基于RS-MSET的電站風機振動預測研究

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

基于RS-MSET的電站風機振動預測研究

孫建平，富雙進

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

故障預測技術是在數據預測技術和故障診斷技術基礎上形成的綜合技術，即先預測后診斷，因此，準確建立預測模型至關重要。電站風機作為電站的關鍵輔機之一，它的正常運行是電站正常工作的重要保障。MSET是一種非參數建模方法，它利用數據之間的耦合關系對模型進行預測。本文選擇粗糙集屬性約簡簡化MSET模型的數據集，得到簡明的屬性集。將MSET與粗糙集相結合對電站風機軸承振動進行預測，便于提早發現風機運行發展趨勢，及時處理，減少由于風機突發故障引起的非計劃停機或者嚴重事故，對現場運行具有重要意義。

MSET;粗糙集;電站風機;振動預測

0 引言

隨著科技的進步，機械設備不斷向大型化、自動化方向發展，其復雜性不斷增加，影響因素也越來越多。電站現場的設備多而且長時間不間斷運行，它的安全運行影響著火力發電廠的經濟效益乃至現場工作人員的安全。監測電站設備的狀態、提前故障預警，減少由于設備故障而產生的非計劃停機十分必要。故準確建立設備的預測模型對電廠正常、高效運行具有重要意義。

風機屬于大型旋轉機械。電廠的風機指的是送風機、引風機、一次風機等。風機是火力發電廠重要的輔機設備之一，它在鍋爐燃燒的過程中起到相互平衡和通風的作用。它連續地向鍋爐內部輸送燃燒所需要的空氣，同時把煙氣排出到鍋爐的外邊，以保證鍋爐的燃燒正常運行[1]。風機工作環境較惡劣，出現的故障率比較高，它的故障有不平衡、不對中、裂紋、熱彎曲等[2]。這些故障都直接或間接地以振動形式表現出來[3]，對風機振動進行預測可以為后續的狀態監測及故障診斷提供判斷依據。故本文采用基于多變量狀態估計的建模方法對電站風機軸承振動量進行預測建模。MSET利用設備正常運行的數據進行建模，當預測模型有數據輸入時，利用模型數據與輸入數據之間的耦合關系實現預測數據地輸出。相關文獻使用MSET進行模型的建立所使用的參量大多都是根據現場經驗，人為選定的。粗糙集利用已有的數據，不需要先驗知識，在處理數據過程中不受任何外在因素影響，這樣保證了數據處理的結果具有客觀性。粗糙集與MSET相結合使得MSET建模數據減少冗余信息，使得模型更加簡明，預測計算量的相對準確性，減少人為等外界因素的干擾，建立出來的預測模型更具客觀性，學習和模型建立過程更加簡單、直觀。

1 粗糙集屬性約簡

粗糙集(Rough Set)理論是Pawlak教授于1982年提出的一種能夠定量分析處理不精確、不一致、不完整信息與知識的數學工具[4]。它不需要任何先驗知識，只是利用已有的數據，在保持系統分類能力不變的前提下，根據數據之間的依賴關系找出內部分類規則。粗糙集把對象世界抽象為一個信息系統S，用S=(U,A,V,f)來表示。其中，U為對象，A為對象的屬性，由條件屬性與決策屬性組成，并且兩者相交等于空集，V是屬性值集合，f：U×A→V表示的是論域U中

每一個對象在相應屬性上所取的屬性值。如表1所示。

表1 單個決策屬性的決策表形式Table1 single decision attribute of decision table form

在一般情況下，不同運行工況的數據之間的相關性導致了上式中的矩陣因共線性而不可逆，導致無法計算。為解決這個問題，MSET采用高級模式識別方法來計算矩陣之間的非線性運算符。計算結果表示具有不同量綱的參量進行歸一化處理之后的相似程度。計算距離的方法有許多，但是由于歐式距離的物理意義比較直觀，當距離為0或近似為0，表示兩個向量相同或相似,所以一般常采用歐氏距離代替非線性運算符，其計算公式如下：

2 仿真試驗

2.1電站風機監測變量

電站風機中引風機的輸送工質是煙氣，含有雜質大，溫度高，工作環境惡劣，出現故障的頻率相對較高，故本文以引風機#1為例研究對其軸承振動進行預測。電站風機現場監測參量為：電動機電流、電機軸承1溫度、電機軸承2溫度、電機軸承1振動速率、電機軸承2振動速率、定子繞相A/B/C相溫度（共6個）、電機軸承1溫度（3個）、電機軸承2溫度（3個）、推力軸承溫度（3個）、軸承水平振動、軸承軸向振動、入口煙氣壓力、入口煙氣溫度、潤滑油濾網差壓、潤滑油壓力、潤滑油供油溫度、靜葉調節閥位反饋、出口煙氣壓力、液壓油濾網差壓、液壓油壓力、潤滑油油箱油位、潤滑油油箱溫度、出口煙溫共計34個特征屬性。

2.2監測時間段選取及數據處理

現提取2013年3月～2013年6月共6段正常運行的數據，約每10min取一次，共計1305組觀測數據。由于選取屬性的量綱、取值段是不同的，它們的值相距較大，在建模時可能引起大數吃小數的現象。數據歸一化能夠避免輸入數值過大時引起的計算困難問題，從而減少計算時間，同時能夠保證使用非線性算子正確衡量不同觀測向量之間的距離，故對所選取的變量的數值進行歸一化處理，使測量結果都映射在[0 1]的區間。歸一化公式為：

對軸承振動進行預測后的數值均在[01]之間，為表達更清楚直觀，將數據進行反歸一化處理，反歸一化公式為：

2.3粗糙集屬性約簡

多元狀態估計技術有兩個關鍵點，一個是歷史觀測向量集合K的生成；另外一個是過程記憶矩陣D的構造。在數據量不大的情況下，二者相差不大。本文直接把歷史記憶矩陣K當作記憶矩陣；將風機軸承軸向振動與水平振動分別作為粗糙集決策表的決策屬性對整個決策表進行屬性約簡，如表2、表3所示。根據結果在預測軸向振動時，將引風機電動機電流、電機軸承1溫度1、電機軸承2溫度2、電機軸承1振動速率、電機軸承2振動速率、定子繞相A相溫度1、定子繞相A相溫度2、定子繞相B相溫度1、定子繞相C相溫度2、引風機軸承1溫度3、引風機軸承2溫度2、引風機推力軸承溫度3、引風機軸承水平振動、引風機入口煙溫、潤滑油壓力、引風機靜葉調節閥位反饋、引風機出口煙氣壓力、引風機出口煙溫18個條件屬性與決策屬性引風機軸承軸向振動加入MSET的特征空間。在粗糙集約簡后得到的決策表中，可以分析一下選入的條件屬性的合理性。引風機電動機電流：控制引風機的啟停，只有在引風機運行時對風機振動的探討才有意義。溫度：溫度是風機運行的一個重要指標，在溫度上面的參量有所減少。這是由于在同一對象上的溫度測點有多處，它們之間存在一定的關聯性，根據依賴關系減少同一對象的測點數對結果影響不大或者沒有影響。振動速率：即單位時間的振動量，與振動量關系緊密。引風機軸承水平振動：軸承振動一般有水平振動與軸向振動，兩個振動具有一定的相關性。入口出口煙溫：引風機輸送的對象就是煙氣，煙氣的溫度與壓力是工質的屬性，它們對引風機的影響比較大，是研究其的重要因素。潤滑油壓力：潤滑油在風機中起到潤滑，密封的作用。油壓降低會影響潤滑效果；油壓較高容易出現跑油現象。出口煙氣壓力、溫度：引風機出口與煙囪連接將煙氣排除到大氣中，出口壓力影響著煙氣的排放，鍋爐的正常運行；出口煙溫的高低決定其中包含的硫酸蒸汽是否出現凝結現象，進而影響出口管道是否被腐蝕。引風機靜葉調節閥位反饋:該參量與“搶風”密切相關，可能導致爐膛壓力處于不穩定狀態。

同理得出風機軸承水平振動預測的特征空間。由此可見：粗糙集約簡使得原特征空間維數幾乎降低了一半，故能減少計算量，提高效率。

表2 以軸承軸向振動為決策的約簡結果Table 2 For bearing axial vibration reduction results of decision-making

表3 以軸承水平振動為決策的約簡結果Table3 For bearing horizontal vibration reduction results of decision-making

2.4預測結果

在粗糙集屬性約簡完成后，在特征空間中選取加入記憶矩陣的數據組。具體要求見MSET理論小節所述。對于記憶矩陣數據地選擇有如下解釋：論文選取的是4個月的運行數據，記憶矩陣中應包含這4個月運行數據中各個屬性的最值。在這種新的解釋下選取合適的樣本共1155個進行建模，其余的作為測試樣本，如圖1～圖4所示。

圖1 軸承軸向振動預測結果Fig.1 Bearing axial vibration prediction results

圖2 軸承軸向振動預測誤差Fig.2 Bearing axial vibration prediction error

圖3 軸承水平振動預測Fig.3 Bearing horizontal vibration prediction

圖4 軸承水平振動預測誤差Fig.4 Bearing horizontal vibration prediction error

從圖1～圖4可以看出，利用粗糙-MSET算法對風機軸承振動進行預測，得到的誤差很小，可以比較準確地預測出振動量，可以為后續振動狀態地分析提供較為可靠的依據。

3 結束語

MSET是根據風機的正常運行參數的數據進行非參數建模，較其他的預測方法來說不需要設置參數，避免了參數設置的主觀性與隨機性。粗糙集約簡MSET的數據空間，使得選擇模型參量完全單純按照數據間的密切程度來選擇。仿真試驗證明，基于RS-MSET的方法能夠準確地預測風機軸承振動量，預測偏差量很小。目前該方法在某電廠得到成功地運用，通過監測設備狀態，提前發現設備的異常運行，大大減少了發電機組因設備故障而非計劃停機的次數。但是也應該看到MSET是在大量數據的基礎上根據參量之間的相似性來進行預測，數據必須具有運行狀態的全面性，如何在一定的數據量的基礎上完善模型的記憶矩陣是以后努力的方向。

[1]高明．火電廠送風機故障預警系統的研究[D]．北京：華北電力大學,2013．

[2]楊林．通風機振動分析與故障診斷的試驗研究[D]．煤炭科學研究總院,2009．

[3]曾周亮．電廠風機狀態監測與維修系統研究[D]．武漢：武漢大學,2004．

[4]王國胤,姚一豫,于洪．粗糙集理論與應用研究綜述[J]．計算機學報,2009,07：1229-1246．

[5]朱顥東,鐘勇．一種無決策屬性的信息系統的屬性約簡算法[J]．小型微型計算機系統,2010,02：360-362．

[6]景運革．基于粗糙集屬性算法的研究[M]．成都：西南交通大學出版社,2013．

[7]王麗娜．基于粗糙集的數據挖掘改進的屬性約簡算法研究[D]．電子科技大學,2012．

[8]Chang,Shuping;Gao,Ming．The Application of Failure Prognostic System in State Monitoring of Power Plant Generation Equipments[C]．World Automation Congress Proceedings,2012．

[9]常澍平,郭江龍,呂玉坤,等．非線性狀態估計(NSET)建模方法在故障預警系統中的應用[J]． 軟件,2011,07：57-60．

[10]郭鵬,徐明,白楠,等．基于SCADA運行數據的風電機組塔架振動建模與監測[J]．中國電機工程學報,2013,05：128-135+20．

[11]劉鑫沛,翟永杰,張君穎．基于聚類分析和狀態估計的制粉系統故障預警[J]．計算機真,2013,08：151-154．

[12]閆順林,張雪松．火電廠鍋爐引風機搶風問題的分析[J]．應用能源技術,2011,02：46-48．

[13]J． Wesley Hines and Alexander Usynin． MEST performance optimization through regularization[J]． Nuclear Engineering and Technology(S1738-5733)．2005,37(2)： 177-184．

[14]W．Yang,P． J． Tavner and M． R． Wilkinson． Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]．IET Renewable Power Generation (S1752-1416),2009,3(1)：1-11．

[15]蔡曉晨,林文慰．引風機出口煙道低溫腐蝕分析及措施[J]．電力與能源,2013,05：497-499．

[16]孫文華,何森．靜葉調節軸流式引風機搶風問題探討[J]．熱力發電,2009,07：57-59+79．

The Forecast Model on the Power Plant fan Based on RS - MSET

Sun Jianping，Fu Shuangjin
（School of Control and Computer Engineering, North China Electric Power University, Baoding 071003 China）

Technical failure prediction technology is integrated technology based on the data prediction and fault diagnosis technology, meaning that prediction firsts and diagnostics follows, so it is essential to establish an accurate predictive model. As one of the key of power plant’ auxiliaries, it is important for power stations working properly to guarantee the normal operation of turbine. MSET is a non-parametric modeling method, using data coupling relationship to make predictions. Attribute reduction of rough set can be used to simplify data collection, choosing the most appropriate set of attributes, so that the last generation model is more simple and effective. In this paper, MSET space is reduced by rough set, then MSET build predictive models of plant fans and improve operational efficiency.

MSET RS power station fan vibration prediction

TP

A

Doi：10.3969/j.issn.1671-1041.2014.03.003

2014-04-14

孫建平，男，博士，教授，研究方向：仿真與控制、先進控制理論及應用、故障診斷與容錯控制等。