CHPP設(shè)備診斷和監(jiān)測的方法

德米特里·米哈伊洛夫?朱禹濤?亞歷山大·基謝列夫?埃琳娜·托麗娜?亞歷山大·弗拉索夫

摘要：確保CHPP設(shè)備的安全運(yùn)行以及其狀況的診斷和監(jiān)測是當(dāng)務(wù)之急。使用人工智能（AI）方法自動監(jiān)測設(shè)備狀態(tài)是一個特別發(fā)展的領(lǐng)域。本文探討了診斷和監(jiān)測CHPP設(shè)備狀況不需要設(shè)備停機(jī)的方法：熱監(jiān)測和基于振動的診斷，描述了一種越來越流行的基于噪聲的診斷方法，并提出了一種基于AI技術(shù)的系統(tǒng)。結(jié)果表明，基于噪聲的診斷方法兼具高效率和低成本，與最普遍的方法相比，更具有競爭力和前景。

關(guān)鍵詞：基于噪聲的診斷；設(shè)備監(jiān)測；人工智能；熱電設(shè)備

一、引言

熱電聯(lián)產(chǎn)電廠（CHPP）是最重要的基礎(chǔ)設(shè)施之一，因?yàn)樗鼈兪侨藗兊碾娔芎蜔崮軄碓矗虼?，確保CHPP設(shè)施的正常運(yùn)行是一項(xiàng)緊迫的任務(wù)。例如，任何設(shè)備停機(jī)，都會導(dǎo)致重大的經(jīng)濟(jì)損失，而緊急關(guān)閉也會對社會產(chǎn)生重大的負(fù)面影響，包括由于電力，供水和供暖中斷而導(dǎo)致的事故。因此，控制方法在設(shè)備診斷方法中尤為重要，這些方法允許在不停機(jī)的情況下評估設(shè)備狀況，評估其壽命，預(yù)測潛在的缺陷，調(diào)整維修計劃以及針對緊急情況進(jìn)行警告的信號。用于這些目的的所有方法都包含在被動無損設(shè)備測試方法中。

預(yù)測設(shè)備狀況通常涉及分析隨時間推移獲得的數(shù)據(jù)，即作為對CHPP生產(chǎn)單元各部分狀況的長期監(jiān)測的結(jié)果。這項(xiàng)任務(wù)對俄羅斯和獨(dú)聯(lián)體國家尤其重要，這些國家一半以上的CHPP設(shè)備是在20世紀(jì)下半葉制造的。有些設(shè)備已經(jīng)過時，有些設(shè)備十分陳舊。而在現(xiàn)代世界中，CHPP的負(fù)載只會增加。所有這些都導(dǎo)致事故數(shù)量、維修頻率和持續(xù)時間的增加。由于缺乏財政資源，更換設(shè)備往往是不可能的，基于無損檢測方法的監(jiān)測確保了維修之間的最大時間，并防止嚴(yán)重磨損的設(shè)備出現(xiàn)故障。

然而，診斷和監(jiān)測CHPP功能部件的任務(wù)相當(dāng)困難，因?yàn)橐@得設(shè)備狀況的匯總圖像，有必要監(jiān)測大量裝置。在大型企業(yè)中，受監(jiān)控的安裝數(shù)量可能超過數(shù)萬個。分析從所有裝置獲得的影響CHPP設(shè)備狀況的數(shù)據(jù)對于專家來說是一項(xiàng)重要任務(wù)，因此，設(shè)備狀況的自動監(jiān)測是一個急需發(fā)展的領(lǐng)域。隨著技術(shù)和軟件的發(fā)展，自動監(jiān)控方法的一個有前途的方向是使用人工智能（AI）技術(shù)，這可以在基于大量分析數(shù)據(jù)做出決策時減少人為因素?，F(xiàn)在，市場上有許多成功的解決方案，通過使用AI監(jiān)測CHPP設(shè)備的狀態(tài)。

本文介紹了無損檢測方法，這些方法可以診斷和監(jiān)測CHPP設(shè)備狀態(tài)，主要包括三種方法：熱監(jiān)測、基于振動的監(jiān)測（基于振動的診斷）以及基于噪聲的診斷方法，這種方法已經(jīng)存在很長時間，但由于技術(shù)的發(fā)展，現(xiàn)在才開始普及。本文的目的是表明眾所周知和廣泛使用的方法有其自身的優(yōu)缺點(diǎn)，并表明基于噪聲的診斷方法的發(fā)展具有相當(dāng)?shù)那熬?，它結(jié)合了高效率、低成本和廣泛的能源設(shè)施適用性。表1列出了基于無損檢測的CHPP設(shè)備診斷的考慮方法，并推薦了各種類型設(shè)備的最高效率。

下面將詳細(xì)介紹每種方法，并基于噪聲的診斷方法，在真實(shí)CHPP上使用AI方法，提出一種CHPP設(shè)備狀態(tài)監(jiān)測和診斷的解決方案。還需要進(jìn)一步的研究，但初步結(jié)果對于實(shí)施擬議的系統(tǒng)具有很大的潛力。

二、熱監(jiān)測

電力設(shè)備無損檢測方法之一是熱監(jiān)測，也稱為紅外法，使用熱像儀和高溫計作為測量診斷裝置[1-7]。

熱監(jiān)測是一種非侵入性的監(jiān)測設(shè)備狀況的方法，此外，它的使用對發(fā)電廠人員來說是絕對安全的[2]。這種診斷方法提供了以下可能性：檢測設(shè)備缺陷。這些缺陷的影響程度。及時發(fā)現(xiàn)事故，預(yù)防應(yīng)急運(yùn)行。防火。獲取附加信息以確定設(shè)備剩余壽命。

紅外診斷方法通常簡化為分析使用熱像儀獲得的熱圖像，并分析各種指標(biāo)（例如，溫度過高，缺陷因素[2]）以評估缺陷。執(zhí)行熱圖像測試，評估結(jié)果及其可靠性的程序因設(shè)備及其組件的設(shè)計特征而異。[1] 介紹了某些類型的CHPP設(shè)備的紅外診斷方法：發(fā)電機(jī)、電力變壓器、油和空氣開關(guān)等?？梢允褂靡环N元件的各種測量儀器（熱像儀和/或高溫計）來監(jiān)測元件的某些功能單元。

還應(yīng)該注意的是，在熱監(jiān)測過程中會考慮一些可能降低所接收信息可靠性的因素（錯誤）。這些包括 [1]：

①材料輻射發(fā)射率。它的特點(diǎn)是材料輻射系數(shù)，并在紅外器件測量的溫度中引入誤差。②太陽輻射。它可能導(dǎo)致關(guān)于設(shè)備組件過熱的錯誤結(jié)論。因此，建議在日落后或多云天氣下進(jìn)行測量。③風(fēng)能冷卻設(shè)備部件，混淆了關(guān)于實(shí)際溫度的結(jié)論。引入了取決于風(fēng)速的校正因子，但在觀測期間風(fēng)通常是可變的，因此仍然可以觀察到殘余誤差。④其他。在測量中引入誤差的其他因素包括負(fù)載、熱慣性、降水、磁場、熱反射、感應(yīng)電流加熱和紅外控制范圍。所有這些因素都可以通過校正測量或多或少地得到補(bǔ)償。

此方法的主要優(yōu)點(diǎn)如下 [1-3]：

①非侵入性。設(shè)備監(jiān)控不需要設(shè)備停機(jī)和拆卸。②準(zhǔn)確性。對于設(shè)備的某些部件，該方法在確定缺陷的類型，位置和影響程度方面表現(xiàn)出高精度。③普遍性。該方法可以應(yīng)用于設(shè)備的不同部位。

此方法的缺點(diǎn)如下：

①成本相對較高。需要使用大量精確的測量儀器進(jìn)行監(jiān)控（高分辨率熱像儀），這使得這種方法相當(dāng)昂貴。②缺乏學(xué)習(xí)。對于設(shè)備的某些部分，由于與額外熱源和在診斷設(shè)備附近運(yùn)行冷卻設(shè)備相關(guān)的困難，紅外方法的可能性尚未得到充分研究。③平穩(wěn)性。由于不準(zhǔn)確的影響，需要以一定角度拍攝，因此無法對所有設(shè)備進(jìn)行動態(tài)拍攝。④對天氣條件和其他外部因素的依賴性，這些因素會在測量中引入誤差。這種缺點(diǎn)使得難以全天候監(jiān)控設(shè)備。⑤高熱慣性。

有相當(dāng)多的出版物致力于CHPP設(shè)備熱監(jiān)測的實(shí)際應(yīng)用。目前，熱監(jiān)測既用于監(jiān)測整個CHPP設(shè)備的狀態(tài)，也用于單個設(shè)備元件[3，5，6]。這些論文表明，熱監(jiān)測可以及時檢測缺陷和損壞。告知緊急操作的可能性。快速檢測危險溫度升高的區(qū)域，其中可能發(fā)生火災(zāi)。降低設(shè)備檢查和維修的成本。

除其他事項(xiàng)外，熱量監(jiān)測的準(zhǔn)確性取決于合格操作員正確讀取從診斷設(shè)備接收的數(shù)據(jù)。在這方面，正在開發(fā)各種讀取結(jié)果[2-6]的方法，包括對各種數(shù)據(jù)的多標(biāo)準(zhǔn)分析。然而，這些方法的創(chuàng)新和改進(jìn)不允許在做出有關(guān)設(shè)備狀況的決策時擺脫人為因素。人工智能的使用是一種很有前途的解決方案，可以在做出決定時最大限度地減少出錯的可能性[7]。

盡管熱監(jiān)測在CHPP設(shè)備的診斷中得到了相當(dāng)廣泛的應(yīng)用，但它沒有堅實(shí)的理論基礎(chǔ)，而是從實(shí)踐的角度來使用的[9]。

作為技術(shù)診斷的一個特例，熱監(jiān)測的任務(wù)可以被視為基于輸入數(shù)據(jù)的分類和預(yù)測任務(wù)。對于這種類型的任務(wù)，最常使用多層感知器神經(jīng)網(wǎng)絡(luò)模型[7]。該網(wǎng)絡(luò)是一個反向傳播神經(jīng)網(wǎng)絡(luò)。要使用神經(jīng)網(wǎng)絡(luò)作為診斷TPP電氣設(shè)備狀況的數(shù)學(xué)模型，有必要通過其將電氣設(shè)備的參數(shù)值饋送到輸入，使用用于訓(xùn)練的歷史數(shù)據(jù)中包含的模式對其進(jìn)行訓(xùn)練，將最后一層神經(jīng)元的輸出與所需的輸出向量進(jìn)行比較，并通過更改權(quán)重系數(shù)來實(shí)現(xiàn)最接近的近似值神經(jīng)元之間的連接[7]。訓(xùn)練神經(jīng)網(wǎng)絡(luò)是開發(fā)監(jiān)控系統(tǒng)最困難的部分，因?yàn)闆]有詳細(xì)的設(shè)備熱歷史圖。反向傳播意味著熱像儀讀數(shù)與硬件缺陷之間存在某種已知聯(lián)系。這是一個嚴(yán)重的缺陷，可能使企業(yè)中特定解決方案的訓(xùn)練網(wǎng)絡(luò)變得困難。盡管存在這一缺陷，但市場上仍有解決方案提供使用人工智能對CHPP設(shè)備進(jìn)行連續(xù)自動監(jiān)控的系統(tǒng)。Avikon提供基于熱圖像傳感器和AI軟件組合的個性化解決方案，有助于在早期階段識別設(shè)備缺陷，就是這一提議的一個例子。

三、基于振動的診斷

基于分析操作設(shè)備產(chǎn)生的振動或安裝設(shè)施產(chǎn)生的回轉(zhuǎn)的方法在CHPP設(shè)備的診斷和監(jiān)測中已經(jīng)變得普遍。包含設(shè)備狀態(tài)信息的振動信號由傳感器檢測（例如，基于壓電晶體元件），并且通常由軟件處理。

振動是由各種動態(tài)力（機(jī)械力、電磁力、氣動力）引起的。設(shè)備操作的變化，操作中的缺陷和異常導(dǎo)致這些力的性質(zhì)發(fā)生變化，從而導(dǎo)致振動信號的變化。事實(shí)上，動態(tài)力的屬性決定了設(shè)備的運(yùn)行狀態(tài)。當(dāng)將這些力所做的功轉(zhuǎn)化為熱能時，要比轉(zhuǎn)換為振動時丟失的信息多得多。因此，在診斷發(fā)電廠的電氣設(shè)備時，振動分析比溫度分析更可取。應(yīng)該注意的是，設(shè)備應(yīng)急保護(hù)和控制系統(tǒng)通常包括幾個監(jiān)測通道，包括設(shè)備組件的振動和溫度[11]。

基于振動的診斷任務(wù)類似于熱監(jiān)測的任務(wù)：在緊急操作和設(shè)備故障之前檢測和確定故障類型，確定和預(yù)測安裝的技術(shù)狀態(tài)。顯然，基于振動的診斷將最有效地應(yīng)用于包含具有運(yùn)動部件的機(jī)構(gòu)（轉(zhuǎn)子、渦輪機(jī)、泵、電動機(jī)等）的設(shè)備。在此類設(shè)備中，基于振動的診斷通?？梢栽谠缙陔A段識別缺陷的位置和類型。基于振動的CHPP設(shè)備非旋轉(zhuǎn)部件（如鍋爐和蒸汽發(fā)生器）的診斷更加復(fù)雜。然而，在現(xiàn)代基于振動的診斷系統(tǒng)中，可以確定和檢測一些缺陷（如早期裂紋）[10]。通常，基于振動的診斷涉及使用傅里葉變換或小波變換獲得的振動譜，振動位移和振動加速度的分析。還可以找到時間信號分析，頭孢子和分形分析[12-13]。許多參數(shù)可以用作診斷參數(shù)，例如：信號的均方根（RMS）值。指定時間間隔內(nèi)最大信號值與均方根值（峰值因子）的比值等。

外部噪聲會顯著降低接收信息的可靠性。振動-聲學(xué)參數(shù)的相對誤差可以達(dá)到10%[14]。

基于振動的診斷具有以下優(yōu)點(diǎn)[10，13]：

①準(zhǔn)確性。對于某些類型的設(shè)備（轉(zhuǎn)子、泵、渦輪機(jī)等），基于振動的診斷可以確定缺陷的類型、位置和影響程度（包括在早期階段）；②快速診斷?，F(xiàn)代軟件可以足夠快地獲得診斷結(jié)果；③確定隱藏的缺陷；④普遍性。該方法適用于各種類型的設(shè)備及其組件。

現(xiàn)在有大量的標(biāo)準(zhǔn)規(guī)范甚至強(qiáng)制CHPP進(jìn)行基于振動的診斷（例如，GOST R 53564-2009;GOST 30576-98 等）。然而，基于振動的監(jiān)測設(shè)備并不總是安裝在熱電聯(lián)產(chǎn)上。這是由于此方法的許多缺點(diǎn)：①侵襲。振動傳感器的復(fù)雜安裝通常需要設(shè)備停機(jī)和拆卸；②成本高。與熱監(jiān)測相比，大量不同的傳感器、測量、記錄和分析設(shè)備使得基于振動的診斷系統(tǒng)的安裝非常昂貴；③對于大型設(shè)備，未解決的問題是確定振動源；④對外部噪聲具有高靈敏度。

振動分析被積極用于設(shè)備的診斷和監(jiān)測，其方法在文獻(xiàn)中得到了廣泛的介紹[10-17]。隨著技術(shù)的發(fā)展，振動傳感器變得更加容易獲得，并且隨著軟件的發(fā)展，數(shù)據(jù)處理方法得到了改進(jìn)。使用各種人工智能技術(shù)來診斷故障[15]在工業(yè)和文獻(xiàn)中越來越普遍。由于基于振動的診斷任務(wù)以及熱量監(jiān)測的任務(wù)是分類任務(wù)，因此神經(jīng)網(wǎng)絡(luò)的使用在這里占有特殊的地位[12，15-17]。關(guān)于在基于振動的診斷中使用人工神經(jīng)網(wǎng)絡(luò)的研究在30多年前開始出現(xiàn)[16]。各種架構(gòu)用于在基于振動的診斷中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)。除了多層感知器[12，15]之外，卷積神經(jīng)網(wǎng)絡(luò)（CNN）也用于基于振動的診斷系統(tǒng)，以確定軸承狀態(tài)[17]。CNN神經(jīng)網(wǎng)絡(luò)的完全不同的架構(gòu)使其對多維輸入數(shù)據(jù)（特別是頻譜圖）更具適應(yīng)性，這反過來又導(dǎo)致更好的泛化能力和更高的處理速度。因此，使用CNN進(jìn)行診斷可以提供更準(zhǔn)確的結(jié)果[17]。

Vibrobox就是一個例子，它提供了一個使用市場上基于AI的振動診斷的解決方案。應(yīng)該注意的是，這提出了一種全面的設(shè)備診斷方法，不僅涉及振動分析，還涉及設(shè)備單元的溫度分析。Vibrobox將自己定位為基于工業(yè)振動的診斷和數(shù)字信號處理領(lǐng)域的專家團(tuán)隊，以神經(jīng)網(wǎng)絡(luò)和模糊邏輯算法的形式提供基于接收數(shù)據(jù)和AI技術(shù)的Wavelet分析的解決方案。

四、基于噪聲的診斷

基于噪聲的診斷是指通過分析操作設(shè)備發(fā)出的聲學(xué)噪聲對操作設(shè)備進(jìn)行診斷。寬帶麥克風(fēng)可用作測量儀器。

需要注意的是，噪聲分析應(yīng)用于各個領(lǐng)域。在學(xué)術(shù)文獻(xiàn)中描述被動診斷方法時，會考慮操作設(shè)備的聲學(xué)噪聲診斷，但目前在大多數(shù)企業(yè)的強(qiáng)制性診斷活動中，它尚未包括在內(nèi)。更常見的情況是，在設(shè)備檢查期間由專家分析噪聲[9，18]。經(jīng)驗(yàn)豐富的專家可以根據(jù)噪聲的性質(zhì)確定設(shè)備的正確操作，并且在噪聲表明故障的情況下，指出原因甚至發(fā)生故障的地方。然而，這種方法是主觀的，不能考慮噪聲中包含的超出人類聽覺范圍的頻率分量。許多企業(yè)對服務(wù)人員資格的要求降低，以及其他被動診斷方法軟件的開發(fā)，導(dǎo)致基于噪聲的診斷已被取代，現(xiàn)在通常僅被理解為確定操作設(shè)備的噪聲水平和降低噪聲的措施。目前，操作設(shè)備基于噪聲的診斷應(yīng)用于單獨(dú)診斷裝置的區(qū)域，例如車輛維修和診斷[18]。隨著技術(shù)和軟件的發(fā)展，可以將基于噪聲的診斷提升到一個新的水平。即使是現(xiàn)在，也有人試圖在各個行業(yè)中引入基于噪聲的診斷[18-19]。由于以前沒有應(yīng)用過基于噪聲的診斷，主要困難是難以解釋從聲學(xué)噪聲獲得的數(shù)據(jù)。通過分析從溫度計和振動傳感器等獲得的明確數(shù)據(jù)，自動數(shù)據(jù)處理更容易實(shí)現(xiàn)。現(xiàn)在，隨著人工智能方法的發(fā)展，基于噪聲的自動診斷的可能性顯著增加[18]。

一般來說，基于噪聲的自動診斷的想法可以描述如下：位于所研究裝置附近的寬帶接收器去除聲學(xué)噪聲并發(fā)送接收的信號進(jìn)行進(jìn)一步處理、分析，獲得測量的噪聲頻譜。例如，使用快速傅里葉變換（可以使用其他積分變換分析頻譜）。智能決策系統(tǒng)檢測與正常噪聲的偏差，對應(yīng)于設(shè)備的正確運(yùn)行，并檢測故障。假設(shè)在訓(xùn)練后，在記錄故障時，可以確定故障的類型，影響程度以及發(fā)生故障的位置。

基于噪聲的診斷在自動診斷和設(shè)備狀態(tài)監(jiān)測中的應(yīng)用可以被描述為一種新方法。因此，沒有相應(yīng)的噪聲圖可以比較聲學(xué)噪聲的特性與可能的設(shè)備缺陷。這方面的工作仍有待完善。類似的研究已經(jīng)在一些領(lǐng)域進(jìn)行[18，19]。例如，[19]給出了這種方法在大型電機(jī)上的理論依據(jù)。本文根據(jù)噪聲的來源對聲學(xué)噪聲進(jìn)行分類：電磁噪聲、機(jī)械噪聲和通風(fēng)系統(tǒng)中的噪聲。引起這些噪聲的力是不同的。因此，例如，磁致伸縮引起的噪聲的特征在于磁致伸縮系數(shù)與作用在變壓器鐵芯兩端的力之間的連接，其效應(yīng)導(dǎo)致具有相同頻率分量的噪聲譜，并且由旋轉(zhuǎn)電機(jī)的電磁力特性引起的噪聲，可以根據(jù)負(fù)載的存在獲得有關(guān)機(jī)器鐵芯和繞組狀況的信息。該論文描述了機(jī)器振動和聲學(xué)噪聲之間的聯(lián)系，并指出，所考慮的基于噪聲的診斷已經(jīng)證明了其價值，并且已經(jīng)包含在?EZ GROUP操作的電機(jī)診斷的內(nèi)部規(guī)則中。在整個CHPP設(shè)備中使用基于噪聲的診斷在經(jīng)濟(jì)效益和診斷效率方面似乎也很有希望。此方法的潛在優(yōu)點(diǎn)如下：

①經(jīng)濟(jì)效益。廉價的測量設(shè)備使這種方法可能比基于振動的診斷和熱量監(jiān)測更便宜。

②單純。與基于振動的診斷不同，基于噪聲的診斷不需要大量傳感器，即使在診斷大型機(jī)器時也是如此。

③非侵入性。與基于振動的診斷不同，用于基于噪聲的診斷的測量儀器的安裝要簡單得多，并且不需要設(shè)備關(guān)閉和拆卸。

④信息價值。由于振動和聲學(xué)噪聲之間的聯(lián)系，該方法的信息量不亞于基于振動的診斷，并且包含基于振動的診斷的所有優(yōu)點(diǎn)，例如通用性，準(zhǔn)確性，快速診斷和隱藏缺陷的確定。

因此，該方法保留了基于振動的診斷的所有優(yōu)點(diǎn)，并消除了其一些缺點(diǎn)。使用基于噪聲的診斷和現(xiàn)代人工智能驅(qū)動的軟件為CHPP設(shè)備開發(fā)診斷套件是現(xiàn)代工程的一項(xiàng)緊迫任務(wù)。

五、用于設(shè)備狀態(tài)診斷和監(jiān)控的智能系統(tǒng)

由于基于噪聲的診斷是診斷和監(jiān)控系統(tǒng)發(fā)展的一個相當(dāng)新的方向，因此幾乎沒有基于AI和基于噪聲的診斷的現(xiàn)成解決方案，但是，開發(fā)正在積極進(jìn)行中。Echo團(tuán)隊提出了一個解決方案。簡而言之，該解決方案可以描述如下（圖1）：麥克風(fēng)和/或壓電傳感器（傳感器（2））通過集成總線（3）從操作設(shè)備（機(jī)構(gòu)（1））接收的聲學(xué)噪聲信號通過集成總線（3）傳輸?shù)教峁?shù)據(jù)預(yù)處理的智能模塊（6），揭示診斷參數(shù)的特定值（例如噪聲水平、特定頻率下的峰值、調(diào)制類型和參數(shù)等），包括使用頻率分析方法，例如快速傅里葉變換或小波變換，然后生成MEL和MFCC頻譜圖。神經(jīng)網(wǎng)絡(luò) （NN） 生成基于輸入信號的歸一化（排除異常）信號，該信號源自初始信號。然后，再次將來自初始信號的歸一化信號與輸入信號進(jìn)行比較。基于這種比較，評估了設(shè)備的當(dāng)前狀況。專門開發(fā)的軟件，一個NN插件，允許分析數(shù)據(jù)，以確定診斷參數(shù)的不合規(guī)情況，以及對應(yīng)于設(shè)備正常運(yùn)行的值或正常值內(nèi)診斷參數(shù)的變化，以預(yù)測故障發(fā)生的時間，并調(diào)整診斷和維護(hù)程序以消除或覆蓋。基于神經(jīng)網(wǎng)絡(luò)的分析器對故障性質(zhì)、危險程度和影響做出決定，并使用API（7）將解碼后的數(shù)據(jù)與診斷結(jié)果一起發(fā)送到操作員的工作站（8）及通知網(wǎng)關(guān)（9），使用該網(wǎng)關(guān)將事件警報發(fā)送給感興趣的各方。

另外，應(yīng)該解釋智能模塊（6）的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，因?yàn)樵撊蝿?wù)是創(chuàng)建所描述的系統(tǒng)最困難的任務(wù)之一。與上述其他方法一樣，基于噪聲的診斷任務(wù)是分類任務(wù)，并且為此類任務(wù)訓(xùn)練NN需要有關(guān)將設(shè)備操作中可能存在的缺陷和異常與聲學(xué)噪聲模式聯(lián)系起來的數(shù)據(jù)。這些數(shù)據(jù)無法統(tǒng)一，必須針對每個機(jī)制單獨(dú)確定。為了在所提出的解決方案中解決這一學(xué)習(xí)任務(wù)，智能模塊包含兩個神經(jīng)網(wǎng)絡(luò)，其中一個是具有分類器的網(wǎng)絡(luò)，并根據(jù)收集的數(shù)據(jù)進(jìn)行訓(xùn)練。該網(wǎng)絡(luò)使用另一個卷積神經(jīng)網(wǎng)絡(luò)，使用自動編碼器和特殊軟件積累的數(shù)據(jù)進(jìn)行訓(xùn)練，并有人員參與。該網(wǎng)絡(luò)在沒有初始數(shù)據(jù)的情況下學(xué)習(xí)異常檢測原理。該原理基于將接收到的聲信號與設(shè)備正常運(yùn)行對應(yīng)的信號進(jìn)行比較。如果檢測到偏離正常運(yùn)行，則智能模塊向操作員的工作站發(fā)送有關(guān)異常檢測的信號，專家確定異常的類型，從而生成數(shù)據(jù)，用于使用分類器訓(xùn)練網(wǎng)絡(luò)，這將進(jìn)一步減少人員的工作量。下次面對類似異常的 NN 時，將自行確定其類型并建議必要的操作。該系統(tǒng)還提供了人員對神經(jīng)網(wǎng)絡(luò)的額外訓(xùn)練：如果NN檢測到異常并確定其性質(zhì)（例如，鍋爐中的孔），但人員沒有檢測到與正常運(yùn)行的任何偏差，則記錄錯誤并發(fā)送回NN進(jìn)行額外學(xué)習(xí)。下次，神經(jīng)網(wǎng)絡(luò)將讀取類似的噪聲模式，作為設(shè)備正常運(yùn)行的噪聲。如果操作員在設(shè)備操作中檢測到異常，但系統(tǒng)沒有檢測到異常，也可以另外訓(xùn)練網(wǎng)絡(luò)。

從傳感器（2）通過集成總線（3）傳輸?shù)街悄苣K（6）的信息存儲在信號數(shù)據(jù)庫（4）中，用于收集和存儲來自傳感器的初級數(shù)據(jù)和聲學(xué)數(shù)據(jù)分析的結(jié)果。獲得的數(shù)據(jù)可供自動化工作站（AWS）的專家進(jìn)行手動分析和標(biāo)記，以標(biāo)記模式（5）。用于標(biāo)記模式的 AWS （5） 存儲不同操作設(shè)備模式的模式分類、各種潛在故障及其嚴(yán)重性的評估。智能模塊中記錄的所有異常都將發(fā)送到 AWS 進(jìn)行標(biāo)記模式，以便專家進(jìn)行驗(yàn)證。專家分析聲學(xué)圖像以及安裝在機(jī)構(gòu)分布式控制系統(tǒng)中的傳感器的信息，或?qū)υO(shè)備進(jìn)行目視檢查。在誤報的情況下，該模式被標(biāo)記為“正常設(shè)備操作”并添加到訓(xùn)練數(shù)據(jù)集中。同樣，如果發(fā)生事故并且 Echo 分析系統(tǒng)未檢測到異常，則事故之前的歷史模式以及事故本身的模式將標(biāo)記為緊急或緊急情況前，并添加到訓(xùn)練數(shù)據(jù)集中。 來自 AWS 的標(biāo)記數(shù)據(jù)（5）隨后用于其他訓(xùn)練并傳輸?shù)街悄苣K（6）。

所描述的方法既適用于單個設(shè)備的診斷，也適用于復(fù)雜的機(jī)制。為此（圖2），假定了一個額外的控制級別：所有安裝的數(shù)據(jù)都傳輸?shù)街鞴艿膯蝹€ AWS，主管可以看到所控制設(shè)備的全面狀況。

圖3、圖4顯示了工作站上顯示的信息示例。

所提出的解決方案在下諾夫哥羅德（俄羅斯聯(lián)邦）的Avtozavodskaya CHPP LLC工廠進(jìn)行了測試。在試驗(yàn)過程中，應(yīng)用所述診斷方法分析了ТГМ-96Б動力鍋爐和ПЭ580-185/200-2給水泵的噪聲模式數(shù)據(jù)。數(shù)據(jù)集是在 15天內(nèi)收集的。在采集數(shù)據(jù)過程中，對鍋爐負(fù)荷及其穩(wěn)定性發(fā)生變化，檢測給水和蒸汽溫度、蒸汽壓力和給水流量的變化，并搜索系統(tǒng)的異常情況。結(jié)果表明，基于NN噪聲的診斷系統(tǒng)足夠精確，可以確定鍋爐運(yùn)行的穩(wěn)定性（83.4%），負(fù)載水平（90.3%），溫度跳動（超過81%）和蒸汽壓力（84.2%），并記錄異常運(yùn)行模式。

圖5顯示了異常檢測的一個例子，即動力鍋爐加熱面管上的一個孔。可以清楚地看到接收信號的強(qiáng)度和頻率響應(yīng)發(fā)生了多么顯著的變化。圖6顯示了發(fā)生異常時Echo操作員工作站的視頻幀。這種異常不能由分布式控制系統(tǒng)快速確定。然而，Echo系統(tǒng)允許立即檢測此類故障，這使得該系統(tǒng)的開發(fā)和基于噪聲的診斷作為一個整體的改進(jìn)成為一項(xiàng)緊迫的任務(wù)。

在此階段，計劃創(chuàng)建一個數(shù)據(jù)庫，其中包含從操作設(shè)備的聲學(xué)噪聲中獲得的診斷標(biāo)志與可能的異常之間的對應(yīng)關(guān)系。

五、結(jié)束語

本文分析了現(xiàn)有用于診斷CHPP設(shè)備的主要被動方法的優(yōu)缺點(diǎn)，這些方法可以監(jiān)控設(shè)備運(yùn)行，預(yù)測故障并調(diào)整設(shè)備維護(hù)周期。事實(shí)證明，目前解決分配任務(wù)的最有效方法是基于振動的診斷，然而，由于多種原因振動診斷不能總是在大型和小型能源設(shè)施中使用。對操作設(shè)備的聲學(xué)噪聲進(jìn)行診斷可能是一種更有效的方法。以前由于軟件數(shù)據(jù)處理的問題，噪聲診斷沒有廣為使用，但現(xiàn)在，隨著人工智能方法的發(fā)展，這種方法變得更加實(shí)用。事實(shí)證明，基于噪聲的診斷是診斷和監(jiān)測CHPP設(shè)備的一種有前途的方法，它包含了基于振動的診斷的所有優(yōu)點(diǎn)。而且，這種方法沒有以下缺點(diǎn)：設(shè)備成本高，測量傳感器安裝侵入性強(qiáng)。建議使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行基于噪聲的診斷，以實(shí)現(xiàn)設(shè)備監(jiān)控系統(tǒng)。

作者單位：德米特里·米哈伊洛夫? ? 朱禹濤? ? 金磚國家未來網(wǎng)絡(luò)研究院（中國·深圳）

亞歷山大·基謝列夫? ? 埃琳娜·托麗娜? ? 亞歷山大·弗拉索夫? ? 莫斯科動力工程學(xué)院（技術(shù)大學(xué)）熱電與核電工程研究所

參? 考? 文? 獻(xiàn)

[1]Main provisions of the method of infrared diagnostics of electrical equipment and overhead lines. RD 153.-34.0-20.363-99. Moscow： Ministry of Energy， 1999. – 58 pages. （In Russian）

[2]Е. M. Prokhorenko， V. F. Klepikov， V. V. Litvinenko， A. I. Morozov， O.V. Kulakov. Thermal controls electrical stations to detect emergency mode. Naukoviy vísnik UkrND?PB.? 2012（2）： 191-197. Access mode： http：//nbuv.gov.ua/UJRN/Nvundipb_2012_2_32

[3]V.M. Naumov / Development of a method for fixing coolant leakage on pipelines of thermal and nuclear power plants. Kontenant. 2019; 18 （3-1）：60-68.

[4] V. F. Klepikov， E.M. Prokhorenko， A.M. Baranov， A.I. Morozov. Application of thermal image testing. Problemy pozharnoy bezopasnosti. – Kharkov： NUCZU， 2011（29）.–P.75-83. （In Russian）

[5] R.A. Babushkin， D.S. Gmyzov， Yu.P. Ivanov. Thermal image testing of chimneys. Innovatsionnaya nauka. 2015（9）.-P. 53-57 URL： https：//cyberleninka.ru/article/n/teplovizionnaya-diagnostika-dymovyh-trub （date of access： 21.09.2021）. （In Russian）

[6] D.K. Eltyshev， N.I. Khoroshev. Diagnostics of power oil-filled transformer equipment of thermal power plants. Teploenergetika. –2016（8）.–P. 32-40. （In Russian）

[7] V. V. Skrepkov. Technique for processing thermal imaging data. Innovatsii. Nauka. Obrazovaniye.–2020（11）.–P. 252-256. （In Russian）

[8] Sander H.， Schwab J.， Muhr M. Technical diagnostics for power apparatus //e&i Elektrotechnik und Informationstechnik.–2001.–Т.118.–No. 12.–P. 662-666.

[9] P. ?araba， B. Popovi? and Z. Ljuboje. Application of thermovision in maintaining high voltage transmission network.–2018 17th International Symposium INFOTEH-JAHORINA （INFOTEH） – 2018. – P. 1-7， doi： 10.1109/INFOTEH.2018.8345529

10. A.S. Khvostikov， A.V. Kosmynin， V. S. Shchetinin， I. V. Ryabykh. Vibration-based diagnostics of CHPP equipment. Sovremennyye naukoyemkiye tekhnologii. – 2012（9）. – P. 81-82; （In Russian）

[11] Electrical Equipment Diagnostics for Power Stations and Substations： Tutorial. A. I. Halyasmaa [and others]. - Yekaterinburg： Publishing House of Ural University， 2015. – 64 p. （In Russian）

[12] O.Yu. Matyushkova， V. Yu. Tetter. Modern methods of vibroacoustic diagnostics. Omskij nauchnyj vestnik. 2013;123（3）：294-299. （In Russian）

[13] S.V. Mitrofanov， A. S. Stashkevich. Methods of vibration-based monitoring of equipment. Materialy VNM konferentsii. Orenburg： Orenburg State University. – 2013. – P. 369-372 （In Russian）

[14] V. I. Pronyakin. Diagnostic Features in the Assessment of the Technical Condition of Machines and Mechanisms// Izvestiya vuzov. Mashinostroyeniye. – 2016. – No. 10 （679）. – P.64-72.

[15] Ruonan Liu， Boyuan Yang， Enrico Zio， Xuefeng Chen. Artificial intelligence for fault diagnosis of rotating machinery： A review // Mechanical Systems and Signal Processing – 2018 –Volume 108. – Pages 33-47. ISSN 0888-3270， https：//doi.org/10.1016/j.ymssp.2018.02.016.

[16] Alguindigue I.， Uhrig R. E. Vibration monitoring with artificial neural networks.–Tennessee Univ.， 1991.–No. CONF-910535--6.

[17] Yeh C. W.， Chen R. Using Convolutional Neural Network for Vibration Fault Diagnosis Monitoring in Machinery //2018 IEEE International Conference on Advanced Manufacturing （ICAM）. – IEEE， 2018.–P. 246-249.

[18] A. L. Terekhov， Yu. А. Mayants， V. M. Pishchukhin. Methodological framework for process equipment noise-based diagnostics in the oil and gas industry. Gazovaya promyshlennost. 2020; 800（5）： 92-99

[19]? Karel J.， Monhart F. Noise measurement diagnostics for large electric machines //INTER-NOISE and NOISE-CON Congress and Conference Proceedings. – Institute of Noise Control Engineering， 2019.–Т.259.–No. 9.–P. 840-849.

德米特里·米哈伊洛夫（1985.10.05-），男，博士，高級研究員，研究方向：物聯(lián)網(wǎng)與人工智能。