基于多元狀態(tài)估計(jì)和偏離度的電廠(chǎng)風(fēng)機(jī)故障預(yù)警

劉　濤，　劉吉臻，　呂　游，　崔　超

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

?

基于多元狀態(tài)估計(jì)和偏離度的電廠(chǎng)風(fēng)機(jī)故障預(yù)警

劉濤，劉吉臻，呂游，崔超

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

摘要：為了解決風(fēng)機(jī)故障預(yù)警問(wèn)題，提出一種基于多元狀態(tài)估計(jì)技術(shù)(MSET)和偏離度的方法.利用MSET建立風(fēng)機(jī)正常運(yùn)行狀態(tài)下的非參數(shù)模型，對(duì)觀(guān)測(cè)向量進(jìn)行最優(yōu)估計(jì)并得到估計(jì)向量，觀(guān)測(cè)向量與估計(jì)向量之間的差異可以反映風(fēng)機(jī)工作是否異常.引入偏離度定量衡量觀(guān)測(cè)向量與估計(jì)向量之間的偏離程度，有利于捕捉故障發(fā)展過(guò)程，然后利用滑動(dòng)窗口法確定故障預(yù)警閾值.當(dāng)平均偏離度超過(guò)預(yù)警閾值時(shí)，發(fā)出報(bào)警信息提醒運(yùn)行人員處理.以長(zhǎng)春某熱電廠(chǎng)引風(fēng)機(jī)的某次故障為例進(jìn)行應(yīng)用研究.結(jié)果表明：該方法可以及時(shí)發(fā)現(xiàn)風(fēng)機(jī)異常，實(shí)現(xiàn)風(fēng)機(jī)實(shí)時(shí)故障預(yù)警.

關(guān)鍵詞：電廠(chǎng)風(fēng)機(jī)； 多元狀態(tài)估計(jì)； 故障預(yù)警； 滑動(dòng)窗口法

風(fēng)機(jī)是電廠(chǎng)重要的輔機(jī)設(shè)備，其運(yùn)行狀態(tài)直接影響電力生產(chǎn)的經(jīng)濟(jì)性和安全性.風(fēng)機(jī)一旦出現(xiàn)故障就會(huì)造成機(jī)組負(fù)荷降低或者非計(jì)劃停機(jī)，減少機(jī)組發(fā)電量，同時(shí)增加電廠(chǎng)維修費(fèi)用，更嚴(yán)重的是會(huì)引發(fā)潛在安全事故.風(fēng)機(jī)特別是引風(fēng)機(jī)的現(xiàn)場(chǎng)運(yùn)行環(huán)境惡劣，故障率較高，這給電廠(chǎng)造成巨大的經(jīng)濟(jì)損失.風(fēng)機(jī)故障預(yù)警利用各種手段和技術(shù)對(duì)風(fēng)機(jī)設(shè)備運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和分析，盡早發(fā)現(xiàn)設(shè)備故障早期征兆，贏取時(shí)間采取正確措施以降低故障損失或避免故障發(fā)生，這對(duì)電廠(chǎng)的經(jīng)濟(jì)效益和安全生產(chǎn)具有重要意義.

目前的研究成果主要集中在風(fēng)機(jī)故障診斷方面，而對(duì)風(fēng)機(jī)故障預(yù)警的研究較少.由于這類(lèi)設(shè)備本身構(gòu)造復(fù)雜，故障類(lèi)型繁多，更重要的是故障與征兆之間的關(guān)系未知，而且設(shè)備運(yùn)行過(guò)程會(huì)受到許多不確定因素和隨機(jī)干擾的影響，實(shí)現(xiàn)準(zhǔn)確故障預(yù)警是一大難點(diǎn).多元狀態(tài)估計(jì)技術(shù)(MSET)的出現(xiàn)為風(fēng)機(jī)故障預(yù)警提供了一種方法[1]，MSET實(shí)質(zhì)上是一種先進(jìn)模式識(shí)別方法，通過(guò)涵蓋正常運(yùn)行狀態(tài)的數(shù)據(jù)進(jìn)行相似性建模，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法相比，MSET具有建模過(guò)程簡(jiǎn)單和物理意義明確等優(yōu)點(diǎn)，可以滿(mǎn)足工業(yè)現(xiàn)場(chǎng)實(shí)時(shí)性要求[2-3].

1引風(fēng)機(jī)結(jié)構(gòu)及監(jiān)測(cè)參數(shù)

研究對(duì)象為長(zhǎng)春某熱電廠(chǎng)的引風(fēng)機(jī)，該電廠(chǎng)1號(hào)鍋爐配有2臺(tái)靜葉可調(diào)軸流式引風(fēng)機(jī)，由上海鼓風(fēng)機(jī)廠(chǎng)有限公司引進(jìn)德國(guó)TLT公司技術(shù)設(shè)計(jì)制造的G158/265型靜葉可調(diào)軸流式引風(fēng)機(jī).引風(fēng)機(jī)由進(jìn)氣箱、集風(fēng)器、可調(diào)前導(dǎo)葉、葉輪、后導(dǎo)葉和擴(kuò)壓器組成，結(jié)構(gòu)如圖1所示.氣體通過(guò)進(jìn)氣箱、進(jìn)口調(diào)節(jié)裝置后以與前導(dǎo)葉對(duì)應(yīng)的氣流角進(jìn)入葉輪，在葉輪中獲取克服管網(wǎng)阻力所需的能量.在靜葉可調(diào)軸流式引風(fēng)機(jī)中，氣體介質(zhì)在葉輪中實(shí)現(xiàn)總壓的升高，主要是動(dòng)壓的升高，而動(dòng)壓轉(zhuǎn)換為靜壓則在后導(dǎo)葉環(huán)和擴(kuò)壓器中實(shí)現(xiàn).

圖1　引風(fēng)機(jī)結(jié)構(gòu)示意圖

當(dāng)前火電廠(chǎng)通過(guò)廠(chǎng)級(jí)監(jiān)控信息系統(tǒng)(SIS)實(shí)現(xiàn)引風(fēng)機(jī)狀態(tài)監(jiān)測(cè)，監(jiān)測(cè)參量以振動(dòng)參數(shù)為主，同時(shí)涵蓋溫度、壓力、流量、電壓和電流等狀態(tài)參數(shù)，這些參數(shù)變化包含故障信息，能反映風(fēng)機(jī)設(shè)備運(yùn)行狀態(tài).引風(fēng)機(jī)的監(jiān)測(cè)參數(shù)分布情況如圖2所示，參數(shù)說(shuō)明見(jiàn)表1.

圖2　引風(fēng)機(jī)測(cè)點(diǎn)分布

參數(shù)含義p1/Pa入口壓力t1/℃電機(jī)后軸承溫度I/A電機(jī)電流P/kW電機(jī)功率t2/℃電機(jī)定子繞組溫度(6個(gè))t3/℃電機(jī)前軸承溫度l1/mm腰側(cè)軸承垂直振動(dòng)幅值l2/mm腰側(cè)軸承水平振動(dòng)幅值t4/℃腰側(cè)軸承溫度(3個(gè))t5/℃端側(cè)軸承溫度(3個(gè))l3/mm端側(cè)軸承垂直振動(dòng)幅值l4/mm端側(cè)軸承水平振動(dòng)幅值p2/Pa出口壓力

SIS系統(tǒng)每10 min記錄一次引風(fēng)機(jī)的參數(shù)，每條記錄內(nèi)容包括時(shí)間標(biāo)簽、電機(jī)電流、電機(jī)功率、入口壓力、出口壓力和電機(jī)定子繞組溫度等共計(jì)22個(gè)參數(shù)，其中為保證測(cè)量參數(shù)的可靠性，電機(jī)定子繞組溫度設(shè)置6個(gè)測(cè)點(diǎn)，引風(fēng)機(jī)腰側(cè)、端側(cè)軸承溫度各設(shè)置3個(gè)測(cè)點(diǎn).同時(shí)SIS系統(tǒng)還保存引風(fēng)機(jī)的運(yùn)行狀態(tài)信息，對(duì)引風(fēng)機(jī)啟動(dòng)、停機(jī)事件進(jìn)行記錄，每條記錄內(nèi)容包括時(shí)間標(biāo)簽、引風(fēng)機(jī)編號(hào)、運(yùn)行狀態(tài)和事件說(shuō)明，如在2014-04-12 T 5:20，1號(hào)鍋爐A引風(fēng)機(jī)發(fā)生停機(jī)，原因是由于引風(fēng)機(jī)端側(cè)軸承振動(dòng)幅值超限.在該引風(fēng)機(jī)的運(yùn)行規(guī)程中規(guī)定相關(guān)參數(shù)保護(hù)設(shè)置：電機(jī)軸承溫度超過(guò)90 ℃，延時(shí)2 s跳風(fēng)機(jī)；電機(jī)定子繞組溫度超過(guò)120 ℃，延時(shí)2 s跳風(fēng)機(jī)；腰側(cè)和端側(cè)軸承溫度超過(guò)105 ℃，延時(shí)2 s跳風(fēng)機(jī)；軸承振動(dòng)速度超過(guò)11 mm/s，延時(shí)5 s跳風(fēng)機(jī).這些保護(hù)設(shè)置可以在故障發(fā)生時(shí)切除風(fēng)機(jī)，避免故障程度進(jìn)一步擴(kuò)大，但是這些屬于事后保護(hù)，無(wú)法實(shí)現(xiàn)早期故障預(yù)警.

2多元狀態(tài)估計(jì)技術(shù)

MSET最早是由美國(guó)阿爾貢國(guó)立實(shí)驗(yàn)室(Argonne National Laboratory)旨在檢測(cè)核電廠(chǎng)中傳感器、設(shè)備以及運(yùn)行參數(shù)的初始劣化點(diǎn)而開(kāi)發(fā)的一種非參數(shù)建模方法[4-5].目前，MSET在核電站傳感器校驗(yàn)[6]、工業(yè)設(shè)備狀態(tài)監(jiān)測(cè)[7-8]、電子產(chǎn)品壽命預(yù)測(cè)[9]和計(jì)算機(jī)軟件老化現(xiàn)象診斷[10]等領(lǐng)域獲得成功應(yīng)用.MSET是一種利用正常運(yùn)行狀態(tài)下監(jiān)測(cè)參數(shù)之間的相似性來(lái)實(shí)現(xiàn)狀態(tài)估計(jì)的先進(jìn)模式識(shí)別技術(shù)，其本質(zhì)是利用對(duì)象正常運(yùn)行狀態(tài)的歷史數(shù)據(jù)，充分挖掘關(guān)于各參數(shù)之間關(guān)系的知識(shí)，對(duì)于每個(gè)新?tīng)顟B(tài)，依據(jù)所獲得的知識(shí)估計(jì)對(duì)象的真實(shí)狀態(tài).

利用從正常運(yùn)行狀態(tài)中得到的歷史數(shù)據(jù)構(gòu)成矩陣，記為歷史記憶矩陣D，這是MSET的第一步.矩陣的每一列均代表一個(gè)觀(guān)測(cè)狀態(tài)，則這個(gè)矩陣的列數(shù)m代表m個(gè)狀態(tài)，行數(shù)n代表每次觀(guān)測(cè)的n個(gè)變量.假設(shè)某一過(guò)程或設(shè)備的監(jiān)測(cè)變量中共有n個(gè)相互關(guān)聯(lián)的變量，將在某一時(shí)刻tj觀(guān)測(cè)到的此n個(gè)變量記為觀(guān)測(cè)向量：

(1)

其中，xi(tj)為測(cè)點(diǎn)i在tj時(shí)刻的測(cè)量值，則歷史記憶矩陣D可表示為

(2)

歷史記憶矩陣D是MSET估計(jì)的基礎(chǔ)，也稱(chēng)為MSET的系統(tǒng)模型.歷史記憶矩陣中的每一列觀(guān)測(cè)向量代表設(shè)備的一個(gè)正常運(yùn)行狀態(tài)，經(jīng)過(guò)合理選擇的歷史記憶矩陣中的m個(gè)歷史觀(guān)測(cè)向量所形成的子空間能夠代表過(guò)程或設(shè)備正常運(yùn)行的整個(gè)動(dòng)態(tài)過(guò)程.因此，歷史記憶矩陣的構(gòu)造實(shí)質(zhì)就是對(duì)過(guò)程或設(shè)備正常運(yùn)行特性的學(xué)習(xí)和記憶.

然后采用MSET進(jìn)行動(dòng)態(tài)建模，對(duì)于某一時(shí)刻過(guò)程或設(shè)備的觀(guān)測(cè)向量Xobs，MSET將此狀態(tài)與歷史記憶矩陣中存儲(chǔ)的運(yùn)行狀態(tài)進(jìn)行比較，并計(jì)算出對(duì)當(dāng)前系統(tǒng)狀態(tài)的估計(jì)向量Xest，估計(jì)向量為歷史記憶矩陣與權(quán)值向量W的積，即

(3)

MSET的估計(jì)向量為歷史記憶矩陣中m個(gè)歷史觀(guān)測(cè)向量的線(xiàn)性組合.權(quán)值向量W代表此狀態(tài)與歷史記憶矩陣中狀態(tài)的一種相似性測(cè)度，權(quán)值向量可通過(guò)最小化殘差向量ε來(lái)獲得.觀(guān)測(cè)向量Xobs和估計(jì)向量Xest之間的殘差為

(4)

在‖ε‖2最小的約束條件下，求得權(quán)值向量W：

(5)

式中：?為非線(xiàn)性運(yùn)算符，可代替普通矩陣乘積運(yùn)算，以解決數(shù)據(jù)相關(guān)產(chǎn)生的共線(xiàn)性問(wèn)題，回避對(duì)DT?D不可逆的約束，從而擴(kuò)大式(5)的適用范圍.

非線(xiàn)性運(yùn)算符有多種選擇[11]，筆者選擇歐氏距離運(yùn)算，即

(6)

式中：xi和yi為變量.

該非線(xiàn)性運(yùn)算符的物理意義明確，通過(guò)空間距離反映2個(gè)數(shù)據(jù)向量之間的相似程度，式(5)表明觀(guān)測(cè)向量與歷史記憶矩陣中的向量相似程度越大，那么該向量所對(duì)應(yīng)的權(quán)值越大，反之越小.將式(5)代入式(3)可得到估計(jì)向量.

(7)

當(dāng)設(shè)備處于正常運(yùn)行狀態(tài)時(shí)，MSET的輸入觀(guān)測(cè)向量位于歷史記憶矩陣所代表的正常工作空間內(nèi)，與D矩陣中的某些歷史觀(guān)測(cè)向量的距離較近，相應(yīng)MSET的估計(jì)向量Xest具有很高的精度.當(dāng)設(shè)備工作狀態(tài)發(fā)生變化、出現(xiàn)故障隱患時(shí)，由于設(shè)備動(dòng)態(tài)特性改變，輸入觀(guān)測(cè)向量將偏離正常工作空間，通過(guò)D矩陣中歷史觀(guān)測(cè)向量的組合無(wú)法構(gòu)造其對(duì)應(yīng)的估計(jì)值，導(dǎo)致估計(jì)精度下降，觀(guān)測(cè)值與估計(jì)值之間的殘差增大.因此，觀(guān)測(cè)值與估計(jì)值之間的殘差大小可以反映設(shè)備異常狀態(tài)，即觀(guān)測(cè)向量和估計(jì)向量之間的差異隱含故障信息.

3偏離度及預(yù)警閾值

綜上所述,MSET可以建立設(shè)備正常運(yùn)行狀態(tài)的非參數(shù)模型，而且觀(guān)測(cè)向量與估計(jì)向量之間的差異隱含故障信息.然而如何定量衡量觀(guān)測(cè)向量與估計(jì)向量之間的偏離程度是一大難題，除此之外，設(shè)定合理的預(yù)警閾值也很關(guān)鍵，以上2個(gè)問(wèn)題是利用MSET實(shí)現(xiàn)故障預(yù)警的難點(diǎn).采用與觀(guān)測(cè)向量和估計(jì)向量有關(guān)的偏離度函數(shù)和利用滑動(dòng)窗口法可以有效解決上述問(wèn)題.

3.1偏離度

MSET的觀(guān)測(cè)值與估計(jì)值之間的殘差可以反映設(shè)備異?；蚬收?，通常直接將某變量的觀(guān)測(cè)值與其估計(jì)值之間的殘差作為故障判斷指標(biāo).對(duì)于風(fēng)機(jī)而言，一般選擇軸承振動(dòng)變量[12]，雖然軸承振動(dòng)包含了大部分的故障信息，但是有些故障不表現(xiàn)出振動(dòng)征兆，如風(fēng)機(jī)潤(rùn)滑油系統(tǒng)故障會(huì)造成軸承溫度異常升高，但是軸承振動(dòng)保持正常，顯然僅通過(guò)某變量殘差進(jìn)行故障預(yù)警會(huì)遺漏重要的異常信息.因此，考慮利用觀(guān)測(cè)向量與估計(jì)向量的偏離程度來(lái)實(shí)現(xiàn)故障預(yù)警，這樣可以充分挖掘觀(guān)測(cè)向量中各變量的異常信息.

歐氏距離是衡量2個(gè)向量之間偏離程度最常用的方法，在此基礎(chǔ)上定義偏離度函數(shù)為

(8)

偏離度越大說(shuō)明向量X和Y的偏離程度越大，而偏離度越小則說(shuō)明向量X和Y的偏離程度越小.偏離度恒大于或等于0，當(dāng)偏離度等于0時(shí)，向量X和Y相等.

3.2預(yù)警閾值

利用滑動(dòng)窗口法消除風(fēng)機(jī)運(yùn)行中的不確定因素和隨機(jī)干擾(如傳感器的測(cè)量誤差等)，提高故障預(yù)警的可靠性.通過(guò)選擇合理的滑動(dòng)窗口寬度，能及時(shí)、迅速地捕捉偏離度統(tǒng)計(jì)特性的連續(xù)變化，消除隨機(jī)因素的影響，提高設(shè)備狀態(tài)監(jiān)測(cè)的可靠性，降低誤報(bào)警的幾率.當(dāng)風(fēng)機(jī)運(yùn)行異常時(shí)，這些狀態(tài)模型可及時(shí)檢測(cè)出風(fēng)機(jī)狀態(tài)的輕微異常變化，從而實(shí)現(xiàn)故障預(yù)警.

假設(shè)在某段時(shí)間內(nèi)，基于MSET的估計(jì)偏離度序列共n個(gè)：

(9)

對(duì)該序列取一個(gè)寬度為N的滑動(dòng)窗口，如圖3所示.計(jì)算窗口內(nèi)連續(xù)N個(gè)偏離度的平均值為

(10)

圖3　滑動(dòng)窗口法

根據(jù)偏離度平均值確定故障預(yù)警閾值EAN.記風(fēng)機(jī)正常運(yùn)行時(shí)MSET模型的平均偏離度最大值為EN，則風(fēng)機(jī)故障的預(yù)警閾值為

(11)

式中：k為預(yù)警閾值系數(shù)，由現(xiàn)場(chǎng)運(yùn)行人員根據(jù)運(yùn)行經(jīng)驗(yàn)確定，一般大于1.2.

4基于MSET的風(fēng)機(jī)故障預(yù)警

在電廠(chǎng)風(fēng)機(jī)實(shí)際運(yùn)行過(guò)程中，由于部件存在磨損、老化和疲勞，隨著時(shí)間推移，風(fēng)機(jī)運(yùn)行狀態(tài)逐漸變差，故障也會(huì)慢慢形成.故障早期征兆隱藏在風(fēng)機(jī)監(jiān)測(cè)參數(shù)動(dòng)態(tài)變化中，然而傳統(tǒng)的設(shè)置預(yù)警閾值方法不能及時(shí)發(fā)現(xiàn)這一征兆.利用MSET能檢測(cè)設(shè)備狀態(tài)初始劣化點(diǎn)的特點(diǎn)，可以捕獲故障動(dòng)態(tài)發(fā)展過(guò)程，實(shí)現(xiàn)風(fēng)機(jī)故障預(yù)警.

4.1相關(guān)變量選取

結(jié)合風(fēng)機(jī)常見(jiàn)故障進(jìn)行分析，選擇那些與故障明顯相關(guān)的變量.通過(guò)電機(jī)電流控制風(fēng)機(jī)啟停，電機(jī)功率表征風(fēng)機(jī)工作狀態(tài)，只有在風(fēng)機(jī)運(yùn)行情況下討論故障預(yù)警才有意義.電機(jī)前、后軸承溫度是反映電機(jī)故障的重要參數(shù)，一旦異常超溫電機(jī)就可能出現(xiàn)故障，進(jìn)而導(dǎo)致風(fēng)機(jī)故障.軸承水平和垂直振動(dòng)幅值是風(fēng)機(jī)運(yùn)行的重要參數(shù)，振動(dòng)信號(hào)能反映大部分故障信息.端側(cè)、腰側(cè)軸承溫度也是風(fēng)機(jī)運(yùn)行的重要參數(shù)，溫度信號(hào)中包含了某些機(jī)械故障信息.引風(fēng)機(jī)入口壓力直接影響爐膛負(fù)壓，反映了引風(fēng)機(jī)的工作效果.

因此，從表1中選擇如下15個(gè)變量組成觀(guān)測(cè)向量：電機(jī)電流、電機(jī)功率、電機(jī)前軸承溫度、電機(jī)后軸承溫度、腰側(cè)軸承水平和垂直振動(dòng)幅值、端側(cè)軸承水平和垂直振動(dòng)幅值、腰側(cè)軸承溫度(3個(gè))、端側(cè)軸承溫度(3個(gè))和入口壓力.

4.2數(shù)據(jù)預(yù)處理

由于MSET模型所選擇的15個(gè)變量的量綱各不同，且不同變量數(shù)據(jù)絕對(duì)值相差很大，為保證非線(xiàn)性運(yùn)算符能正確衡量不同觀(guān)測(cè)向量之間的歐氏距離，需要對(duì)15個(gè)變量的觀(guān)測(cè)值根據(jù)各自的分布情況進(jìn)行數(shù)據(jù)預(yù)處理.隨著時(shí)間的推移，風(fēng)機(jī)正常運(yùn)行狀態(tài)下各變量的變化范圍是動(dòng)態(tài)變化的，因此直接采用歸一化存在不足，而標(biāo)準(zhǔn)化可避免確定各變量的極大值和極小值，并且可以降低離群點(diǎn)的影響.采用標(biāo)準(zhǔn)化處理原始數(shù)據(jù)，假設(shè)觀(guān)測(cè)向量中變量x的均值為μ，標(biāo)準(zhǔn)差為σ，那么標(biāo)準(zhǔn)化公式為

(12)

式中：xzscore為變量x的標(biāo)準(zhǔn)化值.

理論上故障狀態(tài)下的變量值會(huì)明顯不同于正常運(yùn)行狀態(tài)下的變量值，那么各變量在不同狀態(tài)下的分布也會(huì)不同.因此，為了盡可能保存故障信息，需先對(duì)構(gòu)成歷史記憶矩陣的歷史數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，然后根據(jù)所得的分布參數(shù)對(duì)觀(guān)測(cè)向量進(jìn)行標(biāo)準(zhǔn)化.

4.3歷史記憶矩陣構(gòu)建

歷史記憶矩陣的構(gòu)建是MSET建模中關(guān)鍵的一步，直接影響建模效果.理論上最理想的是選取所有正常運(yùn)行狀態(tài)歷史數(shù)據(jù)構(gòu)成D矩陣，這樣能夠涵蓋風(fēng)機(jī)所有正常運(yùn)行狀態(tài).但在實(shí)際中,正常運(yùn)行狀態(tài)歷史數(shù)據(jù)量很大，D矩陣規(guī)模過(guò)大會(huì)導(dǎo)致計(jì)算量巨大，一方面對(duì)計(jì)算機(jī)性能要求高，通用計(jì)算機(jī)無(wú)法處理；另一方面計(jì)算耗時(shí)太長(zhǎng)，無(wú)法滿(mǎn)足工業(yè)實(shí)時(shí)性要求.因此，需要從正常運(yùn)行狀態(tài)歷史數(shù)據(jù)中優(yōu)化選取典型的狀態(tài)向量構(gòu)成D矩陣，在保證D矩陣涵蓋風(fēng)機(jī)正常運(yùn)行狀態(tài)空間的前提下，盡量減小矩陣規(guī)模.優(yōu)化選取有2種思路:一種是去除冗余或相近的狀態(tài)向量；另一種是對(duì)總體進(jìn)行抽樣，選取典型狀態(tài)向量.前者可通過(guò)聚類(lèi)方法實(shí)現(xiàn)，后者可通過(guò)等間隔抽樣方法實(shí)現(xiàn).相對(duì)而言，等間隔抽樣方法容易實(shí)現(xiàn)，考慮到電機(jī)功率可以直接表征風(fēng)機(jī)工作狀態(tài)，以該變量為指標(biāo)進(jìn)行等間隔抽樣，流程如圖4所示.

圖4　等間隔抽樣方法的流程

當(dāng)正常運(yùn)行狀態(tài)歷史數(shù)據(jù)很多時(shí)，需要按照上述方法優(yōu)化選取、構(gòu)成歷史記憶矩陣;而當(dāng)正常運(yùn)行狀態(tài)歷史數(shù)據(jù)不多時(shí)，可以直接全部選取、構(gòu)成歷史記憶矩陣.

4.4仿真實(shí)現(xiàn)

圖5　觀(guān)測(cè)向量集的偏離度

利用正常運(yùn)行狀態(tài)歷史數(shù)據(jù)和估計(jì)結(jié)果可檢驗(yàn)MSET建模精度，由于篇幅有限，這里僅列舉腰側(cè)軸承溫度、端側(cè)軸承溫度、端側(cè)軸承水平振動(dòng)幅值和端側(cè)軸承垂直振動(dòng)幅值的估計(jì)結(jié)果，如圖6～圖9所示.從圖6可以看出，腰側(cè)軸承溫度正常運(yùn)行狀態(tài)下的估計(jì)殘差小于0.2 K，相對(duì)殘差小于0.4%.從圖7可以看出，端側(cè)軸承溫度正常運(yùn)行狀態(tài)下的估計(jì)殘差小于0.5 K，相對(duì)殘差小于1.5%.從圖8可以看出，端側(cè)軸承水平振動(dòng)幅值正常運(yùn)行狀態(tài)下的估計(jì)殘差小于0.02 mm，相對(duì)殘差小于1.5%.從圖9可以看出，端側(cè)軸承垂直振動(dòng)幅值正常運(yùn)行狀態(tài)下的估計(jì)殘差小于0.007 mm，相對(duì)殘差小于0.01%.上述結(jié)果表明，各變量的估計(jì)殘差和相對(duì)殘差均較小，從而證明MSET模型具有很高的精度.

圖6　腰側(cè)軸承溫度的估計(jì)結(jié)果和殘差Fig.6　Estimation result and residual of the middle bearing temperature

圖7　端側(cè)軸承溫度的估計(jì)結(jié)果和殘差

圖8　端側(cè)軸承水平振動(dòng)幅值的估計(jì)結(jié)果和殘差

Fig.8Estimation result and residual of the side bearing horizontal vibration

圖9　端側(cè)軸承垂直振動(dòng)幅值的估計(jì)結(jié)果和殘差

Fig.9Estimation result and residual of the side bearing vertical vibration

對(duì)比以上4個(gè)變量的估計(jì)殘差,腰側(cè)軸承溫度和端側(cè)軸承水平振動(dòng)幅值的估計(jì)殘差從第100點(diǎn)起出現(xiàn)明顯增大趨勢(shì)，而且故障狀態(tài)下的估計(jì)殘差明顯大于正常運(yùn)行狀態(tài)下的估計(jì)殘差;但是端側(cè)軸承溫度和端側(cè)軸承垂直振動(dòng)幅值的估計(jì)殘差從第100點(diǎn)起無(wú)明顯增大趨勢(shì)，而且故障狀態(tài)下的估計(jì)殘差也小于正常運(yùn)行狀態(tài)下的估計(jì)殘差.這說(shuō)明腰側(cè)軸承溫度和端側(cè)軸承水平振動(dòng)幅值的估計(jì)殘差變化捕捉到了風(fēng)機(jī)故障發(fā)展過(guò)程，而端側(cè)軸承溫度和端側(cè)垂直振動(dòng)幅值的估計(jì)殘差變化卻沒(méi)有捕捉到風(fēng)機(jī)故障發(fā)展過(guò)程，依靠單一變量實(shí)現(xiàn)風(fēng)機(jī)故障預(yù)警不可靠.

進(jìn)一步對(duì)比偏離度和以上4個(gè)變量的估計(jì)殘差，與4個(gè)變量的估計(jì)殘差相比，故障狀態(tài)下的偏離度增大趨勢(shì)明顯且波動(dòng)性小，正常運(yùn)行狀態(tài)下的偏離度相對(duì)較小.由此可見(jiàn)，偏離度動(dòng)態(tài)變化曲線(xiàn)能更早、更好地反映故障發(fā)展過(guò)程，有利于實(shí)現(xiàn)故障預(yù)警.

選擇滑動(dòng)窗口寬度為10，平均偏離度曲線(xiàn)如圖10所示.從圖10可以看出，正常運(yùn)行狀態(tài)下平均偏離度最大值EN=0.221 4，k的取值為1.4，那么故障預(yù)警閾值為

EAN=kEN=1.4×0.221 4=0.310 0

圖10　平均偏離度曲線(xiàn)

5結(jié)論

在分析風(fēng)機(jī)結(jié)構(gòu)和監(jiān)測(cè)參數(shù)的基礎(chǔ)上，利用MSET建立風(fēng)機(jī)正常運(yùn)行狀態(tài)下的非參數(shù)模型，然后定義了觀(guān)測(cè)向量與估計(jì)向量之間的偏離度，再通過(guò)滑動(dòng)窗口法確定預(yù)警閾值，如果偏離度超過(guò)先前定義的預(yù)警閾值，就發(fā)出故障報(bào)警信息.最后，在長(zhǎng)春某熱電廠(chǎng)的引風(fēng)機(jī)上應(yīng)用該方法，證明MSET模型具有很高的精度，同時(shí)證明該方法能夠?qū)崿F(xiàn)實(shí)時(shí)故障預(yù)警.

參考文獻(xiàn)：

[1]孫建平，高明．改進(jìn)“峰”方法的多元狀態(tài)估計(jì)技術(shù)用于電站風(fēng)機(jī)狀態(tài)監(jiān)測(cè)[J]．華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，40(3)：91-94，112．

SUN Jianping, GAO Ming. Condition monitoring of fan in power plant using multivariate state estimation technique of modified mountain method[J]. Journal of North China Electric Power University(Natural Science Edition), 2013, 40(3):91-94, 112.

[2]郭鵬，徐明，白楠．基于SCADA運(yùn)行數(shù)據(jù)的風(fēng)電機(jī)組塔架振動(dòng)建模與監(jiān)測(cè)[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(5)：128-135．

GUO Peng, XU Ming, BAI Nan. Wind turbine tower vibration modeling and monitoring driven by SCADA data[J]. Proceedings of the CSEE, 2013, 33(5):128-135.

[3]姚良，李艾華，孫紅輝，等．基于MSET和SPRT的內(nèi)燃機(jī)氣閥機(jī)構(gòu)振動(dòng)監(jiān)測(cè)[J]．振動(dòng)工程學(xué)報(bào)，2009，22(2)：150-155．

YAO Liang, LI Aihua, SUN Honghui,etal. Vibration monitoring for valve drain of internal combustion engine based on MSET and SPRT[J]. Journal of Vibration Engineering, 2009, 22(2):150-155.

[4]SINGER R M, GROSS K C, HERZOG J P,etal. Model-based nuclear power plant monitoring and fault detection: theoretical foundations[C]//9th International Conference on Intelligent Systems Applications to Power Systems. Seoul, Korea: Argonne National Lab, 1997.

[5]GROSS K C, SINGER R M, WEGERICH S W,etal. Application of a model-based fault detection system to nuclear plant signals[C]//9th International Conference on Intelligent Systems Applications to Power System. Seoul, Korea: Argonne National Lab, 1997.

[6]HERZOG J P, WEGERICH S W, GROSS K C. MSET modeling of crystal river-3 Venturi flow meters[C]//6th International Conference on Nuclear Engineering. USA: ASME, 1998.

[7]郭鵬，DAVID Infield，楊錫運(yùn)．風(fēng)電機(jī)組齒輪箱溫度趨勢(shì)狀態(tài)監(jiān)測(cè)及分析方法[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2011，31(32)：129-136．

GUO Peng, DAVID Infield, YANG Xiyun. Wind turbine gearbox condition monitoring using temperature trend analysis[J]. Proceedings of the CSEE, 2011, 31(32):129-136.

[8]WEGERICH S W. Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring[C]//Aerospace Conference 2004. Montana, USA: IEEE, 2004.

[9]CHENG S F, PECHT M G. Multivariate state estimation technique for remaining useful life prediction of electronic products[C]//Proceedings of AAAI Fall Symp Artif Intell Prognostics. Arlington, USA: [s.n.], 2007: 26-32.

[10]CASSIDY K J, GROSS K C, MALEKPOUR A. Advanced pattern recognition for detection of complex software aging phenomena in online transaction processing servers[C]//Dependable Systems and Networks 2002. Washington D C, USA: IEEE, 2002.

[11]BLACK C L, UHRIG R E, HINES J W. System modeling and instrument calibration verification with a nonlinear state estimate technique[C]//Maintenance and Reliable Conference 1998. Knoxville, USA: University of Tennessee, 1998.

[12]許小剛，王松嶺，劉錦廉，等．基于小波包能量分析及改進(jìn)支持向量機(jī)的風(fēng)機(jī)機(jī)械故障診斷[J]．動(dòng)力工程學(xué)報(bào)，2013，33(8)：606-612．

XU Xiaogang, WANG Songling, LIU Jinlian,etal. Mechanical fault diagnosis of fan based on wavelet packet energy analysis and improved support vector machine[J]. Journal of Chinese Society of Power Engineering, 2013, 33(8):606-612.

Early Fault Warning of Power Plant Fans Based on MSET and the Deviation Degree

LIUTao,LIUJizhen,LüYou,CUIChao

(School of Control and Computer Engineering, North China Electric Power University,Beijing 102206, China)

Abstract：To realize early fault warning of power plant fans, a method was proposed based on multivariate state estimation technique (MSET) and the deviation degree. Using MSET, a non-parametric model of the fan was constructed under normal operation conditions, based on which observed vectors were optimally evaluated to obtain the estimated vectors, and the difference between estimated and observed vectors is able to reflect the incipient failure. A deviation degree was introduced to quantify the difference between estimated and observed vectors, so as to capture the fault development process, and to send out early warning for relevant operators to deal with the trouble, when the average deviation has exceeded the predefined threshold set by sliding window method. The method was applied to detect the fault of an induced fan in a power plant in Changchun. Application results show that the method can help to discover abnormal status of fans promptly, and achieve the purpose of online early fault warning of fans.

Key words：power plant fan; multivariate state estimation technique; early fault warning; sliding window method

收稿日期：2015-06-03

修訂日期：2015-09-18

基金項(xiàng)目：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)資助項(xiàng)目(2012CB215203)；國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(51036002)

作者簡(jiǎn)介：劉濤(1990-)，男，湖北廣水人，碩士研究生，研究方向?yàn)榛痣姀S(chǎng)設(shè)備故障診斷與預(yù)警.電話(huà)(Tel．)：18901070798；

文章編號(hào)：1674-7607(2016)06-0454-07中圖分類(lèi)號(hào)：TS737+.1

文獻(xiàn)標(biāo)志碼：A學(xué)科分類(lèi)號(hào)：470.30

E-mail：ltncepu@gmail.com.