CN101025618A - 一种电厂热工设备智能状态诊断分析系统 - Google Patents

Abstract

本发明公开了一种电厂热工设备智能状态诊断分析系统，以电厂热工设备为对象，其特征在于，该系统由状态监测、状态分析、包括故障诊断、缺陷趋势、寿命预测的状态诊断、包括立即检修报告、中期检修报告、长期检修报告的检修报告、检修决策环节组成；该系统以神经网络为工具，采用基于神经网络辨识模型的状态诊断或基于神经网络模糊评判的状态诊断。本发明将神经网络、设备状态诊断技术与电厂热工设备相结合，可科学地获取设备的状态，实现设备状态诊断和检修。

Description

一种电厂热工设备智能状态诊断分析系统

技术领域

本发明涉及一种电厂热工设备状态诊断系统，尤其是一种用于电厂热工设备上的智能状态诊断分析系统。

背景技术

设备状态诊断技术是近40年来发展起来的一门新学科，它是适应工业过程实际需要而形成的各学科交叉的综合学科。设备状态诊断应该能够判别设备是处于“健康”、“亚健康”还是“病态”状态，它是一种全工况的诊断方法。随着设备维修管理水平的提高和故障诊断技术的发展，状态诊断技术逐渐进入实用化，在世界范围内也引起了广泛的重视，理论研究和生产实践都在不断深入，有的已取得了丰硕成果。

火力发电机组设备昂贵，并且其运行方式要求以最佳经济性连续进行。随着电站单机容量的不断增大，其热工过程变得更加庞大和复杂，任何一个热工设备故障，都可能直接导致巨大的经济损失。目前，国内大部分电力企业都提出要实施状态检修，但首先考虑的是主要的大设备的状态检修，如锅炉、汽轮机和发电机等，而对于热工设备尚未更多的考虑。作者认为，热工设备是电厂设备的重要组成部分，在电力生产中发挥着关键的作用，尤其传感器和执行器是电厂中不可缺少的热工设备，其运行状态的正常与否直接关系到整个系统的经济运行过程，所以也应当实现状态检修。据统计，80％的控制系统失效起因于传感器和执行器的故障。因此，在电力行业推广热工设备的状态诊断技术，其经济效益和社会效益都将是巨大的。

神经网络具有大规模并行性、自适应、自学习，以及非线性映射能力，它的诸多优点使其在控制领域中的应用越来越广泛，在故障诊断领域中的应用潜力也是非常之大。将神经网络、设备状态诊断技术与电厂热工设备相结合，可科学地获取设备的状态，实现设备状态诊断和检修。

发明内容

本发明是要提供一种电厂热工设备智能状态诊断分析系统，该系统将神经网络、设备状态诊断技术与电厂热工设备相结合，可科学地获取设备的状态，实现设备状态诊断和检修。

为实现上述目的，本发明采用的技术方案是：

一种电厂热工设备智能状态诊断分析系统，以电厂热工设备为对象，其特征在于，该系统由状态监测、状态分析、包括故障诊断、缺陷趋势、寿命预测的状态诊断、包括立即检修报告、中期检修报告、长期检修报告的检修报告、检修决策环节组成；该系统以神经网络为工具，采用基于神经网络辨识模型的状态诊断或基于神经网络模糊评判的状态诊断。

基于神经网络模型辨识的状态诊断系统由两部分组成，一部分是系统模型逼近器，即神经网络辨识模型，用来提供标准系统，给出系统正常工作时的输出；另一部分是诊断逻辑，用来判断被诊断系统输出与模型逼近器输出之间的差值是否超过设定的阈值，做出系统的运行状态判决。该系统根据热工设备的离线神经网络辩识模型，利用神经网络离线建模在线诊断方式对热工设备进行状态诊断，用来诊断出热工设备中传感器、电动执行器等发生冲击、偏置和漂移的诊断结果。

基于神经网络模糊评判的热工设备状态诊断是将热工设备的特性参数通过模糊隶属化后作为神经网络的输入信息，用神经网络的输出与模糊隶属化特性参数的海明贴近度的差值来训练神经网络，在诊断时，输入热工设备的特性参数，根据已训练好的神经网络得到输出，再根据输出按照模糊评判规则得到在这些特性参数下热工设备的运行状态。

该系统数据采集部分是在美国Keithley公司的Keithley2000数字万用表基础上，通过RS-232C串行接口来采集热工设备的相应特性参数至笔记本电脑或工控机里，并采用面向对象的程序语言Visual C++6.0，用于实现设备参数信号的数据采集、处理和诊断分析。

本发明将神经网络、设备状态诊断技术与电厂热工设备相结合，可科学地获取设备的状态，实现设备状态诊断和检修。

本发明以电厂热工设备为对象，采用神经网络的方法来实现其状态诊断，该方法具有重要的理论意义和实用价值。

附图说明

图1为本发明的电厂热工设备状态诊断系统原理图；

图2为本发明基于神经网络辨识模型的状态诊断原理图；

图3为本发明用于模糊评判神经网络的结构图。

具体实施方式

下面结合附图与实施例对本发明作进一步的说明。

如图1所示，本发明涉及电厂热工设备的两种基于神经网络的状态诊断方法：(1)基于神经网络辨识模型的状态诊断；(2)基于神经网络模糊评判的状态诊断。基于神经网络辨识模型的状态诊断是利用神经网络的非线性映射能力，使得网络可以通过学习来辨识一个非线性动态系统，通过对系统输出和神经网络预测输出的差值与一个设定阈值相比较来做出状态诊断，有离线诊断和在线诊断两种方式。基于神经网络模糊评判的状态诊断是将热工设备的特性参数通过模糊隶属化后作为神经网络的输入信息，用神经网络的输出与模糊隶属化特性参数的海明贴近度的差值来训练神经网络直到满足给定的误差要求，然后将权值保存以供做诊断使用，在诊断时，输入热工设备的特性参数，根据已训练好的神经网络得到输出，再根据输出按照模糊评判规则得到在这些特性参数下热工设备的运行状态。

现分别对两种诊断方法的实施方式说明如下：

(1)基于神经网络辨识模型的热工设备状态诊断

基于神经网络模型辨识的状态诊断系统由两部分组成。如图2所示，一部分是系统模型逼近器，即神经网络辨识模型，用来提供标准系统，给出系统正常工作时的输出；另一部分是诊断逻辑，用来判断被诊断系统输出与模型逼近器输出之间的差值是否超过设定的阈值，做出系统的运行状态判决。系统处于健康状态时，其残差小于健康限的阈值，该残差仅由未建模误差噪声和扰动引起，其幅值接近于零；当系统处于病态时，输出残差按一定规律偏离了病态限的阈值；如果残差在两个限的阈值之间，则系统处于亚健康状态。系统残差的变化性质取决于设备运行的状态类型，根据其变化特征和相应的决策规则可进行状态分类与定位。

系统正确的神经网络模型能反映系统正常工作过程中输入输出间的数据结构关系。因此，正常工作的系统输出y与神经网络模型的输出

间的偏差 $e,(e=|y-\hat{y}\left|\right)$ 应在一个较小的误差范围内，该范围可以确定为故障检测的阈值，记为d，如果e＞d，则认为系统出现异常。在这种方法中对故障程度的识别，只能根据e的大小粗略判断。为了提高检测的稳健性，可以采用一些如持续性检验、表决逻辑等措施。

工作过程：在系统硬件结构搭建好的情况下运行为本发明配套的数据采集与智能状态诊断分析系统软件，并首先进行设备运行状态的数据采集，采集完后保存数据；并选择加权系数滤波、算术平均滤波和一阶滞后滤波任一种或多种数据滤波方式进行数据滤波。

在进行基于神经网络模型辨识的热工设备状态诊断时，首先要进行神经网络的参数辨识，在系统软件的参数辨识设置对话框里设置神经网络的结构(包括输入层个数、隐含层个数和输出层个数)和神经网络训练指标(包括学习速率、动量因子、误差目标限和最大训练次数等)等参数，设置完参数后即可对所选择训练数据进行神经网络训练，并得到设备离线神经网络模型辩识结果和神经网络训练的误差曲线。根据热工设备的离线神经网络辩识模型，利用神经网络离线建模在线诊断方式对热工设备进行状态诊断，可以诊断出为热工设备如传感器、电动执行器等发生冲击、偏置和漂移的诊断结果。

基于神经网络辨识模型的状态诊断方法能够有效的诊断热工设备几种典型的病态状态，而且神经网络的预测输出可对病态信号进行恢复，这样在实际过程中，可以暂时用该恢复信号来驱动现场设备。但检测热工设备漂移状态时，病态信号的检测和恢复有一定的滞后性，因此可以说该方法对于缓变情况也存在一定的滞后性，即当残差积累达到一定的程度后，病态状况才可以被检测出来，这时，检测阈值的选取就显得格外重要。

(2)基于神经网络模糊评判的热工设备状态诊断

本发明另外一种热工设备状态诊断方法为基于神经网络模糊评判的状态诊断方法。在此以典型热工设备电动执行器为例进行介绍，具体做法是：将电动执行器的几个特性参数(纯滞后、上升率、死区和回差)，通过模糊隶属化后作为神经网络的输入信息，用神经网络的输出与模糊隶属化特性参数的海明贴近度的差值来训练神经网络直到满足给定的误差要求，然后将权值保存以供以后做诊断使用。在进行诊断时候，只要输入电动执行器的这些特性参数，就可以根据已训练好的神经网络得到一个输出，再根据这个输出按照模糊评判规则即可得到在这些特性参数下电动执行器的运行状态。

工作过程：以电动执行器为例，将电动执行器的几个特性参数(纯滞后、上升率、死区和回差)，通过模糊隶属化后作为神经网络的输入信息。但这些输入信息不能直接输入神经网络训练，需要做进一步的处理。借助于模糊数学知识，将这些样本数据用隶属函数转化到闭区间[0，1]的模糊信息变量来作为神经网络的输入信息，在这里假设每一个输入变量对应两个神经网络的量化输入，当然也可以对应三个、四个或者只对应一个，这可以根据实际情况的需要来确定。定义每个变量的两个量化输入(偏小、偏大)的模糊隶属函数为：

μ_L＝exp(-kx²)和μ_H＝1-exp(-kx²)

以上隶属函数中x为实变量，即电动执行器的特性参数，k为适当选择的参数。同时将各个特性参数样本经过模糊隶属函数量化后的数据x₁～x₈为神经网络输入信息，并将四个特性指标模糊隶属函数量化后的海明贴近度y用做神经网络输出的教师信号。这样，就可以确定神经网络有8个输入和一个输出，对于隐含层的数目选择有一定的随机性，但一般都是根据多次实验来确定最佳数目，本发明经过多次实验选取隐含层为5个。由此，可以确定用于模糊评判神经网络的结构，如图3所示。该神经网络结构类似于模糊BP神经网络网络结构，其中在虚线部分的算法采用改进的BP网络算法，网络输入为经过模糊隶属函数量化后的数据x₁～x₈，网络输出y依照一定的反模糊化原则(即模糊评判规则)，得到三种状态的输出，用以下规则表示：

需要指出的是，以上模糊评判规则是经过多次实验总结和专家经验所得到的评判标准，具体的评判标准需要针对具体的热工设备来确定。

Claims (2)

1.一种电厂热工设备智能状态诊断分析系统，以电厂热工设备为对象，其特征在于，该系统由状态监测、状态分析、包括故障诊断、缺陷趋势、寿命预测的状态诊断、包括立即检修报告、中期检修报告、长期检修报告的检修报告、检修决策环节组成；该系统以神经网络为工具，采用基于神经网络辨识模型的状态诊断或基于神经网络模糊评判的状态诊断；

所述的基于神经网络模型辨识的状态诊断系统由两部分组成，一部分是系统模型逼近器，即神经网络辨识模型，用来提供标准系统，给出系统正常工作时的输出；另一部分是诊断逻辑，用来判断被诊断系统输出与模型逼近器输出之间的差值是否超过设定的阈值，做出系统的运行状态判决，基于神经网络模型辨识的状态诊断是根据热工设备的离线神经网络辩识模型，利用神经网络离线建模在线诊断方式对热工设备进行状态诊断，用来诊断热工设备中传感器、电动执行器等发生冲击、偏置和漂移的诊断结果；

所述的基于神经网络模糊评判的热工设备状态诊断是将热工设备的特性参数通过模糊隶属化后作为神经网络的输入信息，用神经网络的输出与模糊隶属化特性参数的海明贴近度的差值来训练神经网络，在诊断时，输入热工设备的特性参数，根据已训练好的神经网络得到输出，再根据输出按照模糊评判规则得到在这些特性参数下热工设备的运行状态。

2.根据权利要求1所述的电厂热工设备智能状态诊断分析系统，其特征还在于，该系统数据采集部分是在美国Keithley公司的Keithley2000数字万用表基础上，通过RS-232C串行接口来采集热工设备的相应特性参数至笔记本电脑或工控机里，并采用面向对象的程序语言Visual C++6.0，用于实现设备参数信号的数据采集、处理和诊断分析。

Images