基于改进算法的供热锅炉房动力装置故障诊断研究

李 江

（青海省特种设备检验所，西宁810001）

供暖的需求不断增加，锅炉供暖已经成为人们日常生活中重要的一部分[1]。 动力装置作为从燃料燃烧中得到热能的设备， 其利用热进行动力获取。锅炉房整个供热系统的主要耗能设备包括锅炉、风机和水泵等[2]，也是供热锅炉房内极为重要的动力装置，它们通过供热管网将热能传送给用户。 通过相应的算法诊断供热锅炉房内的动力装置可能存在的故障，及时发现并消除存在的故障，可延长设备使用寿命，保证锅炉供暖正常进行[3]，相关领域的研究一直在进行。

文献[1]根据热电联产CHP（combined heat and power）的相关元件，并通过建立联合热-电网综合模型，应用网络拓扑分析方法分析大规模网状多能流系统中，耦合元件的网络系数，将非线性、非凸集规划问题转化为线性规划问题，最后提出一种基于线性规划法的最优能量流求解算法，并对热网与电网进行整体建模，缓解执行时间过长、诊断效率低下的问题。 文献[2]分析传统船舶系统运行中的重要影响因素，进行功能模块设计、程序函数设计、运行故障诊断子程序的系统框架设计，根据故障诊断系统的硬件设计对子系统进行故障诊断，实现新型船舶动力装置运行故障诊断系统的软件设计。 其诊断方法具有一定的精确性与鲁棒性，避免了传统算法无法收敛的问题。 文献[3]针对核动力装置非能动系统执行时间过长、诊断效率低下等问题，对参数敏感性的精度和效率进行分析， 设计FAST 方法下的非能动余热排出试验运行故障诊断系统，通过更加精确的非能动系统识别热工水力行为，对热工水力模型进行算例计算， 实现了全局参数敏感性分析研究， 最后通过实验证明其系统诊断行为较为显著，拓展了相关领域的研究成果。

但是以上传统的动力装置故障诊断方法是基于专家库系统或基于支持向量机实现的故障诊断，这2 种诊断方法在诊断过程中容易受到外界温度影响， 造成动力装置附近的供热管网热损耗提升，浪费资源[4]。 因此，本文利用改进后的神经网络算法，采集压力传感器、温度传感器和转速传感器的装置参数，依据神经网络修正连接权值和节点阈值，判定输出层神经元的最终输出结果，解决传统的故障诊断方法中无法触及的部分和存在的问题。

1 基于改进算法的供热锅炉房动力装置故障诊断方法设计

我国的供热模式主要以集中供热，燃料以煤炭为主，现阶段的集中供热已经成为我国北方冬季采暖的主要方式。 而在故障诊断过程中，对设备的运行状态检测是分析设备故障并进行诊断的主要步骤， 及时掌握设备运行的状态并根据运行状态，确定整体设备与局部设备的使用寿命和使用效率。

1.1 监测动力装置热力参数

供热锅炉房动力装置主要设备有风机、水泵和加压泵等，将空气送进锅炉内，通过氧气的输送和烟气的冷却，将锅炉内产生的烟气引出，以此降低炉内压力水平[5]。 水泵设备负责将处理后的给水送入锅炉，驱动循环热水，使热水加热到一定的温度值时，通过供热管网输送给用户[6]。

通过分析供热锅炉房动力装置的工作内容，动力装置存在的故障问题基本上都来自风机和水泵[7]，将这两个部分设为故障诊断方法设计的主要诊断对象，根据故障诊断的实际要求，监测风机和水泵的设备状态，获取其具体参数，以此来判断故障类型。 具体内容如表1 所示。

供热的具体频率受到成本的控制时，其频率就存在不均衡性，主要体现为供热初期的抢修情况和供热后期的操控，这种情况和抢修人员的安全意识相关， 因此以上参数的监测需要利用传感器采集，将采集的参数信号进行信号调理、A/D 转换，输入工控机， 实现对锅炉房动力装置的监控和参数的采集。 将获得的参数作为神经网络的输入部分，构造训练样本，通过仿真主机的多种故障对网络进行训练和测试，实现锅炉房动力装置故障诊断，在一定程度上可通过内部员工的管理进行消除，但需抢修耗费大量人力、物力和财力。

利用压力传感器、温度传感器和转速传感器采集锅炉房动力装置参数，通过后续处理传输至采集卡中，再读入计算机中。

其中压力传感器选择美国进口的HJ-GP2000型压力传感器[8]。 该传感器具体性能参数如表2 所示。

表2 传感器性能参数表Tab.2 Performance parameters of sensor

转速传感器使用磁感应式传感器，其测量范围在50～5000 Hz 之间，与被测齿顶间隙为0.5 mm，输出波形近似正弦波，输出信号幅值大于50 mV[9]。

由于供热锅炉房内部运行过程中的风机与水泵的故障种类较多且类型复杂，当运行时间发生变化，其一定加入新的故障，而在这个过程中发生故障的状态存在不可删除的特点，所以影响到故障种类的收集，更新数据库成为主要选择。 数据采集卡则使用型号为AC1810 的数据采集卡， 通过其自身提供的8 路并行采样保持器，实现动力装置参数的高速采集[10]。 其工作原理如图1 所示。

图1 数据采集卡工作原理Fig.1 Working principle of data acquisition card

通过对供热锅炉房动力装置的实际工作的分析，确定监测其状态参数的各种传感器及采集卡等相关设备，利用以上选用的具体设备实现动力装置相关参数的监测。

1.2 修正神经网络连接权值及节点阈值

依据神经网络的学习过程，修正连接权值和节点阈值， 以监测的供热锅炉房动力装置参数为输入，以此完成对动力装置的故障诊断。 以神经网络训练初始训练为起点，践行连接权值和节点阈值初始化，设置一组随机数，输入Q 个不同的训练样本，记为（q1，q2，…，qn），并对其对应的预期输出值进行设定，为（u1，u2，…，un）[11]。 根据神经网络算法，在经过网络的代价函数计算之后，将实际输出训练样本和预期输出值的误差传播返回具体输入值（p1，p2，…，pn），使之对应的是网络不断自适应的存在，根据网络中的连接权值以及节点阈值[12]，减小代价函数值。 其修正的次数与具体输入值和预期输出值相关，当以上两个值不再减小，则停止。 假设λ 为迭代次数，权值和阈值的修正公式为

式中：εi表示权值对应的连接因子；εj表示阈值对应的节点因子；σ 表示步长；κi表示未修正的权值；κj表示未修正的阈值[13-14]。 修正后的权值和阈值为

式中：i 和j 表示常数。 n 个训练样本学习时的总误差e 满足下列条件：

式中：ξ 表示任意给定的正小数， 迭代过程停止，其与神经网络实际训练中精度的要求相关[15-16]。 神经网络的连接权值以及节点阈值修正完成，实现训练样本处理，输入监测到的动力装置状态参数，实现故障诊断。

1.3 基于改进算法的故障诊断

由于数据取值具有分散性能和一致程度的差异性，不方便数据的处理，导致处理程序缓慢，需要进行动力装置状态参数数据归一化，克服收敛速度低的困难[17]。 设样本集为F，表示公式为

对每一个隐含层的节点进行赋值，要求一个权值为一个参数，其中s 为隐含层节点的个数，对其进行个数选择控制，控制公式为

式中：vk表示最终控制结果；wk为样本为第k 个样本；l 为控制系数，将处理后的供热锅炉房内的参数样本输入至神经网络输入层的各个节点， 应用式（7）进行样本控制，然后利用公式求出隐含层神经元的输出，并将其作为输出层的输入。 公式如下：

式中：fout为输出；fin为输入；ω 表示节点。获得输出结果fout后，将其作为输出层的输入，根据式（9）计算出输出层神经元的输出，公式如下：

利用阈值函数判定输出层神经元的最终输出结果， 假设Fe表示供热锅炉房动力装置故障类型。阈值判定函数为

式中：κ′表示原有故障诊断方法中领域专家设定的阈值。 以上过程中使用的神经网络具体结构如图2所示。

图2 神经网络结构图Fig.2 Structure of neural network

至此， 应用本文算法的故障诊断方法设计完成。 可满足完成故障诊断的准确性需求。

2 供热锅炉房动力装置故障诊断仿真实验

2.1 参数设计

假设供热锅炉房内的动力装置参数固定，利用Matlab 软件模拟出动力装置周围的20 个不同管网压力、温度和流量参数。具体参数如表3 所示。供热锅炉房内的供热管道运行仿真如图3 所示。

以上为实验所需的仿真数据， 使用以上数据，设置-5 ℃，5 ℃和15 ℃3 种不同的外界温度， 对设计的供热锅炉房动力装置故障诊断方法与传统的2种故障诊断方法热损耗情况进行实验，对比获得的实验结果并分析。

表3 供热管网参数设置Tab.3 Parameter setting of heating network

图3 锅炉房供热管网运行仿真图形界面Fig.3 Operation simulation graphic interface of heating pipe network in boiler room

2.2 实验结果及分析

将本文方法得到的实验结果记为实验结果3，使用传统的2 种故障诊断方法分别记为实验结果1和实验结果2，利用第三方软件统计3 组实验结果，随机选取一组实验结果显示，结果如图4 所示。

图4 不同故障诊断方法实验结果Fig.4 Experimental results of different fault diagnosis methods

观察图中结果，实验结果1 中显示，当外界温度保持在-5 ℃时，热损耗整体在30%～45%之间；在5 ℃时，热损耗在10%～25%之间；在15 ℃时热损耗在5%～25%之间；在3 种温度下，随着时间的变化，热损耗存在上升和下降的变化，但是并不明显。 实验结果2中显示，随着时间的变化，在-5 ℃时，热损耗在10%～60%之间；在5 ℃时，热损耗在28%～65%之间；在15 ℃时热损耗在10%～28%之间；在-5 ℃和5 ℃时，热损耗变化较大，整体水平偏高，在15 ℃时，热损耗变化较小，整体水平偏低。 实验结果3 中显示，在3 种温度下，供热管网热损耗初始在25%～30%之间，到25 min 时，到达最低2%，趋于平稳。

综合上述数据可知，本文方法获得的实验结果明显优于传统的2 种故障诊断方法，说明设计的故障诊断方法有效地控制住了故障诊断期间热损耗情况，避免了资源浪费。

3 结语

设计基于改进算法的供热锅炉房动力装置故障诊断方法，使用多种传感器监测动力装置状态参数，引用改进的神经网络算法，修正神经网络结构内的权值和阈值，输入状态参数，通过阈值函数判断故障类型。 有效的解决传统故障诊断方法中存在的问题。 但是受到数据样本的限制，设计的方法中依然存在一些不足之处，常规诊断方法都存在一些局限性，比如本文中采用基于改进算法进行了不同种类的故障诊断，但是因为故障的种类很多，对于之后分析和研究应该着重体现在供热锅炉房动力装置故障诊断过程中， 以此作为下一步研究的重点，表示该领域还需更深入细致的研究与探讨。