基于大數據的發電設備可視化狀態監測檢修系統研究

中電華創（蘇州）電力技術研究有限公司 吳成年 徐 威 江蘇常熟發電有限公司 戴 軼

中電華創電力技術研究有限公司 王亞順

隨著火力發電廠的發展過程參數不斷提高，系統日趨復雜、設備種類愈發繁多，提高關鍵設備可利用率和可靠性歷來是發電行業重點關注的問題。上世紀80年代以來，一系列優化維修策略和先進的管理技術逐步在西方國家火電廠得到應用，先進的分析手段和狀態監測技術使得及時反映設備的真實狀態成為可能，檢修項目和的優化、設備檢修周期的延長，降低了發電設備的檢修成本，提高了設備可用性。

狀態檢修工作在部分國內大型電廠進行了探索性的試驗和推行，其所需的先進檢測技術已廣泛使用，發電廠重要輔機的狀態檢測已取得初步成效，設備可靠性水平逐漸提高，企業經營效益提高。但與發達國家火電機組的可靠性相比我國水平仍然較低，設備的維修管理技術不高，定期檢修維護方式仍被當下較多的發電機組設備所采用，管理的理念有待更新[1]。

1 電力設備檢修體制發展歷程

對設備進行檢修是為恢復或者保持設備完成特定功能而采取的活動，合理的檢修能使設備和系統安全、可靠運行，通過挖掘現有發電設備和系統的使用潛能，可達到物盡其用的目的，并能節約維修成本。

1.1 故障檢修

指發電設備出現故障或效能下降后而不得不采用的計劃外維修，又稱為事后檢修。利用設備或系統是否已發生功能性的缺失作為判斷依據，當發生了故障且不能繼續運作后才對其進行停運檢修，目的是為排除已發生的設備故障。倘若事故影響范圍小、損失不大或設備的價值不太高，則此時故障檢修不乏為一種成本低廉、頗為適用的檢修方式，可減少非必須的檢修，降低資金方面的成本浪費，另外這種檢修方式便于開展實施，管理成本低。缺點：無法保證發電設備和系統的可靠性；設備安全存在較大威脅，可能引發系統性的風險，甚至導致故障的擴大化；停電時間及周期無法事先預估。

1.2 預測性定期檢修

是以固定時間為基準的預測性檢修方式，又稱計劃檢修。是建立在設備磨損統計規律的基礎上，提前制定檢修周期、檢修級別和檢修項目，根據規定的時間周期開展維修活動，通過檢修使得設備和系統恢復至規定的狀態水平。特點是“到期必修、修必修好”。當設備或系統達到規程規定的檢修時間后，無論是否存在故障或缺陷都要對設備或系統進行停運檢修。對于磨損規律已知及無法隨時停運進行故障處理的流程工業自動化設備，預防性檢修能降低設備故障率和事故的發生。缺點：可能導致設備缺少檢修而導致故障劣化；可能由于檢修過度而發生資源浪費；存在盲目性，按照檢修規程實施的檢修項目一方面存在無法對設備狀況進行有效檢修的情況，另一方面受檢修條件和檢修人員技能水平的限制，過多的檢修活動可能造成無法預知的設備損壞，此時相比未進行檢修的設備使用壽命反而可能更低。

1.3 狀態檢修

不同于定期檢修，是從設備或系統的實際性能狀態出發、以設備或系統的狀態變化趨勢為判斷依據的檢修方式。它從在線狀態監測和故障診斷所提供的信息出發，結合設備日常巡查數據、定期重點檢查結果，通過比對設備現有的狀態和標準參數指標，對設備的狀態及其發展趨勢做出推斷，在設備發生故障前或性能下降到不無法接受的程度前，按需安排有計劃、有針對性的檢修。理論上狀態檢修是當下最科學和經濟的檢修方式，具有針對性強、檢修及時的優點，能提高設備可靠性、降低設備檢修費用。但為保證狀態檢修的實施，需提前投資安裝大量昂貴的狀態檢測設備，且有較高的故障診斷技術。此外，即使采用先進的監測技術仍無法避免一些偶發的、征兆難以檢測或隱蔽的故障的發生。

1.4 優化檢修

借助科學技術的進步及設備診斷、監測技術的發展，設備管理技術也日新月異。隨著發電設備狀態檢修工作的開展，“優化檢修”的含義和內容也愈發廣泛。基于大數據的優化檢修，是從設備當前的工作狀態出發，采用先進的設備狀態監測方法獲取機組主重要設備特征參數，建立其設計、運行參數及維護大數據中臺，利用大數據挖掘及專家系統等手段來診斷發電設備和系統的健康狀態，并對早期的故障征兆進行識別，對設備故障的嚴重程度、故障狀態發展趨勢作出科學的研判，并根據系統給出的研判結果，在設備性能下降到設定的程度或嚴重故障發生前實施人為主動的檢修活動[2]。

2 基于大數據的發電設備優化檢修管控方法

基于大數據的發電設備優化檢修源自狀態檢修，是狀態檢修的高級形態，主要思想是運用大數據技術，結合先進的設備檢測技術對電廠主設備設備進行全流程數據的獲取、標識，融合電廠設計、設備臺賬及歷史運行數據，整合形成一體化的大數據平臺，運用機器深度學習等方法對數據進行提煉與挖掘，再結合行業專家經驗的甄別與篩選，創建故障模型數據庫及專家診斷知識庫，實現人工智能在發電企業狀態檢修方面的深度應用。

本系統利用對火力發電生產過程的關鍵參數點的采集，將生產工藝與長期歷史數據擬合結果相結合，通過大數據挖掘、沖擊解調、專家系統及統計分析等手段，多維度評價關鍵設備狀態異常狀態及可能原因，并對特定故障進行維修策略推送，實現了多專業協同、在線綜合診斷、優化指導的設備智能管控。

如圖1所示，為實現基于大數據的發電設備可視化狀態監測檢修，采用企業生產過程數據、專家知識、智能模型庫構成的關系數據庫和實時數據庫驅動，建立了狀態優化知識庫、樣本庫和工況數據庫的設備模型數據融合應用的數據倉庫系統，搭建了設備健康狀態一體化智能管控系統數據中臺。為確保發電生產過程工藝數據的真實性，最大限度的降低由SIS（廠級監控信息系統）系統從各DCS（分散控制系統）系統采集的延時和失真，本系統部分數據直接從加裝的狀態監測系統獲取，部分從TSI系統直接獲取再存儲至實時數據庫，各子系統在線監測數據通過一體化智能管控系統數據中臺采集至實時數據庫，無法自動采集的非實時數據通過表單人工填報存儲至關系數據庫。

3 設備健康狀態一體化綜合監測平臺建設

3.1 基于大數據的發電設備狀態綜合管理平臺

以某1000MW機組為例，該平臺通過整合汽輪機、鍋爐、重要輔機等設備管理資源，對汽輪機、鍋爐、大型轉機等關鍵設備建立了狀態診斷分析模型，通過動態監視工藝、振動、泄漏等特征參數，智能分析狀態異常原因，對機組進行狀態監測、故障預警、狀態分析，實現設備狀態可視化狀態檢修。該系統采用多種先進檢測技術、診斷分析技術、大數據分析等技術，研發打造設備狀態檢修的智能管理平臺。系統采用開放的規則編輯系統，運用邏輯組態圖的方式實現規則維護，直觀開放，可圖形化直觀地對規則進行編輯和修改，更便于技術人員對規則的維護。

3.2 可視化電站鍋爐數字孿生智能監測系統

該系統以機組原始設計圖為基礎，以設備臺賬為支撐，利用先進的輕量化三維可視建模技術，建立整個鍋爐系統的實時三維數字孿生模型，創建受監督的鍋爐系統主要受熱面三維可視化模型，在三維立體圖形中用不同顏色區分各系統及部件。系統實時或異步讀取壁溫偏差、歷史隱患及來自DCS/SIS 系統的實時數據等多重信息，通過對多源異構數據進行清洗融合，采用機器學習技術、結合專家經驗，實時預測鍋爐受熱面健康狀況，使得鍋爐實際設備的狀態到三維立體模型中的一一映射，實現鍋爐高溫關鍵受熱面的狀態監測、異動預警與發展趨勢的長期連續跟蹤，最終實現鍋爐三維可視化防磨防爆管理。

該可視化電站鍋爐數字孿生智能監測系統可通過采集與設備狀態緊密聯系的生產數據，如再熱汽壓、主蒸汽汽溫、鍋爐壁溫測點、四管泄露、蒸汽吹灰器信號等；采用不同顏色表征不同受熱面部件的狀態，數據信息實時存入自身數據庫為系統實現大數據分析提供數據支持。當鍋爐設備狀態超限后，映射后的數字孿生設備三維模型中相應部位的顏色，就會根據超限程度使用不同顏色進行提醒閃爍。根據各部件溫度變化的幅度大小和頻率快慢，利用氧化皮脫落預測模型預測鍋爐受熱面內氧化皮脫落量，并進一步預測高溫受熱面內氧化皮堆積情況，通過三維可視化模型動態展示部件的管、排以及測點的狀態，堵塞風險等級，從而一定程度上降低由于氧化皮堵塞而導致的非停概率。

系統配置的當量溫度、當量應力和剩余壽命計算模型，可監視部件下評估點的老化狀態和當前最低壽命的評估點信息。通過評估壽命圖，可查看該部件所有評估點的殘余壽命圖譜。

3.3 可視化汽輪發電機組智能監測系統

可視化汽輪發電機組智能監測系統根據設備發生故障的機理，結合現場診斷經驗建立機組的故障診斷知識庫，能夠診斷汽輪發電機組常見的部件脫落、質量不平衡、不對中、彎軸、碰摩、電磁力不平衡、松動、汽流激振、油膜振蕩、基礎振動和共振等故障存在的充要條件，通過TSI 系統參數收集建立汽輪發電機振動故障模型，通過信號特征的自動識別，依靠信號分析結果區分不同性質及類型的故障，計算振動故障的可信度，實現故障精確定位，從而提出針對性的處理意見，自動推送出解決方案，減少不必要的檢修和可能導致的非停。

系統根據設備發生故障的機理并結合現場診斷經驗，從征兆出發去診斷故障，分析汽輪發電機組發生常見振動故障的充要條件，解決了目前模糊診斷和神經網絡診斷存在的診斷結果似是而非問題。通過對實時和歷史數據中隱藏信息的全面挖掘利用，根據通頻和各頻段振幅大小、相位以及變化趨勢情況，得出常見振動故障診斷結果的可信度，結合影響故障的因素確定各類故障的嚴重程度，直觀地以圖形方式將故障結論和變化趨勢加以展示。用戶不用掌握復雜的振動分析理論，即可根據診斷結果掌握機組的狀態。

3.4 可視化輔機智能監測系統

系統建立了可更新的專家系統診斷知識庫，實現輔機自動故障診斷功能。通過系統中的機組主監測畫面，能夠了解機組的實際運行狀態。鑒于當前電廠輔機設備狀態關鍵表征數據量少、數據密度低、可靠性不高等情況，系統運行過程中在機組重要大型輔機設備上加裝了加速度傳感器，通過數據采集模塊實時獲取設備狀態數據，同步傳輸至數據服務器，有效補充了分析數據來源。

系統通過采集轉動機械的頻譜圖、時域波形圖、沖擊解調頻譜圖、沖擊解調波形圖、倒頻譜等，對設備進行多維度分析，實現部件級的健康狀態精確診斷。專家診斷數據庫有足夠多的故障識別規則，針對各種故障類型做出準確判斷，給出嚴重程度，并進行維修策略推送。

4 結語

本系統通過建立設備健康狀態一體化智能管控系統數據中臺，對各類離線及在線多源異構數據進行處理后，融合大數據挖掘、專家系統等手段，利用三維方式對發電設備健康狀態進行可視化監測，實現了故障的精確定位及常規檢修策略推送，最終建立了一套融合定期檢修、故障檢修及狀態檢修的新型檢修模式，具有一定的借鑒意義。