障類別;文獻(xiàn)[150]針對于旋轉(zhuǎn)機(jī)械中的軸承設(shè)備,提出了一種基于貝葉斯方法的故障診斷方法.

對電廠旋轉(zhuǎn)機(jī)械設(shè)備振動信號進(jìn)行分析的主要目的是提取出振動信號中包含的有用信息.因?yàn)檎駝有盘柺怯啥喾N激勵源共同作用的結(jié)果,信號中包含了很多其他設(shè)備引起的振動分量以及環(huán)境噪聲.如果直接對振動信號進(jìn)行建模,模型容易受到其他振動分量的影響,有用信息甚至?xí)辉肼曀谏w,嚴(yán)重影響故障診斷的性能.如何解決振動信號預(yù)處理與特征提取時的特征冗余、模態(tài)混疊效應(yīng)、泛化能力差等問題,結(jié)合機(jī)器學(xué)習(xí)等高級算法,兼顧不同場景下的遷移和適應(yīng)問題,是今后旋轉(zhuǎn)機(jī)械故障診斷需要深入研究的方向.

除了上述具有代表性的過程特性之外,發(fā)電裝備還具有強(qiáng)耦合性、非高斯等特性.從已獲得的研究成果來看,當(dāng)前發(fā)電裝備的工況監(jiān)控技術(shù)主要面向的是工業(yè)過程的非平穩(wěn)、非線性、動態(tài)性等單一過程特性,缺乏對復(fù)合特性的考慮.在實(shí)際發(fā)電設(shè)備中這些復(fù)雜特性往往是同時存在的,如何對復(fù)雜特性耦合情況下的發(fā)電過程進(jìn)行有效的運(yùn)行工況監(jiān)測具有重要的研究價值.圖7 展示了發(fā)電運(yùn)行工況監(jiān)控方法隨時間的發(fā)展趨勢,總結(jié)了從20 世紀(jì)90年代到現(xiàn)在,發(fā)電運(yùn)行工況監(jiān)控方法30 多年的發(fā)展歷程,涵蓋了信號分析方法、解析模型方法、多元統(tǒng)計(jì)分析方法以及近年來興起的機(jī)器學(xué)習(xí)與人工智能的方法.從目前的研究情況來看,多元統(tǒng)計(jì)方法以其計(jì)算方便及解釋清晰等優(yōu)勢在發(fā)電工況監(jiān)控領(lǐng)域占有主導(dǎo)地位.隨著人工智能技術(shù)的迅速發(fā)展,基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法自從2000 年起也逐漸在發(fā)電裝備的工況監(jiān)控領(lǐng)域嶄露頭角.這些工作通過對發(fā)電裝備特點(diǎn)特性的分析挖掘和對其中典型問題的研究,提出了具有針對性的解決方法,為后續(xù)研究奠定了很好的基礎(chǔ).

圖7 發(fā)電設(shè)備運(yùn)行工況監(jiān)控方法發(fā)展趨勢示意圖Fig.7 Schematic of development trend of operation monitoring methods of power generation equipment

3 展望與前景

近年來,工況監(jiān)控已經(jīng)成為發(fā)電裝備安全可靠運(yùn)行的重要保證,并已經(jīng)成為智能電廠發(fā)展水平的重要標(biāo)志.應(yīng)該指出,發(fā)電裝備規(guī)模龐大、參數(shù)復(fù)雜耦合、設(shè)備部件眾多、運(yùn)行動態(tài)多變、故障因果不清、不確定性強(qiáng)等特點(diǎn),導(dǎo)致工況監(jiān)控的研究還有很多沒有解決的難題以及需要重點(diǎn)關(guān)注的研究方向.

3.1 非平穩(wěn)過程的故障根因追溯

在檢測到故障后,進(jìn)一步確定故障傳播路徑,追溯根源故障變量,也是燃煤發(fā)電裝備故障診斷中的重要內(nèi)容,有助于現(xiàn)場操作人員快速定位發(fā)生故障的關(guān)鍵設(shè)備和部位.已有的故障監(jiān)測和故障診斷的研究大多認(rèn)為工業(yè)過程是平穩(wěn)的,以此作為研究前提,忽略了非平穩(wěn)特性在復(fù)雜工業(yè)過程中對追溯根源故障變量的不利影響.事實(shí)上,對于燃煤發(fā)電這樣明顯的非平穩(wěn)過程,由于故障信息在流程中常依據(jù)變量間的因果關(guān)系進(jìn)行傳遞,而非平穩(wěn)特性造成的偽回歸等問題不利于正確地提取變量間的因果關(guān)系.變量間正確的因果關(guān)系被非平穩(wěn)趨勢掩蓋或扭曲,難以準(zhǔn)確追溯故障的傳播路徑,進(jìn)而不能保證根源故障變量定位的準(zhǔn)確性.針對非平穩(wěn)工業(yè)過程的故障根因追溯,現(xiàn)有的研究主要從兩個方向展開.一方面,對非平穩(wěn)時間序列本身進(jìn)行處理,實(shí)現(xiàn)平穩(wěn)化,如差分方法、符號化等[151],然后對平穩(wěn)化后的時間序列進(jìn)行因果關(guān)系分析.Staniek 等將數(shù)值序列轉(zhuǎn)化為符號表示,借用傳遞熵的思路構(gòu)建了抗噪能力強(qiáng)、適用于非平穩(wěn)的符號轉(zhuǎn)移熵(Symbolic transfer entropy,STE)[151].隨后又有研究者將其拓展為適用于多變量的部分符號轉(zhuǎn)移熵(Partial STE,PSTE)[152]和順序轉(zhuǎn)移熵(Partial transfer entropy on rank vectors,PTERV)[153].另一方面,建立時變的回歸模型,實(shí)現(xiàn)非平穩(wěn)時間序列的因果關(guān)系分析,如時變廣義部分有向相干方法[154].Sch?ck等[155]假設(shè)回歸模型中的參數(shù)是時變的,設(shè)計(jì)了魯棒時變廣義相干函數(shù),利用卡爾曼濾波估計(jì)時變的回歸參數(shù),用頻域格蘭杰判斷變量間因果關(guān)系.然而考慮到燃煤發(fā)電裝備長期變工況運(yùn)行,且子系統(tǒng)耦合嚴(yán)重,考慮非平穩(wěn)特性的故障根因追溯依然困難重重.

此外,數(shù)據(jù)驅(qū)動的研究對于故障診斷方面的知識、經(jīng)驗(yàn)資源利用率較低.構(gòu)建具有預(yù)測功能和通用性的智能化故障診斷方法是目前國內(nèi)外學(xué)者主要的研究熱點(diǎn)與方向.區(qū)別于單純利用數(shù)據(jù)驅(qū)動方法,目前的研究主要是將專家經(jīng)驗(yàn)知識與數(shù)據(jù)分析結(jié)合,運(yùn)用到燃煤發(fā)電裝備重要設(shè)備的故障診斷.Agrawal等[156]提出了一種基于模型的殘差評估方法,用于在線檢測和診斷火電廠磨煤機(jī)中發(fā)生的主要故障.該方法利用先驗(yàn)知識,建立磨煤機(jī)動態(tài)數(shù)學(xué)模型進(jìn)行殘差生成;然后,利用專家知識構(gòu)建模糊邏輯用于殘差評估,以確定故障的類型和嚴(yán)重程度;最后,利用貝葉斯網(wǎng)絡(luò)對故障原因進(jìn)行追溯.隨著人工智能技術(shù)的發(fā)展,以模糊邏輯為代表的傳統(tǒng)知識驅(qū)動方法逐漸被知識圖譜技術(shù)所取代.知識圖譜技術(shù)[157]的本質(zhì)是通過可視化方法表示知識并對知識間關(guān)系進(jìn)行探索分析,能夠揭示知識領(lǐng)域的動態(tài)發(fā)展規(guī)律并實(shí)現(xiàn)知識共享與重用.Yang等[158]將知識圖譜和貝葉斯網(wǎng)絡(luò)相結(jié)合,實(shí)現(xiàn)維護(hù)人員與貝葉斯網(wǎng)絡(luò)的推理交互,最終確定故障原因.Zhang等[159]利用云邊協(xié)同的思想,基于云端儲存的列車運(yùn)行故障數(shù)據(jù)與專家知識,設(shè)計(jì)了一種基于知識圖譜的列車故障可視化分析方法,該知識圖譜可以清晰地表達(dá)不同類型的列車,不同故障和故障原因之間的關(guān)系,可以有效地呈現(xiàn)和追溯列車運(yùn)行故障的原因.劉鑫[157]對面向故障分析的知識圖譜構(gòu)建技術(shù)進(jìn)行了研究,在分析總結(jié)國內(nèi)外相關(guān)技術(shù)的研究發(fā)展的基礎(chǔ)上,構(gòu)建了故障本體可視化知識圖譜工具,實(shí)現(xiàn)了故障信息動態(tài)檢索,提高了故障診斷知識的利用率和共享程度,為故障預(yù)測診斷領(lǐng)域知識圖譜構(gòu)建提供一種可行的解決方案.基于知識圖譜的工業(yè)設(shè)備故障診斷研究正在不斷深入,學(xué)者們正在試圖將工業(yè)設(shè)備維修專業(yè)領(lǐng)域的專家經(jīng)驗(yàn)知識建設(shè)成知識圖譜,運(yùn)用語音識別技術(shù)、自然語言處理技術(shù)對用戶查詢意圖進(jìn)行解析,通過查詢知識圖譜給出相關(guān)故障維修指導(dǎo).

3.2 燃煤發(fā)電裝備的運(yùn)行狀態(tài)評價

受電網(wǎng)負(fù)荷調(diào)度指令變化、煤質(zhì)波動、環(huán)境溫濕度變化等外部擾動因素影響,燃煤發(fā)電裝備運(yùn)行狀態(tài)可能并非處于最優(yōu)區(qū)間,造成鍋爐效率、汽輪機(jī)熱耗率、環(huán)保裝置投運(yùn)成本等指標(biāo)變差.因此,針對燃煤發(fā)電裝備的工況監(jiān)控不應(yīng)該僅僅局限于對生產(chǎn)工況做出正?；虍惓５淖R別和判斷,還應(yīng)能對當(dāng)前正常運(yùn)行狀態(tài)的優(yōu)劣水平有進(jìn)一步的分析.狀態(tài)評價是對運(yùn)行狀態(tài)優(yōu)劣等級的評估,隸屬于廣義上的工況監(jiān)控范疇.國內(nèi)的能源結(jié)構(gòu)決定了火電廠在提高經(jīng)濟(jì)性的同時也要承擔(dān)著節(jié)能減排的重任,因此建立一套客觀公正且精確有效的裝備運(yùn)行狀態(tài)綜合評價系統(tǒng)是非常必要的,可以為國內(nèi)發(fā)電企業(yè)進(jìn)行裝備運(yùn)行維護(hù)、優(yōu)化裝備檢修提供合理有力的依據(jù).

目前,燃煤發(fā)電裝備運(yùn)行狀態(tài)評價主要使用領(lǐng)域?qū)＜医o出的評價標(biāo)準(zhǔn)或經(jīng)驗(yàn)公式,不同專家對于相同問題的處理具有主觀性,且差異性大;而且這些計(jì)算公式復(fù)雜,評價耗時耗力;此外,有些指標(biāo)難以量化,僅能給出定性評價.對規(guī)模龐大、結(jié)構(gòu)復(fù)雜、生產(chǎn)工況頻繁變化、動態(tài)時變及數(shù)據(jù)間具有強(qiáng)非線性耦合的百萬千瓦超超臨界機(jī)組而言,現(xiàn)有運(yùn)行狀態(tài)評價模型往往得不到滿意的結(jié)果,甚至?xí)o出錯誤的評價和操作指導(dǎo).

此外,雖然有人提出了基于機(jī)理模型的運(yùn)行狀態(tài)評價方法,但對于復(fù)雜的火電過程,建立機(jī)理模型顯然是不切實(shí)際的.隨著傳感器技術(shù)和數(shù)據(jù)存儲技術(shù)的發(fā)展,數(shù)據(jù)驅(qū)動的運(yùn)行狀態(tài)評價方法受到學(xué)者的關(guān)注.Liu等[160]開發(fā)了基于PCA的性能評估方法,該方法提供了基于負(fù)載矩陣的離線性能識別技術(shù),但不能有效區(qū)分非平穩(wěn)工況下的性能好壞.Zou等[161]開發(fā)了基于層次協(xié)整分析主成分分析(Cointegration analysis PCA,CA-PCA)的性能評估方法,解決了平穩(wěn)性和非平穩(wěn)性混合的問題.但是,當(dāng)協(xié)整關(guān)系不顯著時,這種方法無法達(dá)到良好的效果.除此以外,考慮到燃煤發(fā)電裝備運(yùn)行過程的時變特性,Zou等[162]還提出了動靜聯(lián)合的運(yùn)行狀態(tài)評價機(jī)制,可以更為精細(xì)地識別控制器調(diào)節(jié)作用、運(yùn)行狀態(tài)變化以及性能好壞等.然而上述基于數(shù)據(jù)驅(qū)動的方法解釋性差,在樣本數(shù)目少時,可能會出現(xiàn)病態(tài)的模型,且運(yùn)行狀態(tài)的好壞難以直接用數(shù)據(jù)劃定.此外,機(jī)器學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)等人工智能方法還未應(yīng)用于燃煤發(fā)電裝備的運(yùn)行狀態(tài)評價中.

綜上所述,基于專家經(jīng)驗(yàn)與數(shù)據(jù)驅(qū)動的方法各有優(yōu)劣,相輔相成.而在發(fā)電裝備運(yùn)行過程中,既有豐富的專家知識,又有龐大的測量數(shù)據(jù),傳統(tǒng)的單一評價方法難免厚此薄彼.針對裝備復(fù)雜特性,融合專家經(jīng)驗(yàn)和測量信號,利用人工智能技術(shù),實(shí)現(xiàn)更全面更精細(xì)的智能化狀態(tài)評價還有待進(jìn)一步研究.

3.3 故障樣本缺乏下的故障診斷問題

與基于模型的故障診斷方法相比,數(shù)據(jù)驅(qū)動的故障診斷方法直接從收集的歷史運(yùn)維數(shù)據(jù)中挖掘信息,建立基于數(shù)據(jù)的故障診斷模型,因而不依賴于任何復(fù)雜的領(lǐng)域知識,具有更強(qiáng)的泛化性.尤其是近幾年來隨著深度學(xué)習(xí)的快速發(fā)展,以自編碼器、深度卷積網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等為代表的深度學(xué)習(xí)方法能自動地從高維、冗余的數(shù)據(jù)集中提取有用的深度特征用以建立診斷模型,成為復(fù)雜工業(yè)過程故障診斷方法的主流之一,也逐步應(yīng)用于發(fā)電裝備的故障診斷.

盡管這些深度學(xué)習(xí)方法相對于傳統(tǒng)故障分類具有更高的診斷準(zhǔn)確率,但它們都需要大量的樣本來訓(xùn)練網(wǎng)絡(luò),在數(shù)據(jù)集樣本較小時,這些方法的準(zhǔn)確率會大打折扣甚至難以奏效.而在實(shí)際工業(yè)場景中,目標(biāo)故障案例往往沒有或很少有可用的數(shù)據(jù)存儲下來.為了克服某些故障樣本采集困難的問題,可以采用遷移學(xué)習(xí)的方法,將從一些容易獲得的歷史故障(訓(xùn)練故障)中獲取的知識應(yīng)用到那些難以采集或采集代價昂貴的故障(目標(biāo)故障)中.因此,Lu等[163]將具有最大平均誤差項(xiàng)的深度神經(jīng)網(wǎng)絡(luò)集成在一起,提出了一種用于故障診斷的深度遷移學(xué)習(xí)方法,該方法不需要任何目標(biāo)故障樣本即可獲得高精度的性能.Wen等[164]也利用稀疏自編碼器對訓(xùn)練和目標(biāo)故障進(jìn)行深度域自適應(yīng).Chai等[165]基于對抗學(xué)習(xí)思想,提出一種用于跨域工業(yè)故障診斷的細(xì)粒度對抗網(wǎng)絡(luò)方法.該方法同時從域?qū)哟闻c故障類層次進(jìn)行深度域適應(yīng),相對于前述工作,能夠?qū)υ从蚺c目標(biāo)域的條件分布進(jìn)行更細(xì)粒度對齊,從而保證跨域診斷的有效性.此外,為提升模型精度、保證模型能在增量數(shù)據(jù)環(huán)境下有效更新,Chai等[166]提出一種具有雙增量學(xué)習(xí)能力的斜隨機(jī)森林算法,使模型在已有類別或新類別樣本到來時能夠有效更新.雖然上述工作對目標(biāo)域內(nèi)的故障樣本沒有要求,但深度遷移學(xué)習(xí)實(shí)際上解決的是訓(xùn)練域與目標(biāo)域之間的域漂移問題,而無法解決零樣本問題.

零樣本故障診斷[167]是一項(xiàng)極具挑戰(zhàn)性的故障診斷研究任務(wù),在沒有目標(biāo)故障樣本可用于訓(xùn)練的情況下實(shí)現(xiàn)建模.這種情形在工業(yè)領(lǐng)域是很普遍的,但之前尚未有相關(guān)的研究,這限制了傳統(tǒng)的數(shù)據(jù)驅(qū)動方法在實(shí)際過程中的應(yīng)用.Feng等[167]首次將零樣本學(xué)習(xí)的理念引入到發(fā)電過程,提出基于故障描述的屬性遷移方法來解決發(fā)電裝備的零樣本故障診斷任務(wù).該方法使用人工定義的故障描述而非收集的故障樣本來確定故障類別.定義的故障描述由故障的一些屬性組成,包括故障設(shè)備和位置、故障影響,乃至故障的原因等.對于目標(biāo)故障而言,其相關(guān)屬性可以從同一發(fā)電裝備的其余故障的描述中預(yù)先學(xué)習(xí)和遷移得到.接著,便可以在無需其他任何數(shù)據(jù)訓(xùn)練的情形下,基于定義的故障描述診斷目標(biāo)故障.該方法還從理論上分析和解釋了基于故障描述的方式進(jìn)行零樣本故障診斷的有效性和可行性.

考慮到實(shí)際工業(yè)過程中,故障工況的零樣本、少樣本問題非常常見,對于故障樣本缺乏情況下的診斷問題,還有很多細(xì)節(jié)需要思考.故障描述本質(zhì)上也是一種知識,結(jié)合知識和數(shù)據(jù)進(jìn)行研究,將是未來的重點(diǎn)研究思路和可行方向.

3.4 裝備遠(yuǎn)程運(yùn)維的系統(tǒng)平臺

目前國內(nèi)外對電力行業(yè)的遠(yuǎn)程診斷都有相應(yīng)的研究工作.遠(yuǎn)程狀態(tài)監(jiān)測與故障診斷的實(shí)現(xiàn)模式有簡單離線遠(yuǎn)程狀態(tài)監(jiān)測與故障診斷、通過視頻會議實(shí)現(xiàn)遠(yuǎn)程監(jiān)測與故障診斷、基于客戶機(jī)/服務(wù)器模式的在線遠(yuǎn)程監(jiān)測與故障診斷和基于瀏覽器/服務(wù)器模式的在線遠(yuǎn)程監(jiān)測與故障診斷等.但是,這些商業(yè)化遠(yuǎn)程診斷系統(tǒng)的設(shè)計(jì)理念、彼此間的性能和結(jié)構(gòu)差異較大,功能單一.主流的遠(yuǎn)程診斷系統(tǒng)主要是通過設(shè)備監(jiān)測系統(tǒng)的顯示和定時巡查方式對目標(biāo)對象的運(yùn)行狀態(tài)進(jìn)行監(jiān)視,且更加關(guān)注信號層面的監(jiān)測,使得典型監(jiān)測系統(tǒng)以安全保護(hù)為目標(biāo),通常在設(shè)備出現(xiàn)明顯故障時報警,難以及時發(fā)現(xiàn)處在初期的設(shè)備異常.國外引進(jìn)軟件無法適應(yīng)國內(nèi)企業(yè)的生產(chǎn)管理模式,尤其是集團(tuán)級生產(chǎn)流程.發(fā)電企業(yè)地域分散,如果不進(jìn)行自主的技術(shù)創(chuàng)新,這些應(yīng)用信息系統(tǒng)就將成為彼此相互隔離的信息“孤島”,不僅要耗費(fèi)大量的人力進(jìn)行日常維護(hù)工作,也難以發(fā)揮應(yīng)有的作用.

目前,我國在發(fā)電廠設(shè)備狀態(tài)監(jiān)測和故障診斷系統(tǒng)方面的研究發(fā)展比較快,各種類型的廠級設(shè)備狀態(tài)監(jiān)測軟件陸續(xù)投入運(yùn)行,一些電力集團(tuán)公司也開始整合內(nèi)部資源實(shí)施規(guī)模經(jīng)營的管理戰(zhàn)略.建立集團(tuán)診斷中心運(yùn)行平臺,集中遠(yuǎn)程監(jiān)測診斷設(shè)備狀況,已經(jīng)成為發(fā)電集團(tuán)生產(chǎn)管理信息化建設(shè)的必然趨勢.但這類軟件的開發(fā)尚處于探索階段,規(guī)模不大,且僅針對特定的監(jiān)測對象進(jìn)行設(shè)計(jì)和開發(fā),如汽輪機(jī)軸系振動在線監(jiān)測等,各個軟件之間的關(guān)聯(lián)度很小,相互之間的數(shù)據(jù)交換和共享功能較弱.國外發(fā)電設(shè)備生產(chǎn)廠商也紛紛建立狀態(tài)監(jiān)測診斷中心和推出遠(yuǎn)程診斷服務(wù).由于生產(chǎn)管理模式的不同,國外監(jiān)測診斷軟件或運(yùn)營商,有的提供監(jiān)測和診斷服務(wù)但不向客戶提供相關(guān)軟件;有的提供監(jiān)測和診斷服務(wù)的同時也提供部分相關(guān)軟件,但服務(wù)的范圍和軟件的功能各不相同,一般也都是針對特定的設(shè)備或監(jiān)測對象、系統(tǒng)封閉、獨(dú)立運(yùn)行的專用系統(tǒng),所產(chǎn)生的數(shù)據(jù)不能共享.目前的一個發(fā)展趨勢是建立數(shù)據(jù)中心平臺,實(shí)現(xiàn)遠(yuǎn)程監(jiān)控與中心數(shù)據(jù)平臺的緊密結(jié)合.該模式有利于系統(tǒng)專家知識庫的積累以及各監(jiān)測終端的信息共享.同時各發(fā)電企業(yè)也已為集團(tuán)級數(shù)據(jù)中心平臺集成了必要的硬件設(shè)備、數(shù)據(jù)庫系統(tǒng)、數(shù)據(jù)接口系統(tǒng)和管理軟件.

4 結(jié)束語

本文介紹了燃煤發(fā)電裝備變負(fù)荷深度調(diào)峰導(dǎo)致的非平穩(wěn)運(yùn)行特性和全流程復(fù)雜耦合特性,在此基礎(chǔ)上總結(jié)了發(fā)電過程區(qū)別于一般連續(xù)過程的問題,對面向發(fā)電裝備工況監(jiān)控的數(shù)據(jù)驅(qū)動算法近30 年的發(fā)展進(jìn)行了回顧和分析.同時,本文梳理了目前存在的問題,并進(jìn)一步介紹了發(fā)電裝備工況監(jiān)控未來可能的發(fā)展方向.隨著信息化和工業(yè)化的深度融合,應(yīng)對互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等信息領(lǐng)域新技術(shù)發(fā)展,推進(jìn)火電行業(yè)的智能轉(zhuǎn)型升級,是加快構(gòu)建高效、清潔、低碳、可持續(xù)的電力工業(yè)體系的必然選擇.在常規(guī)能源方面,以裝備和設(shè)備狀態(tài)監(jiān)測與故障診斷為主的智能工況監(jiān)控已成為推動智能電廠發(fā)展的關(guān)鍵技術(shù),未來的發(fā)展趨勢是全自主、閉環(huán)的工況監(jiān)控系統(tǒng),即在人員不參與的情況下完成持續(xù)的工況監(jiān)控,形成智能化決策,需要時還可以無需或僅需少量人為干預(yù),由診斷系統(tǒng)發(fā)出相應(yīng)的控制命令,對裝備施加適當(dāng)?shù)目刂?快速修復(fù)某些故障影響,提高裝備設(shè)備運(yùn)行的透明化水平,保障裝備的安全可靠運(yùn)行.人工智能最新理論及其在工程科技領(lǐng)域的深入應(yīng)用為解決燃煤發(fā)電裝備的工況監(jiān)控提供了新的手段和新的思路.