火电厂一次风机故障智能预警系统设计

2021-03-07何玉柱

电子技术与软件工程 2021年19期

何玉柱

（中国电建集团河北工程有限公司河北省石家庄市 050000）

1 当前火电厂一次风机故障处理的现状和不足

通过对相关资料进行分析调研后发现，当前的很多火电厂当中，仍然沿用传统的一次风机故障处理方法。即在发现故障后检查相关元件是否出现故障，如测量元件未出现故障，则将问题设备停机，启动冗余设备临时代替[1]。概括而言，这种处理方法较为被动，滞后性较为明显，面对具有突变性和不确定性的火电厂一次风机故障，这种传统处理方法通常无法起到较好的效果[2]。因此，研究人员开始尝试能够在故障发生初期，程度较轻时就及时准确地发现设备故障，并及时予以解决。在这种情况之下，研究人员开始致力于智能预警系统的研究，确保其能够承担及时发现和解决故障的任务。

2 火电厂一次风机常见故障及原因

但由于火电厂一次风机结构的复杂性，因此其中的某些模块也容易因各种主观或客观的原因而出现故障。具体来看，故障主要表现在以下几方面：

2.1 轴承温度异常

当轴承润滑油的油量较少或质量较差（包括本身质量或是润滑油内混入杂质较多）时，轴承的摩擦力会加大，产生更多的热量而导致轴承温度升高。除了正常消耗之外，轴承润滑油的油量减少与轴承箱盖密封性有着明显的关联，如果轴承箱盖密封性较差，会导致轴承运行时润滑油大量外溢，进而使得轴承润滑油量迅速降低，当低于安全临界值后，轴承温度异常将不可避免地发生。

2.2 风机振动异常

风机振动异常主要指的是火电厂一次风机在运行时出现不规则的振动，其主要是因转子的位置或转速出现异常变化所导致。除此之外，转子内油膜的不规律震荡，或是转子与周围器件出现摩擦，都可能导致风机振动异常的产生。另一方面，因维护人员的维护频率不足，导致风机过度磨损，风机内部气密性被破坏，因此出现漏风。

3 火电厂一次风机故障智能预警系统的设计流程

3.1 数据采集和处理

在数据采集环节中，需要从风机系统的数据库中取出相应数据，导入到新的数据库中进行分析研究和调用，具体来看，需要调用的测点较多，如表1所示。

表1：一次风机的所有数据采集测点

在布置完测点后，考虑到现场实际情况的复杂性，还需要对采集到的数据进行预处理，预处理则是对数据进行筛选和压缩。具体来看，首先，删除原始数据中较为明显的“坏点”，并对其再进行一定的滤波处理，确保数据特性更符合理论特征值；其次，采用旋转门压缩算法，对已有的数据进行压缩整理，以确保这些数据都能得到充分利用。

旋转门压缩算法是当前实际研究中压缩数据时较为常用的线性拟合算法，其在实际应用时的主要步骤是，先指定数据的起点i，然后在距离起点i垂直距离为E的地方各有两个支点，这两个支点和过程数据之间的连线可被称之为“门”。当旋转门压缩算法开始时，输入数据的序列中只存在一个数据点，两个“门”均处于“关闭状态”。随着算法的持续进行，更多的数据点被加入到过程数据序列当中，这两个“门”也会相应地执行“打开”或“静止”等操作（“门”在打开后无法执行关闭操作）。当某一个支点上的内角和达到或超过180度之后，当前压缩区间结束，该点的上一个点则作为压缩区间的终点，并开始新的一轮压缩算法。整体来看，旋转门压缩算法的运算量较小，且能够跟随过程趋势变化，因此其实际应用也较为广泛。

由于本次研究中涉及到的测点较多，直接建模难度极高，为此，选用典型相关分析对测点数据进行降维处理，具体来看，首先取测点数据分别作为相关性分析的基准测点向量，而后将数据预处理后的测点数据做相关分析，构建相应的矩阵，再进行计算，计算结果如表2所示。

根据以往经验，两侧点之间的相关度高于0.5即可认为两侧点的变化可由基准测点进行分析，由表2中的数据可知，仅有1号和14号两个测点的相关度低于临界值，由此，选用这两个测点即可进行建模。

表2：所有采集测点的相关系数

3.2 智能预警系统的建模

在本次研究中，设计人员调用了以往火电厂风机正常运行时的数据参数，通过相似性原理进行建模设计，以实现风机智能预警系统的相关功能，如数据采集、数据处理、状态观测预算等。

该建模的基本原理是，以预处理后的相关数据为基础，建立一个记忆矩阵，再将观测向量投射其中，以计算预估向量，如预估向量与实际值差距较小，则证明二者有较高的相似度，反之则认为数据溢出，并对设备进行预处理，避免出现更大的错误[5-7]。

通过对数据信息的不断采集和导入，最终能够得到一个超球动态模型，用以对所有检测位点的实时监测，该公式如下：

通过此超球模型，即可对一次风机正常运行状态下的数据信息进行收集，再经过训练，即可获得可以完整模拟设备正常运行的状态，并进行分析。

在应用此超球模型时，一次风机的所有监测位点信息会自动导入到模型中，通过对这些位点的数据信息进行预测，即可得到预测值，这些预测值再通过距离相似度算法，绘制出相似度曲线，输出计算结果。这些计算结果再结合数据库中已有的历史数据进行修正，即可得到基准线。系统通过基准线即能够发现哪些参数出现了异常，并根据这些异常来判断故障的类型和起因，从而发出预警信号，提示技术人员及时予以处理，将电网系统的故障影响控制在最低水平。

3.3 火电厂一次风机故障智能预警系统实例

通过数据分析和建模，再辅以相应的硬件设施，即可最终实现火电厂一次风机故障智能预警系统，该系统的开发工作则应当交由专业的IT企业来完成。

该系统使用最新的Visual Studio 2019平台，并辅以ASP.NET技术进行开发。系统采用常规的三层式结构，第一层为Web浏览器，用户可在此登陆系统，并执行相关操作；第二层为应用服务器，主要用于对数据信息进行处理和功能上的一些应用；第三层为数据库服务器，主要用于实现数据的调用和验证等环节。整体来看，该系统的使用相对较为便捷，只需连接火电厂内的局域网络，即可对该系统进行登录访问。

在该系统实际应用时，只需在火电厂内任何一台连接内部局域网的计算机设备上打开浏览器，再输入故障预警系统的IP地址，即可进入到此登录界面进行访问。并查看相关模块来获取故障的具体信息。

该火电厂一次风机故障智能预警系统在硬件上也进行了优化，考虑到准确验证算法预警效果的需要，技术人员在风机上加装了六个振动测点，这些测点的数据同样应用于建模环节当中。同时，由于算法预警效果直接取决于振动测点的位置，因此技术人员对此进行了大量的分析论证，最终确定了测点安装位置，如表3所示。

表3：加装测点及其位置

3.4 实际应用案例

该系统设计完成后，在某火电厂进行了试验。某次，该系统自动识别到风机某个测点的运行数据出现异常，该测点上的振动幅值突然增大，且与标准数据差异较大，系统自动发出风机潜在故障预警。接到预警信息后，技术人员登陆该系统，对该测点的实时数据进行分析处理，系统即能够自动生成其MSET模型的预测残差曲线。

通过该曲线不难看出，观测向量的残差呈现出突然增大的趋势，也就随之出现了振动故障预警。这表明，该智能预警系统较具有效性。

3.5 结语

总而言之，火电厂一次风机故障智能预警系统的设计和应用，是未来火电领域的必然发展趋势，预计其应用将能够实现对一次风机设备的实时监控，当设备出现故障时，其能够准确快速判断故障的类型和原因，提示并协助工作人员更快完成故障处理。当然，该系统尚处于发展初期，仍然有着较大的发展空间，这就需要研究人员对相关技术做进一步研究，不断提高其灵敏性和精准度，确保火力发电机组能够实现更好运行。