基于振摆数据分析的水轮机状态在线预警系统在五强溪电厂的应用

侯 凯

（湖南五凌电力科技有限公司，湖南省长沙市 410004）

0 引言

五强溪电厂机组状态在线监测系统由传感器、数据采集处理单元、上位机系统及相关网络设备、软件等组成。系统采用分层分布式结构，安装在机组现地各部位的传感器将物理信号转化为电信号，传送到各状态监测子系统，经过各子系统采集并处理的数据统一存储到状态数据服务器，实现了对机组运行状态数据采集、数据存储以及初步数据统计分析的功能。机组状态监测系统以对监测部位的报警阈值来衡量其机组的状态稳定性，而无法对异常故障进行早期预警，更不能对机组故障进行有效地识别与检修维护指导，系统的诊断分析功能也只是利用振动信号的频率成分组成和频率幅值相结合进行综合分析，由于水电机组故障具有复杂性、随机性、耦合性及频谱结构存在相似性等特点，仅仅依赖振动信号频谱信息进行诊断，常常出现误诊的现象，甚至会造成重大的损失[1]。整个系统存在监测点少、功能单一、缺乏系统性和综合性等问题，妨碍了水电机组状态信息由单一诊断向综合诊断的转变。

1 预警系统设计目的

目前，大多数水电机组已安装了相当数量的在线监测系统，但未形成规范的运行、使用和维护办法，对在线监测系统的应用重视程度不够，采集到的数据缺乏专人进行深入分析和专业技术人员的技术支持。另外，由于在线监测系统生产、安装调试厂家较多，系统维护又以制造厂家为主，服务及时性和有效性普遍较差，系统运行维护非常困难。水电设备的劣化、缺陷大多数都有一定的发展期，其电气、水力、化学、机械等特性发生少量渐进的变化，出现前期征兆。如果对水电设备进行连续或随机地检测，及时获取这些前期征兆信息，并进行综合分析和处理，则可随时评估设备的运行可靠性，并根据其健康状况有计划地安排停机检查和维护。因此，一种以状态检测和故障诊断预警为基础的检修维护体系，即状态检修体系正日益得到重视和发展。在遵循现有的预防性维修体制下，积极采取状态检测和故障诊断预警技术，即可弥补定期预防性维修的不足，及时发现运行中水电设备的缺陷，避免故障，提高发电企业的安全经济运行能力、电力系统的供电可靠性，同时又可降低预防性维修的盲目性，通过适当延长维修周期来降低生产成本，增加竞争力并获得更大效益，同时也为将来过渡到预知性维修奠定基础[2]。

2 基于振摆在线监测数据分析的健康指标

基于大数据挖掘技术的人工智能诊断主要针对尚未有明确诊断模式的故障（或尚且很少存在诊断经验的故障），开发机器自学习功能，以海量历史数据为基础，以大数据分析方法与模型为核心，在专家知识库[3]的指导下组态数据及设备运行工况，通过大数据挖掘总结设备正常运行时的参数区间形成健康样本，当参数偏离正常运行区间、出现突变或长时间单向变化时即实现设备故障智能诊断。水电机组是一个复杂的水机电系统，其与振动相关的故障模式相当复杂。本文通过关联工况构建基于大数据诊断模型，对于振动密切相关的机组工况基础数据进行网格划分，采用自学习策略，用三维曲面模型方式绘制机组在正常运行时机组振动摆度测点通频值及各频率成分的运行区间，或统计计算机组振动摆度测点通频值及各频率成分的随机分布规律，当机组运行的（一个或多个）振动摆度测点值在某单一或一系列特定的网格下偏离该三维曲面模型，或出现单方向持续变化，或偏离先前统计的随机分布时，给出预警信息，根据预警测点位置初步定位故障位置。

五强溪电厂水电机组振摆数据健康指标建设主要开发了关于主机健康状态的故障指标及趋势预警指标，能够比较全面地反映主机系统的健康状况，根据健康指标及趋势预警的具体情况，可以指导电站运行维护人员及时发现机组隐患，协助检修专家对机组进行定向检修。特以发电机轴心指标为典型示例，具体如下：

此指标为发电机转子中心线的实际回转半径。指标测值过大会造成上导摆度超标，在轴瓦温度不超标的前提下，通过减小轴瓦间隙或对转子进行配重，可以使该指标达到合适值，减小上导摆度。此指标计算需要用到上导X向摆度、上导Y向摆度、推力X向摆度、推力Y向摆度、水导X向摆度、水导Y向摆度测点的波形数据，将计算的发电机轴心指标值与设置的报警阈值进行比较，判断机组健康状态。

该指标具体计算过程如下：

（1）在中间量算法中，使用空间轴线算法（以三部导轴承处摆度及振动波形数据建立的立式机组空间模型）模板，计算出上导轴承处的摆度影响量。

（2）将第一步计算出来的摆度影响量作为三维的Z轴，用水头和导叶开度作为X、Y轴，进入三维模型算法中进行收敛计算。

（3）将三维模型中收敛出来的摆度影响量进行圈点，选择额定水头附近、开度60%以上的特征信号进行提取，作为特征值输出。

（4）对从三维模型中提取出来的特征信号进行报警判定后形成指标[4]。

此指标值超过报警值对应的故障缺陷有三种可能：上导轴承瓦间隙过大；转子质量不平衡；转子磁拉力不平衡。

3 基于振摆在线监测数据分析的健康指标算法

3.1 总体概况

算法服务器可对各种监测信号进行分析处理，算法引擎协助数据平台完成数据的加工和处理，是数据平台的“协助处理器”，用于在线加工计算各种特征量和指标量，是实现数据挖掘的核心部件[5]。

3.2 算法功能

算法平台采用开放式平台结构，用户可自行对故障特征量组态，无需修改软件源代码，可用图形或公式化逻辑语言，对信号进行各种计算，如加、减、乘、除、最大值、最小值、傅里叶变换等，形成用户自己独特的故障诊断指标。软件采用模块化式的设计，形成积木式可拼装组态式的结构，同时有第三方友好链接，能与其他系统进行友好衔接，系统的可持续发展得到保证。用户可根据实际需要，新增典型故障诊断指标模型，录入知识库，无需软件的二次开发。主要功能如下：

（1）提供状态在线预警算法，开发专业软件平台实现对振摆数据进行实时在线的趋势分析及状态评价，当设备状态在线检测参数发生显著异常变化或超过预、报警阀值时，系统收集相应数据，发出预、报警信号信息到监控系统，及时提醒生产调度及集控值班员。

（2）设备状态评价算法：能提供多种分析方法和手段，可进行历史趋势分析、横向纵向对比分析、异常情况分析等，从多角度观察数据发现影响数据的关键因素。有多种数据表现形式，可采用数据表格和图形（曲线图、柱状图等）相结合的表现形式，达到生动直观的效果。可进行水电设备运行状况分析、设备缺陷分析等，实时分析相应检测数据，并对水电设备异常状态进行及时预警。合理组态已有振动、摆度及压力测点的时、频波形数据，计算诊断指标，且诊断指标与对应故障的关联度要求定量化，典型故障的确定性亦通过诊断指标应量化。融合离线试验数据，如金属探伤、六件检查结果，对故障模型进行修正。能及时、准确地对各种异常状态或故障做出诊断，预防或消除故障，对设备运行进行指导，提高设备可靠性、安全性和有效性，保证设备运行在最佳状态。

（3）劣化趋势分析算法：积累历史监测的在线和离线数据，提取劣化诊断指标，剔除噪声干扰，并建立合适的故障样本库，组态分析机组振动、摆度、压力脉动信号的频域特征和时域特征作为诊断指标量，建立诊断指标量与故障类型的映射关系，通过动态的趋势变化来诊断故障严重程度。

本研究存在的不足：（1）相关指标的最优截点值得选取不一，本研究采用ROC曲线兼顾敏感性和特异性来取截点值，其他方法获取的截点值可能会对结果产生影响。（2）本研究属于单中心回顾性研究，统计结果可能会出现选择偏倚，故需多中心的前瞻性随机对照研究进一步证实这些炎性指标在预测胃癌患者生存预后中的重要价值。

（4）故障诊断与分析决策算法：除依靠数据分析平台上提供的信息及模型，系统还可以提供远程专业团队及专家团队依靠信息化手段，发挥自身作用，为设备状态掌控、生产管理提供支撑。

该平台可将现有生产类信息系统中可提取的信息、在线监测数据、建立的模型分析结果提供给专家，并依靠专家的经验及知识，对设备状态进行分析评价，得到分析结论、提出应对策略，为生产管理提供支持。当设备发生复杂故障或在线自动诊断结果不能满足设备诊断要求时，系统应提供人机交互诊断接口，通过广域网发布诊断信息，为远程的水电专家提供翔实的设备状态数据和分析诊断报告，远程专家可根据这些设备状态数据并利用诊断知识库中的知识与规则，与系统进行交互式诊断，做到充分结合水电设备管理领域专家的知识和经验，实现远程专家会诊，得到更准确的诊断结果。

算法引擎基于windows系统部署，算法管理平台同样具备三级权限，最高权限具备算法增加、删除、修改、启动、停止等功能，二级权限具备修改、启动、停止等功能，三级权限仅具有对算法的启动、停止功能。用户权限使用用户名与密码进行区分登陆。各种算法模块对集成的各种监测参数进行在线算法加工和处理，形成各种中间计算量，故障指标、性能曲线或曲面等供应用程序展示和交互。

3.3 算法平台搭建及使用

算法平台分为四大部分，具体如下：

（1）中间量算法。中间量算法为作为最终指标量的第一步算法，可对点值数据进行整合及有效范围筛选。

在算法服务器中Google浏览器地址栏输入“localhost：9443”登录中间量算法配置界面，在该界面上点击算法管理“算法模板”，即可看到已经开发完成的算法模板，用户只需点击改模板后选择新建算法即可，无需二次开发。

（3）指标算法为通过三维曲面提取出来的Z轴特征信号，包括特征值、偏差值及缓变率。

（4）指标报警。报警算法为可对该系统内任意值进行报警阈值设定，报警阈值来自国家标准、行业标准及电厂运行规程中的定值。

4 界面展示

该分析系统界面分为四大模块及专业工具。由于篇幅有限，仅展示部分图片。

4.1 主界面

在主界面上，可以一览电站所有机组的整体健康状况，若某项指标达到报警阈值，则可直观的在界面的相应模块上反应，如图1所示。

4.2 运行监视界面

在运行监视模块中，可以查看到机组的实时运行状况。进入该模块后，可看到机组的实时状况。若要查看某项监测量的详细信息，可点击该监测量名称，即进入到其详细信息界面。若水导摆度监测量，该量集成了水导X向摆度和水导Y向摆度，若其中一只摆度值报警，则该水导摆度量同样也会发出报警信息。

4.3 健康指标界面

在健康指标模块中，可以从大数据角度分析机组各个部件的健康状况。将主机分为轴系、转子、定子、上导轴承、推力轴承、水导轴承及过流部件等7个部件，每个部件提取能够反映其健康状况的特征信号，通过该部件指标，可一目了然地看到该部件的状况。在该界面上可进入某一项指标的详细信息界面，可查看该指标的历史趋势，分析其历史状况，检查其状况是否发生变化。

图1 主界面Figure 1 main interface

4.4 趋势预警界面

在趋势预警模块中，算法根据积累的历史检测数据，提取劣化诊断指标，提出噪声干扰后建立合适的故障样本库，并根据历史数据进行状态预警。在该界面上可进入某一项指标的详细信息界面，可查看该预警指标的变化趋势，分析故障是否存在扩大趋势。

4.5 运转特性界面

在运转特性模块中，可选择查看某一特定运转特性。在运转特性主界面上，列出了机组功率特性、定子绕组温度特性、水导摆度特性、定子铁芯温度特性，如图2所示。在左上角可选择查看其余特性模型。在此特性模型上，可分析在不同工况条件下机组的振摆趋势。

5 结束语

本文在深入分析水轮发电机组故障类型的基础上，在数据平台的基础上开发算法平台，针对五强溪电厂机组运行特点，利用大数据算法工具，通过理论分析建立故障的机理模型，对水轮机组振摆在线监测的大量历史数据进行频谱分析，挖掘出有价值的特征“指标”，将提取到的特征信号值与相同水头及负荷工况下的历史值或预测值进行偏差计算，根据偏差值的变化趋势，提前发现潜在故障，指导机组安全稳定运行。此研究项目实施后，在背景量采集、软件系统的分析功能、系统的稳定性上仍存在少许不足。但随着对机组数据的持续分析，系统的不断完善，管理制度的约束等，功能会越来越强大，对于水电设备的检修方式也会上一个新的高度。

图2 运转特性界面Figure 2 Operating characteristics interface