基于RS-MSET的电站风机振动预测研究

(华北电力大学 控制与计算机工程学院，河北 保定 071003)

基于RS-MSET的电站风机振动预测研究

孙建平，富双进

(华北电力大学 控制与计算机工程学院，河北 保定 071003)

故障预测技术是在数据预测技术和故障诊断技术基础上形成的综合技术，即先预测后诊断，因此，准确建立预测模型至关重要。电站风机作为电站的关键辅机之一，它的正常运行是电站正常工作的重要保障。MSET是一种非参数建模方法，它利用数据之间的耦合关系对模型进行预测。本文选择粗糙集属性约简简化MSET模型的数据集，得到简明的属性集。将MSET与粗糙集相结合对电站风机轴承振动进行预测，便于提早发现风机运行发展趋势，及时处理，减少由于风机突发故障引起的非计划停机或者严重事故，对现场运行具有重要意义。

MSET;粗糙集;电站风机;振动预测

0 引言

随着科技的进步，机械设备不断向大型化、自动化方向发展，其复杂性不断增加，影响因素也越来越多。电站现场的设备多而且长时间不间断运行，它的安全运行影响着火力发电厂的经济效益乃至现场工作人员的安全。监测电站设备的状态、提前故障预警，减少由于设备故障而产生的非计划停机十分必要。故准确建立设备的预测模型对电厂正常、高效运行具有重要意义。

风机属于大型旋转机械。电厂的风机指的是送风机、引风机、一次风机等。风机是火力发电厂重要的辅机设备之一，它在锅炉燃烧的过程中起到相互平衡和通风的作用。它连续地向锅炉内部输送燃烧所需要的空气，同时把烟气排出到锅炉的外边，以保证锅炉的燃烧正常运行[1]。风机工作环境较恶劣，出现的故障率比较高，它的故障有不平衡、不对中、裂纹、热弯曲等[2]。这些故障都直接或间接地以振动形式表现出来[3]，对风机振动进行预测可以为后续的状态监测及故障诊断提供判断依据。故本文采用基于多变量状态估计的建模方法对电站风机轴承振动量进行预测建模。MSET利用设备正常运行的数据进行建模，当预测模型有数据输入时，利用模型数据与输入数据之间的耦合关系实现预测数据地输出。相关文献使用MSET进行模型的建立所使用的参量大多都是根据现场经验，人为选定的。粗糙集利用已有的数据，不需要先验知识，在处理数据过程中不受任何外在因素影响，这样保证了数据处理的结果具有客观性。粗糙集与MSET相结合使得MSET建模数据减少冗余信息，使得模型更加简明，预测计算量的相对准确性，减少人为等外界因素的干扰，建立出来的预测模型更具客观性，学习和模型建立过程更加简单、直观。

1 粗糙集属性约简

粗糙集(Rough Set)理论是Pawlak教授于1982年提出的一种能够定量分析处理不精确、不一致、不完整信息与知识的数学工具[4]。它不需要任何先验知识，只是利用已有的数据，在保持系统分类能力不变的前提下，根据数据之间的依赖关系找出内部分类规则。粗糙集把对象世界抽象为一个信息系统S，用S=(U,A,V,f)来表示。其中，U为对象，A为对象的属性，由条件属性与决策属性组成，并且两者相交等于空集，V是属性值集合，f：U×A→V表示的是论域U中

每一个对象在相应属性上所取的属性值。如表1所示。

表1 单个决策属性的决策表形式Table1 single decision attribute of decision table form

在一般情况下，不同运行工况的数据之间的相关性导致了上式中的矩阵因共线性而不可逆，导致无法计算。为解决这个问题，MSET采用高级模式识别方法来计算矩阵之间的非线性运算符。计算结果表示具有不同量纲的参量进行归一化处理之后的相似程度。计算距离的方法有许多，但是由于欧式距离的物理意义比较直观，当距离为0或近似为0，表示两个向量相同或相似,所以一般常采用欧氏距离代替非线性运算符，其计算公式如下：

2 仿真试验

2.1电站风机监测变量

电站风机中引风机的输送工质是烟气，含有杂质大，温度高，工作环境恶劣，出现故障的频率相对较高，故本文以引风机#1为例研究对其轴承振动进行预测。电站风机现场监测参量为：电动机电流、电机轴承1温度、电机轴承2温度、电机轴承1振动速率、电机轴承2振动速率、定子绕相A/B/C相温度（共6个）、电机轴承1温度（3个）、电机轴承2温度（3个）、推力轴承温度（3个）、轴承水平振动、轴承轴向振动、入口烟气压力、入口烟气温度、润滑油滤网差压、润滑油压力、润滑油供油温度、静叶调节阀位反馈、出口烟气压力、液压油滤网差压、液压油压力、润滑油油箱油位、润滑油油箱温度、出口烟温共计34个特征属性。

2.2监测时间段选取及数据处理

现提取2013年3月～2013年6月共6段正常运行的数据，约每10min取一次，共计1305组观测数据。由于选取属性的量纲、取值段是不同的，它们的值相距较大，在建模时可能引起大数吃小数的现象。数据归一化能够避免输入数值过大时引起的计算困难问题，从而减少计算时间，同时能够保证使用非线性算子正确衡量不同观测向量之间的距离，故对所选取的变量的数值进行归一化处理，使测量结果都映射在[0 1]的区间。归一化公式为：

对轴承振动进行预测后的数值均在[01]之间，为表达更清楚直观，将数据进行反归一化处理，反归一化公式为：

2.3粗糙集属性约简

多元状态估计技术有两个关键点，一个是历史观测向量集合K的生成；另外一个是过程记忆矩阵D的构造。在数据量不大的情况下，二者相差不大。本文直接把历史记忆矩阵K当作记忆矩阵；将风机轴承轴向振动与水平振动分别作为粗糙集决策表的决策属性对整个决策表进行属性约简，如表2、表3所示。根据结果在预测轴向振动时，将引风机电动机电流、电机轴承1温度1、电机轴承2温度2、电机轴承1振动速率、电机轴承2振动速率、定子绕相A相温度1、定子绕相A相温度2、定子绕相B相温度1、定子绕相C相温度2、引风机轴承1温度3、引风机轴承2温度2、引风机推力轴承温度3、引风机轴承水平振动、引风机入口烟温、润滑油压力、引风机静叶调节阀位反馈、引风机出口烟气压力、引风机出口烟温18个条件属性与决策属性引风机轴承轴向振动加入MSET的特征空间。在粗糙集约简后得到的决策表中，可以分析一下选入的条件属性的合理性。引风机电动机电流：控制引风机的启停，只有在引风机运行时对风机振动的探讨才有意义。温度：温度是风机运行的一个重要指标，在温度上面的参量有所减少。这是由于在同一对象上的温度测点有多处，它们之间存在一定的关联性，根据依赖关系减少同一对象的测点数对结果影响不大或者没有影响。振动速率：即单位时间的振动量，与振动量关系紧密。引风机轴承水平振动：轴承振动一般有水平振动与轴向振动，两个振动具有一定的相关性。入口出口烟温：引风机输送的对象就是烟气，烟气的温度与压力是工质的属性，它们对引风机的影响比较大，是研究其的重要因素。润滑油压力：润滑油在风机中起到润滑，密封的作用。油压降低会影响润滑效果；油压较高容易出现跑油现象。出口烟气压力、温度：引风机出口与烟囱连接将烟气排除到大气中，出口压力影响着烟气的排放，锅炉的正常运行；出口烟温的高低决定其中包含的硫酸蒸汽是否出现凝结现象，进而影响出口管道是否被腐蚀。引风机静叶调节阀位反馈:该参量与“抢风”密切相关，可能导致炉膛压力处于不稳定状态。

同理得出风机轴承水平振动预测的特征空间。由此可见：粗糙集约简使得原特征空间维数几乎降低了一半，故能减少计算量，提高效率。

表2 以轴承轴向振动为决策的约简结果Table 2 For bearing axial vibration reduction results of decision-making

表3 以轴承水平振动为决策的约简结果Table3 For bearing horizontal vibration reduction results of decision-making

2.4预测结果

在粗糙集属性约简完成后，在特征空间中选取加入记忆矩阵的数据组。具体要求见MSET理论小节所述。对于记忆矩阵数据地选择有如下解释：论文选取的是4个月的运行数据，记忆矩阵中应包含这4个月运行数据中各个属性的最值。在这种新的解释下选取合适的样本共1155个进行建模，其余的作为测试样本，如图1～图4所示。

图1 轴承轴向振动预测结果Fig.1 Bearing axial vibration prediction results

图2 轴承轴向振动预测误差Fig.2 Bearing axial vibration prediction error

图3 轴承水平振动预测Fig.3 Bearing horizontal vibration prediction

图4 轴承水平振动预测误差Fig.4 Bearing horizontal vibration prediction error

从图1～图4可以看出，利用粗糙-MSET算法对风机轴承振动进行预测，得到的误差很小，可以比较准确地预测出振动量，可以为后续振动状态地分析提供较为可靠的依据。

3 结束语

MSET是根据风机的正常运行参数的数据进行非参数建模，较其他的预测方法来说不需要设置参数，避免了参数设置的主观性与随机性。粗糙集约简MSET的数据空间，使得选择模型参量完全单纯按照数据间的密切程度来选择。仿真试验证明，基于RS-MSET的方法能够准确地预测风机轴承振动量，预测偏差量很小。目前该方法在某电厂得到成功地运用，通过监测设备状态，提前发现设备的异常运行，大大减少了发电机组因设备故障而非计划停机的次数。但是也应该看到MSET是在大量数据的基础上根据参量之间的相似性来进行预测，数据必须具有运行状态的全面性，如何在一定的数据量的基础上完善模型的记忆矩阵是以后努力的方向。

[1]高明．火电厂送风机故障预警系统的研究[D]．北京：华北电力大学,2013．

[2]杨林．通风机振动分析与故障诊断的试验研究[D]．煤炭科学研究总院,2009．

[3]曾周亮．电厂风机状态监测与维修系统研究[D]．武汉：武汉大学,2004．

[4]王国胤,姚一豫,于洪．粗糙集理论与应用研究综述[J]．计算机学报,2009,07：1229-1246．

[5]朱颢东,钟勇．一种无决策属性的信息系统的属性约简算法[J]．小型微型计算机系统,2010,02：360-362．

[6]景运革．基于粗糙集属性算法的研究[M]．成都：西南交通大学出版社,2013．

[7]王丽娜．基于粗糙集的数据挖掘改进的属性约简算法研究[D]．电子科技大学,2012．

[8]Chang,Shuping;Gao,Ming．The Application of Failure Prognostic System in State Monitoring of Power Plant Generation Equipments[C]．World Automation Congress Proceedings,2012．

[9]常澍平,郭江龙,吕玉坤,等．非线性状态估计(NSET)建模方法在故障预警系统中的应用[J]． 软件,2011,07：57-60．

[10]郭鹏,徐明,白楠,等．基于SCADA运行数据的风电机组塔架振动建模与监测[J]．中国电机工程学报,2013,05：128-135+20．

[11]刘鑫沛,翟永杰,张君颖．基于聚类分析和状态估计的制粉系统故障预警[J]．计算机真,2013,08：151-154．

[12]闫顺林,张雪松．火电厂锅炉引风机抢风问题的分析[J]．应用能源技术,2011,02：46-48．

[13]J． Wesley Hines and Alexander Usynin． MEST performance optimization through regularization[J]． Nuclear Engineering and Technology(S1738-5733)．2005,37(2)： 177-184．

[14]W．Yang,P． J． Tavner and M． R． Wilkinson． Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]．IET Renewable Power Generation (S1752-1416),2009,3(1)：1-11．

[15]蔡晓晨,林文慰．引风机出口烟道低温腐蚀分析及措施[J]．电力与能源,2013,05：497-499．

[16]孙文华,何森．静叶调节轴流式引风机抢风问题探讨[J]．热力发电,2009,07：57-59+79．

The Forecast Model on the Power Plant fan Based on RS - MSET

Sun Jianping，Fu Shuangjin
（School of Control and Computer Engineering, North China Electric Power University, Baoding 071003 China）

Technical failure prediction technology is integrated technology based on the data prediction and fault diagnosis technology, meaning that prediction firsts and diagnostics follows, so it is essential to establish an accurate predictive model. As one of the key of power plant’ auxiliaries, it is important for power stations working properly to guarantee the normal operation of turbine. MSET is a non-parametric modeling method, using data coupling relationship to make predictions. Attribute reduction of rough set can be used to simplify data collection, choosing the most appropriate set of attributes, so that the last generation model is more simple and effective. In this paper, MSET space is reduced by rough set, then MSET build predictive models of plant fans and improve operational efficiency.

MSET RS power station fan vibration prediction

TP

A

Doi：10.3969/j.issn.1671-1041.2014.03.003

2014-04-14

孙建平，男，博士，教授，研究方向：仿真与控制、先进控制理论及应用、故障诊断与容错控制等。