陸永卿, 涂 雷, 茅大鈞

(1.上海華電奉賢熱電有限公司, 上海 201403; 2.上海電力大學(xué), 上海 200090)

壓氣機(jī)作為燃?xì)廨啓C(jī)的主要部件之一,由于受到來自機(jī)組內(nèi)部惡劣工況和周圍環(huán)境污染的影響,隨著運(yùn)行時間的增加,可能產(chǎn)生不同程度的性能衰退或損傷,阻礙設(shè)備的正常運(yùn)行,甚至造成各種嚴(yán)重事故的發(fā)生[1-2]。壓氣機(jī)常見故障有壓氣機(jī)葉片磨損、壓氣機(jī)頂端間隙增大和壓氣機(jī)喘振等。因此,對壓氣機(jī)進(jìn)行預(yù)警監(jiān)測,能夠提高檢修效率,減少經(jīng)濟(jì)損失。

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,對壓氣機(jī)的故障預(yù)警和診斷已有一定的研究。文獻(xiàn)[3]應(yīng)用能量比方法成功地對不同換算轉(zhuǎn)速下的軸流壓氣機(jī)喘振故障進(jìn)行了診斷。文獻(xiàn)[4]建立了燃?xì)廨啓C(jī)性能仿真模型,在模型中考慮實(shí)際環(huán)境參數(shù)的波動范圍,對參數(shù)歸一化處理并對燃?xì)廨啓C(jī)氣路參數(shù)進(jìn)行故障預(yù)警。文獻(xiàn)[5]應(yīng)用基于神經(jīng)網(wǎng)絡(luò)的線性擬合方法,建立了壓氣機(jī)離散模型。

目前的研究成果主要集中在風(fēng)機(jī)故障診斷方面,而對風(fēng)機(jī)故障預(yù)警的研究較少。由于風(fēng)機(jī)設(shè)備本身構(gòu)造復(fù)雜、故障類型繁多,故障與征兆之間的關(guān)系未知,且設(shè)備運(yùn)行過程會受到許多不確定因素和隨機(jī)干擾的影響,使得實(shí)現(xiàn)準(zhǔn)確故障預(yù)警較為困難。多元狀態(tài)估計(jì)技術(shù)(Multivariate State Estimition,MSET)的出現(xiàn)為壓氣機(jī)故障預(yù)警提供了新的思路[6]。MSET實(shí)質(zhì)上是一種先進(jìn)模式識別方法,通過涵蓋正常運(yùn)行狀態(tài)的數(shù)據(jù)進(jìn)行相似性建模。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法相比,MSET具有建模過程簡單、物理意義明確等優(yōu)點(diǎn),可以滿足工業(yè)現(xiàn)場實(shí)時性要求[7]。

本文利用MSET對壓氣機(jī)的運(yùn)行數(shù)據(jù)進(jìn)行分析,研究壓氣機(jī)運(yùn)行過程中狀態(tài)變量之間的相關(guān)性,建立故障預(yù)警模型,分別用壓氣機(jī)正常狀態(tài)和故障狀態(tài)下的數(shù)據(jù)對模型進(jìn)行測試。實(shí)驗(yàn)結(jié)果表明,本文提出的故障預(yù)警模型具有一定的應(yīng)用效果。

1 多元狀態(tài)估計(jì)技術(shù)

MSET最早是美國阿爾貢國立實(shí)驗(yàn)室為了檢測核電廠中傳感器、設(shè)備以及運(yùn)行參數(shù)的初始劣化點(diǎn)而開發(fā)的一種非參數(shù)建模方法,是一種利用正常運(yùn)行狀態(tài)下監(jiān)測參數(shù)之間的相似性來實(shí)現(xiàn)狀態(tài)估計(jì)的先進(jìn)模式識別技術(shù)[8]。其本質(zhì)是利用對象正常運(yùn)行狀態(tài)的歷史數(shù)據(jù),充分挖掘各參數(shù)之間的關(guān)系,依據(jù)所獲得的數(shù)據(jù)估計(jì)對象的真實(shí)狀態(tài)。

利用從正常運(yùn)行狀態(tài)中得到的歷史數(shù)據(jù)構(gòu)成矩陣,即歷史記憶矩陣D。矩陣的每一列均代表一個觀測狀態(tài),矩陣的列數(shù)m代表m個狀態(tài),行數(shù)n代表每次觀測的n個變量。假設(shè)某一過程或設(shè)備的監(jiān)測變量中共有n個相互關(guān)聯(lián)的變量,則將在某一時刻tj觀測到的此n個變量記為觀測向量,為

X(tj)=[x1(tj)x2(tj)x3(tj) …xn(tj)]T

(1)

式中:xi(tj)——測點(diǎn)i在tj時刻的測量值,i=1,2,3,…,n。

歷史記憶矩陣D可表示為

(2)

歷史記憶矩陣D是MSET的基礎(chǔ),也稱為MSET的系統(tǒng)模型[9]。歷史記憶矩陣中的每一列觀測向量代表設(shè)備的一個正常運(yùn)行狀態(tài),經(jīng)過合理選擇的歷史記憶矩陣中的m個歷史觀測向量所形成的子空間能夠代表過程或設(shè)備正常運(yùn)行的整個動態(tài)過程。

對于某一時刻設(shè)備的觀測向量Xobs,MSET將此狀態(tài)與歷史記憶矩陣中存儲的運(yùn)行狀態(tài)進(jìn)行比較,并計(jì)算出對當(dāng)前系統(tǒng)狀態(tài)的估計(jì)向量Xest,估計(jì)向量為歷史記憶矩陣D與權(quán)值向量W的積,為

Xest=DW=D[w1w2w3…wm]T=

w1X(t1)+w2X(t2)+…+

wmX(tm)

(3)

MSET的估計(jì)向量為歷史記憶矩陣中m個歷史觀測向量的線性組合。權(quán)值向量W代表此狀態(tài)與歷史記憶矩陣中狀態(tài)的一種相似性測度。權(quán)值向量可通過最小化殘差向量ε來獲得。觀測向量Xobs和估計(jì)向量Xest之間的殘差為

ε=Xest-Xobs

(4)

(5)

本文選用歐氏距離運(yùn)算[10],其中,xi和yi為變量。即

(6)

式中:X,Y——觀測向量與估計(jì)向量。

式(6)可以反映2個數(shù)據(jù)向量之間的相似程度。將式(5)代入式(3)可以推導(dǎo)出估計(jì)向量為

(7)

2 偏離度和預(yù)警閾值

利用與觀測向量和估計(jì)向量有關(guān)的偏離度函數(shù)可以定量衡量觀測向量與估計(jì)向量之間的偏離程度,在此基礎(chǔ)上利用滑動窗口法設(shè)定合理的預(yù)警閾值。

2.1 偏離度

MSET的觀測值與估計(jì)值之間的殘差可以反映設(shè)備異?；蚬收?。通常直接將某變量的觀測值與其估計(jì)值之間的殘差作為故障判斷指標(biāo)[11]。歐氏距離是衡量2個向量之間偏離程度最常用的方法。在此基礎(chǔ)上定義偏離度函數(shù)為

(8)

式中:w′i——觀測向量中第i個變量的權(quán)重系數(shù)。

偏離度越大,說明向量X和Y的偏離程度越大;而偏離度越小,則說明向量X和Y的偏離程度越小。當(dāng)偏離度等于零時,向量X與Y相等。

2.2 預(yù)警閾值

利用滑動窗口法消除壓氣機(jī)運(yùn)行中的不確定因素和隨機(jī)干擾,提高故障預(yù)警的準(zhǔn)確率。通過選擇合理的滑動窗口寬度,能夠及時、快速地捕捉偏離度統(tǒng)計(jì)特性的連續(xù)變化,消除隨機(jī)因素的影響[12],提高設(shè)備狀態(tài)監(jiān)測的可靠性,降低誤報警的幾率。當(dāng)壓氣機(jī)運(yùn)行異常時,這些狀態(tài)模型可及時檢測出壓氣機(jī)狀態(tài)的輕微異常變化,從而實(shí)現(xiàn)故障預(yù)警。

假設(shè)在某段時間內(nèi),基于MSET的估計(jì)偏離度序列共n個,則

S(Xobs,Xest)=[S1,S2,S3,…,SN,…Sn]

(9)

對該序列取一個寬度為N的滑動窗口,如圖1所示。窗口內(nèi)連續(xù)N個偏離度的平均值為

圖1 滑動窗口法

(10)

根據(jù)偏離度平均值確定故障預(yù)警閾值EAN。壓氣機(jī)正常運(yùn)行時MSET模型的平均偏離度最大值為EN,k為預(yù)警閾值函數(shù),則風(fēng)機(jī)故障的預(yù)警閾值為

EAN=kEN

(11)

3 基于MSET的壓氣機(jī)故障預(yù)警模型建立

3.1 變量的選取

由于壓氣機(jī)相關(guān)變量眾多,如果將這些變量都作為相關(guān)變量,將會出現(xiàn)冗余,造成不必要的計(jì)算量,增加模型的復(fù)雜度,因此需要對這些變量進(jìn)行篩選。結(jié)合壓氣機(jī)故障分析資料,最終選取機(jī)組負(fù)荷、大氣壓力、相對濕度、進(jìn)氣濾網(wǎng)壓差、喇叭口靜壓、壓氣機(jī)進(jìn)口壓力、壓氣機(jī)進(jìn)氣溫度、IGV開度、壓氣機(jī)進(jìn)氣流量、壓氣機(jī)壓比、排氣壓力等11個相關(guān)變量組成觀測向量[13-15]。

3.2 數(shù)據(jù)預(yù)處理

由于選取的11個變量的數(shù)據(jù)絕對值相差很大,為保證非線性運(yùn)算符能正確衡量不同觀測向量之間的歐氏距離,需要對數(shù)據(jù)進(jìn)行預(yù)處理。采用標(biāo)準(zhǔn)化處理原始數(shù)據(jù),可以避免確定各變量的極大值和極小值,降低離群點(diǎn)的影響。設(shè)觀測向量中變量x的均值為μ,標(biāo)準(zhǔn)差為σ,則標(biāo)準(zhǔn)化公式為

(12)

式中:x′——變量x的標(biāo)準(zhǔn)化值。

4 實(shí)例仿真

選取上海某熱電廠的壓氣機(jī)故障前一段正常運(yùn)行狀態(tài)歷史數(shù)據(jù)構(gòu)成歷史記憶矩陣,建立故障前壓氣機(jī)模型。從熱電廠PI實(shí)時數(shù)據(jù)庫中選取2019年4月21日0:00到2019年5月8日0:00共2 000個正常運(yùn)行狀態(tài)歷史數(shù)據(jù)構(gòu)成D矩陣。選取故障前140個數(shù)據(jù)作為觀測向量集。計(jì)算觀測向量集和估計(jì)向量集之間的偏離度。為了方便計(jì)算,權(quán)重系數(shù)w′i取1。觀測向量集的偏離度如圖2所示。

圖2 觀測向量集的偏離度

由圖2可知,從第110個數(shù)據(jù)點(diǎn)開始,偏離度有逐漸增大的趨勢。這說明第110個數(shù)據(jù)點(diǎn)是故障發(fā)生的早期時間,真正故障發(fā)生在第140個數(shù)據(jù)點(diǎn)左右。

由于篇幅有限,本文以壓氣機(jī)的進(jìn)氣溫度和進(jìn)氣濾網(wǎng)壓差2個參數(shù)進(jìn)行實(shí)例仿真。仿真結(jié)果如圖3～圖6所示。

圖3 進(jìn)氣溫度仿真

圖4 進(jìn)氣溫度估計(jì)殘差

圖5 進(jìn)氣濾網(wǎng)壓差仿真

圖6 進(jìn)氣濾網(wǎng)壓差估計(jì)殘差

由圖4可知,壓氣機(jī)進(jìn)氣溫度在正常運(yùn)行狀態(tài)下的估計(jì)殘差小于0.2 K。由圖6可知,壓氣機(jī)進(jìn)氣濾網(wǎng)壓差在正常運(yùn)行狀態(tài)下的估計(jì)殘差小于0.02 kPa。上述仿真表明,2個變量的估計(jì)殘差值都比較小,說明MSET模型具有很高的精確度。

針對壓氣機(jī)運(yùn)行中的不確定因素和隨機(jī)干擾問題,利用滑動窗口法進(jìn)行消除。選取的滑動窗口寬度為10,得到平均偏離度曲線如圖7所示。

圖7 平均偏離度曲線

由式(11)可知,故障預(yù)警閾值為

EAN=kEN=1.3×0.231 2=0.300 56

計(jì)算發(fā)現(xiàn),在第134個數(shù)據(jù)點(diǎn)的平均偏離度為0.278 0,第135個數(shù)據(jù)點(diǎn)的平均偏離度為0.316 2。因此,預(yù)警模型會在第134個數(shù)據(jù)點(diǎn)和第135個數(shù)據(jù)點(diǎn)之間發(fā)出預(yù)警信號,相比較第140個數(shù)據(jù)點(diǎn)預(yù)警提前了5.4個數(shù)據(jù)點(diǎn),即提前1.10 h。

5 結(jié) 語

本文利用MSET建立壓氣機(jī)正常運(yùn)行狀態(tài)下的非參數(shù)模型。引入偏離度衡量觀測向量與估計(jì)向量之間的偏離程度,然后利用滑動窗口法確定故障預(yù)警閾值。實(shí)驗(yàn)仿真表明,該模型可以有效地進(jìn)行故障預(yù)警,有一定的應(yīng)用前景。