不同負(fù)荷低加內(nèi)部泄漏故障神經(jīng)網(wǎng)絡(luò)診斷研究

馬良玉，劉　婷

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定　071003)

?

不同負(fù)荷低加內(nèi)部泄漏故障神經(jīng)網(wǎng)絡(luò)診斷研究

馬良玉，劉婷

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定071003)

摘要：針對(duì)600 MW火電機(jī)組低壓加熱器系統(tǒng)內(nèi)部泄漏故障，提出一種基于神經(jīng)網(wǎng)絡(luò)的以最大故障分離度為目標(biāo)的尋優(yōu)技術(shù);采用征兆模糊計(jì)算方法對(duì)典型故障樣本進(jìn)行規(guī)整化處理，建立了低加內(nèi)部泄漏故障診斷的神經(jīng)網(wǎng)絡(luò)模型;結(jié)合征兆縮放優(yōu)化技術(shù)和神經(jīng)網(wǎng)絡(luò)診斷模型，對(duì)不同負(fù)荷下不同程度低加內(nèi)部泄漏故障進(jìn)行實(shí)時(shí)仿真實(shí)驗(yàn);實(shí)驗(yàn)表明上述方法對(duì)不同負(fù)荷下程度迥異的低加故障均可得到具有高故障分離度的正確診斷結(jié)果，可準(zhǔn)確診斷低加內(nèi)部泄漏故障，具有較好的工程實(shí)用性。

關(guān)鍵詞：火電機(jī)組；低壓加熱器；內(nèi)部泄漏；故障診斷；人工神經(jīng)網(wǎng)絡(luò)；征兆縮放優(yōu)化

0引言

低壓加熱器是汽輪發(fā)電機(jī)組回?zé)嵫h(huán)系統(tǒng)的重要換熱設(shè)備，其作用是利用來自汽輪機(jī)低壓缸的各段抽汽加熱進(jìn)入除氧器的凝結(jié)水，從而使蒸汽熱能得到充分利用，減少冷源損失，提高循環(huán)熱效率。隨著機(jī)組運(yùn)行時(shí)間增長，由于運(yùn)行溫差過大導(dǎo)致的熱應(yīng)力、管板變形，以及因汽水沖刷、磨損、腐蝕、振動(dòng)造成的管壁變薄等，均會(huì)使低壓加熱器泄漏越來越嚴(yán)重[1-2]。由此導(dǎo)致低加的水位異常升高，不僅影響機(jī)組經(jīng)濟(jì)性，甚至危及汽輪機(jī)運(yùn)行的安全。因此對(duì)低壓加熱器的內(nèi)部泄漏故障進(jìn)行監(jiān)測(cè)和實(shí)時(shí)診斷十分必要。

現(xiàn)有文獻(xiàn)對(duì)于加熱器故障診斷的研究多集中在高壓給水加熱器[3]，對(duì)低加故障診斷研究相對(duì)較少。由于低壓加熱器內(nèi)部結(jié)構(gòu)及系統(tǒng)配置與高加不同，其內(nèi)部泄漏故障規(guī)律與高加有一定差別。此外，由于低加系統(tǒng)的汽水管路存在很強(qiáng)的耦合性，某低加發(fā)生故障后不僅會(huì)影響自身的參數(shù)，還會(huì)導(dǎo)致其它低加運(yùn)行參數(shù)的變化，因此低加故障分析及診斷應(yīng)將低加系統(tǒng)視為一個(gè)整體來統(tǒng)籌考慮。

為此，本文針對(duì)某600 MW超臨界機(jī)組，借助全范圍仿真系統(tǒng)，對(duì)低加系統(tǒng)內(nèi)部泄漏的故障規(guī)律進(jìn)行仿真研究。在此基礎(chǔ)上，結(jié)合征兆模糊計(jì)算、故障神經(jīng)網(wǎng)絡(luò)建模及征兆縮放優(yōu)化技術(shù)，實(shí)現(xiàn)不同負(fù)荷下不同程度低加系統(tǒng)內(nèi)部泄漏故障的實(shí)時(shí)準(zhǔn)確診斷，并借助仿真實(shí)驗(yàn)驗(yàn)證方法的有效性。

1低加泄漏故障類型及特征參數(shù)選取

1．1低加及抽汽疏水系統(tǒng)簡(jiǎn)介

本文研究對(duì)象為某國產(chǎn)600 MW超臨界火電機(jī)組的低壓加熱器系統(tǒng)，其流程結(jié)構(gòu)如圖1所示。系統(tǒng)包含5號(hào)、6號(hào)、7A、7B、8A和8B共6個(gè)低壓加熱器，其中5、6號(hào)低加水側(cè)均為獨(dú)立的小旁路結(jié)構(gòu)，8A與7A低加、8B與7B低加水側(cè)分別串聯(lián)之后再并聯(lián)。各低加均為臥式U型管結(jié)構(gòu)，均設(shè)有內(nèi)置凝結(jié)段和疏冷段。正常疏水采用逐級(jí)自流方式，最終疏至凝汽器。各加熱器均設(shè)有事故疏水，分別引入與凝汽器相連的本體疏水?dāng)U容器經(jīng)擴(kuò)容釋壓后排入凝汽器。每個(gè)加熱器的疏水管路上均設(shè)有疏水調(diào)節(jié)閥，用于控制加熱器正常水位。危急疏水管道上的調(diào)節(jié)閥受加熱器高水位信號(hào)控制。

圖1　低加抽汽疏水示意圖

1．2低加泄漏故障類型與故障特征參數(shù)選取

低加內(nèi)部泄漏是低壓加熱器系統(tǒng)最常見最嚴(yán)重的故障之一。根據(jù)泄漏位置不同，低加泄漏可分為給水管本身的泄漏，以及由于進(jìn)出水室隔板密封不嚴(yán)或沖擊損壞造成的進(jìn)出水室短路。因此，這里重點(diǎn)對(duì)這兩類故障的規(guī)律進(jìn)行仿真研究。對(duì)于圖1所示6個(gè)低加，可細(xì)分為表1所示12個(gè)故障。

表1　低加系統(tǒng)泄漏故障項(xiàng)目

分析DCS監(jiān)控畫面中低加抽汽及疏水系統(tǒng)有關(guān)運(yùn)行參數(shù)與低加內(nèi)部泄漏故障的相關(guān)性，選取各低加正常及危急疏水閥總開度、凝結(jié)水溫升、疏水溫度及除氧器水位調(diào)節(jié)閥開度共16個(gè)參數(shù)作為故障特征參數(shù)，見表2。

表2　低加泄漏故障特征變量選取

2不同負(fù)荷低加泄漏故障ANN診斷方法

人工神經(jīng)網(wǎng)絡(luò)由于具有很強(qiáng)的非線性映射、自適應(yīng)學(xué)習(xí)、聯(lián)想記憶能力及優(yōu)良的容錯(cuò)性能，在復(fù)雜非線性動(dòng)態(tài)系統(tǒng)辨識(shí)、控制和故障診斷領(lǐng)域得到廣泛的應(yīng)用[5]。由于火電機(jī)組可以在不同負(fù)荷工況下運(yùn)行，而且各低加內(nèi)部泄漏故障程度多變，給故障的準(zhǔn)確診斷帶來較大困難。

研究表明，當(dāng)系統(tǒng)拓?fù)浣Y(jié)構(gòu)不變時(shí)，熱力系統(tǒng)主要運(yùn)行參數(shù)的變化與泄漏量具有近似線性變化規(guī)律，據(jù)此文獻(xiàn)[6-7]提出了一種結(jié)合征兆縮放優(yōu)化技術(shù)和神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)對(duì)不同程度故障的準(zhǔn)確識(shí)別[8]。由于機(jī)組工況的相似性，此方法也可運(yùn)用于其他不同負(fù)荷穩(wěn)態(tài)工況下的故障診斷，區(qū)別僅在于無故障所參照的正常值不同。本文不同負(fù)荷下不同程度低加故障診斷采用該方法。該方法僅采用額定負(fù)荷工況下的典型故障樣本數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)，并采用模糊計(jì)算方法將故障征兆集規(guī)整為[-1，+1]區(qū)間的標(biāo)準(zhǔn)樣本數(shù)據(jù)，用于診斷模型訓(xùn)練。而當(dāng)模型用于不同負(fù)荷工況故障的實(shí)時(shí)診斷時(shí)，僅需確定不同負(fù)荷點(diǎn)各特征參數(shù)的基準(zhǔn)值(無故障正常運(yùn)行值)，同時(shí)基于不同負(fù)荷下故障的相似性及機(jī)組運(yùn)行工況的相似性，利用征兆縮放優(yōu)化技術(shù)尋找當(dāng)前故障征兆與額定工況故障典型征兆集的最佳匹配，從而實(shí)現(xiàn)不同負(fù)荷不同程度低加泄漏故障的準(zhǔn)確診斷。上述診斷方法流程如圖2所示。

圖2　故障診斷神經(jīng)網(wǎng)絡(luò)方法流程圖

本文診斷過程中，預(yù)先提取無故障條件下仿真機(jī)在600 MW、540 MW、480 MW、420 MW工況下穩(wěn)定運(yùn)行時(shí)的正常數(shù)值為基準(zhǔn)數(shù)據(jù)，其它中間負(fù)荷工況的特征參數(shù)基準(zhǔn)值則采用分段插值法擬合確定。

為將典型故障數(shù)據(jù)處理為[-1，+1]區(qū)間的標(biāo)準(zhǔn)樣本集，借用模糊數(shù)學(xué)中隸屬度的概念。熱力系統(tǒng)故障診斷中常用的征兆類型分為語義型征兆和趨勢(shì)型征兆。趨勢(shì)型征兆反映參數(shù)變化的速率和方向，語義型征兆反映參數(shù)變化的大小和方向。本文低加故障診斷主要采用語義型征兆。設(shè)參數(shù)正常時(shí)征兆值為0，參數(shù)達(dá)最大變化范圍上、下限時(shí)征兆值分別取+1、-1，則語義征兆值μ(y)的模糊計(jì)算式如下[9]：

(1)

其中：y為參數(shù)實(shí)際值，y0為相應(yīng)工況下參數(shù)正常值，B為參數(shù)變化最大幅寬。

采用上述計(jì)算方法完成故障樣本的標(biāo)準(zhǔn)化處理后，即可在MATLAB環(huán)境下構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，并利用標(biāo)準(zhǔn)樣本集完成神經(jīng)網(wǎng)絡(luò)診斷模型的訓(xùn)練，確定合理的神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)、權(quán)值和閾值等參數(shù)，并存儲(chǔ)離線訓(xùn)練好的模型供故障在線實(shí)時(shí)診斷使用[10]。

在故障實(shí)時(shí)診斷時(shí)，對(duì)機(jī)組運(yùn)行過程中的特征變量進(jìn)行實(shí)時(shí)監(jiān)測(cè)，按照一定采樣周期獲取特征參數(shù)值。根據(jù)機(jī)組當(dāng)時(shí)的實(shí)際負(fù)荷擬合計(jì)算各特征參數(shù)無故障情況下的正常值，并采用與離線樣本相同的征兆計(jì)算方法得到實(shí)時(shí)故障征兆，經(jīng)征兆縮放后作為神經(jīng)網(wǎng)絡(luò)的輸入，由神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)計(jì)算故障診斷結(jié)果。根據(jù)輸出的故障分離度(故障最大隸屬度與次大隸屬度的差值)是否大于預(yù)先設(shè)定值，對(duì)征兆縮放系數(shù)進(jìn)行尋優(yōu)，直到診斷結(jié)果符合要求。

3神經(jīng)網(wǎng)絡(luò)診斷模型的建立

為建立診斷模型，借助火電機(jī)組仿真機(jī)在600 MW額定負(fù)荷(協(xié)調(diào)方式)下分別進(jìn)行了低加泄漏和短路兩大類共12組故障的仿真實(shí)驗(yàn)，獲取了各故障從發(fā)生到趨穩(wěn)的動(dòng)態(tài)過程數(shù)據(jù)。其中各低加進(jìn)出水室短路故障由于恢復(fù)穩(wěn)定時(shí)間較短取故障加入后400組連續(xù)運(yùn)行數(shù)據(jù)，低加內(nèi)部泄漏故障由于恢復(fù)穩(wěn)定時(shí)間較長取600組連續(xù)運(yùn)行數(shù)據(jù)，采樣時(shí)間均為1 s。

為將故障樣本處理為[-1,1]區(qū)間的標(biāo)準(zhǔn)樣本數(shù)據(jù)，需預(yù)先確定式(1)中各Bi參數(shù)的取值。各Bi取值依據(jù)所有可能故障情況下各參數(shù)正、反向變化的最大幅值合理確定，具體如表3所示。

表3　征兆模糊計(jì)算參數(shù)Bi選取

采用上述取值Bi和式(1)對(duì)故障樣本進(jìn)行模糊化處理獲取標(biāo)準(zhǔn)樣本集，用于神經(jīng)網(wǎng)絡(luò)診斷模型的建立。本文在MATLAB平臺(tái)下建立低加內(nèi)部泄漏故障的BP神經(jīng)網(wǎng)絡(luò)診斷模型。模型包含16個(gè)輸入，12個(gè)輸出。網(wǎng)絡(luò)隱層函數(shù)采用tansing，輸出層激活函數(shù)采用purelin，訓(xùn)練采用L-M算法。經(jīng)反復(fù)實(shí)驗(yàn)，隱層神經(jīng)元節(jié)點(diǎn)數(shù)取25時(shí)，訓(xùn)練完成后模型經(jīng)驗(yàn)證具有較高的擬合精度。

圖3　故障診斷神經(jīng)網(wǎng)絡(luò)模型離線測(cè)試

為驗(yàn)證訓(xùn)練好的模型對(duì)故障訓(xùn)練樣本的擬合效果，依次將不同故障樣本序列作為輸入對(duì)模型進(jìn)行驗(yàn)證。神經(jīng)網(wǎng)絡(luò)輸出依次是F1~F12各故障的隸屬度，訓(xùn)練時(shí)對(duì)相應(yīng)故障的理想輸出取1，其它取0。如對(duì)于8B低加進(jìn)出水室短路的故障(F6)，訓(xùn)練時(shí)網(wǎng)絡(luò)理想輸出向量為[0 0 0 0 0 1 0 0 0 0 0 0]。限于篇幅，圖3僅給出對(duì)應(yīng)F6、F8兩個(gè)故障的神經(jīng)網(wǎng)絡(luò)模型離線校驗(yàn)結(jié)果，可見模型輸出與理想輸出吻合較好。

4不同負(fù)荷下低加故障實(shí)時(shí)仿真診斷實(shí)驗(yàn)

以下實(shí)時(shí)仿真故障診斷實(shí)驗(yàn)借助600 MW超臨界機(jī)組仿真機(jī)完成。當(dāng)仿真機(jī)在協(xié)調(diào)方式下運(yùn)行于不同負(fù)荷穩(wěn)定工況時(shí)，通過實(shí)時(shí)加入不同故障，調(diào)用神經(jīng)網(wǎng)絡(luò)診斷模型，驗(yàn)證故障診斷的正確性、及時(shí)性。

圖4　600 MW負(fù)荷故障F4驗(yàn)證結(jié)果

4．1600 MW穩(wěn)態(tài)工況故障仿真診斷

神經(jīng)網(wǎng)絡(luò)訓(xùn)練中使用的7B低加進(jìn)出水室短路(F4)故障樣本為額定負(fù)荷工況下的故障樣本，故障程度取20%。為了驗(yàn)證本模型的對(duì)程度不同故障的診斷能力，在線驗(yàn)證時(shí)設(shè)置故障程度為15%，實(shí)驗(yàn)結(jié)果如圖4所示((b)中實(shí)線為征兆縮放系數(shù)，虛線為故障分離度，下同)。實(shí)驗(yàn)結(jié)果表明，加入故障后23 s，系統(tǒng)正確識(shí)別出故障序號(hào)，46 s后故障征兆縮放系數(shù)穩(wěn)定在1．41，故障分離度穩(wěn)定在0．86。

類似地，圖5為6號(hào)低加泄漏12%(F8)的實(shí)驗(yàn)結(jié)果。通過曲線可知，系統(tǒng)50 s后正確識(shí)別出故障號(hào)碼，最終征兆縮放系數(shù)為0．69，故障分離度達(dá)到0．98。

圖5　600 MW故障F8驗(yàn)證結(jié)果

可見，在600 MW額定工況協(xié)調(diào)控制方式下，加入故障程度與典型樣本不同的低加故障，系統(tǒng)均能準(zhǔn)確識(shí)別故障號(hào)碼，穩(wěn)定后故障分離度能達(dá)到0．8以上。

為了驗(yàn)證該方法對(duì)不同負(fù)荷工況的適用性，進(jìn)一步在不同變負(fù)荷工況進(jìn)行故障仿真診斷實(shí)驗(yàn)。

4．2變工況故障仿真實(shí)驗(yàn)

4．2．1540 MW穩(wěn)態(tài)工況故障仿真診斷

仿真機(jī)置于540 MW穩(wěn)態(tài)工況協(xié)調(diào)控制方式。加入5號(hào)低泄漏25%的故障(F1)，實(shí)驗(yàn)結(jié)果如圖6所示。結(jié)果表明，系統(tǒng)在200 s左右準(zhǔn)確識(shí)別出故障號(hào)碼，穩(wěn)定后故障系數(shù)縮放系數(shù)為0．22，最終故障分離度為0．79。

圖6　540 MW故障F1驗(yàn)證結(jié)果

4．2．2480 MW穩(wěn)態(tài)工況試驗(yàn)

仿真機(jī)置于480 MW穩(wěn)態(tài)工況協(xié)調(diào)控制方式。加入7A號(hào)低泄漏10%的故障(F9)，實(shí)驗(yàn)結(jié)果如圖7所示。結(jié)果表明，系統(tǒng)在42 s左右準(zhǔn)確識(shí)別出故障號(hào)碼，穩(wěn)定后故障系數(shù)縮放系數(shù)為0．61，最終故障分離度為0．93。

5結(jié)論

借助600 MW火電仿真機(jī)組系統(tǒng)，針對(duì)低加系統(tǒng)內(nèi)部泄漏和短路故障，結(jié)合征兆模糊計(jì)算，采用神經(jīng)網(wǎng)絡(luò)建立了低加內(nèi)部泄漏故障的診斷模型。將征兆縮放優(yōu)化技術(shù)與神經(jīng)網(wǎng)絡(luò)診斷模型相結(jié)合，實(shí)現(xiàn)了不同工況、不同程度低加泄漏故障的準(zhǔn)確實(shí)時(shí)診斷。仿真結(jié)果驗(yàn)證了本文方法的有效性。

圖7　480 MW故障F9驗(yàn)證結(jié)果

參考文獻(xiàn)：

[1] 沙建峰，劉繼平，嚴(yán)俊杰，等. 低壓加熱器運(yùn)行缺陷對(duì)經(jīng)濟(jì)性影響的計(jì)算及其分析[J].河南電力,2000,27(4): 9-10, 20.

[2] 賈公禮，王紅梅，胡乃文，等.低壓加熱器泄漏原因分 析及處理[J].電站系統(tǒng)工程, 2008, 24(3):45-46.

[3] 馬良玉, 王兵樹, 高建強(qiáng),等. 大旁路布置高壓給水加熱器系統(tǒng)故障模糊知識(shí)庫及其神經(jīng)網(wǎng)絡(luò)的診斷研究[J]. 動(dòng)力工程,2002, 22(1): 1615-1621,1588.

[4] 曹興. 熱力系統(tǒng)動(dòng)態(tài)過程故障神經(jīng)網(wǎng)絡(luò)診斷方法研究[D].保定: 華北電力大學(xué), 2012.

[5] Frank P M. New Developments Using AI in Fault Diagnosis [J]. Engineering Application of Artificial Intelligence. 1997, 10(1): 3-14.

[6] 馬良玉,馬永光,王兵樹. 不同負(fù)荷下高加給水系統(tǒng)程度迥異故障診斷的新方法[J].中國電機(jī)工程學(xué)報(bào), 2010, 30(2): 115-121.

[7] 馬良玉,高建強(qiáng),王兵樹,等. 300 MW機(jī)組給水高壓加熱 器系統(tǒng)故障的模糊模式識(shí)別[J].中國電力, 2002, 35(6): 36-39.

[8] 馬良玉. 結(jié)合仿真技術(shù)的電站熱力系統(tǒng)故障智能診斷研究[D]. 保定：華北電力大學(xué), 2004.

[9] Xiaoyong C, Dejian Z, Zhaohua W, et al. Study on intelligent detecting technology for solder joint quality of SMT based on fuzzy diagnosis technique[A]. 11th International Conference on Electronic Packaging Technology & High Density Packaging (ICEPT-HDP)[C].IEEE, 2010:989-992.

[10] Hatem A. Darwish. Development and implementation of an ANN-based fault diagnosis scheme for generator winding protection[J]. IEEE Transactions on Power Delivery,2001, 16(2): 208-214.

Neural Network Based Internal Leakage Fault Diagnosis for Low-Pressure Heater System under Multiple Load Points

Ma Liangyu，Liu Ting

(School of Control and Computer Engineering, North China Electric Power University，Baoding071003, China)

Abstract:By taking the internal leakage faults of the low-pressure heater system of a 600 MW supercritical boiler unit as the object studied, a new approach by combining fault symptom zoom optimization technology based on artificial neural network was proposed. The neural network fault diagnosis model is established by dealing with the typical fault samples with symptom fuzzy calculation method. Real time fault diagnosis simulation tests are further realized by combining the ANN fault diagnosis model with fault symptom zoom optimization technology. It is proved that the proposed method can accurately diagnose the low-pressure heaters’ inner leakage faults of different leakage severity degrees under multiple load points with good engineering practicability.

Keywords：thermal power unit; low-pressure heater; internal leakage; fault diagnosis; artificial neural network; symptom zoom optimization

文章編號(hào)：1671-4598(2016)02-0057-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.015

中圖分類號(hào)：TP277；TM611.1

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：馬良玉(1972-)，男，河北井陘人，博士，教授，主要從事工業(yè)過程建模與仿真，智能技術(shù)在電站建模、控制與故障診斷中的應(yīng)用研究。

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(61174111)。

收稿日期：2015-09-06；修回日期：2015-10-10。