CN113390641A - 风烟系统设备故障的智能预警与在线诊断方法及系统 - Google Patents
风烟系统设备故障的智能预警与在线诊断方法及系统 Download PDFInfo
- Publication number
- CN113390641A CN113390641A CN202110765182.1A CN202110765182A CN113390641A CN 113390641 A CN113390641 A CN 113390641A CN 202110765182 A CN202110765182 A CN 202110765182A CN 113390641 A CN113390641 A CN 113390641A
- Authority
- CN
- China
- Prior art keywords
- wind
- smoke system
- early warning
- matrix
- vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 132
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 238000000513 principal component analysis Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 239000010881 fly ash Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 6
- 230000009021 linear effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了风烟系统设备故障的智能预警与在线诊断方法及系统，该方法包括：采集风烟系统各设备的振动信号和非振动信号，分别得到振动状态信号矩阵和非振动状态信号矩阵；对振动状态信号矩阵、非振动状态信号矩阵进行标准化处理，并合并分别得到对应的标准状态矩阵；对标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对标准状态矩阵进行多元状态估计，得到故障预警阈值；通过故障预警阈值进行故障智能预警，其中，通过Q统计量和控制限Qα进行故障类型的诊断。本发明实现了风烟系统设备故障的智能预警与在线诊断，提高了风烟系统运行的可靠性、安全性，以及整体效率、使用寿命、整体能效率。
Description
技术领域
本发明属于火电站技术领域，尤其涉及风烟系统设备故障的智能预警与在线诊断方法及系统。
背景技术
大型电站机组中锅炉风烟系统是机组十分重要的系统之一。风机是风烟系统的重要部件之一，通过风烟系统空气预热器设备实现锅炉排烟余热的有效利用来加热进入炉膛燃烧的空气；通过风烟系统风机设备的旋转来克服气流流通时的各种阻力，从而实现锅炉风烟系统的平衡通风，保证机组锅炉的安全运行。
风烟系统空气预热器设备系统包括传动控制、漏风控制、测速控制、吹灰系统、火灾报警、消防系统等多个子系统，空气预热器及其关联系统的运行监控常常采用PLC或DCS系统，风机本体及其辅助系统设备的监控通常采用DCS系统，风烟系统中空气预热器、三大风机设备在正常运行过程中监控参数微小的振荡，有可能被运行及设备管理人员忽视，设备运行时的关联因素参数的变化也未能及时得到管理人员的重视，这会给电厂造成两方面的损失：
一方面，当设备出现报警时，设备中的部件多数已经发生不同程度的损坏，且极易造成运行机组的减负荷或临时非计划紧急停机抢修，更糟糕的是抢修的时候，设备管理及运行人员又需要耗费巨大的时间和人力成本来进行事故分析诊断，给企业造成不必要的损失和运营成本的增加；
另一方面，不能针对出现的关联参数不合理的变化，及时调整运行操作，避免设备使用寿命的非正常损失，也不能针对风机设备故障发生的原因及时在线给出诊断信息，提供针对性比较强的检修方案。同时，目前的DCS控制系统，无法给电站各管理层级决策提供便捷、安全可靠的设备状态数据支撑需求。由此对电站风烟系统空气预热器、三大风机设备的在线监控，智能预警及在线诊断的功能实现是有很迫切的需求。
目前，国内存在的几种风烟系统设备的运行监控系统，绝大部分是通过设备就地设置传感器，采集数据传送至DCS系统，通过监控上位机进行风烟系统空气预热器、三大风机设备参数的运行监控，在DCS系统中已经针对风烟系统空气预热器、一次风机、送风机和引风机设备安全运行的参数设定了报警限值，针对运行过程中某一关联参数出现的振动，无法及时引起运行人员的警觉，也无法及时判断出每种风烟系统设备到底出现了何种故障导致的参数变化，不能实现风烟系统每种设备故障的智能预警，也不能针对预警给出在线的诊断结果。且目前机组为适应快速调峰，负荷变化频率较快，空气预热器、三大风机设备的运行参数也随之变化较大，如何实现风烟系统空气预热器、三大风机设备故障的智能预警和在线诊断，并及时提供系统设备故障诊断的可视化诊断报告，是业内人员共同研究的一项课题。
发明内容
本发明为解决上述技术问题，提供了风烟系统设备故障的智能预警与在线诊断方法及系统。
为解决上述问题，本发明的技术方案为：
一种风烟系统设备故障的智能预警与在线诊断方法，包括以下步骤：
S1：采集风烟系统各设备的振动信号和非振动信号，分别得到风烟系统各设备的振动状态信号矩阵和非振动状态信号矩阵；
S2：对风烟系统各设备的振动状态信号矩阵、非振动状态信号矩阵进行标准化处理，并合并风烟系统各设备的振动状态信号矩阵与非振动状态信号矩阵，分别得到对应的标准状态矩阵；
S3：对风烟系统各设备的标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对风烟系统各设备的标准状态矩阵进行多元状态估计，得到故障预警阈值；
S4：通过故障预警阈值进行故障智能预警，其中，通过Q统计量和控制限Qα进行故障类型的诊断。
在其中一个实施例中，振动信号至少包括风机前后轴承振动信号、风机电机驱动端和非驱动端振动信号、空预器传动电机轴承振动信号中的一种或多种信号，非振动信号至少包括温度、压力、流量、差压、氧量、露点、门开度、转速、飞灰含碳量、机组负荷、烟气浊度中的一种或多种信号。
在其中一个实施例中，步骤S2进一步包括：
S21：对风烟系统各设备的振动状态信号矩阵X2-1 *进行小波包及标准化处理分别得到对应的标准振动矩阵X2 *，并且对风烟系统各设备的非振动状态信号矩阵X1-1 *进行标准化处理分别得到对应的标准非振动矩阵X1 *；
S22：合并风烟系统各设备的标准振动矩阵X2 *和标准非振动矩阵X1 *，分别得到对应的多元矩阵X*；
S23：对风烟系统各设备的多元矩阵X*进行标准化处理分别得到对应的标准状态矩阵X。
在其中一个实施例中，步骤S3中，对风烟系统各设备的标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα进一步包括：
对风烟系统各设备的标准状态矩阵进行非线性转换；
对非线性转换之后的标准状态矩阵进行指数加权动态核主元分析，其中，计算核矩阵并中心化，确定核函数的主元数目，并根据风烟系统各设备的标准状态矩阵对应的核矩阵分配的权值，计算得到Q统计量和控制限Qα。
在其中一个实施例中，步骤S4中，通过Q统计量和控制限Qα进行故障类型的诊断进一步包括：
根据Q统计量和控制限Qα判断是否存在故障：
当Q统计量大于控制限Qα，则确认存在故障，并结合主元数目及对应的主元贡献率进行主元排序，确定得到故障类型；
当Q统计量小于等于控制限Qα，则确认不存在故障。
在其中一个实施例中，步骤S3中，对风烟系统各设备的标准状态矩阵进行多元状态估计，得到故障预警阈值进一步包括：
通过滑动窗口统计法风烟系统各设备的标准状态矩阵进行多元状态估计，其中，取多个滑动窗口，计算每个窗口内样本的平均偏离度，将多个滑动窗口的平均偏离度中最大值作为故障预警阈值。
在其中一个实施例中，风烟系统包括空气预热器、一次风机、送风机和引风机。
在其中一个实施例中，还包括以下步骤：
根据故障类型诊断的结果形成可视化诊断建议报告，其中，可视化诊断建议报告至少包括实时效率、历史最大最小效率、负荷-效率-时间、性能指数、性能雷达图、能效指标率中的一种或多种数据。
在其中一个实施例中，还包括以下步骤：
对故障智能预警和故障类型诊断的信息进行全局共享及发布。
一种风烟系统设备故障的智能预警与在线诊断系统，包括：
数据采集装置，用于采集风烟系统各设备的振动信号和非振动信号，分别得到风烟系统各设备的振动状态信号矩阵和非振动状态信号矩阵；
数据处理装置，用于对风烟系统各设备的振动状态信号矩阵、非振动状态信号矩阵进行标准化处理，并合并风烟系统各设备的振动状态信号矩阵与非振动状态信号矩阵，分别得到对应的标准状态矩阵；
数据处理装置还用于对风烟系统各设备的标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对风烟系统各设备的标准状态矩阵进行多元状态估计，得到故障预警阈值；
预警诊断装置，用于通过故障预警阈值进行故障智能预警，其中，通过Q统计量和控制限Qα进行故障类型的诊断。
本发明与现有技术相比具有以下的优点和积极效果：
本发明在对火力发电站风烟系统空气预热器、三大风机设备的运行特性进行深入分析的基础上，结合空气预热器、三大风机设备运行参数进行振动和非振动信号的采集形成矩阵并标准化，并且采用多元参数状态估计方法能够预测动态变化的多元参数模型状态，利用平均偏离度阈值预警方法进行设备故障发生的智能预警，采用指数加权动态核主元分析算法，结合故障诊断关联规则进行故障的智能在线诊断，确定故障发生的正确类型及主要原因，进一步提高了风烟系统空气预热器、三大风机设备运行的可靠性、安全性，提高了风烟系统空气预热器、三大风机设备运行的整体效率和使用寿命，提高了风烟系统整体的能效率，节约了企业运营的成本。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明的风烟系统设备故障的智能预警与在线诊断方法的整体流程图；
图2为本发明的风烟系统设备故障的智能预警与在线诊断方法的智能预警数据处理流程图；
图3为本发明的风烟系统设备故障的智能预警与在线诊断方法的在线诊断数据处理流程图；
图4为本发明的风烟系统设备故障的智能预警与在线诊断系统的网络拓补图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
以下结合附图和具体实施例对本发明提出的风烟系统设备故障的智能预警与在线诊断方法及系统作进一步详细说明。
参看图1，本申请提供了一种风烟系统设备故障的智能预警与在线诊断方法，包括以下步骤：
S1：采集风烟系统各设备的振动信号和非振动信号，分别得到风烟系统各设备的振动状态信号矩阵和非振动状态信号矩阵；
S2：对风烟系统各设备的振动状态信号矩阵、非振动状态信号矩阵进行标准化处理，并合并风烟系统各设备的振动状态信号矩阵与非振动状态信号矩阵，分别得到对应的标准状态矩阵；
S3：对风烟系统各设备的标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对风烟系统各设备的标准状态矩阵进行多元状态估计，得到故障预警阈值；
S4：通过故障预警阈值进行故障智能预警，其中，通过Q统计量和控制限Qα进行故障类型的诊断。
现对本实施例进行详细说明，但不仅限于此：
本实施例适用于风烟系统中空气预热器、一次风机、送风机、引风机等设备故障的智能预警与在线诊断，优化风烟系统空气预热器、三大风机设备的运行效果，进一步提高了风烟系统空气预热器、三大风机设备运行的可靠性、安全性，提高了风烟系统空气预热器、三大风机设备运行的整体效率和使用寿命，提高了风烟系统整体的能效率，节约了企业运营的成本。
本实施例的振动信号至少包括风机前后轴承振动信号、风机电机驱动端和非驱动端振动信号、空预器传动电机轴承振动信号中的一种或多种信号，非振动信号至少包括温度、压力、流量、差压、氧量、露点、门开度、转速、飞灰含碳量、机组负荷、烟气浊度中的一种或多种信号。
为了采集上述多种信号，本实施例设置了振动传感器、温度传感器、氧量传感器、流量传感器、压力传感器、露点传感器、速度传感器、浊度传感器、电流传感器、以及数据采集装置。其中，本实施例在风烟系统设备中的风机、风机电机、空气预热器传动电机轴承处均安装有振动传感器和温度传感器，利用振动传感器实现系统设备各轴承、电机轴承，风机基础平台等处的振动监测，在风烟系统设备及其附属系统设备、管道上安装其他智能传感器，就地智能传感器在接收元件的位置通过模拟和数字电路处理，并通过微处理器分析，计算出相应的输出测量信号值，并在用户设定的模拟量窗口内，按比例输出标准的4-20mA测量信号，采集装置将采集到的数据存储在实时关系数据库中。
本实施例步骤S1中的振动信号和非振动信号，是为风烟系统故障预警与诊断所需选取的参数元，具体参数元清单详见下述风烟系统设备(一次风机、送风机、引风机、空气预热器)参数元列表：
一次风机监测参数元列表(58个参数)：
送风机监测参数元列表(共计58个参数)：
引风机监测参数元列表(共计59个参数)：
空气预热器监测参数元列表(共计57个参数)：
为实现对风烟系统设备故障的智能预警，本实施例采用多元参数状态估计方法(MSET)能够预测动态变化的多元参数模型状态，利用平均偏离度阈值预警方法进行设备故障发生的智能预警。同时，为了实现对风烟系统设备故障的在线诊断，本实施例采用指数加权动态核主元分析算法，结合故障诊断关联规则进行故障的智能在线诊断，确定故障发生的正确类型及主要原因，并可自动向用户提供具有精确度较高的诊断建议报告用来指导设备管理和运行人员进行针对性的检修及预防性操作，满足了风烟系统各设备的安全、可靠及经济运行需要。
主元分析法(Principal component analysis，PCA)具有去除数据相关性、减小噪声影响和降低数据维数等优点，是多变量统计分析方法中常用的方法之一。下面首先介绍一下本实施例的主元分析法基本原理：
分别选取风烟系统每种设备的状态参数矩阵，假设每种设备共选取m个样本点和n个参数变量，则构成的样本集合矩阵Xmxn *如下：
对Xmxn *做标准化处理，消除量纲，得到标准化矩阵：Xmxn。
这时标准化矩阵Xmxn，对Xmxn作主元分析，首先需求得Xmxn的协方差矩阵C：
C的m个特征值λi和对应的单位正交特征矢量Pi，其中λ1>λ2>λ3……λm>0,X可分解成:
式中，
表示X的模型值，E表示建模的误差。而
式中：
ti—主元矢向量；pi-负荷矢向量；l-主元数目；
主元数目l通常通过主元贡献率法(CPV)来确定，如下：
式中，lCL为控制限，取0.85l。
其次，本实施例故障诊断时采用Q统计量来确定故障发生，下面介绍下Q统计量的计算，现在建立好的主元模型，对新样本可以表示为：
式中，
—样本x在主元子空间上的投影；e--误差矢量，是x在残差子空间上的投影。
Q统计量是样本X在残差子空间上投影的平方，即：
Q统计控制限Qα是检验水平α下的置信限
式中，
Cα—正态分布在检验水平α下的临界值；
h0＝1-2θ1θ3/3θ2 2
值得注意的是，PCA是一种线性投影方法，如果原始数据中存在非线性属性，使用PCA可能会产生较大偏差，且大多数现场设备系统的状态是动态的，变化的，甚至有些参数是耦合的，故需要在对标准状态矩阵进行核主元分析之前，对标准状态矩阵进行非线性变换，如此，上述的过程可以转变成如下：
如果假设低维空间矩阵Xmxn *经非线性变换
映射到高维空间F，即是输入空间点xi *(i＝1,2,3……，m)变换为
对
进行标准化处理的
映射数据的协方差矩阵可以表示为：
对矩阵C进行特征矢量分析，则有：
λv＝Cv……(11)
式中，λ--C的特征值；v--对应的特征矢量。
将每个样本与式(11)做内积，得到
特征矢量v可以用
的线性组合表示为:
式中，αi为相应的系数。
将式(10)和(12)带入式(11)得到，
定义mxm的矩阵K，其中：
由于K是对称矩阵，式(12)可表示为
这样就能满足下式(17)，同时也能满足式(15)：
nλα＝Kα……(17)
对式(16)求解可以得到要求的特征值和特征矢量。核矩阵K可选择核函数来确定，优选选择径向基核函数，其对非线性效果好。
对K对角化，令λ1>λ2>λ3……λm表示K的特征值，α1，α2，…αn为相应的特征矢量，λp为K的特征值的最小非零值，综合式(15)、(16)可以得：
αk T·αk＝1/λk k＝1,2,3…p……(18)
为了提取主元，需要计算v在特征空间上的投影：
式中，
—高维特征空间的映射矢量；
αk，i—矩阵K的第k个特征值对于特征矢量αk的第i个系数。
这一投影就是通过非线性映射
得到的矢量x的非线性主元。这个算法是假设对给非线性映射
进行标准化的基础上推导出来的，因此需要对实际的矢量样本集和测试样本集进行标准化处理，将式(16)中的核矩阵K用
来取代，如下：
此时，式(17)和式(19)可表达为：
选择核函数，采用高斯函数型内积函数，称其为径向基核函数，如下：
较优地，本实施例为了提高式K·K-1的运算速度，引入奇异值分解(SVD)进行矩阵求逆：
K＝U∧V
K-1＝V∧-1U-1……(25)
上述介绍了本实施例风烟系统设备故障的智能预警与在线诊断的基本原理以及改进，现对风烟系统设备故障的智能预警与在线诊断的具体过程进行介绍：
1)风烟系统设备故障的智能预警：
参看图2，本实施例采用多元状态估计算法，利用有限的数据对设备进行系统状态分析，通过分析正常状态的数据与观察向量之间的关系，从而确定观测向量所处的位置运行状态是否正常。具体而言：
先采样历史观测数据，包括振动信号和非振动信号，标准化处理非振动信号得X1 *，小波包处理振动信号得X2 *，合并X1 *和X2 *得到处理后的标准参数历史状态矩阵X*，有如下：
对D*再次进行标准化处理得到高质量、量纲统一、低纬度的状态矩阵D：
式中，行数m，是选取的m个观测向量(样本)；列数n是选取的n个参数作为每个样本的参数。
因此根据观测向量Xobs，可以表示最优估计向量Xest，有：
Xest＝D·W＝D·[W1，W2，…Wk]T……(28)
式中W为权值向量，表征历史记忆矩阵D与最优估计向量Xest的一种相似性测度。W可以通过Xobs和Xest之间的残差ε求得：
ε＝Xobs-Xest……(29)
minε2＝min[(Xobs-Xest)T·(Xobs-Xest)]
＝min[(Xobs-DW)T·(Xobs-DW)]……(30)
令
对ε2求最小值，便可以求得权值向量W：
W＝(DT·D)-1·(DT·Xobs)……(31)
为防止DT·D出现不可逆的情况，故采用非线性运算符解决这一问题：
式中，
为非线性运算符，采用欧式距离
将上式带入式(29)可以得到，最优估计向量Xest：
令
K-1＝V∧-1U-1，
结合式(25)、式(33)和式(29)可得：
Xest＝D·K-1·A＝D·(V∧-1U-1)·(DT·Xobs)……(35)
为了提高MSET预警模型的准确性，本实施例通过滑动窗口统计法风烟系统各设备的标准状态矩阵进行多元状态估计，其中，取多个滑动窗口，计算每个窗口内样本的平均偏离度，将多个滑动窗口的平均偏离度中最大值作为故障预警阈值。
假设某段时间MEST预警模型的残差序列为：
ε＝[ε1，ε2……εN]……(36)
对该残差取一个滑动窗口，宽度为L，则滑动窗口中含有L个样本，但还需要避免偶发的超阈值现象，使用平均偏离度来提高预警的可靠性。计算窗口内连续L个样本的平均偏离度平均值：
使用多个滑动窗口得出的历史数据平均偏离度的最大值EN来确定故障预警的阈值，根据下式确定故障预警阈值E：
E＝±αEmax……(38)
式中，α值一般大于1，根据现场运行经验确定，Emax残差均值最大值。
2)风烟系统设备故障的在线诊断：
参看图3，本实施例采用指数加权动态核主元分析算法，结合故障诊断关联规则进行故障的智能在线诊断，确定故障发生的正确类型及主要原因，并可自动向用户提供具有精确度较高的诊断建议报告用来指导设备管理和运行人员进行针对性的检修及预防性操作，满足了风烟系统各设备的安全、可靠及经济运行需要。
本实施例先按照上述过程对风烟系统各设备的标准状态矩阵进行非线性转换，对非线性转换之后的标准状态矩阵进行核主元分析，其中，计算核矩阵并中心化，确定核函数的主元数目，并根据风烟系统各设备的标准状态矩阵对应的核矩阵分配的权值，计算得到Q统计量和控制限Qα。具体而言：
根据式(8)可以求得Q统计量：
较优地，为了增强模型的实时性，引入指数加权主元分析方法，对应的多参数变量的加权自动回归统计模型如下：
(XT·X)t＝γ(XT·X)t-1+xt T·xt……(40)
式中，t为采样时刻；γ为为加权因子，γ∈[0,1]；xt为t时刻标准化后的样本，(XT·X)t-1为加权前模型的协方差矩阵，(XT·X)t为加权后模型的协方差矩阵。随着γ的递减，较多的权位于新被测值上，体现其实时性。
利用xt重构数据矩阵X，如下：
Xt＝(x2，x3…xn，xt)T……(41)
核矩阵K的递归算式可以表示为：
Kt＝γKt-1+Kt……(42)
为了使得核主元分析模型具有自回归滑动平均(ARMA)模型特性，具有更好的实时性。我们引入因子(1-γ)，得到：
Kt＝γKt-1+(1-γ)Kt……(43)
对不同的γ进行计算，比价计算结果，选择合适的γ(γ＝0.2)。
本实施例根据Q统计量和控制限Qα判断是否存在故障：当Q统计量大于控制限Qα，则确认存在故障，并确切诊断出故障存在，并根据每个主元贡献率的大小进行主元贡献度的排序，并同时关联故障诊断分析规则，从而确定故障的确切类型；当Q统计量小于等于控制限Qα，则确认不存在故障。
较优地，本实施例根据故障类型诊断的结果形成可视化诊断建议报告，其中，可视化诊断建议报告至少包括实时效率、历史最大最小效率、负荷-效率-时间、性能指数、性能雷达图、能效指标率中的一种或多种数据。并且对故障智能预警和故障类型诊断的信息进行全局共享及发布。
本实施例在对火力发电站风烟系统空气预热器、三大风机设备的运行特性进行深入分析的基础上，结合空气预热器、三大风机设备运行参数进行振动和非振动信号的采集形成矩阵并标准化，并且采用多元参数状态估计方法能够预测动态变化的多元参数模型状态，利用平均偏离度阈值预警方法进行设备故障发生的智能预警，采用指数加权动态核主元分析算法，结合故障诊断关联规则进行故障的智能在线诊断，确定故障发生的正确类型及主要原因，进一步提高了风烟系统空气预热器、三大风机设备运行的可靠性、安全性，提高了风烟系统空气预热器、三大风机设备运行的整体效率和使用寿命，提高了风烟系统整体的能效率，节约了企业运营的成本。
本申请提供了一种基于实施例1的一种风烟系统设备故障的智能预警与在线诊断系统，包括：
数据采集装置，用于采集风烟系统各设备的振动信号和非振动信号，分别得到风烟系统各设备的振动信号矩阵和非振动信号矩阵；
数据处理装置，用于对风烟系统各设备的振动状态信号矩阵、非振动状态信号矩阵进行标准化处理，并合并风烟系统各设备的振动状态信号矩阵与非振动状态信号矩阵，分别得到对应的标准状态矩阵；
数据处理装置还用于对风烟系统各设备的标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对风烟系统各设备的标准状态矩阵进行多元状态估计，得到故障预警阈值；
预警诊断装置，用于通过故障预警阈值进行故障智能预警，其中，通过Q统计量和控制限Qα进行故障类型的诊断。
参看图4，在此基础上，本实施例的系统还可以设置可编程控制器、实时数据库服务器、Web服务器和人机交互设备，具体而言：
可编程控制器，主要对控制算法程序的执行，指令输出执行动作，并与人机交互界面进行数据传输通讯，人机界面进行显示，同时人机界面也肩负着控制操作该系统的作用。
本实施例设定采样工况原则，确定采样时间间隔，使用数据采集装置对现场智能传感器信号采集，并对信号进行分类，存储在智能系统平台的实时数据库中。具体地，历史状态矩阵采样，采样工况避开机组较低负荷，虚高负荷，机组最大运行负荷30％-105％。使用数据采集装置进行采样，采样间隔设置为2min，每次采样时间段为1天，每个月采集5天，共采集12个月的数据，采集后的数据存储在智能系统平台的实时数据库中。
智能系统平台Web服务器用来对系统局域网内各终端进行故障相关信息的在线预警、在线诊断消息的全局共享及发布。信号在局域网内发布，通过设备有通讯交换设备包括交换机，光电转换器；安全设备包括隔离网闸，防火墙；终端设备包括PLC设备，工控机设备(人机交互设备)，移动终端(手机、Pad、笔记本)，第三方系统终端设备。
本实施例结合三大风机能效算法计算得到三大风机的实时效率值，效率值通过人机界面实时展示在性能曲线上，实现了三大风机运行性能状态的实时可视化，能够对三大风机设备给出合理可行的优化建议；结合空气预热器实时漏风率算法计算得到空气预热器实时漏风率的值，漏风率值通过人机界面实时可视化展示；实现了风烟系统空气预热器、三大风机设备故障的智能预警，并能够实现故障在线诊断及诊断报告可视化，保证了电站风烟系统空气预热器和三大风机设备运行的可靠性、安全性和经济性。
本实施例依据数据驱动的风烟系统设备故障的智能预警与在线诊断系统，采用了目前最先进的振动传感器、温度传感器、氧量传感器、流量传感器、压力传感器、露点传感器、速度传感器、浊度传感器、电流传感器等传感器作为现场检测的传感器装置，并结合基于大数据分析的智能数据处理模块算法、智能预警及在线诊断模块算法，可编程控制器，系统服务器等，实现了风烟系统各设备的性能状态实时可视化，风烟系统各设备故障的智能预警和在线诊断。
本实施例的系统是通过智能传感器实时测量风烟系统空气预热器、风机和其附属部件的振动，温度、电流等参数，结合数据采集装置将采集到的现场传感器数据存入实时数据库，实现系统自动采集及采集数据的处理分析，结合智能预警及在线诊断模块算法，并采用多元参数状态估计方法(MSET)能够预测动态变化的多元参数模型状态，利用平均偏离度阈值预警方法进行设备故障发生的智能预警。同时，本发明采用指数加权动态核主元分析算法，结合故障诊断关联规则进行故障的智能在线诊断，确定故障发生的正确类型及主要原因，并可自动向用户提供具有精确度较高的诊断建议报告用来指导设备管理和运行人员进行针对性的检修及预防性操作，满足了风烟系统各设备的安全、可靠及经济运行需要。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。
Claims (10)
1.一种风烟系统设备故障的智能预警与在线诊断方法，其特征在于，包括以下步骤：
S1：采集风烟系统各设备的振动信号和非振动信号，分别得到风烟系统各设备的振动状态信号矩阵和非振动状态信号矩阵；
S2：对风烟系统各设备的所述振动状态信号矩阵、所述非振动状态信号矩阵进行标准化处理，并合并风烟系统各设备的所述振动状态信号矩阵与所述非振动状态信号矩阵，分别得到对应的标准状态矩阵；
S3：对风烟系统各设备的所述标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对风烟系统各设备的所述标准状态矩阵进行多元状态估计，得到故障预警阈值；
S4：通过所述故障预警阈值进行故障智能预警，其中，通过所述Q统计量和所述控制限Qα进行故障类型的诊断。
2.根据权利要求1所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，所述振动信号至少包括风机前后轴承振动信号、风机电机驱动端和非驱动端振动信号、空预器传动电机轴承振动信号中的一种或多种信号，所述非振动信号至少包括温度、压力、流量、差压、氧量、露点、门开度、转速、飞灰含碳量、机组负荷、烟气浊度中的一种或多种信号。
3.根据权利要求1所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，所述步骤S2进一步包括：
S21：对风烟系统各设备的所述振动状态信号矩阵X2-1 *进行小波包及标准化处理分别得到对应的标准振动矩阵X2 *，并且对风烟系统各设备的所述非振动状态信号矩阵X1-1 *进行标准化处理分别得到对应的标准非振动矩阵X1 *；
S22：合并风烟系统各设备的所述标准振动矩阵X2 *和所述标准非振动矩阵X1 *，分别得到对应的多元矩阵X*；
S23：对风烟系统各设备的所述多元矩阵X*进行标准化处理分别得到对应的所述标准状态矩阵X。
4.根据权利要求1所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，所述步骤S3中，所述对风烟系统各设备的所述标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα进一步包括：
对风烟系统各设备的所述标准状态矩阵进行非线性转换；
对非线性转换之后的所述标准状态矩阵进行指数加权动态核主元分析，其中，计算核矩阵并中心化，确定所述核函数的主元数目，并根据风烟系统各设备的所述标准状态矩阵对应的核矩阵分配的权值，计算得到所述Q统计量和所述控制限Qα。
5.根据权利要求4所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，所述步骤S4中，所述通过所述Q统计量和所述控制限Qα进行故障类型的诊断进一步包括：
根据所述Q统计量和所述控制限Qα判断是否存在故障：
当Q统计量大于所述控制限Qα，则确认存在故障，并结合所述主元数目及对应的主元贡献率进行主元排序，确定得到故障类型；
当Q统计量小于等于所述控制限Qα，则确认不存在故障。
6.根据权利要求1所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，所述步骤S3中，所述对风烟系统各设备的所述标准状态矩阵进行多元状态估计，得到故障预警阈值进一步包括：
通过滑动窗口统计法风烟系统各设备的所述标准状态矩阵进行多元状态估计，其中，取多个滑动窗口，计算每个窗口内样本的平均偏离度，将多个滑动窗口的平均偏离度中最大值作为所述故障预警阈值。
7.根据权利要求1至6任意一项所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，风烟系统包括空气预热器、一次风机、送风机和引风机。
8.根据权利要求1至6任意一项所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，还包括以下步骤：
根据故障类型诊断的结果形成可视化诊断建议报告，其中，所述可视化诊断建议报告至少包括实时效率、历史最大最小效率、负荷-效率-时间、性能指数、性能雷达图、能效指标率中的一种或多种数据。
9.根据权利要求8所述的风烟系统设备故障的智能预警与在线诊断方法，其特征在于，还包括以下步骤：
对故障智能预警和故障类型诊断的信息进行全局共享及发布。
10.一种风烟系统设备故障的智能预警与在线诊断系统，其特征在于，包括：
数据采集装置，用于采集风烟系统各设备的振动信号和非振动信号，分别得到风烟系统各设备的振动状态信号矩阵和非振动状态信号矩阵；
数据处理装置，用于对风烟系统各设备的所述振动状态信号矩阵、所述非振动状态信号矩阵进行标准化处理，并合并风烟系统各设备的所述振动状态信号矩阵与所述非振动状态信号矩阵，分别得到对应的标准状态矩阵；
所述数据处理装置还用于对风烟系统各设备的所述标准状态矩阵进行非线性转换、核主元分析，计算得到Q统计量和控制限Qα，并对风烟系统各设备的所述标准状态矩阵进行多元状态估计，得到故障预警阈值；
预警诊断装置，用于通过所述故障预警阈值进行故障智能预警，其中，通过所述Q统计量和所述控制限Qα进行故障类型的诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110765182.1A CN113390641A (zh) | 2021-07-06 | 2021-07-06 | 风烟系统设备故障的智能预警与在线诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110765182.1A CN113390641A (zh) | 2021-07-06 | 2021-07-06 | 风烟系统设备故障的智能预警与在线诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113390641A true CN113390641A (zh) | 2021-09-14 |
Family
ID=77625317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110765182.1A Pending CN113390641A (zh) | 2021-07-06 | 2021-07-06 | 风烟系统设备故障的智能预警与在线诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113390641A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115685045A (zh) * | 2022-12-08 | 2023-02-03 | 华中科技大学 | 一种电压互感器在线评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
| KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
| CN107153748A (zh) * | 2017-06-07 | 2017-09-12 | 北京信息科技大学 | 基于加权核主元分析（wkpca）的回转窑故障诊断方法 |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN210243306U (zh) * | 2019-04-16 | 2020-04-03 | 大唐东北电力试验研究院有限公司 | 风烟系统远程监控用一次风机出烟口数据采集装置 |
-
2021
- 2021-07-06 CN CN202110765182.1A patent/CN113390641A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
| KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
| CN107153748A (zh) * | 2017-06-07 | 2017-09-12 | 北京信息科技大学 | 基于加权核主元分析（wkpca）的回转窑故障诊断方法 |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN210243306U (zh) * | 2019-04-16 | 2020-04-03 | 大唐东北电力试验研究院有限公司 | 风烟系统远程监控用一次风机出烟口数据采集装置 |
Non-Patent Citations (4)
| Title |
|---|
| 张佳鑫，罗文嘉等: "《基于CTA-DKPCA 的化工过程故障诊断》", 《控制工程》 * |
| 林文孚: "单元机组热力设备运行", 中国水利水电出版社 * |
| 江萍: "《建筑设备自动化》", 31 January 2016 * |
| 高泽明，张斌等: "《基于MSET的一次风机故障预警算法研究》", 《自动化应用》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115685045A (zh) * | 2022-12-08 | 2023-02-03 | 华中科技大学 | 一种电压互感器在线评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111308991B (zh) | 一种磨煤机运行故障识别方法及应用 | |
| CN110320892B (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| CN111209934B (zh) | 风机故障预报警方法及系统 | |
| CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
| Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
| CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
| Zhou et al. | Anomaly detection method of daily energy consumption patterns for central air conditioning systems | |
| CN115899964A (zh) | 基于多维的空调智能监测方法与系统 | |
| CN112149877B (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
| CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
| CN103236019A (zh) | 一种典型用能系统节能诊断及改造策略自动生成方法和系统 | |
| CN109345143B (zh) | 智能风机运行状态评价方法、装置及风电机组 | |
| CN107607342B (zh) | 空调机房设备群的健康能效检测方法 | |
| CN113468798A (zh) | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 | |
| CN113390641A (zh) | 风烟系统设备故障的智能预警与在线诊断方法及系统 | |
| CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
| CN111563685A (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
| CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| CN115575579A (zh) | 一种基于监测源分析的碳监测方法及系统 | |
| CN109635358A (zh) | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| Xu et al. | An efficient method for online identification of steady state for multivariate system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |