基于數據驅動的發電設備在線預警研究
隨著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。我國發電技術經過幾十年的發展，電廠數字化、信息化水平大幅提高，積累了大量的運行數據，這為發電設備的大數據分析研究奠定了基礎。
針對發電設備故障頻發的情況，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勢，可用于非線性復雜系統的故障預警研究。
本文將基于數據驅動的發電設備在線預警研究通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�；谠O備的歷史運行數據，對關鍵設備建立健康數據模型，在故障早期發現設備的狀態異常，并幫助分析人員分析設備的實時狀態，從而大幅提高設備運行的安全水平和效率，減少因設備故障引起的非計劃停機與安全事故，達到降低運行維護成本，為企業創造更多經濟效益的目的。
一、在線預警系統的設備建模
在線預警是以現場實時數據為基礎，對所采集的數據進行處理、分析、預測，然后基于所有采集與分析預測的數據來判斷設備的運行狀態并幫助運行人員確認設備是否需要進行檢修。事實上，多數機組設備都不會突然停機并停止工作，更多的情況是經過幾周或幾個月的劣化過程而變得失效。在這個劣化過程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、振動或聲音等都可以通過在線預警技術發現，如圖1 所示。雖然在線預警技術本身比較復雜，但是在設備失效前，在線預警能夠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造成的影響。
圖1 設備失效模式圖
非線性狀態估計（NSET）方法，是由Singer 等人提出的一種基于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一定的成果。
假設一個設備在其運行過程中，代表其運行狀態有n個相互關聯的測點，那么在某一時刻t觀測到的n個數據即為這一時刻描述該設備的狀態向量Xobs，即：
經過模型計算的預測向量為Xest，代表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Xobs，模型都能對應生成一個m維的權值向量W：
式中，D為歷史狀態矩陣。歷史狀態矩陣中每一列狀態向量都代表設備在過去某一時刻的正常狀態，經過合理選擇歷史狀態矩陣就能夠描述出該設備在不同工況、不同環境下正常運行的狀態過程。所以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。其形式為：
權值向量W通過計算確定。ε為模型輸入與輸出的殘差，最小化該殘差：
式中，X obs（i）為該向量的第i 個元素。
將S (w) 分別對權值向量W 求偏導
，并令其等于0，得：
將式（7）化簡得：
將式中的m個方程組寫成矩陣形式，即：
如果只需要對狀態向量中某一個變量進行計算，那么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相似度權值累加而來。在權值W的計算過程中，為方便計算相似性程度將DTD和DTXobs點乘更換為歐式距離運算。
模型輸入的狀態向量是在機組設備運行過程狀態下得到的，而歷史狀態矩陣涵蓋了機組設備在所有工況下的正常狀態。所以輸入向量會與歷史狀態矩陣中一些歷史狀態向量類似，而這些類似的狀態向量經過上述計算處理就可以給出精確度較高的輸出預測值。
二、基于PI數據庫的數據采集
隨著信息化技術和自動控制技術的不斷發展，為實現電廠實時狀態監測、性能分析、優化運行提供可能�；跀祿寗拥陌l電機組在線預警系統正是以海量數據為依托，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。所以，實時數據采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采集裝置等組成了以PI數據庫為核心的實時數據采集系統。如圖2所示，信號采集裝置將分布在機組設備的各個傳感器采集的實時數據集中起來，然后傳輸給PI接口機，通過TCP/IP協議將數據發送給PI服務器進行存儲。設備在線預警系統通過訪問P I服務器進行取數。在這個過程中，數據傳輸過程的安全性和快速性十分重要。通過PI的一系列技術，保證了在線預警系統實時取數的可能，并且它提供的PB和Datalink 模塊也為取數提供了便捷性。此外，考慮到各個傳感器類型不同、測點不同、采集頻率不同，只有選取合適的傳感器、測點以及采集頻率，才能為在線預警系統提供可以直接計算的實時數據，才能保證數據的有效性。
圖2 設備數據采集過程圖
三、在線預警系統總體架構
1、系統功能介紹
在線預警系統可以作為一個中轉站，使電廠各個系統相互結合起來：比如檢修系統、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，在線預警系統通過利用電廠SIS 系統積累的運行數據，對機組設備建立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偏差，從而能夠發現設備的早期異常狀態信息，便于運行檢修人員等其他工作人員及時進行分析并安排計劃相應的工作。此外，每一次預警信息經過處理后都能將運行檢修人員的檢修經過和原因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高。
圖3 在線預警系統功能結構圖
2、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發布服務器、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需要的實時數據并送到計算存儲服務器進行分析計算，分析預警結果通過WEB 發布服務器發布。計算存儲服務器負責連接實時數據庫，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發布服務器負責從計算存儲服務器讀取分析結果，并且通過在線預警系統客戶端展示給用戶。實時數據服務器負責保存機組設備的運行數據，并提供給在線預警系統進行分析參考。在線預警系統能夠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并反饋給用戶。
圖4 在線預警系統結構圖
四、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，并和某些第三方企業展開合作，取得了十分良好的使用效果。通過該方法的實際應用和專業工作人員的不斷總結和完善，避免了很多不必要的經濟損失和設備故障可能造成的嚴重后果。下面通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說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。工作人員就可以按照相關設計流程，并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，并做出相關措施，這樣就可以提前排除設備故障。
表1 一次風機驅動端軸承振動預測值
1、測點趨勢圖及現場情況回顧
一次風機垂直方向振動值之前一直穩定在3.0 mm/s 以內，去年2016年3月6日16時30分左右突然升至3.46 mm/s，預測程序產生警報，現場運行人員接到通知后就地檢查軸承溫度、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。于是便安排運行維護人員加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，為保證風機的安全穩定運行，匯報了專業主管及領導。主管確認情況后，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日獲得熱機工作票許可，對一次風機進行隔離檢查工作。
2、設備異常分析
（1）原因分析
結合預警信息并查詢歷史案例知識庫得知：之前一次風機振動大是因為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，出現過裂紋后，現場挖補，發現支撐隔板有輕微變形，導致轉子組水平度偏差增大，引起振動增大。此次風機軸承振動出現異常，懷疑隔板再次開裂，導致支撐強度降低，風機運行中支撐隔板變形加劇，在應力緩慢釋放過程中，振動及中心偏差增大導致軸承箱與支撐隔板緊固螺栓有松動，造成轉子中心偏差和軸承振動進一步增大。
（2）結果分析
3月21日，一次風機大蓋吊出后立即組織對風機進行檢查，發現風機轉子中心下沉，軸承箱支撐板加強筋發現裂紋，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，完全符合預期。對軸承箱支撐板裂紋進行挖補、補焊、PT復檢后合格。一次風機于3月21日16時左右風機轉子中心找正結束。檢修結束后，風機軸承振動基本恢復正常。
五、前景與展望
在過去，維修只是為了修理產生故障或失效的設備，但是在今天，維修是一個集各個領域知識的高度復雜的過程，并且它以大數據為驅動�，F代維修的一個基本目標是采集并分析設備信息，然后決定什么時間進行干預來減少損失。通過采用基于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，不僅可以降低維修成本，減少非計劃停機，還可以使備件存儲減少，生產時間增加。在線預警系統一旦出現報警，運行人員便可以結合預警信息、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，這樣不僅可以給電廠帶來巨大的經濟效益，而且對于員工來說還可以減少工作壓力，使工作更加安全可靠。
作者：黃一楓 茅大鈞 單位：上海電力學院自動化工程學院
