火力發(fā)電廠鍋爐智能融合故障診斷方法

馬連彬

（中電建湖北電力建設(shè)有限公司，湖北武漢 430080）

0.引言

人們?cè)谌粘Ｉ詈蜕a(chǎn)工作中離不開電力資源，而發(fā)電廠是為人們提供電力資源的重要保障，只有確保發(fā)電廠及廠內(nèi)設(shè)備的穩(wěn)定運(yùn)行，才能夠確保社會(huì)秩序的穩(wěn)定及發(fā)展[1]。在當(dāng)前形勢(shì)下，鍋爐仍然是火力發(fā)電廠中重要的設(shè)備，若在這一環(huán)節(jié)出現(xiàn)故障，則會(huì)對(duì)輸出的電力質(zhì)量產(chǎn)生極大的影響，不僅會(huì)影響到社會(huì)穩(wěn)定運(yùn)行，同時(shí)對(duì)于火力發(fā)電廠的自身利益也會(huì)造成影響。因此，當(dāng)前火力發(fā)電廠將鍋爐運(yùn)行相關(guān)的安全問題放在了戰(zhàn)略層面上，而有針對(duì)性地執(zhí)行鍋爐定期、不定期安檢工作，不僅可以保證電廠鍋爐在運(yùn)行中的穩(wěn)定性，同時(shí)也可以為火力發(fā)電廠的安全、持續(xù)化運(yùn)行提供保障[2]。為實(shí)現(xiàn)對(duì)鍋爐故障的有效處理，需要在設(shè)計(jì)方法前，對(duì)其常見的故障現(xiàn)象進(jìn)行總結(jié)與描述，具體包括：鍋爐滅火、鍋爐受熱面上管道爆裂、鍋爐尾部煙道再燃、鍋爐壓力過高等。造成上述問題的原因包括：燃燒材料質(zhì)量較差、通風(fēng)量不足、材料檢驗(yàn)未達(dá)標(biāo)便應(yīng)用到鍋爐運(yùn)行中、給水流量不合理等。由于鍋爐故障的類型眾多，并且對(duì)應(yīng)的故障因素復(fù)雜，并且存在故障類型或故障因素同時(shí)存在的可能，因此對(duì)鍋爐的故障診斷難度和復(fù)雜度進(jìn)一步提升[3]。針對(duì)這一問題，應(yīng)用現(xiàn)有故障診斷方法很難實(shí)現(xiàn)對(duì)其有效診斷，為了進(jìn)一步提高火力發(fā)電廠鍋爐的運(yùn)行穩(wěn)定性，本文開展火力發(fā)電廠鍋爐智能融合故障診斷方法研究。

1.火力發(fā)電廠鍋爐智能融合故障診斷方法設(shè)計(jì)

1.1 火力發(fā)電廠鍋爐故障特征提取

在對(duì)火力發(fā)電廠鍋爐的故障問題進(jìn)行診斷時(shí)，需要獲取鍋爐在運(yùn)行過程中產(chǎn)生的實(shí)時(shí)數(shù)據(jù)，因此在鍋爐運(yùn)行中在其周圍設(shè)置多個(gè)測(cè)點(diǎn)，通過各個(gè)測(cè)點(diǎn)實(shí)現(xiàn)對(duì)鍋爐運(yùn)行電力信號(hào)和物理信號(hào)的采集[4]，根據(jù)各類信號(hào)信息能夠?qū)崿F(xiàn)對(duì)鍋爐故障特征的有效提取。在鍋爐運(yùn)行過程中會(huì)產(chǎn)生數(shù)萬個(gè)信號(hào)數(shù)據(jù)，通過對(duì)特征數(shù)據(jù)的選擇，提高故障診斷的效率，并降低計(jì)算量?；诖耍疚倪x用Relief算法從已知的火力發(fā)電廠鍋爐數(shù)據(jù)當(dāng)中隨機(jī)挑出一組數(shù)據(jù)，并將其作為樣本數(shù)據(jù)R。再?gòu)呐c樣本數(shù)據(jù)R相同類別的數(shù)據(jù)當(dāng)中，挑選出最近的相鄰數(shù)據(jù)，并構(gòu)成相鄰數(shù)據(jù)樣本H；從與樣本數(shù)據(jù)R不相同類別的數(shù)據(jù)當(dāng)中，挑選出最近的相鄰數(shù)據(jù)，并構(gòu)成鄰數(shù)據(jù)樣本M。最后，計(jì)算每個(gè)特征上樣本數(shù)據(jù)R與M和H之間的距離[5]。根據(jù)距離實(shí)現(xiàn)對(duì)不同類別的區(qū)分。例如R與M之間的距離大，而與H之間的距離小，則說明該變量數(shù)據(jù)特征值高，反之同理，特征值低。在重復(fù)n次后，計(jì)算得出每一個(gè)變量的平均值，并以此實(shí)現(xiàn)對(duì)各個(gè)變量分類能力的表示。根據(jù)上述思路，利用Relief算法對(duì)每一個(gè)特征進(jìn)行權(quán)重排序。在進(jìn)行權(quán)重排序時(shí)，可將公式（1）作為依據(jù)：

公式（1）中，m表示為信號(hào)振蕩頻率；L表示為信號(hào)數(shù)據(jù)到樣本數(shù)據(jù)R之間的距離；δ表示為信號(hào)容量；ρ表示為信號(hào)數(shù)據(jù)的模糊特征量。根據(jù)上述公式，計(jì)算得出各個(gè)樣本數(shù)據(jù)集合中信號(hào)數(shù)據(jù)距離，并將符合公式（1）的數(shù)據(jù)提取，將其作為特征樣本數(shù)據(jù)。在實(shí)際應(yīng)用中，對(duì)鍋爐的運(yùn)行產(chǎn)生影響的特征數(shù)據(jù)包括鍋爐主蒸汽溫度、過熱器溫度、煙溫、機(jī)組負(fù)荷等。

1.2 構(gòu)建鍋爐故障診斷模型及模型訓(xùn)練

在實(shí)現(xiàn)對(duì)火力發(fā)電廠鍋爐故障特征提取后，由于鍋爐故障問題分為多種不同類型，本文選擇在構(gòu)建診斷模型的過程中，引進(jìn)SVM分類器，使用此分類器進(jìn)行故障數(shù)據(jù)集合的訓(xùn)練與迭代處理。確保迭代數(shù)據(jù)的集成化與全面優(yōu)化。在此基礎(chǔ)上，將所選的分類器與核函數(shù)建立連接關(guān)系，對(duì)特征數(shù)據(jù)進(jìn)行映射，將現(xiàn)有的單維度數(shù)據(jù)集合映射到高維度數(shù)據(jù)空間中，實(shí)現(xiàn)對(duì)數(shù)據(jù)邊界的生成。將SVM定義為（w，b），其中w表示為權(quán)重量；b表示為權(quán)重偏差。將（w，b）中的最佳權(quán)重和最佳權(quán)重偏差定義為w0和b0。w與b之間存在下述關(guān)系：

公式（2）中，T表示為補(bǔ)償系數(shù)；x表示為特征數(shù)據(jù)。利用通過上述特征提取后剩余的數(shù)據(jù)作為訓(xùn)練集合，將其導(dǎo)入到SVM分類器當(dāng)中，以此實(shí)現(xiàn)對(duì)鍋爐故障診斷模型的構(gòu)建。為了進(jìn)一步提高模型的診斷精度，將構(gòu)建的模型帶入到LVQ神經(jīng)網(wǎng)絡(luò)當(dāng)中，并對(duì)其進(jìn)行訓(xùn)練。通過自組織特征的改良，得到更智能的診斷模型。LVQ神經(jīng)網(wǎng)絡(luò)與其他訓(xùn)練網(wǎng)絡(luò)相比，具備結(jié)構(gòu)簡(jiǎn)單，計(jì)算方便等優(yōu)勢(shì)，同時(shí)通過各個(gè)層級(jí)之間的相互作用，對(duì)輸入數(shù)據(jù)和對(duì)競(jìng)爭(zhēng)層距離的計(jì)算，以此實(shí)現(xiàn)分類[6]。如圖1所示為基于LVQ神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練流程示意圖。

圖1 基于LVQ神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練流程示意圖

圖1中S為分類器，在模型訓(xùn)練的過程中將LVQ神經(jīng)網(wǎng)絡(luò)層劃分為3個(gè)層次。其中，中間層中所含有的原始變量數(shù)據(jù)最多。在此基礎(chǔ)上，按照上述圖1所示的內(nèi)容，進(jìn)行原始數(shù)據(jù)輸入量之間距離的計(jì)算，選擇距離較近的數(shù)據(jù)作為變量數(shù)據(jù)。若在計(jì)算過程中出現(xiàn)兩種原型變量數(shù)據(jù)類別相同的情況，需要將計(jì)算結(jié)果進(jìn)行靠近處理的方式解決。根據(jù)上述論述，對(duì)所有模型中的變量進(jìn)行劃分，并實(shí)現(xiàn)對(duì)模型的訓(xùn)練。

1.3 基于融合規(guī)則的故障診斷決策融合

在利用上述構(gòu)建的模型得出鍋爐的故障診斷結(jié)果后，為了確保模型結(jié)果的可靠性，針對(duì)多次輸出結(jié)果，利用融合規(guī)則對(duì)其進(jìn)行決策融合。假設(shè)模型對(duì)于故障診斷問題的全部依據(jù)可以由θ提供的若干證據(jù)進(jìn)行歸納總結(jié)，其中θ即為融合規(guī)則，是針對(duì)鍋爐故障問題域的有限n個(gè)互拆假設(shè)集。同時(shí)，利用融合規(guī)則給出多個(gè)依據(jù)的組合規(guī)則，將模型輸出的不同結(jié)果通過規(guī)則進(jìn)行分配，從而生成一個(gè)新的規(guī)則函數(shù)，其表達(dá)式為：

公式（3）中，m1和m2表示為通過診斷模型輸出的不同診斷結(jié)果，K表示為歸一化常數(shù)，⊕表示為決策融合。在實(shí)際應(yīng)用中，按照上述公式將模型得出的鍋爐故障診斷結(jié)果代入，通過規(guī)則函數(shù)對(duì)其進(jìn)行決策融合將輸出結(jié)果作為最終的診斷結(jié)果。

2.實(shí)例應(yīng)用分析

為了進(jìn)一步驗(yàn)證本文上述提出的故障診斷方法在實(shí)際應(yīng)用中的可行性，選擇以某火力發(fā)電廠作為依托，利用本文上述提出的診斷方法對(duì)該發(fā)電廠中現(xiàn)有鍋爐進(jìn)行故障診斷。提取該火力發(fā)電廠近5個(gè)月內(nèi)的運(yùn)行數(shù)據(jù)作為測(cè)試數(shù)據(jù)，已知在5個(gè)月內(nèi)鍋爐出現(xiàn)了幾次不同的故障問題，并且相關(guān)信息記錄在了測(cè)試數(shù)據(jù)內(nèi)。為了確保最終應(yīng)用效果的真實(shí)性，在測(cè)試過程中，確保故障診斷方法在應(yīng)用中所處環(huán)境為火力發(fā)電廠鍋爐正常的運(yùn)行環(huán)境。分別從本文方法的故障診斷性能和決策融合性能兩方面對(duì)方法的應(yīng)用效果進(jìn)行評(píng)價(jià)和驗(yàn)證。

2.1 本文方法故障診斷性能驗(yàn)證分析

首先，為了實(shí)現(xiàn)對(duì)本文方法故障診斷性能的驗(yàn)證，嘗試引入混淆矩陣，利用該矩陣實(shí)現(xiàn)對(duì)本文方法故障診斷結(jié)果分類準(zhǔn)確率的可視化展現(xiàn)。將上述獲取到的測(cè)試數(shù)據(jù)作為研究對(duì)象，利用本文上述提出的診斷方法對(duì)鍋爐故障問題進(jìn)行診斷，并給出相應(yīng)的故障類型，將其與實(shí)際鍋爐的故障情況以及故障類型進(jìn)行對(duì)比。如表1所示為本文故障診斷方法的混淆矩陣結(jié)果。

表1 本文故障診斷方法的混淆矩陣結(jié)果

表1中“148”“147”表示為在故障診斷過程中測(cè)試數(shù)據(jù)內(nèi)共包含的正常運(yùn)行鍋爐數(shù)據(jù)；“3”“2”表示為在故障診斷過程中測(cè)試數(shù)據(jù)內(nèi)包含的異常運(yùn)行鍋爐數(shù)據(jù)。表1中帶有“＊”符號(hào)的數(shù)據(jù)為本文故障診斷方法正確診斷的概率。同時(shí)，在表1混淆矩陣當(dāng)中，每一列的數(shù)據(jù)總數(shù)表示在該類別下對(duì)應(yīng)的數(shù)據(jù)實(shí)際數(shù)目。通過上述混淆矩陣可以看出，將本文提出的故障診斷方法應(yīng)用到對(duì)鍋爐的故障診斷中，能夠使最終結(jié)果的分類準(zhǔn)確率達(dá)到95.00%以上。因此，通過上述得出的結(jié)果能夠初步證明，本文提出的故障診斷方法能夠?qū)崿F(xiàn)對(duì)鍋爐的高精度診斷，在實(shí)際應(yīng)用中具有極高的應(yīng)用價(jià)值，證明該方法可行。

2.2 本文方法決策融合性能驗(yàn)證分析

在明確本文故障診斷方法的應(yīng)用可行性后，再對(duì)該方法在應(yīng)用過程中的決策融合性進(jìn)行驗(yàn)證。仍然選擇將本文提出的故障診斷方法應(yīng)用到真實(shí)的火力發(fā)電廠鍋爐運(yùn)行環(huán)境當(dāng)中，并針對(duì)上述獲取到的測(cè)試數(shù)據(jù)進(jìn)行故障診斷。為了實(shí)現(xiàn)對(duì)診斷方法決策融合性能的驗(yàn)證，選擇將2次針對(duì)相同測(cè)試數(shù)據(jù)的鍋爐故障診斷結(jié)果進(jìn)行決策融合，并通過對(duì)比融合后結(jié)果的誤報(bào)和漏報(bào)情況，實(shí)現(xiàn)對(duì)其融合效果的驗(yàn)證。其中，誤報(bào)可通過誤報(bào)率表示，其計(jì)算公式為：

公式（4）中，δ表示為本文診斷方法誤報(bào)率；m表示為測(cè)試數(shù)據(jù)當(dāng)中包含的故障數(shù)據(jù)總數(shù)；m'表示為診斷結(jié)果中與真實(shí)故障數(shù)據(jù)不相符的總量。漏報(bào)情況可通過漏報(bào)率表示，其計(jì)算公式為：

公式（5）中，χ表示為本文診斷方法漏報(bào)率；m0表示為本文診斷方法診斷結(jié)果當(dāng)中包含的測(cè)試數(shù)據(jù)，數(shù)據(jù)中包含了正確診斷數(shù)據(jù)和錯(cuò)誤診斷數(shù)據(jù)。根據(jù)上述公式，計(jì)算得出本文診斷方法的誤報(bào)率和漏報(bào)率，并將其記錄如表2所示。

表2 本文故障診斷方法誤報(bào)率和漏報(bào)率記錄表

從表2中記錄的數(shù)據(jù)得出，本文故障診斷方法在決策融合前，通過5次故障診斷，其診斷結(jié)果的誤報(bào)率均在1.00%～1.50%范圍內(nèi)，而漏報(bào)率均超過0.50%。通過決策融合，誤報(bào)率低于1.00%，漏報(bào)率也降低到了0.50%以下。由此可以看出，本文提出的故障診斷方法在完成診斷后，通過決策融合能夠進(jìn)一步降低診斷結(jié)果的誤報(bào)率和漏報(bào)率，從而提高故障診斷方法的診斷精度。

3.結(jié)語

鍋爐裝置是火力發(fā)電廠中的核心設(shè)備，對(duì)于整個(gè)行業(yè)以及人們?nèi)粘Ｉ疃加兄种匾囊饬x。通過本文上述論述研究，在明確鍋爐運(yùn)行特點(diǎn)以及常見的故障類型，以及故障發(fā)生原因的基礎(chǔ)上提出一種全新的故障診斷方法，同時(shí)也通過應(yīng)用實(shí)現(xiàn)了對(duì)其各項(xiàng)性能的檢驗(yàn)。在實(shí)際火力發(fā)電廠運(yùn)行中，除了應(yīng)用本文提出的故障診斷方法為鍋爐運(yùn)行和維護(hù)提供重要依據(jù)外，還應(yīng)當(dāng)從根本上提高對(duì)鍋爐安全檢驗(yàn)的重視程度，確保鍋爐在運(yùn)行中的質(zhì)量和效率，促進(jìn)火力發(fā)電廠能夠更快適應(yīng)當(dāng)前社會(huì)發(fā)展趨勢(shì)。