基於數據驅動的發電設備在線預警研究

       隨着信息技術的高速發展和計算機硬件水平的快速上升，大數據技術、智能電廠、工業4.0 等相關概念逐漸被提出。國內許多發電集團都已經逐步開始新一代智能電廠的建設，這其中就包括了發電設備的在線預警部分。我國發電技術通過幾十年的發展，電廠數字化、信息化水平大幅提升，積累了大量的運行數據，這爲發電設備的大數據分析研究奠基了基礎。
       針對發電設備故障頻發的狀況，目前對發電設備的狀態與故障的研究已經逐漸從設備的監測診斷過渡到設備在線的故障預測。近年來大數據分析和人工智能方法（AI）在預測與分類等方面存在優點，可用於非線性複雜系統的故障預警研究。
       本文將基於數據驅動的發電設備在線預警研究經過對設備的運行數據挖掘分析，來幫助用戶實現設備狀態的在線管理。基於設備的歷史運行數據，對關鍵設備創建健康數據模型，在故障早期發現設備的狀態異常，並幫助分析人員分析設備的實時狀態，從而大幅提升設備運行的安全水平和效率，減小因設備故障引發的非計劃停機與安全事故，達到下降運行維護成本，爲企業創造更多經濟效益的目的。
       1、在線預警系統的設備建模
       在線預警是以現場實時數據爲基礎，對所採集的數據進行處理、分析、預測，而後基於全部採集與分析預測的數據來判斷設備的運行狀態並幫助運行人員確認設備是否須要進行檢修。事實上，多數機組設備都不會忽然停機並中止工做，更多的狀況是通過幾周或幾個月的劣化過程而變得失效。在這個劣化過程當中設備還會給出許多報警信息，這些早期的警告信息如溫度、振動或聲音等均可以經過在線預警技術發現，如圖1 所示。雖然在線預警技術自己比較複雜，可是在設備失效前，在線預警可以給出足夠的時間讓運行維護人員來計劃、安排與維修，避免機組非計劃停機而形成的影響。
       圖1 設備失效模式圖
       
       非線性狀態估計（NSET）方法，是由Singer 等人提出的一種基於數據的非參數建模方法。該方法目前在傳感器校驗、狀態檢測、故障預警等領域取得了必定的成果。
       假設一個設備在其運行過程當中，表明其運行狀態有n個相互關聯的測點，那麼在某一時刻t觀測到的n個數據即爲這一時刻描述該設備的狀態向量X_obs，即：
       
       通過模型計算的預測向量爲X_est，表明模型在這一個時刻給出的設備狀態預估值。對輸入到模型的任意一組狀態向量X_obs，模型都能對應生成一個m維的權值向量W：
      
       式中，D爲歷史狀態矩陣。歷史狀態矩陣中每一列狀態向量都表明設備在過去某一時刻的正常狀態，通過合理選擇歷史狀態矩陣就可以描述出該設備在不一樣工況、不一樣環境下正常運行的狀態過程。因此構造歷史狀態矩陣的本質就是用正常數據來描述設備的運行特性。其形式爲：
       
       權值向量W經過計算肯定。ε爲模型輸入與輸出的殘差，最小化該殘差：
       
       式中，X _obs（i）爲該向量的第i 個元素。
       將S (w) 分別對權值向量W 求偏導 ，並令其等於0，得：
       
       將式（7）化簡得：
       
       將式中的m個方程組寫成矩陣形式，即：
       
       若是隻須要對狀態向量中某一個變量進行計算，那麼只需取歷史狀態矩陣的對應行數據與權值向量進行相乘，即：
       
       由式（12）可知，狀態向量中任一變量的預測值是將歷史狀態矩陣中該變量的m個歷史狀態變量值乘以類似度權值累加而來。在權值W的計算過程當中，爲方便計算類似性程度將D^TD和D^TX_obs點乘更換爲歐式距離運算。
       模型輸入的狀態向量是在機組設備運行過程狀態下獲得的，而歷史狀態矩陣涵蓋了機組設備在全部工況下的正常狀態。因此輸入向量會與歷史狀態矩陣中一些歷史狀態向量相似，而這些相似的狀態向量通過上述計算處理就能夠給出精確度較高的輸出預測值。
       2、基於PI數據庫的數據採集
       隨着信息化技術和自動控制技術的不斷髮展，爲實現電廠實時狀態監測、性能分析、優化運行提供可能。基於數據驅動的發電機組在線預警系統正是以海量數據爲依託，實時分析預測機組設備的狀態運行數據，評估機組設備的運行狀態。因此，實時數據採集系統是在線預警的基礎。
       現場監測機組設備運行的傳感器和信號採集裝置等組成了以PI數據庫爲核心的實時數據採集系統。如圖2所示，信號採集裝置將分佈在機組設備的各個傳感器採集的實時數據集中起來，而後傳輸給PI接口機，經過TCP/IP協議將數據發送給PI服務器進行存儲。設備在線預警系統經過訪問P I服務器進行取數。在這個過程當中，數據傳輸過程的安全性和快速性十分重要。經過PI的一系列技術，保證了在線預警系統實時取數的可能，而且它提供的PB和Datalink 模塊也爲取數提供了便捷性。此外，考慮到各個傳感器類型不一樣、測點不一樣、採集頻率不一樣，只有選取合適的傳感器、測點以及採集頻率，才能爲在線預警系統提供能夠直接計算的實時數據，才能保證數據的有效性。
       圖2 設備數據採集過程圖
       
       3、在線預警系統整體架構
       一、系統功能介紹
       在線預警系統能夠做爲一箇中轉站，使電廠各個系統相互結合起來：好比檢修系統、資產管理系統、歷史案例知識庫等。將機組設備大量歷史運行數據結合起來，組成各個設備的評價模型。如圖3所示，在線預警系統經過利用電廠SIS 系統積累的運行數據，對機組設備創建包含各個工況和環境信息的健康狀態數據模型。在此基礎上，在線預警系統讀取P I 實時數據庫的實時數據，輸入到計算程序中計算預估值和誤差，從而可以發現設備的早期異常狀態信息，便於運行檢修人員等其餘工做人員及時進行分析並安排計劃相應的工做。此外，每一次預警信息通過處理後都能將運行檢修人員的檢修通過和緣由分析添加到歷史案例知識庫中不斷完善，使得在線預警系統的診斷效率不斷提升。
       圖3 在線預警系統功能結構圖
       
       二、系統組成
       如圖4所示，在線預警系統硬件主要由計算存儲服務器、WEB發佈服務器、實時數據服務器、客戶機等主要硬件組成。系統從實時數據服務器讀取須要的實時數據並送到計算存儲服務器進行分析計算，分析預警結果經過WEB 發佈服務器發佈。計算存儲服務器負責鏈接實時數據庫，將實時數據送入預警模型進行計算，計算預測結果保存在其數據庫中。WEB發佈服務器負責從計算存儲服務器讀取分析結果，而且經過在線預警系統客戶端展現給用戶。實時數據服務器負責保存機組設備的運行數據，並提供給在線預警系統進行分析參考。在線預警系統可以將各個機組設備的異常數據及相關測點信息整合成預警診斷單，結合歷史案例知識庫提供的歷史案例和專家知識快速定位到可能的故障並反饋給用戶。
       圖4 在線預警系統結構圖
       
       4、設備實例分析
       目前該方法已經逐漸被國內一部分電廠重視，並和某些第三方企業展開合做，取得了十分良好的使用效果。經過該方法的實際應用和專業工做人員的不斷總結和完善，避免了不少沒必要要的經濟損失和設備故障可能形成的嚴重後果。下面經過某電廠實際發生的一次風機驅動端軸承振動異常案例來講明該方法的實際應用。
在線預警系統將設備出現異常的測點等相關信息整理成如表1所示的測點詳情表。工做人員就能夠按照相關設計流程，並結合相關設備的實際預測信息和歷史案例知識庫對設備可能發生的問題進行分析判斷，並作出相關措施，這樣就能夠提早排除設備故障。
       表1 一次風機驅動端軸承振動預測值             
       
       一、測點趨勢圖及現場狀況回顧
       一次風機垂直方向振動值以前一直穩定在3.0 mm/s 之內，去年2016年3月6日16時30分左右忽然升至3.46 mm/s，預測程序產生警報，現場運行人員接到通知後就地檢查軸承溫度、油質均合格，但水平、垂直方向振動值基本維持在1.7 mm/s和3.0 mm/s 區域波動，查閱歷史數據庫和案例知識庫懷疑隔板再次開裂。因而便安排運行維護人員增強對該風機的日程巡檢。3月19日14時47分在預警系統中觀察到振動達到（垂直方向）3.83 mm/s，現場實測風機垂直振動3.7 mm/s，水平振動2.2mm/s，爲保證風機的安全穩定運行，彙報了專業主管及領導。主管確認狀況後，計劃安排對一次風機進行單側隔離，安排停運檢修。2016年3月21日得到熱機工做票許可，對一次風機進行隔離檢查工做。
       二、設備異常分析
       （1）緣由分析
       結合預警信息並查詢歷史案例知識庫得知：以前一次風機振動大是由於風機支撐隔板因廠家焊接工藝問題，隔板未焊透，從而產生裂紋，出現過裂紋後，現場挖補，發現支撐隔板有輕微變形，致使轉子組水平度誤差增大，引發振動增大。這次風機軸承振動出現異常，懷疑隔板再次開裂，致使支撐強度下降，風機運行中支撐隔板變形加重，在應力緩慢釋放過程當中，振動及中心誤差增大致使軸承箱與支撐隔板緊固螺栓有鬆動，形成轉子中心誤差和軸承振動進一步增大。
       （2）結果分析
       3月21日，一次風機大蓋吊出後當即組織對風機進行檢查，發現風機轉子中心下沉，軸承箱支撐板增強筋發現裂紋，葉輪輪轂與氣封接觸處有磨痕，風機一級葉輪中心下沉，風機側聯軸器下開口偏大，徹底符合預期。對軸承箱支撐板裂紋進行挖補、補焊、PT複檢後合格。一次風機於3月21日16時左右風機轉子中心找正結束。檢修結束後，風機軸承振動基本恢復正常。
       5、前景與展望
       在過去，維修只是爲了修理產生故障或失效的設備，可是在今天，維修是一個集各個領域知識的高度複雜的過程，而且它以大數據爲驅動。現代維修的一個基本目標是採集並分析設備信息，而後決定什麼時間進行干預來減小損失。經過採用基於運行數據驅動的在線預警系統，對機組設備的運行狀態進行實時監測和狀態跟蹤，不只能夠下降維修成本，減小非計劃停機，還可使備件存儲減小，生產時間增長。在線預警系統一旦出現報警，運行人員即可以結合預警信息、相關測點信息以及歷史案例知識庫等快速定位出報警來源，將故障消滅在早期萌芽階段，這樣不只能夠給電廠帶來巨大的經濟效益，並且對於員工來講還能夠減小工做壓力，使工做更加安全可靠。
       做者：黃一楓 茅大鈞  單位：上海電力學院自動化工程學院