基于大數據挖掘的發電設備狀態監測與故障診斷系統的開發與應用

吳祖斌，白彬，王沛沛，王冉冉

（1.國家能源集團樂東發電有限公司，海南 樂東 572539；2.國能智深控制技術有限公司，北京 102200）

電廠機組運行過程中，通常會受到人員情緒波動、經驗限制等因素干擾，導致故障判斷不準確，加之值班員在監盤的過程中，勞動強度大，工作壓力大，當突然遇到故障或事故發生時，容易因人的經驗限制、反應時間等缺陷而導致故障處理過程出現失誤，導致事故擴大化。隨著人工智能技術、通訊技術的飛速發展，進一步提高電廠運行自動化水平,采用先進技術減少人工或減輕人員工作負擔成為當前技術發展的趨勢。面對電廠智慧化轉型的迫切需要，亟需引入先進的智能化與數字化等技術，提高機組的運行自動化水平，向機組無人值守的方向逐步邁進。

1 系統架構

1.1 物理架構

本次研究的電廠發電設備故障異常監測及診斷系統的物理架構，其主要包含發電設備異常數據采集、應用層數據處理分析以及多平臺故障信息反饋等，此過程具備完善的環境體系，可以實現對電廠設備的實時在線監測以及故障預警。

（1）生產層。系統生產層，即發電設備異常數據的采集模塊，主要包含分布式控制系統（DCS）、可編程邏輯控制器（PLC）等，由分布式采集裝置完成對異常故障信息數據的采集，接著將異常數據傳輸至系統的應用層進行整合處理，最后發送至多平臺信息展示層，以便更加直觀地分析出設備故障成因。為了確保生產層異常故障數據可以穩定地單向傳輸到應用層，在這二層之間通常需要安裝物理隔離裝置，確保信息傳輸的可靠性。

（2）應用層。在應用層中，通常涉及諸多的設備，包括實時庫服務器、數據庫服務器、接口服務器以及Web服務器等，其中生產層采集的設備故障信息數據一般在傳輸到應用層時，會首先被實時庫服務器所獲取，對獲取的異常數據進行集中整合和分類，接著，通過應用層內部的網絡將數據傳輸至Web服務器中，由其直接發送到多平臺信息展示層進行數據反饋。

（3）多平臺信息展示層。該層主要借助智能手機終端獲取應用層所發送的設備運行狀態信息，工作人員通過實時獲取狀態監測數據，對發電設備可能存在的故障以及主要原因進行分析判斷，為設備異常故障的及時處理提供有力的數據參考，從而有效確保發電系統運行的穩定性和可靠性。

1.2 數據架構

通常而言，發電設備異常及故障信息的獲取方式比較多樣，包括直接從設備上進行實時采集、Web服務器上獲取的信息以及實時庫內的故障信息等，其中通過實時庫獲取設備故障信息是重點，直接影響系統的狀態監測及故障診斷功能效果，具體數據架構如圖1所示。

圖1 系統數據架構

由圖可知，IO模塊獲取到原始的故障數據，接著，通過內部網絡將數據傳輸至實時模塊，該模塊會自動對原始故障數據的實時快照進行保存，為后續Web服務器使用提供保障。對于實時模塊來說，其又可以細分為三個子功能模塊：一是歷史模塊，通過實時記錄設備運行狀態信息，進行實例化處理，目的是掌握設備的歷史運行規則，為后續故障自動化診斷提供參考；二是報警模塊，對于Web服務器中維護設備測點參數，在獲取該信息后結合相應的算法確定設備所實際對應的工況，接著，通過實時數據的計算分析，生成報警記錄，為設備故障的及時反饋奠定基礎；三是計算模塊，針對實時數據庫所提供的實時快照、歷史數據以及報警記錄等內容，運用相應的算法進行處理，最終以直觀的形式呈現給工作人員，為后續故障處理和改進提供指導。

2 系統關鍵技術

在本次研究的基于大數據挖掘的發電設備狀態監測以及故障診斷系統中，狀態監測對于故障數據獲取的及時性要求較高，只有工作人員第一時間采集到發電設備的異常或故障數據，才能有效了解設備的實際運行工況，從而有效確保發電系統運行的穩定性；而故障診斷一方面，要突出異常預警的準確性和可靠性，避免由于錯誤預警而出現的機組停機狀態；另一方面，要結合相關專家建立設備故障知識庫，為后續開展故障診斷和處理提供有效參考。而在整個系統中，獲取實時的設備故障數據是核心，本系統主要運用國內自主研發的HOE-DATA TSDB實時數據庫完成設備故障數據的采集、存儲、處理、展示以及預警等。

2.1 IO 數據采集

HOE-DATA TSDB實時數據庫對于故障數據的采集主要通過IO模塊實現，該模塊通常以分布式數據采集方法為主，為了讓數據采集更加直觀可行，可以在不同的網絡節點安裝IO采集裝置。在完成安裝后，結合配置好的通信裝置及相應的參數，可從多個位置獲取目標信息并及時同步到實時數據庫中。一般而言，IO采集裝置和實時數據庫運用松耦合的設計方式，對于是否安裝在同一設備上沒有要求，靈活性較強。

2.2 數據壓縮

當系統面臨故障數據采集量較大的情況時，不可避免會涉及數據信息的壓縮處理，否則，不僅會影響數據采集的整體質量，同時也會造成一定的資源浪費，因此，在對歷史數據進行存儲或采集新型數據時，對于數據量較大的信息通常會運用旋轉門壓縮、死區壓縮或哈夫曼壓縮算法進行數據壓縮，以達到節省存儲空間的效果。

2.3 數據通信

系統涉及多個模塊，它們彼此之間的數據通信速度會影響故障監測及診斷的實時性。因此，為了盡可能地發揮實時性的監測優勢，本系統各模塊之間的通信主要采用持久化內存映射的方式，其最大的特點就是通信速度快，且效率高，當系統出現斷電或異常時，還能有效防止數據丟失情況的出現。而對于服務器端與瀏覽器端進行實時數據傳輸時，主要采用WebSocket技術，該技術最大的優勢就是采用二進制數據通信，速度一般要比以往的方法快十幾倍，如此一來，可以有效確保數據瀏覽的流暢性。

2.4 故障預警信息生成及分析

（1）預警信息生成。該系統會結合實時數據庫獲取的發電設備故障信息以及歷史數據建立相應的矩陣模型，將機組實時數據庫各設備測點實時數據與相應的歷史數據進行相似性計算分析，得到設備的預估值，一旦設備計算得到的預估值與實際值之間存在很大的偏差，此時，就會生成預警信息，設備預估值計算中，首先，建立發電設備在正常穩定運行狀態下的模式矩陣，設某發電設備有m個測點，在t=j(j= 1 ,2,...,n)時這些測點所獲取的運行數據信息形成歷史觀測向量X(j)，其計算公式如下：

由n個不同時刻的X(j)所組成的矩陣D，計算如下：

在計算完預估值后，緊接著，需要計算設備實時觀測向量，目的是掌握發電設備在當前階段的運行工況，設備m個測點實際值組成的實時觀測向量X(obs)計算如下：

經過相似性計算，可對任意X(obs)生成一個權值向量W，其計算公式如下所示：

式中，?代表相似性算子。在完成上述計算后，要進一步求得實時觀測向量的估計向量X(est)，詳細如下：

（2）預警分析。發電設備異常信息的獲取在規定時間間隔內超出次數標準，就會形成一個預警事件，在本系統下會生成一個與之相對應的預警診斷單，經工作人員審核后，發布到計算機中，最終生成故障預警信號，具體的原理流程如圖2所示。

圖2 預警診斷分析流程

3 系統主要功能及應用

3.1 提供專家知識庫

專家知識庫是相關專家通過知識和經驗的積累，針對電廠發電設備故障及異常情況，建立故障預警及診斷模型。在本系統開發的前期，收集大量關于電廠典型發電設備的故障信息，包括機組啟停過程中相應設備故障、制粉系統故障以及真空系統設備故障表現及表達方式等，在收集大量的資料信息后，結合專家的專業理論知識以及實踐經驗判斷，建立規范合理的故障邏輯判斷機制，為后續的故障處理提供指導。例如，電廠生產運行過程中，高加泄漏故障經常出現，單純地依靠人員結合DCS監控畫面不僅無法第一時間查找到故障原因，而且會延誤故障診斷和處理的最佳時機，嚴重的可能會導致設備故障程度的進一步擴大，給電廠造成更大的經濟損失。而運用本系統對故障進行監測和診斷，結合專家知識庫的故障診斷流程，實施高加泄露故障的針對性處理。

3.2 設備狀態監測

本系統除了提供傳統電廠DCS監控畫面外，在此基礎上還創新出更加直觀立體的狀態監測功能，該監測頁面主要以HTML5技術進行結構及工藝展示，不僅如此，通過電腦鼠標點擊相應圖標，還可以實時查看設備的運行工況等信息，包括發電工況、穩定性以及工作效率等，詳細如下。

（1）發電工況監測。電廠發電設備運行狀態的好壞一般與設備工況直接相關，由于發電設備運行工況不同，設備狀態監測指標的好壞也存在明顯的差異，結合監測圖像可以直觀地獲取機組故障或異常信息，以便于第一時間進行故障處理。

（2）穩定性監測。發電設備運行是否穩定也是狀態監測的重點，通常監測的主要參數包括以下幾種，即壓力脈動、振動以及擺動等，主要運用頻譜分析、主軸空間狀態分析以及趨勢分析等方法進行監測，可以更加全面地掌握發電設備故障或異常情況。

（3）效率監測。通常而言，發電設備運行效率越高，其穩定性和可靠性越強，同時，也能達到良好的經濟性要求。本系統在實際進行效率監測時，可以直觀地獲取設備運行工況以及所屬區域。

3.3 故障的趨勢預警

電廠以往的發電設備故障及異常監測中，主要是工作人員通過DCS畫面監控的方式進行設備監測，此種監測方式多是基于固定限值產生報警，屬于事后保障，相應的故障分析和處理無法滿足及時性要求，給電力系統穩定運行造成了困擾。與此同時，該監測方式運用中很容易受到多方面因素的干擾，例如，人員自身精神狀態不佳等，使得故障報警信息無法第一時間反饋，而且很多發電設備監測的信息量比較大，單純地依賴人員觀察，顯然是無法判斷是設備運行工況的好壞優劣，延誤了設備的故障診斷和處理。因此，本系統結合大數據挖掘技術，創新了一種趨勢預警的故障反饋機制，該模塊可以有效反映出發電設備運行參數的實際狀態，并結合設備歷史數據庫信息，對設備運行狀況及故障的發展趨勢進行預測，當設備存在故障隱患或出現故障趨勢時，此時，故障報警程序自動運行，反饋給相應的工作人員，以便于可以及時進行診斷和處理。

4 結語

綜上所述，為了進一步提升電力系統運行的穩定性，實現發電設備的遠程監測及診斷處理，本系統對機組設備性能參數進行實時狀態監測以及異常數據獲取，在傳統的DCS系統基礎上，結合大數據挖掘技術、故障診斷模型識別以及專家數據庫等手段，研發了一種更加完善的故障狀態監測及預警系統，其中狀態監測更加全面可靠，可以對發電設備的健康及穩定狀況進行準確判斷，故障預警以趨勢預警為主，讓故障信息反饋更加的及時，防止延誤設備故障處理的最佳時機，為后續的故障處理提供有效保障。