智能診斷大數據系統在聯合循環機組中應用的探究

上海申能崇明發電有限公司 方 鵬

在聯合循環機組發電站中，燃機、汽輪機、發電機組作為核心設備，其結構復雜、造價昂貴，自動化程度也較高，在實際運行中可能會出現各種各樣的事故。在進入混合輸電時代后電網結構變得越來越復雜，為妥善解決環境與資源的問題，增加電網發電的靈活性，不可避免增加了諸多影響因素引起的故障概率，同時難免增加發電側的運營成本。所以為保障機組的安全穩定運行就要把握好設備的實際運行狀態，分析機組數據提高運行效能，從而增強發電企業的盈利能力。

1 發電設備智能診斷大數據基本分析

大數據的基礎分析。所謂大數據，主要是針對傳統數據庫之中的存儲、計算能力、管理等方面數據的一種集合。傳統數據與大數據的特點具體見表1。

表1 大數據特點

技術路線。在進行智能分析診斷中，有效的檢測手段與分析診斷技術是發電設備診斷的主要技術路線，以此來掌握設備和系統的實際運行狀態，確保設備和系統的安全性、高效性和可靠性，從而滿足電力系統的負荷變化要求。

2 聯合循環發電機組智能診斷數據分析

2.1 結構分析

通過合理的分析系統論的基本觀點，復雜系統的特征主要在于層次性、關聯性以及整體性。發電機組作為熱能轉化為電能的設備，還需要在實施智能診斷中能夠針對實際的運行狀態加以分析，按照不同的結構，就可以進行對應的劃分，這樣才能夠做好其對應的功能劃分，能夠明確其從屬關系，就可以建立對應的機組設備樹：燃機及其附屬設備（進氣模塊、燃料模塊、壓氣機模塊、燃燒器、排氣系統），氣容機及支撐系統（高中壓缸、低壓缸、3S離合器、汽機輔機系統）。

2.2 需求分析

聯合循環發電機組在實際的運行環節還需合理制定智能診斷方面，也需要明確其對應的維護方案，這要求現場人員能開展經驗化的處理，而這一部分的落實就需監測系統信息來提供對應的支持。因此，在系統內部要做好各種運行信息的實時接收，全面揭示機組的運行狀態、維護方案、故障事件等，以實現對機組設備狀態監測與維護業務進行合理有效的處理。基于系統功能和實際的人員需求為主要依據，其具體的需求如下：

描述基本信息。這一部分能為機組的問題描述可滿足信息支撐的提供。基于其實際的狀態監測、故障診斷的合理有效分析，并配合上制定多維度的措施，都需將機組設備作為基本的出發點，通過明確的方法、對象和目的，實現機組的狀態監測與維護處理[1]；運行數據的實時監控。這一部分主要是基于觀測對象和研究目的，全面描述與展示各個功能部件的實際運行狀態，如一次數據、必要的圖形影像、關鍵中間變量；故障特征提取。基于監測數據之中提出對應的設備隱患信息，可成為系統運行狀態分析和原始數據分析的橋梁。通過對于機組狀態清晰準確的描述，能深度挖掘機組運行的實際數據，提取其對應的故障特征，以此做好智能診斷推理工作。

機組智能診斷。這一部分屬于系統的核心。基于功能來進行分析，最終的切入口就是診斷的實際結果。基于數據流轉的角度來加以分析，這樣就可明確故障結果的準確性和全面性，就可為維護決策的制定提供基礎條件；機組設備維護。基于確定性故障，還需做好對應的維護處理并能保障機組的高效運行，才是根本。基于上述的需求，針對聯合循環發電機組的智能診斷大數據系統，其主要功能模塊有：系統配置、實時監測、啟停記錄、知識庫管理、故障診斷、設備維護、機組報表等。

3 聯合循環機組智能診斷大數據系統的設計與應用

3.1 系統總體設計

系統設計目標。對于發電機組還需了解其實際運行情況，基于完善奠定的故障模式信息，從而建立多信息維度的指標體系，基于整體角度逐級實現層次化的機組運行狀態分析，之后完整的描述其對應的運行狀態；做好對機組故障情況的準確辨別，將故障帶來的影響、發生的部位與實際程度等相關的內容加以明確，這樣就可讓維護方案與運行調節措施變得更加合理[2]。

系統整體架構。基于B/S 構架模式的研發選擇Windows 系統，數據庫利用MySQL、數據采集與分析選擇Python 語言。

3.2 系統功能設計與應用

3.2.1 數據采集功能

在系統分析中數據采集是第一環節，基于數據采集驅動程序就可將實際的機組運行數據明確。另外，為讓結果的準確性得到保障，還需考慮到異常點的提出、數據濾波的采集、去噪等方面。基于發電機組的典型故障分析，要采集其機組的振動信號、溫度信號以及其余信號。過程類的信號則是基于OPC 協議從現場的SIS 和DCS 中獲取[3]。

圖1 數據采集工作流轉

3.2.2 數據分析功能

針對數據分析模塊，是數據源來實現對應的數據抽取，基于模型庫了解其對應的分析模型并直接提出對應的故障特征信息，然后將其存放到指定的指標表之中（圖2）。其對應的特征提取功能如下：建立相應的數據環形隊列，這樣就可以在隊列之中直接尋訪一段時間內的原始數據，這主要是因為：基于工況的合理分析，如，在對應的啟停機中，就需要將原本的數據直接進行壓縮，將其形成文件，從而在數據庫中加以存儲。在趨勢特征的實際提取的環節還需考慮到數據緩存的情況，識別參數的變化趨勢；在恰當的工作環境以及擁有良好機能的數據服務器中開展機組數據的提取工作，并直接將數據傳送到數據分析服務器中，以此來實現數據分析模型的調用，提取到各種特征指標；針對特征提取結果，利用人機交互功能來加以展示，在診斷功能得以觸發的同時也能實現故障特征相對應的調取，從而滿足設備的智能診斷要求[4]。

圖2 特征指標提取工作流轉

3.2.3 故障預警與診斷功能

在機組故障診斷中，其設備故障的定位與診斷主要是依靠歷史數據、推理診斷模型、故障征兆以及知識庫。觸發任務。按照實際需求，觸發主要包含了人工啟動、參數預警、人為設定；故障預警。針對發電機組，逐層分析其整機、子系統與部件，從而初步判定故障發生的位置，從而做好預警；故障診斷。如果設備參數超出了限額，則需將歷史故障特征作為輸入，通過診斷模型來推理故障模式。在完成后需查詢其故障原因和處理措施，從而明確出現故障的主要原因，給出對應的建議；形成診斷報告提供給對應的運行維護人員，并將診斷結果直接存放在知識庫之中。

圖3 故障診斷工作流轉

圖4 健康管理工作流轉

3.2.4 健康維護功能

系統無論是監測發電機組的運行狀態還是診斷故障情況，都是為了對于運行狀態進行綜合評價，針對已發生的故障提出科學合理的決策，以此來降低機組的故障率，并盡量減少運行維護的開銷，以此來提升火電廠的經濟效益。

針對健康維護功能模塊，還要兼顧可靠性、安全性與經濟性，合理評價其實際的健康狀態。當機組出現故障或是整體的健康度較差時，就需合理制定維修策略，提供必要的技術支持。具體的功能包括：評價機組健康。以數據庫的設備可靠性指標與監測參數為基礎，再與實際的健康狀態評價模式相互結合，進行全面的評價，描述機組實際的健康狀態，并基于不同的結果給出對應的態度；制定維修決策。如果機組的運行狀態較差應啟動維修的決策功能，將故障知識作為基本的指導，明確具體的維修方法、維修順序[5]。