基于多元状态估计和偏离度的电厂风机故障预警

刘　涛，　刘吉臻，　吕　游，　崔　超

(华北电力大学 控制与计算机工程学院，北京 102206)



基于多元状态估计和偏离度的电厂风机故障预警

刘涛，刘吉臻，吕游，崔超

(华北电力大学 控制与计算机工程学院，北京 102206)

摘要：为了解决风机故障预警问题，提出一种基于多元状态估计技术(MSET)和偏离度的方法.利用MSET建立风机正常运行状态下的非参数模型，对观测向量进行最优估计并得到估计向量，观测向量与估计向量之间的差异可以反映风机工作是否异常.引入偏离度定量衡量观测向量与估计向量之间的偏离程度，有利于捕捉故障发展过程，然后利用滑动窗口法确定故障预警阈值.当平均偏离度超过预警阈值时，发出报警信息提醒运行人员处理.以长春某热电厂引风机的某次故障为例进行应用研究.结果表明：该方法可以及时发现风机异常，实现风机实时故障预警.

关键词：电厂风机； 多元状态估计； 故障预警； 滑动窗口法

风机是电厂重要的辅机设备，其运行状态直接影响电力生产的经济性和安全性.风机一旦出现故障就会造成机组负荷降低或者非计划停机，减少机组发电量，同时增加电厂维修费用，更严重的是会引发潜在安全事故.风机特别是引风机的现场运行环境恶劣，故障率较高，这给电厂造成巨大的经济损失.风机故障预警利用各种手段和技术对风机设备运行状态进行监测和分析，尽早发现设备故障早期征兆，赢取时间采取正确措施以降低故障损失或避免故障发生，这对电厂的经济效益和安全生产具有重要意义.

目前的研究成果主要集中在风机故障诊断方面，而对风机故障预警的研究较少.由于这类设备本身构造复杂，故障类型繁多，更重要的是故障与征兆之间的关系未知，而且设备运行过程会受到许多不确定因素和随机干扰的影响，实现准确故障预警是一大难点.多元状态估计技术(MSET)的出现为风机故障预警提供了一种方法[1]，MSET实质上是一种先进模式识别方法，通过涵盖正常运行状态的数据进行相似性建模，与传统的神经网络方法相比，MSET具有建模过程简单和物理意义明确等优点，可以满足工业现场实时性要求[2-3].

1引风机结构及监测参数

研究对象为长春某热电厂的引风机，该电厂1号锅炉配有2台静叶可调轴流式引风机，由上海鼓风机厂有限公司引进德国TLT公司技术设计制造的G158/265型静叶可调轴流式引风机.引风机由进气箱、集风器、可调前导叶、叶轮、后导叶和扩压器组成，结构如图1所示.气体通过进气箱、进口调节装置后以与前导叶对应的气流角进入叶轮，在叶轮中获取克服管网阻力所需的能量.在静叶可调轴流式引风机中，气体介质在叶轮中实现总压的升高，主要是动压的升高，而动压转换为静压则在后导叶环和扩压器中实现.

图1　引风机结构示意图

当前火电厂通过厂级监控信息系统(SIS)实现引风机状态监测，监测参量以振动参数为主，同时涵盖温度、压力、流量、电压和电流等状态参数，这些参数变化包含故障信息，能反映风机设备运行状态.引风机的监测参数分布情况如图2所示，参数说明见表1.

图2　引风机测点分布

参数含义p1/Pa入口压力t1/℃电机后轴承温度I/A电机电流P/kW电机功率t2/℃电机定子绕组温度(6个)t3/℃电机前轴承温度l1/mm腰侧轴承垂直振动幅值l2/mm腰侧轴承水平振动幅值t4/℃腰侧轴承温度(3个)t5/℃端侧轴承温度(3个)l3/mm端侧轴承垂直振动幅值l4/mm端侧轴承水平振动幅值p2/Pa出口压力

SIS系统每10 min记录一次引风机的参数，每条记录内容包括时间标签、电机电流、电机功率、入口压力、出口压力和电机定子绕组温度等共计22个参数，其中为保证测量参数的可靠性，电机定子绕组温度设置6个测点，引风机腰侧、端侧轴承温度各设置3个测点.同时SIS系统还保存引风机的运行状态信息，对引风机启动、停机事件进行记录，每条记录内容包括时间标签、引风机编号、运行状态和事件说明，如在2014-04-12 T 5:20，1号锅炉A引风机发生停机，原因是由于引风机端侧轴承振动幅值超限.在该引风机的运行规程中规定相关参数保护设置：电机轴承温度超过90 ℃，延时2 s跳风机；电机定子绕组温度超过120 ℃，延时2 s跳风机；腰侧和端侧轴承温度超过105 ℃，延时2 s跳风机；轴承振动速度超过11 mm/s，延时5 s跳风机.这些保护设置可以在故障发生时切除风机，避免故障程度进一步扩大，但是这些属于事后保护，无法实现早期故障预警.

2多元状态估计技术

MSET最早是由美国阿尔贡国立实验室(Argonne National Laboratory)旨在检测核电厂中传感器、设备以及运行参数的初始劣化点而开发的一种非参数建模方法[4-5].目前，MSET在核电站传感器校验[6]、工业设备状态监测[7-8]、电子产品寿命预测[9]和计算机软件老化现象诊断[10]等领域获得成功应用.MSET是一种利用正常运行状态下监测参数之间的相似性来实现状态估计的先进模式识别技术，其本质是利用对象正常运行状态的历史数据，充分挖掘关于各参数之间关系的知识，对于每个新状态，依据所获得的知识估计对象的真实状态.

利用从正常运行状态中得到的历史数据构成矩阵，记为历史记忆矩阵D，这是MSET的第一步.矩阵的每一列均代表一个观测状态，则这个矩阵的列数m代表m个状态，行数n代表每次观测的n个变量.假设某一过程或设备的监测变量中共有n个相互关联的变量，将在某一时刻tj观测到的此n个变量记为观测向量：

(1)

其中，xi(tj)为测点i在tj时刻的测量值，则历史记忆矩阵D可表示为

(2)

历史记忆矩阵D是MSET估计的基础，也称为MSET的系统模型.历史记忆矩阵中的每一列观测向量代表设备的一个正常运行状态，经过合理选择的历史记忆矩阵中的m个历史观测向量所形成的子空间能够代表过程或设备正常运行的整个动态过程.因此，历史记忆矩阵的构造实质就是对过程或设备正常运行特性的学习和记忆.

然后采用MSET进行动态建模，对于某一时刻过程或设备的观测向量Xobs，MSET将此状态与历史记忆矩阵中存储的运行状态进行比较，并计算出对当前系统状态的估计向量Xest，估计向量为历史记忆矩阵与权值向量W的积，即

(3)

MSET的估计向量为历史记忆矩阵中m个历史观测向量的线性组合.权值向量W代表此状态与历史记忆矩阵中状态的一种相似性测度，权值向量可通过最小化残差向量ε来获得.观测向量Xobs和估计向量Xest之间的残差为

(4)

在‖ε‖2最小的约束条件下，求得权值向量W：

(5)

式中：⊗为非线性运算符，可代替普通矩阵乘积运算，以解决数据相关产生的共线性问题，回避对DT⊗D不可逆的约束，从而扩大式(5)的适用范围.

非线性运算符有多种选择[11]，笔者选择欧氏距离运算，即

(6)

式中：xi和yi为变量.

该非线性运算符的物理意义明确，通过空间距离反映2个数据向量之间的相似程度，式(5)表明观测向量与历史记忆矩阵中的向量相似程度越大，那么该向量所对应的权值越大，反之越小.将式(5)代入式(3)可得到估计向量.

(7)

当设备处于正常运行状态时，MSET的输入观测向量位于历史记忆矩阵所代表的正常工作空间内，与D矩阵中的某些历史观测向量的距离较近，相应MSET的估计向量Xest具有很高的精度.当设备工作状态发生变化、出现故障隐患时，由于设备动态特性改变，输入观测向量将偏离正常工作空间，通过D矩阵中历史观测向量的组合无法构造其对应的估计值，导致估计精度下降，观测值与估计值之间的残差增大.因此，观测值与估计值之间的残差大小可以反映设备异常状态，即观测向量和估计向量之间的差异隐含故障信息.

3偏离度及预警阈值

综上所述,MSET可以建立设备正常运行状态的非参数模型，而且观测向量与估计向量之间的差异隐含故障信息.然而如何定量衡量观测向量与估计向量之间的偏离程度是一大难题，除此之外，设定合理的预警阈值也很关键，以上2个问题是利用MSET实现故障预警的难点.采用与观测向量和估计向量有关的偏离度函数和利用滑动窗口法可以有效解决上述问题.

3.1偏离度

MSET的观测值与估计值之间的残差可以反映设备异常或故障，通常直接将某变量的观测值与其估计值之间的残差作为故障判断指标.对于风机而言，一般选择轴承振动变量[12]，虽然轴承振动包含了大部分的故障信息，但是有些故障不表现出振动征兆，如风机润滑油系统故障会造成轴承温度异常升高，但是轴承振动保持正常，显然仅通过某变量残差进行故障预警会遗漏重要的异常信息.因此，考虑利用观测向量与估计向量的偏离程度来实现故障预警，这样可以充分挖掘观测向量中各变量的异常信息.

欧氏距离是衡量2个向量之间偏离程度最常用的方法，在此基础上定义偏离度函数为

(8)

偏离度越大说明向量X和Y的偏离程度越大，而偏离度越小则说明向量X和Y的偏离程度越小.偏离度恒大于或等于0，当偏离度等于0时，向量X和Y相等.

3.2预警阈值

利用滑动窗口法消除风机运行中的不确定因素和随机干扰(如传感器的测量误差等)，提高故障预警的可靠性.通过选择合理的滑动窗口宽度，能及时、迅速地捕捉偏离度统计特性的连续变化，消除随机因素的影响，提高设备状态监测的可靠性，降低误报警的几率.当风机运行异常时，这些状态模型可及时检测出风机状态的轻微异常变化，从而实现故障预警.

假设在某段时间内，基于MSET的估计偏离度序列共n个：

(9)

对该序列取一个宽度为N的滑动窗口，如图3所示.计算窗口内连续N个偏离度的平均值为

(10)

图3　滑动窗口法

根据偏离度平均值确定故障预警阈值EAN.记风机正常运行时MSET模型的平均偏离度最大值为EN，则风机故障的预警阈值为

(11)

式中：k为预警阈值系数，由现场运行人员根据运行经验确定，一般大于1.2.

4基于MSET的风机故障预警

在电厂风机实际运行过程中，由于部件存在磨损、老化和疲劳，随着时间推移，风机运行状态逐渐变差，故障也会慢慢形成.故障早期征兆隐藏在风机监测参数动态变化中，然而传统的设置预警阈值方法不能及时发现这一征兆.利用MSET能检测设备状态初始劣化点的特点，可以捕获故障动态发展过程，实现风机故障预警.

4.1相关变量选取

结合风机常见故障进行分析，选择那些与故障明显相关的变量.通过电机电流控制风机启停，电机功率表征风机工作状态，只有在风机运行情况下讨论故障预警才有意义.电机前、后轴承温度是反映电机故障的重要参数，一旦异常超温电机就可能出现故障，进而导致风机故障.轴承水平和垂直振动幅值是风机运行的重要参数，振动信号能反映大部分故障信息.端侧、腰侧轴承温度也是风机运行的重要参数，温度信号中包含了某些机械故障信息.引风机入口压力直接影响炉膛负压，反映了引风机的工作效果.

因此，从表1中选择如下15个变量组成观测向量：电机电流、电机功率、电机前轴承温度、电机后轴承温度、腰侧轴承水平和垂直振动幅值、端侧轴承水平和垂直振动幅值、腰侧轴承温度(3个)、端侧轴承温度(3个)和入口压力.

4.2数据预处理

由于MSET模型所选择的15个变量的量纲各不同，且不同变量数据绝对值相差很大，为保证非线性运算符能正确衡量不同观测向量之间的欧氏距离，需要对15个变量的观测值根据各自的分布情况进行数据预处理.随着时间的推移，风机正常运行状态下各变量的变化范围是动态变化的，因此直接采用归一化存在不足，而标准化可避免确定各变量的极大值和极小值，并且可以降低离群点的影响.采用标准化处理原始数据，假设观测向量中变量x的均值为μ，标准差为σ，那么标准化公式为

(12)

式中：xzscore为变量x的标准化值.

理论上故障状态下的变量值会明显不同于正常运行状态下的变量值，那么各变量在不同状态下的分布也会不同.因此，为了尽可能保存故障信息，需先对构成历史记忆矩阵的历史数据进行标准化，然后根据所得的分布参数对观测向量进行标准化.

4.3历史记忆矩阵构建

历史记忆矩阵的构建是MSET建模中关键的一步，直接影响建模效果.理论上最理想的是选取所有正常运行状态历史数据构成D矩阵，这样能够涵盖风机所有正常运行状态.但在实际中,正常运行状态历史数据量很大，D矩阵规模过大会导致计算量巨大，一方面对计算机性能要求高，通用计算机无法处理；另一方面计算耗时太长，无法满足工业实时性要求.因此，需要从正常运行状态历史数据中优化选取典型的状态向量构成D矩阵，在保证D矩阵涵盖风机正常运行状态空间的前提下，尽量减小矩阵规模.优化选取有2种思路:一种是去除冗余或相近的状态向量；另一种是对总体进行抽样，选取典型状态向量.前者可通过聚类方法实现，后者可通过等间隔抽样方法实现.相对而言，等间隔抽样方法容易实现，考虑到电机功率可以直接表征风机工作状态，以该变量为指标进行等间隔抽样，流程如图4所示.

图4　等间隔抽样方法的流程

当正常运行状态历史数据很多时，需要按照上述方法优化选取、构成历史记忆矩阵;而当正常运行状态历史数据不多时，可以直接全部选取、构成历史记忆矩阵.

4.4仿真实现

图5　观测向量集的偏离度

利用正常运行状态历史数据和估计结果可检验MSET建模精度，由于篇幅有限，这里仅列举腰侧轴承温度、端侧轴承温度、端侧轴承水平振动幅值和端侧轴承垂直振动幅值的估计结果，如图6～图9所示.从图6可以看出，腰侧轴承温度正常运行状态下的估计残差小于0.2 K，相对残差小于0.4%.从图7可以看出，端侧轴承温度正常运行状态下的估计残差小于0.5 K，相对残差小于1.5%.从图8可以看出，端侧轴承水平振动幅值正常运行状态下的估计残差小于0.02 mm，相对残差小于1.5%.从图9可以看出，端侧轴承垂直振动幅值正常运行状态下的估计残差小于0.007 mm，相对残差小于0.01%.上述结果表明，各变量的估计残差和相对残差均较小，从而证明MSET模型具有很高的精度.

图6　腰侧轴承温度的估计结果和残差Fig.6　Estimation result and residual of the middle bearing temperature

图7　端侧轴承温度的估计结果和残差

图8　端侧轴承水平振动幅值的估计结果和残差

Fig.8Estimation result and residual of the side bearing horizontal vibration

图9　端侧轴承垂直振动幅值的估计结果和残差

Fig.9Estimation result and residual of the side bearing vertical vibration

对比以上4个变量的估计残差,腰侧轴承温度和端侧轴承水平振动幅值的估计残差从第100点起出现明显增大趋势，而且故障状态下的估计残差明显大于正常运行状态下的估计残差;但是端侧轴承温度和端侧轴承垂直振动幅值的估计残差从第100点起无明显增大趋势，而且故障状态下的估计残差也小于正常运行状态下的估计残差.这说明腰侧轴承温度和端侧轴承水平振动幅值的估计残差变化捕捉到了风机故障发展过程，而端侧轴承温度和端侧垂直振动幅值的估计残差变化却没有捕捉到风机故障发展过程，依靠单一变量实现风机故障预警不可靠.

进一步对比偏离度和以上4个变量的估计残差，与4个变量的估计残差相比，故障状态下的偏离度增大趋势明显且波动性小，正常运行状态下的偏离度相对较小.由此可见，偏离度动态变化曲线能更早、更好地反映故障发展过程，有利于实现故障预警.

选择滑动窗口宽度为10，平均偏离度曲线如图10所示.从图10可以看出，正常运行状态下平均偏离度最大值EN=0.221 4，k的取值为1.4，那么故障预警阈值为

EAN=kEN=1.4×0.221 4=0.310 0

图10　平均偏离度曲线

5结论

在分析风机结构和监测参数的基础上，利用MSET建立风机正常运行状态下的非参数模型，然后定义了观测向量与估计向量之间的偏离度，再通过滑动窗口法确定预警阈值，如果偏离度超过先前定义的预警阈值，就发出故障报警信息.最后，在长春某热电厂的引风机上应用该方法，证明MSET模型具有很高的精度，同时证明该方法能够实现实时故障预警.

参考文献：

[1]孙建平，高明．改进“峰”方法的多元状态估计技术用于电站风机状态监测[J]．华北电力大学学报(自然科学版)，2013，40(3)：91-94，112．

SUN Jianping, GAO Ming. Condition monitoring of fan in power plant using multivariate state estimation technique of modified mountain method[J]. Journal of North China Electric Power University(Natural Science Edition), 2013, 40(3):91-94, 112.

[2]郭鹏，徐明，白楠．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，2013，33(5)：128-135．

GUO Peng, XU Ming, BAI Nan. Wind turbine tower vibration modeling and monitoring driven by SCADA data[J]. Proceedings of the CSEE, 2013, 33(5):128-135.

[3]姚良，李艾华，孙红辉，等．基于MSET和SPRT的内燃机气阀机构振动监测[J]．振动工程学报，2009，22(2)：150-155．

YAO Liang, LI Aihua, SUN Honghui,etal. Vibration monitoring for valve drain of internal combustion engine based on MSET and SPRT[J]. Journal of Vibration Engineering, 2009, 22(2):150-155.

[4]SINGER R M, GROSS K C, HERZOG J P,etal. Model-based nuclear power plant monitoring and fault detection: theoretical foundations[C]//9th International Conference on Intelligent Systems Applications to Power Systems. Seoul, Korea: Argonne National Lab, 1997.

[5]GROSS K C, SINGER R M, WEGERICH S W,etal. Application of a model-based fault detection system to nuclear plant signals[C]//9th International Conference on Intelligent Systems Applications to Power System. Seoul, Korea: Argonne National Lab, 1997.

[6]HERZOG J P, WEGERICH S W, GROSS K C. MSET modeling of crystal river-3 Venturi flow meters[C]//6th International Conference on Nuclear Engineering. USA: ASME, 1998.

[7]郭鹏，DAVID Infield，杨锡运．风电机组齿轮箱温度趋势状态监测及分析方法[J]．中国电机工程学报，2011，31(32)：129-136．

GUO Peng, DAVID Infield, YANG Xiyun. Wind turbine gearbox condition monitoring using temperature trend analysis[J]. Proceedings of the CSEE, 2011, 31(32):129-136.

[8]WEGERICH S W. Similarity based modeling of time synchronous averaged vibration signals for machinery health monitoring[C]//Aerospace Conference 2004. Montana, USA: IEEE, 2004.

[9]CHENG S F, PECHT M G. Multivariate state estimation technique for remaining useful life prediction of electronic products[C]//Proceedings of AAAI Fall Symp Artif Intell Prognostics. Arlington, USA: [s.n.], 2007: 26-32.

[10]CASSIDY K J, GROSS K C, MALEKPOUR A. Advanced pattern recognition for detection of complex software aging phenomena in online transaction processing servers[C]//Dependable Systems and Networks 2002. Washington D C, USA: IEEE, 2002.

[11]BLACK C L, UHRIG R E, HINES J W. System modeling and instrument calibration verification with a nonlinear state estimate technique[C]//Maintenance and Reliable Conference 1998. Knoxville, USA: University of Tennessee, 1998.

[12]许小刚，王松岭，刘锦廉，等．基于小波包能量分析及改进支持向量机的风机机械故障诊断[J]．动力工程学报，2013，33(8)：606-612．

XU Xiaogang, WANG Songling, LIU Jinlian,etal. Mechanical fault diagnosis of fan based on wavelet packet energy analysis and improved support vector machine[J]. Journal of Chinese Society of Power Engineering, 2013, 33(8):606-612.

Early Fault Warning of Power Plant Fans Based on MSET and the Deviation Degree

LIUTao,LIUJizhen,LÜYou,CUIChao

(School of Control and Computer Engineering, North China Electric Power University,Beijing 102206, China)

Abstract：To realize early fault warning of power plant fans, a method was proposed based on multivariate state estimation technique (MSET) and the deviation degree. Using MSET, a non-parametric model of the fan was constructed under normal operation conditions, based on which observed vectors were optimally evaluated to obtain the estimated vectors, and the difference between estimated and observed vectors is able to reflect the incipient failure. A deviation degree was introduced to quantify the difference between estimated and observed vectors, so as to capture the fault development process, and to send out early warning for relevant operators to deal with the trouble, when the average deviation has exceeded the predefined threshold set by sliding window method. The method was applied to detect the fault of an induced fan in a power plant in Changchun. Application results show that the method can help to discover abnormal status of fans promptly, and achieve the purpose of online early fault warning of fans.

Key words：power plant fan; multivariate state estimation technique; early fault warning; sliding window method

收稿日期：2015-06-03

修订日期：2015-09-18

基金项目：国家重点基础研究发展计划(973计划)资助项目(2012CB215203)；国家自然科学基金重点资助项目(51036002)

作者简介：刘涛(1990-)，男，湖北广水人，硕士研究生，研究方向为火电厂设备故障诊断与预警.电话(Tel．)：18901070798；

文章编号：1674-7607(2016)06-0454-07中图分类号：TS737+.1

文献标志码：A学科分类号：470.30

E-mail：ltncepu@gmail.com.