基于多元狀態估計和偏離度的電廠風機故障預警

劉　濤，　劉吉臻，　呂　游，　崔　超

(華北電力大學 控制與計算機工程學院，北京 102206)

?

基于多元狀態估計和偏離度的電廠風機故障預警

劉濤，劉吉臻，呂游，崔超

(華北電力大學 控制與計算機工程學院，北京 102206)

摘要：為了解決風機故障預警問題，提出一種基于多元狀態估計技術(MSET)和偏離度的方法.利用MSET建立風機正常運行狀態下的非參數模型，對觀測向量進行最優估計并得到估計向量，觀測向量與估計向量之間的差異可以反映風機工作是否異常.引入偏離度定量衡量觀測向量與估計向量之間的偏離程度，有利于捕捉故障發展過程，然后利用滑動窗口法確定故障預警閾值.當平均偏離度超過預警閾值時，發出報警信息提醒運行人員處理.以長春某熱電廠引風機的某次故障為例進行應用研究.結果表明：該方法可以及時發現風機異常，實現風機實時故障預警.

關鍵詞：電廠風機； 多元狀態估計； 故障預警； 滑動窗口法

風機是電廠重要的輔機設備，其運行狀態直接影響電力生產的經濟性和安全性.風機一旦出現故障就會造成機組負荷降低或者非計劃停機，減少機組發電量，同時增加電廠維修費用，更嚴重的是會引發潛在安全事故.風機特別是引風機的現場運行環境惡劣，故障率較高，這給電廠造成巨大的經濟損失.風機故障預警利用各種手段和技術對風機設備運行狀態進行監測和分析，盡早發現設備故障早期征兆，贏取時間采取正確措施以降低故障損失或避免故障發生，這對電廠的經濟效益和安全生產具有重要意義.

目前的研究成果主要集中在風機故障診斷方面，而對風機故障預警的研究較少.由于這類設備本身構造復雜，故障類型繁多，更重要的是故障與征兆之間的關系未知，而且設備運行過程會受到許多不確定因素和隨機干擾的影響，實現準確故障預警是一大難點.多元狀態估計技術(MSET)的出現為風機故障預警提供了一種方法[1]，MSET實質上是一種先進模式識別方法，通過涵蓋正常運行狀態的數據進行相似性建模，與傳統的神經網絡方法相比，MSET具有建模過程簡單和物理意義明確等優點，可以滿足工業現場實時性要求[2-3].

1引風機結構及監測參數

研究對象為長春某熱電廠的引風機，該電廠1號鍋爐配有2臺靜葉可調軸流式引風機，由上海鼓風機廠有限公司引進德國TLT公司技術設計制造的G158/265型靜葉可調軸流式引風機.引風機由進氣箱、集風器、可調前導葉、葉輪、后導葉和擴壓器組成，結構如圖1所示.氣體通過進氣箱、進口調節裝置后以與前導葉對應的氣流角進入葉輪，在葉輪中獲取克服管網阻力所需的能量.在靜葉可調軸流式引風機中，氣體介質在葉輪中實現總壓的升高，主要是動壓的升高，而動壓轉換為靜壓則在后導葉環和擴壓器中實現.

圖1　引風機結構示意圖

當前火電廠通過廠級監控信息系統(SIS)實現引風機狀態監測，監測參量以振動參數為主，同時涵蓋溫度、壓力、流量、電壓和電流等狀態參數，這些參數變化包含故障信息，能反映風機設備運行狀態.引風機的監測參數分布情況如圖2所示，參數說明見表1.

圖2　引風機測點分布

參數含義p1/Pa入口壓力t1/℃電機后軸承溫度I/A電機電流P/kW電機功率t2/℃電機定子繞組溫度(6個)t3/℃電機前軸承溫度l1/mm腰側軸承垂直振動幅值l2/mm腰側軸承水平振動幅值t4/℃腰側軸承溫度(3個)t5/℃端側軸承溫度(3個)l3/mm端側軸承垂直振動幅值l4/mm端側軸承水平振動幅值p2/Pa出口壓力

SIS系統每10 min記錄一次引風機的參數，每條記錄內容包括時間標簽、電機電流、電機功率、入口壓力、出口壓力和電機定子繞組溫度等共計22個參數，其中為保證測量參數的可靠性，電機定子繞組溫度設置6個測點，引風機腰側、端側軸承溫度各設置3個測點.同時SIS系統還保存引風機的運行狀態信息，對引風機啟動、停機事件進行記錄，每條記錄內容包括時間標簽、引風機編號、運行狀態和事件說明，如在2014-04-12 T 5:20，1號鍋爐A引風機發生停機，原因是由于引風機端側軸承振動幅值超限.在該引風機的運行規程中規定相關參數保護設置：電機軸承溫度超過90 ℃，延時2 s跳風機；電機定子繞組溫度超過120 ℃，延時2 s跳風機；腰側和端側軸承溫度超過105 ℃，延時2 s跳風機；軸承振動速度超過11 mm/s，延時5 s跳風機.這些保護設置可以在故障發生時切除風機，避免故障程度進一步擴大，但是這些屬于事后保護，無法實現早期故障預警.

2多元狀態估計技術

MSET最早是由美國阿爾貢國立實驗室(Argonne National Laboratory)旨在檢測核電廠中傳感器、設備以及運行參數的初始劣化點而開發的一種非參數建模方法[4-5].目前，MSET在核電站傳感器校驗[6]、工業設備狀態監測[7-8]、電子產品壽命預測[9]和計算機軟件老化現象診斷[10]等領域獲得成功應用.MSET是一種利用正常運行狀態下監測參數之間的相似性來實現狀態估計的先進模式識別技術，其本質是利用對象正常運行狀態的歷史數據，充分挖掘關于各參數之間關系的知識，對于每個新狀態，依據所獲得的知識估計對象的真實狀態.

利用從正常運行狀態中得到的歷史數據構成矩陣，記為歷史記憶矩陣D，這是MSET的第一步.矩陣的每一列均代表一個觀測狀態，則這個矩陣的列數m代表m個狀態，行數n代表每次觀測的n個變量.假設某一過程或設備的監測變量中共有n個相互關聯的變量，將在某一時刻tj觀測到的此n個變量記為觀測向量：

(1)

其中，xi(tj)為測點i在tj時刻的測量值，則歷史記憶矩陣D可表示為

(2)

歷史記憶矩陣D是MSET估計的基礎，也稱為MSET的系統模型.歷史記憶矩陣中的每一列觀測向量代表設備的一個正常運行狀態，經過合理選擇的歷史記憶矩陣中的m個歷史觀測向量所形成的子空間能夠代表過程或設備正常運行的整個動態過程.因此，歷史記憶矩陣的構造實質就是對過程或設備正常運行特性的學習和記憶.

然后采用MSET進行動態建模，對于某一時刻過程或設備的觀測向量Xobs，MSET將此狀態與歷史記憶矩陣中存儲的運行狀態進行比較，并計算出對當前系統狀態的估計向量Xest，估計向量為歷史記憶矩陣與權值向量W的積，即

(3)

MSET的估計向量為歷史記憶矩陣中m個歷史觀測向量的線性組合.權值向量W代表此狀態與歷史記憶矩陣中狀態的一種相似性測度，權值向量可通過最小化殘差向量ε來獲得.觀測向量Xobs和估計向量Xest之間的殘差為

(4)

在‖ε‖2最小的約束條件下，求得權值向量W：

(5)

式中：?為非線性運算符，可代替普通矩陣乘積運算，以解決數據相關產生的共線性問題，回避對DT?D不可逆的約束，從而擴大式(5)的適用范圍.

非線性運算符有多種選擇[11]，筆者選擇歐氏距離運算，即

(6)

式中：xi和yi為變量.

該非線性運算符的物理意義明確，通過空間距離反映2個數據向量之間的相似程度，式(5)表明觀測向量與歷史記憶矩陣中的向量相似程度越大，那么該向量所對應的權值越大，反之越小.將式(5)代入式(3)可得到估計向量.

(7)

當設備處于正常運行狀態時，MSET的輸入觀測向量位于歷史記憶矩陣所代表的正常工作空間內，與D矩陣中的某些歷史觀測向量的距離較近，相應MSET的估計向量Xest具有很高的精度.當設備工作狀態發生變化、出現故障隱患時，由于設備動態特性改變，輸入觀測向量將偏離正常工作空間，通過D矩陣中歷史觀測向量的組合無法構造其對應的估計值，導致估計精度下降，觀測值與估計值之間的殘差增大.因此，觀測值與估計值之間的殘差大小可以反映設備異常狀態，即觀測向量和估計向量之間的差異隱含故障信息.

3偏離度及預警閾值

綜上所述,MSET可以建立設備正常運行狀態的非參數模型，而且觀測向量與估計向量之間的差異隱含故障信息.然而如何定量衡量觀測向量與估計向量之間的偏離程度是一大難題，除此之外，設定合理的預警閾值也很關鍵，以上2個問題是利用MSET實現故障預警的難點.采用與觀測向量和估計向量有關的偏離度函數和利用滑動窗口法可以有效解決上述問題.

3.1偏離度

MSET的觀測值與估計值之間的殘差可以反映設備異常或故障，通常直接將某變量的觀測值與其估計值之間的殘差作為故障判斷指標.對于風機而言，一般選擇軸承振動變量[12]，雖然軸承振動包含了大部分的故障信息，但是有些故障不表現出振動征兆，如風機潤滑油系統故障會造成軸承溫度異常升高，但是軸承振動保持正常，顯然僅通過某變量殘差進行故障預警會遺漏重要的異常信息.因此，考慮利用觀測向量與估計向量的偏離程度來實現故障預警，這樣可以充分挖掘觀測向量中各變量的異常信息.

歐氏距離是衡量2個向量之間偏離程度最常用的方法，在此基礎上定義偏離度函數為

(8)

偏離度越大說明向量X和Y的偏離程度越大，而偏離度越小則說明向量X和Y的偏離程度越小.偏離度恒大于或等于0，當偏離度等于0時，向量X和Y相等.

3.2預警閾值

利用滑動窗口法消除風機運行中的不確定因素和隨機干擾(如傳感器的測量誤差等)，提高故障預警的可靠性.通過選擇合理的滑動窗口寬度，能及時、迅速地捕捉偏離度統計特性的連續變化，消除隨機因素的影響，提高設備狀態監測的可靠性，降低誤報警的幾率.當風機運行異常時，這些狀態模型可及時檢測出風機狀態的輕微異常變化，從而實現故障預警.

假設在某段時間內，基于MSET的估計偏離度序列共n個：

(9)

對該序列取一個寬度為N的滑動窗口，如圖3所示.計算窗口內連續N個偏離度的平均值為

(10)

圖3　滑動窗口法

根據偏離度平均值確定故障預警閾值EAN.記風機正常運行時MSET模型的平均偏離度最大值為EN，則風機故障的預警閾值為

(11)

式中：k為預警閾值系數，由現場運行人員根據運行經驗確定，一般大于1.2.

4基于MSET的風機故障預警

在電廠風機實際運行過程中，由于部件存在磨損、老化和疲勞，隨著時間推移，風機運行狀態逐漸變差，故障也會慢慢形成.故障早期征兆隱藏在風機監測參數動態變化中，然而傳統的設置預警閾值方法不能及時發現這一征兆.利用MSET能檢測設備狀態初始劣化點的特點，可以捕獲故障動態發展過程，實現風機故障預警.

4.1相關變量選取

結合風機常見故障進行分析，選擇那些與故障明顯相關的變量.通過電機電流控制風機啟停，電機功率表征風機工作狀態，只有在風機運行情況下討論故障預警才有意義.電機前、后軸承溫度是反映電機故障的重要參數，一旦異常超溫電機就可能出現故障，進而導致風機故障.軸承水平和垂直振動幅值是風機運行的重要參數，振動信號能反映大部分故障信息.端側、腰側軸承溫度也是風機運行的重要參數，溫度信號中包含了某些機械故障信息.引風機入口壓力直接影響爐膛負壓，反映了引風機的工作效果.

因此，從表1中選擇如下15個變量組成觀測向量：電機電流、電機功率、電機前軸承溫度、電機后軸承溫度、腰側軸承水平和垂直振動幅值、端側軸承水平和垂直振動幅值、腰側軸承溫度(3個)、端側軸承溫度(3個)和入口壓力.

4.2數據預處理

由于MSET模型所選擇的15個變量的量綱各不同，且不同變量數據絕對值相差很大，為保證非線性運算符能正確衡量不同觀測向量之間的歐氏距離，需要對15個變量的觀測值根據各自的分布情況進行數據預處理.隨著時間的推移，風機正常運行狀態下各變量的變化范圍是動態變化的，因此直接采用歸一化存在不足，而標準化可避免確定各變量的極大值和極小值，并且可以降低離群點的影響.采用標準化處理原始數據，假設觀測向量中變量x的均值為μ，標準差為σ，那么標準化公式為

(12)

式中：xzscore為變量x的標準化值.

理論上故障狀態下的變量值會明顯不同于正常運行狀態下的變量值，那么各變量在不同狀態下的分布也會不同.因此，為了盡可能保存故障信息，需先對構成歷史記憶矩陣的歷史數據進行標準化，然后根據所得的分布參數對觀測向量進行標準化.

4.3歷史記憶矩陣構建

歷史記憶矩陣的構建是MSET建模中關鍵的一步，直接影響建模效果.理論上最理想的是選取所有正常運行狀態歷史數據構成D矩陣，這樣能夠涵蓋風機所有正常運行狀態.但在實際中,正常運行狀態歷史數據量很大，D矩陣規模過大會導致計算量巨大，一方面對計算機性能要求高，通用計算機無法處理；另一方面計算耗時太長，無法滿足工業實時性要求.因此，需要從正常運行狀態歷史數據中優化選取典型的狀態向量構成D矩陣，在保證D矩陣涵蓋風機正常運行狀態空間的前提下，盡量減小矩陣規模.優化選取有2種思路:一種是去除冗余或相近的狀態向量；另一種是對總體進行抽樣，選取典型狀態向量.前者可通過聚類方法實現，后者可通過等間隔抽樣方法實現.相對而言，等間隔抽樣方法容易實現，考慮到電機功率可以直接表征風機工作狀態，以該變量為指標進行等間隔抽樣，流程如圖4所示.

圖4　等間隔抽樣方法的流程

當正常運行狀態歷史數據很多時，需要按照上述方法優化選取、構成歷史記憶矩陣;而當正常運行狀態歷史數據不多時，可以直接全部選取、構成歷史記憶矩陣.

4.4仿真實現

圖5　觀測向量集的偏離度

利用正常運行狀態歷史數據和估計結果可檢驗MSET建模精度，由于篇幅有限，這里僅列舉腰側軸承溫度、端側軸承溫度、端側軸承水平振動幅值和端側軸承垂直振動幅值的估計結果，如圖6～圖9所示.從圖6可以看出，腰側軸承溫度正常運行狀態下的估計殘差小于0.2 K，相對殘差小于0.4%.從圖7可以看出，端側軸承溫度正常運行狀態下的估計殘差小于0.5 K，相對殘差小于1.5%.從圖8可以看出，端側軸承水平振動幅值正常運行狀態下的估計殘差小于0.02 mm，相對殘差小于1.5%.從圖9可以看出，端側軸承垂直振動幅值正常運行狀態下的估計殘差小于0.007 mm，相對殘差小于0.01%.上述結果表明，各變量的估計殘差和相對殘差均較小，從而證明MSET模型具有很高的精度.

圖6　腰側軸承溫度的估計結果和殘差Fig.6　Estimation result and residual of the middle bearing temperature

圖7　端側軸承溫度的估計結果和殘差

圖8　端側軸承水平振動幅值的估計結果和殘差

Fig.8Estimation result and residual of the side bearing horizontal vibration

圖9　端側軸承垂直振動幅值的估計結果和殘差

Fig.9Estimation result and residual of the side bearing vertical vibration

對比以上4個變量的估計殘差,腰側軸承溫度和端側軸承水平振動幅值的估計殘差從第100點起出現明顯增大趨勢，而且故障狀態下的估計殘差明顯大于正常運行狀態下的估計殘差;但是端側軸承溫度和端側軸承垂直振動幅值的估計殘差從第100點起無明顯增大趨勢，而且故障狀態下的估計殘差也小于正常運行狀態下的估計殘差.這說明腰側軸承溫度和端側軸承水平振動幅值的估計殘差變化捕捉到了風機故障發展過程，而端側軸承溫度和端側垂直振動幅值的估計殘差變化卻沒有捕捉到風機故障發展過程，依靠單一變量實現風機故障預警不可靠.

進一步對比偏離度和以上4個變量的估計殘差，與4個變量的估計殘差相比，故障狀態下的偏離度增大趨勢明顯且波動性小，正常運行狀態下的偏離度相對較小.由此可見，偏離度動態變化曲線能更早、更好地反映故障發展過程，有利于實現故障預警.

選擇滑動窗口寬度為10，平均偏離度曲線如圖10所示.從圖10可以看出，正常運行狀態下平均偏離度最大值EN=0.221 4，k的取值為1.4，那么故障預警閾值為

EAN=kEN=1.4×0.221 4=0.310 0

圖10　平均偏離度曲線

5結論

在分析風機結構和監測參數的基礎上，利用MSET建立風機正常運行狀態下的非參數模型，然后定義了觀測向量與估計向量之間的偏離度，再通過滑動窗口法確定預警閾值，如果偏離度超過先前定義的預警閾值，就發出故障報警信息.最后，在長春某熱電廠的引風機上應用該方法，證明MSET模型具有很高的精度，同時證明該方法能夠實現實時故障預警.

參考文獻：

[1]孫建平，高明．改進“峰”方法的多元狀態估計技術用于電站風機狀態監測[J]．華北電力大學學報(自然科學版)，2013，40(3)：91-94，112．

SUN Jianping, GAO Ming. Condition monitoring of fan in power plant using multivariate state estimation technique of modified mountain method[J]. Journal of North China Electric Power University(Natural Science Edition), 2013, 40(3):91-94, 112.

[2]郭鵬，徐明，白楠．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，2013，33(5)：128-135．

GUO Peng, XU Ming, BAI Nan. Wind turbine tower vibration modeling and monitoring driven by SCADA data[J]. Proceedings of the CSEE, 2013, 33(5):128-135.

[3]姚良，李艾華，孫紅輝，等．基于MSET和SPRT的內燃機氣閥機構振動監測[J]．振動工程學報，2009，22(2)：150-155．

YAO Liang, LI Aihua, SUN Honghui,etal. Vibration monitoring for valve drain of internal combustion engine based on MSET and SPRT[J]. Journal of Vibration Engineering, 2009, 22(2):150-155.

[4]SINGER R M, GROSS K C, HERZOG J P,etal. Model-based nuclear power plant monitoring and fault detection: theoretical foundations[C]//9th International Conference on Intelligent Systems Applications to Power Systems. Seoul, Korea: Argonne National Lab, 1997.

[5]GROSS K C, SINGER R M, WEGERICH S W,etal. Application of a model-based fault detection system to nuclear plant signals[C]//9th International Conference on Intelligent Systems Applications to Power System. Seoul, Korea: Argonne National Lab, 1997.

[6]HERZOG J P, WEGERICH S W, GROSS K C. MSET modeling of crystal river-3 Venturi flow meters[C]//6th International Conference on Nuclear Engineering. USA: ASME, 1998.

[7]郭鵬，DAVID Infield，楊錫運．風電機組齒輪箱溫度趨勢狀態監測及分析方法[J]．中國電機工程學報，2011，31(32)：129-136．

GUO Peng, DAVID Infield, YANG Xiyun. Wind turbine gearbox condition monitoring using temperature trend analysis[J]. Proceedings of the CSEE, 2011, 31(32):129-136.

[8]WEGERICH S W. Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring[C]//Aerospace Conference 2004. Montana, USA: IEEE, 2004.

[9]CHENG S F, PECHT M G. Multivariate state estimation technique for remaining useful life prediction of electronic products[C]//Proceedings of AAAI Fall Symp Artif Intell Prognostics. Arlington, USA: [s.n.], 2007: 26-32.

[10]CASSIDY K J, GROSS K C, MALEKPOUR A. Advanced pattern recognition for detection of complex software aging phenomena in online transaction processing servers[C]//Dependable Systems and Networks 2002. Washington D C, USA: IEEE, 2002.

[11]BLACK C L, UHRIG R E, HINES J W. System modeling and instrument calibration verification with a nonlinear state estimate technique[C]//Maintenance and Reliable Conference 1998. Knoxville, USA: University of Tennessee, 1998.

[12]許小剛，王松嶺，劉錦廉，等．基于小波包能量分析及改進支持向量機的風機機械故障診斷[J]．動力工程學報，2013，33(8)：606-612．

XU Xiaogang, WANG Songling, LIU Jinlian,etal. Mechanical fault diagnosis of fan based on wavelet packet energy analysis and improved support vector machine[J]. Journal of Chinese Society of Power Engineering, 2013, 33(8):606-612.

Early Fault Warning of Power Plant Fans Based on MSET and the Deviation Degree

LIUTao,LIUJizhen,LüYou,CUIChao

(School of Control and Computer Engineering, North China Electric Power University,Beijing 102206, China)

Abstract：To realize early fault warning of power plant fans, a method was proposed based on multivariate state estimation technique (MSET) and the deviation degree. Using MSET, a non-parametric model of the fan was constructed under normal operation conditions, based on which observed vectors were optimally evaluated to obtain the estimated vectors, and the difference between estimated and observed vectors is able to reflect the incipient failure. A deviation degree was introduced to quantify the difference between estimated and observed vectors, so as to capture the fault development process, and to send out early warning for relevant operators to deal with the trouble, when the average deviation has exceeded the predefined threshold set by sliding window method. The method was applied to detect the fault of an induced fan in a power plant in Changchun. Application results show that the method can help to discover abnormal status of fans promptly, and achieve the purpose of online early fault warning of fans.

Key words：power plant fan; multivariate state estimation technique; early fault warning; sliding window method

收稿日期：2015-06-03

修訂日期：2015-09-18

基金項目：國家重點基礎研究發展計劃(973計劃)資助項目(2012CB215203)；國家自然科學基金重點資助項目(51036002)

作者簡介：劉濤(1990-)，男，湖北廣水人，碩士研究生，研究方向為火電廠設備故障診斷與預警.電話(Tel．)：18901070798；

文章編號：1674-7607(2016)06-0454-07中圖分類號：TS737+.1

文獻標志碼：A學科分類號：470.30

E-mail：ltncepu@gmail.com.