基于多信息融合的小機故障預警研究

浙江浙能溫州發電有限公司 李文華 徐智偉

基于多信息融合的小機故障預警研究

浙江浙能溫州發電有限公司 李文華 徐智偉

本文根據小機故障類型進行知識推理和信息融合混合推理識別故障模式，利用知識庫中的診斷規則，對小機的多測點信息進行融合推理，得到故障模式的診斷信息。通過采用D-S證據理論方法對小機的進口蒸汽壓力和高壓進口蒸汽溫度的測點數據進行融合，得到綜合診斷結果。

信息融合；故障預警；小機；綜合診斷；可靠性

0 引言

電廠小機運行狀況的優劣，直接影響到整個電廠運行的安全性以及經濟性。在故障發生的時候，小機的運行穩定性往往會變得很差，此時如果運行人員調整不當，很容易造成機組溫度持續升高，嚴重極端情況下還會引發爆燃等事故。

為提高小機的運行效率并提高安全性，本文將證據理論融合方法引入到小機的穩定性診斷中，對小機的進口蒸汽壓力和高壓進口蒸汽溫度傳感器監測到的數據信息進行分析并融合，得到一個較全面反應小機安全狀況的綜合診斷信息。

證據理論是一種處理不確定性的理論。證據理論的主要特點有：需滿足的條件比貝葉斯概率理論更弱，即不必滿足概率可加性；具有直接表達“不知道”和“不確定”的能力，在證據合成過程中，這些保留的信息表示在函數中；類似于人類在各級抽象層次上的證據收集過程，證據理論允許人們將信度賦給假設空間里的單個元素，而且還能賦給它的子集。相比于概率推理理論而言，證據理論中所需的先驗數據更容易獲得、更為直觀，且合成公式可以綜合多個專家或數據源的知識或數據。在故障模式識別過程中，同一個故障征兆可以對應多個故障模式，且每個故障征兆對識別故障的貢獻不同，因而基于證據理論的信息融合方法就非常適合用來做故障模式識別。

1 基于證據理論的信息融合方法

在證據理論中，涉及到識別框架、基本概率分配函數、信度函數、似真函數等概念，定義如下：

定義1設變量所有可能值的窮舉集合為Θ={,θ1,θ2,...,θn}，若Θ中的各個元素是相互排斥的，則稱Θ為識別框架（Frame of Discernment）。

定義2設Θ為識別框架，對人一個屬于Θ的子集A(命題)都令他對應一個數m(A)∈[0，1]，且滿足：

表1 故障模式識別示例計算的BPA

圖1 小機故障樹

表2 小機軸故障樹符號定義表

表3 溫州小機性能報警測點表

所定義的函數Bel(A)為識別框架Θ上的信度函數(Belieffunction)。信度函數Bel(A)表示對A的總的信任程度。

所定義的函數Pl(A)為識別框架上的似真函數(Plausibilityfunction)，似真函數Pl(A)表示對A不否定的信任程度。

其中，K為歸一化常數

2 故障模式的識別

2.1 融合策略

不同故障模式在各自診斷模型中所列的各個故障征兆表現上具有不同程度的反映，經分類得到故障所屬模式類后，利用不同的征兆條件群建立診斷模型，通過基于證據理論的信息融合方法進行知識推理來診斷具體的故障模式。例如，對于一倍頻故障類，所包含的在線監測故障模式共有原始質量不平衡、轉動部件松動飛脫、轉子熱彎曲這三種，根據這三個故障模式的診斷模型，利用軸振振幅、瓦振振幅、振動穩定性、軸振時域波形、軸心軌跡、振動相位變化、軸瓦溫度、頂軸油壓、軸向位移和脹差等征兆，就能將它們區分識別。經過信息融合后選擇可信度最大的故障模式即為所求結果。為了提高證據合成的效率，避免發生證據組合爆炸情況，提出一種貝葉斯近似方法的Dempster證據合成公式，使焦元個數小于或等于識別框架中元素的個數。Voorbraak給出了mass函數的貝葉斯近似計算公式:

否則，m(A)=0。

一倍頻故障類的三個故障模式組成了識別框架Θ={F1,F2,F3}（原始質量不平衡、轉動部件松動飛脫、轉子熱彎曲分別用F1,F2,F3表示），故障征兆集合{Z1,Z2,...,Zn}作為mass函數集合{M1,M2,...,Mn}。這里僅用于演算示例，假設故障征兆只有Z1,Z2,ZN，故障發生的情況只有{F1},{F2},{F3},{F1,F2},和{F1,F2,F3}這幾種簡化組合情況，根據上述假定分別給出下表所示的BPA，各列的數值為該征兆對每個故障模式識別的貢獻度。

對于這種無交叉故障發生情形的而言，對F1,F2,F3的組合函數再求信任函數、似然函數，可知“信任函數=似然函數=組合后的mass函數值”，即:

2.2 故障原因查找

在診斷出故障模式后，根據故障樹分析法可以找出故障原因。故障原因的查找方法如圖1所示：

圖2 水泵小計系統結構圖

圖3 進口蒸汽壓力和高壓進口蒸汽溫度趨勢圖

圖4 小機調門開度趨勢圖

首先，依據故障樹得到故障原因底事件，列全所有的故障原因的最小割集，形成故障原因規則知識庫。以圖1的軸向動靜跑摩故障為例說明故障原因知識庫的建立過程。該故障樹的最小割集有個，故能得出的診斷規則有條，例如：

If“升速率太快或暖機時間過短”and“脹差引起的軸向間隙減小”and“軸封與凸肩軸向碰摩”and“故障模式為軸向碰摩”，then“故障原因為升速率太快或暖機時間過短引起的脹差間隙變小”；

2.3 故障位置查找

對于大多數故障而言，故障位置一般都是根據故障信號的監測位置，例如對于整個軸系來說，分為高中壓缸、低壓缸、小機幾個部分，通過每段軸承上的軸振或者瓦振信息，就能大致定位出故障發生在那個體或設備上。但是機組的振動往往具有很大的關聯性，因為各段轉軸是通過聯軸器相連的，所以也會有小機的異常振動引起低壓缸的振動這種類似的情況。而且，對于某些特殊故障，這一簡單直觀的方法并不能解決問題，如轉軸碰摩，到底是汽紅內的轉子碰摩還是軸封處碰摩都無法立即確定。所以運行人員需根據相關聯的部件測點的數據，同時進行關聯性分析，對非故障因素進行排除，得到一個相對精確的故障信息，從而可以確定故障模式以及故障位置。例如：“故障模式為軸向振動碰摩”and“故障原因為升速率太快或暖機時間過短引起的脹差間隙變小”and“軸振過大”，then“故障位置在高中壓缸高壓端軸封處”。

2.4 系統實施

利用多元數據信息融合技術，可以融合不同維度的信息，結合一定的數據挖掘算法和統計學方法，在“故障預警”系統里，當設備在實時工況下出現報警，可以結合報警信息對設備的當前工況下進行安全狀態分析，實現設備故障的早期預警診斷，以確保設備的正常運行，有效的避免設備的損壞而造成經濟損失和嚴重后果。

由于一般的設備在異常工況下不是單一測點報警，而是多測點報警，每個測點的信息又是不同維度的，這時為了研究分析設備當前工況下的安全狀態就需要這樣的分析理論去結合多元數據信息來對設備進行預警診斷。對報警的測點進行羅列，每一個種類分為一種特征，各種特征之間相互組合都能夠對設備造成不同的影響。根據當前報警測點的情況，將每種報警的特征結合在一起，可以分析出設備的當前運行狀況，以及確定故障發生的位置，達到及時發現故障位置，對設備實現早期預警，避免發生嚴重后果的效果，并且對異常工況下的設備對多測點進行全面性分析能夠更有效、更準確的確定設備當前的運行狀況。

3 實例分析

該系統自投入我廠實際應用以來，已取得了十分良好的使用效果，通過該系統的實際應用和專業人員的不斷總結和不斷完善，多年來已經實際預警了很多設備的故障。避免了很多不必要的經濟損失和設備故障可能造成的嚴重后果。下面通過實際發生的小機故障案例來說明系統的故障預警實際的工作過程。

將設備出現異常的具體時間，相關測點描述等相關詳細信息整理成如表3所示的預警點詳情表。實際工作人員就可以按照相關流程，并根據相關設備的實際預警信息對設備可能出現的故障進行分析判斷，這樣就能夠提前排除設備故障。

圖5 四抽至小機壓力和小機轉速趨勢圖

自“故障預警”系統投運起，1月2日20時，#4B給水泵進口蒸汽壓力實際值0.35MPa，比預估值0.54MPa偏差0.19MPa，由此導致預警。

3.2 現場趨勢圖

圖6 給水泵汽機B進口蒸汽壓力趨勢圖

3.3 原因分析

溫州電廠#4機（330MW）配備二套50%給水泵小機系統，該小機可以由高壓（冷再）和低壓（四抽）兩種汽源單獨或同時供汽，各有獨立的主汽門和調整門進行控制和調節。如圖3所示：

從趨勢圖分析，1月20日20時，#4B小機四抽進汽壓力下降，#4B小機冷再進汽溫度上升，判斷冷再蒸汽已經參與調節，判斷四抽進汽回路或者調節控制回路出現異常引起。如圖4所示：

1月12日汽機點檢員和儀控點檢員分別對機務進汽回路和調節控制回路進行檢查，四抽調節控制回路。如圖5所示，儀控對小機調門開度趨勢圖分析，四抽調門開度在全開位置，為了維持小機轉速，冷再調門參與調節，調節控制回路屬于正常狀態。

汽機專業點檢也對進汽回路所有閥門進行檢查，退出#4B汽泵運行，隔離冷再至小機進汽隔離閥，只有四抽進汽隔離閥參與調節，當小機轉速低于3000r/min時四抽至小機進汽壓力顯示0.35MPa；小機轉速4200r/min時四抽至小機進汽壓力顯示0.25MPa，進汽調節閥全開，進汽量不足，如圖6所示：

點檢還對四抽至小機進汽隔離閥和電動閥進行檢查，沒有發現異常現象。經過以上綜合判斷，認為四抽逆止閥卡澀引起進汽壓力和流量不夠，冷再參與調節引起預警，等機組檢修時安排逆止閥檢修處理。

從趨勢圖看，進口蒸汽壓力和高壓進口蒸汽溫度變動曲線偏離較大，但是無突變現象，可以排除“汽流激振”“動靜摩擦”等異常可能，屬于逆止閥卡澀現象。

對該事件可以總結出小機故障的一個故障模式，如表3所示：

綜上所述，可以得出結論：在“故障預警”系統投用后，監測到機組在運行過程中，監測到小機四抽進汽壓力下降，小機冷再進汽溫度上升，點檢還對四抽至小機進汽隔離閥和電動閥進行檢查，且均無異常現象。經過以上綜合判斷，認為進汽壓力過低和進口流量低由四抽逆止閥卡澀引起。所以在有條件檢修情況下，建議運行維修人員修整逆止閥，提高小機運行可靠性，消除壓力偏差。

表4 小機故障模式

4 結束語

這種基于D-S矩陣論的多信息融合的故障預警與診斷方法，相比于傳統的單信息單測點故障預警，具有更高的可靠性、精確性，能夠在多維度數據中體現出其優秀高效的特點。這種多信息融合的故障預警診斷技術通過全面分析設備的實時工況信息，能夠根據關聯性較大的測點直接的關聯度，來準確判斷設備的安全狀況，為機組的安全運行提供了可靠的保障，方便進行運行維護人員制定的設備維修計劃，為機組在線安全運行提供了科學依據。

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

[2]董曉峰．基于RCM分析的智能化小機故障診斷系統研究[D]．華北電力大學,2012．

[3]趙巍偉．基于RCM分析的小機維修決策[D]．華北電力大學,2014．

[4]韓延鵬．小機轉子熱彎曲故障診斷方法研究及應用[D]．華北電力大學,2014．

[5]杜加萍．多傳感器信息融合算法的研究及應用[D]．江南大學,2011．

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

[7]常帥．基于相似建模的小機故障預警系統[D]．華北電力大學,2013．

[8]黃乃成．基于知識的汽輪發電機組智能故障診斷研究[D]．華北電力大學,2013．

[9]張國坤．基于聚類分析的汽輪發電機組早期故障識別系統研究[D]．華北電力大學,2013．

[10]李文祝．小機調節系統網絡化故障診斷系統研究[D]．華北電力大學,2000．