基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別研究

麻建中，王林剛，胡凱波

(浙江浙能蘭溪發(fā)電有限責(zé)任公司，浙江,金華 321100)

0 引言

近幾年，全球電力產(chǎn)業(yè)迅猛發(fā)展，電力運(yùn)行成本不斷增長(zhǎng)，維護(hù)起來(lái)越發(fā)困難，其原因是電力機(jī)組的單機(jī)容量在擴(kuò)增，電廠位置也向偏僻的陸地、海洋等地區(qū)遷移[1]。目前我國(guó)各個(gè)行業(yè)的自動(dòng)化程度不斷增強(qiáng)，隨之而來(lái)就是需要對(duì)機(jī)械設(shè)備的運(yùn)行狀況進(jìn)行監(jiān)管與故障判斷，并提升這一過(guò)程的智能化程度。針對(duì)部分較為繁瑣的電廠設(shè)備，通常情況下需要以故障形成理論、因素以及成因作為設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)基礎(chǔ)。由于機(jī)械設(shè)備表面故障現(xiàn)象與形成原因很模糊，給設(shè)備的運(yùn)行狀態(tài)識(shí)別工作帶來(lái)了很大困擾[2]。當(dāng)下的線上識(shí)別及診斷系統(tǒng)中的數(shù)據(jù)呈現(xiàn)海量化，其中最為寶貴的資源是專家知識(shí)和實(shí)際案例數(shù)據(jù)。所以，對(duì)這一資源中的知識(shí)規(guī)則進(jìn)行開(kāi)發(fā)，并利用相關(guān)技術(shù)對(duì)知識(shí)庫(kù)進(jìn)行完善，進(jìn)而提升智能識(shí)別能力，這是設(shè)備運(yùn)行狀況識(shí)別中最應(yīng)該研討的課題之一[3]。譚欣等[4]主要以在線識(shí)別三相電機(jī)運(yùn)行的狀況作為研究目的，引入了電信號(hào)融合理論，并且使用主分量融合算法，提取三相電信號(hào)所反映出來(lái)的電機(jī)運(yùn)行狀況特征量，在線辨識(shí)出電機(jī)運(yùn)行下工作狀況和故障，并以Lab VIEW為基礎(chǔ)開(kāi)發(fā)了電機(jī)運(yùn)行狀況的在線識(shí)別系統(tǒng)，以此實(shí)現(xiàn)電機(jī)工程狀況的在線監(jiān)測(cè)與故障判斷。通過(guò)實(shí)驗(yàn)證明了此項(xiàng)技術(shù)具有穩(wěn)定、快速、實(shí)用的特點(diǎn)，給電機(jī)運(yùn)行狀態(tài)的在線識(shí)別技術(shù)提供了新的理論支持和技術(shù)指導(dǎo)。王宇等[5]以時(shí)變轉(zhuǎn)移概率為基礎(chǔ)，針對(duì)設(shè)備運(yùn)行中狀態(tài)的識(shí)別及故障預(yù)測(cè)的難題，引入了隱半Markov模型，在Markov狀態(tài)轉(zhuǎn)移概率矩陣的估算過(guò)程中以設(shè)備歷史運(yùn)行信息作為主要樣本數(shù)據(jù)，使Markov矩陣更有時(shí)變性，令整個(gè)電力系統(tǒng)可以自動(dòng)更新歷史信息，以期更好地適應(yīng)設(shè)備運(yùn)行的程序，并利用設(shè)備剩余預(yù)測(cè)方法對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，得到最終的設(shè)備運(yùn)行狀態(tài)識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明,相比傳統(tǒng)隱半Markov模型，這一新方法更為有效。

以上述研究為基礎(chǔ)，本文將巡檢機(jī)器人應(yīng)用到了電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別中，從而提高電廠設(shè)備運(yùn)行狀態(tài)識(shí)別性能。

1 電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別方法設(shè)計(jì)

1.1 基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)預(yù)測(cè)

在實(shí)際中,通常采用故障率來(lái)描述電廠設(shè)備運(yùn)行狀態(tài)[6]。假設(shè)電廠設(shè)備的壽命周期為T(mén)，F(xiàn)(t)表示電廠設(shè)備壽命的分布函數(shù)，R(t)表示電廠設(shè)備的可靠性函數(shù)，那么電廠設(shè)備的運(yùn)行狀態(tài)函數(shù)表示為

(1)

其中，M表示電廠設(shè)備運(yùn)行狀態(tài)樣本總數(shù)，m(t)表示電廠設(shè)備在t時(shí)刻運(yùn)行狀態(tài)的樣本數(shù)，此次所用的樣本數(shù)據(jù)均是由巡檢機(jī)器人采集的。

假設(shè)電廠設(shè)備到達(dá)故障狀態(tài)之前需要經(jīng)歷i種狀態(tài)，D(i)表示電廠設(shè)備在線狀態(tài)逗留時(shí)間的期望值，在參數(shù)估計(jì)的基礎(chǔ)上，可以得到以下公式：

D(i)=μ(i)+ρδ2(i)

(2)

(3)

式中，μ(i)表示當(dāng)前的電廠設(shè)備狀態(tài)，δ(i)表示歷史電廠設(shè)備狀態(tài)，ρ表示當(dāng)前狀態(tài)持續(xù)時(shí)間[7]。

(4)

當(dāng)電廠設(shè)備運(yùn)行狀態(tài)i的停留時(shí)間為d時(shí)，其剩余的壽命可以表示為

(5)

基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)預(yù)測(cè)過(guò)程如下。

Step 1 利用巡檢機(jī)器人采集電廠設(shè)備運(yùn)行參數(shù)，并提取電廠設(shè)備全壽命運(yùn)行特征向量，以此為基礎(chǔ)計(jì)算初始前向概率公式和初始后向概率公式以及觀測(cè)向量序列O=(O1,O2,…,OT)的條件概率。

Step 2 根據(jù)設(shè)備參數(shù)估計(jì)結(jié)果[10]，得到電廠設(shè)備運(yùn)行狀態(tài)i停留時(shí)間dt(i)=d之后，轉(zhuǎn)移到運(yùn)行狀態(tài)j的概率估計(jì)結(jié)果以及電廠設(shè)備在時(shí)刻t運(yùn)行狀態(tài)i停留時(shí)間dt(i)=d的概率估計(jì)結(jié)果。

Step 4 利用式(4)計(jì)算電廠設(shè)備運(yùn)行狀態(tài)i逗留時(shí)間為d時(shí)的剩余壽命，得到電廠設(shè)備運(yùn)行狀態(tài)預(yù)測(cè)結(jié)果。

1.2 設(shè)定電廠設(shè)備運(yùn)行狀態(tài)指標(biāo)

電廠設(shè)備在運(yùn)行過(guò)程中，每一個(gè)窗口時(shí)間段的參數(shù)關(guān)系都是在不斷變化的，為了度量電廠設(shè)備運(yùn)行過(guò)程中狀態(tài)參數(shù)關(guān)系的變化量，以電廠設(shè)備正常運(yùn)行階段的SCADA數(shù)據(jù)以及輸入與輸出參數(shù)關(guān)系作為參照，利用滑動(dòng)窗口模型實(shí)時(shí)處理SCADA數(shù)據(jù)[11]，滑動(dòng)窗口會(huì)隨著時(shí)間的推移而發(fā)生變化，采用式(6)分別對(duì)待分析的電廠設(shè)備運(yùn)行狀態(tài)參數(shù)進(jìn)行擬合處理，公式如下：

y=a0+a1x+a2x2+…+anxn

(6)

其中，x、y表示輸入?yún)?shù)和輸出參數(shù)，a0,a1,…,an表示不同的輸入?yún)?shù)和輸出參數(shù)關(guān)系系數(shù)，n表示擬合階次。

假設(shè)i時(shí)刻的電廠設(shè)備輸入和輸出運(yùn)行參數(shù)分別為xi和xj，則二者之間的函數(shù)關(guān)系表示為

xj,std=astd,0+astd,1xi+…+astd,nxn

(7)

則在tk時(shí)刻電廠設(shè)備輸入運(yùn)行參數(shù)xi和輸出運(yùn)行參數(shù)xj的函數(shù)關(guān)系利用下述公式表示：

(8)

結(jié)合以上結(jié)果，將電廠設(shè)備在tk時(shí)刻基于輸入運(yùn)行參數(shù)xi和輸出運(yùn)行參數(shù)xj關(guān)系的運(yùn)行狀態(tài)指標(biāo)定義為

(9)

其中，xmin和xmax表示電廠設(shè)備運(yùn)行狀態(tài)窗口數(shù)據(jù)某一個(gè)參數(shù)的最小值和最大值。例如,當(dāng)電廠設(shè)備在最大風(fēng)能捕獲區(qū)域運(yùn)行時(shí)，xmin和xmax可以看作切入風(fēng)速和額定風(fēng)速。

電廠設(shè)備運(yùn)行狀態(tài)指標(biāo)屬于一個(gè)沒(méi)有量綱的指標(biāo)，指標(biāo)值越大，說(shuō)明電廠設(shè)備運(yùn)行狀態(tài)與正常狀態(tài)的偏離程度越大;指標(biāo)值越小，說(shuō)明電廠設(shè)備運(yùn)行狀態(tài)與正常狀態(tài)的偏離程度越小[12]。

以電廠設(shè)備正常運(yùn)行階段的SCADA數(shù)據(jù)和輸入輸出參數(shù)關(guān)系作為參照，利用滑動(dòng)窗口模型實(shí)時(shí)處理SCADA數(shù)據(jù)，擬合處理待分析的電廠設(shè)備運(yùn)行狀態(tài)參數(shù)，利用電廠設(shè)備輸入運(yùn)行參數(shù)和輸出運(yùn)行參數(shù)之間的正常函數(shù)關(guān)系，完成了電廠設(shè)備運(yùn)行狀態(tài)指標(biāo)的設(shè)置。

1.3 電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別

電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別是監(jiān)控電廠設(shè)備的一項(xiàng)關(guān)鍵技術(shù)，結(jié)合巡檢機(jī)器人分析電廠設(shè)備的運(yùn)行狀態(tài)信號(hào)[13]，以期提高電廠設(shè)備運(yùn)行狀態(tài)的識(shí)別效率。

電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別原理如圖1所示。

圖1 電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別原理

分析圖1可知，電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別原理為利用巡檢機(jī)器人采集電廠設(shè)備正常運(yùn)行狀態(tài)和故障運(yùn)行狀態(tài)下的樣本數(shù)據(jù)，并將所有數(shù)據(jù)分為2組，一組作為訓(xùn)練數(shù)據(jù)，另一組則作為測(cè)試數(shù)據(jù)。在此基礎(chǔ)上分別對(duì)2組數(shù)據(jù)進(jìn)行預(yù)處理，包括剔除重復(fù)數(shù)據(jù)以及填補(bǔ)缺失數(shù)據(jù)，并將處理好的2組數(shù)據(jù)分別用于電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別模型學(xué)習(xí)以及模型實(shí)際識(shí)別過(guò)程中，輸出識(shí)別結(jié)果[14]。

將巡檢機(jī)器人應(yīng)用到電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別中的具體步驟如下。

Step 1 巡檢機(jī)器人參數(shù)初始化

巡檢機(jī)器人參數(shù)初始化過(guò)程包括輸入層的權(quán)值矩陣為Wm、DR層的權(quán)值矩陣為WDR和輸出層的權(quán)值矩陣為Wout的初始化，DR層的權(quán)值矩陣譜半徑大于1就可以。

Step 2 更新電廠設(shè)備運(yùn)行狀態(tài)參量

假設(shè)電廠設(shè)備的數(shù)量為M，DR層電廠設(shè)備運(yùn)行狀態(tài)向量為 [f(i),d(i)]，i=1,…,M，其中，f(i)表示電廠設(shè)備正常運(yùn)行狀態(tài)變量，d(i)表示電廠設(shè)備故障狀態(tài)變量。

Step 3 采集電廠設(shè)備運(yùn)行狀態(tài)向量

Step 4 計(jì)算輸出權(quán)值

選擇非線性激活函數(shù)提高電廠設(shè)備狀態(tài)識(shí)別過(guò)程中的非線性逼近能力的關(guān)鍵，非線性激活函數(shù)表示為

(10)

Step 5 輸出電廠設(shè)備輸入信號(hào)的識(shí)別結(jié)果

基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別流程如圖2所示。

圖2 電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別流程圖

綜上所述，通過(guò)所設(shè)計(jì)的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別流程，實(shí)現(xiàn)了電廠設(shè)備運(yùn)行狀態(tài)的自動(dòng)識(shí)別。

2 實(shí)驗(yàn)對(duì)比分析

為了驗(yàn)證基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別方法的有效性，構(gòu)建了仿真環(huán)境，并對(duì)文獻(xiàn)[4]方法、文獻(xiàn)[5]方法以及本文方法進(jìn)行30次仿真操作，測(cè)試了3種方法的電廠設(shè)備運(yùn)行狀態(tài)識(shí)別精度和運(yùn)行耗時(shí)情況，測(cè)試結(jié)果如圖3和圖4所示。

圖3 電廠設(shè)備運(yùn)行狀態(tài)識(shí)別精度測(cè)試結(jié)果

從圖3的測(cè)試結(jié)果可以看出，采用文獻(xiàn)[4]方法來(lái)識(shí)別電廠設(shè)備運(yùn)行狀態(tài)時(shí)，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別的精度達(dá)到了84.5%，在第10次實(shí)驗(yàn)到第20次實(shí)驗(yàn)過(guò)程中，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別精度出現(xiàn)了很明顯的下降，第20次實(shí)驗(yàn)之后雖然有上升的趨勢(shì)，但是幅度很??；采用文獻(xiàn)[5]方法來(lái)識(shí)別電廠設(shè)備運(yùn)行狀態(tài)時(shí)，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別精度只有76.8%，隨著實(shí)驗(yàn)次數(shù)的增加，識(shí)別結(jié)果出現(xiàn)了很大幅度的波動(dòng)；采用基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別方法來(lái)識(shí)別電廠設(shè)備運(yùn)行狀態(tài)時(shí)，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別精度高達(dá)93.4%，與其他2種方法相比，識(shí)別精度分別提高了8.9%和16.6%，具有一定的優(yōu)勢(shì)。其中，在第5次實(shí)驗(yàn)與第20次實(shí)驗(yàn)時(shí)，本文方法和文獻(xiàn)[4]方法的識(shí)別精度之差分別達(dá)到了最小值與最大值，原因在于文獻(xiàn)[4]方法的識(shí)別過(guò)程并不穩(wěn)定，造成識(shí)別精度波動(dòng)較大，以此證明了本文方法具有較高的穩(wěn)定性。

圖4 電廠設(shè)備運(yùn)行狀態(tài)識(shí)別耗時(shí)測(cè)試結(jié)果

從圖4可以看出，采用文獻(xiàn)[4]方法來(lái)識(shí)別電廠設(shè)備運(yùn)行狀態(tài)時(shí)，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別耗時(shí)最大值為68.3 min，并且第10次實(shí)驗(yàn)到第20次實(shí)驗(yàn)之間，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別耗時(shí)出現(xiàn)了突增的現(xiàn)象；采用文獻(xiàn)[5]方法來(lái)識(shí)別電廠設(shè)備運(yùn)行狀態(tài)時(shí)，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別耗時(shí)最大值為53.9 min，隨著實(shí)驗(yàn)次數(shù)的增加，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別耗時(shí)也隨著增加；采用基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別方法來(lái)識(shí)別電廠設(shè)備運(yùn)行狀態(tài)時(shí)，電廠設(shè)備運(yùn)行狀態(tài)識(shí)別耗時(shí)最大值僅有35.9 min，且隨著實(shí)驗(yàn)次數(shù)的增加，電廠設(shè)備運(yùn)行狀識(shí)別耗時(shí)沒(méi)有太大變化。

總體上看，基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別方法具有一定的魯棒性。

3 總結(jié)

針對(duì)傳統(tǒng)方法存在的問(wèn)題，提出了基于巡檢機(jī)器人的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別方法。采用巡檢機(jī)器人采集電廠設(shè)備運(yùn)行狀態(tài)參數(shù)，并對(duì)電廠設(shè)備運(yùn)行狀態(tài)進(jìn)行了精準(zhǔn)預(yù)測(cè)，在此基礎(chǔ)上設(shè)定了電廠設(shè)備運(yùn)行狀態(tài)指標(biāo)。通過(guò)所設(shè)計(jì)的電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別流暢，實(shí)現(xiàn)了電廠設(shè)備運(yùn)行狀態(tài)的自動(dòng)識(shí)別。結(jié)果顯示，該方法可以快速準(zhǔn)確實(shí)現(xiàn)電廠設(shè)備運(yùn)行狀態(tài)自動(dòng)識(shí)別，綜合性能最優(yōu)。