数据驱动与电站设备故障诊断方法

摘要：传统的电站设备故障诊断方法，一般是依据故障表征和报警信息，结合以往的经验进行分析。由于经验的获取比较困难，诊断的准确程度又依赖于经验的丰富程度和知识水平的高低，当参数及规则较多时，推理过程中存在匹配冲突、组合爆炸等问题，使得推理速度较慢、效率低下，不可避免地使得诊断结果存在不确定性。采用数据驱动的方法，充分挖掘有限数据可利用的信息，可以优化并加快故障诊断的进程。分别以多元统计分析、信号处理、机器学习三种数据驱动的方法，结合数据可视化，对电站设备故障进行了定量分析和研究。

关键词：统计分析；数据可视化；故障诊断；神经网络；平均影响值

火电厂主辅设备数量众多、类型复杂，如何保证设备的安全稳定运行是生产管理人员花费时间和精力最多的，也是处理起来最困难的问题。设备在运行中产生会大量数据，快速有效地对数据进行分析，及时了解设备的健康状态，尽早开展维护和检修，对于设备的安全稳定运行具有重要意义。数据本身是抽象的，它带给人们的直观印象只有数值大小。当数据集合特别庞大的时候，甚至连大小都无从说起。因此，采用恰当的分析方法对收集来的大量数据进行分析，提取出有用的信息，并借助图形化手段，将数据以视觉形式展现出来，清晰有效地传递信息，有利于进一步研究并解决问题。理论上讲，如果有足够的具有代表性的数据，就可以运用数学方法找到一个或者一组模型的组合使得它和真实的情况非常接近，这种方法称为数据驱动的方法。称之为数据驱动的方法，是因为它不预设模型，而是用简单的模型来拟合数据。数据驱动的方法意义在于，当一个问题无法用简单而准确的方法解决时，可以通过历史数据构造出近似的模型来逼近真实，实际上是用计算量和数据量来换取研究时间，得到的模型虽然和真实情况有偏差但足以指导实践。数据驱动的方法，优势在于能够在最大程度上利用计算机技术的进步。

1故障诊断流程

一次完整的数据驱动的故障诊断流程为：明确分析目标（只有明确了分析的目标，随后的分析才可展开）→数据采集（根据目标去获取所需要的数据）→数据分析处理（解决数据质量的问题，需要进行数据清洗，包括补全缺失值、删去异常值、重复值、进行数据转换等等）→数据可视化[1]（可选，“一图胜千言”，用图表可以更清晰地展现结论）→提出建议，推动问题解决（完成整个流程的闭环）。在以下章节中，将以三个典型案例，分别使用多元统计分析、信号处理、机器学习三种数据驱动的方法，结合数据可视化方法，进行定量分析和研究。

2汽动给水泵流量特性分析

对于直流锅炉，汽动给水泵的运行特性直接关系到锅炉给水流量的稳定和安全。当小机与汽泵解体检修后，建议做设备运行特性分析。为了解其运行特性，我们可以对其流量特性进行分析。本节选择了某火电厂#1机组A小机作为研究对象，因变量为小机流量，自变量选择了小机转速、小机进汽调门开度、进汽压力3项（经验表明，由多个自变量的组合共同来预测因变量，比只用一个自变量进行预测更准确，更符合实际）。数据来源为火电厂厂级监控信息系统[2]（SupervisoryInformationSystem，简称SIS），时间段为2020年7月1日00:00至7月7日00:00，采样间隔为1分钟，共计34564条数据。对收集到的数据进行分析，可以发现小机流量可以采用多元线性回归模型（多元线性回归分析研究一种现象随多种现象的变动而相应变动的规律）进行描述，应用SPSS建立多元回归模型[3]如下：F=-0.327×S+14.707×O+1323.646+263.25式中，F为小机流量，单位为t/h；S为小机转速，单位为r/m；O为小机进汽调门开度，单位为%；P为进汽压力，单位为MPa。经检验，拟合优度（模型所能解释的因变量的变化百分比）为0.985，方差分析得出的F值为190295.406，P<0.05，残差近似为正态分布，模型具有统计意义。每次小机检修后，可以通过采集小机运行数据，计算回归模型，将系数与历史数据进行比较，以发现小机运行特性有了哪些变化，为及时发现设备存在的缺陷提供了依据，避免了查找设备问题时的盲目性。

3锅炉减温水调门故障诊断

减温水调门直接关系到锅炉蒸汽温度的调节品质，但由于评价减温水特性比较复杂（多种因素交织，既有燃料的不稳定性这类客观因素，也有运行人员调整水平、维护人员的参数整定水平等人为因素），传统的评价方法一般是基于运行及维护人员的主观判断，标准较为粗放。本节选择了某火电厂#2锅炉减温水气动调门作为研究对象，通过统计分析及可视化方法，判断调门存在的问题，并为传统的评价方法增加一些客观标准。收集了减温水调门的开度及减温器后的温度数据，来源同样来自SIS系统，时间段为2020年5月1日12:00至5月4日12:00，采样间隔为15秒钟，共计69124条数据。绘制锅炉减温水系统示意图如图1所示，过热蒸汽采用两级喷水减温，每级又分为A、B两侧。高过出口蒸汽管道交叉布置，低过、屏过出口蒸汽管道不交叉。因此，图1中A2温控点对应的是B侧二级减温器，B2温控点对应的是A侧二级减温器；A1、B1温控点则分别对应A侧一级减温器、B侧一级减温器。观察分析图2可以发现：①屏过出口温度方面，A1点、B1点温度波动范围基本一致，但是与它们相对应的一减调门开度略有不同。A侧一减调门开度大部分位于（15，40）之间,B侧一减调门开度大部分位于（0，20）范围内，表明B侧一减调门参数整定仍然需要完善。②高过出口蒸汽温度方面，与A2点相比，B2点温度更为集中地分布于设定值附近（尖峰更高），但是与其对应的A侧二级减温水调门开度在（0，100）范围内分布十分均匀，B侧二级减温水调门开度基本在（0，60）范围内，这表明为了维持B2点温度稳定，A侧二减调门的波动是比较大的，有可能减温水量不足，后续对其进行跟踪，询问维护人员，该调门因为漏水，盘根压得较紧，水量也的确有所不足。

4汽轮机轴承振动故障分析诊断

汽轮机的轴承振动分析是一项复杂繁琐的工作，轴承振动大既可能是汽轮机本身的原因，也可能有运行参数选择的因素。以分析运行参数为例，本节选择了某火电厂#2汽轮机#1轴承X向振动作为研究对象，选取了可能影响#1轴承振动的33项运行参数。为排除相关性显著的参数，加快计算速度，采用SPSS进行相关性分析，去除相关系数|r|≥0.9（显著相关）的12项参数，余下21项参数（无功、#1高调开度、#2高调开度、#3高调开度、#4高调开度、主汽压、主汽温、再热汽温、调节级温度、高排温度、轴封压力、高压轴封温度、低压轴封温度、真空、润滑油压、润滑油温、EH油压、调阀端差胀、电机端差胀、缸胀、偏心）。数据来源为SIS系统，时间段为2020年4月1日零点至4月21日零点，采样间隔为1分钟，共计604821条数据。为了对这些运行参数影响振动的权重进行分析，首先将上述21项运行参数作为输入，轴承振动作为输出，建立如图3（a）所示BP神经网络。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其突出优点是具有很强的非线性映射能力，特别适合拟合复杂的非线性函数，此处正是应用BP神经网络的这项优点用于轴承振动分析。经试验确定隐藏层数为1，隐藏层节点数设为14，激活函数为双曲正切函数，输出层激活函数为恒等函数。随后利用MIV算法[5]进行权重计算。MIV被认为是在神经网络中评价变量重要性的最好指标之一，其符号代表相关的方向，绝对值大小代表影响的相对重要性，其计算方法如图3（b）所示。具体的计算过程为：在网络训练终止后，将训练样本P中每一个自变量在其原值的基础上分别加和减K%（K为调节率）构成两个新的训练样本P1和P2，将P1和P2分别作为仿真样本利用已训练好的网络进行仿真，得到两个仿真结果R1和R2，求出R1和R2的差值，即为变动该自变量后对输出产生的影响变化值IV（ImpactValue），最后将IV按观测例数平均，得出该自变量对于因变量的MIV（MeanImpactValue）。按照以上步骤依次算出各个自变量的MIV值，最后根据MIV绝对值的大小为各自变量排序，得到各自变量对于网络输出的影响权重位次，从而判断出输入特征对于网络结果的影响程度，实现权重计算。调节率的变化对MIV影响不大[6]，选取任一调节率，MIV均具有代表性，本文选择了调节率k=15。另外，由于神经网络在初始化和训练过程中存在随机性，每次神经网络训练后的权重都会有所不同（即使是采用相同的模型，相同的训练数据集亦是如此），这会在较大程度上影响到最终结论的正确性。为了使结果更准确，本文采用收集到的数据，连续训练了500次神经网络，计算得到了500组MIV，最后再次取平均值作为最终结果（表1、图4），以在统计学意义上避免不确定性.从图4中可以清晰地看出，对#1轴承X向振动影响较大的（前5位）参数按照绝对值从大到小排列，依次为#4高调开度、#1高调开度、主汽压力、调阀端差胀和润滑油压。其中，#1高调开度、润滑油压这两项参数与轴承振动呈现负相关性，其他三项为正相关。以上结论与根据专家的经验进行定性分析所得到的结果是一致的。

5结语

本文介绍了基于数据驱动的设备故障诊断方法，并应用此方法对电站的三个典型案例进行了定量的分析和研究。在数据来源多样化的情况下，数据的可靠性和实用性非常重要。数据的完整性、规范性以及一致性，直接影响到是否能够得到正确的模型和结论，影响到设备故障诊断的结论。高质量的数据和有效的数据管理，才能够保证分析结果的真实和有价值。

参考文献

[1]任磊,杜一,马帅,等.大数据可视分析综述[J].软件学报,2014,25(9):1909-1936.

[2]沈赫男,SIS系统在火力发电厂的应用研究[D],华北电力大学,2014.

[3]薛薇,统计分析与SPSS的应用[M].中国人民大学出版社,2017.

[4]李长兵.水电站机电设备运行维护与故障检修研究[J].新型工业化,2020,10(2):36-40.

[5]王小川,史峰与郁磊,MATLAB神经网络43个案例分析[M].北京航空航天大学出版社,2019.

[6]杨斌,李敬洋,文磊.基于MIV的碳钢大气腐蚀速率影响因子权重分析[J].北京航空航天大学学报,2018,44(8):1620-1628.

作者：张伟 单位：华电新乡发电有限公司