電站鍋爐故障診斷技術(shù)的發(fā)展

姜 磊,楊俊保

(上海電力學(xué)院能源與環(huán)境工程學(xué)院,上海 200090)

火電廠是國(guó)家能源系統(tǒng)的重要組成部分,特殊的工作環(huán)境決定其是一個(gè)高故障率和故障危害性大的生產(chǎn)場(chǎng)所,一旦發(fā)生故障將造成重大的經(jīng)濟(jì)損失和嚴(yán)重的社會(huì)后果.由于政府部門(mén)的高度重視,故障診斷技術(shù)在火電廠中的應(yīng)用發(fā)展非常迅速,有效地提高了鍋爐運(yùn)行的可靠性和事故分析處理的準(zhǔn)確性,取得了較好的經(jīng)濟(jì)效益和社會(huì)效益.為了更好地研究和應(yīng)用故障診斷技術(shù),有必要對(duì)現(xiàn)有的故障診斷方法進(jìn)行歸納和整理.

1 電站鍋爐故障診斷技術(shù)

1.1 國(guó)外發(fā)展概況

在 20世紀(jì) 80年代中期,美國(guó)電力研究協(xié)會(huì)(EPEI)針對(duì)電站鍋爐開(kāi)發(fā)了鍋爐維護(hù)工作站(BMW),它主要分為 4個(gè)功能模塊,即水冷壁工況,鍋爐圖示 /管道記錄,ESCARTA專(zhuān)家系統(tǒng),管道壽命.BMW可以分析水冷壁工況,計(jì)算過(guò)熱、再熱器管蠕變壽命,診斷管道故障等[1].其核心是鍋爐管子失效診斷專(zhuān)家系統(tǒng)(ESCARTA),它是美國(guó)開(kāi)發(fā)的用于鍋爐事故診斷的第一個(gè)專(zhuān)家系統(tǒng),該專(zhuān)家系統(tǒng)除了用于診斷鍋爐爆管事故外,還可以用來(lái)培訓(xùn)電廠的技術(shù)人員熟悉爆管事故,以及指導(dǎo)運(yùn)行人員采取正確的步驟調(diào)查鍋爐爆管事故等[2].

美國(guó)電力研究所(EPRI)于 1992年開(kāi)發(fā)的Eddystone診斷專(zhuān)家系統(tǒng)堪稱(chēng)故障診斷專(zhuān)家系統(tǒng)的一個(gè)范例,它包括透平診斷、鍋爐診斷、輔助設(shè)施診斷 3個(gè)部分,應(yīng)用了多項(xiàng)先進(jìn)的監(jiān)測(cè)技術(shù),如鍋爐管道聲學(xué)檢漏、溫度監(jiān)測(cè)、應(yīng)力分析、振動(dòng)信號(hào)分析等[3].

日本在火電廠故障診斷技術(shù)方面的研究也處于世界領(lǐng)先水平.早在 20世紀(jì) 80年代,三菱重工就研制出汽輪發(fā)電機(jī)組故障診斷專(zhuān)家系統(tǒng)和鍋爐故障診斷專(zhuān)家系統(tǒng).至 90年代初,日立公司研制出指導(dǎo)火電廠運(yùn)行和維護(hù)的指導(dǎo)專(zhuān)家系統(tǒng)[4].此外,北海道電力公司應(yīng)用人工智能技術(shù)開(kāi)發(fā)的燃煤火電廠運(yùn)行支援系統(tǒng),其作用是通過(guò)對(duì)機(jī)組數(shù)據(jù)的在線監(jiān)測(cè),可以在發(fā)生異?，F(xiàn)象時(shí)找出發(fā)生原因,并提供實(shí)現(xiàn)機(jī)組運(yùn)行狀態(tài)穩(wěn)定和恢復(fù)原來(lái)運(yùn)行工況的操作指導(dǎo)[5].

1.2 國(guó)內(nèi)發(fā)展概況

近年來(lái),國(guó)內(nèi)鍋爐故障診斷技術(shù)發(fā)展非常迅速,許多高校和研究機(jī)構(gòu)都開(kāi)展了鍋爐故障診斷技術(shù)的研究,并取得了一些成果.

清華大學(xué)的李德英等人以 300 MW電站鍋爐為研究對(duì)象,通過(guò)仿真與實(shí)踐相結(jié)合,建立了遠(yuǎn)程狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng).該系統(tǒng)根據(jù)鍋爐運(yùn)行狀態(tài)監(jiān)測(cè)情況,確定鍋爐系統(tǒng)運(yùn)行中出現(xiàn)的故障征兆,采用深、淺知識(shí)相結(jié)合的混合診斷推理機(jī)制,分析診斷鍋爐系統(tǒng)在運(yùn)行過(guò)程中可能出現(xiàn)的各種故障,如爐膛滅火、過(guò)熱器爆管、省煤器磨損、泄漏等,并通過(guò)遠(yuǎn)程傳輸 DAS數(shù)據(jù)到山東電力科學(xué)研究院進(jìn)行遠(yuǎn)程監(jiān)測(cè)診斷,取得較好效果[6].

電力熱工研究所開(kāi)發(fā)了鍋爐管失效用分析專(zhuān)家系統(tǒng),該系統(tǒng)根據(jù)鍋爐失效后的管斷割取、斷口保護(hù)、現(xiàn)場(chǎng)記錄和分析樣品來(lái)判斷其失效類(lèi)型,進(jìn)一步得出其失效原因,并推薦合適的處理措施和方案[7].

安徽平圩電廠和武漢水利水電大學(xué)合作開(kāi)發(fā)了易組式集散型智能化監(jiān)測(cè)系統(tǒng),已在平圩電廠得到成功應(yīng)用.該系統(tǒng)既能單獨(dú)使用又能與電廠主控系統(tǒng)聯(lián)網(wǎng)使用,為鍋爐水冷壁故障診斷測(cè)試提供了很好的方法,并為今后鍋爐故障診斷監(jiān)測(cè)系統(tǒng)的研究提供了寶貴經(jīng)驗(yàn)[8].

清華大學(xué)的蔣東翔等人針對(duì)單一故障診斷方法的局限性,對(duì)現(xiàn)有的大型設(shè)備故障診斷方法做了全面的分析和比較,提出了多種故障診斷技術(shù)集成的混合智能診斷方法.該方法根據(jù)設(shè)備故障診斷過(guò)程的不同階段和具體任務(wù),綜合利用模糊數(shù)學(xué)、模糊模式識(shí)別、模糊人工神經(jīng)網(wǎng)絡(luò),以及基于規(guī)則的診斷專(zhuān)家系統(tǒng)等多種故障診斷原理,在電站熱力系統(tǒng)故障診斷和機(jī)組振動(dòng)故障診斷的實(shí)際應(yīng)用中取得了良好的效果[9].

2 電站鍋爐故障診斷方法

1971年美國(guó)麻省理工學(xué)院的 BEARD首先提出了用解析冗余代替硬件冗余,并通過(guò)系統(tǒng)的自組織使系統(tǒng)閉環(huán)穩(wěn)定,通過(guò)比較觀測(cè)器的輸出得到系統(tǒng)故障信息的新思想,標(biāo)志著控制系統(tǒng)故障診斷技術(shù)的誕生[10].經(jīng)過(guò)幾十年的發(fā)展,非線性系統(tǒng)的故障診斷技術(shù)有了很大發(fā)展,主要有基于解析模型的診斷方法、基于信號(hào)處理的方法和基于知識(shí)的方法.

2.1 基于解析模型的方法

基于解析模型的方法是發(fā)展最早、研究最系統(tǒng)的一種故障診斷方法,主要可以分為兩類(lèi):一是線性化技術(shù),將非線性系統(tǒng)在一個(gè)工作點(diǎn)線性化[11,12]或幾個(gè)工作點(diǎn)附近線性化[13],用一個(gè)線性模型集表示系統(tǒng),建模誤差、擾動(dòng)、噪聲當(dāng)作未知輸入,用未知輸入設(shè)計(jì)矩陣解耦的方法[14]來(lái)構(gòu)造殘差進(jìn)行診斷,使之不受建模誤差等擾動(dòng)的影響;二是直接建立非線性模型,用非線性觀測(cè)器、濾波器或非線性參數(shù)估計(jì)的方法來(lái)設(shè)計(jì)診斷算法.這些方法往往都是針對(duì)某種特定的非線性系統(tǒng),算法還不是很完善.

目前,基于解析模型的方法是應(yīng)用最廣泛的診斷方法,在故障診斷領(lǐng)域具有重要的地位,其研究成果主要集中在線性系統(tǒng),因此深入研究非線性系統(tǒng)的通用故障診斷技術(shù)具有重要意義.

2.2 基于信號(hào)處理的方法

基于信號(hào)處理的方法不需要對(duì)象的準(zhǔn)確模型,實(shí)用性強(qiáng).常用的有基于Kullback信息準(zhǔn)則和基于小波變換的故障診斷方法.前者用基于Goodw in的隨機(jī)嵌入的方法把未建模動(dòng)態(tài)特性當(dāng)作軟界估計(jì)[15],利用遺傳算法和梯度方向辨識(shí)參數(shù)和軟界,然后在 Kullback信息準(zhǔn)則中引入一個(gè)新指標(biāo)評(píng)價(jià)未建模動(dòng)態(tài)特性,設(shè)計(jì)閾值和決策方案.后者利用連續(xù)小波變換來(lái)區(qū)分信號(hào)突變點(diǎn)和噪音(離散小波可以用來(lái)檢測(cè)頻率結(jié)構(gòu)的突變),是一種時(shí)間-尺度分析的方法,具有多分變率分析的特點(diǎn),但是這種方法只能檢測(cè)信號(hào)的奇異性,不能進(jìn)一步提供系統(tǒng)狀態(tài)變量的診斷信息,不能進(jìn)行故障的定位和故障恢復(fù)[16].

2.3 基于知識(shí)的方法

基于知識(shí)的方法主要是通過(guò)分析系統(tǒng)歷史運(yùn)行數(shù)據(jù),利用故障信息、系統(tǒng)對(duì)象的知識(shí)和專(zhuān)家知識(shí)實(shí)現(xiàn)定量和定性知識(shí)的有機(jī)結(jié)合.它主要有故障樹(shù)故障診斷法、模糊推理法、專(zhuān)家系統(tǒng)法、神經(jīng)網(wǎng)絡(luò)法,以及信息融合故障診斷法等.

(1)故障樹(shù)故障診斷法 通過(guò)故障樹(shù)結(jié)構(gòu)圖對(duì)系統(tǒng)故障形成的原因作出總體至部分的分析,按樹(shù)狀逐漸細(xì)化劃分,可以對(duì)系統(tǒng)或機(jī)器的故障進(jìn)行預(yù)測(cè)和診斷,分析系統(tǒng)的薄弱環(huán)節(jié),以實(shí)現(xiàn)系統(tǒng)的最優(yōu)化[17].該方法的缺點(diǎn)是由于所列舉的系統(tǒng)故障種類(lèi)不同,有可能漏掉重大部件或元件的故障.

(2)模糊推理診斷法 利用隸屬函數(shù)和模糊規(guī)則進(jìn)行模糊推理以實(shí)現(xiàn)模糊診斷的故障診斷法.在故障診斷中,如果故障與征兆的關(guān)系是模糊的,用模糊集表示的模糊語(yǔ)言就能夠更正確地表示故障與征兆的關(guān)系.但是模糊知識(shí)獲取困難,診斷系統(tǒng)的學(xué)習(xí)能力差,當(dāng)知識(shí)庫(kù)不完備時(shí)容易產(chǎn)生漏報(bào)和誤報(bào)現(xiàn)象[18,19].

(3)專(zhuān)家系統(tǒng)診斷法 分為基于淺知識(shí)的第一代故障診斷專(zhuān)家系統(tǒng)和基于深知識(shí)的第二代專(zhuān)家系統(tǒng)診斷法[20].該方法通過(guò)提取要診斷系統(tǒng)的傳感器知識(shí),在計(jì)算機(jī)里組成規(guī)則庫(kù),并總結(jié)現(xiàn)場(chǎng)專(zhuān)家的經(jīng)驗(yàn)進(jìn)行推理,從而診斷故障.其優(yōu)點(diǎn)是容易增加和刪除規(guī)則,算法簡(jiǎn)單,缺點(diǎn)是知識(shí)的提取困難.

(4)神經(jīng)網(wǎng)絡(luò)診斷法 具有處理非線性、自學(xué)習(xí)、高容錯(cuò)性,以及并行處理的能力,主要用在難于建模、故障繁多的復(fù)雜系統(tǒng)中.其缺點(diǎn)是泛化能力和外推性能差、具有魯棒性、權(quán)值收斂速度慢,以及可能陷入局部最小等[21].

(5)信息融合故障診斷法 利用計(jì)算機(jī)對(duì)來(lái)自多傳感器的信息按一定的準(zhǔn)則加以自動(dòng)分析和綜合數(shù)據(jù)處理,以完成所需要的決策和判定的故障診斷方法.目前信息融合在軍事領(lǐng)域中已有廣泛應(yīng)用,但在設(shè)備故障診斷中的應(yīng)用還需要繼續(xù)深入研究[22].

3 電站鍋爐故障診斷技術(shù)展望

鍋爐是發(fā)電廠的重點(diǎn)設(shè)備,鍋爐運(yùn)行的好壞很大程度上決定了整個(gè)機(jī)組運(yùn)行的安全性和經(jīng)濟(jì)性.現(xiàn)有的故障診斷系統(tǒng)存在診斷方法單一、多種故障診斷困難等缺點(diǎn).因此,若要有效提高故障診斷的可靠性和快速性,應(yīng)該從以下兩個(gè)方面進(jìn)行深入研究.

(1)多種方法聯(lián)合診斷 巧妙地將兩個(gè)或多個(gè)診斷方法相結(jié)合,充分發(fā)揮各故障診斷方法的優(yōu)勢(shì),克服單一診斷方法的局限性,可以有效提高故障診斷準(zhǔn)確性.例如,由小波和神經(jīng)網(wǎng)絡(luò)結(jié)合的系統(tǒng)可以避免辨識(shí)網(wǎng)絡(luò)權(quán)值時(shí)出現(xiàn)局部最小,從而加快收斂速度[23];由專(zhuān)家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)結(jié)合而成的神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng),既可以解決專(zhuān)家系統(tǒng)的知識(shí)獲取困難、推理能力差的問(wèn)題,又可彌補(bǔ)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本獲取困難、推理過(guò)程透明性差等缺點(diǎn)[24];由模糊邏輯、神經(jīng)網(wǎng)絡(luò)和專(zhuān)家系統(tǒng)融合而成的智能診斷方法對(duì)鍋爐設(shè)備進(jìn)行故障診斷,可以打破單一診斷法的局限性,達(dá)到較為接近實(shí)際的診斷結(jié)果[25,26];將遺傳算法、模糊推理、神經(jīng)網(wǎng)絡(luò)和專(zhuān)家系統(tǒng)等人工智能領(lǐng)域中的各種方法加以綜合利用,并用于故障診斷,特別是針對(duì)具有模糊性的診斷對(duì)象,能夠更加深入細(xì)致地刻畫(huà)與描述故障的特征,并克服故障判斷中非此即彼的絕對(duì)性,使推理過(guò)程與客觀實(shí)際更加相符,同時(shí)也可以克服傳統(tǒng)故障診斷專(zhuān)家系統(tǒng)中存在的知識(shí)獲取“瓶頸”問(wèn)題、知識(shí)“窄臺(tái)階”問(wèn)題,以及容易出現(xiàn)的“匹配沖突”、“組合爆炸”和 “無(wú)窮遞歸”等問(wèn)題[27].

(2)多種故障同時(shí)診斷 我國(guó)在電站鍋爐故障診斷技術(shù)方面做了大量的研究,但是應(yīng)用于實(shí)際的卻較少.究其原因,主要是由于已開(kāi)發(fā)的大多數(shù)診斷系統(tǒng)的診斷功能比較單一,診斷對(duì)象局限于電站鍋爐中的某一設(shè)備或某一子系統(tǒng).而鍋爐是由若干相互聯(lián)系的子系統(tǒng)組成的整體,這種結(jié)構(gòu)上的層次關(guān)系要求其診斷系統(tǒng)是分布式和多層次的.目前對(duì)同時(shí)出現(xiàn)的多故障,或各故障之間存在相互影響時(shí)的故障診斷方面的研究顯得有些不足,若要使故障診斷技術(shù)早日得到廣泛的應(yīng)用,解決此問(wèn)題極為關(guān)鍵.另外,隨著現(xiàn)代系統(tǒng)網(wǎng)絡(luò)化的發(fā)展,分布式系統(tǒng)的故障診斷必將引起重視并得到深入研究.

4 結(jié) 語(yǔ)

鍋爐故障混合智能診斷系統(tǒng)的開(kāi)發(fā)是一個(gè)長(zhǎng)期的過(guò)程,隨著應(yīng)用于鍋爐故障診斷的系統(tǒng)開(kāi)發(fā)工具、人工智能理論、傳感技術(shù)、分布式系統(tǒng)的故障診斷等相關(guān)關(guān)鍵技術(shù)的不斷深入研究和發(fā)展,混和智能故障診斷系統(tǒng)應(yīng)用于大型鍋爐設(shè)備運(yùn)行故障診斷指日可待.

[1]王洪江,孫保民,田進(jìn)步.電站鍋爐故障診斷技術(shù)研究進(jìn)展[J].中國(guó)電力教育,2008,(1):253-255.

[2]楊兵,張小飛,丁輝,等.基于知識(shí)庫(kù)的鍋爐“四管”暴漏預(yù)報(bào)專(zhuān)家系統(tǒng)[J].動(dòng)力工程,2004,(1):21-24.

[3]王文永.美國(guó)電站狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的開(kāi)發(fā)應(yīng)用[J].華北電力技術(shù),1995,(6):51-55.

[4]李兵.日本火電廠鍋爐部件剩余壽命診斷技術(shù)[J].華北電力技術(shù),1997,(8):5-10.

[5]孫竹梅,張麗香.人工智能技術(shù)在國(guó)內(nèi)電廠中的應(yīng)用研究[J].電力學(xué)報(bào),2005,20(2):107-111.

[6]張欣.火電廠煤粉鍋爐燃燒狀態(tài)智能監(jiān)測(cè)與評(píng)判研究[D].河北:華北電力大學(xué),2009:19-27.

[7]馬麗云,齊紀(jì)渝.鍋爐管道失效分析專(zhuān)家系統(tǒng)知識(shí)庫(kù)的建立[J].現(xiàn)代電力,2002,(2):7-13.

[8]蔡建國(guó),唐必光.易組式集散型智能化監(jiān)測(cè)系統(tǒng)及在水冷壁故障測(cè)試中的應(yīng)用[J].熱力發(fā)電,1999,(2):46-48.

[9]蔣東翔,倪維斗.大型汽輪發(fā)電機(jī)組混合智能診斷方法的研究[J].清華大學(xué)學(xué)報(bào),1999,(3):20-24.

[10]陳煒?lè)?陸靜霞.故障診斷技術(shù)及其發(fā)展趨勢(shì)[J].農(nóng)機(jī)化研究,2005,(2):10-13.

[11]PATTON R J,CHEN J.Robust fault detection and isolation(FDI)systems[M].Academ ic Press,1996:171-224.

[12]GERTLER J.Residual generation in model-based fault diagnosis[J].Control-Theory and Advanced Technology,1993,9(1):259-285.

[13]PATTON R J.Robust fault diagnosis in a chemical process using multiple-model approach[C]//Proc.of the 40th IEEE Conf.-D and Control Orlando,Florida USA,2001,54:149-154.

[14]Design of a class of reduced order unknown inputs nonlinear observer for fault diagnosis[C]//Proc.of the American Control Conference Arlington,VA June 2001:25-27.

[15]KUMAMARU K.Robust fault detection using index of kullback discrimination information[C]//Proc.of IFAC World Congress,1996:205-210.

[16]陳卓,劉念,薄麗雅.電力設(shè)備狀態(tài)檢測(cè)與故障診斷[J].高壓電技術(shù),2005,(4):46-49.

[17]倪紹徐,張?jiān)７?易宏,等.基于故障樹(shù)的智能故障診斷方法[J].上海交通大學(xué)學(xué)報(bào),2008,(8):1 371-1 375.

[18]MARUYAMA N,BENOUARETSM,DEXTERA L.Fuzzymodelbased fault detection and diagnosis[C]//Proc.of IFACWorld Congress,San Francisco,USA,1996:121-126.

[19]BOUDAOUD A N,MASSON M H,DUBUISSON B.On-line diagnosisof a technological system:a fuzzy pattern recognition approach[C]//Proc.of IFAC World Congress,San Francisco,USA,1996:103-107.

[20]吳今培,肖健華.智能診斷與專(zhuān)家系統(tǒng)[M].北京:科學(xué)出版社,1997:42-47.

[21]ALBERTO Stefanini,ALFONSO Cavanna,MASSIMO Gallanti,et al.Integrating Empirical and ontological know ledge in an expert system for diagnosisofa steam condenser[C]//Proc.of the IntWorkshop on A rtif Intell for Ind Appl,2000,(10):227-231.

[22]PARK J,SANDBER IW.Universalapproximation using radialbasis function network[J].Neural Computation,1991,(3):246-257.

[23]王雪,左巍,趙國(guó)華.基于多傳感器集成融合技術(shù)的敏捷虛擬測(cè)試診斷系統(tǒng)研究[J].中國(guó)機(jī)械工程,2001,12(8):914-918.

[24]FENG You-ping,HUANG Xi-yue.Fault diagnosismultiagent reconfigure according to the model of immune idiotypic network regulation theory and behavioral petrinets techniques based on work low management[C]//Second International Symposium on Intelligent and Complex System,W uhan,2001:10.

[25]馮定.神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)[M].北京:科學(xué)出版社,2006:7-17.

[26]蘇羽,趙海,蘇威積,等.基于模糊專(zhuān)家系統(tǒng)評(píng)估診斷方法[J].東北大學(xué)學(xué)報(bào),2004,25(7):653-656.

[27]李人厚.智能控制理論和方法[M].西安:西安電子科技大學(xué)出版社,1999:270-274.

[28]花偉.鍋爐混合智能故障診斷技術(shù)的研究[D].南京:南京工業(yè)大學(xué),2006:16-21.