基于改進(jìn)算法的供熱鍋爐房動(dòng)力裝置故障診斷研究

李 江

（青海省特種設(shè)備檢驗(yàn)所，西寧810001）

供暖的需求不斷增加，鍋爐供暖已經(jīng)成為人們?nèi)粘Ｉ钪兄匾囊徊糠諿1]。 動(dòng)力裝置作為從燃料燃燒中得到熱能的設(shè)備， 其利用熱進(jìn)行動(dòng)力獲取。鍋爐房整個(gè)供熱系統(tǒng)的主要耗能設(shè)備包括鍋爐、風(fēng)機(jī)和水泵等[2]，也是供熱鍋爐房內(nèi)極為重要的動(dòng)力裝置，它們通過供熱管網(wǎng)將熱能傳送給用戶。 通過相應(yīng)的算法診斷供熱鍋爐房內(nèi)的動(dòng)力裝置可能存在的故障，及時(shí)發(fā)現(xiàn)并消除存在的故障，可延長設(shè)備使用壽命，保證鍋爐供暖正常進(jìn)行[3]，相關(guān)領(lǐng)域的研究一直在進(jìn)行。

文獻(xiàn)[1]根據(jù)熱電聯(lián)產(chǎn)CHP（combined heat and power）的相關(guān)元件，并通過建立聯(lián)合熱-電網(wǎng)綜合模型，應(yīng)用網(wǎng)絡(luò)拓?fù)浞治龇椒ǚ治龃笠?guī)模網(wǎng)狀多能流系統(tǒng)中，耦合元件的網(wǎng)絡(luò)系數(shù)，將非線性、非凸集規(guī)劃問題轉(zhuǎn)化為線性規(guī)劃問題，最后提出一種基于線性規(guī)劃法的最優(yōu)能量流求解算法，并對(duì)熱網(wǎng)與電網(wǎng)進(jìn)行整體建模，緩解執(zhí)行時(shí)間過長、診斷效率低下的問題。 文獻(xiàn)[2]分析傳統(tǒng)船舶系統(tǒng)運(yùn)行中的重要影響因素，進(jìn)行功能模塊設(shè)計(jì)、程序函數(shù)設(shè)計(jì)、運(yùn)行故障診斷子程序的系統(tǒng)框架設(shè)計(jì)，根據(jù)故障診斷系統(tǒng)的硬件設(shè)計(jì)對(duì)子系統(tǒng)進(jìn)行故障診斷，實(shí)現(xiàn)新型船舶動(dòng)力裝置運(yùn)行故障診斷系統(tǒng)的軟件設(shè)計(jì)。 其診斷方法具有一定的精確性與魯棒性，避免了傳統(tǒng)算法無法收斂的問題。 文獻(xiàn)[3]針對(duì)核動(dòng)力裝置非能動(dòng)系統(tǒng)執(zhí)行時(shí)間過長、診斷效率低下等問題，對(duì)參數(shù)敏感性的精度和效率進(jìn)行分析， 設(shè)計(jì)FAST 方法下的非能動(dòng)余熱排出試驗(yàn)運(yùn)行故障診斷系統(tǒng)，通過更加精確的非能動(dòng)系統(tǒng)識(shí)別熱工水力行為，對(duì)熱工水力模型進(jìn)行算例計(jì)算， 實(shí)現(xiàn)了全局參數(shù)敏感性分析研究， 最后通過實(shí)驗(yàn)證明其系統(tǒng)診斷行為較為顯著，拓展了相關(guān)領(lǐng)域的研究成果。

但是以上傳統(tǒng)的動(dòng)力裝置故障診斷方法是基于專家?guī)煜到y(tǒng)或基于支持向量機(jī)實(shí)現(xiàn)的故障診斷，這2 種診斷方法在診斷過程中容易受到外界溫度影響， 造成動(dòng)力裝置附近的供熱管網(wǎng)熱損耗提升，浪費(fèi)資源[4]。 因此，本文利用改進(jìn)后的神經(jīng)網(wǎng)絡(luò)算法，采集壓力傳感器、溫度傳感器和轉(zhuǎn)速傳感器的裝置參數(shù)，依據(jù)神經(jīng)網(wǎng)絡(luò)修正連接權(quán)值和節(jié)點(diǎn)閾值，判定輸出層神經(jīng)元的最終輸出結(jié)果，解決傳統(tǒng)的故障診斷方法中無法觸及的部分和存在的問題。

1 基于改進(jìn)算法的供熱鍋爐房動(dòng)力裝置故障診斷方法設(shè)計(jì)

我國的供熱模式主要以集中供熱，燃料以煤炭為主，現(xiàn)階段的集中供熱已經(jīng)成為我國北方冬季采暖的主要方式。 而在故障診斷過程中，對(duì)設(shè)備的運(yùn)行狀態(tài)檢測(cè)是分析設(shè)備故障并進(jìn)行診斷的主要步驟， 及時(shí)掌握設(shè)備運(yùn)行的狀態(tài)并根據(jù)運(yùn)行狀態(tài)，確定整體設(shè)備與局部設(shè)備的使用壽命和使用效率。

1.1 監(jiān)測(cè)動(dòng)力裝置熱力參數(shù)

供熱鍋爐房動(dòng)力裝置主要設(shè)備有風(fēng)機(jī)、水泵和加壓泵等，將空氣送進(jìn)鍋爐內(nèi)，通過氧氣的輸送和煙氣的冷卻，將鍋爐內(nèi)產(chǎn)生的煙氣引出，以此降低爐內(nèi)壓力水平[5]。 水泵設(shè)備負(fù)責(zé)將處理后的給水送入鍋爐，驅(qū)動(dòng)循環(huán)熱水，使熱水加熱到一定的溫度值時(shí)，通過供熱管網(wǎng)輸送給用戶[6]。

通過分析供熱鍋爐房動(dòng)力裝置的工作內(nèi)容，動(dòng)力裝置存在的故障問題基本上都來自風(fēng)機(jī)和水泵[7]，將這兩個(gè)部分設(shè)為故障診斷方法設(shè)計(jì)的主要診斷對(duì)象，根據(jù)故障診斷的實(shí)際要求，監(jiān)測(cè)風(fēng)機(jī)和水泵的設(shè)備狀態(tài)，獲取其具體參數(shù)，以此來判斷故障類型。 具體內(nèi)容如表1 所示。

供熱的具體頻率受到成本的控制時(shí)，其頻率就存在不均衡性，主要體現(xiàn)為供熱初期的搶修情況和供熱后期的操控，這種情況和搶修人員的安全意識(shí)相關(guān)， 因此以上參數(shù)的監(jiān)測(cè)需要利用傳感器采集，將采集的參數(shù)信號(hào)進(jìn)行信號(hào)調(diào)理、A/D 轉(zhuǎn)換，輸入工控機(jī)， 實(shí)現(xiàn)對(duì)鍋爐房動(dòng)力裝置的監(jiān)控和參數(shù)的采集。 將獲得的參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入部分，構(gòu)造訓(xùn)練樣本，通過仿真主機(jī)的多種故障對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，實(shí)現(xiàn)鍋爐房動(dòng)力裝置故障診斷，在一定程度上可通過內(nèi)部員工的管理進(jìn)行消除，但需搶修耗費(fèi)大量人力、物力和財(cái)力。

利用壓力傳感器、溫度傳感器和轉(zhuǎn)速傳感器采集鍋爐房動(dòng)力裝置參數(shù)，通過后續(xù)處理傳輸至采集卡中，再讀入計(jì)算機(jī)中。

其中壓力傳感器選擇美國進(jìn)口的HJ-GP2000型壓力傳感器[8]。 該傳感器具體性能參數(shù)如表2 所示。

表2 傳感器性能參數(shù)表Tab.2 Performance parameters of sensor

轉(zhuǎn)速傳感器使用磁感應(yīng)式傳感器，其測(cè)量范圍在50～5000 Hz 之間，與被測(cè)齒頂間隙為0.5 mm，輸出波形近似正弦波，輸出信號(hào)幅值大于50 mV[9]。

由于供熱鍋爐房內(nèi)部運(yùn)行過程中的風(fēng)機(jī)與水泵的故障種類較多且類型復(fù)雜，當(dāng)運(yùn)行時(shí)間發(fā)生變化，其一定加入新的故障，而在這個(gè)過程中發(fā)生故障的狀態(tài)存在不可刪除的特點(diǎn)，所以影響到故障種類的收集，更新數(shù)據(jù)庫成為主要選擇。 數(shù)據(jù)采集卡則使用型號(hào)為AC1810 的數(shù)據(jù)采集卡， 通過其自身提供的8 路并行采樣保持器，實(shí)現(xiàn)動(dòng)力裝置參數(shù)的高速采集[10]。 其工作原理如圖1 所示。

圖1 數(shù)據(jù)采集卡工作原理Fig.1 Working principle of data acquisition card

通過對(duì)供熱鍋爐房動(dòng)力裝置的實(shí)際工作的分析，確定監(jiān)測(cè)其狀態(tài)參數(shù)的各種傳感器及采集卡等相關(guān)設(shè)備，利用以上選用的具體設(shè)備實(shí)現(xiàn)動(dòng)力裝置相關(guān)參數(shù)的監(jiān)測(cè)。

1.2 修正神經(jīng)網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值

依據(jù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，修正連接權(quán)值和節(jié)點(diǎn)閾值， 以監(jiān)測(cè)的供熱鍋爐房動(dòng)力裝置參數(shù)為輸入，以此完成對(duì)動(dòng)力裝置的故障診斷。 以神經(jīng)網(wǎng)絡(luò)訓(xùn)練初始訓(xùn)練為起點(diǎn)，踐行連接權(quán)值和節(jié)點(diǎn)閾值初始化，設(shè)置一組隨機(jī)數(shù)，輸入Q 個(gè)不同的訓(xùn)練樣本，記為（q1，q2，…，qn），并對(duì)其對(duì)應(yīng)的預(yù)期輸出值進(jìn)行設(shè)定，為（u1，u2，…，un）[11]。 根據(jù)神經(jīng)網(wǎng)絡(luò)算法，在經(jīng)過網(wǎng)絡(luò)的代價(jià)函數(shù)計(jì)算之后，將實(shí)際輸出訓(xùn)練樣本和預(yù)期輸出值的誤差傳播返回具體輸入值（p1，p2，…，pn），使之對(duì)應(yīng)的是網(wǎng)絡(luò)不斷自適應(yīng)的存在，根據(jù)網(wǎng)絡(luò)中的連接權(quán)值以及節(jié)點(diǎn)閾值[12]，減小代價(jià)函數(shù)值。 其修正的次數(shù)與具體輸入值和預(yù)期輸出值相關(guān)，當(dāng)以上兩個(gè)值不再減小，則停止。 假設(shè)λ 為迭代次數(shù)，權(quán)值和閾值的修正公式為

式中：εi表示權(quán)值對(duì)應(yīng)的連接因子；εj表示閾值對(duì)應(yīng)的節(jié)點(diǎn)因子；σ 表示步長；κi表示未修正的權(quán)值；κj表示未修正的閾值[13-14]。 修正后的權(quán)值和閾值為

式中：i 和j 表示常數(shù)。 n 個(gè)訓(xùn)練樣本學(xué)習(xí)時(shí)的總誤差e 滿足下列條件：

式中：ξ 表示任意給定的正小數(shù)， 迭代過程停止，其與神經(jīng)網(wǎng)絡(luò)實(shí)際訓(xùn)練中精度的要求相關(guān)[15-16]。 神經(jīng)網(wǎng)絡(luò)的連接權(quán)值以及節(jié)點(diǎn)閾值修正完成，實(shí)現(xiàn)訓(xùn)練樣本處理，輸入監(jiān)測(cè)到的動(dòng)力裝置狀態(tài)參數(shù)，實(shí)現(xiàn)故障診斷。

1.3 基于改進(jìn)算法的故障診斷

由于數(shù)據(jù)取值具有分散性能和一致程度的差異性，不方便數(shù)據(jù)的處理，導(dǎo)致處理程序緩慢，需要進(jìn)行動(dòng)力裝置狀態(tài)參數(shù)數(shù)據(jù)歸一化，克服收斂速度低的困難[17]。 設(shè)樣本集為F，表示公式為

對(duì)每一個(gè)隱含層的節(jié)點(diǎn)進(jìn)行賦值，要求一個(gè)權(quán)值為一個(gè)參數(shù)，其中s 為隱含層節(jié)點(diǎn)的個(gè)數(shù)，對(duì)其進(jìn)行個(gè)數(shù)選擇控制，控制公式為

式中：vk表示最終控制結(jié)果；wk為樣本為第k 個(gè)樣本；l 為控制系數(shù)，將處理后的供熱鍋爐房內(nèi)的參數(shù)樣本輸入至神經(jīng)網(wǎng)絡(luò)輸入層的各個(gè)節(jié)點(diǎn)， 應(yīng)用式（7）進(jìn)行樣本控制，然后利用公式求出隱含層神經(jīng)元的輸出，并將其作為輸出層的輸入。 公式如下：

式中：fout為輸出；fin為輸入；ω 表示節(jié)點(diǎn)。獲得輸出結(jié)果fout后，將其作為輸出層的輸入，根據(jù)式（9）計(jì)算出輸出層神經(jīng)元的輸出，公式如下：

利用閾值函數(shù)判定輸出層神經(jīng)元的最終輸出結(jié)果， 假設(shè)Fe表示供熱鍋爐房動(dòng)力裝置故障類型。閾值判定函數(shù)為

式中：κ′表示原有故障診斷方法中領(lǐng)域?qū)＜以O(shè)定的閾值。 以上過程中使用的神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure of neural network

至此， 應(yīng)用本文算法的故障診斷方法設(shè)計(jì)完成。 可滿足完成故障診斷的準(zhǔn)確性需求。

2 供熱鍋爐房動(dòng)力裝置故障診斷仿真實(shí)驗(yàn)

2.1 參數(shù)設(shè)計(jì)

假設(shè)供熱鍋爐房內(nèi)的動(dòng)力裝置參數(shù)固定，利用Matlab 軟件模擬出動(dòng)力裝置周圍的20 個(gè)不同管網(wǎng)壓力、溫度和流量參數(shù)。具體參數(shù)如表3 所示。供熱鍋爐房內(nèi)的供熱管道運(yùn)行仿真如圖3 所示。

以上為實(shí)驗(yàn)所需的仿真數(shù)據(jù)， 使用以上數(shù)據(jù)，設(shè)置-5 ℃，5 ℃和15 ℃3 種不同的外界溫度， 對(duì)設(shè)計(jì)的供熱鍋爐房動(dòng)力裝置故障診斷方法與傳統(tǒng)的2種故障診斷方法熱損耗情況進(jìn)行實(shí)驗(yàn)，對(duì)比獲得的實(shí)驗(yàn)結(jié)果并分析。

表3 供熱管網(wǎng)參數(shù)設(shè)置Tab.3 Parameter setting of heating network

圖3 鍋爐房供熱管網(wǎng)運(yùn)行仿真圖形界面Fig.3 Operation simulation graphic interface of heating pipe network in boiler room

2.2 實(shí)驗(yàn)結(jié)果及分析

將本文方法得到的實(shí)驗(yàn)結(jié)果記為實(shí)驗(yàn)結(jié)果3，使用傳統(tǒng)的2 種故障診斷方法分別記為實(shí)驗(yàn)結(jié)果1和實(shí)驗(yàn)結(jié)果2，利用第三方軟件統(tǒng)計(jì)3 組實(shí)驗(yàn)結(jié)果，隨機(jī)選取一組實(shí)驗(yàn)結(jié)果顯示，結(jié)果如圖4 所示。

圖4 不同故障診斷方法實(shí)驗(yàn)結(jié)果Fig.4 Experimental results of different fault diagnosis methods

觀察圖中結(jié)果，實(shí)驗(yàn)結(jié)果1 中顯示，當(dāng)外界溫度保持在-5 ℃時(shí)，熱損耗整體在30%～45%之間；在5 ℃時(shí)，熱損耗在10%～25%之間；在15 ℃時(shí)熱損耗在5%～25%之間；在3 種溫度下，隨著時(shí)間的變化，熱損耗存在上升和下降的變化，但是并不明顯。 實(shí)驗(yàn)結(jié)果2中顯示，隨著時(shí)間的變化，在-5 ℃時(shí)，熱損耗在10%～60%之間；在5 ℃時(shí)，熱損耗在28%～65%之間；在15 ℃時(shí)熱損耗在10%～28%之間；在-5 ℃和5 ℃時(shí)，熱損耗變化較大，整體水平偏高，在15 ℃時(shí)，熱損耗變化較小，整體水平偏低。 實(shí)驗(yàn)結(jié)果3 中顯示，在3 種溫度下，供熱管網(wǎng)熱損耗初始在25%～30%之間，到25 min 時(shí)，到達(dá)最低2%，趨于平穩(wěn)。

綜合上述數(shù)據(jù)可知，本文方法獲得的實(shí)驗(yàn)結(jié)果明顯優(yōu)于傳統(tǒng)的2 種故障診斷方法，說明設(shè)計(jì)的故障診斷方法有效地控制住了故障診斷期間熱損耗情況，避免了資源浪費(fèi)。

3 結(jié)語

設(shè)計(jì)基于改進(jìn)算法的供熱鍋爐房動(dòng)力裝置故障診斷方法，使用多種傳感器監(jiān)測(cè)動(dòng)力裝置狀態(tài)參數(shù)，引用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，修正神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)的權(quán)值和閾值，輸入狀態(tài)參數(shù)，通過閾值函數(shù)判斷故障類型。 有效的解決傳統(tǒng)故障診斷方法中存在的問題。 但是受到數(shù)據(jù)樣本的限制，設(shè)計(jì)的方法中依然存在一些不足之處，常規(guī)診斷方法都存在一些局限性，比如本文中采用基于改進(jìn)算法進(jìn)行了不同種類的故障診斷，但是因?yàn)楣收系姆N類很多，對(duì)于之后分析和研究應(yīng)該著重體現(xiàn)在供熱鍋爐房動(dòng)力裝置故障診斷過程中， 以此作為下一步研究的重點(diǎn)，表示該領(lǐng)域還需更深入細(xì)致的研究與探討。