基于大数据技术的电厂设备状态评估和预警应用研究

胡杰，唐静，谢仕义，王云

(1.广东海洋大学 数学与计算机学院，广东 湛江 524088；2.北京石油化工学院 信息工程学院，北京 102617；3.远光软件股份有限公司，广东 珠海 519085；4.华电环保系统工程有限公司，北京 100070)

0 引言

随着电力行业体制改革不断深入，技术不断迭代更新，存在设备类型、数据结构多样化，关联参数不明确，正常状态构建不准确，设备故障与参数的复杂性较高等现象，未能及时发现设备故障并提供维护。为了提高电厂生产的实际价值，实时监测设备故障状况对电厂生产的安全性和经济性具有重要意义[1]。

近年来，我国大数据技术取得了卓有成效的发展，即大数据技术成功应用于公共安全、人工智能、工业生产的状态评估和监控等领域[2]。就设备状态诊断和预警领域，基于大数据技术现有的主要研究方法是状态预测法，其典型方法包括：人工神经网络故障预测法、时间序列故障预测法和多元状态估计技术的故障诊断与预警法。人工神经网络故障预测法对复杂系统的计算量较大且实效性差；时间序列故障预测法的预测结果易受干扰因素影响且预测步长难以确定[3]；多元状态估计技术是一种通过测量信号在正常工作范围内的相似性来完成状态估计的先进模式识别技术[4]，能够锁定设备异常信息且时效性好。多元状态估计技术主要是采用设备整体建模方式，挑选设备关键测点的历史数据创建“健康框架”，建立设备模型来对比设备当前处于“健康框架”数据之间的差异反映状态异常信息。构造反映这一差异的统计指标并根据历史正常运行数据和专家经验设定阈值，若超出阈值则报警，以此实现状态评估和健康诊断。

图1 健康状态评估框图

因此，本文使用多元状态估计技术对制粉系统设备状态进行健康诊断。通过滑动窗口残差统计法对观测向量与估计向量之间的残差范围设置偏离阈值，进行设备异常状态的在线预警，从而发现一些人为忽略的故障状态，以便机组运行人员对异常状态做出正确判断，并制定有效的解决方案。参数贡献率的引入，进一步挖掘出参数之间隐藏的异常状态信息，推进设备状态监测的高效性和精准性，同时为后续工业落地奠定基础。

1 多元状态估计技术

多元状态估计技术[5]在电厂设备中利用正常运行状态的历史数据来发掘各参数关系，根据健康状态评估模型估计新状态和实际值间的差异来反应设备状态的异常现象，实现设备状态的健康诊断。从总体模型框架对健康状态评估模型进行概括，进而对每一个环节层层递进。健康状态评估框图如图1所示。

1.1 健康状态评估模型

首先选取经专家研究在设备运行状态良好时各个观测向量所组成的历史训练数据。将依据大数据技术滤除离群点后确定的设备正常运行时间段对应的历史数据抽取出来，组成训练矩阵K。训练矩阵K尽可能地覆盖设备正常运行时各观测向量所有的动态变化情况[6]。假定训练数据中含有k个不同的时间状态X(t)，则训练矩阵K可表示为

K=[X(t1)，X(t2)，X(t3)，…，X(tk)]。

(1)

通过对训练矩阵K中包含的k个设备运行状态进行分析，依据某种科学有效的算法规则提取出的新矩阵，通常用字母D表示。假设健康矩阵D是n×m维，矩阵的每1列均代表1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[7]。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，以xi(tj)表示第i个监测参数在时间点tj处的测量结果，则在某一时刻tj观测到的n个变量记为观测向量

X(tj)=[x1(tj)，x2(tj)，x3(tj)，…，xn(tj)]XT。

(2)

历史健康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。则健康矩阵D可表示为

(3)

从训练矩阵K中提取出健康矩阵D中m个列向量后，用其他剩余的列向量重新组建的矩阵就是剩余训练矩阵L。假定剩余训练矩阵中拥有的列向量数目是l，则关系为K是D与L的并集(k是m与l的并集)。

动态建模：对于某一时刻过程或设备的观测向量Xobs与健康矩阵中存储的运行状态进行比较，并计算出对当前设备状态的估计向量Xest，估计向量为健康矩阵与权值向量W的积，即

Xest=DW=D[w1w2…wm]T。

(4)

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

ε=Xest-Xobs。

(5)

在‖ε‖2最小的约束条件下，求得权值向量

W=(DT⊗D)-1(DT⊗Xobs)，

(6)

式中：⊗为非线性运算符，非线性运算符有多种选择[8]，通常选择欧氏距离运算，即

(7)

将式(6)代入式(4)可得到估计向量

Xest=D(DT⊗D)-1(DT⊗Xobs)。

(8)

剩余训练矩阵L所对应的估计矩阵Lest求解过程与上述的求解原理完全一致，此处不再重复。由于剩余训练矩阵所包含的状态均是健康状态，则假定剩余训练矩阵L的残差矩阵为RL=Lest-L。

当设备处于正常运行状态时，新的观测向量与健康状态评估模型中的某些历史观测向量的距离较近，则估计向量Xest具有很高的精度[9]。当设备工作状态出现故障隐患时，输入新的观测向量与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[6]。因此，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。

1.2 滑动窗口残差统计法

滑动窗口残差统计法能够消除设备运行中的不确定因素和随机干扰，提高检测的可靠性。通过合理选择滑动窗口的宽度，能迅速地反应残差统计特性的连续性变化[10]。通过此方法对估计值和实际值的残差分析，得出残差均值的变化趋势，然后根据工作人员的经验或训练时残差变化趋势定义残差均值的阈值区间，进而判别出设备的异常状况。假设在某段时间内，对健康状态评估模型中某一个参数的残差向量取一个宽度为N的滑动窗口(本文试验N=5)，对窗口内的连续N个残差计算其均值[11]

(9)

确定残差均值的故障偏离阈值EAN。记设备正常运行时健康状态评估模型的残差均值绝对值最大值为EN，则故障预警的偏离阈值

EAN=±k1EN。

(10)

2 贡献率

确定异常状态下参数贡献率

(11)

式中：cnp(i)为第i个参数的贡献率；Xobs(i,j)和Xest(i,j)分别为第i个参数在j时刻的观测向量和估计向量；m表示观测向量(或估计向量)的数量。通过比较各参数的贡献率找到报警发生时对异常状态影响较大的测点，将这些测点判定为异常状态。

3 制粉系统设备状态评估和预警

制粉系统主要由给煤机、磨煤机、风机等设备组成，是锅炉燃烧系统一个重要的组成部分和电厂重要辅助设备系统[12]。制粉系统运行工况复杂，运行时其温度、电流、压力等指标的异常会引发各种故障，直接将影响电厂设备运行的安全性和经济性。为了及时发现设备故障并进行维护，采用制粉系统设备运行状态的实时数据进行基于大数据技术的状态评估和预警试验，实现设备状态的在线监测及健康诊断。

本文研究试验数据来源于某电厂#1机组的制粉系统。已知#1机组制粉系统中的磨煤机在2017-08-01 T 10:16发生故障，经过事后调查发现磨煤机电动机电流存在波动大的异常现象导致机组出现故障。为了验证多元状态估计技术对设备状态评估和预警的有效性，本文从制粉系统中抽取2017-01-01 — 06-30共24 832个运行状态的历史数据构建健康矩阵D，抽取2017-02-01 — 07-31共6 207个正常运行状态的观测向量集作为测试，抽取2017-08-01 T 10:00 — T 11:43共2 064个含有异常状态的观测向量集进行试验验证。各数据点间隔时间为3 s。

3.1 健康矩阵构建

首先选取经专家研究和大数据技术分析的历史数据进行数据清洗，历史数据可能包含了设备非正常运行状态的数据、噪声数据以及设备停运数据，故需对数据进行分析处理，根据数据实际情况做以下处理。

(1)缺失值。缺失数据所占比例很小，可直接删除某时间点下的所有参数数据。

(2)坏点。剔除磨煤机出口CO浓度、原煤斗料位、煤层#1 —#5风管煤粉浓度共计7个参数。

(3)制粉系统的缺陷日期数据。做剔除处理。

(4)电机停机、故障阶段数据。根据有功功率和磨煤机电动机电流测点数据范围剔除停机及故障数据。

(5)异常值。

1)单变量离群值检测[13]：采用箱线图检测并剔除每个参数有异常的时间点，定义单参数序列为X，其箱线图的上下边界计算公式为

Xlower=Q3-k(Q3-Q1)

Xupper=Q3-k(Q3-Q1)，

(12)

式中：Q1为25%分位数；Q3为75%分位数；k为经验系数，这里k取1.5；定义{x|x>Xupper,x∈X}和{x|x

2)相关变量离群值检测：采用关联关系比较法，将每2个参数数据投射到二维空间，相关性系数若严重偏离大部分的数据将被清洗掉。

(6)归一化。为保证模型中非线性运算符能正确衡量不同参数的欧氏距离需要进行数据归一化处理消除参数量纲的不同，使实际值映射到[0,1]区间内。

通过聚类分析构造健康状态评估模型。采用k-means聚类分析法从归一化后的历史正常数据集中选取典型的状态向量构成健康矩阵D，结合误差平方和(SSE)指标来决定簇数k。k-means算法是一种常见的聚类方式，也是目前为止学界和业界应用最为广泛的一种聚类方法[14]。该算法具体是对数据集中每一个点选择欧几里得距离计算其与每一个质心的距离，根据距离范围划分质心所属集合，对划分好的k个集合重新计算每个集合的质心来作为典型状态向量进行健康矩阵D的构建和训练[15]。本试验取k=125。在进行状态估计之前选取代表制粉系统的12个关键参数组成的观测向量Xobs进行建模。关键参数见表1。

表1 关键参数

根据以上观测向量进行健康矩阵构建，得出健康矩阵

D12×125=

3.2 状态评估及预警

基于大数据技术利用健康矩阵学习和训练健康状态评估模型求出各参数的健康残差阈值进行状态评估。利用滑动窗口残差统计法根据残差变化趋势确定预警阈值。参数正常残差区间及预警阈值见表2。

表2 参数正常残差区间及预警阈值

利用正常运行状态的观测向量和估计结果可以检验健康状态评估模型建模的精度和对状态评估及预警的有效性。磨煤机分离器风粉混合物温度、磨煤机电动机电流、总燃料量、总给水流量参数的观测向量与偏差如图2—5所示，虚线为偏差预警阈值。由表2和图2可知参数残差均较小，证明健康状态评估模型具有很高的精度。磨煤机电动机电流在[320 A,340 A](2017-08-01 T 10:16 — 10:17)时段残差有明显增大趋势且超过偏差预警线，表明有故障发生，其他参数估计偏差都未超过预警值，即处于正常状态，则根据参数的估计偏差变化可以捕捉到制粉系统设备故障发展过程，即实时跟踪制粉系统设备状态。试验证明，多元状态估计技术在进行电厂设备状态预测上具有较好效果，能够实际追踪设备使用过程中故障发生状况，发现一些人为容易忽略的故障状态。不仅为设备状态评价、故障诊断和预测提供科学的实践方法，还为状态检修辅助决策提供可靠的理论依据。

图2 磨煤机分离器风粉混合物温度参数观测向量与偏差

图3 磨煤机电动机电流参数观测向量与偏差

图4 总燃料量参数观测向量与偏差

图5 总给水流量参数观测向量与偏差

为了进一步挖掘引起异常因素的强弱程度，以及异常在制粉系统设备的分布情况，通过比较各参数的贡献率可以找到报警发生时对异常状态影响较大的参数，将这些参数判定为异常参数，来进行故障类型的定位和识别。上述异常时刻下参数贡献率柱状图如图6所示，可以看出磨煤机电动机电流和磨煤机分离器风粉混合物温度对异常贡献率很大，总给水流量和有功功率的异常贡献率次之，其他的异常贡献率相对较低，对于贡献率低的参数在选择模型参数时可以结合工业情况进行不必要的筛选。对于贡献率较高的2个参数需要作进一步的状态和偏差分析来确定是哪一个引起异常状态。重点对比图2—5中a和b的状态和估计偏差图，发现磨煤机分离器风粉混合物温度值都在[75 ℃,76 ℃]内波动，波动范围不大，但总体偏离程度较大且未超过预警值，即属于正常状态。磨煤机电动机电流值大部分在[50 A,60 A]内波动，但在发出警报时段的值突变到100 A左右(正常区间是[30 A,70 A])，偏离程度在[320 A，340 A]时段超出预警阈值范围，即属于异常状态，则判定导致异常发生的是磨煤机电动机电流参数。从整体的异常参数贡献率强弱程度可以看出磨煤机分离器风粉混合物温度参数与磨煤机电动机电流参数的联动性较强，可能是促进磨煤机电动机电流过大的隐藏原因，则这2个参数需要重点监测。试验证明，该方法为工作人员提供了重点设备状态监测对象和设备状态检修指导，减少不必要建模参数的冗余程度，提高模型预测准确性，进而实现实时监控设备运行状况并及时、准确的发出故障预警信号；同时，为电厂构建评分模型提供重要的参考指标和制定合理的评判准则。

图6 参数贡献率柱状图

4 结束语

大数据时代的到来，为实现电厂设备的智能故障诊断注入了新的思考方法。从基于大数据技术的健康状态评估模型角度揭示了电厂设备状态、设备运行和工作环境参量之间的关联关系和内在变化规律，及时捕捉设备故障征兆信息，追溯故障发展过程，预测故障发生时段，从而及时发现、快速诊断和消除故障隐患，保障电厂设备运行安全。

多元状态估计技术对于设备状态的实时监测具有一定的精准性。利用大数据分析技术结合专家经验得到涵盖所有正常状态的历史数据集进行学习和训练健康状态评估模型，通过该模型计算变量的残差向量进而监视其大小来诊断设备故障状况，同时利用偏差阈值对各参数的偏差进行设备状态监测分析，进而挖掘出参数的异常状态，实现设备状态评估与健康诊断。引入异常参数贡献率，通过分析其强弱程度进一步推进健康状态评估模型的设备状态评估力度。试验结果证明，这种方法对实际工况具有一定的实用价值。在此基础上，继续研究面向设备的概率图模型与深度学习相结合方法，实现故障诊断和健康管理系统在工业现场的应用。