電站鍋爐故障診斷技術的發展

姜 磊,楊俊保

(上海電力學院能源與環境工程學院,上海 200090)

火電廠是國家能源系統的重要組成部分,特殊的工作環境決定其是一個高故障率和故障危害性大的生產場所,一旦發生故障將造成重大的經濟損失和嚴重的社會后果.由于政府部門的高度重視,故障診斷技術在火電廠中的應用發展非常迅速,有效地提高了鍋爐運行的可靠性和事故分析處理的準確性,取得了較好的經濟效益和社會效益.為了更好地研究和應用故障診斷技術,有必要對現有的故障診斷方法進行歸納和整理.

1 電站鍋爐故障診斷技術

1.1 國外發展概況

在 20世紀 80年代中期,美國電力研究協會(EPEI)針對電站鍋爐開發了鍋爐維護工作站(BMW),它主要分為 4個功能模塊,即水冷壁工況,鍋爐圖示 /管道記錄,ESCARTA專家系統,管道壽命.BMW可以分析水冷壁工況,計算過熱、再熱器管蠕變壽命,診斷管道故障等[1].其核心是鍋爐管子失效診斷專家系統(ESCARTA),它是美國開發的用于鍋爐事故診斷的第一個專家系統,該專家系統除了用于診斷鍋爐爆管事故外,還可以用來培訓電廠的技術人員熟悉爆管事故,以及指導運行人員采取正確的步驟調查鍋爐爆管事故等[2].

美國電力研究所(EPRI)于 1992年開發的Eddystone診斷專家系統堪稱故障診斷專家系統的一個范例,它包括透平診斷、鍋爐診斷、輔助設施診斷 3個部分,應用了多項先進的監測技術,如鍋爐管道聲學檢漏、溫度監測、應力分析、振動信號分析等[3].

日本在火電廠故障診斷技術方面的研究也處于世界領先水平.早在 20世紀 80年代,三菱重工就研制出汽輪發電機組故障診斷專家系統和鍋爐故障診斷專家系統.至 90年代初,日立公司研制出指導火電廠運行和維護的指導專家系統[4].此外,北海道電力公司應用人工智能技術開發的燃煤火電廠運行支援系統,其作用是通過對機組數據的在線監測,可以在發生異常現象時找出發生原因,并提供實現機組運行狀態穩定和恢復原來運行工況的操作指導[5].

1.2 國內發展概況

近年來,國內鍋爐故障診斷技術發展非常迅速,許多高校和研究機構都開展了鍋爐故障診斷技術的研究,并取得了一些成果.

清華大學的李德英等人以 300 MW電站鍋爐為研究對象,通過仿真與實踐相結合,建立了遠程狀態監測與故障診斷系統.該系統根據鍋爐運行狀態監測情況,確定鍋爐系統運行中出現的故障征兆,采用深、淺知識相結合的混合診斷推理機制,分析診斷鍋爐系統在運行過程中可能出現的各種故障,如爐膛滅火、過熱器爆管、省煤器磨損、泄漏等,并通過遠程傳輸 DAS數據到山東電力科學研究院進行遠程監測診斷,取得較好效果[6].

電力熱工研究所開發了鍋爐管失效用分析專家系統,該系統根據鍋爐失效后的管斷割取、斷口保護、現場記錄和分析樣品來判斷其失效類型,進一步得出其失效原因,并推薦合適的處理措施和方案[7].

安徽平圩電廠和武漢水利水電大學合作開發了易組式集散型智能化監測系統,已在平圩電廠得到成功應用.該系統既能單獨使用又能與電廠主控系統聯網使用,為鍋爐水冷壁故障診斷測試提供了很好的方法,并為今后鍋爐故障診斷監測系統的研究提供了寶貴經驗[8].

清華大學的蔣東翔等人針對單一故障診斷方法的局限性,對現有的大型設備故障診斷方法做了全面的分析和比較,提出了多種故障診斷技術集成的混合智能診斷方法.該方法根據設備故障診斷過程的不同階段和具體任務,綜合利用模糊數學、模糊模式識別、模糊人工神經網絡,以及基于規則的診斷專家系統等多種故障診斷原理,在電站熱力系統故障診斷和機組振動故障診斷的實際應用中取得了良好的效果[9].

2 電站鍋爐故障診斷方法

1971年美國麻省理工學院的 BEARD首先提出了用解析冗余代替硬件冗余,并通過系統的自組織使系統閉環穩定,通過比較觀測器的輸出得到系統故障信息的新思想,標志著控制系統故障診斷技術的誕生[10].經過幾十年的發展,非線性系統的故障診斷技術有了很大發展,主要有基于解析模型的診斷方法、基于信號處理的方法和基于知識的方法.

2.1 基于解析模型的方法

基于解析模型的方法是發展最早、研究最系統的一種故障診斷方法,主要可以分為兩類:一是線性化技術,將非線性系統在一個工作點線性化[11,12]或幾個工作點附近線性化[13],用一個線性模型集表示系統,建模誤差、擾動、噪聲當作未知輸入,用未知輸入設計矩陣解耦的方法[14]來構造殘差進行診斷,使之不受建模誤差等擾動的影響;二是直接建立非線性模型,用非線性觀測器、濾波器或非線性參數估計的方法來設計診斷算法.這些方法往往都是針對某種特定的非線性系統,算法還不是很完善.

目前,基于解析模型的方法是應用最廣泛的診斷方法,在故障診斷領域具有重要的地位,其研究成果主要集中在線性系統,因此深入研究非線性系統的通用故障診斷技術具有重要意義.

2.2 基于信號處理的方法

基于信號處理的方法不需要對象的準確模型,實用性強.常用的有基于Kullback信息準則和基于小波變換的故障診斷方法.前者用基于Goodw in的隨機嵌入的方法把未建模動態特性當作軟界估計[15],利用遺傳算法和梯度方向辨識參數和軟界,然后在 Kullback信息準則中引入一個新指標評價未建模動態特性,設計閾值和決策方案.后者利用連續小波變換來區分信號突變點和噪音(離散小波可以用來檢測頻率結構的突變),是一種時間-尺度分析的方法,具有多分變率分析的特點,但是這種方法只能檢測信號的奇異性,不能進一步提供系統狀態變量的診斷信息,不能進行故障的定位和故障恢復[16].

2.3 基于知識的方法

基于知識的方法主要是通過分析系統歷史運行數據,利用故障信息、系統對象的知識和專家知識實現定量和定性知識的有機結合.它主要有故障樹故障診斷法、模糊推理法、專家系統法、神經網絡法,以及信息融合故障診斷法等.

(1)故障樹故障診斷法 通過故障樹結構圖對系統故障形成的原因作出總體至部分的分析,按樹狀逐漸細化劃分,可以對系統或機器的故障進行預測和診斷,分析系統的薄弱環節,以實現系統的最優化[17].該方法的缺點是由于所列舉的系統故障種類不同,有可能漏掉重大部件或元件的故障.

(2)模糊推理診斷法 利用隸屬函數和模糊規則進行模糊推理以實現模糊診斷的故障診斷法.在故障診斷中,如果故障與征兆的關系是模糊的,用模糊集表示的模糊語言就能夠更正確地表示故障與征兆的關系.但是模糊知識獲取困難,診斷系統的學習能力差,當知識庫不完備時容易產生漏報和誤報現象[18,19].

(3)專家系統診斷法 分為基于淺知識的第一代故障診斷專家系統和基于深知識的第二代專家系統診斷法[20].該方法通過提取要診斷系統的傳感器知識,在計算機里組成規則庫,并總結現場專家的經驗進行推理,從而診斷故障.其優點是容易增加和刪除規則,算法簡單,缺點是知識的提取困難.

(4)神經網絡診斷法 具有處理非線性、自學習、高容錯性,以及并行處理的能力,主要用在難于建模、故障繁多的復雜系統中.其缺點是泛化能力和外推性能差、具有魯棒性、權值收斂速度慢,以及可能陷入局部最小等[21].

(5)信息融合故障診斷法 利用計算機對來自多傳感器的信息按一定的準則加以自動分析和綜合數據處理,以完成所需要的決策和判定的故障診斷方法.目前信息融合在軍事領域中已有廣泛應用,但在設備故障診斷中的應用還需要繼續深入研究[22].

3 電站鍋爐故障診斷技術展望

鍋爐是發電廠的重點設備,鍋爐運行的好壞很大程度上決定了整個機組運行的安全性和經濟性.現有的故障診斷系統存在診斷方法單一、多種故障診斷困難等缺點.因此,若要有效提高故障診斷的可靠性和快速性,應該從以下兩個方面進行深入研究.

(1)多種方法聯合診斷 巧妙地將兩個或多個診斷方法相結合,充分發揮各故障診斷方法的優勢,克服單一診斷方法的局限性,可以有效提高故障診斷準確性.例如,由小波和神經網絡結合的系統可以避免辨識網絡權值時出現局部最小,從而加快收斂速度[23];由專家系統和神經網絡結合而成的神經網絡專家系統,既可以解決專家系統的知識獲取困難、推理能力差的問題,又可彌補神經網絡訓練樣本獲取困難、推理過程透明性差等缺點[24];由模糊邏輯、神經網絡和專家系統融合而成的智能診斷方法對鍋爐設備進行故障診斷,可以打破單一診斷法的局限性,達到較為接近實際的診斷結果[25,26];將遺傳算法、模糊推理、神經網絡和專家系統等人工智能領域中的各種方法加以綜合利用,并用于故障診斷,特別是針對具有模糊性的診斷對象,能夠更加深入細致地刻畫與描述故障的特征,并克服故障判斷中非此即彼的絕對性,使推理過程與客觀實際更加相符,同時也可以克服傳統故障診斷專家系統中存在的知識獲取“瓶頸”問題、知識“窄臺階”問題,以及容易出現的“匹配沖突”、“組合爆炸”和 “無窮遞歸”等問題[27].

(2)多種故障同時診斷 我國在電站鍋爐故障診斷技術方面做了大量的研究,但是應用于實際的卻較少.究其原因,主要是由于已開發的大多數診斷系統的診斷功能比較單一,診斷對象局限于電站鍋爐中的某一設備或某一子系統.而鍋爐是由若干相互聯系的子系統組成的整體,這種結構上的層次關系要求其診斷系統是分布式和多層次的.目前對同時出現的多故障,或各故障之間存在相互影響時的故障診斷方面的研究顯得有些不足,若要使故障診斷技術早日得到廣泛的應用,解決此問題極為關鍵.另外,隨著現代系統網絡化的發展,分布式系統的故障診斷必將引起重視并得到深入研究.

4 結 語

鍋爐故障混合智能診斷系統的開發是一個長期的過程,隨著應用于鍋爐故障診斷的系統開發工具、人工智能理論、傳感技術、分布式系統的故障診斷等相關關鍵技術的不斷深入研究和發展,混和智能故障診斷系統應用于大型鍋爐設備運行故障診斷指日可待.

[1]王洪江,孫保民,田進步.電站鍋爐故障診斷技術研究進展[J].中國電力教育,2008,(1):253-255.

[2]楊兵,張小飛,丁輝,等.基于知識庫的鍋爐“四管”暴漏預報專家系統[J].動力工程,2004,(1):21-24.

[3]王文永.美國電站狀態監測與故障診斷技術的開發應用[J].華北電力技術,1995,(6):51-55.

[4]李兵.日本火電廠鍋爐部件剩余壽命診斷技術[J].華北電力技術,1997,(8):5-10.

[5]孫竹梅,張麗香.人工智能技術在國內電廠中的應用研究[J].電力學報,2005,20(2):107-111.

[6]張欣.火電廠煤粉鍋爐燃燒狀態智能監測與評判研究[D].河北:華北電力大學,2009:19-27.

[7]馬麗云,齊紀渝.鍋爐管道失效分析專家系統知識庫的建立[J].現代電力,2002,(2):7-13.

[8]蔡建國,唐必光.易組式集散型智能化監測系統及在水冷壁故障測試中的應用[J].熱力發電,1999,(2):46-48.

[9]蔣東翔,倪維斗.大型汽輪發電機組混合智能診斷方法的研究[J].清華大學學報,1999,(3):20-24.

[10]陳煒峰,陸靜霞.故障診斷技術及其發展趨勢[J].農機化研究,2005,(2):10-13.

[11]PATTON R J,CHEN J.Robust fault detection and isolation(FDI)systems[M].Academ ic Press,1996:171-224.

[12]GERTLER J.Residual generation in model-based fault diagnosis[J].Control-Theory and Advanced Technology,1993,9(1):259-285.

[13]PATTON R J.Robust fault diagnosis in a chemical process using multiple-model approach[C]//Proc.of the 40th IEEE Conf.-D and Control Orlando,Florida USA,2001,54:149-154.

[14]Design of a class of reduced order unknown inputs nonlinear observer for fault diagnosis[C]//Proc.of the American Control Conference Arlington,VA June 2001:25-27.

[15]KUMAMARU K.Robust fault detection using index of kullback discrimination information[C]//Proc.of IFAC World Congress,1996:205-210.

[16]陳卓,劉念,薄麗雅.電力設備狀態檢測與故障診斷[J].高壓電技術,2005,(4):46-49.

[17]倪紹徐,張裕芳,易宏,等.基于故障樹的智能故障診斷方法[J].上海交通大學學報,2008,(8):1 371-1 375.

[18]MARUYAMA N,BENOUARETSM,DEXTERA L.Fuzzymodelbased fault detection and diagnosis[C]//Proc.of IFACWorld Congress,San Francisco,USA,1996:121-126.

[19]BOUDAOUD A N,MASSON M H,DUBUISSON B.On-line diagnosisof a technological system:a fuzzy pattern recognition approach[C]//Proc.of IFAC World Congress,San Francisco,USA,1996:103-107.

[20]吳今培,肖健華.智能診斷與專家系統[M].北京:科學出版社,1997:42-47.

[21]ALBERTO Stefanini,ALFONSO Cavanna,MASSIMO Gallanti,et al.Integrating Empirical and ontological know ledge in an expert system for diagnosisofa steam condenser[C]//Proc.of the IntWorkshop on A rtif Intell for Ind Appl,2000,(10):227-231.

[22]PARK J,SANDBER IW.Universalapproximation using radialbasis function network[J].Neural Computation,1991,(3):246-257.

[23]王雪,左巍,趙國華.基于多傳感器集成融合技術的敏捷虛擬測試診斷系統研究[J].中國機械工程,2001,12(8):914-918.

[24]FENG You-ping,HUANG Xi-yue.Fault diagnosismultiagent reconfigure according to the model of immune idiotypic network regulation theory and behavioral petrinets techniques based on work low management[C]//Second International Symposium on Intelligent and Complex System,W uhan,2001:10.

[25]馮定.神經網絡專家系統[M].北京:科學出版社,2006:7-17.

[26]蘇羽,趙海,蘇威積,等.基于模糊專家系統評估診斷方法[J].東北大學學報,2004,25(7):653-656.

[27]李人厚.智能控制理論和方法[M].西安:西安電子科技大學出版社,1999:270-274.

[28]花偉.鍋爐混合智能故障診斷技術的研究[D].南京:南京工業大學,2006:16-21.