基于改進算法的供熱鍋爐房動力裝置故障診斷研究

李 江

（青海省特種設備檢驗所，西寧810001）

供暖的需求不斷增加，鍋爐供暖已經成為人們日常生活中重要的一部分[1]。 動力裝置作為從燃料燃燒中得到熱能的設備， 其利用熱進行動力獲取。鍋爐房整個供熱系統的主要耗能設備包括鍋爐、風機和水泵等[2]，也是供熱鍋爐房內極為重要的動力裝置，它們通過供熱管網將熱能傳送給用戶。 通過相應的算法診斷供熱鍋爐房內的動力裝置可能存在的故障，及時發現并消除存在的故障，可延長設備使用壽命，保證鍋爐供暖正常進行[3]，相關領域的研究一直在進行。

文獻[1]根據熱電聯產CHP（combined heat and power）的相關元件，并通過建立聯合熱-電網綜合模型，應用網絡拓撲分析方法分析大規模網狀多能流系統中，耦合元件的網絡系數，將非線性、非凸集規劃問題轉化為線性規劃問題，最后提出一種基于線性規劃法的最優能量流求解算法，并對熱網與電網進行整體建模，緩解執行時間過長、診斷效率低下的問題。 文獻[2]分析傳統船舶系統運行中的重要影響因素，進行功能模塊設計、程序函數設計、運行故障診斷子程序的系統框架設計，根據故障診斷系統的硬件設計對子系統進行故障診斷，實現新型船舶動力裝置運行故障診斷系統的軟件設計。 其診斷方法具有一定的精確性與魯棒性，避免了傳統算法無法收斂的問題。 文獻[3]針對核動力裝置非能動系統執行時間過長、診斷效率低下等問題，對參數敏感性的精度和效率進行分析， 設計FAST 方法下的非能動余熱排出試驗運行故障診斷系統，通過更加精確的非能動系統識別熱工水力行為，對熱工水力模型進行算例計算， 實現了全局參數敏感性分析研究， 最后通過實驗證明其系統診斷行為較為顯著，拓展了相關領域的研究成果。

但是以上傳統的動力裝置故障診斷方法是基于專家庫系統或基于支持向量機實現的故障診斷，這2 種診斷方法在診斷過程中容易受到外界溫度影響， 造成動力裝置附近的供熱管網熱損耗提升，浪費資源[4]。 因此，本文利用改進后的神經網絡算法，采集壓力傳感器、溫度傳感器和轉速傳感器的裝置參數，依據神經網絡修正連接權值和節點閾值，判定輸出層神經元的最終輸出結果，解決傳統的故障診斷方法中無法觸及的部分和存在的問題。

1 基于改進算法的供熱鍋爐房動力裝置故障診斷方法設計

我國的供熱模式主要以集中供熱，燃料以煤炭為主，現階段的集中供熱已經成為我國北方冬季采暖的主要方式。 而在故障診斷過程中，對設備的運行狀態檢測是分析設備故障并進行診斷的主要步驟， 及時掌握設備運行的狀態并根據運行狀態，確定整體設備與局部設備的使用壽命和使用效率。

1.1 監測動力裝置熱力參數

供熱鍋爐房動力裝置主要設備有風機、水泵和加壓泵等，將空氣送進鍋爐內，通過氧氣的輸送和煙氣的冷卻，將鍋爐內產生的煙氣引出，以此降低爐內壓力水平[5]。 水泵設備負責將處理后的給水送入鍋爐，驅動循環熱水，使熱水加熱到一定的溫度值時，通過供熱管網輸送給用戶[6]。

通過分析供熱鍋爐房動力裝置的工作內容，動力裝置存在的故障問題基本上都來自風機和水泵[7]，將這兩個部分設為故障診斷方法設計的主要診斷對象，根據故障診斷的實際要求，監測風機和水泵的設備狀態，獲取其具體參數，以此來判斷故障類型。 具體內容如表1 所示。

供熱的具體頻率受到成本的控制時，其頻率就存在不均衡性，主要體現為供熱初期的搶修情況和供熱后期的操控，這種情況和搶修人員的安全意識相關， 因此以上參數的監測需要利用傳感器采集，將采集的參數信號進行信號調理、A/D 轉換，輸入工控機， 實現對鍋爐房動力裝置的監控和參數的采集。 將獲得的參數作為神經網絡的輸入部分，構造訓練樣本，通過仿真主機的多種故障對網絡進行訓練和測試，實現鍋爐房動力裝置故障診斷，在一定程度上可通過內部員工的管理進行消除，但需搶修耗費大量人力、物力和財力。

利用壓力傳感器、溫度傳感器和轉速傳感器采集鍋爐房動力裝置參數，通過后續處理傳輸至采集卡中，再讀入計算機中。

其中壓力傳感器選擇美國進口的HJ-GP2000型壓力傳感器[8]。 該傳感器具體性能參數如表2 所示。

表2 傳感器性能參數表Tab.2 Performance parameters of sensor

轉速傳感器使用磁感應式傳感器，其測量范圍在50～5000 Hz 之間，與被測齒頂間隙為0.5 mm，輸出波形近似正弦波，輸出信號幅值大于50 mV[9]。

由于供熱鍋爐房內部運行過程中的風機與水泵的故障種類較多且類型復雜，當運行時間發生變化，其一定加入新的故障，而在這個過程中發生故障的狀態存在不可刪除的特點，所以影響到故障種類的收集，更新數據庫成為主要選擇。 數據采集卡則使用型號為AC1810 的數據采集卡， 通過其自身提供的8 路并行采樣保持器，實現動力裝置參數的高速采集[10]。 其工作原理如圖1 所示。

圖1 數據采集卡工作原理Fig.1 Working principle of data acquisition card

通過對供熱鍋爐房動力裝置的實際工作的分析，確定監測其狀態參數的各種傳感器及采集卡等相關設備，利用以上選用的具體設備實現動力裝置相關參數的監測。

1.2 修正神經網絡連接權值及節點閾值

依據神經網絡的學習過程，修正連接權值和節點閾值， 以監測的供熱鍋爐房動力裝置參數為輸入，以此完成對動力裝置的故障診斷。 以神經網絡訓練初始訓練為起點，踐行連接權值和節點閾值初始化，設置一組隨機數，輸入Q 個不同的訓練樣本，記為（q1，q2，…，qn），并對其對應的預期輸出值進行設定，為（u1，u2，…，un）[11]。 根據神經網絡算法，在經過網絡的代價函數計算之后，將實際輸出訓練樣本和預期輸出值的誤差傳播返回具體輸入值（p1，p2，…，pn），使之對應的是網絡不斷自適應的存在，根據網絡中的連接權值以及節點閾值[12]，減小代價函數值。 其修正的次數與具體輸入值和預期輸出值相關，當以上兩個值不再減小，則停止。 假設λ 為迭代次數，權值和閾值的修正公式為

式中：εi表示權值對應的連接因子；εj表示閾值對應的節點因子；σ 表示步長；κi表示未修正的權值；κj表示未修正的閾值[13-14]。 修正后的權值和閾值為

式中：i 和j 表示常數。 n 個訓練樣本學習時的總誤差e 滿足下列條件：

式中：ξ 表示任意給定的正小數， 迭代過程停止，其與神經網絡實際訓練中精度的要求相關[15-16]。 神經網絡的連接權值以及節點閾值修正完成，實現訓練樣本處理，輸入監測到的動力裝置狀態參數，實現故障診斷。

1.3 基于改進算法的故障診斷

由于數據取值具有分散性能和一致程度的差異性，不方便數據的處理，導致處理程序緩慢，需要進行動力裝置狀態參數數據歸一化，克服收斂速度低的困難[17]。 設樣本集為F，表示公式為

對每一個隱含層的節點進行賦值，要求一個權值為一個參數，其中s 為隱含層節點的個數，對其進行個數選擇控制，控制公式為

式中：vk表示最終控制結果；wk為樣本為第k 個樣本；l 為控制系數，將處理后的供熱鍋爐房內的參數樣本輸入至神經網絡輸入層的各個節點， 應用式（7）進行樣本控制，然后利用公式求出隱含層神經元的輸出，并將其作為輸出層的輸入。 公式如下：

式中：fout為輸出；fin為輸入；ω 表示節點。獲得輸出結果fout后，將其作為輸出層的輸入，根據式（9）計算出輸出層神經元的輸出，公式如下：

利用閾值函數判定輸出層神經元的最終輸出結果， 假設Fe表示供熱鍋爐房動力裝置故障類型。閾值判定函數為

式中：κ′表示原有故障診斷方法中領域專家設定的閾值。 以上過程中使用的神經網絡具體結構如圖2所示。

圖2 神經網絡結構圖Fig.2 Structure of neural network

至此， 應用本文算法的故障診斷方法設計完成。 可滿足完成故障診斷的準確性需求。

2 供熱鍋爐房動力裝置故障診斷仿真實驗

2.1 參數設計

假設供熱鍋爐房內的動力裝置參數固定，利用Matlab 軟件模擬出動力裝置周圍的20 個不同管網壓力、溫度和流量參數。具體參數如表3 所示。供熱鍋爐房內的供熱管道運行仿真如圖3 所示。

以上為實驗所需的仿真數據， 使用以上數據，設置-5 ℃，5 ℃和15 ℃3 種不同的外界溫度， 對設計的供熱鍋爐房動力裝置故障診斷方法與傳統的2種故障診斷方法熱損耗情況進行實驗，對比獲得的實驗結果并分析。

表3 供熱管網參數設置Tab.3 Parameter setting of heating network

圖3 鍋爐房供熱管網運行仿真圖形界面Fig.3 Operation simulation graphic interface of heating pipe network in boiler room

2.2 實驗結果及分析

將本文方法得到的實驗結果記為實驗結果3，使用傳統的2 種故障診斷方法分別記為實驗結果1和實驗結果2，利用第三方軟件統計3 組實驗結果，隨機選取一組實驗結果顯示，結果如圖4 所示。

圖4 不同故障診斷方法實驗結果Fig.4 Experimental results of different fault diagnosis methods

觀察圖中結果，實驗結果1 中顯示，當外界溫度保持在-5 ℃時，熱損耗整體在30%～45%之間；在5 ℃時，熱損耗在10%～25%之間；在15 ℃時熱損耗在5%～25%之間；在3 種溫度下，隨著時間的變化，熱損耗存在上升和下降的變化，但是并不明顯。 實驗結果2中顯示，隨著時間的變化，在-5 ℃時，熱損耗在10%～60%之間；在5 ℃時，熱損耗在28%～65%之間；在15 ℃時熱損耗在10%～28%之間；在-5 ℃和5 ℃時，熱損耗變化較大，整體水平偏高，在15 ℃時，熱損耗變化較小，整體水平偏低。 實驗結果3 中顯示，在3 種溫度下，供熱管網熱損耗初始在25%～30%之間，到25 min 時，到達最低2%，趨于平穩。

綜合上述數據可知，本文方法獲得的實驗結果明顯優于傳統的2 種故障診斷方法，說明設計的故障診斷方法有效地控制住了故障診斷期間熱損耗情況，避免了資源浪費。

3 結語

設計基于改進算法的供熱鍋爐房動力裝置故障診斷方法，使用多種傳感器監測動力裝置狀態參數，引用改進的神經網絡算法，修正神經網絡結構內的權值和閾值，輸入狀態參數，通過閾值函數判斷故障類型。 有效的解決傳統故障診斷方法中存在的問題。 但是受到數據樣本的限制，設計的方法中依然存在一些不足之處，常規診斷方法都存在一些局限性，比如本文中采用基于改進算法進行了不同種類的故障診斷，但是因為故障的種類很多，對于之后分析和研究應該著重體現在供熱鍋爐房動力裝置故障診斷過程中， 以此作為下一步研究的重點，表示該領域還需更深入細致的研究與探討。