基于物聯網的火電機組遠程診斷服務實踐

史恒惠　夏靜　李海軍

摘要：基于物聯網的火電機組遠程診斷服務，即通過對機組運行數據的集中采集、存儲和挖掘，建立涵蓋設備級、參數級和重要的工藝流程的針對性專業診斷模型，實現故障早期預警，提升了設備管理及監控水平。

關鍵詞：物聯網；火電機組；遠程診斷服務；運行數據；故障預警 文獻標識碼：A

中圖分類號：TP393 文章編號：1009-2374（2016）01-0131-04 DOI：10.13535/j.cnki.11-4406/n.2016.01.066

近年來，國內超（超）臨界機組的大量投運，發電設備逐漸向超大型化、全自動化方向發展，但隨之引出的設備運行風險也在增加。而機組頻繁調峰、長周期運行等新運行方式的普遍化，對設備可靠性提出了苛刻要求。企業追求經濟效益最大化，這要求企業不斷提高自己的管理水平和技術水平。充分利用信息技術，挖掘生產和管理潛力，提高生產和管理效率，是每一個工業企業都必須開展的課題，也是“兩化融合”的必然趨勢。

目前，發電企業多數已部署了SIS、MIS、TDM等系統，并在生產管理中發揮一定的作用，但是普遍存在應用深度、數據挖掘不夠等情況，一定程度上造成了數據和資源的浪費，無法為機組的經濟性、可靠性管理提供相對全面、可靠的依據。遠程診斷服務作為電力系統以及裝備密集型行業的發展方向之一，可以結合發電企業現有信息化系統和設備特征，利用物聯網技術，將分布于不同地域、不同企業的數據進行集中采集、存儲和挖掘，并在此基礎上建立企業知識庫模型，案例分析模型，積累設備診斷和故障分析經驗。通過集中發揮高端專業技術人才優勢，對發電企業設備故障及異常進行早期預警和診斷，對性能指標進行優化分析，從而提升整個發電企業的設備管理及監控水平，對保障發電企業安全、經濟運行具有重要的意義。

1 基于物聯網的火電機組遠程診斷服務平臺技術路線

系統核心技術是研究神經網絡技術在基于物聯網的火電機組遠程診斷服務領域開發和應用，在開發的系統平臺上，通過感知系統內部大量節點之間相互連接的關系，達到系統、設備、參數故障預警和診斷的目的。主要研究及開發內容如下：

1.1 自適應與自組織能力

神經網絡在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。它較之專家系統的固定的推理方式及傳統計算機的指令程序方式更能夠適應化環境的變化，總結規律，完成某種運算、推理、識別及控制任務。因而它具有更高的智能水平，更接近人的大腦。

1.2 非線性映射能力

神經網絡有多種算法，如BP算法、Hebb算法、LMS算法、RNN算法、高斯混合模型（gmm）等，這些算法各有特點。高斯混合模型（gmm）是其中最高效的一種：高斯混合模型是單一高斯機率密度函數的延伸，由于gmm能夠平滑地近似任意形狀的密度分布，劃分更為精細，適用于多類別的劃分，可以應用于復雜對象建模。

例：有一批觀察數據X={x1，…，xn}，數據個數為n，在d維空間中的分布不是橢球狀，那么就不適合以一個單一的高斯密度函數來描述這些數據點的機率密度函數。此時我們采用一個變通方案，假設每個點均由一個單高斯分布生成（具體參數μj、Σj未知），而這一批數據共由M（明確）個單高斯模型生成，具體某個數據xi屬于哪個單高斯模型未知，且每個單高斯模型在混合模型中占的比例αj未知，將所有來自不同分布的數據點混在一起，該分布稱為高斯混合分布。

圖1 表示所有樣本數據 圖2 表示已經明確了樣本的分類

由圖2可以看出，gmm將原本雜亂無章的分布收斂到了三種近似橢圓形的分布模型。

結合神經網絡各種算法的特點和發電企業的經驗，本方案選擇了高斯混合模型（gmm）作為診斷服務平臺模型建設的主要算法，診斷模型具有計算準確、創建簡單、易于掌握、便于擴展使用等特點。模型的創建要求不依賴專業研究院或高校學者級別的專家參與，模型的訓練只需要找出模型對象各工況的正常時段即可，適合有豐富電廠運行和設備維護經驗，對設備運行特性熟悉的電廠級專家使用。

2 基于物聯網的火電機組遠程診斷服務平臺系統結構

2.1 系統體系結構

基于物聯網的火電機組遠程診斷服務平臺由電廠側和診斷中心側組成，按照功能架構分為四層：數據采集層、數據存儲層、業務處理層、信息展示層。主要功能由多個業務子系統完成：核心診斷系統、輔助診斷系統、集中預警處理系統、遠程診斷決策支持系統。

系統功能架構角度如圖3所示，整個系統包括數據采集層、數據存儲層、業務處理層和信息展示層。

圖3 系統功能架構圖

2.1.1 數據采集層。將發電單位相關的實時數據庫系統以及點巡檢和TDM等業務系統產生的實時數據和關系型數據，通過與電廠的不低于2M的專線網絡，采用OLEDB、OPC、PITOPI、Webservices或其他特定接口的采集方式實現對底層系統生產過程和歷史數據的采集。

2.1.2 數據存儲層。主要將數據采集層采集到的數據，通過統一時標、描述、分類處理后存儲在診斷中心實時數據庫和關系型數據庫。

2.1.3 業務處理層。以數據存儲層的數據為基礎，通過輔助診斷系統和其他診斷系統將數據存儲層數據轉化為各子系統所需數據格式，進行相關業務處理。將處理后產生的中間結果發送到核心診斷系統處理和預警。然后將各子系統和核心診斷系統產生的分析報告和結果發送到數據展示層。業務處理層的基礎功能由核心診斷系統、輔助診斷系統以及后期根據需要增加其他專業子系統（例如正在研發的鍋爐壽命管理系統等其他診斷系統）。

第一，核心診斷系統具有對所有過程信號進行整體分析的能力，根據當前實際運行狀態與歷史正常運行狀態產生的偏差提供早期預警。核心診斷系統可以實現對電廠的各類轉機進行監測，還可以完成系統、設備、參數級的模型建設和診斷。核心診斷系統主要基礎功能包括狀態預測、數據計算、模式設定、工況選擇、組態功能、分析界面、報警功能、規則定義。

第二，輔助診斷系統作為核心診斷系統的補充，以電廠旋轉機械為關注對象進行診斷，進行基于振動分頻段的部件（如轉子、軸承等）以及模糊綜合評價整機為核心的狀態評價。主要基礎功能包括設備靜態模型管理、監測和分析、數據綜合管理、故障診斷知識庫管理、事件通知。

2.1.4 信息展示層。匯聚來自業務處理層各診斷系統報警信息、分析報告和結果。由集中預警處理系統和遠程診斷決策支持系統組成。

第一，集中預警處理系統主要作用是匯總顯示來自核心診斷系統中關于診斷設備的分類報警信息，在數據異常時及時發出報警提醒相關技術人員及時分析。其主要功能模塊分為樹狀目錄顯示、分析界面、報警展示平臺。

第二，遠程診斷決策支持系統的主要用途是有效整合電廠層診斷關鍵數據和匯總來自業務處理層的分析報告和結果，作為診斷中心的知識積累和展示平臺為診斷專家診斷提供便利。其具備基礎功能為數據集成、實時信息展示、多樣式報表展現、智能下鉆功能、多功能網頁部件。

2.2 網絡拓撲結構

根據硬件架構規劃，各個業務子系統分別部署在多個不同的服務器上，整個系統的網絡拓撲架構如圖4所示：

圖4 遠程診斷中心網絡拓撲圖

3 基于物聯網的火電機組遠程診斷服務創新點

3.1 研究高斯混合模型技術在大型火力發電企業的應用

研究高斯混合模型技術在大型火力發電企業，多模式、多工況下系統、設備、參數級診斷模型的開發和應用。突破國際、國內傳統的設備級診斷局限，針對大型火力發電企業的機電裝備，構建基于物聯網的工業企業（機電裝備）遠程診斷服務平臺，通過信息技術實現高斯混合模型與診斷技術的融合，診斷對象擴展到企業主要生產工藝和流程，診斷范圍涵蓋安全、性能、節能與環保等領域，實現多模式、多工況的系統、設備、參數級故障早期預警、基礎診斷、性能劣化分析和運行操作指導。

3.2 實現診斷對象的無關性特征

利用基于數據的相關性建模方式，實現診斷對象的無關性特征。研發通用的、基于數據的相關性診斷模型建立方式，實現診斷對象的無關性，突破目前診斷產品功能單一化的技術壁壘，為不同的診斷對象提供量身訂做的解決方法。開發相關性分析功能，用數學方法自動計算和分析診斷對象相關參數之間關聯性的強弱，并以矩陣圖形方式展示，方便診斷專家快速定義診斷模型的關聯的測點，為模型的不斷優化提供依據。

3.3 監視設備、工藝過程相對于正常運行狀態的任何偏差

能夠監視設備、工藝過程相對于正常運行狀態的任何偏差，實現故障早期預警。傳統監視系統是基于固定限值產生的報警，而核心診斷系統是在正常運行中從各種現場測量元件或者數據源獲得的大量歷史數據對所需監視的重要設備或者過程模型進行訓練。在數據訓練完成后，核心診斷系統能夠監視相對于正常運行狀態的任何偏差，可以在破壞性故障真正發生之前的早期階段準確發現和定位故障。如圖5所示：

圖5 遠程診斷模型測點曲線圖

3.4 平臺和專家充分融合，創新故障診斷模式

依靠平臺的早期預警功能，結合設備運維狀況、發電廠能級分布，診斷對象修前修后狀況，設備維護檢修標準和知識庫，融合診斷專家的專業經驗，判定檢修周期，給出檢修意見，降低設備維護維修成本；借助系統的智能分析和專家資源不斷擴充診斷范圍、提升診斷能力，為設備狀態檢修提供技術支撐；形成一種模型診斷→實例分析→知識融合→優化模型→模型診斷的循環提升診斷模式。

3.5 依托物聯網技術，創新技術監督模式

基于物聯網技術，統一數據規范和標準，采集智能儀表、就地遠傳儀表、嵌入式系統、DSC、實時數據庫、生產管理系統及Oracle數據庫、TDM系統等與診斷對象相關的基礎數據，構建為遠程診斷服務的“大數據”平臺。通過該項目特有的對象無關性建模方式，建立技術監督相關的診斷模型，輔助技術監督工作由定期的、階段性工作向實時的、在線的模型轉變，創新技術監督模式。為診斷對象的安全經濟運行、劣化趨勢分析、操作模式優化、設備預防性維護和故障分析提供決策支持。

3.6 故障知識庫的可擴展性促進診斷系統逐步優化升級為專家系統

故障知識庫的可維護和可擴展性保證了領域專家的知識可以很好地融入平臺，基于模型診斷，通過診斷成果的積累、提煉，融合診斷專家的知識、經驗，豐富經驗數據庫、設備的標準故障知識庫，利用循環提升的診斷模式，逐步形成完善的發電企業設備振動及生產工藝診斷專家系統。

3.7 一體化解決方案具有良好的開放性和可維護性

系統采用了“核心診斷系統+輔助分析系統+集中預警系統+決策支持系統”的一體化解決方案，各系統分界清晰，能夠整合來自不同系統的數據信息，為診斷專家提供集中的、實時的、結構清晰、有價值的診斷信息。采用模塊化、開放性的設計方式，為平臺提供了靈活的擴展能力，為遠程診斷項目推廣奠定了良好基礎。

4 基于物聯網的火電機組遠程診斷服務應用實踐

基于物聯網的火電機組遠程診斷服務于2013年12月26日正式對某發電公司2×1000MW超超臨界機組實施遠程診斷服務。經過一年的運行實踐，目前診斷對象包括發電機、主變壓器、汽輪機、水泵、風機、磨煤機等各類設備以及鍋爐燃燒系統、風煙系統、回熱系統、真空系統、主蒸汽系統等組合式機電系統，建立涵蓋安全、性能、節能與環保等領域的診斷模型58個，不斷優化、運行遠程診斷決策支持系統、輔助診斷系統及集中報警處理系統，已出具各類報告約80份，能夠及時發現設備劣化趨勢、設備故障、參數異常、異常操作等，為機組安全、可靠、經濟和環保運行增加了一層有效的技術防線。舉例說明如下：

4.1 安全性診斷

建立的安全類診斷模型，能夠及時發現和消除多起重大缺陷隱患，有效促進該廠機組實現連續在網運行350天的好成績。如：針對哈汽-東芝機組易出現低壓缸變形大和振動問題，診斷發現機組低壓缸相對膨脹緩增，提出冬季控制排汽溫度等建議，避免低壓缸變形過大導致跳機；診斷發現鍋爐低負荷垂直水冷壁壁溫偏差大，從運行方式、檢修等方面提出建議，大幅降低壁溫偏差，有效避免水冷壁拉裂泄漏等。例：受熱面安全性診斷。在鍋爐受熱面模型監控中發現，發現鍋爐低負荷工況水冷壁易出現同一區域內壁溫偏差大的異常問題，如圖6所示，雖然水冷壁壁溫絕對值并不高，未達到DCS中設定的報警值，但鑒于膜式水冷壁的結構特點，此時部分水冷壁區域膨脹受阻，長期運行則存在水冷壁拉裂泄漏的隱患（之前此區域曾發生過兩次泄漏事件）。針對現狀，從運行方面找出磨煤機合理的運行方式及最危險的運行工況，在運行操作上提出調整方案，緩解了水冷壁壁溫偏差程度，診斷一年半以來，該區域未再發生泄漏事件，為鍋爐的安全運行奠定了基礎。

圖6 水冷壁模型正常與異常測點曲線圖

4.2 經濟性診斷

圖7 高加性能模型中測點曲線圖

建立的經濟類診斷模型，早期預警并解決兩臺機組冬季凝汽器端差過大、變負荷過程中循環水溫升過大、主再熱汽溫波動等；準確診斷分析機組低壓封供汽溫度高、低加危急疏水頻繁開啟等真正原因，有效促進機組壓紅線運行，其中發電機和廠用電系統無功功率偏高的診斷及處理措施已申請專利。例：高加水側短路預警。機組運行中發現#1高加上端差、給水溫升緩降（圖7為8個月的趨勢圖），通過高加端差及給水溫升的微小變化，早于現場生產人員準確診斷高加水側短路現象。

4.3 設備狀態預警

建立的設備性能診斷模型，及時掌握設備狀況，如準確預警鍋爐三大風機動靜葉執行器調節性能，診斷解決了汽泵軸振大、一次風機振動劣化和波動等重大缺陷；通過空預器性能診斷，避免系統阻力快速增大、排煙溫度升高甚至機組被迫降出力運行的情況。例：風機動、靜葉執行器調節品質劣化預警。在風機動、靜葉執行器模型投入監控的9個月中，先后發現一次風機及引風機動、靜葉執行器調節品質劣化情況3例，均及時給發電公司出具了診斷報告，避免了因執行器調節品質差造成風機電流偏差大引起的搶風甚至喘振現象，確保了機組的安全運行。如圖8所示：

圖8 一次風機動葉執行器性能曲線圖

4.4 振動專項分析

基于物聯網的火電機組遠程診斷服務平臺將核心診斷的預警功能與輔助診斷的專項分析功能相結合，在振動劣化初期預警后，利用輔助診斷系統進行專項頻譜、相位、軸心軌跡等分析，查找設備振動的主要原因。對于特定時段，根據設備情況，可對機組、設備的啟、停工況進行監視，開展瞬態及啟停車分析。如：一次風機軸承振動劣化分析。2A一次風機軸承X、Y向振速原維持在1.5～2.8mm/s、1.3～2.5mm/s，2014年6月振速小幅升高，維持在2.0～4.5mm/s、1.7～4.5mm/s范圍內，振動存在周期性的波動。通過頻譜分析判斷該風機振動波動是動不平衡引起的。建議檢修中除常規檢查軸承、葉片、中心偏差等項目外，重點檢查液壓執行機構的部件磨損情況。該風機在其后的檢修中，通過對以上問題的檢查，成功解決了振動劣化現象，避免了設備的進一步損壞。如圖9所示：

圖9 一次風機X/Y振動大時頻譜圖

4.5 環保診斷

建立的環保診斷模型，及時預警主要污染物排放濃度超標、氨逃逸偏大、環保設備性能劣化等，并從運行優化、煤質、檢修技改等方面給予技術指導。基于負荷調度曲線的噴氨量調節方法與系統已申請專利。如：FGD吸收塔漿液品質劣化。吸收塔底部壓力偏高。壓力與吸收塔液位不相匹配，漿液品質偏離正常范圍較多，建議降低吸收塔液位及濃度至正常范圍，采取合理的運行方式，避免漿液品質進一步劣化。如圖10所示：

圖10 吸收塔底部壓力曲線圖

5 項目效益分析

5.1 經濟效益分析

自基于物聯網的火電機組遠程診斷服務開展以來，通過各方努力，大幅降低了該廠鍋爐上部垂直水冷壁壁溫偏差，減少高溫受熱面超溫次數和幅度，并降低主、再熱汽溫波動范圍，不僅有效減少因壁溫偏差造成的受熱面熱應力，且大幅減緩高溫受熱面管內氧化皮的生成及脫落。通過輔機性能劣化初期的預警及建議，有效地提醒該廠技術人員關注設備劣化趨勢，優化設備運行方式，合理安排設備預防性檢修。而故障診斷報告則及時提醒發電公司人員合理安排消缺工作，提高了機組運行的可靠性。

5.2 降低人工成本，建立快速反應機制

實現信息、數據和人力資源的共享，降低人工成本，建立快速反應機制。發電公司設備出現問題，由以往技術人員必須及時趕到現場處理變為利用遠程診斷平臺的數據，專業技術人員進行不同地點、同時的異常分析、討論和研究處理方案，實現“數據移動、人不移動”的設想，節省大量人力費用。

5.3 便于設備檢修前后性能對比及運行中劣化分析

通過對設備、系統建模訓練，在設備檢修后投運之初即可及時對比設備檢修前后性能，便于管理人員及時掌握設備檢修狀況。而在正常運行中，能夠及時預警設備劣化傾向，為生產管理提供有力技術支撐。

5.4 建立行之有效的診斷管理模式

基于物聯網的火電機組遠程診斷服務實踐符合現代火電機組故障預警和性能劣化分析工作開展要求，建立了一套行之有效的診斷管理模式，從設備狀態預警、診斷分析直到報告和治理措施落實，實現了閉環管理。

6 結語

基于物聯網的火電機組遠程診斷服務的實施，突破國際、國內傳統的設備級診斷局限，診斷對象擴展到企業主要生產工藝和流程。通過監視設備、工藝過程相對于正常運行狀態的任何偏差，實現故障早期預警，是發電企業設備安全、經濟、穩定運行的有力支撐，產生了巨大的經濟效益和社會效益。

參考文獻

[1] 西安熱工研究院.發電設備狀態監測與壽命管理[M].北京：中國電力出版社，2013.

（責任編輯：蔣建華）