火電廠鍋爐設(shè)備智能故障預(yù)警方法研究

摘 要：由于火電廠鍋爐設(shè)備在高溫、高壓的惡劣環(huán)境中運(yùn)行，容易出現(xiàn)多種故障，因此嚴(yán)重影響了設(shè)備的安全性與可靠性。為了有效預(yù)防這些故障，本文提出了一種基于振動(dòng)監(jiān)測(cè)技術(shù)與智能算法的故障預(yù)警方法。首先，利用數(shù)據(jù)清洗技術(shù)對(duì)振動(dòng)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，消除噪聲和異常值干擾。其次，采用K-means聚類算法對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行模式識(shí)別，初步分類設(shè)備運(yùn)行狀態(tài)。最后，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)聚類后的數(shù)據(jù)進(jìn)行故障類型識(shí)別。試驗(yàn)結(jié)果表明，該方法能夠有效提高故障預(yù)警的準(zhǔn)確性與實(shí)時(shí)性，為火電廠鍋爐設(shè)備的安全運(yùn)行提供了可靠保障。

關(guān)鍵詞：火電廠鍋爐；智能故障預(yù)警；振動(dòng)監(jiān)測(cè)；頻譜分析

中圖分類號(hào)：TM 62" 文獻(xiàn)標(biāo)志碼：A

火電廠作為電力系統(tǒng)中的重要組成部分，其鍋爐設(shè)備的運(yùn)行環(huán)境通常具有高溫、高壓和強(qiáng)腐蝕等復(fù)雜特點(diǎn)[1]。這些惡劣的工況條件使鍋爐設(shè)備在長(zhǎng)期運(yùn)行過(guò)程中容易出現(xiàn)各種故障。這些故障不僅會(huì)導(dǎo)致設(shè)備停運(yùn)和經(jīng)濟(jì)損失，還可能引發(fā)嚴(yán)重的安全事故，威脅人身和設(shè)備安全。智能故障預(yù)警技術(shù)能夠利用先進(jìn)的傳感器技術(shù)對(duì)潛在故障進(jìn)行早期檢測(cè)和預(yù)警[2]。振動(dòng)信號(hào)能夠反映設(shè)備運(yùn)行狀態(tài)的動(dòng)態(tài)特性，其變化通常表明設(shè)備可能存在異?；蚬收?。

1 研究現(xiàn)狀

現(xiàn)階段的研究主要分為以下幾個(gè)方面：振動(dòng)信號(hào)采集與處理，通過(guò)提高采集數(shù)據(jù)的實(shí)時(shí)性和全面性，為后續(xù)的數(shù)據(jù)分析和故障診斷提供足夠的數(shù)據(jù)參考價(jià)值[3]。在振動(dòng)信號(hào)的特征提取和分析方法方面，主流方式主要包括基于快速傅里葉變換（FFT）的頻譜分析、時(shí)頻域分析、波形分析和基于小波變換的多分辨率分析等。隨著人工智能技術(shù)的不斷發(fā)展，通過(guò)智能算法對(duì)海量歷史振動(dòng)數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，能夠自動(dòng)識(shí)別和分類設(shè)備的故障類型，提高故障預(yù)警的準(zhǔn)確性和魯棒性。

2 振動(dòng)監(jiān)測(cè)理論與設(shè)備

2.1 振動(dòng)監(jiān)測(cè)基本原理

振動(dòng)監(jiān)測(cè)技術(shù)是一種基于機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)的有效手段，其基本原理是通過(guò)安裝在設(shè)備上的振動(dòng)傳感器實(shí)時(shí)采集設(shè)備在運(yùn)行過(guò)程中產(chǎn)生的振動(dòng)信號(hào)，并通過(guò)數(shù)據(jù)處理和分析方法對(duì)振動(dòng)信號(hào)中的特征信息進(jìn)行提取，從而識(shí)別設(shè)備可能存在的異常狀態(tài)或故障趨勢(shì)[4]。在火電廠鍋爐設(shè)備中，振動(dòng)監(jiān)測(cè)可以有效地檢測(cè)旋轉(zhuǎn)機(jī)械的不平衡、軸承磨損、齒輪的故障以及結(jié)構(gòu)松動(dòng)等問(wèn)題。這些故障會(huì)導(dǎo)致設(shè)備振動(dòng)特征參數(shù)變化，通過(guò)分析振動(dòng)信號(hào)的頻率、幅值、相位等特征，可以盡早發(fā)現(xiàn)設(shè)備的潛在問(wèn)題，為預(yù)防性維護(hù)提供依據(jù)[5]。

2.2 在線狀態(tài)監(jiān)測(cè)系統(tǒng)

本文設(shè)計(jì)的在線狀態(tài)監(jiān)測(cè)系統(tǒng)采用了ARM+DSP+FPGA的混合架構(gòu)，可以保證高效的實(shí)時(shí)數(shù)據(jù)處理能力，其架構(gòu)模型如圖1所示。

該系統(tǒng)集成了24位AD轉(zhuǎn)換器，能夠提供高達(dá)128ksps的高速采樣率，能精確捕捉振動(dòng)信號(hào)的微小變化。高精度的24位AD轉(zhuǎn)換器可以保證信號(hào)采集的精度，能夠有效地保留振動(dòng)信號(hào)的微小細(xì)節(jié)信息，避免因量化誤差導(dǎo)致的信號(hào)失真問(wèn)題。這種高分辨率的采樣方式特別適用于監(jiān)測(cè)火電廠鍋爐設(shè)備中復(fù)雜而微小的振動(dòng)變化，例如軸承微小磨損引起的振動(dòng)變化，或者因設(shè)備結(jié)構(gòu)松動(dòng)而引發(fā)的低頻振動(dòng)信號(hào)。

系統(tǒng)的多通道實(shí)時(shí)采集功能可以同時(shí)監(jiān)測(cè)多個(gè)關(guān)鍵點(diǎn)的振動(dòng)狀態(tài)。在火電廠鍋爐設(shè)備中，由于其結(jié)構(gòu)復(fù)雜且各部件間的相互影響較大，因此多通道實(shí)時(shí)采集能夠有效覆蓋整個(gè)設(shè)備的關(guān)鍵部位，保證及時(shí)發(fā)現(xiàn)任何局部的異常。同時(shí)系統(tǒng)內(nèi)置大容量數(shù)據(jù)存儲(chǔ)器，并設(shè)計(jì)了斷點(diǎn)續(xù)傳功能。當(dāng)網(wǎng)絡(luò)中斷或通信異常時(shí)，系統(tǒng)能夠?qū)⒄駝?dòng)數(shù)據(jù)臨時(shí)存儲(chǔ)在本地存儲(chǔ)器中，并在網(wǎng)絡(luò)恢復(fù)后自動(dòng)將數(shù)據(jù)上傳到數(shù)據(jù)服務(wù)器。這個(gè)設(shè)計(jì)可以提高數(shù)據(jù)傳輸?shù)目煽啃裕乐箶?shù)據(jù)丟失，從而保證了長(zhǎng)期振動(dòng)監(jiān)測(cè)數(shù)據(jù)的完整性和連續(xù)性。

2.3 振動(dòng)監(jiān)測(cè)點(diǎn)的設(shè)置與安裝

鍋爐設(shè)備結(jié)構(gòu)復(fù)雜，各部件運(yùn)行狀況存在差異以及不同部件間會(huì)相互影響，因此在火電廠鍋爐設(shè)備的振動(dòng)監(jiān)測(cè)過(guò)程中要選擇可能產(chǎn)生故障或振動(dòng)變化顯著的部位安裝振動(dòng)傳感器，同時(shí)要盡量避開(kāi)極端溫度和壓力的影響區(qū)域，選擇能夠有效捕捉振動(dòng)信號(hào)且安全穩(wěn)定的安裝位置。本文選擇的位置包括軸承監(jiān)測(cè)、轉(zhuǎn)子監(jiān)測(cè)、齒輪監(jiān)測(cè)。監(jiān)測(cè)點(diǎn)的布置如圖2所示。

3 基于K聚類與CNN算法的故障預(yù)警

3.1 數(shù)據(jù)清洗

振動(dòng)監(jiān)測(cè)數(shù)據(jù)往往會(huì)受到噪聲、異常值和缺失值的影響，通過(guò)使用低通濾波器或高通濾波器來(lái)消除不需要的高頻或低頻噪聲，并且在該環(huán)節(jié)中將原始信號(hào)和濾波信號(hào)進(jìn)行對(duì)比，保證清洗后數(shù)據(jù)的可靠性。其中的檢驗(yàn)方法是Z-score方法，設(shè)置參數(shù)的閾值為3，若數(shù)據(jù)檢驗(yàn)后的均差|Zi|gt;3，則認(rèn)為該數(shù)據(jù)點(diǎn)為異常值。

3.2 K-means聚類算法

聚類分析是一種統(tǒng)計(jì)數(shù)據(jù)分析方法，其主要目的是將具有相同特征的數(shù)據(jù)集中在一個(gè)組別中，形成的不同組之間的對(duì)象具有較大的差異性。在故障點(diǎn)分析中，K-means算法是一種無(wú)監(jiān)督學(xué)習(xí)方法，可以將數(shù)據(jù)集分為K個(gè)簇。它利用迭代的方法將各點(diǎn)最小化到所屬簇中心的歐幾里得距離平方，并將數(shù)據(jù)集中的觀測(cè)值聚集成若干個(gè)簇，從而識(shí)別數(shù)據(jù)中的異常模式和潛在的故障區(qū)域。

該算法首先隨機(jī)確定幾個(gè)聚類中心μ1，μ2，，，，μK，其次，將數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)xi分配到距離最近的中心，最后，根據(jù)每個(gè)集群中包括的數(shù)據(jù)點(diǎn)，按照歐幾里得公式重新計(jì)算每個(gè)簇的聚類中心，如公式（1）所示。

Ci={xi：||xi-μj||2≤||xi-μk||2，k，1≤k≤K} （1）

重復(fù)以上步驟，直到得到可接受范圍內(nèi)的聚類中心。

3.3 基于K聚類與卷積神經(jīng)網(wǎng)絡(luò)算法的故障預(yù)警

在K-means聚類分析后，每個(gè)簇代表數(shù)據(jù)的不同模式或類別。在故障檢測(cè)的場(chǎng)景下，不同的聚類可以對(duì)應(yīng)不同的設(shè)備狀態(tài)（例如正常運(yùn)行、輕微故障、嚴(yán)重故障等）。

在此基礎(chǔ)上，對(duì)每個(gè)聚類內(nèi)的數(shù)據(jù)點(diǎn)來(lái)說(shuō)，利用基于時(shí)頻域變換的方式提取頻譜特征，將時(shí)域或頻域的振動(dòng)信號(hào)轉(zhuǎn)換為2D矩陣形式，并將其輸入CNN中進(jìn)行故障識(shí)別。在本文中，設(shè)計(jì)的CNN架構(gòu)包括卷積層、池化層、全連接層以及輸出層幾個(gè)部分。卷積層的作用是通過(guò)卷積核（filter）再次提取輸入數(shù)據(jù)的局部特征。通過(guò)多個(gè)卷積層可以提取數(shù)據(jù)的高階特征，可以用公式（2）表示其提取的數(shù)學(xué)原理，用來(lái)確定權(quán)重和偏置項(xiàng)。

（2）

式中：Zl i，j為第l層的卷積輸出；Xl-1為第 l-1層的輸入；Wl為卷積核權(quán)重；bl為偏置項(xiàng)。

池化層的作用是降低特征圖的維度，防止過(guò)擬合。在該部分中，使用平均池化的方法對(duì)其進(jìn)行處理。全連接層可以將前面池化層的輸出展平，并通過(guò)一系列神經(jīng)元進(jìn)行進(jìn)一步非線性組合。該環(huán)節(jié)是采用卷積層中得到的權(quán)重項(xiàng)、偏置項(xiàng)進(jìn)行非線性函數(shù)構(gòu)造。輸出層通常使用Softmax激活函數(shù)，將最后一層的輸出轉(zhuǎn)換為概率分布，表示各個(gè)類別（故障類型）的概率。

通過(guò)上述步驟，可以有效地利用CNN對(duì)火電廠鍋爐設(shè)備進(jìn)行故障檢測(cè)和識(shí)別。利用K-means聚類分析對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和模式識(shí)別，再使用CNN進(jìn)一步分類具體的故障類型。這種方法結(jié)合了無(wú)監(jiān)督和監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)，提高了故障檢測(cè)的準(zhǔn)確性和魯棒性。

4 模型檢驗(yàn)

圖3展現(xiàn)了不同簇下的的數(shù)據(jù)處理與CNN算法輸出效果。其中，圖3（a）是轉(zhuǎn)子檢測(cè)數(shù)據(jù)中部分?jǐn)?shù)據(jù)的處理結(jié)果，圖3（b）是齒輪檢測(cè)中部分?jǐn)?shù)據(jù)的處理結(jié)果。

圖中曲線顯示了初始狀態(tài)與濾波后狀態(tài)下的振動(dòng)信號(hào)隨時(shí)間的變化。濾波后狀態(tài)下的振動(dòng)信號(hào)呈現(xiàn)平滑的波動(dòng)曲線，但是其趨勢(shì)和走向同初始狀態(tài)保持一致，證明數(shù)據(jù)清洗過(guò)程較完整地保留了數(shù)據(jù)原本特征。

中間的圖表示K-means聚類算法對(duì)提取的振動(dòng)特征數(shù)據(jù)的分類結(jié)果。點(diǎn)狀分別表示不同故障狀態(tài)的數(shù)據(jù)點(diǎn)，叉號(hào)表示聚類中心。聚類結(jié)果表明，利用K-means算法可以有效地將振動(dòng)信號(hào)數(shù)據(jù)分為兩類，對(duì)應(yīng)不同的狀態(tài)。通過(guò)聚類可以快速識(shí)別異常數(shù)據(jù)點(diǎn)，為后續(xù)的深度學(xué)習(xí)模型提供先驗(yàn)信息。

下邊的圖為聚類后各類別的概率密度分布。橫坐標(biāo)表示某個(gè)特征值范圍，縱坐標(biāo)表示相應(yīng)特征值的概率密度。通過(guò)概率密度分布，可以分析不同狀態(tài)下設(shè)備振動(dòng)信號(hào)的特征分布，識(shí)別可能的故障模式。

與實(shí)際故障類型相比，其預(yù)警準(zhǔn)確率分別達(dá)到了76%和78%。預(yù)測(cè)精度較高，說(shuō)明該預(yù)警方法具有較強(qiáng)的適用性。

5 結(jié)語(yǔ)

本文提出的基于振動(dòng)監(jiān)測(cè)與智能算法的故障預(yù)警方法，通過(guò)數(shù)據(jù)清洗、K-means聚類與CNN深度學(xué)習(xí)相結(jié)合，有效提高了火電廠鍋爐設(shè)備故障預(yù)警的精度與可靠性。研究表明，振動(dòng)監(jiān)測(cè)技術(shù)能夠靈敏捕捉設(shè)備的異常振動(dòng)信號(hào)，而智能算法則在故障識(shí)別與分類方面展現(xiàn)出強(qiáng)大的潛力。在未來(lái)工作中，可以進(jìn)一步優(yōu)化算法模型，提高在復(fù)雜工況下的適應(yīng)性與實(shí)時(shí)性，應(yīng)對(duì)其他工業(yè)應(yīng)用場(chǎng)景。

參考文獻(xiàn)

[1]王鳳曲.火電廠汽輪機(jī)運(yùn)行問(wèn)題與應(yīng)對(duì)措施[J].機(jī)械與電子控制工程，2022，4（3）：63-65.

[2]何洪，阮航.基于數(shù)據(jù)分析的設(shè)備故障預(yù)警與診斷技術(shù)在燃?xì)怆姀S的應(yīng)用[J].石油科技論壇，2023，42（1）：61.

[3]崔泉源，邱倍良，華俊娟，等.機(jī)電設(shè)備振動(dòng)測(cè)試系統(tǒng)設(shè)計(jì)[J].工程學(xué)研究與實(shí)用，2024，5（11）：197-199.

[4]宮文峰，陳輝，張澤輝，等.基于改進(jìn)CNN-GAP-SVM的船舶電力變換器快速故障診斷方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2022，28（5）：1370.

[5]付海燕.振動(dòng)監(jiān)測(cè)在轉(zhuǎn)動(dòng)設(shè)備維護(hù)中的應(yīng)用分析[J].機(jī)械與電子控制工程，2024，6（13）：82-84.