基于分類算法的汽動給水泵組故障預測

徐紅偉，劉振宇，李崇晟

?

基于分類算法的汽動給水泵組故障預測

徐紅偉，劉振宇，李崇晟

（西安熱工研究院有限公司，陜西 西安 710054）

汽動給水泵組是火電廠熱力系統的重要輔助設備，對汽動給水泵組有效的故障預測有助于其狀態檢修。本文通過基于統計特征的特征提取方法及Relief特征選擇算法，實現廠級監控信息系統歷史數據到分類模型輸入參數的合理轉化，并采用5種分類算法分別針對2個電廠汽動給水泵組的小機葉片斷裂和給水泵動、靜平衡盤碰磨實際故障案例，建立了正常與故障狀態的分類模型。實際數據驗證表明：BP神經網絡、支持向量機和組合分類算法分類效果更優，可提前4~10周識別設備故障的潛在風險，該結果為其他設備故障預測提供了新的思路。

汽動給水泵組；故障預測；BP神經網絡；支持向量機；組合分類；狀態檢修

火電廠設備檢修模式主要分為定期檢修、事故檢修和狀態檢修。定期檢修是按預定時間周期進行的計劃檢修；事故檢修是設備發生故障后被動進行的非計劃檢修；狀態檢修則根據設備狀態變化合理安排檢修時間和內容，是檢修模式的發展方向。有效的故障預測可為狀態檢修提供技術支撐。

故障預測一般有2類方法：1）通過機理分析綜合考慮機械、材料等特性確定設備劣化趨勢，但由于制造、運行等過程的不確定性，增加了研究的復雜度和誤差率；2）挖掘設備歷史數據中的隱藏信息，根據數據特征變化分析設備狀態變化趨勢。

汽動給水泵組是火電廠熱力系統的重要輔助設備，它將給水從凝結水壓力提高到鍋爐給水壓力，并向過熱器及再熱器提供減溫水。汽動給水泵組的安全運行與整個機組的安全密切相關，將數據挖掘技術應用于汽動給水泵組的故障預測，可為汽動給水泵組狀態檢修的發展探索新的方向。

數據挖掘技術在設備故障預測領域的應用已有較多研究：Golriz Amooee等[1]使用貝葉斯網絡、支持向量機（SVM）、神經網絡等預測了設備的缺陷，并比較了不同算法的性能；雷金波[2]運用邏輯回歸模型實現了設備狀態退化評估，并采用SVM預測了設備狀態發展趨勢；Elyas Rakhshani等[3]將鍋爐燃燒系統的有效參數數據進行聚類，并采用神經網絡分別實現了故障監測和預測；Andrew Kusiak等[4]使用隨機森林算法實現了風機狀態預測，從而識別風機故障；童超等[5-6]采用改進Apriori關聯規則算法分析了風電機組槳距角不對稱故障前后的報警信息，從中提煉了有效報警量，并采用分類算法辨別風機處于正常或故障狀態；Zhao Gang等[7]將故障類型與振動頻譜和過程特征相關聯，采用決策樹實現了故障分類；李莎等[8]將相關分析法結合最大最小聚類對數據進行了約簡，并采用SVM實現了汽輪機故障診斷；張國坤[9]利用k-均值聚類方法對汽輪發電機組構建了基于多征兆信息融合的故障識別體系；張子泓[10]使用改進Apriori算法對給水泵進行了關聯規則挖掘，實現了給水泵故障預測及檢修計劃編制；Yang Haowei等[11]將關聯規則挖掘應用于給水泵故障預測，得到了特定測點組合超標與故障的警示關系。

本文依托火電廠廠級監控信息系統（supervisory information system in plant level，SIS），采用多維時間序列分類方法實現了汽動給水泵組的典型故障預測，并結合實際案例對模型的有效性進行了驗證。

1 研究對象

本文分別選取電廠A和電廠B的1臺汽動給水泵組作為研究對象進行故障預測，分別取性能測點、軸承及油溫測點、振動測點3類數據。其中，性能測點主要包括功率、轉速、進出口壓力、溫度、流量等參數；軸承及油溫測點主要包括軸承溫度和潤滑油溫度等參數；振動測點主要包括軸向位移、和向振動等參數。A電廠共選取39個測點，B電廠共選取22個測點。

設備的故障往往不是瞬間導致，而有萌芽、發展、惡化直至發生事故的過程（圖1）。盡管無法完全正確地衡量故障萌芽、發展、惡化的時間點，但可通過模糊處理，將設備離故障發生點還很久時的狀態看作健康狀態，將設備故障前夕的狀態看作故障狀態。

圖1 故障發展過程

A電廠于2016年9月28日發生了小汽輪機末 級葉片斷裂事故（3片斷裂、1片損傷），選取其 2016年1月至2016年9月的SIS數據。B電廠于 2016年9月至2017年6月因給水泵動、靜平衡盤碰磨而產生了一系列問題，選取其2015年11月至2017年6月的SIS數據。

2 數據預處理

2.1 數據特性分析

測點數據是時間序列數據，時間序列數據根據其采樣方式有所不同，一般是根據固定時間間隔（如1 s）采樣，這樣容易組合為向量或矩陣，易于采用矩陣理論處理。而SIS對數據的存儲依據數值的變化和時間差2個因素來設定，當實時值與前存儲值的差超過設定的百分比，或當實時值與前存儲值的時間差超過一定時間時，才存儲當前實時值及其時刻。SIS中獲取的某功率測點數據見表1。

表1 SIS中獲取的某功率測點數據

Tab.1 The data of a power measurement point from SIS

由表1可以看出，該數據在時間維度上缺乏規律性。對于多維數據來說，由于不同測點的變化規則各有差異，不規律性更加突出，SIS中多維數據存儲示例如圖2所示。圖2中，①、②、③分別代表不同測點，橫向間隔表示存儲值的時間差。可以看出，在任意固定時間區間內，各測點的存儲值個數均有差別，各值的存儲時間也并無聯系。

圖2 SIS中多維數據存儲示例

2.2 樣本劃分

根據以上分析，首先對數據劃分樣本。由于某些測點數據波動較大，如果單純考慮瞬時數據時，可能丟失時序信息，所以在此將一段固定時間間隔內的多維數據集及其存儲時刻集作為一個樣本。此固定時間間隔取為1 800 s，即每隔30 min，取其間各測點的存儲數據及存儲時刻作為一個樣本。然后對存儲時刻規范化，根據各值存儲時刻與樣本初始時刻的時差，將其轉換為1~1 800中的一個數。

根據第1節中對設備故障與正常狀態的假設說明，對A電廠，將2016年1月的樣本標定為正常類，將2016年9月的樣本標定為故障類；對B電廠，將2015年11—12月以及2016年1月的樣本標定為正常類，將2016年8—10月的樣本標定為故障類。其余樣本均作為驗證數據。

然后對所有數據進行清理，即剔除原始數據中的壞值，對缺失值進行光滑，并實現數據的一致性。

2.3 特征提取

分類問題需要先將對象描述成特征向量形式。對于本文中多維數據且各維數據長度不同的情況，需要先通過合適方式提取數據特征，并構造特征向量。時間序列特征提取方法主要分4類：基于頻譜分析的方法（離散傅里葉變換[12]和離散小波變換[13]等）、基于統計特征的方法[14]、基于形狀的方法[15]、基于模型的方法[16]。此外，還有分段線性表示[17]、奇異值分解[18]、符號聚集近似[19]等。

對于本文中的數據，不僅同一測點各值的存儲間隔差異很大，不同測點間也完全不一致。甚至有些測點參數在一個樣本的1 800 s內只有2~3個數據，顯然這樣的數據不適于采用基于頻譜分析、基于形狀和基于模型等對數據密度要求較高且存儲值時間間隔必須一致的方法來處理。基于統計特征的方法不需顧及數據的存儲密度，也不考慮數據的存儲間隔，對于數值型數據，總能找到合適的統計特征量來描述。

本文對各維數據均提取6個統計特征量，分別為加權平均值1、加權標準差2、變化次數3、最大變化率4、平均變化率5、極差6。其中，加權平均值反映數據的集中趨勢，加權標準差和極差反映數據的離散程度，變化次數、最大變化率和平均變化率反映設備在狀態惡化時數據可能出現的頻繁或大幅的波動。具體計算公式為：

式中：為樣本中要提取特征的維度值數量；x為樣本中要提取特征的維度的第個數據；t為數據對應的規范化時標，1=1，t1=1 801；max為樣本中要提取特征維度的最大值；min為樣本中要提取特征維度的最小值。

特征提取中部分變量取值如圖3所示。圖3表示單個樣本中的一維數據，在此樣本范圍內，此一維數據包含5個數據點。當下一個數據點出現前，默認數據值約等于前一個數據值。

圖3 特征提取中部分變量取值

A電廠共39個測點，每個維度產生6個特征量，將各維的特征量依次排序組成特征向量，其維度為39×6=234維。B電廠共22個測點，得到的特征向量維度為22×6=132維。

將數據在[0,1]區間歸一化，歸一化處理后，所有數據值都處于[0,1]區間。

2.4 特征選擇

按照特征子集形成方式，特征選擇方法分為窮舉式、啟發式和隨機式。窮舉式方法是在原始特征集中考慮特征的完全組合，根據評價最優標準，選取最佳特征子集；啟發式方法在窮舉式的基礎上增加了一些主觀調節傾向，提高了最優子集的搜索效率；隨機式方法先采用隨機抽取方式選擇特征子集，然后評估各子集的有效程度并擇取最優[20]。

窮舉式方法一定能得到最優解，但計算復雜度太大，應用價值較低；隨機式方法的有效性與參數設置的合理性密切相關；啟發式方法簡單快速，也能獲得近似最優解。在此采用一種常用于二分類問題的啟發式特征選擇算法——Relief算法，該算法根據原始特征集中各特征與各類別的相關性程度賦予特征不同的權重[21]。其思路如下：

1）建立特征的權重向量并初始化為0；

2）在訓練數據集中隨機選取一個樣本A；

3）從與A同類的樣本集中找出與其距離最近的樣本S，從與A不同類的樣本集中找出與其距離最近的樣本D；

4）對每個特征=1~（原特征向量維度），通過式(7)更新其權重，

式中，為抽樣次數，[]為A樣本在特征上的值，max()為特征上的最大值，min()為特征上的最小值；

5）返回步驟2）繼續進行下一次抽樣，直到完成次抽樣；

6）按權重由大到小對特征進行排序，取排名靠前的部分特征的組合作為最終的特征向量；

7）對A電廠選取權重排序前43維特征，對B電廠選取前33維特征，分別作為各自的特征向量。

3 模型建立

常用分類算法有BP神經網絡、SVM、樸素貝葉斯算法、決策樹以及組合分類等。

BP神經網絡是神經網絡中最常用的網絡類型，其層與層間神經元全連接，同一層各神經元互不連接。信號傳播方式分數據信號正向傳播和誤差信號反向傳播。前者指輸入數據信號由輸入層到輸出層逐層通過各神經元的連接權值計算網絡輸出，而后者指實際輸出與期望輸出的誤差信號由輸出層到輸入層逐層反向傳播并調整相應連接權值[22]。

SVM在統計學習理論和結構風險最小化原則基礎上發展而來，易解決非線性、小樣本和高維分類問題。對線性問題，SVM通過搜索最大邊緣超平面實現最優分類。對非線性問題，SVM通過非線性映射，將原樣本空間的非線性問題轉化為高維空間的線性問題，從而在高維空間尋找最優超平面實現分類[23]。

樸素貝葉斯算法基于貝葉斯定理和類條件獨立假設，其原理是將給定樣本分類到具有最高后驗概率的類。類條件獨立假設假定各屬性在各類別上互不干擾，以對計算加以簡化。樸素貝葉斯算法分類效率穩定，但由于類條件獨立假設在實際中往往很難滿足，當數據各屬性對同一類別的影響具有相關性時，可能導致分類效果不太理想[24]。

決策樹是一種樹結構分類算法，每個內部結點（非樹葉結點）代表數據在一個屬性上的分類過程，每個分枝代表分類的一個輸出，最終一直分到樹葉結點，每個樹葉結點都代表一個類標號。決策樹算法不需專業領域知識支撐，且形式直觀，容易理解，但其忽視了各屬性間可能存在的關聯性[25]。

組合分類是將多個分類器組合形成的復合方法。組合策略有裝袋、提升等。裝袋方法對各子分類器分別建模，預測時再以相同權重進行綜合。提升方法在訓練中不斷更新樣本權重，增大誤分類樣本權重，使其后學習的分類器更關注誤分類樣本，最終各子分類器投票權重與其分類準確率有關。

本文分別采用以上5種算法來建立模型，比較選取最適合汽動給水泵組的故障預測方法。其中，決策樹采用C4.5算法，組合分類使用裝袋策略。

A電廠正常數據和故障數據分別有1 390和 1 307個樣本，共2 697個。從中隨機選擇1 800個樣本作為訓練數據，剩余897個樣本作為測試數據。B電廠正常數據和故障數據分別4 295和2 022個樣本，共6 317個。同樣，從中隨機選擇4 200個樣本作為訓練數據，剩余2 117個作為測試數據。

根據特征選擇結果，在建模時，A電廠分類模型輸入參數為43維向量，B電廠分類模型輸入參數為33維向量，輸出用{[1]、[–1]}簡單區分。據此可以對各分類算法設置模型參數。

對BP神經網絡模型，選擇單隱含層網絡結構。隱含層節點數通常采用經驗公式[22]給出。A電廠BP神經網絡模型的隱含層節點數取11，B電廠 取12。訓練函數均取trainlm，性能函數均取mse。

SVM的懲罰參數和核函數參數通常憑經驗給定，但往往難以取得最優值。此處采用交叉驗證法對其尋優。首先選定和的篩選區間和步長，使和取遍區間的所有組合。同時，將總體樣本分為組，每組數據分別作一次驗證集，其余數據作訓練集，對和的每個組合都計算個模型的平均分類準確率，作為性能指標。最終取性能指標最優的和組合作為最優參數。當多組和性能相差較小時，取最小的組合以避免過學習。A電廠和B電廠的和選擇結果分別如圖4和圖5所示。圖4和圖5中“*”對應最優和。

圖4 A電廠c和g參數選擇結果

圖5 B電廠c和g參數選擇結果

4 模型評估

BP神經網絡、樸素貝葉斯、SVM、決策樹、組合分類這5種方法對A電廠和B電廠的數據分類結果分別見表2和表3。由表2、表3可見，BP神經網絡、樸素貝葉斯、SVM和決策樹都對A電廠和B電廠的訓練和測試樣本有極高識別率，最高甚至達到100%，最低也在93%以上，說明前述方法選取的特征向量對正常和故障數據有良好區分能力。但決策樹算法的訓練及測試時間遠大于其他3種，而組合分類的投票需要奇數個分類器，考慮到決策樹算法會大大增加組合分類時間，故組合分類的子分類器選取BP神經網絡、樸素貝葉斯、SVM。

表2 A電廠數據分類結果

Tab.2 The classification results of data from plant A

表3 B電廠數據分類結果

Tab.3 The classification results of data from plant B

總體而言，BP神經網絡、SVM和組合分類 3種算法的分類性能指標最優，決策樹算法耗時較長，樸素貝葉斯算法性能指標略低，故針對此問題，BP神經網絡、SVM和組合分類算法最適合。

5 模型應用

將上述3種較優分類方法模型應用于其余樣本數據中，并將分類結果與實際運行和檢修記錄進行比較，實現模型的驗證。3種分類方法對A電廠和B電廠驗證數據的分類結果分別如圖6和圖7所示。由圖6可見：對A電廠，2016年9月28日發生了一次給水泵汽輪機葉片斷裂事故，在以2016年9月數據為故障樣本、2016年1月數據為正常樣本建立分類模型情況下，模型不僅可以很好地識別2類，而且可以在8月就給出故障指示，提前4~5周達到預測效果。

對B電廠，情況略微復雜。經專家鑒定，B電廠汽動給水泵組在2016年9月至2017年6月因給水泵動、靜平衡盤碰磨故障而產生了一系列問題。由圖7可見：在以2015年11月至2016年1月數據為正常樣本、以2016年8—10月數據為故障樣本建立分類模型情況下，模型也可以將2類很好地識別，而且可以在2016年6月就給出故障指示，提前9~10周達到預測效果。2016年11月至2017年6月共 8個月里，除2016年12月（檢修）、2017年1月（停機）、2017年2月（檢修）外，其余月份的預測結果都明顯偏向故障類，而電廠專業人員證實，在此期間，設備確實一直處于帶故障運行狀態，且此給水泵在每次完成檢修投入運行后，狀態又會逐漸惡化，其故障未能得到根本解決。2016年12月及2017年2月的預測結果偏向正常類，與當月對設備進行了檢修這一事實正好吻合，且2017年2月后預測結果的逐漸上升趨勢與給水泵完成檢修投入運行后設備狀態的逐漸惡化也基本匹配。

圖6 分類方法對A電廠數據驗證結果

圖7 分類方法對B電廠數據驗證結果

根據以上分析，數據分類的結果與設備的實際運行和檢修記錄基本吻合，說明此分類方法對汽動給水泵組的典型故障預測有明顯效果。

6 結 語

本文依托火電廠SIS，通過統計特征提取和Relief特征選擇算法，實現了SIS數據到分類模型輸入參數的合理轉化，避免了冗余特征對分類結果的干擾。同時，采用5種分類算法分別對2個電廠汽動給水泵組的故障案例建立了正常與故障狀態分類模型，經現場實際數據驗證，BP神經網絡、SVM和組合分類算法分類效果更優，可提前4~10周識別故障的潛在風險，避免惡性事故的發生，并為其他設備的故障預測提供了新的思路。

［1］ AMOOEE G, MINAEIBIDGOLI B, BAGHERID EHNAVI M. A comparison between data mining prediction algorithms for fault detection[J]. International Journal of Computer Science Issues, 2011, 8(6): 425-431.

［2］ 雷金波. 基于邏輯回歸和支持向量機的設備狀態退化評估與趨勢預測研究[D]. 上海: 上海交通大學, 2008: 31-38. LEI Jinbo. Research on degeneration assessment & trend prediction about machine based on logistic regression and SVM[D]. Shanghai: Shanghai Jiao Tong University, 2008: 31-38.

［3］ RAKHSHANI E, SARIRI I, ROUZBEHI K. Application of data mining on fault detection and prediction in boiler of power plant using artificial neural network[J]. International Conference on Power Engineering, 2009, 5852(2014): 473-478.

［4］ KUSIAK A, VERMA A. A data-mining approach to monitoring wind turbines[J]. IEEE Transactions on Sustainable Energy, 2011, 3(1): 150-157.

［5］ 童超. 基于數據挖掘方法的風電機組狀態監測研 究[D]. 北京: 華北電力大學, 2014: 14-18. TONG Chao. Research on wind turbine condition monitoring based on data mining[D]. Beijing: North China Electric Power University, 2014: 14-18.

［6］ 童超, 郭鵬. 基于特征選擇和BP神經網絡的風電機組故障分類監測研究[J]. 動力工程學報, 2014, 34(4): 313-317.TONG Chao, GUO Peng. Wind turbine fault classification based on BP neural network and feature selection algorithm[J]. Journal of Chinese Society of Power Engineering, 2014, 34(4): 313-317.

［7］ ZHAO G, JIANG D X, LI K, et al. Data mining for fault diagnosis and machine learning for rotating machinery[J]. Key Engineering Materials, 2005, 293/294: 175-182.

［8］ 李莎, 陶紅, 高尚. 基于屬性約簡與參數優化的SVM故障診斷研究[J]. 計算機技術與發展, 2012, 22(4): 175-178. LI Sha, TAO Hong, GAO Shang. SVM fault diagnosis research based on attribute reduction and parameters optimization[J]. Computer Technology and Development, 2012, 22(4): 175-178.

［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]. 北京: 華北電力大學, 2013: 52-56. ZHANG Guokun. Research on early fault identification system for turbo-generation unit based on cluster analysis[D]. Beijing: North China Electric Power University, 2013: 52-56.

［10］ 張子泓. 基于數據挖掘的火電廠設備檢修管理的研究[D]. 大連: 大連海事大學, 2014: 38-48.ZHANG Zihong. The research on equipment maintenance management in power plant based on data mining[D]. Dalian: Dalian Maritime University, 2014: 38-48.

［11］ WEI Y H, XUE D S. The research of equipment maintenance management in power plant based on data mining[C]. IEEE International Conference on Computational Intelligence & Communication Technology. 2015: 543-547.

［12］ AGRAWAL R, FALOUTSOS C, SWAMI A. Efficient similarity search in sequence databases[J]. International Conference on Foundations of Data Organization & Algorithms, 1993, 730: 69-84.

［13］ CHAN K, FU W. Efficient time series matching by wavelets[C]. International Conference on Data Engi- neering. 1999: 126-133.

［14］ NANOPOULOS A, ALCOCK R, MANOLOPOULOS Y. Feature-based classification of time-series data[J]. Nova Science Publishers lnc., 2001, 10: 49-61.

［15］ GRABOCKA J, WISTUBA M, SCHMIDT-THIEME L. Fast classification of univariate and multivariate time series through shapelets discovery[J]. Knowledge & Information Systems, 2015, 49(2): 1-26.

［16］ ZHONG S, GHOSH J. HMM and coupled HMMs for multi-channel EEG classification[J]. International Joint Conference on Neural Networks, 2002, 2: 1154-1159.

［17］ CHANG P C, FAN C Y, LIU C H. Integrating a piecewise linear representation method and a neural network model for stock trading points prediction[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2008, 39(1): 80-92.

［18］ WENG X Q, SHEN J Y. Classification of multivariate time series using two-demensional singular value decomposition[J]. Knowledge-Based Systems, 2008, 21(7): 535-539.

［19］ SUN Y Q, LI J Y, LIU J X, et al. An improvement of symbolic aggregate approximation distance measure for time series[J]. Neurocomputing, 2014, 138(11): 189-198.

［20］ 毛勇, 周曉波, 夏錚, 等. 特征選擇算法研究綜述[J]. 模式識別與人工智能, 2007, 20(2): 211-218. MAO Yong, ZHOU Xiaobo, XIA Zheng, et al. A survey for study of feature selection algorithms[J]. Pattern Recognition and Artificial Intelligence, 2007, 20(2): 211-218.

［21］ 譚海龍. 多維時間序列的分類技術研究[D]. 杭州: 浙江大學, 2015: 33-34. TAN Hailong. Multivariate time series classification technology research[D]. Hangzhou: Zhejiang University, 2015: 33-34.

［22］ 葛哲學, 孫志強. 神經網絡理論與MATLAB R2007實現[M]. 北京: 電子工業出版社, 2007: 108-111. GE Zhexue, SUN Zhiqiang. Theory of neural network and its implementation with MATLAB R2007[M]. Beijing: Electronics Industry Press, 2007: 108-111.

［23］ 丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報, 2011, 40(1): 2-10. DING Shifei, QI Bingjuan, TAN Hongyan. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Tech- nology of China, 2011, 40(1): 2-10.

［24］ 謝斌. 樸素貝葉斯分類在數據挖掘中的應用[J]. 甘肅聯合大學學報(自然科學版), 2007, 21(4): 79-82. XIE Bin. The application of na?ve Bayesian classification in data mining[J]. Journal of Gansu Lianhe University (Natural Sciences Edition), 2007, 21(4): 79-82.

［25］ 李如平. 數據挖掘中決策樹分類算法的研究[J]. 東華理工大學學報(自然科學版), 2010, 33(2): 192-196. LI Ruping. Research of decision tree classification algorithm in data mining[J]. Journal of East China Institute of Technology (Natural Sciences Edition), 2010, 33(2): 192-196.

Fault prediction for turbine driven boiler feed water pump set based on classification algorithm

XU Hongwei, LIU Zhenyu, LI Chongsheng

(Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China)

The turbine driven boiler feed water pump set is an important auxiliary part of the thermodynamic cycle system in thermal power plants. Effective fault prediction for the turbine driven boiler feed water pump set is helpful to its condition-based maintenance. In this paper, by a feature extraction method based on statistics and a feature selection algorithm named Relief, the history data in plant-level supervision information system (SIS) is converted to the input parameters of classification models rationally. Moreover, combing with the actual fault cases in two power plants, the blades fracture of small turbine in turbine driven feedwater pump set and dynamic/static balance disk rubbing in feedwater pump, five classification algorithms are applied to establish the classification models for distinguishing normal state and fault state. The actual data verification shows that, the BP neural network, support vector machine (SVM) and combined classification algorithm have better performance than other methods, which can identify the potential risks of faults 4~10 weeks in advance. The result provides new idea for other equipment failure prediction.

turbine driven boiler feed water pump set, fault prediction, BP neural network, support vector machine, combined classification, candition-based maintenance

National Key Research and Development Program (2017YFF0210500)

TH163+.3; TM621.7

A

10.19666/j.rlfd.201807139

徐紅偉, 劉振宇, 李崇晟. 基于分類算法的汽動給水泵組故障預測[J]. 熱力發電, 2019, 48(4): 128-134. XU Hongwei, LIU Zhenyu, LI Chongsheng. Fault prediction for turbine driven boiler feed water pump set based on classification algorithm[J]. Thermal Power Generation, 2019, 48(4): 128-134.

2018-07-26

國家重點研發計劃項目(2017YFF0210500)

徐紅偉(1990—)，男，碩士，助理工程師，主要研究方向為火電廠設備狀態監測及狀態檢修，xuhongwei@tpri.com.cn。

（責任編輯 杜亞勤）