电站锅炉故障诊断技术的发展

姜 磊,杨俊保

(上海电力学院能源与环境工程学院,上海 200090)

火电厂是国家能源系统的重要组成部分,特殊的工作环境决定其是一个高故障率和故障危害性大的生产场所,一旦发生故障将造成重大的经济损失和严重的社会后果.由于政府部门的高度重视,故障诊断技术在火电厂中的应用发展非常迅速,有效地提高了锅炉运行的可靠性和事故分析处理的准确性,取得了较好的经济效益和社会效益.为了更好地研究和应用故障诊断技术,有必要对现有的故障诊断方法进行归纳和整理.

1 电站锅炉故障诊断技术

1.1 国外发展概况

在 20世纪 80年代中期,美国电力研究协会(EPEI)针对电站锅炉开发了锅炉维护工作站(BMW),它主要分为 4个功能模块,即水冷壁工况,锅炉图示 /管道记录,ESCARTA专家系统,管道寿命.BMW可以分析水冷壁工况,计算过热、再热器管蠕变寿命,诊断管道故障等[1].其核心是锅炉管子失效诊断专家系统(ESCARTA),它是美国开发的用于锅炉事故诊断的第一个专家系统,该专家系统除了用于诊断锅炉爆管事故外,还可以用来培训电厂的技术人员熟悉爆管事故,以及指导运行人员采取正确的步骤调查锅炉爆管事故等[2].

美国电力研究所(EPRI)于 1992年开发的Eddystone诊断专家系统堪称故障诊断专家系统的一个范例,它包括透平诊断、锅炉诊断、辅助设施诊断 3个部分,应用了多项先进的监测技术,如锅炉管道声学检漏、温度监测、应力分析、振动信号分析等[3].

日本在火电厂故障诊断技术方面的研究也处于世界领先水平.早在 20世纪 80年代,三菱重工就研制出汽轮发电机组故障诊断专家系统和锅炉故障诊断专家系统.至 90年代初,日立公司研制出指导火电厂运行和维护的指导专家系统[4].此外,北海道电力公司应用人工智能技术开发的燃煤火电厂运行支援系统,其作用是通过对机组数据的在线监测,可以在发生异常现象时找出发生原因,并提供实现机组运行状态稳定和恢复原来运行工况的操作指导[5].

1.2 国内发展概况

近年来,国内锅炉故障诊断技术发展非常迅速,许多高校和研究机构都开展了锅炉故障诊断技术的研究,并取得了一些成果.

清华大学的李德英等人以 300 MW电站锅炉为研究对象,通过仿真与实践相结合,建立了远程状态监测与故障诊断系统.该系统根据锅炉运行状态监测情况,确定锅炉系统运行中出现的故障征兆,采用深、浅知识相结合的混合诊断推理机制,分析诊断锅炉系统在运行过程中可能出现的各种故障,如炉膛灭火、过热器爆管、省煤器磨损、泄漏等,并通过远程传输 DAS数据到山东电力科学研究院进行远程监测诊断,取得较好效果[6].

电力热工研究所开发了锅炉管失效用分析专家系统,该系统根据锅炉失效后的管断割取、断口保护、现场记录和分析样品来判断其失效类型,进一步得出其失效原因,并推荐合适的处理措施和方案[7].

安徽平圩电厂和武汉水利水电大学合作开发了易组式集散型智能化监测系统,已在平圩电厂得到成功应用.该系统既能单独使用又能与电厂主控系统联网使用,为锅炉水冷壁故障诊断测试提供了很好的方法,并为今后锅炉故障诊断监测系统的研究提供了宝贵经验[8].

清华大学的蒋东翔等人针对单一故障诊断方法的局限性,对现有的大型设备故障诊断方法做了全面的分析和比较,提出了多种故障诊断技术集成的混合智能诊断方法.该方法根据设备故障诊断过程的不同阶段和具体任务,综合利用模糊数学、模糊模式识别、模糊人工神经网络,以及基于规则的诊断专家系统等多种故障诊断原理,在电站热力系统故障诊断和机组振动故障诊断的实际应用中取得了良好的效果[9].

2 电站锅炉故障诊断方法

1971年美国麻省理工学院的 BEARD首先提出了用解析冗余代替硬件冗余,并通过系统的自组织使系统闭环稳定,通过比较观测器的输出得到系统故障信息的新思想,标志着控制系统故障诊断技术的诞生[10].经过几十年的发展,非线性系统的故障诊断技术有了很大发展,主要有基于解析模型的诊断方法、基于信号处理的方法和基于知识的方法.

2.1 基于解析模型的方法

基于解析模型的方法是发展最早、研究最系统的一种故障诊断方法,主要可以分为两类:一是线性化技术,将非线性系统在一个工作点线性化[11,12]或几个工作点附近线性化[13],用一个线性模型集表示系统,建模误差、扰动、噪声当作未知输入,用未知输入设计矩阵解耦的方法[14]来构造残差进行诊断,使之不受建模误差等扰动的影响;二是直接建立非线性模型,用非线性观测器、滤波器或非线性参数估计的方法来设计诊断算法.这些方法往往都是针对某种特定的非线性系统,算法还不是很完善.

目前,基于解析模型的方法是应用最广泛的诊断方法,在故障诊断领域具有重要的地位,其研究成果主要集中在线性系统,因此深入研究非线性系统的通用故障诊断技术具有重要意义.

2.2 基于信号处理的方法

基于信号处理的方法不需要对象的准确模型,实用性强.常用的有基于Kullback信息准则和基于小波变换的故障诊断方法.前者用基于Goodw in的随机嵌入的方法把未建模动态特性当作软界估计[15],利用遗传算法和梯度方向辨识参数和软界,然后在 Kullback信息准则中引入一个新指标评价未建模动态特性,设计阈值和决策方案.后者利用连续小波变换来区分信号突变点和噪音(离散小波可以用来检测频率结构的突变),是一种时间-尺度分析的方法,具有多分变率分析的特点,但是这种方法只能检测信号的奇异性,不能进一步提供系统状态变量的诊断信息,不能进行故障的定位和故障恢复[16].

2.3 基于知识的方法

基于知识的方法主要是通过分析系统历史运行数据,利用故障信息、系统对象的知识和专家知识实现定量和定性知识的有机结合.它主要有故障树故障诊断法、模糊推理法、专家系统法、神经网络法,以及信息融合故障诊断法等.

(1)故障树故障诊断法 通过故障树结构图对系统故障形成的原因作出总体至部分的分析,按树状逐渐细化划分,可以对系统或机器的故障进行预测和诊断,分析系统的薄弱环节,以实现系统的最优化[17].该方法的缺点是由于所列举的系统故障种类不同,有可能漏掉重大部件或元件的故障.

(2)模糊推理诊断法 利用隶属函数和模糊规则进行模糊推理以实现模糊诊断的故障诊断法.在故障诊断中,如果故障与征兆的关系是模糊的,用模糊集表示的模糊语言就能够更正确地表示故障与征兆的关系.但是模糊知识获取困难,诊断系统的学习能力差,当知识库不完备时容易产生漏报和误报现象[18,19].

(3)专家系统诊断法 分为基于浅知识的第一代故障诊断专家系统和基于深知识的第二代专家系统诊断法[20].该方法通过提取要诊断系统的传感器知识,在计算机里组成规则库,并总结现场专家的经验进行推理,从而诊断故障.其优点是容易增加和删除规则,算法简单,缺点是知识的提取困难.

(4)神经网络诊断法 具有处理非线性、自学习、高容错性,以及并行处理的能力,主要用在难于建模、故障繁多的复杂系统中.其缺点是泛化能力和外推性能差、具有鲁棒性、权值收敛速度慢,以及可能陷入局部最小等[21].

(5)信息融合故障诊断法 利用计算机对来自多传感器的信息按一定的准则加以自动分析和综合数据处理,以完成所需要的决策和判定的故障诊断方法.目前信息融合在军事领域中已有广泛应用,但在设备故障诊断中的应用还需要继续深入研究[22].

3 电站锅炉故障诊断技术展望

锅炉是发电厂的重点设备,锅炉运行的好坏很大程度上决定了整个机组运行的安全性和经济性.现有的故障诊断系统存在诊断方法单一、多种故障诊断困难等缺点.因此,若要有效提高故障诊断的可靠性和快速性,应该从以下两个方面进行深入研究.

(1)多种方法联合诊断 巧妙地将两个或多个诊断方法相结合,充分发挥各故障诊断方法的优势,克服单一诊断方法的局限性,可以有效提高故障诊断准确性.例如,由小波和神经网络结合的系统可以避免辨识网络权值时出现局部最小,从而加快收敛速度[23];由专家系统和神经网络结合而成的神经网络专家系统,既可以解决专家系统的知识获取困难、推理能力差的问题,又可弥补神经网络训练样本获取困难、推理过程透明性差等缺点[24];由模糊逻辑、神经网络和专家系统融合而成的智能诊断方法对锅炉设备进行故障诊断,可以打破单一诊断法的局限性,达到较为接近实际的诊断结果[25,26];将遗传算法、模糊推理、神经网络和专家系统等人工智能领域中的各种方法加以综合利用,并用于故障诊断,特别是针对具有模糊性的诊断对象,能够更加深入细致地刻画与描述故障的特征,并克服故障判断中非此即彼的绝对性,使推理过程与客观实际更加相符,同时也可以克服传统故障诊断专家系统中存在的知识获取“瓶颈”问题、知识“窄台阶”问题,以及容易出现的“匹配冲突”、“组合爆炸”和 “无穷递归”等问题[27].

(2)多种故障同时诊断 我国在电站锅炉故障诊断技术方面做了大量的研究,但是应用于实际的却较少.究其原因,主要是由于已开发的大多数诊断系统的诊断功能比较单一,诊断对象局限于电站锅炉中的某一设备或某一子系统.而锅炉是由若干相互联系的子系统组成的整体,这种结构上的层次关系要求其诊断系统是分布式和多层次的.目前对同时出现的多故障,或各故障之间存在相互影响时的故障诊断方面的研究显得有些不足,若要使故障诊断技术早日得到广泛的应用,解决此问题极为关键.另外,随着现代系统网络化的发展,分布式系统的故障诊断必将引起重视并得到深入研究.

4 结 语

锅炉故障混合智能诊断系统的开发是一个长期的过程,随着应用于锅炉故障诊断的系统开发工具、人工智能理论、传感技术、分布式系统的故障诊断等相关关键技术的不断深入研究和发展,混和智能故障诊断系统应用于大型锅炉设备运行故障诊断指日可待.

[1]王洪江,孙保民,田进步.电站锅炉故障诊断技术研究进展[J].中国电力教育,2008,(1):253-255.

[2]杨兵,张小飞,丁辉,等.基于知识库的锅炉“四管”暴漏预报专家系统[J].动力工程,2004,(1):21-24.

[3]王文永.美国电站状态监测与故障诊断技术的开发应用[J].华北电力技术,1995,(6):51-55.

[4]李兵.日本火电厂锅炉部件剩余寿命诊断技术[J].华北电力技术,1997,(8):5-10.

[5]孙竹梅,张丽香.人工智能技术在国内电厂中的应用研究[J].电力学报,2005,20(2):107-111.

[6]张欣.火电厂煤粉锅炉燃烧状态智能监测与评判研究[D].河北:华北电力大学,2009:19-27.

[7]马丽云,齐纪渝.锅炉管道失效分析专家系统知识库的建立[J].现代电力,2002,(2):7-13.

[8]蔡建国,唐必光.易组式集散型智能化监测系统及在水冷壁故障测试中的应用[J].热力发电,1999,(2):46-48.

[9]蒋东翔,倪维斗.大型汽轮发电机组混合智能诊断方法的研究[J].清华大学学报,1999,(3):20-24.

[10]陈炜峰,陆静霞.故障诊断技术及其发展趋势[J].农机化研究,2005,(2):10-13.

[11]PATTON R J,CHEN J.Robust fault detection and isolation(FDI)systems[M].Academ ic Press,1996:171-224.

[12]GERTLER J.Residual generation in model-based fault diagnosis[J].Control-Theory and Advanced Technology,1993,9(1):259-285.

[13]PATTON R J.Robust fault diagnosis in a chemical process using multiple-model approach[C]//Proc.of the 40th IEEE Conf.-D and Control Orlando,Florida USA,2001,54:149-154.

[14]Design of a class of reduced order unknown inputs nonlinear observer for fault diagnosis[C]//Proc.of the American Control Conference Arlington,VA June 2001:25-27.

[15]KUMAMARU K.Robust fault detection using index of kullback discrimination information[C]//Proc.of IFAC World Congress,1996:205-210.

[16]陈卓,刘念,薄丽雅.电力设备状态检测与故障诊断[J].高压电技术,2005,(4):46-49.

[17]倪绍徐,张裕芳,易宏,等.基于故障树的智能故障诊断方法[J].上海交通大学学报,2008,(8):1 371-1 375.

[18]MARUYAMA N,BENOUARETSM,DEXTERA L.Fuzzymodelbased fault detection and diagnosis[C]//Proc.of IFACWorld Congress,San Francisco,USA,1996:121-126.

[19]BOUDAOUD A N,MASSON M H,DUBUISSON B.On-line diagnosisof a technological system:a fuzzy pattern recognition approach[C]//Proc.of IFAC World Congress,San Francisco,USA,1996:103-107.

[20]吴今培,肖健华.智能诊断与专家系统[M].北京:科学出版社,1997:42-47.

[21]ALBERTO Stefanini,ALFONSO Cavanna,MASSIMO Gallanti,et al.Integrating Empirical and ontological know ledge in an expert system for diagnosisofa steam condenser[C]//Proc.of the IntWorkshop on A rtif Intell for Ind Appl,2000,(10):227-231.

[22]PARK J,SANDBER IW.Universalapproximation using radialbasis function network[J].Neural Computation,1991,(3):246-257.

[23]王雪,左巍,赵国华.基于多传感器集成融合技术的敏捷虚拟测试诊断系统研究[J].中国机械工程,2001,12(8):914-918.

[24]FENG You-ping,HUANG Xi-yue.Fault diagnosismultiagent reconfigure according to the model of immune idiotypic network regulation theory and behavioral petrinets techniques based on work low management[C]//Second International Symposium on Intelligent and Complex System,W uhan,2001:10.

[25]冯定.神经网络专家系统[M].北京:科学出版社,2006:7-17.

[26]苏羽,赵海,苏威积,等.基于模糊专家系统评估诊断方法[J].东北大学学报,2004,25(7):653-656.

[27]李人厚.智能控制理论和方法[M].西安:西安电子科技大学出版社,1999:270-274.

[28]花伟.锅炉混合智能故障诊断技术的研究[D].南京:南京工业大学,2006:16-21.