基于數據庫的工業鍋爐事故診斷系統的設計與實現

董 翔

(江蘇工程職業技術學院,江蘇 南通 226000)

1 基于數據庫的工業鍋爐事故診斷系統設計結構

1.1 事故發生原因

對相關資料進行收集與分析,得出以下幾個原因:①燃料質量不達標,水分含量較高,難以著火或燃燒不穩定,容易發生煤斗,使機器下煤管道堵塞,導致下煤不均勻或中斷等,導致熄火后煤炭不完全燃燒,在煙道內再次燃燒,造成事故。②爐膛溫度低、送風量過大、水冷壁爆管、鍋爐開啟和停止動作過于頻繁等都會導致鍋爐爐溫降低,造成燃燒質量差甚至是滅火,導致沒有完全燃燒的煤粉量增多,如果煙溫低,容易導致煤粉積存,煙道燃燒,因此負荷低的時候可以投入油噴嘴穩定火勢,在鍋爐工作過程中要掌握好送風量,開啟或停止動作不能過于頻繁[1]。如果風粉比例調整不適,風速過高或過低都容易引起火焰不穩定。若煤粉磨制不合格或燃油處理不恰當,會導致不完全燃燒量增大,損失增多,增多煙氣攜帶的可燃顆粒,令煙道再燃燒。③裝置設備本身損壞卻沒有檢查出來,存在巨大的風險隱患,對后期鍋爐設備運行造成嚴重影響。

1.2 故障診斷

工業鍋爐具有不同的故障特性,有些故障是在設備運行過程中逐漸積累導致的,而有些故障會突然發生。如工業鍋爐送粉管道的堵塞是長時間的灰塵堆積導致的,對于這種故障需要提前診斷。燃燒器故障主要為突發故障,需要以預防為主,構建故障監測系統,對鍋爐運行設備進行實時監測。工業鍋爐故障診斷需查明發生故障的指定位置,找到故障發生原因[2],故障診斷系統的工作流程是一種模式識別過程,需在出現故障時檢測出固有的特征信號,從而判斷故障原因。故障診斷過程如圖1所示。

采集信號。當鍋爐某些設備出現故障時,往往存在熱、振動、力學變化等現象,對這些信號進行采集,可為故障診斷提供有力依據。對收集到的信號進行分析,判斷設備運行狀態及故障特征。對獲取的狀態進行識別,與原始數據或參數進行對比,判斷故障類型及性質,及時采取補救措施。

圖1 故障診斷實施過程Fig.1 Process of fault diagnosis implementation

1.3 基本結構

故障診斷系統結構主要分為兩部分:以診斷部件及該領域專業知識為主建立的故障診斷數據庫,借助ADO(Active Data Objects)處理數據庫與表中存儲的數據,結合數據庫對系統功能模塊進行設計,具體結構如圖2所示。

圖2 鍋爐故障診斷系統結構Fig.2 Structure of boiler fault diagnosis system

該系統通過傳遞事故診斷編碼與識別信息進行交互,有效提高診斷準確率,使其對數據樣本及知識庫的診斷更加直觀。在神經網絡模塊中加入專家系統,解決了傳統專家系統獲取知識耗費時間多、診斷內容不全面、診斷速度慢及效率低等問題。

該系統由許多模塊組合而成。①熱力參數檢測模塊。對系統運行時的熱力參數進行實時檢測,將該數值與基本信息儲存表中的參數進行比較。若當前參數值與數據庫中的正常值相差較大,系統會連接到軟件并給出相應顏色的警示燈,如黃色預警、紅色報警[3]。②樣本編輯訓練模塊。該模塊將系統采集的數據劃分到不同編號的組別中,每個組都被看作一個整體樣本,在進行樣品編輯訓練的過程中對這些整體樣本進行處理,使用神經網絡模塊處理樣本,得到權值與閾值矩陣,為數據樣本的后期診斷與收集提供便利。③知識獲取模塊。主要用于學習工業鍋爐事故樣本,通過學習獲取知識。神經網絡模塊與專家系統的連接主要通過知識獲取模塊來展開。知識獲取模塊將神經網絡模塊的知識儲存起來,隨時調用,建立相應的算法與函數模型[4]。專家系統包括事故診斷、解釋模塊及事故推理等部分。其中,事故診斷與解釋模塊通過已經成型的神經網絡模塊模型,運用ADO讀入系統的相關運行參數,對神經網絡模塊模型進行診斷,將得出的數據進行推理演算,得出鍋爐事故診斷結論,根據知識庫中儲存的知識解釋該診斷結果。若在知識庫中找不到相應的結果,則可進一步查看并擴充知識庫知識含量。

2 建立工業鍋爐事故診斷系統知識庫與數據庫

2.1 知識庫

工業鍋爐事故診斷系統的知識庫包含大量相關專業理論與事實規律,是神經網絡模塊與專家系統工作時必需的一般性常識總和,是整個系統的基礎部分。

專家系統的核心是知識獲取模塊,其判斷能力系統的性能由知識庫中儲存的知識量與準確程度決定,獲取知識的途徑有3種,即自動型、非自動型及基于精神網絡模塊[5]。本系統主要使用非自動知識獲取,具體過程如圖3所示。

圖3是知識工程師與相關領域專家對文獻進行分析總結,對分析結果進行多次商討研究得出的結論,它將各方面得來的知識匯總,用適當的表示方式或語言形式來表示,最后存入知識庫中。機器學習是神經網絡模塊獲取知識的主要途徑,在訓練時將一些具有代表性的知識注入神經網絡系統中,系統自動記住所有重要知識。

圖3 非自動知識獲取Fig.3 Non-automatic knowledge acquisition

對于知識的診斷是很有必要的,這直接關系著后續系統的運行準確性,主要有以下幾種方式:①邏輯表示法。適用于事物屬性與概念方面的知識,用簡單的謂詞公式復合成較為復雜的內容,具有很好的擴充能力。②語義網絡表示法。在語義網絡中,用一組節點表示某一概念或屬性,將其連接起來,連接節點的弧表示各連接節點之間的關系,這種方法能夠將各種問題有機地結合起來,更加理性地結合多個信息聯合分析。③產生式表示法。該方法常用于表示有因果關系的知識,由規則庫、綜合數據庫及推理結構等組成,使知識更加直觀地展示出來,便于系統進行推理,令知識修改更加方便。④框架表示法。主要原理是建立框架式結構,將一個復雜的系統分成不同的相互聯系的子系統,各系統分工合作,將一個問題的抽象概念與細節進行分層處理,減少知識庫中的搜索時間,有助于提高整體工作效率[6]。

2.2 數據庫

傳統的工業鍋爐事故診斷方法冗雜性很大,訪問速度很慢,可擴充量小。為解決這些問題,需引入數據庫。結合知識庫使用關系數據庫與ADO數據庫,達到提升系統運作效率的目的。

關系數據庫主要由關系數據結構、關系操作集合及關系完整性約束組成,如圖4所示。關系表中記錄了每個實體及其相關屬性,清晰展現出模型中的數據邏輯結構。該模型具有選擇、投影、并、交等操作,其中,查詢操作是最關鍵的部分。使用時要保證關系數據庫的規范化,注意字段值的唯一性與獨立性、功能的關系性及主索引鍵的使用。ADO數據庫可成為存取數據的標準,能很好地簡化整個程序,用ADO方法訪問數據時要依靠ADO對象,包含連接、記錄集、命令、事件等[7]。

圖4 字段結構Fig.4 Field structure

工業鍋爐事故診斷系統數據庫設計需從兩方面入手:建立鍋爐系統的數據結構,對收集的數據表進行操作。如表1所示,以鍋爐內裝滿水的樣本為例,系統會制作基本信息參數統計表,給各數據編號并給出特征值,系統檢測報警功能基于數據比對及分析做出反應。在事故發生類型表中儲存著許多事故發生的原因分類及處理措施分類,當機器出現新的故障類型時,可對知識庫與數據庫進行添加填充。事故預兆信息表是對事故發生類型表中的各現象及數據進行總結,建立事故學習樣本,在事故發生前進行有效預測[8]。

表1 鍋爐滿水樣本信息實例

3 結束語

工業鍋爐應用廣泛,需控制其危害,降低事故的發生率,因此工業鍋爐事故診斷系統應用前景廣闊。系統建立完成后,需對其進行測試,檢驗其運作效果。若檢測該系統存在風險,需現場采集各項數據,交給系統進行模擬測試。實驗結果顯示,該系統能夠準確判斷工業鍋爐的實時狀態并給出相應的反應,可在實踐中應用推廣。