風機性能特征參數趨勢分析及預測

浙江浙能溫州發電有限公司 翁忠華 徐智偉

風機性能特征參數趨勢分析及預測

浙江浙能溫州發電有限公司 翁忠華 徐智偉

本文通過預警系統性能參數預警信息，在基于狀態編碼的風機狀態相似性條件約束下，搜尋歷史相似的時間序列數據集，然后對每個相似的時間序列進行系統辨識，得到對應的系統特征參數，最后對有用特征參數進行曲線擬合，得到風機的性能趨勢預測曲線。

風機性能；預警；系統辨識；性能預測

0 引言

機械設備故障預測的一個主要目的是實現設備運行狀態的預報。故障預測的一個核心和難點就是如何從信號中提取能夠有效反應故障發展趨勢的故障特征量，以及如何根據故障特征量準確地預測故障發展趨勢。

由于大型機械設備結構日趨復雜，運行工況多變，近年來，針對機械設備非平穩運行狀態的特征提取成為國內外學者研究的重點和前沿。目前，新方法主要有循環平穩和準循環平穩信號分析與循環統計方法、經驗模態分解方法、混沌分形、形態學分析、小波分析、流形學習、支持向量機及粗糙集等，這些方法為提高機電系統故障診斷能力提供了新途徑，在信號分析和特征量提取方面發揮了巨大的作用。

在故障特征量提取后，需要依據故障特征量的發展趨勢采用適當的故障預測方法實現設備故障預報。在故障預測方面，神經網絡、支持向量機、專家系統、模糊數學、貝葉斯網絡、隱馬爾可夫模型等算法具有應用價值[1]。

預警系統通常采用基于相似性原理進行建模，文章[7-12]介紹了預警系統的研究應用。大多數過程工業的系統具有結構復雜、時變、非線性和強耦合的特點，基于相似性原理的數據挖掘預測方法常用于過程工業中。文章[9,13-15]介紹了基于相似性原理的預警系統的原理、系統結構和實現。基于相似性原理的預警系統可以應用到各種復雜的系統中，實施簡單快捷；移植方便，不需要參數調整且具有很強的魯棒性；覆蓋全工況多擾動，可以建立個性化模型，以動態帶作為報警閾值，從而得出和展示故障初期的征兆[7]。

采集一段時間（一般為一年）的系統相關運行數據，作為基準工況參數樣本，并且認為這些樣本已經全覆蓋系統的各個運行工況。預警系統根據所選歷史數據樣本進行相似性分析，建立相應的動態模型，并使用所建模型對工業系統采集的實時測量值樣本進行計算并且與模型設定的偏差值比較，若超出閾值則差生偏差預警。

本文介紹“預警模型性能參數預警——預警事件前后時間序列搜尋——定模型系統辨識——辨識參數擬合及預測”的技術路線。從系統測點狀態參數角度分析，搜尋參數的相似的時間子序列并作為分析單元。通過預警系統性能參數預警信息出發，在基于狀態編碼的風機狀態相似性條件約束下，搜尋歷史相似的時間序列數據集，然后對每個相似的時間序列進行系統辨識，得到對應的系統特征參數，最后對有用特征參數進行曲線擬合，得到風機的性能趨勢預測曲線。

1 風機故障特征及信息編碼

1.1 風機故障和信息特征

風機的大量失效故障不是瞬時發生的，故障從開始、發展到惡化總有一段出現異常現象的事件，而且有征兆可尋。觀察和統計表明，大型旋轉設備的大部分故障是具有時間依存性的、可預知的趨勢性故障，采用科學有效的故障預測往往能夠揭示故障的發展變化，有利于避免設備惡性事件和繼發性事故的發生。

故障發展變化的特征信息是一種早期的故障信息，甚至是故障發生前的趨勢特征信息，其具有弱信息特征導致信噪比很低；在故障預測中有用信息往往被復雜系統的時變、非線性運行特征、工況和負載變化、環境干擾和測試系統噪聲等非故障信息所淹沒，傳統分析方法往往難以進行有效的故障預測。

1.2 風機性能參數與辨識參數的同構關系

許多故障模式往往伴隨著設備性能的劣化，而設備性能相關的本質參數往往能夠反映本質的性能退化情況，然而設備本質參數往往是不能直接測量，只能通過可測量的狀態參數來推斷。

對于風機，經常希望通過監測系統的參數變化來確定系統的狀態。當系統的輸出和系統模型的預測值相差較大時，表明系統的本質特性發生了變化。

系統辨識參數與設備本質參數往往有一種同構的關系，通常可以通過辨識參數的變化來描述設備本質參數的變化，使問題處理簡單和理解更加深刻。例如與歷史同工況和同狀態變化向量相比，負載響應時間過長、穩態偏差值逐漸增大等都可以反映設備處于一個性能劣化的過程。

1.3 測點狀態編碼

對風機歷史數據進行挖掘，通常兩到三年事件跨度的數據。一臺大型風機通常有幾十個測點，雖然采用了數據壓縮技術，兩三年累計下來的數據量也非常可觀，非常不便于數據的定位和分析。因此，對風機各個工況參數進行狀態編碼，對各個測點進行離散化，提供測點參數變化的大致輪廓，方便計算機的快速搜尋定位；壓縮事件感知和提高相似性工況和狀態工況變化的搜尋。鑒于風機性能劣化是一個漸進的過程，我們可以選擇歷程中變化最多的和具有代表性的狀態和狀態變化向量來研究，而不影響分析結果。

時間序列近似表示是將原始時間序列用某個維數更低的時間序列在一定的誤差范圍內代替，這樣可以實現數據壓縮，減少計算代價。如果能從序列中抽取少量的、主要的特征對時間序列采用近似表示，相當于迸行了十分必要有效的維數約減以消除數據冗余，可以大大提高序列的查找速度。

可以采用PAA方法進行狀態編碼。PAA方法采用分段累積、近似法首先將時間序列分成相等長度的若干小段，然后分別計算出每一小段的平均值，這些平均值組成的向量就是原來時間序列降低維數后的表示，這種變換得到了原序列的分段常數近似表示，具有簡單、重觀、高效的優點[16]。

風機狀態S用各個輸入測點的狀態編碼Si向量表示：

兩個風機狀態的變化向量為：

兩個風機狀態的距離定義為：

其中YT為測點狀態加權向量。

1.4 風機性能參數的選擇

風機的性能參數主要有流量、壓力、功率、電流、轉速、風機進出口流體壓力和溫度、機組負荷、動葉開度、電機風機軸承溫度和振動、潤滑油溫度和回油溫度等測點參數。通常需要綜合考慮這些來考察風機的性能，然而這些參數之中與性能的相關性非常小，可以不考慮。通常可以對風機工況歷史數據機組負荷進行等長度分箱，對每個分箱內的數據相同數量的抽樣，然后進行相關性分析。剔除與性能關聯性小的測點，縮小影響風機性能參數的維度，簡化分析過程，減少計算量。

通常可以采用影響性能參數的測點作為模型的輸入參數，例如：

采用反映性能參數的測點作為模型的輸出參數，例如：

2 系統特征參數辨識

2.1 可辨識性

大型選裝機械的故障通常為隨機過程，在研究對象長歷程的運行過程中，工況變化、負載變化、環境變化和外界干擾等非故障因素產生的影響。風機是一個復雜的非線性動力系統，傳統方法描述系統運動行為時，通常將非線性忽略掉。一般認為，在一個狀態小范圍的工況參數變化過程中設備的動態特性是線性的。

2.2 相似性時間序列的搜尋

兩個時間序列在近似表示條件下的相似性即指：如果兩個時間序列經過某些近似表示后的相似性函數在一定的誤差限制范圍內滿足某個條件，則認為這兩個時間序列在這種近似表示條件下是彼此相似的[16]。

根據預警事件前后時間長度為L的時間范圍內的參數狀態編碼，依據某種相似性，搜尋歷史時間序列數據集。

通常以預警系統性能參數的測點的預警事件作為辨識系統啟動的觸發事件。假設事件觸發時刻風機的狀態編碼為S0，可以采用以下的方法進行相似性時間序列的搜尋：

2、搜尋Si前后長度為L的，采樣時間間隔為dt（通常dt=1s）的時間序列集合，計算Ri開始和結束時刻的狀態、開始和結束時刻的最高最低狀態

3、搜尋類正向單位階躍時間序列相似的中心狀態集合U2，采用以下的判別方式：

4、搜尋類負向單位階躍時間序列相似的中心狀態集合U3，采用以下的判別方式：

2.3 系統特征參數辨識

根據對象特性及系統辨識研究需求，建立模型類庫。由于風機性能辨識模型較為簡單，首先考慮LS模型。采用簡單的最小二乘法進行特征參數辨識。

輸出性能參數有：

系統模型：

用于描述系統的輸入j輸出i特性，其中

為了討論的方便，以下省略下標ij，表示對某一特定的輸入輸出系統模型。準則函數為：

其中，好h(k)是可觀測的數據向量，利用隨機序列的一個實現，使準則數：

2.4 特征參數趨勢及預測

3 結論

本文介紹了一種風機性能趨勢預測的方法。方法采用基于相似性建模的風機預警性能模型進行風機工況參數進行偏差值估計，根據正負偏差閾值設置觸發預警事件；對風機各個工況參數進行狀態編碼；根據預警事件前后時間長度為L的時間范圍內的風機事件中心狀態、開始狀態和結束狀態，搜尋歷史相似的時間序列數據集；對每個相似的時間序列進行系統辨識，得到對應的系統特征參數；對有用特征參數進行曲線擬合，得到風機的性能趨勢預測曲線。

[1]徐小力與王紅軍,大型旋轉機械運行狀態趨勢預測．2011： 科學出版社．

[2]汪洋,發電廠風機狀態趨勢分析與壽命預測．湖北電力,2006(04)： 第36-38頁．

[3]周津慧,重大設備狀態檢測與壽命預測方法研究,2006,西安電子科技大學．第141頁．

[4]張新廣,基于盲系統辨識的旋轉機械故障診斷新方法研究,2008,鄭州大學．第76頁．

[5]李超順,水電機組控制系統辨識及故障診斷研究,2010,華中科技大學．第146頁．

[6]鄒麗潔,電站設備參數異動搜索分析與故障預警研究,2011,華北電力大學（北京）．第98頁．

[7]李玉珍,故障預警系統在發電設備狀態評估與故障診斷工作中的應用,in 2010年全國發電企業設備檢修技術大會2010： 西安．第852-867頁．

[8]富雙進,電站風機故障預警系統的研究,2015,華北電力大學．第56頁．

[9]高明,火電廠送風機故障預警系統的研究,2013,華北電力大學．第57頁．

[10]常劍與高明,基于相似性建模的發電機組設備故障預警系統．機電工程,2012(05)： 第576-579頁．

[11]劉鑫沛,基于相似性建模的發電設備故障預警方法研究,2014,華北電力大學．第59頁．

[12]郭康維,基于相似性建模的鍋爐一次風機故障預警研究,2014,華北電力大學．第50頁．

[13]常帥,基于相似建模的汽輪機故障預警系統,2013,華北電力大學(保定) 華北電力大學．

[14]陳昆亮,汽輪發電機組狀態監測與故障預警系統研究,2012,華北電力大學(北京) 華北電力大學．

[15]趙振書,基于相似性原理的發電機故障預警系統,2013,華北電力大學(保定) 華北電力大學．

[16]張榮明,時序數據挖掘中的相似性和趨勢預測研究,2009,廣東工業大學．