CN111780149B - 火力发电厂制粉系统设备状态远程诊断方法 - Google Patents

Abstract

本发明涉及一种火力发电厂制粉系统设备状态远程诊断方法，包括如下步骤：步骤1，对制粉系统的运行数据进行远程采样，并对采样值进行归一化处理；步骤2，根据采样的运行数据，建立制粉系统冷风门状态、冷风掺入份额、密封风风量三个制粉系统故障模型；步骤3，将制粉系统实时运行数据输入到故障模型中，输出相应的指标结果；步骤4，将指标结果与故障知识库进行对比，得到制粉系统故障判断结果；步骤5，基于制粉系统故障判断结果，加权判断制粉系统风险值。本发明能够解决现有制粉系统状态判断准确率低、现场人员与专家交流不及时、发现时间滞后、模型之间完全独立的问题，同时解决故障状态无法量化的问题。

Description

火力发电厂制粉系统设备状态远程诊断方法

技术领域

本发明涉及火力发电技术领域，尤其涉及一种火力发电厂制粉系统设备状态远程诊断方法。

背景技术

当前，随着火力发电高参数、大容量机组的不断发展和应用，其相应的辅机设备也逐步趋向大型化，且在火电厂生产过程中的作用也愈发重要。作为火电机组的重要组成部分，辅机设备故障的发生不仅会直接影响整个机组的安全、经济运行，甚至还可能会给现场人员带来安全危害。然而，传统的检修模式很难实现全面的状态监测和及时的故障预警，“维修不足”或“维修过剩”等问题较为突出，无法满足现代化电力生产的要求。实现对辅机设备在多工况运行条件下的故障快速和可靠诊断需要准确地定位和分离故障，并准确发掘不同故障情况下的相关参数特征和变化规律。因此，对火电厂辅机设备的状态监测和故障诊断具有重要的研究和工程应用价值。

由于火电厂辅机设备结构复杂、设备参数具有较强交叉耦合性，而且生产现场传感器布置数量较大，很难建立设备的精确解析数学模型来分析其故障特征。近年来，随着人工智能和机器学习的飞速发展，通过对海量的生产运行数据进行挖掘与分析以及早期故障信号特征辨识，将辅机设备故障诊断技术推向了一个新的水平。目前，国内外对火电厂磨煤机建模和控制的研究方面较为丰富，但对其故障诊断开展的针对性研究还相对较少。

现有的基于连续生产过程的故障诊断技术和方法，通常仅考虑单一系统运行工况下或特定系统故障程度下的故障分类和分析。鲜有考虑多系统运行工况下和不同故障程度的故障诊断研究成果。现实生产过程的故障样本较难获得，无法构成较为完备的故障样本知识库。另一方面，故障样本知识过多也会造成故障诊断模型复杂，运算速度下降，降低实时监测能力。

磨煤机是一个具有非线性,时变,大延迟特点的工业对象,传统的基于数据驱动的方法难以建立能准确反映磨煤机特性的数学模型。灰箱建模的方法同时结合了磨煤机内部过程的机理特性和现场数据,能较好地反映磨煤机大迟延,非线性等特点,比纯粹基于数据的方法具有更高的精度。但在实际应用中,工业过程有时变特性,并存在测量噪声和过程干扰,这可能会导致扩展卡尔曼滤波器发散,并使估计值包含较多噪声成分,产生较大的波动,降低状态估计的准确性。

发明内容

本发明的目的是提供一种火力发电厂制粉系统设备状态远程诊断方法，以解决现有制粉系统状态判断准确率低、现场人员与专家交流不及时、发现时间滞后、模型之间完全独立的问题，同时解决故障状态无法量化的问题。

本发明提供了一种火力发电厂制粉系统设备状态远程诊断方法，包括如下步骤：

步骤1，对制粉系统的运行数据进行远程采样，并对采样值进行归一化处理；

步骤2，根据采样的运行数据，建立制粉系统冷风门状态、冷风掺入份额、密封风风量三个制粉系统故障模型；

步骤3，将制粉系统实时运行数据输入到故障模型中，输出相应的指标结果；

步骤4，将指标结果与故障知识库进行对比，得到制粉系统故障判断结果；

步骤5，基于制粉系统故障判断结果，加权判断制粉系统风险值。

进一步地，所述步骤1包括：

通过数据接口，每隔设定时间对制粉系统的运行状态数据进行采样，得到制粉系统的运行状态的样本序列，将样本序列归一化，以消除不同测点数据的数值分布范围对计算结果的影响。

进一步地，所述步骤2包括：

通过经验公式修正制粉系统故障模型参数。

进一步地，步骤3中所述计算结果包括单台磨煤机密封风量。

进一步地，所述步骤4包括：

将专家经验融合到故障知识库中，通过对比故障知识库中的指标状态，对故障模型输出的指标结果进行量化性判断，确定具体的故障类型。

进一步地，所述步骤5包括：

建立适合整体系统的权重模型，用连接函数刻画系统各模型与制粉系统的相依关系，通过相依性关系求得各故障模型与系统的权重比值，通过加权计算得出制粉系统整体风险值。

借由上述方案，通过火力发电厂制粉系统设备状态远程诊断方法，具有如下技术效果：

1、结合磨煤机实时运行数据，动态建模，提高了建模质量，有助于提升诊断准确率，解决了现有方法建模脱离现场数据、建模精度差的问题。

2、通过建立适合整体系统的权重模型，解决了基于单个模型的状态判断方法把系统模型作为先验知识，泛化能力差，不能适用于整体系统的问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明火力发电厂制粉系统设备状态远程诊断方法一实施例的流程图；

图2为本发明制粉系统子模型的计算流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种火力发电厂制粉系统设备状态远程诊断方法，该方法运用设备运行数据，针对磨煤机故障进行动态建模，并将系统的实时状态与专家知识库进行对比，通过对比结果判断故障类型，综合分析故障对制粉系统影响的权重，加权求得最终制粉系统风险值，从而判断整个系统状态，解决现有制粉系统状态判断准确率低、现场人员与专家交流不及时、发现时间滞后、模型之间完全独立，故障状态无法量化的问题。该方法的具体步骤如下：

步骤1：对制粉系统的运行数据进行远程采样，并对采样值进行归一化处理。

通过数据接口，每隔固定时间对制粉系统的运行状态数据进行采样，得到制粉系统的运行状态的样本序列；将样本序列归一化，消除了不同测点数据的数值分布范围对计算结果的影响。

步骤2：根据采样的运行数据，建立制粉系统冷风门状态、冷风掺入份额、密封风风量三个制粉系统故障模型。

通过建立制粉系统冷风门状态、冷风掺入份额、密封风风量三个制粉系统状态模型(故障模型)，为计算运行状态做准备，并通过经验公式或其他方法修正制粉系统故障模型参数。

步骤3：将制粉系统实时运行数据输入到故障模型中，输出相应的指标结果(计算结果)。

将制粉系统实时运行数据输入到故障模型中，求出相应的指标结果，如单台磨煤机密封风量等。为故障类型判断做准备。

步骤4：将指标结果与故障知识库进行对比，得到制粉系统故障判断结果。

将专家经验融合到故障知识库中，通过对比知识库中的指标状态，对模型输出的指标结果进行量化性的判断，确定具体的故障类型。

步骤5：基于制粉系统故障判断结果，加权判断制粉系统风险值。

建立适合整体系统的权重模型，用连接函数刻画系统各模型与制粉系统的相依关系，通过相依性关系求得各故障模型与系统的权重比值，通过加权计算得出制粉系统整体风险值。包括：

定义制粉系统与故障模型Y₁,X₁,X₂,...,X_n之间的相依性度量为：

其中，α为归一化因子，v＝[v₁,…,v_n]∈[0,1]ⁿ，C(v)为系统与模型Y₁,X₁,X₂,...,X_n间的连接函数，Π(v)＝v₁×…×v_n。相依性度量的物理意义是系统与模型间现有相依程度与完全独立情况下的相依程度之差在空间超立方体上的积分，刻画的是系统与模型间的相依结构。

定义制粉系统风险值与分模型的关系为：

其中，F是制粉系统的整体风险值，是反应其系统状态的指标；ρ(Y₁,X_N)是风险模型X_N与制粉系统Y₁的相依性，是衡量权重的指标；η_N是发生故障的概率。

图2所示为制粉系统子模型的计算流程图，其流程以密封风量模型为例，将实时运行数据如：密封风机电流、磨煤机密封风压力、磨煤机密封风与一次风差压、机组大气压力等输入到故障模型中，求得磨煤机密封风风量指标。

求得故障指标后，加权求制粉系统整体风险值，综合历史出现故障的概率及预测的故障概率，加权求得最后风险值，用来衡量制粉系统的状态。

以某厂为例，冷风门状态、冷风掺入份额、密封风风量三个故障模型的权重分别为0.2，0.4，0.4，经计算统计，发生故障的概率分别为20％，20％，30％。则最后风险值为0.2*20％+0.4*20％+0.4*30％＝24％，结果表明该厂制粉系统风险值为24％，即有24％概率影响制粉系统的生产，制粉系统整体状态较差，建议检修。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (1)

1.一种火力发电厂制粉系统设备状态远程诊断方法，其特征在于，包括如下步骤：

步骤1，对制粉系统的运行数据进行远程采样，并对采样值进行归一化处理，包括:通过数据接口，每隔设定时间对制粉系统的运行状态数据进行采样，得到制粉系统的运行状态的样本序列，将样本序列归一化，以消除不同测点数据的数值分布范围对计算结果的影响；

步骤2，根据采样的运行数据，建立制粉系统冷风门状态、冷风掺入份额、密封风风量三个制粉系统故障模型,包括：通过经验公式修正制粉系统故障模型参数；

步骤3，将制粉系统实时运行数据输入到故障模型中，输出相应的指标结果；所述计算结果包括单台磨煤机密封风量；

步骤4，将指标结果与故障知识库进行对比，得到制粉系统故障判断结果，包括：将专家经验融合到故障知识库中，通过对比故障知识库中的指标状态，对故障模型输出的指标结果进行量化性判断，确定具体的故障类型；

步骤5，建立适合整体系统的权重模型，用连接函数刻画系统各模型与制粉系统的相依关系，通过相依性关系求得各故障模型与系统的权重比值，通过加权计算得出制粉系统整体风险值，包括：

定义制粉系统与故障模型Y₁,X₁,X₂,...,X_n之间的相依性度量为：

其中，α为归一化因子，v＝[v₁,...,v_n]∈[0,1]ⁿ，C(v)为系统与模型Y₁,X₁,X₂,...,X_n间的连接函数，Π(v)＝v₁×...×v_n；相依性度量是系统与模型间现有相依程度与完全独立情况下的相依程度之差在空间超立方体上的积分，刻画的是系统与模型间的相依结构；

定义制粉系统风险值与分模型的关系为：

其中，F是制粉系统的整体风险值，是反应其系统状态的指标；ρ(Y₁,X_N)是风险模型X_N与制粉系统Y₁的相依性，是衡量权重的指标；η_N是发生故障的概率。

Images