CN102243135A - 一种塔式太阳能热发电站定日镜故障诊断分析方法 - Google Patents

Abstract

本发明公布了一种塔式太阳能热发电站定日镜故障诊断分析方法，所述方法如下：针对方位角、高度角、齿轮箱油温等容易利用传感器信息进行诊断的测量传感器，采用数据采集传感器采集故障信号，故障信号经过分类和预处理后与专家诊断系统知识库中预先存储好的专家知识进行匹配，从方法库中调用监控指标，搜索出已发生的故障征兆，接着提取征兆-故障规则表，对所有可能的故障原因进行搜索，然后通过故障-征兆规则表逐一验证所有可能的故障原因中其它征兆是否成立，若有故障成立，则推理出故障诊断结果；针对齿轮故障诊断，采用径向基人工神经网络（RBFNN）的方法来诊断其故障；对定日镜采用诊断技术后，可以保证吸热器及其附属设备的安全。

Description

一种塔式太阳能热发电站定日镜故障诊断分析方法

技术领域

本发明涉及一种太阳能热发电站中的关键设备定日镜的故障诊断技术，具体的说是一种基于专家系统和人工智能并行的太阳能塔式热发电站定日镜的故障诊断分析方法，属于能源动力工程和自动控制工程领域。

背景技术

塔式太阳能热发电站是利用独立跟踪太阳的定日镜场，将太阳光聚集到固定在塔顶部的吸热器上，用以产生高温，加热工质产生过热蒸汽或高温气体，驱动汽轮机发电机组或燃气轮机发电机组发电，从而将太阳能转换为电能。塔式太阳能热发电站主要包括定日镜场系统、太阳能吸热器、传热储能系统、动力及辅助加热子系统，各子系统之间紧密耦合，相互协调。由于太阳能辐射的时空不稳定、非均匀和瞬变性，各个系统和设备长期运行在高温高热流和暂态瞬变等极端情况下，并要求多种运行模式快速切换，极易造成各子系统和设备的运行故障，给试验和生产带来了损失。

定日镜是太阳能塔式热发电中的关键设备之一，其总的投资大约占热发电场总投资的一半。定日镜一般采用双轴传动机构，分别为方位角和高度角传动机构。传动机构流程为：异步电机-减速器-齿轮-横轴、立轴结构-反射镜。而定日镜在反射太阳能到吸热器的过程中，如果定日镜故障，则辐射的太阳能会作用在吸热器的外表面或者其它的关键设备上，给设备和系统带来了较大的安全隐患。

故障诊断技术是一门综合性技术，它的开发涉及多门学科，如现代控制理论、可靠性理论、数理统计、模糊集理论、信号处理、模式识别、人工智能等学科理论。故障诊断包括信号检测、特征提取、状态识别和预报决策等四个工作程序。信号检测是指按照不同诊断目的和对象，选择最便于诊断的状态信号，使用传感器、数据采集器等技术手段，加以检测与采集，属于初始模式；特征提取是指将初始模式的状态信号通过信号处理，进行放大或压缩、形式变换、去除噪声干扰，以提取故障特征，形成待检模式；状态识别是指根据理论分析结合故障案例，并采用数据库技术建立起来的故障档案为基准模式，把待检模式与基准模式进行比较和分类，即可区别设备的正常与异常；预报决策是指经过判别，对属于正常状态的可继续检测，重复以上程序，对属于异常状态的，则要查明故障情况，做出发展趋势分析，估计后期发展和可继续运行的时间，以及根据问题所在提出控制措施和维修决策。

现有的故障诊断技术主要分为两大类，即基于模型的故障诊断技术和无模型的故障诊断技术。基于模型的故障诊断技术的核心思想是用解析冗余取代硬件冗余，以系统的数学模型为基础，利用观测器(组)、等价空间方程、Kalman滤波器、参数模型估计和辨识等方法产生残差，然后基于某种准则或阀值对该残差进行评价和决策。但是，由于现代化控制系统的复杂性，许多控制系统的建模是非常困难的，难以精确完善地建立系统模型。无模型的故障诊断技术包括基于信号处理方法和基于人工智能方法，其日益受到国内外学者的关注。

目前，国际上已建成或正在建的塔式太阳能热发电站工程30余座，但均未见有关于的塔式太阳能热发电定日镜故障诊断分析和方法的公开报道。

发明内容

技术问题：

定日镜实太阳能塔式热发电的关键设备之一，需要完成把太阳能反射到吸热器的入口中，如果定日镜故障，则辐射的太阳能会作用在吸热器的外表面或者其它的关键设备上，如电缆、控制器或运行人员等，给设备、系统运行和运行人员安全带来了安全隐患。本发明目的是针对现有技术存在的缺陷提供一种塔式太阳能热发电站定日镜故障诊断分析方法。

技术方案：

本发明为实现上述目的，采用如下技术方案：

本发明一种塔式太阳能热发电站定日镜故障诊断分析方法，其特征所述方法如下：

采用数据采集传感器采集故障信号，所述故障信号经过分类和预处理后与专家诊断系统知识库中预先存储好的专家知识进行匹配，从方法库中调用监控指标，搜索出已发生的故障征兆，接着提取征兆-故障规则表，对所有可能的故障原因进行搜索，然后通过故障-征兆规则表逐一验证所有可能的故障原因中其它征兆是否成立，若有故障成立，则推理出故障诊断结果，并查找该故障现象对应的处理措施，得到故障诊断与处理的措施；当专家系统知识库中搜索不到完全匹配的故障，则调用RBF神经网络进行推理，得出诊断结果。

所述传感器包括振动传感器和转速传感器；在齿轮箱传动系统中，齿轮的啮合振动通过轴传至轴承，由轴承座传至箱体，在轴承座沿垂直方向安装加速度传感器，加速度传感器用黏合剂固定在箱体上；在齿轮箱与电机的联轴器作为转速的测试对象，选用电涡流传感器作为转速传感器进行转速检测。

本发明针对方位角、高度角、齿轮箱油温等容易利用传感器信息进行诊断的测量传感器，采用专家知识的方法来实现诊断；针对齿轮故障诊断，采用径向基人工神经网络(RBFNN)的方法来诊断其故障。

有益效果：

本发明对于通过专家知识和人工神经网络相结合的故障诊断方法总体具有诊断准确可靠的优点。即对不容易直接通过传感器分析的故障，采用人工智能(人工神经网络)的方法抽取其故障特征，对容易通过传感器分析故障采用专家知识的方法来直接实现诊断。这种方法发挥了两种诊断方法各自的优点，提高了诊断的可靠性。

附图说明

图1：故障诊断系统；

图2：定日镜传动系统典型结构；

图3：RBF神经网络；

图4：RBF神经网络故障诊断。

具体实施方式

为了减少定日镜故障对太阳能塔式热发电过程的安全隐患，提高定日镜运行的安全性和可靠性。发明采用专家系统和RBF人工神经网络相结合的定日镜故障诊断方法，实现对故障实现早发现、早预判和早处理。对定日镜的变速齿轮箱系统故障不容易直接通过传感器分析的故障，采用人工神经网络的方法来诊断其故障，而除齿轮箱外的一般容易通过传感器分析故障原因的采用专家知识的方法来实现诊断。

(1)专家系统诊断

专家系统的诊断过程中，系统实时接收现场运行数据，经过分类和预处理，与知识库中预先存储好的专家知识进行匹配，从方法库中调用监控指标，搜索出已发生的故障征兆，接着提取征兆-故障规则表，对所有可能的故障原因进行搜索，然后通过故障-征兆规则表逐一验证所有可能的故障原因中其它征兆是否成立，若有故障成立，则推理出故障诊断结果，并查找该故障现象对应的处理措施，得到故障诊断与处理的措施。专家系统诊断的故障种类、故障识别方法以及处理的措施如表1所示。

表1专家系统诊断的故障种类、故障识别方法以及处理的措施

(2)RBF神经网络诊断

齿轮是改变转速和传递动力最常用的部件，而定日镜在实时跟踪运行时，由于太阳的相对运行，定日镜存在频繁启动，齿轮成为定日镜系统中最容易出现故障的设备之一。齿轮故障诊断是一个非常复杂的问题，齿轮受安装位置、运行工况等复杂因素的影响，其故障与征兆间的关系不很明确，是非线性映射关系。

如果在专家系统知识库中搜索不到完全匹配的故障，则调用RBF神经网络进行推理，得出诊断结果。知识库的形成和更新类似专家经验的积累，是一个渐进的过程，随着故障的发现，知识库将越来越丰富。另外，故障的出现次数反映该故障的出现频率，将知识库中的故障按出现次数由多及少地排列，诊断进行时，既能缩短匹配时间，又能体现专家经验的运用。

径向基函数(RBF)网络及其学习算法：

假设一个n输入单输出RBF网的设计，有N个隐节点，且采用Gaussian型径向基函数，此时的RBF网络模型(见图3)为：

$\hat{y}=f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{\mathrm{\φ}}_i\left(x\right)+a_0---\left(1\right)$

其中x∈Rⁿ为RBF网络输入，f(x)∈R为相应的输出，a_i为第i个隐节点的输出连接权值，a₀为输出偏移常数，

为Gaussian型径向基函数，μ_i∈Rⁿ为已有的数据中心，σ_i为RBF网络的扩展常数。

假定T＝{(x_i，y_i)|i＝1，2，.....，M}为训练样本集，M为训练样本数，称X＝[x₁，x₂，.....，x_M]为样本输入阵，相应的教师输出为Y＝[y₁，y₂，......，y_M]^T，此时神经网络的输出为：

$\hat{Y}=f\left(X\right)=P_{N}W+a_0=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{p}_i+a_0---\left(2\right)$

其中W成为输出权矢量W＝[a₁，a₂，......a_N]^T，P＝[p₁，p₂，.......p_N]，p_i＝[φ_i(x₁)，φ_i(x₂)，.......，φ_i(x_N)]^T，一般来讲，神经网络的输出f(X)与教师输出Y总是存在误差e(矢量)，即

$Y=f\left(X\right)+e=P_{N}A+a_0+e={\tilde{P}}_N\tilde{A}+e---\left(3\right)$

1为元素全为1的列相量，

在这种有监督的学习方法中，RBF的中心以及网络的其它参数都是通过有监督的学习来确定的，这是RBF网络学习的最一般化形式。假设网络的输出为一维，定义目标函数为

$E=\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{e}_j^2---\left(4\right)$

$e_j=d_j-F\left(x_j\right)=d_j-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{\mathrm{\φ}}_i\left(x_j\right)---\left(5\right)$

其中N为训练样本数，m为所选隐单元数，φ(.)为径向基函数，有三个待学习的网络参数：权向量ω，隐层中心c，中心宽度参数σ。学习规则(n为叠代步数)

输出单元的权值

$\frac{\∂E\left(n\right)}{{\∂\mathrm{\ω}}_i\left(n\right)}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}_j\left(n\right){\mathrm{\φ}}_i\left(x_j\right)---\left(6\right)$

${\mathrm{\ω}}_i(n+1)={\mathrm{\ω}}_i\left(n\right)-{\mathrm{\η}}_1\frac{\∂E_n}{{\∂\mathrm{\ω}}_i\left(n\right)},i=\mathrm{1,2,3},....,m---\left(7\right)$

隐节点中心

$\frac{\∂E\left(n\right)}{\∂c_i\left(n\right)}=2{\mathrm{\ω}}_i\left(n\right)\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}_j\left(n\right){\mathrm{\φ}}_i\left(x_j\right)\frac{\left|\right|x_j-c_i\left|\right|}{{\mathrm{\σ}}_i^2}---\left(8\right)$

$c_i(n+1)=c_i\left(n\right)-{\mathrm{\η}}_2\frac{\∂E_n}{\∂c_i\left(n\right)},i=\mathrm{1,2,3},....m---\left(9\right)$

宽度参数

$\frac{\∂E\left(n\right)}{{\∂\mathrm{\σ}}_i\left(n\right)}=-2{\mathrm{\ω}}_i\left(n\right)\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{e}_j\left(n\right){\mathrm{\φ}}_i\left(x_j\right)\frac{{\left|\right|x_j-c_i\left|\right|}^2}{{\mathrm{\σ}}_i^3}---\left(10\right)$

${\mathrm{\σ}}_i(n+1)={\mathrm{\σ}}_i\left(n\right)-{\mathrm{\η}}_3\frac{\∂E_n}{{\∂\mathrm{\σ}}_i\left(n\right)},i=\mathrm{1,2,3},....,m---\left(11\right)$

至此，通过监督学习的方法得到RBF网络的各参数。

在齿轮箱传动系统中，齿轮的啮合振动通过轴传至轴承，由轴承座传至箱体。因而在进行振动信号测量时，应该选择轴承座附近刚性较好的部位，所以在轴承座沿垂直方向安装加速度传感器，加速度传感器用黏合剂固定在箱体上。转速信号主要来源于电机输出轴，所以选择齿轮箱与电机的联轴器作为转速的主要测试对象。由于电涡流传感器是一种非接触式无损检测的方法，故转速测点选用电涡流传感器进行转速检测。图中1，2，3，4为联轴器；A1，A2放置电涡流传感器，检测电机联动轴转速；在B1，B2，B3，B4设置采集齿轮振动传感器；B5和B6为温度传感器，检测齿轮箱体温度及箱内齿轮油温度，齿轮箱传感器布置如图2所示。各传感器经过信号放大电路，A/D转换后将数据传送至监控计算机。传动齿轮常见的故障模式有齿轮磨损、齿轮擦伤、齿轮剥落、齿轮断裂，故障严重程度依次递增。

衡量设备振动平均值最直接的方法是计算振动速度或加速度信号的均方根值，它可以反映设备的振动水平。将齿轮不同故障模式建立数据样本集，进行神经网络训练和故障模式识别。齿轮常见的故障有齿轮剥落、齿轮磨损、齿轮擦伤、齿轮断裂、齿面点蚀和齿面塑性变形。表1为齿轮的故障模式，其输出表示为(T1，T2，T3，T4，T5，T6)，输出向量正常为0，存在故障为1。齿轮故障中对于特征向量的选取，主要考虑它是否与故障模式有比较确定的因果关系，神经网络可很好的对齿轮振动信号进行频域分析。衡量设备振动平均值最直接的方法是计算振动速度或加速度信号的均方根值，它可以反映设备的振动水平，发明中采用振动速度作为检测量。共选取4个振动点(B1，B2，B3，B4)和方位角电机与高度角电机作为检测对象，实时测取各振动速度和两个电机的功率作为输入信号。各测点信号和输出信号均采用下式进行归一化处理。

X_i＝(x_i-x_min)/(x_max-x_min)

表2齿轮故障模式

网络采用RBF网络模型，网络结构如图4所示，网络有6个输入，7个输出，通过大量训练样本，建立故障模式与特征向量信号映射关系。为了检验训练后神经网络的泛化能力，特别选取不存在训练样本集的故障情况作为测试样本。表3为网络对测试样本的诊断结果，表中仅给出了10个典型仿真测试样本，Y1-Y6对应于一个测试样本故障情况下RBF神经网络所有输出神经元的数值，T1-T6对应网络理想输出。所有的测试样本均为较严重的故障情况，最严重的故障多至双重故障。

表3网络诊断测试结果

在研究中，如果实际网络输出向量的某一个元素大于0.6(表2中用下划线表示)，则对应相关的故障模式。由表3可知RBF网络经一定量的实例训练后，实际网络输出向量和理想输出向量的欧氏距离较小，能对齿轮的各种故障能做出正确的辨识，尤其是对单故障特征模式的齿轮故障识别率高；对多故障的特征模式(如测试样本4、9、10)，网络的实际输出表明了各故障间发生程度的轻重或相对可能性的大小，网络系统测试结果说明实际输出与期望输出基本符合。

Claims (3)

1.一种塔式太阳能热发电站定日镜故障诊断分析方法，其特征所述方法如下：

采用数据采集传感器采集故障信号，所述故障信号经过分类和预处理后与专家诊断系统知识库中预先存储好的专家知识进行匹配，从方法库中调用监控指标，搜索出已发生的故障征兆，接着提取征兆-故障规则表，对所有可能的故障原因进行搜索，然后通过故障-征兆规则表逐一验证所有可能的故障原因中其它征兆是否成立，若有故障成立，则推理出故障诊断结果，并查找该故障现象对应的处理措施，得到故障诊断与处理的措施。

2.根据权利要求1所述的一种塔式太阳能热发电站定日镜故障诊断分析方法，其特征是所述传感器包括振动传感器和转速传感器；在齿轮箱传动系统中，齿轮的啮合振动通过轴传至轴承，由轴承座传至箱体，在轴承座沿垂直方向安装加速度传感器，加速度传感器用黏合剂固定在箱体上；在齿轮箱与电机的联轴器作为转速的测试对象，选用电涡流传感器作为转速传感器进行转速检测。

3.根据权利要求1所述的一种塔式太阳能热发电站定日镜故障诊断分析方法，其特征是针对方位角、高度角、齿轮箱油温等容易利用传感器信息进行诊断的测量传感器，采用专家知识的方法来实现诊断；针对齿轮故障诊断，采用径向基人工神经网络(RBFNN)的方法来诊断其故障。

Images