基于智能算法的发电设备远程故障预警系统分析

贡文明

（江苏华电戚墅堰发电有限公司 生产技术部，江苏 常州 213011）

现代化火电厂是一个庞大而又复杂的、集成多种关键设备的工厂，电厂生产过程的任何故障不仅直接影响电能的产量和质量，而且还可能造成设备毁坏和人身事故。要使发电机组设备能够安全、可靠、有效地运行，使其充分发挥作用，发展设备在线监控和智能预警技术是必经之路。

智能预警技术的基本思想是实时监测设备的运行状态，在设备故障产生初期，即设备当前运行状态刚开始偏离正常运行状态时，给出准确的、快速的预警结果，缩小故障定位范围，为检修和运行人员争取更多的故障处理时间与主动性，提高机组设备运行的可靠性，降低维修成本，减少经济损失。电厂设备在线监测与智能预警系统，针对电力行业发电机组中重要的设备设计并研发的一款智能分析系统，为发电机组的设备监控、预警、检修、辅助决策等提供整体的解决方案。

1 框架设计

基于大数据分析和物理建模的智能预警充分利用现已积累的海量数据和新增的运行数据，通过大数据分析和人工智能技术的应用，实现机组故障早期预警和诊断，提高设备的可利用率，为最终实现状态检修打下坚实的基础。

系统采用B/S架构，由基础技术平台、软件支撑系统、基于大数据的智能预警、故障诊断等功能模块构成。集成于大数据平台，面向生产管理人员及领导。每套机组配置一台智能预警服务器和显示器，服务器与管控系统数据库进行通信，并利用历史数据建立各种预警模型。生产管理人员及领导均可在桌面显示终端获取预警信息，可显示系统级、设备级以及测量级的预警画面，并有丰富的实时、历史趋势查询、预警查询和统计等功能。主要包括以下几个部分：

（1）现场采集层。现场采集层包括一系列用于设备状态数据和过程量数据的采集装置和软件构成，针对本次项目，现场采集层的配置主要包括信号采集系统、SyncBase（实时数据库）、Gateway过程量数据采集网关（软件）等。

（2）数据存储层。数据资源层是经过原始数据采集和外部系统数据采集后整理的主题数据区，来自存储于关系型数据库管理系统和SyncBase实时数据库系统中，经过归类处理，将可能用于设备状态分析与预警的数据，其主要包括台账数据、在线数据、离线数据、运检数据和试验数据等。

（3）数据分析层。数据分析层是通过基于特征量分析技术的大数据分析引擎对状态采集数据路由存储至关系型数据库管理系统和SyncBase实时数据库系统中，同时对智能预警及设备故障诊断提供数据和算法支持。

（4）应用层。应用层是划分的多个应用模块，分别为在线状态检测系统、过程量数据采集与状态分析系统、故障特征提取系统、智能设备预警和故障诊断系统等。

图1 预警系统架构

2 实现原理

智能预警系统抓取现场异常，是通过使用python程序来实现算法的运用，故智能预警的关键技术则是对于重要算法的实现。为实现对于异常状态数据的识别，需要考虑使用算法对参数进行相应的处理，例如，相关性分析、KNN近邻分析算法、MSET以及滑动窗口滤波法。算法作为数据处理的工具，用于发电机组的预警与诊断中，不可直接照搬，需要根据系统与设备的参数特性，合理选择并适当处理后才可用于工程实际，否则，应用效果会大打折扣。

2.1 相关性分析

相关性分析一般是对存在关联关系的变量之间进行分析，从可量化的角度来分份变量之间的关联程度。相关性分析较为经典的方法有皮尔逊相关系数、肯德尔相关系数以及斯皮尔曼相关系数。以皮尔逊相关系数为例，其计算公式如下所示，其中α为相关性系数。

一般而言，对于电厂系统设备部分参数之间存在强关联性（正相关或负相关）。如机组功率和主给水流量（正相关性）、电机电流与泵组出力等（正相关性）。当系统设备出现异常，往往会打破这种强关联性的关系，可以在参数出现异常的早期阶段识别此类异常，所以，相关性分析可以作为数据驱动建模的维度之一。

2.2 KNN近邻分析算法

使用正常的运行数据建模分析，并运用模型来计算实时数据是否正常，此类情况属于监督式学习，也就是模型训练数据都是带有标签的样本，即通过带有标签的训练数据建立模型，从而能够对未知的标签样本进行预测。

KNN（K-Nearest Neighbor），即K近邻算法。通俗来讲，当预测一个未知样本的时候，该样本属于何种类型是由K个最近的邻居来决定的，或者当样本与哪几个邻居最为接近，则与这几个邻居更为相似。

2.3 MSET多元状态估计

MSET是一种测量新状态与正常工作状态相似性的算法。其本质是通过对正常的历史数据训练学习建立正常状态模型，对于每个新的工作状态，依据模型来估计该状态是否正常。

使用MSET首先从历史数据进行处理，剔除异常数据后，建立记忆矩阵：

Dn×m表示系统监测的n个变量中，选取了m个正常时刻的历史值。为计算当前状态是否正常，可以将当前值与历史值做对比并计算出估计向量，通过构造观测向量（当前值）和估计向量之间的残差，则可以衡量当前值与历史值的偏差大小，偏差小则认为当前状态正常，反之则异常。偏差大小的选取则是基于训练集计算得出。

3 系统实现

系统整体流程如图2所示。

图2 智能预警实现流程框图

3.1 设备本体参数智能预警

采用单点统计、设备预警算法：当设备出现异常、故障后，设备本体参数（如振动、温度等）会偏离正常状态。设备本体智能预警系统可在设备发生异常、故障后的短时间内进行预警，避免非正常停机，降低设备维修成本。除了主设备外，原理上对所有设备均可实现智能预警。

3.2 工艺系统智能预警

采用系统预警算法：当出现设备异常、控制调节异常等情形时，工艺参数会产生相应变化，偏离正常运行值。工艺系统智能预警即针对上述异常发生后引起的工艺参数非正常变化进行预警，有助于运行人员尽早处理异常。

3.3 冗余测点智能预警

采用双冗余、三冗余测点预警算法：当某个冗余测点偏离正常运行值，出现异常情况时，冗余测点预警算法即针对上述异常发生后引起的参数非正常变化进行预警，提醒运行人员尽早处理异常。

3.4 数据模型和机理模型有机结合

预警服务采集的数据输入数据清理标准模型，通过一系列步骤“清理”数据，然后以期望的模式输出清理过的数据，提供给智能算法建模模块。通过数据模型和机理模型相结合，使用大数据分析技术，实时计算并综合评估机组关键设备及主要系统当前的健康状态，当出现异常情况时能提前发出预警，并给出可能的原因。当测点发生微小偏差时，能够从海量数据中，提前识别和抓取异常，且预警系统的灵敏程度可以依据系统和设备特性自行调整。从每日、每月、每年等多个时间维度展示预警相关统计信息，有利于综合分析和把握系统和设备的健康状态。

4 结语

该系统通过大量数据的挖掘、预警模型的精确建立和专家知识库的自我学习，实现系统和设备的在线监测、诊断与预警功能，大幅提高设备运行的安全性、可靠性和稳定性，具有更智能、更科学、更简洁、更体系、更人性等特征，具有很好的推广价值。