基于巡检机器人的电厂设备运行状态自动识别研究

麻建中，王林刚，胡凯波

(浙江浙能兰溪发电有限责任公司，浙江,金华 321100)

0 引言

近几年，全球电力产业迅猛发展，电力运行成本不断增长，维护起来越发困难，其原因是电力机组的单机容量在扩增，电厂位置也向偏僻的陆地、海洋等地区迁移[1]。目前我国各个行业的自动化程度不断增强，随之而来就是需要对机械设备的运行状况进行监管与故障判断，并提升这一过程的智能化程度。针对部分较为繁琐的电厂设备，通常情况下需要以故障形成理论、因素以及成因作为设备运行状态监测基础。由于机械设备表面故障现象与形成原因很模糊，给设备的运行状态识别工作带来了很大困扰[2]。当下的线上识别及诊断系统中的数据呈现海量化，其中最为宝贵的资源是专家知识和实际案例数据。所以，对这一资源中的知识规则进行开发，并利用相关技术对知识库进行完善，进而提升智能识别能力，这是设备运行状况识别中最应该研讨的课题之一[3]。谭欣等[4]主要以在线识别三相电机运行的状况作为研究目的，引入了电信号融合理论，并且使用主分量融合算法，提取三相电信号所反映出来的电机运行状况特征量，在线辨识出电机运行下工作状况和故障，并以Lab VIEW为基础开发了电机运行状况的在线识别系统，以此实现电机工程状况的在线监测与故障判断。通过实验证明了此项技术具有稳定、快速、实用的特点，给电机运行状态的在线识别技术提供了新的理论支持和技术指导。王宇等[5]以时变转移概率为基础，针对设备运行中状态的识别及故障预测的难题，引入了隐半Markov模型，在Markov状态转移概率矩阵的估算过程中以设备历史运行信息作为主要样本数据，使Markov矩阵更有时变性，令整个电力系统可以自动更新历史信息，以期更好地适应设备运行的程序，并利用设备剩余预测方法对设备的运行状态进行预测，得到最终的设备运行状态识别结果。实验结果表明,相比传统隐半Markov模型，这一新方法更为有效。

以上述研究为基础，本文将巡检机器人应用到了电厂设备运行状态自动识别中，从而提高电厂设备运行状态识别性能。

1 电厂设备运行状态自动识别方法设计

1.1 基于巡检机器人的电厂设备运行状态预测

在实际中,通常采用故障率来描述电厂设备运行状态[6]。假设电厂设备的寿命周期为T，F(t)表示电厂设备寿命的分布函数，R(t)表示电厂设备的可靠性函数，那么电厂设备的运行状态函数表示为

(1)

其中，M表示电厂设备运行状态样本总数，m(t)表示电厂设备在t时刻运行状态的样本数，此次所用的样本数据均是由巡检机器人采集的。

假设电厂设备到达故障状态之前需要经历i种状态，D(i)表示电厂设备在线状态逗留时间的期望值，在参数估计的基础上，可以得到以下公式：

D(i)=μ(i)+ρδ2(i)

(2)

(3)

式中，μ(i)表示当前的电厂设备状态，δ(i)表示历史电厂设备状态，ρ表示当前状态持续时间[7]。

(4)

当电厂设备运行状态i的停留时间为d时，其剩余的寿命可以表示为

(5)

基于巡检机器人的电厂设备运行状态预测过程如下。

Step 1 利用巡检机器人采集电厂设备运行参数，并提取电厂设备全寿命运行特征向量，以此为基础计算初始前向概率公式和初始后向概率公式以及观测向量序列O=(O1,O2,…,OT)的条件概率。

Step 2 根据设备参数估计结果[10]，得到电厂设备运行状态i停留时间dt(i)=d之后，转移到运行状态j的概率估计结果以及电厂设备在时刻t运行状态i停留时间dt(i)=d的概率估计结果。

Step 4 利用式(4)计算电厂设备运行状态i逗留时间为d时的剩余寿命，得到电厂设备运行状态预测结果。

1.2 设定电厂设备运行状态指标

电厂设备在运行过程中，每一个窗口时间段的参数关系都是在不断变化的，为了度量电厂设备运行过程中状态参数关系的变化量，以电厂设备正常运行阶段的SCADA数据以及输入与输出参数关系作为参照，利用滑动窗口模型实时处理SCADA数据[11]，滑动窗口会随着时间的推移而发生变化，采用式(6)分别对待分析的电厂设备运行状态参数进行拟合处理，公式如下：

y=a0+a1x+a2x2+…+anxn

(6)

其中，x、y表示输入参数和输出参数，a0,a1,…,an表示不同的输入参数和输出参数关系系数，n表示拟合阶次。

假设i时刻的电厂设备输入和输出运行参数分别为xi和xj，则二者之间的函数关系表示为

xj,std=astd,0+astd,1xi+…+astd,nxn

(7)

则在tk时刻电厂设备输入运行参数xi和输出运行参数xj的函数关系利用下述公式表示：

(8)

结合以上结果，将电厂设备在tk时刻基于输入运行参数xi和输出运行参数xj关系的运行状态指标定义为

(9)

其中，xmin和xmax表示电厂设备运行状态窗口数据某一个参数的最小值和最大值。例如,当电厂设备在最大风能捕获区域运行时，xmin和xmax可以看作切入风速和额定风速。

电厂设备运行状态指标属于一个没有量纲的指标，指标值越大，说明电厂设备运行状态与正常状态的偏离程度越大;指标值越小，说明电厂设备运行状态与正常状态的偏离程度越小[12]。

以电厂设备正常运行阶段的SCADA数据和输入输出参数关系作为参照，利用滑动窗口模型实时处理SCADA数据，拟合处理待分析的电厂设备运行状态参数，利用电厂设备输入运行参数和输出运行参数之间的正常函数关系，完成了电厂设备运行状态指标的设置。

1.3 电厂设备运行状态自动识别

电厂设备运行状态自动识别是监控电厂设备的一项关键技术，结合巡检机器人分析电厂设备的运行状态信号[13]，以期提高电厂设备运行状态的识别效率。

电厂设备运行状态自动识别原理如图1所示。

图1 电厂设备运行状态自动识别原理

分析图1可知，电厂设备运行状态自动识别原理为利用巡检机器人采集电厂设备正常运行状态和故障运行状态下的样本数据，并将所有数据分为2组，一组作为训练数据，另一组则作为测试数据。在此基础上分别对2组数据进行预处理，包括剔除重复数据以及填补缺失数据，并将处理好的2组数据分别用于电厂设备运行状态自动识别模型学习以及模型实际识别过程中，输出识别结果[14]。

将巡检机器人应用到电厂设备运行状态自动识别中的具体步骤如下。

Step 1 巡检机器人参数初始化

巡检机器人参数初始化过程包括输入层的权值矩阵为Wm、DR层的权值矩阵为WDR和输出层的权值矩阵为Wout的初始化，DR层的权值矩阵谱半径大于1就可以。

Step 2 更新电厂设备运行状态参量

假设电厂设备的数量为M，DR层电厂设备运行状态向量为 [f(i),d(i)]，i=1,…,M，其中，f(i)表示电厂设备正常运行状态变量，d(i)表示电厂设备故障状态变量。

Step 3 采集电厂设备运行状态向量

Step 4 计算输出权值

选择非线性激活函数提高电厂设备状态识别过程中的非线性逼近能力的关键，非线性激活函数表示为

(10)

Step 5 输出电厂设备输入信号的识别结果

基于巡检机器人的电厂设备运行状态自动识别流程如图2所示。

图2 电厂设备运行状态自动识别流程图

综上所述，通过所设计的电厂设备运行状态自动识别流程，实现了电厂设备运行状态的自动识别。

2 实验对比分析

为了验证基于巡检机器人的电厂设备运行状态自动识别方法的有效性，构建了仿真环境，并对文献[4]方法、文献[5]方法以及本文方法进行30次仿真操作，测试了3种方法的电厂设备运行状态识别精度和运行耗时情况，测试结果如图3和图4所示。

图3 电厂设备运行状态识别精度测试结果

从图3的测试结果可以看出，采用文献[4]方法来识别电厂设备运行状态时，电厂设备运行状态识别的精度达到了84.5%，在第10次实验到第20次实验过程中，电厂设备运行状态识别精度出现了很明显的下降，第20次实验之后虽然有上升的趋势，但是幅度很小；采用文献[5]方法来识别电厂设备运行状态时，电厂设备运行状态识别精度只有76.8%，随着实验次数的增加，识别结果出现了很大幅度的波动；采用基于巡检机器人的电厂设备运行状态自动识别方法来识别电厂设备运行状态时，电厂设备运行状态识别精度高达93.4%，与其他2种方法相比，识别精度分别提高了8.9%和16.6%，具有一定的优势。其中，在第5次实验与第20次实验时，本文方法和文献[4]方法的识别精度之差分别达到了最小值与最大值，原因在于文献[4]方法的识别过程并不稳定，造成识别精度波动较大，以此证明了本文方法具有较高的稳定性。

图4 电厂设备运行状态识别耗时测试结果

从图4可以看出，采用文献[4]方法来识别电厂设备运行状态时，电厂设备运行状态识别耗时最大值为68.3 min，并且第10次实验到第20次实验之间，电厂设备运行状态识别耗时出现了突增的现象；采用文献[5]方法来识别电厂设备运行状态时，电厂设备运行状态识别耗时最大值为53.9 min，随着实验次数的增加，电厂设备运行状态识别耗时也随着增加；采用基于巡检机器人的电厂设备运行状态自动识别方法来识别电厂设备运行状态时，电厂设备运行状态识别耗时最大值仅有35.9 min，且随着实验次数的增加，电厂设备运行状识别耗时没有太大变化。

总体上看，基于巡检机器人的电厂设备运行状态自动识别方法具有一定的鲁棒性。

3 总结

针对传统方法存在的问题，提出了基于巡检机器人的电厂设备运行状态自动识别方法。采用巡检机器人采集电厂设备运行状态参数，并对电厂设备运行状态进行了精准预测，在此基础上设定了电厂设备运行状态指标。通过所设计的电厂设备运行状态自动识别流畅，实现了电厂设备运行状态的自动识别。结果显示，该方法可以快速准确实现电厂设备运行状态自动识别，综合性能最优。