基于多元状态估计技术建模的引风机早期诊断研究

陈统钱

（浙江浙能中煤舟山煤电有限责任公司，浙江舟山316131）

基于多元状态估计技术建模的引风机早期诊断研究

陈统钱

（浙江浙能中煤舟山煤电有限责任公司，浙江舟山316131）

随着发电厂容量的增大，机组设备越来越复杂，其相应的故障发生率也日益提高。如何对发电机组进行状态监测与早期诊断，在故障早期发现设备劣化趋势，从而减少故障发生，使发电机组安全稳定运行是近年来发电厂面临的主要难题。采用基于多变量状态估计技术的建模方法，对引风机的运行状态进行实时预测，帮助运行人员发现分析设备早期的故障特征信号并采取解决措施，避免设备进一步恶化。该方法在发电厂的实际应用表明，使用效果良好，在发电设备的早期诊断领域有着广阔的应用前景。

引风机；早期诊断；多元状态估计（MSET）；建模；供油压力

0 引言

目前发电厂大型关键设备都在SIS（厂级实时监控信息）系统中进行实时监控，在这个过程中积累了海量的设备历史数据，这些数据不仅仅包含了设备的性能参数还包含着设备运行状态信息。随着大数据分析技术的发展，一系列数据挖掘和基于数据的预测技术如雨后春笋般出现，MSET（多无状态估计技术）正是其中的一种[1]。它是以这些储存在SIS系统中的历史数据为基础进行非参数估计，从而得到设备状态估计结果[2]。MSET自Singer等人提出以来，经过不断的完善和发展，目前在传感器、设备状态监测、设备全寿命周期管理等方面取得了成功的应用[3-4]。

在此以引风机为例，结合实际案例，介绍了基于MSET建模的引风机状态预测。在发电厂中，引风机作为风烟系统中的重要设备，在锅炉乃至整个机组中有十分重要的地位。引风机主要是将锅炉内高温高压气体排出，保证锅炉的炉膛压力在合理范围内，使整个机组安全运行[5-12]。正因为如此，引风机在发电厂设备中的故障率居高不下，甚至影响了整台机组设备的正常运行。

1 MSET理论及应用

1.1 MSET理论

MSET是基于设备对象正常运行状态下的历史数据建模，这个模型包括了该设备运行状态下的所有正常工况。通过比对现场测点实际值与该模型产生的估计值之间的偏差趋势来判断设备是否会发生故障。一旦设备发生异常，模型计算出的预测值会与实际值出现一定的偏差，而这个偏差是否在一个合理的范围就成为判断设备出现故障的关键。而且由于多元状态估计模型能够对设备所有的测点进行预测，一旦出现某个测点偏差较大，还可以提供相关测点状态判断设备是否正常，大大提高了模型的可靠性。所以多元状态估计技术能够很好地发现设备劣化的早期征兆，将故障扼杀在摇篮中。

状态矩阵表示待研究设备正常状态下的历史数据。假设某设备有n个测点，运行m个时刻。那么状态矩阵就是一个n×m的矩阵，列表示该设备在某一时刻下所有相关测点的历史数据，行表示某个测点在一段时间下的所有历史数据。状态矩阵如下所示，每一列就是该设备的一个状态向量。

状态矩阵所包含的描述设备状态的历史数据应满足如下要求∶

状态矩阵所包含的历史数据应该是能反应该设备在足够长的时间内的运行状态，并且应是正常状态下的数据；每一个状态向量的数据都必须是同一时刻的数据；这些数据最好能反映该设备所有的运行工况。

一旦完成状态矩阵的构建，就可以开始利用MSET技术对设备进行建模。模型的输入是该设备的状态向量，用Xobs表示。模型的输出是对输入的状态向量进行预测得到估计向量，用Xest来表示。MSET是将输入的状态向量与存储的状态矩阵进行相似度权值计算，然后计算出估计向量。相似度权值W与模型预测值Xest如式（2）—（3）所示。

实际上，相似度权值是通过实际值与估计值之间的偏差计算出来的，偏差ε如式（4）所示。

对该偏差求导，并使导数等于0，得到相似度权值表达式为：

由式（5）可知DTD必须可逆，但是由矩阵相关知识可知，DTD矩阵可逆的必要条件是D的列数必须小于行数，即m＜n。换句话说要使DTD可逆，状态矩阵包含的时刻数必须小于总测点数。但是在实际应用中，为了获得设备的全部运行状态的样本，状态矩阵中的时刻数是肯定大于该设备的所有测点数的，也就是说矩阵DTD不可逆。为了解决这个问题，MSET引入非线性运算符⊙代替线性向量的乘法运算，使DTD成为可逆，即

这种运算符能够计算具有不同量纲数据之间的距离或相似性程度，计算的方法有许多种，常用的有欧氏距离、城市距离、线性相关相关系数等等。采用欧氏距离来计算变量之间的相似性程度，其计算公式如式（7）所示：

当设备运行在正常状态下时，输入到MSET模型中的实时状态处于状态矩阵所覆盖的正常运行工况范围内。也就是说，输入的实际值与通过模型计算出的估计值偏差较小，模型精度较大。当设备有劣化失效的趋势或者出现故障时，其本身的运行参数会较之前设备正常时的参数发生很大的变化，设备状态不在状态矩阵覆盖的范围内，这时通过模型计算出的估计值与实际值的偏差就很大，模型精度下降。所以通过模型产生的估计值与实际值之间的偏差能够很好的反映出当前设备所处的运行状态，一旦设备出现异常，通过偏差就能很早发现，从而完成设备早期的故障预警。

1.2 MSET应用

1.2.1 正常历史数据集

用来生成设备正常历史数据集合K的矩阵表达式如下所示，M表示设备的每个测点在第M个时刻的数值，N表示设备有N个相关测点。

预测模型所需要的原始数据主要来自设备的历史数据库，而任何一个模型的准确度离不开该模型原始数据的质量，所以用于建立预测模型的原始数据应能够满足以下要求：

（1）历史数据应包含设备不同载荷、不同外界环境下的运转状态。

（2）历史数据最好能够体现该设备在足够长的时间内的运行状态。

（3）由于每个测点并不相同，传感器采集频率也有差别，所以要保证每个测点历史数据的同时性。

1.2.2 数据预处理

使用正常历史数据集来构建预测模型的状态矩阵时，首先要在正常历史数据集中剔除那些机组不在运行的数据；其次对于那些因为传感器等原因造成的明显错误数据也有进行剔除；再次基础上，由于每个设备的测点类型不同，量纲不同，数据绝对值不同，为方便模型计算所以要对剩余的历史数据进行归一化处理，使实际输入到模型内的数值映射到[0，1]之间，方法见式（8）：

式中：x为原始的历史数据；y为对应归一后的历史数据。

对于该设备的每一个测点，首先将[0，1]之间均分为u份，其次以1/u为步距从正常历史数据集中挑选出一定数量的向量加入到状态矩阵D中。当然，可以设计相关录入方法避免数据重复录入，从而使状态矩阵覆盖的设备状态空间更为全面。

2 引风机故障预警系统实施路线

2.1 引风机建模变量选取

要实现对引风机进行故障预警，首先要对引风机这个设备有哪些测点变量进行考察。因为这些测点不仅仅描述了引风机的特征参量，通过这些测点还可以实时监测引风机的运行状态。故障预警系统正是对这些测点进行实时预测，从而将故障扼杀在摇篮之中。随着运行时间的增加，引风机的某些部件会出现疲劳、磨损、老化等情况，使引风机慢慢失效。设备失效是一个过程，在失效前，引风机会出现一系列的早期征兆，例如振动、压力、温度等有明显增大的趋势。所以通过对这些变量的实时预测就能发现劣化早期的异常状态，从而对症下药，防止其进一步劣化从而导致故障发生甚至设备失效。

从现场实时数据库了解到，引风机传感器测点共包括28个模拟量测点，分别是：引风机电机定子温度；滤网差压；引风机液压油油箱油位；液压油冷油器进出口温差；闭式循环冷却水母管水温；引风机液压油站油箱温度；液压油油泵电流；液压油油泵出口压力；引风机液压油站供油压力等。在建立预测模型时，需要构建包含这28个测点的正常历史数据集。

2.2 系统预测模型的建立

由上述所知，引风机测点一共有29个，假设每10 min采样1次，进行100×12 h（从设备运行1年的历史数据中挑选满足建模条件的数据）采样，每个测点可以得到6 000个采样值，引风机28个测点全部的采样数据就构成了预测模型所用的正常数据，共计2 800组。

由28个测点组成的每1组数据都表示引风机在过去1年中的一个正常运行状态，也就是说预测模型所用的正常数据就是描述了引风机在历史运行过程中的正常状态。然后在此基础上，选择那些能代表引风机各个工况、各个状态、不同环境下的正常数据组成引风机状态矩阵的数据。

2.3 设备动态模型预测值的产生

当现场实时数据传输到引风机故障预警系统时，预警系统会将接受到的实时数据输入到预测模型中，预测模型会计算出实时数据与存储在状态矩阵内数据的相似度权重，然后将权重×状态矩阵对应该权重的数值累加得到对应这组数据的预测模型估计值，每个测点的实际值与估计值的差值就是预测模型计算出的偏差。当然，预测模型并不仅仅是单一测点对应单一测点进行计算，它还会考虑与该测点相关的其他测点的数据。这不仅能够屏蔽其他干扰信号对预测造成的偏差，而且可以增加模型的可靠性和预测值的精确性。预测模型计算过程如图1所示。

3 应用实例分析

该系统自投入实际应用以来，已取得了十分良好的使用效果，通过该系统的实际应用和专业人员的不断总结和不断完善，避免了很多不必要的经济损失和设备故障可能造成的严重后果。下面通过实际发生的引风机液压油站供油压力异常案例来说明系统的故障预警实际的工作过程。

图1 模型数据输出

3.1 潜在故障的早期阶段

如图2所示，横轴代表的是时间轴，纵轴代表引风机液压油压力，单位为MPa。图中只列出了引风机液压油站供油压力这一个类型的测点（出现预警的测点），事实上模型中还包括了引风机出口压力、风量等相关类型测点，由于这些测点并没有出现状态预警，在此就不逐一列出。

2016年6月15日下午，引风机A供油压力测点1，2，3均出现了低限值报警，在此可基本排除是传感器故障导致的问题。虽然引风机液压油站供油压力有降低现象，且也没有到达DCS（分散控制系统）报警值，但是与模型产生的估计值相比，已经持续多次超出动态预警带。正是采用了基于多元状态技术建模的故障预警系统后，系统在故障早期阶段就发现了故障信号，并产生状态预警。这时相关运行人员将此报警记录在案并对引风机液压油站供油压力加强关注并安排人员进行点检。

3.2 故障机理分析

当预警系统发生报警后，运行人员可以查询到与液压油压力低相关的故障模式表，如表1所示。根据故障模式表，运行人员可以在预警系统中查询相关测点信息，从而快速定位故障点。如果通过多元状态技术建模产生的估计值与实际值曲线吻合，则该测点参数基本正常；若偏差较大或产生报警，则该测点异常。

表1 引风机液压油压力相关故障模式表节选

在引风机液压油压力降低期间，预警管理员根据上表内容进行多元状态分析，发现除液压油压力外其他测点均无明显异常。经过就地点检，发现溢流阀就地压力出现异常，基本排除是由液压油冷油器泄漏、引风机动叶位置调节卡涩、滤网堵塞、液压油泵故障造成的液压油压力偏低。再进一步结合现场信息、发电厂历史案例和故障库的指导建议，设备专工初步认定为溢流阀故障造成引风机液压油站压力偏低。

3.3 结论

对引风机停机检修更换溢流阀，引风机液压油站压力基本回复正常水平，验证了此前的猜想。经过对引风机液压油站更换下的溢流阀解体发现先导孔上堵了片状、团絮状杂质，引风机液压油压力波动主要由于溢流阀先导孔出现堵塞造成。由于此为先导式溢流阀，对油液要求高，一旦有杂质卡在阀的进油处的小滤网处，溢流阀动作迟缓不但起不到稳压作用，反而使油压产生剧烈波动，比较严重时就会出现压力非常低，如图3所示。

图2 测点趋势

图3 溢流阀解体照片

在此次案例中，基于多元状态技术建模的故障预警系统能够准确的发现引风机设备的早期故障特征信号，并发出报警。运行人员接到报警后根据预警信息分析早期设备故障特征，快速定位故障点，在决策层起到安排计划检修工作的作用，通过故障预警系统最终消除设备故障，确保了机组设备的安全稳定运行，也避免了设备进一步劣化造成的连带故障。

4 结语

为适应国内发电行业的发展需求，实现发电设备预知性维修，提高设备寿命和发电效率，是电力设备检修改革发展的必然趋势。利用多元状态估计建立了设备的健康模型，该模型可随机组实时运行工况的变化相应地给出设备模型估计值，通过对比实际值与估计值之间的偏差，能及时发现设备的早期故障，避免设备失效甚至紧急停机。不仅如此，还能够在事后分析原因，改进设备维护策略，减少故障发生率，增加设备安全运行时间，具有良好的经济效益。

[1]李泉，尹峰，陈波.超临界机组主汽温模型预测控制研究[J].浙江电力，2016，35（10）∶40-42.

[2]CHANG SHUPING，GAO MING.The Application of Failure Prognostic System in State Monitoring of Power Plant Generation Equipments[C].World Automation Congress Proceedings，2012.

[3]裴玉龙，章立宗，刘永新，等.基于多源信息融合的设备动作状态自动识别方法的研究[J].浙江电力，2016，35（10）∶65-68.

[4]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，VA，2007.

[5]张少敏，毛冬，王保义.大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用[J].电力系统自动化，2016（14）∶129-134.

[6]孙小林.火电厂风机故障预警系统的应用研究[D].北京：华北电力大学，2015.

[7]滕卫明，刘林，卢伟明，等.基于SBM技术的发电设备故障预警系统研究[J].中国电力，2015（1）∶40-46.

[8]常剑，高明.基于相似性建模的发电机组设备故障预警系统[J].机电工程，2012（5）∶576-579.

[9]王军民.双级动叶可调式轴流引风机高负荷失速分析[J].浙江电力，2016，35（8）∶50-52.

[10]卢建海.双机并联变频器在7 200 kW引风机中的应用[J].浙江电力，2015，34（12）∶58-60.

[11]应明良，冉志超.1 000 MW机组锅炉汽动引风机运行试验分析[J].浙江电力，2015，34（7）∶46-48.

[12]林彤.引风机电动机轴承烧损故障原因分析[J].浙江电力，2015，34（5）∶42-44.

（本文编辑：陆莹）

Research on Early Diagnosis of Induced Draft Fan Based on Multivariate State Estimation Technology

CHEN Tongqian
（Zhejiang Zheneng Zhongmei Zhoushan Coal&Electricity Co.，Ltd.，Zhoushan Zhejiang 316131，China）

With the capacity increase of power plant，equipment is becoming increasingly complicated and the failure rate is increasing day by day.It is a major problem in recent years for power plants to handle that how to monitor and diagnose the generator set and detect the deterioration trend of the equipment in the early stage of the fault to reduce the faults and ensure operation safety and stability of the generating set In this paper，a modeling method based on multivariable state estimation is used for real-time forecast of the operating status of the draft fan and helping the operating personnel detect and analyze the characteristic signal of the early equipment fault，and take measures to avoid further deterioration of the equipment.The practical application of the method in power plants proves that it is effective and has a broad application prospect in the early diagnosis of power generation equipment.

induced draft fan；early diagnosis；multivariate state estimation（MSET）；modeling；oil supply pressure

10.19585/j.zjdl.201708010

1007-1881（2017）08-0049-05

TK223.26

A

2017-04-27

陈统钱（1967），男，硕士，高级工程师，从事火力发电厂生产管理工作。