CN112257943A

CN112257943A - 一种基于mset和偏离度的电厂引风机故障预警方法

Info

Publication number: CN112257943A
Application number: CN202011179557.8A
Authority: CN
Inventors: 常志; 鲍克勤; 杨蒙姣
Original assignee: Shanghai Electric Power University
Current assignee: Shanghai University of Electric Power; Shanghai Electric Power University; University of Shanghai for Science and Technology
Priority date: 2020-10-29
Filing date: 2020-10-29
Publication date: 2021-01-22

Abstract

本发明涉及一种基于MSET和偏离度的电厂引风机故障预警方法，包括以下步骤：S1：获取引风机正常运行状态下的多变量数据，并建立MSET模型；S2：根据MSET模型得到引风机运行状态的估计向量X_est；S3：利用偏离度函数计算引风机运行状态的观测向量X_obs与估计向量X_est之间的偏离度；S4：将偏离度与偏离度阈值比较得出残差，根据残差大小确定是否引发报警。通过引风机正常运行状态下的多变量数据建立MSET模型，得到模型运算的最优估计值。利用偏离度函数判断出实际值与最优估计值之间的偏离度，较直观的反映出故障发展过程。偏离度与设定的阈值比较得出残差，残差过大则引发报警。与现有技术相比，本发明具有提高预警准确率和及时性等优点。

Description

一种基于MSET和偏离度的电厂引风机故障预警方法

技术领域

本发明涉及引风机故障预警技术领域，尤其是涉及一种基于MSET和偏离度的电厂引风机故障预警方法。

背景技术

电厂风机设备属于大型旋转机械类设备，具有结构复杂、运行条件差和工况多变等特点，容易发生机械故障。在火电厂实际的运行中，引风机的工作条件恶劣，输送气体介质中含有煤灰和未燃尽的煤粉，输送杂质大，故障发生率比其它风机要高。更为重要的是引风机故障种类繁多，一旦发生故障就会造成机组负荷降低或者非计划停机，机组并网发电量减少，造成电厂调度任务困难，且维修费用较高，一般需要返厂维修，周期较长。

传统的监测技术主动、早期识别故障的能力非常有限，都是依靠对风机振动信号的监测来判断故障信息的。引风机监测的参数包含振动、温度和压力等，各参数之间相互关联，在不同的工况下所表现出的状态也不同，故依靠单变量的阈值监测会造成故障预警准确率不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高预警准确率和及时性的基于MSET和偏离度的电厂引风机故障预警方法。

本发明的目的可以通过以下技术方案来实现：

一种基于MSET和偏离度的电厂引风机故障预警方法，包括以下步骤：

S1：获取引风机正常运行状态下的多变量数据，并建立MSET模型；

S2：根据MSET模型得到引风机运行状态的估计向量X_est；

S3：利用偏离度函数计算引风机运行状态的观测向量X_obs与估计向量X_est之间的偏离度；

S4：将偏离度与偏离度阈值比较得出残差，根据残差大小确定是否引发报警。

通过引风机正常运行状态下的多变量数据建立MSET模型，得到模型运算的最优估计值。利用偏离度函数判断出实际值与最优估计值之间的偏离度，较直观的反映出故障发展过程。偏离度与设定的阈值比较得出残差，残差过大则引发报警。

进一步地，所述的多变量数据为引风机正常运行状态的记忆矩阵D，所述的记忆矩阵D的表达式为：

其中，x_i(t_j)为t_j时刻第i个测点参数的测量值，n为测点参数的个数，m为测量值的个数，X(t_j)为t_j时刻各个测点的观测历史向量。

更进一步地，所述的测点参数包括引风机X向轴振、引风机Y向轴振、引风机前轴温度、引风机中轴温度、引风机后轴温度、电机前轴承温度、电机后轴承温度、电机定子线圈温度、电机电流、引风机油箱温度、电机功率、入口压力、出口压力、电机润滑油压力、引风机油箱温度和引风机油滤网差压。

进一步地，所述的估计向量X_est的计算式为：

其中，X_obs为观测向量，

为非线性运算符，其计算式为：

其中，A和B为任意两个矩阵，h为h维向量，a_i为A矩阵中第i个向量，b_j为B矩阵中第j个向量。

进一步地，所述的偏离度函数利用欧氏距离计算，其表达式为：

其中，X_obs为观测向量，X_est为估计向量，w_i′为观测向量中第i个变量的权重系数，l为l维向量，x_obsi为观测向量中第i个向量，x_estj为估计向量中第j个向量。

更进一步地，所述的权重系数由观测向量中各变量的故障信息决定。

进一步地，所述的观测向量X_obs包括引风机当前运行状态下各测点参数的测量值，所述的估计向量X_est包括根据MSET模型得到的引风机当前运行状态下各测点参数的最优估计值。

进一步地，所述的偏离度阈值E_AN的计算式为：

E_AN＝kE_N

其中，k为故障预警阈值系数，E_N为引风机正常运行状态下MSET模型偏离度的最大平均值。

更进一步地，所述的引风机正常运行状态下MSET模型偏离度的最大平均值的计算包括以下步骤：

S41：获取某个时间段内，观测向量X_obs与估计向量X_est之间的偏离度序列；

S42：在偏离度序列上选择多个宽度为N的滑动窗口；

S43：计算多个滑动窗口内连续N个偏离度的平均值；

S44：得到偏离度的最大平均值。

更进一步地，所述的故障预警阈值系数k的数值大于等于0.9，具体数值由电厂工作人员确定。

与现有技术相比，本发明具有以下优点：

1)本发明根据引风机正常的历史数据，对其进行MSET建模，构成状态矩阵，得出最优估计值，由偏离度函数判断出实际值与最优估计值之间的偏离度，较直观的反映出故障发展过程，进行多变量相关分析，避免一个变量的局限性，能够提前发现和避免漏报，MSET相比其他方法具有建模简单、满足现场的实时工况等优点，提高预警准确率和及时性；

2)本发明对引风机测点进行简化，在准确表示引风机状态变化的前提下选择尽可能少的测点，可以避免矩阵维数过大，保证了模型运算的快速性；

3)通过多变量数据建立MSET模型，通过模型运算发现MSET具有很高的精度，大大的提高了故障预警的准确性；

4)根据验证，本发明方法可以提前3.5h告知现场工作人员引风机运行出现异常现象，需停机做故障检查，对风机运行过程中的异常能够提前发现并及时预警，大大提高引风机的工作安全。

附图说明

图1为本发明流程示意图；

图2为本发明原理示意图；

图3为构建记忆矩阵的流程示意图；

图4为观测向量的偏离度；

图5为引风机前轴X向轴振估计值与观测值的比较；

图6为引风机前轴X向轴振估计值与观测值的残差；

图7为引风机前轴Y向轴振估计值与观测值的比较；

图8为引风机前轴Y向轴振估计值与观测值的残差；

图9为引风机前轴轴承温度估计值与观测值的比较；

图10为引风机前轴轴承温度估计值与观测值的残差；

图11为引风机后轴轴承温度估计值与观测值的比较；

图12为引风机后轴轴承温度估计值与观测值的残差；

图13为平均偏离度与预警阈值。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实0施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，本发明提供一种基于MSET和偏离度的电厂引风机故障预警方法，包括以下步骤：

S2：根据MSET模型得到引风机运行状态的估计向量X_est；

如图2所示，本发明通过引风机正常运行状态下的多变量数据建立MSET模型，得到模型运算的最优估计值。利用偏离度函数判断出实际值与最优估计值之间的偏离度，较直观的反映出故障发展过程。偏离度与设定的阈值比较得出残差，残差过大则引发报警。

首选根据电厂风机故障维修单进行分析，筛选出风机发生故障时数据变化明显的测点，其中测点参数包含引风机X向轴振、引风机Y向轴振、引风机前轴温度、引风机中轴温度、引风机后轴温度、电机前轴承温度、电机后轴承温度、电机定子线圈温度、电机电流、引风机油箱温度、电机功率、入口压力、出口压力、电机润滑油压力、引风机油箱温度和/或引风机油滤网差压。

多元状态估计技术(MSET)是一种非线性的多变量预测估计算法，通过对引风机正常工况下的数据建立模型，根据模型对正常的历史数据做运算得出各项参数的最优估计值，最终对设备的实时数据与最优估计值作对比分析，根据两者的偏差，做出诊断结果。

引风机的测点参数变量有n个，在某个时刻t_j记录的n个参数状态记为观测历史向量，即：

X(t_j)＝[x₁(t_j) x₂(t_j) … x_n(t_j)]^T (1)

式中：x_i(t_j)表示的是t_j时刻观测到各个测点的测量值，在引风机正常工况下，采集到的n个测点参数不同时刻的m个历史测量值，由它们构成的记忆矩阵D为：

MSET建模的基础要先构造出记忆矩阵，记忆矩阵中每一列观测历史向量表示的是引风机不同时刻的正常工况状态，在记忆矩阵中，通过对由引风机正常工况状态下观测向量组成的子空间分析，可以展现出设备运行变化的过程。构建记忆矩阵实际上就是对设备运行变化的记忆分析。

将某时刻的设备观测值设为观测向量X_obs，经过MSET模型运算得出的估计值为估计向量X_est，估计向量X_est是记忆矩阵与权值向量W的积，即：

X_est＝D·W

＝[X(t₁) X(t₂) … X(t_m)]·[w₁ w₂ … w_m]^T

＝w₁X(t₁)+w₂X(t₂)+…+w_mX(t_m) (3)

权值向量W内依次存放记忆矩阵D中各个时刻观测历史向量对应的权值，权值向量W可以看做是记忆矩阵与估计向量X_est的相似性程度，那么权值向量W可通过观测向量X_obs与估计向量X_est比较得出的残差来算出来，其残差ε可求为：

ε＝X_est-X_obs (4)

当观测向量X_obs与估计向量X_est越来越接近，达到理想状态的时候，残差ε近乎为零，此刻残差ε的平方和达到最小，残差平方和为：

对残差平方S(w)求偏导，并令其偏导等于零，即：

解得：

将式(7)整理得：

W＝(D^T·D)^-1·(D^T·X_obs) (8)

为了使该方法能够拥有更加直观的物理意义，避免D^T·D表现出不可逆的现象，将式(8)中点积运算符替换成非线性运算符号

，扩大它的应用领域，即：

非线性运算符

采用欧氏距离更加能够反映两两向量之间的相似性，即：

观测向量与记忆矩阵中向量的相似性由空间距离表现出来，从此式可以看出，它们两向量的相似程度与观测向量所对应的权值成正比。将式(9)带入式(3)可得出估计向量X_est；

在引风机正常工作的某一时刻记下n个参数数据当做模型新的观测向量，构造的记忆矩阵包含了引风机的正常工作空间，当观测向量X_obs处于正常工作空间时，引风机处于正常工作状态。当观测向量X_obs超出正常工作空间，则不能通过MSET模型运算得到估计向量X_est，模型预测的精度下降，两向量之间的残差增大。由此可得出，观测向量X_obs和估计向量X_est的残差可以反馈出设备是否发生故障。

综上所述，根据观测向量X_obs和估计向量X_est相比较的差异程度可以反映引风机的工作状态，如何定义差异程度的大小来判断设备的状态是一个很重要的问题。同时预警阈值的设立要满足引风机所有参数的报警值。本发明中，采用偏离度函数和滑动窗口法可以将这两个难点很好地处理掉。

权衡两向量之间的偏离度的方法有很多，经常采用的是欧氏距离。两个向量之间的偏离度与相似度两者之间的关系成正比，故观测向量与估计向量的偏离度函数为：

式中：X_obs代表的是观测向量，X_est代表的是估计向量；w_i′代表的是观测向量中第i个变量的权重系数。由于设备的变量数据不同，则权重的赋值由各变量的故障信息决定。

偏离度与观测向量X_obs和估计向量X_est的偏离程度成正比，偏离度增大，两者的偏离程度也增大。偏离度变成零的时候，代表着两个向量无差异，相似性很高，引风机正常运行。

在某个时间段内，观测向量X_obs和估计向量X_est之间的偏离度序列为：

S_N(X_obs,X_est)＝[S₁ S₂ … S_N] (13)

在这个序列上选择一个宽度为N₁的滑动窗口，计算滑动窗口内连续N₁个偏离度的平均值。即：

根据平均偏离度的值来确定故障预警阈值E_AN，设引风机正常工况状态下MSET模型偏离度最大的平均值为E_N，则故障预警的阈值为：

E_AN＝kE_N

式中，k为故障预警阈值系数，由电厂工作人员确定，一般不小于0.9。

下面给出本发明的具体实例验证过程：

从这16个测点参数的历史数据中要选择出满足引风机所有正常工况下的观测向量，由模型去分析和学习这些观测向量。对每个测点参数P由小到大进行等间距划分，选择无限接近分割线值的测点参数表示为典型观测向量，流程图如图3。

其中L代表的是测点参数由小到大等间距划分的步数，M代表的是正常工况下的观测向量总数，

代表的是步数L对应的步长，δ为趋于零的正数，U、V为常数。

在电厂采集到的16个测点正常历史数据中去除明显异常的数据，由剩余数据构成记忆矩阵D。由于测点的量级和单位不同，需将剩余的正常历史数据进行归一化处理，使输入到模型的数据方便进行计算。公式如下：

式中：p为采集的测点数据，q为归一化后的建模数据。

以电机功率归一化后的数据为指标进行等间距抽样，根据流程图去构造记忆矩阵。由此方法构造的记忆矩阵能够基本覆盖引风机正常工作状态空间，降低了矩阵的维数。记忆矩阵构造完成后需将其中的重复观测向量删除，保证记忆矩阵中的向量是唯一的。

从图4中可以看出，从第35个点开始，偏离度大体上是呈不断上升的趋势。在100点左右，偏离度急剧上升，引风机发生故障停机。

轴承的温度和振动信号是引风机运行过程中的重要参数，两者也反映了大部分的故障信息，故本次列举引风机X向轴振、引风机Y向轴振和引风机前后轴承温度的估计结果。根据引风机前轴X向轴承振动、前轴Y向轴承振动、前轴承温度、后轴承温度4个变量的观测值与估计值的计算结果，来检测MSET模型的精度。从图5中能看出，引风机前轴X向轴承振动的估计残差小于0.01mm，相对残差小于1.4％。从图6中能看出，引风机后轴Y向轴承振动的估计残差小于0.005mm，相对残差小于0.7％。从图7中能看出，引风机前轴承温度的估计残差小于0.2K，相对残差小于0.3％。从图8中能看出，引风机后轴承温度的估计残差小于0.1K，相对残差小于0.2％。

故障发生后，经过现场工程师检测发现是由于引风机轴承中的润滑油未充满且油脂差，从而引起油脂恶化，造成轴承温度急剧上升的现象。若引风机继续运行工作，油脂会变硬、变黑，造成轴承座内金属摩擦，时间久了，会造成轴承损坏，带来更大的损失。

将偏离度与上述4个变量的估计残差作比较，偏离度的增长趋势要更加明显，而且在故障状态下的偏离度波动非常大。而且偏离度动态曲线能后更好的发现故障早期的现象，能够更早地实现故障预警。

选择滑动窗口宽度为20，从图9中能看出，在引风机发生故障前，平均偏离度最大值为E_N＝0.1533，k的取值为0.95，则故障预警阈值为：E_AN＝k*E_N＝0.1533×0.95＝0.1456。

在第78点(S＝0.1456)和第79点(S＝0.1462)之间发出故障预警，可提前21个数据点发出报警信号，相当于提前了3.5h告知现场工作人员引风机运行出现异常现象，需停机做故障检查。因此，该方法对风机运行过程中的异常能够提前发现并及时预警。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，包括以下步骤：

S2：根据MSET模型得到引风机运行状态的估计向量X_est；

2.根据权利要求1所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的多变量数据为引风机正常运行状态的记忆矩阵D，所述的记忆矩阵D的表达式为：

3.根据权利要求2所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的测点参数包括引风机X向轴振、引风机Y向轴振、引风机前轴温度、引风机中轴温度、引风机后轴温度、电机前轴承温度、电机后轴承温度、电机定子线圈温度、电机电流、引风机油箱温度、电机功率、入口压力、出口压力、电机润滑油压力、引风机油箱温度和/或引风机油滤网差压。

4.根据权利要求2所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的估计向量X_est的计算式为：

其中，X_obs为观测向量，

为非线性运算符，其计算式为：

5.根据权利要求1所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的偏离度函数利用欧氏距离计算，其表达式为：

6.根据权利要求3所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的观测向量X_obs包括引风机当前运行状态下各测点参数的测量值，所述的估计向量X_est包括根据MSET模型得到的引风机当前运行状态下各测点参数的最优估计值。

7.根据权利要求5所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的权重系数由观测向量中各变量的故障信息决定。

8.根据权利要求5所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的偏离度阈值E_AN的计算式为：

E_AN＝kE_N

9.根据权利要求8所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的引风机正常运行状态下MSET模型偏离度的最大平均值的计算包括以下步骤：

S42：在偏离度序列上选择多个宽度为N的滑动窗口；

S43：计算多个滑动窗口内连续N个偏离度的平均值；

S44：得到偏离度的最大平均值。

10.根据权利要求8所述的一种基于MSET和偏离度的电厂引风机故障预警方法，其特征在于，所述的故障预警阈值系数k的数值大于等于0.9。