電廠設備狀態檢修優化決策系統開發與應用

廣東能源集團沙角C電廠 趙建新

火電在我國能源結構中一直擔任重要的角色。據國家能源局統計數據，2022年全國發電裝機容量約25.6億kW，其中火電裝機容量約占52%[1]。在火電生產過程中，由于設備之間的緊密耦合，系統組成復雜，以及設備運行時的高溫、高壓、高速旋轉的特性，使火電廠設備一直有較高的故障發生率，而故障導致的危害性也比較大。在“雙碳”目標影響下，火電機組正積極進行轉型升級，加快推進節能降耗改造、供熱改造和靈活性改造“三改聯動”，更增加了機組主輔機運行故障風險，安全可靠性進一步下降[2]。保證火電廠保持長周期的安全穩定經濟環保運行，降低發電成本，進一步提升企業綜合競爭力，對火電廠的發展具有非常重要的意義。而火電機組的大容量、高參數、智能化、信息化發展趨勢[3-4]，更使機組發生故障后造成的損失和影響比以往大大增加。

1 系統架構設計

1.1 系統B/S 架構設計

本系統架構采用B/S 架構，B/S 模式屬于多層結構的一種具象化實現，其特點是采用瀏覽器來實現與服務器之間的數據交互，終端不需要安裝客戶端應用程序。多層結構的優勢是將業務處理邏輯放在中間代理服務器上，客戶端屬于界面層，通過瀏覽器來完成人機交互。

B/S 體系結構主體包括界面層、業務層和服務層。本系統開發中，界面開發采用JavaScript，中間業務邏輯通過Java 實現，服務層基于云平臺實現。

1.2 系統物理架構設計

本系統的物理架構主要包括SIS 系統的三個數據安全區，其中SIS 安全I 區提供各設備原始基礎數據，安全II 區用于存儲原始數據，安全III 區主要用于對數據的處理與展現。

本系統核心部分的服務器則部署在安全III 區，如圖1 系統物理架構設計示意圖所示，系統從安全I區和II 區獲取原始數據并實時保存，再進行計算分析和算法處理，最終以畫面交互形式將處理結果展示給用戶；安全III 區不會干涉SIS 系統安全I 區和安全II 區的原始數據的存儲。

圖1 系統物理架構設計示意圖

1.3 系統邏輯架構設計

系統邏輯架構包括數據層、中間層和應用層。數據層是依賴關系數據庫負責設備監測數據的采集與存儲，關系數據庫采用的是大型關系數據庫產品MySQL。中間層主要負責數據的讀寫操作、設備監測模型計算、設備監測狀態的期望值計算、設備狀態評價和預警，通過Java 后臺服務編寫。應用層基于JavaScript 語言實現系統前端代碼編寫。

2 系統主要功能設計

在沙角C 電廠現有SIS 等系統的基礎上，通過新增開發參數監測管理子系統、故障診斷管理子系統、健康監測管理子系統及檢修優化管理子系統，構造一個比較完善的從設備參數監測、故障診斷到檢修決策的設備狀態檢修優化決策系統，如圖2 沙角C 電廠設備狀態檢修優化決策系統框架圖所示。

圖2 沙角C 電廠設備狀態檢修優化決策系統框架圖

圖3 系統功能結果圖

2.1 參數監測管理子系統

本系統能實時監測設備運行參數，對于運行異常參數進行告警。該系統通過獲取設備實時運行參數，利用機器學習方法建立參數預測模型，采用了實際值限值告警和實際值與預測值的絕對偏差限值兩種參數告警方式（規則告警和模型告警），在滿足參數告警靈活設置要求的同時，也幫助實現了設備早期劣化或故障告警提示。同時，參數告警的閾值設定嚴格遵守電廠運行規程的限制。

2.2 故障診斷管理子系統

根據參數告警情況對設備進行故障診斷和故障管理。該系統根據參數監測管理子系統產生的參數告警信息，自動獲取故障征兆，通過專家系統實現早期故障診斷；該系統能接收振動分析儀等離線數據，實現波形、波譜分析、小波分析及包絡譜分析；故障管理模塊記錄設備、機組的歷史故障模式信息和子系統當前診斷故障結果，故障管理為專家系統擴充知識庫。系統將故障診斷結果輸出到健康監測管理子系統。

2.3 健康監測管理子系統

根據設備運行參數告警等級和故障診斷結果綜合評估設備、機組健康狀態及運行風險。一方面，該系統根據參數監測管理子系統產生的參數監測信息，采用設計好的狀態評估算法（模糊評判或MSET 技術或機器學習方法），獲取設備當前運行狀態（優、良、中、差）；另一方面，該系統根據故障診斷管理子系統輸出的故障診斷結果，對故障進行FMEA 分析，綜合設備當前運行狀態，評估設備當前運行風險，從而進一步評估機組當前運行風險。風險評估過程中各參數權值和各設備權重可根據設備信息管理系統反饋來更新。

2.4 檢修優化管理子系統

該系統根據健康監測管理子系統接收設備、機組運行風險評估結果，檢修優化模塊綜合發電計劃、維修資源等客觀因素和機組當前存在故障但未安排檢修工作的設備，在保證機組安全運行前提下，以機組的利用率和檢修費用為優化目標，自動規劃出檢修建議工單，設備管理人員可對檢修建議工單進行干預，若確認生成檢修工單，則提交至現有機組管理系統，按照現有流程負責檢修工作的執行；檢修工作結束后，根據設備負責人對檢修結果的考核，將檢修效果反饋到系統各個子系統。若未生成檢修工單（表明機組運行雖有缺陷，但不進行檢修），則在檢修管理模塊中記錄機組缺陷，在下一次檢修優化決策時再考慮處理。

這樣，完整的系統可以實現從設備運行參數分析及預測、參數監測、故障診斷、設備狀態及運行風險評估、檢修決策直至檢修管理的動態的、全過程的設備狀態檢修管理流程，為狀態檢修的實施提供支持。

3 應用情況展示

該系統已成功在廣東省能源集團有限公司沙角C 電廠應用部署，在該系統運行的兩年時間內，實現了設備信息管理、早期異常預警、設備智能故障診斷、設備狀態健康度綜合評估、檢修建議與優化決策。系統部署期間，該公司對磨煤機、引風機、漿液循環泵等輔機進行了故障診斷和檢修策劃，在設備狀態總覽頁面即可全面掌握所關注設備當前的健康狀態、可能存在的缺陷，以及當前檢修決策，同時可以在該頁面通過點擊不同功能區域，快速鏈接到相應功能頁面做進一步的查看與操作。

3.1 參數監測

設備參數監測分為模型監測和規則監測，對應報警級別分別用黃色和紅色表示。具體而言，以3A漿液循環泵為例：首先通過“新增模型”功能，新建參數監測模型，并進行訓練，噪聲級別0～20，訓練采樣間隔和告警監測間隔推薦60，單位s，殘差報警上限和下限在模型訓練完后會自動填充，時間閾值和時間比例默認為60s 和0.8s，表示連續監測60次，當有殘差報警比例達到0.8s 時觸發模型預警。選擇模型訓練開始和結束時間（用設備歷史運行數據訓練模型），點擊“訓練”按鈕，模型在后臺自動訓練，訓練完成后將結果返回。

訓練結果可在模型監測—實時監測或歷史查詢頁面中查看。告警功能會顯示該模型觸發的當前（未處理）告警情況，告警信息包括：告警詳情、實際值、預測值及預警持續時間等信息。用戶可以對每一條預警信息進行查看、確認、忽略等處理方式。規則監測功能與模型監測類似。

3.2 振動監測

部署了無線振動傳感器的設備，系統會自動接收設備振動數據，并進行振動分析。系統還可以查閱相應轉動設備的頻譜、時域波形、振動趨勢分析圖。通過這些圖表及趨勢自動分析和判斷設備狀態。

3.3 故障診斷

通過故障診斷/專家系統功能，可以同步設備當前參數告警的征兆，也可以添加征兆，點擊開始診斷按鈕后，右側診斷結果欄會顯示可能的故障名稱及其置信度。專家系統的準確性依賴設備故障征兆和故障模式的梳理完善程度，診斷結果僅供用戶參考。

3.4 檢修建議與檢修決策

通過檢修建議功能，系統自動給出檢修建議的統計情況，用戶可以直接在下方列表操作欄對檢修建議進行處理，若某條檢修建議被確認是對的，用戶需要填寫相應的決策內容和需要關聯的零部件，保存后將生成一條檢修決策。

通過檢修決策功能，系統自動給出檢修決策的統計情況，用戶可以直接在操作欄對檢修決策進行處理，若某條檢修決策被確認“完成”，則該條檢修決策狀態會由“進行中”變成“已完成”。

這樣，基本實現了一個比較完善的設備狀態全過程檢修優化決策系統開發與應用。經應用分析，沙角C 電廠在部署該系統后，設備故障診斷一次準確率達到了90%以上，設備年維修時間縮短了15天以上，避免了5次以上設備過修問題，年節約維修費用下降20%以上。

4 結論與展望

本項目開發了一個電廠設備狀態優化檢修系統。在沙角C 電廠現有SIS 等系統的基礎上，通過新增開發參數監測管理子系統、故障診斷管理子系統、健康監測管理子系統及檢修優化管理子系統，構造了一個比較完善的從設備參數監測、故障診斷到檢修決策的全過程設備狀態檢修優化決策系統。系統實際應用后，可提高設備可靠性和設備維護水平，降低設備檢修成本。

該系統將傳統的設備運維、定期巡檢與工業互聯網及人工智能、大數據分析等技術相結合，在一定程度上解決了設備運維工作中巡檢難度大、成本高、效率低等行業難題，推動了設備維護從定期維保、事后維修向基于狀態的智能維護轉變，推動了傳統產業與先進制造業、現代服務業等的深度融合，為我國火電廠設備運維向智能運維方向發展作出一定貢獻。