电厂设备状态检修优化决策系统开发与应用

广东能源集团沙角C电厂 赵建新

火电在我国能源结构中一直担任重要的角色。据国家能源局统计数据，2022年全国发电装机容量约25.6亿kW，其中火电装机容量约占52%[1]。在火电生产过程中，由于设备之间的紧密耦合，系统组成复杂，以及设备运行时的高温、高压、高速旋转的特性，使火电厂设备一直有较高的故障发生率，而故障导致的危害性也比较大。在“双碳”目标影响下，火电机组正积极进行转型升级，加快推进节能降耗改造、供热改造和灵活性改造“三改联动”，更增加了机组主辅机运行故障风险，安全可靠性进一步下降[2]。保证火电厂保持长周期的安全稳定经济环保运行，降低发电成本，进一步提升企业综合竞争力，对火电厂的发展具有非常重要的意义。而火电机组的大容量、高参数、智能化、信息化发展趋势[3-4]，更使机组发生故障后造成的损失和影响比以往大大增加。

1 系统架构设计

1.1 系统B/S 架构设计

本系统架构采用B/S 架构，B/S 模式属于多层结构的一种具象化实现，其特点是采用浏览器来实现与服务器之间的数据交互，终端不需要安装客户端应用程序。多层结构的优势是将业务处理逻辑放在中间代理服务器上，客户端属于界面层，通过浏览器来完成人机交互。

B/S 体系结构主体包括界面层、业务层和服务层。本系统开发中，界面开发采用JavaScript，中间业务逻辑通过Java 实现，服务层基于云平台实现。

1.2 系统物理架构设计

本系统的物理架构主要包括SIS 系统的三个数据安全区，其中SIS 安全I 区提供各设备原始基础数据，安全II 区用于存储原始数据，安全III 区主要用于对数据的处理与展现。

本系统核心部分的服务器则部署在安全III 区，如图1 系统物理架构设计示意图所示，系统从安全I区和II 区获取原始数据并实时保存，再进行计算分析和算法处理，最终以画面交互形式将处理结果展示给用户；安全III 区不会干涉SIS 系统安全I 区和安全II 区的原始数据的存储。

图1 系统物理架构设计示意图

1.3 系统逻辑架构设计

系统逻辑架构包括数据层、中间层和应用层。数据层是依赖关系数据库负责设备监测数据的采集与存储，关系数据库采用的是大型关系数据库产品MySQL。中间层主要负责数据的读写操作、设备监测模型计算、设备监测状态的期望值计算、设备状态评价和预警，通过Java 后台服务编写。应用层基于JavaScript 语言实现系统前端代码编写。

2 系统主要功能设计

在沙角C 电厂现有SIS 等系统的基础上，通过新增开发参数监测管理子系统、故障诊断管理子系统、健康监测管理子系统及检修优化管理子系统，构造一个比较完善的从设备参数监测、故障诊断到检修决策的设备状态检修优化决策系统，如图2 沙角C 电厂设备状态检修优化决策系统框架图所示。

图2 沙角C 电厂设备状态检修优化决策系统框架图

图3 系统功能结果图

2.1 参数监测管理子系统

本系统能实时监测设备运行参数，对于运行异常参数进行告警。该系统通过获取设备实时运行参数，利用机器学习方法建立参数预测模型，采用了实际值限值告警和实际值与预测值的绝对偏差限值两种参数告警方式（规则告警和模型告警），在满足参数告警灵活设置要求的同时，也帮助实现了设备早期劣化或故障告警提示。同时，参数告警的阈值设定严格遵守电厂运行规程的限制。

2.2 故障诊断管理子系统

根据参数告警情况对设备进行故障诊断和故障管理。该系统根据参数监测管理子系统产生的参数告警信息，自动获取故障征兆，通过专家系统实现早期故障诊断；该系统能接收振动分析仪等离线数据，实现波形、波谱分析、小波分析及包络谱分析；故障管理模块记录设备、机组的历史故障模式信息和子系统当前诊断故障结果，故障管理为专家系统扩充知识库。系统将故障诊断结果输出到健康监测管理子系统。

2.3 健康监测管理子系统

根据设备运行参数告警等级和故障诊断结果综合评估设备、机组健康状态及运行风险。一方面，该系统根据参数监测管理子系统产生的参数监测信息，采用设计好的状态评估算法（模糊评判或MSET 技术或机器学习方法），获取设备当前运行状态（优、良、中、差）；另一方面，该系统根据故障诊断管理子系统输出的故障诊断结果，对故障进行FMEA 分析，综合设备当前运行状态，评估设备当前运行风险，从而进一步评估机组当前运行风险。风险评估过程中各参数权值和各设备权重可根据设备信息管理系统反馈来更新。

2.4 检修优化管理子系统

该系统根据健康监测管理子系统接收设备、机组运行风险评估结果，检修优化模块综合发电计划、维修资源等客观因素和机组当前存在故障但未安排检修工作的设备，在保证机组安全运行前提下，以机组的利用率和检修费用为优化目标，自动规划出检修建议工单，设备管理人员可对检修建议工单进行干预，若确认生成检修工单，则提交至现有机组管理系统，按照现有流程负责检修工作的执行；检修工作结束后，根据设备负责人对检修结果的考核，将检修效果反馈到系统各个子系统。若未生成检修工单（表明机组运行虽有缺陷，但不进行检修），则在检修管理模块中记录机组缺陷，在下一次检修优化决策时再考虑处理。

这样，完整的系统可以实现从设备运行参数分析及预测、参数监测、故障诊断、设备状态及运行风险评估、检修决策直至检修管理的动态的、全过程的设备状态检修管理流程，为状态检修的实施提供支持。

3 应用情况展示

该系统已成功在广东省能源集团有限公司沙角C 电厂应用部署，在该系统运行的两年时间内，实现了设备信息管理、早期异常预警、设备智能故障诊断、设备状态健康度综合评估、检修建议与优化决策。系统部署期间，该公司对磨煤机、引风机、浆液循环泵等辅机进行了故障诊断和检修策划，在设备状态总览页面即可全面掌握所关注设备当前的健康状态、可能存在的缺陷，以及当前检修决策，同时可以在该页面通过点击不同功能区域，快速链接到相应功能页面做进一步的查看与操作。

3.1 参数监测

设备参数监测分为模型监测和规则监测，对应报警级别分别用黄色和红色表示。具体而言，以3A浆液循环泵为例：首先通过“新增模型”功能，新建参数监测模型，并进行训练，噪声级别0～20，训练采样间隔和告警监测间隔推荐60，单位s，残差报警上限和下限在模型训练完后会自动填充，时间阈值和时间比例默认为60s 和0.8s，表示连续监测60次，当有残差报警比例达到0.8s 时触发模型预警。选择模型训练开始和结束时间（用设备历史运行数据训练模型），点击“训练”按钮，模型在后台自动训练，训练完成后将结果返回。

训练结果可在模型监测—实时监测或历史查询页面中查看。告警功能会显示该模型触发的当前（未处理）告警情况，告警信息包括：告警详情、实际值、预测值及预警持续时间等信息。用户可以对每一条预警信息进行查看、确认、忽略等处理方式。规则监测功能与模型监测类似。

3.2 振动监测

部署了无线振动传感器的设备，系统会自动接收设备振动数据，并进行振动分析。系统还可以查阅相应转动设备的频谱、时域波形、振动趋势分析图。通过这些图表及趋势自动分析和判断设备状态。

3.3 故障诊断

通过故障诊断/专家系统功能，可以同步设备当前参数告警的征兆，也可以添加征兆，点击开始诊断按钮后，右侧诊断结果栏会显示可能的故障名称及其置信度。专家系统的准确性依赖设备故障征兆和故障模式的梳理完善程度，诊断结果仅供用户参考。

3.4 检修建议与检修决策

通过检修建议功能，系统自动给出检修建议的统计情况，用户可以直接在下方列表操作栏对检修建议进行处理，若某条检修建议被确认是对的，用户需要填写相应的决策内容和需要关联的零部件，保存后将生成一条检修决策。

通过检修决策功能，系统自动给出检修决策的统计情况，用户可以直接在操作栏对检修决策进行处理，若某条检修决策被确认“完成”，则该条检修决策状态会由“进行中”变成“已完成”。

这样，基本实现了一个比较完善的设备状态全过程检修优化决策系统开发与应用。经应用分析，沙角C 电厂在部署该系统后，设备故障诊断一次准确率达到了90%以上，设备年维修时间缩短了15天以上，避免了5次以上设备过修问题，年节约维修费用下降20%以上。

4 结论与展望

本项目开发了一个电厂设备状态优化检修系统。在沙角C 电厂现有SIS 等系统的基础上，通过新增开发参数监测管理子系统、故障诊断管理子系统、健康监测管理子系统及检修优化管理子系统，构造了一个比较完善的从设备参数监测、故障诊断到检修决策的全过程设备状态检修优化决策系统。系统实际应用后，可提高设备可靠性和设备维护水平，降低设备检修成本。

该系统将传统的设备运维、定期巡检与工业互联网及人工智能、大数据分析等技术相结合，在一定程度上解决了设备运维工作中巡检难度大、成本高、效率低等行业难题，推动了设备维护从定期维保、事后维修向基于状态的智能维护转变，推动了传统产业与先进制造业、现代服务业等的深度融合，为我国火电厂设备运维向智能运维方向发展作出一定贡献。