基于物联网的电厂燃机设备检修方法研究

摘 要：以燃机为核心设备的电厂具有很大的优势，是未来能源领域的重要发展方向。为了提高电厂燃机设备的故障检测效率，本文分析了常见的10种故障类型、配置了对应的传感器、构建了小型的故障检测物联网。在物联网的决策环节，设计基于ESN网络的智能故障检测方法，并给出方法的详细流程。在测试试验中，采用基于ESN网络的检测方法，使5组燃机故障的检测准确率均超过90%，证实了物联网系统的有效性。

关键词：电厂燃机；故障检测；物联网

中图分类号：TM 61" " 文献标志码：A

在电力能源的供给版图中，燃机设备并未受到广泛关注。但是随着国家对生态环境日益重视，低碳低能耗要求日益深入人心，基于燃机联合蒸汽轮机等设备的发电技术逐渐受到能源领域的重视[1]。以燃机为核心设备的发电过程，具有以下特点。1）基于燃机的电厂循环效率和能源利用率高，大大优于火力发电的燃煤过程。2）基于燃机的发电过程，蒸汽是主要的能源介质形态，降低了环境的污染程度[2]。3）投资少、占地面积小、建厂速度快，因此基于燃机的电厂在未来拥有广阔的发展趋势。需要指出的是，燃机设备是比较复杂的大型设备，在实际应用的过程中可能出现各种类型的故障[3]。这些故障的形成原因各异，导致检测困难、检出率低、检测效率不高等问题。因此，为了保证电厂的正常工作，需要寻找燃机设备的高效检修方法。本文通过细分故障类型，配置对应的传感器网络以形成检测物联网，再结合有效的数据分析模型，以期大幅提高燃机设备故障的检测效率。

1 电厂燃机故障分析及物联网检测架构

电厂内的燃机设备结构复杂、使用频率高，因此受到各种人为和自然因素干扰，导致可能出现各种类型的故障。其中，比较常见的燃机故障有以下10种。1）绝缘失效或绝缘破损导致故障。2）轴承润滑不良、滚珠遗失、轴瓦破损引发轴承故障。3）电磁耦合绕组短路出现电压不稳、短路故障。4）电力负载过大导致燃机过热等故障。5）燃机内电气组件问题出现电压不稳故障。6）超出功率承载范围导致运行异常故障。7）长时间使用导致设备老化故障。8）核心部件出现问题导致燃机机组故障。9）各种因素导致振动故障。10）系统复杂接地系统不统一导致接地故障。

针对上述故障，可以采用对应的传感器进行故障检测，这种运用传感器的方法可以有效替代人工检测，提高检测效率。上述10种故障对应的检测传感器见表1。

通过使用各种类型传感器和测量设备，可以对电厂燃机的主要故障进行自动化检测、自动化数据采集。为了统一处理这些数据并对燃机状态进行综合化判定，本文通过构建小型物联网，对电厂燃机设备故障进行自动化检测和判定。电厂燃机故障检测的物联网系统如图1所示。

在图1中，上位机是整个物联网的核心，负责将燃机设备的各种状态信息进行整合处理，并判断燃机设备能否正常使用。为确定燃机设备是否存在局部故障，或到重大故障转变的可能性，需要采用一种智能化的监测方法。

2 电厂燃机故障的智能检测方法设计

在电厂燃机设备故障检测小型物联网体系结构中，需要用多种传感器检测10种故障。对表1中的10种故障来说，在时间维度上，发生概率不确定，并且各种故障出现的时间节点带有一定的随机性和偶然性。而不同故障对燃机设备能否正常使用的影响，也有明显区别。有的故障属于局部故障，发现后及时处理并不影响燃机的正常使用。有些故障属于核心故障，一旦出现问题就需要停机检修。为了彻底实现自动化检测处理，需要采用智能化的算法给出故障判定结果，从而取代人工检测。

用各种传感器对燃机状态进行持续监测会形成大量的数据。这些数据是用来判定燃机是否存在故障的原始信息。当处理大批量数据，并根据处理结果得到某种决策时，可以采用神经网络的方法。在本文中，考虑各种故障状态变量的差异性、数据集合的庞大性，需要将ESN网络作为数据处理的核心智能算法。

ESN网络在本文中的应用结构，如图2所示。

ESN网络是在BP网络上发展起来的一种性能更优秀的网络，其数据处理、机制学习、训练迭代、结果估计的能力都非常强大。在本文设计的ESN网络中，输入层包括表1的10个状态变量，将其作为10种故障时间序列数据的输入，中间层包括大量的神经元，这些神经元以复杂的形态连接，可以对更加复杂的机制进行高效学习，输出层只有一个单元，即对燃机状态是否存在故障进行判定。

对应图2的3个层次，给出ESN网络的数学模型，如公式（1）～公式（3）所示。

I（k）=（i1（k），i2（k），…，il（k）T） （1）

C（k）=（c1（k），c2（k），…，cm（k）T） （2）

O（k）=（o1（k），o2（k），…，on（k）T） （3）

式中：I（k）为电厂燃机设备10种故障数据构成的输入数据集合；C（k）为电厂燃机设备故障检测ESN网络的中间层神经元集合；O（k）为电厂燃机设备的故障检测结果。

当执行ESN网络进行燃机故障检测时，可采用如下步骤。

首先，将10种故障的时间序列数据，按照相同的时间坐标输入到ESN网络的输入单元。需要注意10种故障数据量纲不同、阈值范围大小不一，因此需要对其进行归一化处理，便于输入数据都处在相同的变化范围内。

其次，将输入的10个变量数据送入ESN网络的隐含层，这里有数量丰富的神经元，可以对全部数据进行整理、归种、分析，并通过神经元之间的关系模拟逼近各个输入之间的关系，建立网络内部的各输入变量关系模拟矩阵以及隐含层到输出层的关系模拟矩阵。

最后，隐含层根据大量经验数据的学习和训练，结合当前输入数据，对电厂燃机可能存在的故障状态进行智能判断，并将判断结果输出到输出神经元。

在ESN网络的性能测试中，分别选取500组、1000组数据，对其收敛性能进行测试，结果如图3所示。

从图3可以看出，ESN网络训练的数据量越大，收敛速度越快，并且收敛时的迭代误差越小。对比图中两条曲线可以看出，在1000组数据训练下，收敛速度要快于500组数据的训练结果，并且收敛时的迭代误差缩小了70%。

3 电厂燃机故障的智能检测试验

在前面的研究工作中，本文分析并确立了影响电厂燃机设备正常工作的10种故障，并分别配置传感器，将其用于故障数据采集，构建一个小型的物联网系统。在物联网的上位机决策环节中，基于ESN网络构建了电厂燃机状态的智能化检测方法。

在后续工作中，需要通过进一步试验来验证所构建的物联网传感系统、ESN网络故障检测方法的有效性。

在小型物联网上位机运行后，对电厂燃机各个节点的各种传感器进行数据采集工作，并将这些数据源源不断地送到ESN网络中，用ESN网络执行内核程序，整合、处理各种传感器的数据，对电厂燃机设备状态进行最终故障判定，这个核心程序的运行流程如图4所示。

根据图4的流程，对ESN网络进行训练。在此次训练的过程中，将迭代次数设定为1000次，迭代阈值为0.01。如果迭代结果始终不能小于0.01，那么执行1000次迭代为止，如果迭代次数不到1000次，迭代结果就小于0.01，结束迭代过程。可以用得到的输入权重矩阵、输出权重矩阵、隐含权重矩阵来分析当前状态参数的结果。

在ESN网络达成稳定后，对电厂内的多组燃机进行持续故障检测，并和常规的检测方法进行横向比对，得到的结果如图5所示。

从图5可以看出，采用本文提出的ESN网络的燃机故障检测方法，准确率比常规检测方法更高。对5组燃机状态的故障检测来说，ESN网络方法的检测准确率都在90%以上，优于常规的检测方法。这充分证明了本文构建的基于多传感器的物联网系统以及提出的ESN网络智能检测方法的有效性。

4 结论

以燃机为核心设备的发电过程具有非常突出的特点：能源循环利用效率高、环境污染程度降低、建厂工期短、占地面积小。但是，燃机设备在使用过程中会出现多种故障，会对电厂正常运营造成负面影响。本文针对电厂燃机设备进行了深入分析，提出了常见的10种故障，包括绝缘故障、轴承故障、短路故障、机组过热故障、电压不稳故障、功率过载故障、设备老化故障、机组核心故障、振动故障、接地故障。在此基础上，针对故障检测选择了10种传感器，包括绝缘检测仪、轴承跳动仪、电流表、电压表、温度计、功率监测仪、老化测试仪、霍尔传感器、振动速度传感器、接地故障探测仪，并基于上述传感器构建了小型物联网系统，设计了ESN网络故障检测方法。结果证实，与常规方法相比，物联网和故障检测方法更具有有效性。

参考文献

[1] 吴玉进.火电厂燃机故障诊断及运行维护技术分析[J].中国设备工程，2023（15）：150-152.

[2] 何洪，阮航. 基于数据分析的设备故障预警与诊断技术在燃气电厂的应用[J].石油科技论坛，2023，42（1）：61-66.

[3] 杨喜连，王玉璋，杨志鹏，等. 基于视觉信息增强的服役燃机控制系统传感器故障分种方法研究[J].动力工程学报，2023，43（9）：1160-1165.