風(fēng)機性能特征參數(shù)趨勢分析及預(yù)測

浙江浙能溫州發(fā)電有限公司 翁忠華 徐智偉

風(fēng)機性能特征參數(shù)趨勢分析及預(yù)測

浙江浙能溫州發(fā)電有限公司 翁忠華 徐智偉

本文通過預(yù)警系統(tǒng)性能參數(shù)預(yù)警信息，在基于狀態(tài)編碼的風(fēng)機狀態(tài)相似性條件約束下，搜尋歷史相似的時間序列數(shù)據(jù)集，然后對每個相似的時間序列進(jìn)行系統(tǒng)辨識，得到對應(yīng)的系統(tǒng)特征參數(shù)，最后對有用特征參數(shù)進(jìn)行曲線擬合，得到風(fēng)機的性能趨勢預(yù)測曲線。

風(fēng)機性能；預(yù)警；系統(tǒng)辨識；性能預(yù)測

0 引言

機械設(shè)備故障預(yù)測的一個主要目的是實現(xiàn)設(shè)備運行狀態(tài)的預(yù)報。故障預(yù)測的一個核心和難點就是如何從信號中提取能夠有效反應(yīng)故障發(fā)展趨勢的故障特征量，以及如何根據(jù)故障特征量準(zhǔn)確地預(yù)測故障發(fā)展趨勢。

由于大型機械設(shè)備結(jié)構(gòu)日趨復(fù)雜，運行工況多變，近年來，針對機械設(shè)備非平穩(wěn)運行狀態(tài)的特征提取成為國內(nèi)外學(xué)者研究的重點和前沿。目前，新方法主要有循環(huán)平穩(wěn)和準(zhǔn)循環(huán)平穩(wěn)信號分析與循環(huán)統(tǒng)計方法、經(jīng)驗?zāi)B(tài)分解方法、混沌分形、形態(tài)學(xué)分析、小波分析、流形學(xué)習(xí)、支持向量機及粗糙集等，這些方法為提高機電系統(tǒng)故障診斷能力提供了新途徑，在信號分析和特征量提取方面發(fā)揮了巨大的作用。

在故障特征量提取后，需要依據(jù)故障特征量的發(fā)展趨勢采用適當(dāng)?shù)墓收项A(yù)測方法實現(xiàn)設(shè)備故障預(yù)報。在故障預(yù)測方面，神經(jīng)網(wǎng)絡(luò)、支持向量機、專家系統(tǒng)、模糊數(shù)學(xué)、貝葉斯網(wǎng)絡(luò)、隱馬爾可夫模型等算法具有應(yīng)用價值[1]。

預(yù)警系統(tǒng)通常采用基于相似性原理進(jìn)行建模，文章[7-12]介紹了預(yù)警系統(tǒng)的研究應(yīng)用。大多數(shù)過程工業(yè)的系統(tǒng)具有結(jié)構(gòu)復(fù)雜、時變、非線性和強耦合的特點，基于相似性原理的數(shù)據(jù)挖掘預(yù)測方法常用于過程工業(yè)中。文章[9,13-15]介紹了基于相似性原理的預(yù)警系統(tǒng)的原理、系統(tǒng)結(jié)構(gòu)和實現(xiàn)。基于相似性原理的預(yù)警系統(tǒng)可以應(yīng)用到各種復(fù)雜的系統(tǒng)中，實施簡單快捷；移植方便，不需要參數(shù)調(diào)整且具有很強的魯棒性；覆蓋全工況多擾動，可以建立個性化模型，以動態(tài)帶作為報警閾值，從而得出和展示故障初期的征兆[7]。

采集一段時間（一般為一年）的系統(tǒng)相關(guān)運行數(shù)據(jù)，作為基準(zhǔn)工況參數(shù)樣本，并且認(rèn)為這些樣本已經(jīng)全覆蓋系統(tǒng)的各個運行工況。預(yù)警系統(tǒng)根據(jù)所選歷史數(shù)據(jù)樣本進(jìn)行相似性分析，建立相應(yīng)的動態(tài)模型，并使用所建模型對工業(yè)系統(tǒng)采集的實時測量值樣本進(jìn)行計算并且與模型設(shè)定的偏差值比較，若超出閾值則差生偏差預(yù)警。

本文介紹“預(yù)警模型性能參數(shù)預(yù)警——預(yù)警事件前后時間序列搜尋——定模型系統(tǒng)辨識——辨識參數(shù)擬合及預(yù)測”的技術(shù)路線。從系統(tǒng)測點狀態(tài)參數(shù)角度分析，搜尋參數(shù)的相似的時間子序列并作為分析單元。通過預(yù)警系統(tǒng)性能參數(shù)預(yù)警信息出發(fā)，在基于狀態(tài)編碼的風(fēng)機狀態(tài)相似性條件約束下，搜尋歷史相似的時間序列數(shù)據(jù)集，然后對每個相似的時間序列進(jìn)行系統(tǒng)辨識，得到對應(yīng)的系統(tǒng)特征參數(shù)，最后對有用特征參數(shù)進(jìn)行曲線擬合，得到風(fēng)機的性能趨勢預(yù)測曲線。

1 風(fēng)機故障特征及信息編碼

1.1 風(fēng)機故障和信息特征

風(fēng)機的大量失效故障不是瞬時發(fā)生的，故障從開始、發(fā)展到惡化總有一段出現(xiàn)異?，F(xiàn)象的事件，而且有征兆可尋。觀察和統(tǒng)計表明，大型旋轉(zhuǎn)設(shè)備的大部分故障是具有時間依存性的、可預(yù)知的趨勢性故障，采用科學(xué)有效的故障預(yù)測往往能夠揭示故障的發(fā)展變化，有利于避免設(shè)備惡性事件和繼發(fā)性事故的發(fā)生。

故障發(fā)展變化的特征信息是一種早期的故障信息，甚至是故障發(fā)生前的趨勢特征信息，其具有弱信息特征導(dǎo)致信噪比很低；在故障預(yù)測中有用信息往往被復(fù)雜系統(tǒng)的時變、非線性運行特征、工況和負(fù)載變化、環(huán)境干擾和測試系統(tǒng)噪聲等非故障信息所淹沒，傳統(tǒng)分析方法往往難以進(jìn)行有效的故障預(yù)測。

1.2 風(fēng)機性能參數(shù)與辨識參數(shù)的同構(gòu)關(guān)系

許多故障模式往往伴隨著設(shè)備性能的劣化，而設(shè)備性能相關(guān)的本質(zhì)參數(shù)往往能夠反映本質(zhì)的性能退化情況，然而設(shè)備本質(zhì)參數(shù)往往是不能直接測量，只能通過可測量的狀態(tài)參數(shù)來推斷。

對于風(fēng)機，經(jīng)常希望通過監(jiān)測系統(tǒng)的參數(shù)變化來確定系統(tǒng)的狀態(tài)。當(dāng)系統(tǒng)的輸出和系統(tǒng)模型的預(yù)測值相差較大時，表明系統(tǒng)的本質(zhì)特性發(fā)生了變化。

系統(tǒng)辨識參數(shù)與設(shè)備本質(zhì)參數(shù)往往有一種同構(gòu)的關(guān)系，通?？梢酝ㄟ^辨識參數(shù)的變化來描述設(shè)備本質(zhì)參數(shù)的變化，使問題處理簡單和理解更加深刻。例如與歷史同工況和同狀態(tài)變化向量相比，負(fù)載響應(yīng)時間過長、穩(wěn)態(tài)偏差值逐漸增大等都可以反映設(shè)備處于一個性能劣化的過程。

1.3 測點狀態(tài)編碼

對風(fēng)機歷史數(shù)據(jù)進(jìn)行挖掘，通常兩到三年事件跨度的數(shù)據(jù)。一臺大型風(fēng)機通常有幾十個測點，雖然采用了數(shù)據(jù)壓縮技術(shù)，兩三年累計下來的數(shù)據(jù)量也非?？捎^，非常不便于數(shù)據(jù)的定位和分析。因此，對風(fēng)機各個工況參數(shù)進(jìn)行狀態(tài)編碼，對各個測點進(jìn)行離散化，提供測點參數(shù)變化的大致輪廓，方便計算機的快速搜尋定位；壓縮事件感知和提高相似性工況和狀態(tài)工況變化的搜尋。鑒于風(fēng)機性能劣化是一個漸進(jìn)的過程，我們可以選擇歷程中變化最多的和具有代表性的狀態(tài)和狀態(tài)變化向量來研究，而不影響分析結(jié)果。

時間序列近似表示是將原始時間序列用某個維數(shù)更低的時間序列在一定的誤差范圍內(nèi)代替，這樣可以實現(xiàn)數(shù)據(jù)壓縮，減少計算代價。如果能從序列中抽取少量的、主要的特征對時間序列采用近似表示，相當(dāng)于迸行了十分必要有效的維數(shù)約減以消除數(shù)據(jù)冗余，可以大大提高序列的查找速度。

可以采用PAA方法進(jìn)行狀態(tài)編碼。PAA方法采用分段累積、近似法首先將時間序列分成相等長度的若干小段，然后分別計算出每一小段的平均值，這些平均值組成的向量就是原來時間序列降低維數(shù)后的表示，這種變換得到了原序列的分段常數(shù)近似表示，具有簡單、重觀、高效的優(yōu)點[16]。

風(fēng)機狀態(tài)S用各個輸入測點的狀態(tài)編碼Si向量表示：

兩個風(fēng)機狀態(tài)的變化向量為：

兩個風(fēng)機狀態(tài)的距離定義為：

其中YT為測點狀態(tài)加權(quán)向量。

1.4 風(fēng)機性能參數(shù)的選擇

風(fēng)機的性能參數(shù)主要有流量、壓力、功率、電流、轉(zhuǎn)速、風(fēng)機進(jìn)出口流體壓力和溫度、機組負(fù)荷、動葉開度、電機風(fēng)機軸承溫度和振動、潤滑油溫度和回油溫度等測點參數(shù)。通常需要綜合考慮這些來考察風(fēng)機的性能，然而這些參數(shù)之中與性能的相關(guān)性非常小，可以不考慮。通?？梢詫︼L(fēng)機工況歷史數(shù)據(jù)機組負(fù)荷進(jìn)行等長度分箱，對每個分箱內(nèi)的數(shù)據(jù)相同數(shù)量的抽樣，然后進(jìn)行相關(guān)性分析。剔除與性能關(guān)聯(lián)性小的測點，縮小影響風(fēng)機性能參數(shù)的維度，簡化分析過程，減少計算量。

通?？梢圆捎糜绊懶阅軈?shù)的測點作為模型的輸入?yún)?shù)，例如：

采用反映性能參數(shù)的測點作為模型的輸出參數(shù)，例如：

2 系統(tǒng)特征參數(shù)辨識

2.1 可辨識性

大型選裝機械的故障通常為隨機過程，在研究對象長歷程的運行過程中，工況變化、負(fù)載變化、環(huán)境變化和外界干擾等非故障因素產(chǎn)生的影響。風(fēng)機是一個復(fù)雜的非線性動力系統(tǒng)，傳統(tǒng)方法描述系統(tǒng)運動行為時，通常將非線性忽略掉。一般認(rèn)為，在一個狀態(tài)小范圍的工況參數(shù)變化過程中設(shè)備的動態(tài)特性是線性的。

2.2 相似性時間序列的搜尋

兩個時間序列在近似表示條件下的相似性即指：如果兩個時間序列經(jīng)過某些近似表示后的相似性函數(shù)在一定的誤差限制范圍內(nèi)滿足某個條件，則認(rèn)為這兩個時間序列在這種近似表示條件下是彼此相似的[16]。

根據(jù)預(yù)警事件前后時間長度為L的時間范圍內(nèi)的參數(shù)狀態(tài)編碼，依據(jù)某種相似性，搜尋歷史時間序列數(shù)據(jù)集。

通常以預(yù)警系統(tǒng)性能參數(shù)的測點的預(yù)警事件作為辨識系統(tǒng)啟動的觸發(fā)事件。假設(shè)事件觸發(fā)時刻風(fēng)機的狀態(tài)編碼為S0，可以采用以下的方法進(jìn)行相似性時間序列的搜尋：

2、搜尋Si前后長度為L的，采樣時間間隔為dt（通常dt=1s）的時間序列集合，計算Ri開始和結(jié)束時刻的狀態(tài)、開始和結(jié)束時刻的最高最低狀態(tài)

3、搜尋類正向單位階躍時間序列相似的中心狀態(tài)集合U2，采用以下的判別方式：

4、搜尋類負(fù)向單位階躍時間序列相似的中心狀態(tài)集合U3，采用以下的判別方式：

2.3 系統(tǒng)特征參數(shù)辨識

根據(jù)對象特性及系統(tǒng)辨識研究需求，建立模型類庫。由于風(fēng)機性能辨識模型較為簡單，首先考慮LS模型。采用簡單的最小二乘法進(jìn)行特征參數(shù)辨識。

輸出性能參數(shù)有：

系統(tǒng)模型：

用于描述系統(tǒng)的輸入j輸出i特性，其中

為了討論的方便，以下省略下標(biāo)ij，表示對某一特定的輸入輸出系統(tǒng)模型。準(zhǔn)則函數(shù)為：

其中，好h(k)是可觀測的數(shù)據(jù)向量，利用隨機序列的一個實現(xiàn)，使準(zhǔn)則數(shù)：

2.4 特征參數(shù)趨勢及預(yù)測

3 結(jié)論

本文介紹了一種風(fēng)機性能趨勢預(yù)測的方法。方法采用基于相似性建模的風(fēng)機預(yù)警性能模型進(jìn)行風(fēng)機工況參數(shù)進(jìn)行偏差值估計，根據(jù)正負(fù)偏差閾值設(shè)置觸發(fā)預(yù)警事件；對風(fēng)機各個工況參數(shù)進(jìn)行狀態(tài)編碼；根據(jù)預(yù)警事件前后時間長度為L的時間范圍內(nèi)的風(fēng)機事件中心狀態(tài)、開始狀態(tài)和結(jié)束狀態(tài)，搜尋歷史相似的時間序列數(shù)據(jù)集；對每個相似的時間序列進(jìn)行系統(tǒng)辨識，得到對應(yīng)的系統(tǒng)特征參數(shù)；對有用特征參數(shù)進(jìn)行曲線擬合，得到風(fēng)機的性能趨勢預(yù)測曲線。

[1]徐小力與王紅軍,大型旋轉(zhuǎn)機械運行狀態(tài)趨勢預(yù)測．2011： 科學(xué)出版社．

[2]汪洋,發(fā)電廠風(fēng)機狀態(tài)趨勢分析與壽命預(yù)測．湖北電力,2006(04)： 第36-38頁．

[3]周津慧,重大設(shè)備狀態(tài)檢測與壽命預(yù)測方法研究,2006,西安電子科技大學(xué)．第141頁．

[4]張新廣,基于盲系統(tǒng)辨識的旋轉(zhuǎn)機械故障診斷新方法研究,2008,鄭州大學(xué)．第76頁．

[5]李超順,水電機組控制系統(tǒng)辨識及故障診斷研究,2010,華中科技大學(xué)．第146頁．

[6]鄒麗潔,電站設(shè)備參數(shù)異動搜索分析與故障預(yù)警研究,2011,華北電力大學(xué)（北京）．第98頁．

[7]李玉珍,故障預(yù)警系統(tǒng)在發(fā)電設(shè)備狀態(tài)評估與故障診斷工作中的應(yīng)用,in 2010年全國發(fā)電企業(yè)設(shè)備檢修技術(shù)大會2010： 西安．第852-867頁．

[8]富雙進(jìn),電站風(fēng)機故障預(yù)警系統(tǒng)的研究,2015,華北電力大學(xué)．第56頁．

[9]高明,火電廠送風(fēng)機故障預(yù)警系統(tǒng)的研究,2013,華北電力大學(xué)．第57頁．

[10]常劍與高明,基于相似性建模的發(fā)電機組設(shè)備故障預(yù)警系統(tǒng)．機電工程,2012(05)： 第576-579頁．

[11]劉鑫沛,基于相似性建模的發(fā)電設(shè)備故障預(yù)警方法研究,2014,華北電力大學(xué)．第59頁．

[12]郭康維,基于相似性建模的鍋爐一次風(fēng)機故障預(yù)警研究,2014,華北電力大學(xué)．第50頁．

[13]常帥,基于相似建模的汽輪機故障預(yù)警系統(tǒng),2013,華北電力大學(xué)(保定) 華北電力大學(xué)．

[14]陳昆亮,汽輪發(fā)電機組狀態(tài)監(jiān)測與故障預(yù)警系統(tǒng)研究,2012,華北電力大學(xué)(北京) 華北電力大學(xué)．

[15]趙振書,基于相似性原理的發(fā)電機故障預(yù)警系統(tǒng),2013,華北電力大學(xué)(保定) 華北電力大學(xué)．

[16]張榮明,時序數(shù)據(jù)挖掘中的相似性和趨勢預(yù)測研究,2009,廣東工業(yè)大學(xué)．