智能诊断大数据系统在联合循环机组中应用的探究

上海申能崇明发电有限公司 方 鹏

在联合循环机组发电站中，燃机、汽轮机、发电机组作为核心设备，其结构复杂、造价昂贵，自动化程度也较高，在实际运行中可能会出现各种各样的事故。在进入混合输电时代后电网结构变得越来越复杂，为妥善解决环境与资源的问题，增加电网发电的灵活性，不可避免增加了诸多影响因素引起的故障概率，同时难免增加发电侧的运营成本。所以为保障机组的安全稳定运行就要把握好设备的实际运行状态，分析机组数据提高运行效能，从而增强发电企业的盈利能力。

1 发电设备智能诊断大数据基本分析

大数据的基础分析。所谓大数据，主要是针对传统数据库之中的存储、计算能力、管理等方面数据的一种集合。传统数据与大数据的特点具体见表1。

表1 大数据特点

技术路线。在进行智能分析诊断中，有效的检测手段与分析诊断技术是发电设备诊断的主要技术路线，以此来掌握设备和系统的实际运行状态，确保设备和系统的安全性、高效性和可靠性，从而满足电力系统的负荷变化要求。

2 联合循环发电机组智能诊断数据分析

2.1 结构分析

通过合理的分析系统论的基本观点，复杂系统的特征主要在于层次性、关联性以及整体性。发电机组作为热能转化为电能的设备，还需要在实施智能诊断中能够针对实际的运行状态加以分析，按照不同的结构，就可以进行对应的划分，这样才能够做好其对应的功能划分，能够明确其从属关系，就可以建立对应的机组设备树：燃机及其附属设备（进气模块、燃料模块、压气机模块、燃烧器、排气系统），气容机及支撑系统（高中压缸、低压缸、3S离合器、汽机辅机系统）。

2.2 需求分析

联合循环发电机组在实际的运行环节还需合理制定智能诊断方面，也需要明确其对应的维护方案，这要求现场人员能开展经验化的处理，而这一部分的落实就需监测系统信息来提供对应的支持。因此，在系统内部要做好各种运行信息的实时接收，全面揭示机组的运行状态、维护方案、故障事件等，以实现对机组设备状态监测与维护业务进行合理有效的处理。基于系统功能和实际的人员需求为主要依据，其具体的需求如下：

描述基本信息。这一部分能为机组的问题描述可满足信息支撑的提供。基于其实际的状态监测、故障诊断的合理有效分析，并配合上制定多维度的措施，都需将机组设备作为基本的出发点，通过明确的方法、对象和目的，实现机组的状态监测与维护处理[1]；运行数据的实时监控。这一部分主要是基于观测对象和研究目的，全面描述与展示各个功能部件的实际运行状态，如一次数据、必要的图形影像、关键中间变量；故障特征提取。基于监测数据之中提出对应的设备隐患信息，可成为系统运行状态分析和原始数据分析的桥梁。通过对于机组状态清晰准确的描述，能深度挖掘机组运行的实际数据，提取其对应的故障特征，以此做好智能诊断推理工作。

机组智能诊断。这一部分属于系统的核心。基于功能来进行分析，最终的切入口就是诊断的实际结果。基于数据流转的角度来加以分析，这样就可明确故障结果的准确性和全面性，就可为维护决策的制定提供基础条件；机组设备维护。基于确定性故障，还需做好对应的维护处理并能保障机组的高效运行，才是根本。基于上述的需求，针对联合循环发电机组的智能诊断大数据系统，其主要功能模块有：系统配置、实时监测、启停记录、知识库管理、故障诊断、设备维护、机组报表等。

3 联合循环机组智能诊断大数据系统的设计与应用

3.1 系统总体设计

系统设计目标。对于发电机组还需了解其实际运行情况，基于完善奠定的故障模式信息，从而建立多信息维度的指标体系，基于整体角度逐级实现层次化的机组运行状态分析，之后完整的描述其对应的运行状态；做好对机组故障情况的准确辨别，将故障带来的影响、发生的部位与实际程度等相关的内容加以明确，这样就可让维护方案与运行调节措施变得更加合理[2]。

系统整体架构。基于B/S 构架模式的研发选择Windows 系统，数据库利用MySQL、数据采集与分析选择Python 语言。

3.2 系统功能设计与应用

3.2.1 数据采集功能

在系统分析中数据采集是第一环节，基于数据采集驱动程序就可将实际的机组运行数据明确。另外，为让结果的准确性得到保障，还需考虑到异常点的提出、数据滤波的采集、去噪等方面。基于发电机组的典型故障分析，要采集其机组的振动信号、温度信号以及其余信号。过程类的信号则是基于OPC 协议从现场的SIS 和DCS 中获取[3]。

图1 数据采集工作流转

3.2.2 数据分析功能

针对数据分析模块，是数据源来实现对应的数据抽取，基于模型库了解其对应的分析模型并直接提出对应的故障特征信息，然后将其存放到指定的指标表之中（图2）。其对应的特征提取功能如下：建立相应的数据环形队列，这样就可以在队列之中直接寻访一段时间内的原始数据，这主要是因为：基于工况的合理分析，如，在对应的启停机中，就需要将原本的数据直接进行压缩，将其形成文件，从而在数据库中加以存储。在趋势特征的实际提取的环节还需考虑到数据缓存的情况，识别参数的变化趋势；在恰当的工作环境以及拥有良好机能的数据服务器中开展机组数据的提取工作，并直接将数据传送到数据分析服务器中，以此来实现数据分析模型的调用，提取到各种特征指标；针对特征提取结果，利用人机交互功能来加以展示，在诊断功能得以触发的同时也能实现故障特征相对应的调取，从而满足设备的智能诊断要求[4]。

图2 特征指标提取工作流转

3.2.3 故障预警与诊断功能

在机组故障诊断中，其设备故障的定位与诊断主要是依靠历史数据、推理诊断模型、故障征兆以及知识库。触发任务。按照实际需求，触发主要包含了人工启动、参数预警、人为设定；故障预警。针对发电机组，逐层分析其整机、子系统与部件，从而初步判定故障发生的位置，从而做好预警；故障诊断。如果设备参数超出了限额，则需将历史故障特征作为输入，通过诊断模型来推理故障模式。在完成后需查询其故障原因和处理措施，从而明确出现故障的主要原因，给出对应的建议；形成诊断报告提供给对应的运行维护人员，并将诊断结果直接存放在知识库之中。

图3 故障诊断工作流转

图4 健康管理工作流转

3.2.4 健康维护功能

系统无论是监测发电机组的运行状态还是诊断故障情况，都是为了对于运行状态进行综合评价，针对已发生的故障提出科学合理的决策，以此来降低机组的故障率，并尽量减少运行维护的开销，以此来提升火电厂的经济效益。

针对健康维护功能模块，还要兼顾可靠性、安全性与经济性，合理评价其实际的健康状态。当机组出现故障或是整体的健康度较差时，就需合理制定维修策略，提供必要的技术支持。具体的功能包括：评价机组健康。以数据库的设备可靠性指标与监测参数为基础，再与实际的健康状态评价模式相互结合，进行全面的评价，描述机组实际的健康状态，并基于不同的结果给出对应的态度；制定维修决策。如果机组的运行状态较差应启动维修的决策功能，将故障知识作为基本的指导，明确具体的维修方法、维修顺序[5]。