基于運行數據的鍋爐故障自動檢測技術研究

郭永謙

(青海省特種設備檢驗所，青海 西寧 810000)

0 引言

現階段鍋爐的使用規模不斷擴大[1]，鍋爐系統的復雜程度也逐漸提升。尤其是鍋爐設備的日益高速化、自動化，使其結構愈來愈繁瑣。在科技背景下，可將傳統人工現場操作方式變換成通過計算機網絡智能控制，并能收集與保存海量的運行數據。但是，工作人員極難依據這些數據真正了解鍋爐系統實際工作情況，且不能及時發現系統故障并進行精準地判定。為此，單純通過人工分析方式來解決鍋爐故障問題[2]已很難滿足現今運行的需求。

為此，諸多學者、專家等對系統故障自動檢測技術進行研究。張維等[3]針對鍋爐系統故障檢測正確率較低的狀況，采用關聯規則挖掘方式得出正常工作情況下鍋爐設備狀態參考數值，并根據測試數據和參考數值間的滑動平均相似程度來斷定鍋爐否發生故障。此方法有效提升了故障自動檢測精度，但計算量大，需要消耗大量時間。許裕栗等[4]面對鍋爐故障不能及時檢測的問題，采用K-均值算法將鍋爐工作流程的工況細分出來，利用距離度量完成每個工況內各采樣點的協方差距離，并根據高斯閾值建立判決函數，檢測出鍋爐故障。該方法可以及時檢測出故障，使用計算方法較為簡單，但故障查全率較低。

基于此，本文結合文獻方法優點并利用運行數據方式對鍋爐故障自動檢測技術進行研究。通過滑動判斷方式篩選出鍋爐數據，使選取的數據具有全面性；利用主成分分析方法提取出數據特征，能夠在保證數據提取精度前提下降低數據提取的計算量；運用距離度量方式檢測出鍋爐故障，可以使自動檢測結果更加貼近實際情況，并且計算簡便，縮短了故障檢測時間，進而完成鍋爐故障自動檢測。

1 運行數據下鍋爐故障自動檢測

1.1 故障自動檢測流程

基于運行數據的鍋爐故障自動檢測[5]流程主要分為兩個部分。第一部分包括鍋爐數據的采集、歸一化處理與特征提取。數據采集是經過數據清洗來提升數據質量；歸一化處理為了降低數據間因數據的量級、分布情況對數據特征提取所造成的影響；數據特征提取為了更加有效表述鍋爐的特征與屬性；第二部分是利用距離度量方式來判定故障數據，使故障檢測結果更加精準，達到自動檢測目的，具體過程如圖1所示。

圖1 故障檢測流程

1.2 運行數據特征提取

1)數據篩選

鍋爐設備的工作狀態是根據電網負荷的需求而變化的，其工作流程為：電網負荷調度中心把負荷指標下發到電廠，電廠依據負荷調節運行的參數，使鍋爐設備達到電網負荷標準之后穩定運行；當電網負荷發生改變時，鍋爐設備須進行調整。

鍋爐設備運行參數主要分為兩種，即根據電網負荷變化而發生改變的參數與被調控在特定區域內的參數。這兩種參數影響鍋爐當前的工作狀態。

當鍋爐設備處于過渡階段時，鍋爐內部的流場會帶來極強波動，致使運行監測設備的數值劇烈變化。與此同時，因當今鍋爐系統規模逐漸擴大，對應的延遲也會增加，使得不同設備測量得出時間節點數據各不相同，為此不能正確反映出鍋爐的工作情況。當鍋爐設備在穩定的情況下工作，鍋爐內部變換較為平穩，監測設備得出數值具有良好的穩定性和同步性，并能正確展現出鍋爐設備當前工作情況。

利用滑動判別方式完成穩態數據采集。滑動判別方式是根據時間序列[6]找出穩態數據，通過逐點遍歷的方式，隨著時間維度滑動[7]，判斷出數據點是否屬于穩態數據。設定x表示數據點，則數據點一維空間向量X為

X=[x1,x2,…,xn]

(1)

同時，原始權值向量W為

W=[w1,w2,…,wn]=[0,0,…,0]

(2)

其中[w1,w2,…,wn]每一項均對應相應的向量X，用于判斷向量X中各元素是否屬于穩態數據[8]。針對向量X中元素xi，則有

(3)

或者

(4)

則認定xi是非穩態部分數據點，相反的點，認定為穩態部分數據點。如圖2所示，圖中b表示穩態部分數據點，a不符合式(3)，c不符合式(4)則認定是非穩態數據點。

圖2 滑動判定流程

若向量X中元素xi被判定成非穩態點時，數據點xi-H～ii+H對應的權值向量W元素各加1，得出

[Wi-H,…,Wi,…,Wi+H]=[Wi-H+1,…,Wi,…,Wi+H+1]

(5)

式中ii+H表示與x對應的非穩態點。

當向量X全部向量元素通過穩態判定后，并對權值向量W中元素進行判定，若其小于閾值，則其對應的向量X中元素xi是穩態點，相反是非穩態點，設定為ii。這種方式能夠通過數據點xi的數據情況來判定數據是否屬于穩態數據，使收集的數據避免了局部性錯誤的問題。

2) 數據處理

采用歸一化方式將收集數據進行處理，其處理方式主要分為min-max歸一化與Z-score歸一化兩種方式。數據向量X通過min-max歸一化后，得出數據向量x*

(6)

式中：xmin、xmin表示向量X的兩個極值；x*表示進行歸一化后的數據。歸一化后可以把數據集合的中心移到坐標原點。

Z-score歸一化處理，得出

(7)

式中：E[x]表示向量X的平均值，是均值向量；var[x]表示向量X的方差。Z-score歸一化把數據集合的平均值變成0，方差變成1。

1.3 特征提取

將鍋爐設備穩態處理后的數據當作數據樣本集合，設定樣本集合X∈Rm×n，m表示樣本數量，n表示數據屬性數量(工作運行參數數量)。

(8)

為了解決集合中不相同屬性取值結果對數據特征提取的影響，把全部屬性歸一化處理，使數據集合元素屬性的平均值、方差分別為0、1，得出

(9)

(10)

一般情況下，在主成分矩陣中特征向量數量根據特征向量的解釋率與累積解釋率所決定的，取前a個解釋率數值大的特征向量組成主成分矩陣。數據特征向量的解釋率運算過程如式(11)所示。

(11)

式中ER(i)表示第i個數據特征向量的解釋率數值。

根據特征數值大小由高到低分別算出各特征向量的解釋率，累計解釋率計算過程為

(12)

式中：CER(i)描述了前i個特征向量的累計解釋率數值；ER(j)描述了前i個特征向量的數據變化解釋占總數據變化解釋的百分比。

1.4 故障自動檢測

采用全局距離方式完成鍋爐故障自動檢測。先算出鍋爐機組數據特征提取數據集合中數據兩個點的間距，與剩余點的間距，并算出各個點到剩余點的距離和。設定n′表示故障數據數量，則距離和最大的前n′個數據點認為是鍋爐故障數據詳細描述為：

將鍋爐特征提取數據做標準化處理，算出m個數據點間的距離為dij，得出距離矩陣R：

(13)

距離度量方式基本上采用絕對距離與歐式距離兩種方式。關于m維空間中數據點xi與xj數點據間的歐式距離描述為

(14)

絕對距離描述為

(15)

將以上兩種方式進行融合，得出

(16)

一般情況下，數據分布為密集分布與稀疏分布，其中呈密集分布的正常數值較多，使周圍故障數值與對應數據點間距較大。由于故障數據容易受分布密度干擾，因此造成相反情況發生，即稀疏周圍故障數值與對應數據點間距較大。根據這一屬性特征，式(16)只能完成鍋爐稀疏數據的故障自動檢測，而密集部分數據采用距離度量函數方式完成鍋爐故障自動檢測，即

(17)

若數據s到數據u間的距離與數據t到數據w間的距離等同，即

(18)

通過距離度量函數方式能夠將分布密集數據的故障數據和其他數據之間的距離增大，還能減少正常數據與其他數據之間的距離和，進而校正故障數據與正常數據到剩余數據的距離和。為此，可運用距離度量函數方式完成爐鍋數據的故障自動檢測。

2 實驗結果分析

2.1 實驗環境

實驗整個流程在Microsoft Windows10操作系統下進行的，實驗平臺軟件選擇MATLAB R2018a軟件。

實驗的數據來源于某大規模火電廠4號鍋爐工作現場。因為電站鍋爐的真實檢測數據集合中可能含有故障數據，若直接把其當作實驗數據，對得出結果不能保證其評估結果的精度。因此，結合電站鍋爐檢測數據的現實收集情況，先從鍋爐機組負荷為300MW的數據集合中選取690個數據當作正常數值，再從鍋爐機組負荷為270MW中抽取10個數據當作故障數據，共同組成實驗700個數據。

2.2 精度對比

為了證實本文提出基于運行數據的鍋爐故障自動檢測技術的有效性，從檢測出的故障總數量與正確檢測故障數量兩個角度進行驗證，并使用對比方式將本文方法與文獻[3]方法、文獻[4]方法進行對比，得出結果如圖3所示。

圖3 檢測結果對比

設定幅值在[2,-2]之間當作是鍋爐正常數據，反之當作是鍋爐故障數據。圖3(a)為實際鍋爐運行數據，包含10個故障數據；圖3(b)為本文方法鍋爐故障檢測結果，檢測出9個正確故障數據與2個錯誤故障數據；文獻[3]、文獻[4]方法均檢測出7個正常故障數據與3個錯誤故障數據。本文方法檢測出正確、故障數據均大于文獻方法，而檢測出錯誤故障數量小于文獻方法。本文方法的檢測效果更好，這是因為本文方法通過時間序列方式收集鍋爐穩態數據，并歸一化處理；利用了主成分方式將鍋爐數據進行特征提取，并運用距離度量算法完成各數據點的故障自動檢測，有效縮小了故障檢測結果的誤差，故本文方法優于文獻方法。

2.3 運行耗時對比

為了進一步驗證3種方法的故障檢測結果性能的優劣，下面從故障檢測耗時角度進行驗證，得出結果如圖4所示。

圖4 故障檢測耗時對比情況

從圖4可以看出，當數據組數為300時，3種方法鍋爐故障自動檢測結果趨于平緩。數據組數為500組時，文獻[3]方法、文獻[4]方法與本文方法的檢測耗時分別為42s、37s、28s，本文檢測耗時曲線均低于文獻方法，說明本文方法的故障檢測效率較高。這是因為由于文獻方法沒有使用歸一化方式將鍋爐數據進行處理，增加了鍋爐數據特征難度，故文獻方法需要消耗較多時間才能檢測出鍋爐故障，進一步證實了本文方法鍋爐故障自動檢測性能良好。

3 結語

鍋爐實際運行數據中可能含有一些故障數據，導致鍋爐設備癱瘓，不能正常運行，為此本文在運行數據基礎上對鍋爐故障自動檢測技術進行研究。通過滑動判斷方式完成鍋爐數據采集，利用主成分分析方式提取出數據特征，并根據數據各點間距離判定出故障數據，完成鍋爐故障自動檢測。本文方法雖取得一定成效，但由于研究時間有限，日后可以將時間序列、深度學習等方法引入，進一步提升檢測結果的精度。