新型水電站設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)方法探討

謝秋華，楊廷勇

（中國(guó)長(zhǎng)江電力股份有限公司，湖北 宜昌443000）

1 引言

傳統(tǒng)水電站設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)在故障診斷與分析中主要采取兩大方向的分析方法與手段：一是通過定期的趨勢(shì)分析，運(yùn)行與維護(hù)人員對(duì)設(shè)備未達(dá)到報(bào)警閾值之前的劣化趨勢(shì)進(jìn)行預(yù)判或趨勢(shì)預(yù)警，分析工作主要依靠運(yùn)行和維護(hù)人員經(jīng)驗(yàn)；隨著傳感器技術(shù)、數(shù)據(jù)采集、處理及傳輸技術(shù)等計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，電站運(yùn)行過程中產(chǎn)生越來越多、精度越來越高的生產(chǎn)數(shù)據(jù)，歷史數(shù)據(jù)庫(kù)中存儲(chǔ)的數(shù)據(jù)量急劇膨脹，導(dǎo)致人工分析工作量巨大、時(shí)間上滯后，同時(shí)人工分析深度和廣度受限，設(shè)備潛在故障分析的全面性和準(zhǔn)確性也難以保障。二是采用故障模式識(shí)別技術(shù)，即用設(shè)備已知的各種故障模式特征對(duì)新發(fā)生的設(shè)備故障進(jìn)行特征比對(duì)，將新故障歸并為匹配性最好的已知故障模式，從而實(shí)現(xiàn)設(shè)備故障診斷。由于水電站全面的故障模式收集非常困難，且水電站設(shè)備故障發(fā)生機(jī)理復(fù)雜、多樣，因此很難實(shí)現(xiàn)故障模式的精準(zhǔn)匹配。因此，該理論雖然發(fā)展多年，目前依然無法成功應(yīng)用于水電站生產(chǎn)實(shí)踐中。

為解決上述問題，新型設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)致力于實(shí)現(xiàn)設(shè)備趨勢(shì)自動(dòng)預(yù)警和劣化程度自動(dòng)辨識(shí)，提升故障診斷智能水平，促進(jìn)勞動(dòng)生產(chǎn)力解放。

2 新型設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)核心思想

當(dāng)設(shè)備運(yùn)行于某一穩(wěn)態(tài)工況時(shí)，系統(tǒng)通過大數(shù)據(jù)挖掘方法，對(duì)該工況下設(shè)備的歷史大數(shù)據(jù)特征值進(jìn)行學(xué)習(xí)，總結(jié)出該工況下設(shè)備的健康基準(zhǔn)值，將該值與設(shè)備當(dāng)前值比較，利用偏差分析法計(jì)算兩者相對(duì)偏差，形成動(dòng)態(tài)預(yù)警帶，從而判斷設(shè)備運(yùn)行狀態(tài)是否正常。根據(jù)相對(duì)偏差的大小，設(shè)備運(yùn)行狀態(tài)分為正常運(yùn)行階段、早期預(yù)警階段、缺陷階段和故障階段（見圖 1）。

圖1 新型設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)核心思想示意圖

可見，新系統(tǒng)的核心思想是實(shí)現(xiàn)了設(shè)備動(dòng)態(tài)預(yù)警，與傳統(tǒng)固定閾值報(bào)警有著本質(zhì)區(qū)別，具體如下：

（1）早期異常識(shí)別方面：設(shè)備早期異常特征非常不明顯，遠(yuǎn)遠(yuǎn)沒有達(dá)到預(yù)設(shè)定的報(bào)警閾值，因此傳統(tǒng)系統(tǒng)無法產(chǎn)生報(bào)警信息，即使經(jīng)驗(yàn)豐富的運(yùn)行人員也不易發(fā)現(xiàn)。新系統(tǒng)通過大數(shù)據(jù)挖掘計(jì)算出設(shè)備當(dāng)前工況的健康基準(zhǔn)值，能夠精準(zhǔn)識(shí)別出設(shè)備早期異常，產(chǎn)生預(yù)警信息，如圖2所示。

圖2 設(shè)備早期異常識(shí)別示意圖

（2）報(bào)警定值確定方面：傳統(tǒng)閾值報(bào)警的定值需要行業(yè)專家或者設(shè)備廠家提供，需要極強(qiáng)的專業(yè)性，動(dòng)態(tài)報(bào)警健康基準(zhǔn)值由設(shè)備歷史大數(shù)據(jù)特征值學(xué)習(xí)總結(jié)而來，是基于設(shè)備自身歷史運(yùn)行數(shù)據(jù)，而不是簡(jiǎn)單的行業(yè)經(jīng)驗(yàn)數(shù)據(jù)，更貼近設(shè)備實(shí)際運(yùn)行情況。

（3）定值適應(yīng)性方面：傳統(tǒng)閾值報(bào)警的定值是預(yù)先設(shè)定的一個(gè)固定值，不隨設(shè)備運(yùn)行工況變化而變化，“以不變應(yīng)萬變”；新系統(tǒng)定值是根據(jù)設(shè)備不同運(yùn)行工況計(jì)算而來，會(huì)隨設(shè)備運(yùn)行工況的改變發(fā)生相應(yīng)的變化，具有很強(qiáng)的自適應(yīng)性。

（4）報(bào)警處理及設(shè)備損壞方面：新系統(tǒng)能夠產(chǎn)生早期預(yù)警，而傳統(tǒng)系統(tǒng)只能夠產(chǎn)生缺陷報(bào)警，因此新系統(tǒng)故障預(yù)警后有更多的故障處理時(shí)間，對(duì)設(shè)備損壞也小很多。

此外，新系統(tǒng)通過層次分析法對(duì)設(shè)備報(bào)警部件進(jìn)行全局性影響評(píng)估，為設(shè)備檢修決策提供支持；通過預(yù)警案例的不斷積累對(duì)設(shè)備報(bào)警處理提供解決方案，為故障檢修的精準(zhǔn)定位提供依據(jù)。

總之，新系統(tǒng)以設(shè)備健康樣本大數(shù)據(jù)為核心，一切以大數(shù)據(jù)為依據(jù)、用大數(shù)據(jù)說話，

對(duì)于識(shí)別設(shè)備非健康狀態(tài)、防止設(shè)備故障、減少非計(jì)劃停運(yùn)、提高設(shè)備利用率、延長(zhǎng)設(shè)備使用壽命等方面，都是傳統(tǒng)系統(tǒng)無法比擬的。

3 新型設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)具體實(shí)現(xiàn)

新型設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)主要功能包括設(shè)備動(dòng)態(tài)預(yù)警、緩變量曲線趨勢(shì)自動(dòng)識(shí)別和設(shè)備故障劣化程度評(píng)估3大部分。

3.1 數(shù)據(jù)泛化

設(shè)備趨勢(shì)分析相對(duì)于平穩(wěn)數(shù)據(jù)，更關(guān)注最大值、最小值、平均值等特征數(shù)據(jù)，本系統(tǒng)按照設(shè)備分析需求，預(yù)先計(jì)算出并存儲(chǔ)設(shè)備分鐘、小時(shí)、天、月、年特征值，即數(shù)據(jù)泛化，當(dāng)用戶請(qǐng)求時(shí)直接提供計(jì)算結(jié)果，而不是請(qǐng)求時(shí)才去計(jì)算，能夠在保證準(zhǔn)確展現(xiàn)設(shè)備真實(shí)趨勢(shì)的前提下，實(shí)現(xiàn)長(zhǎng)周期大數(shù)據(jù)請(qǐng)求系統(tǒng)的快速響應(yīng)。

3.2 模式匹配

傳統(tǒng)故障診斷模式是故障案例匹配，即用設(shè)備已知的故障樣本訓(xùn)練系統(tǒng)，以期當(dāng)設(shè)備出現(xiàn)異常時(shí)，系統(tǒng)能夠從已知故障中匹配一個(gè)最相似故障樣本作為診斷結(jié)果。

這種模式在實(shí)際應(yīng)用中存在如下問題：

（1）設(shè)備故障樣本數(shù)量很難達(dá)到系統(tǒng)訓(xùn)練要求，導(dǎo)致系統(tǒng)學(xué)習(xí)精度和深度無法保障。

（2）設(shè)備故障樣本種類很難收集全面，導(dǎo)致模式匹配困難。

（3）設(shè)備故障變化多樣性，即使兩個(gè)相似故障也存在差異，導(dǎo)致模式匹配困難。

本項(xiàng)目逆向思維，采用健康樣本匹配模式，主要依據(jù)事實(shí)是：設(shè)備故障變化多端，但是設(shè)備正常運(yùn)行表象是基本相同的，而且設(shè)備多數(shù)時(shí)間處于健康運(yùn)行狀態(tài)，能夠提供足夠的健康樣本供系統(tǒng)訓(xùn)練學(xué)習(xí)。總之，設(shè)備健康表象相似，樣本豐富，模式匹配能夠保證精度和深度。

3.3 設(shè)備動(dòng)態(tài)預(yù)警

（1）核心算法：動(dòng)態(tài)預(yù)警實(shí)現(xiàn)的核心算法是k-means聚類分析法，它是將各個(gè)聚類子集內(nèi)的所有數(shù)據(jù)樣本的均值作為該聚類的代表點(diǎn)，算法的主要思想是通過迭代過程把數(shù)據(jù)集劃分為不同的類別，使得評(píng)價(jià)聚類性能的準(zhǔn)則函數(shù)達(dá)到最優(yōu)，從而使生成的每個(gè)聚類同一簇中的對(duì)象彼此相似，不同簇中的對(duì)象彼此相異。

（2）模型建立：新系統(tǒng)采用面向?qū)ο蠼７绞剑瑢⒃O(shè)備關(guān)鍵測(cè)點(diǎn)以及相關(guān)測(cè)點(diǎn)作為一個(gè)整體的“模型”對(duì)象，模型更關(guān)注設(shè)備關(guān)鍵參數(shù)之間的整體性和關(guān)聯(lián)性，更注重系統(tǒng)思維，而不是單個(gè)參數(shù)的固定限值。

（3）健康基準(zhǔn)值計(jì)算：對(duì)于水電站設(shè)備而言，一般情況下設(shè)備正常運(yùn)行記錄會(huì)遠(yuǎn)遠(yuǎn)大于異常記錄，即設(shè)備正常運(yùn)行狀況的運(yùn)行數(shù)據(jù)數(shù)量，遠(yuǎn)遠(yuǎn)大于體現(xiàn)設(shè)備異常工況的數(shù)據(jù)數(shù)量。

因此，對(duì)于給定的特定工況下的一組設(shè)備運(yùn)行數(shù)據(jù)集，通過聚類算法，大部分樣本會(huì)收斂于唯一的同一個(gè)簇（主簇），少量樣本會(huì)屬于其他簇，如圖3所示。大量健康樣本匯聚的主簇中心，正是設(shè)備健康基準(zhǔn)值。對(duì)于其他簇，是異常數(shù)據(jù)或者設(shè)備的異常狀態(tài)，予以剔除。顯然，設(shè)備健康基準(zhǔn)值的產(chǎn)生是基于設(shè)備自身歷史運(yùn)行大數(shù)據(jù)，不是固定的值，會(huì)隨機(jī)組運(yùn)行工況的改變發(fā)生相應(yīng)的變化。

圖3 健康基準(zhǔn)值計(jì)算示意圖

（4）偏差計(jì)算：為了更好的表達(dá)設(shè)備狀態(tài)偏離健康基準(zhǔn)值嚴(yán)重程度，新系統(tǒng)使用相對(duì)偏差分析法，即相對(duì)偏差=[（健康基準(zhǔn)值－模型實(shí)時(shí)值）/健康基準(zhǔn)值]×100%，從而實(shí)現(xiàn)設(shè)備動(dòng)態(tài)預(yù)警。

3.4 緩變量曲線趨勢(shì)自動(dòng)識(shí)別

水電站一些重要設(shè)備參數(shù)，如軸承瓦溫、調(diào)速器系統(tǒng)油位等，正常情況下變化量非常小，稱之為緩變量。緩變量緩慢上升或下降的趨勢(shì)往往是故障征兆的反映，而這種變化趨勢(shì)運(yùn)行人員很難發(fā)現(xiàn)，趨勢(shì)的自動(dòng)識(shí)別非常必要。

緩變量自動(dòng)識(shí)別基于概率統(tǒng)計(jì)理論。設(shè)曲線斜率為Kp，當(dāng)曲線總體趨勢(shì)向上時(shí)，從概率論知識(shí)可知，曲線斜率Kp＞0為極大概率事件，即斜率Kp＞0的概率必將大于Kp＜0的概率，反之亦然。對(duì)曲線上所有點(diǎn)的斜率分別進(jìn)行正負(fù)統(tǒng)計(jì)，根據(jù)統(tǒng)計(jì)結(jié)果就能夠自動(dòng)識(shí)別曲線的變化趨勢(shì)。

為了消除測(cè)點(diǎn)波動(dòng)引起的識(shí)別誤差，需要設(shè)定測(cè)點(diǎn)變化死區(qū)，即測(cè)點(diǎn)相鄰兩次測(cè)值之差大于設(shè)定值時(shí)，才統(tǒng)計(jì)該次斜率變化。某電站推力油槽油混水曲線自動(dòng)識(shí)別過程特征數(shù)據(jù)如表1所示，曲線如圖4所示。

表1 特征值數(shù)據(jù)（小時(shí)平均值）

圖4 推力油槽油位天趨勢(shì)曲線

由表1可知，曲線斜率上升次數(shù)百分比為100%。曲線為加速上升狀態(tài)。事后結(jié)果表明，推力油槽油混水在7月26日凌晨3:00多開始出現(xiàn)，并一直持續(xù)發(fā)展。

3.5 設(shè)備故障劣化程度評(píng)估

本項(xiàng)目采用層次分析法（AHP）對(duì)設(shè)備狀態(tài)進(jìn)行評(píng)估，是一種定性與定量分析相結(jié)合的多目標(biāo)決策分析方法。傳統(tǒng)設(shè)備狀態(tài)評(píng)估是一種定性分析方法，需要考慮設(shè)備多個(gè)屬性之間的權(quán)重關(guān)系，主觀性較強(qiáng)。

層次分析法每次只需要考慮設(shè)備兩個(gè)屬性之間的權(quán)重關(guān)系，形成屬性關(guān)聯(lián)矩陣，然后通過其計(jì)算出設(shè)備多個(gè)屬性之間的權(quán)重關(guān)系，降低定性成分，增加定量分析，設(shè)備狀態(tài)評(píng)估更容易實(shí)施，也相對(duì)更加合理。

4 結(jié)論

新型水電站設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)針對(duì)當(dāng)前設(shè)備狀態(tài)監(jiān)測(cè)技術(shù)中的不足，充分利用現(xiàn)有的數(shù)據(jù)中心及大數(shù)據(jù)挖掘技術(shù)，從海量數(shù)據(jù)中挖掘出設(shè)備健康狀態(tài)樣本，實(shí)現(xiàn)設(shè)備早起故障報(bào)警、緩變量趨勢(shì)報(bào)警、設(shè)備劣化狀態(tài)評(píng)估等功能；應(yīng)用數(shù)據(jù)泛化兼顧運(yùn)算速度與精度，將歷史數(shù)據(jù)從以往“不被重視、利用難度大”的現(xiàn)狀，變成設(shè)備診斷分析最原始、最權(quán)威的專家；從而真正實(shí)現(xiàn)大數(shù)據(jù)分析與輔助決策，助力電站本質(zhì)安全。