導語：數據驅動與電站設備故障診斷方法一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：傳統的電站設備故障診斷方法，一般是依據故障表征和報警信息，結合以往的經驗進行分析。由于經驗的獲取比較困難，診斷的準確程度又依賴于經驗的豐富程度和知識水平的高低，當參數及規則較多時，推理過程中存在匹配沖突、組合爆炸等問題，使得推理速度較慢、效率低下，不可避免地使得診斷結果存在不確定性。采用數據驅動的方法，充分挖掘有限數據可利用的信息，可以優化并加快故障診斷的進程。分別以多元統計分析、信號處理、機器學習三種數據驅動的方法，結合數據可視化，對電站設備故障進行了定量分析和研究。

關鍵詞：統計分析；數據可視化；故障診斷；神經網絡；平均影響值

火電廠主輔設備數量眾多、類型復雜，如何保證設備的安全穩定運行是生產管理人員花費時間和精力最多的，也是處理起來最困難的問題。設備在運行中產生會大量數據，快速有效地對數據進行分析，及時了解設備的健康狀態，盡早開展維護和檢修，對于設備的安全穩定運行具有重要意義。數據本身是抽象的，它帶給人們的直觀印象只有數值大小。當數據集合特別龐大的時候，甚至連大小都無從說起。因此，采用恰當的分析方法對收集來的大量數據進行分析，提取出有用的信息，并借助圖形化手段，將數據以視覺形式展現出來，清晰有效地傳遞信息，有利于進一步研究并解決問題。理論上講，如果有足夠的具有代表性的數據，就可以運用數學方法找到一個或者一組模型的組合使得它和真實的情況非常接近，這種方法稱為數據驅動的方法。稱之為數據驅動的方法，是因為它不預設模型，而是用簡單的模型來擬合數據。數據驅動的方法意義在于，當一個問題無法用簡單而準確的方法解決時，可以通過歷史數據構造出近似的模型來逼近真實，實際上是用計算量和數據量來換取研究時間，得到的模型雖然和真實情況有偏差但足以指導實踐。數據驅動的方法，優勢在于能夠在最大程度上利用計算機技術的進步。

1故障診斷流程

一次完整的數據驅動的故障診斷流程為：明確分析目標（只有明確了分析的目標，隨后的分析才可展開）→數據采集（根據目標去獲取所需要的數據）→數據分析處理（解決數據質量的問題，需要進行數據清洗，包括補全缺失值、刪去異常值、重復值、進行數據轉換等等）→數據可視化[1]（可選，“一圖勝千言”，用圖表可以更清晰地展現結論）→提出建議，推動問題解決（完成整個流程的閉環）。在以下章節中，將以三個典型案例，分別使用多元統計分析、信號處理、機器學習三種數據驅動的方法，結合數據可視化方法，進行定量分析和研究。

2汽動給水泵流量特性分析

對于直流鍋爐，汽動給水泵的運行特性直接關系到鍋爐給水流量的穩定和安全。當小機與汽泵解體檢修后，建議做設備運行特性分析。為了解其運行特性，我們可以對其流量特性進行分析。本節選擇了某火電廠#1機組A小機作為研究對象，因變量為小機流量，自變量選擇了小機轉速、小機進汽調門開度、進汽壓力3項（經驗表明，由多個自變量的組合共同來預測因變量，比只用一個自變量進行預測更準確，更符合實際）。數據來源為火電廠廠級監控信息系統[2]（SupervisoryInformationSystem，簡稱SIS），時間段為2020年7月1日00:00至7月7日00:00，采樣間隔為1分鐘，共計34564條數據。對收集到的數據進行分析，可以發現小機流量可以采用多元線性回歸模型（多元線性回歸分析研究一種現象隨多種現象的變動而相應變動的規律）進行描述，應用SPSS建立多元回歸模型[3]如下：F=-0.327×S+14.707×O+1323.646+263.25式中，F為小機流量，單位為t/h；S為小機轉速，單位為r/m；O為小機進汽調門開度，單位為%；P為進汽壓力，單位為MPa。經檢驗，擬合優度（模型所能解釋的因變量的變化百分比）為0.985，方差分析得出的F值為190295.406，P<0.05，殘差近似為正態分布，模型具有統計意義。每次小機檢修后，可以通過采集小機運行數據，計算回歸模型，將系數與歷史數據進行比較，以發現小機運行特性有了哪些變化，為及時發現設備存在的缺陷提供了依據，避免了查找設備問題時的盲目性。

3鍋爐減溫水調門故障診斷

減溫水調門直接關系到鍋爐蒸汽溫度的調節品質，但由于評價減溫水特性比較復雜（多種因素交織，既有燃料的不穩定性這類客觀因素，也有運行人員調整水平、維護人員的參數整定水平等人為因素），傳統的評價方法一般是基于運行及維護人員的主觀判斷，標準較為粗放。本節選擇了某火電廠#2鍋爐減溫水氣動調門作為研究對象，通過統計分析及可視化方法，判斷調門存在的問題，并為傳統的評價方法增加一些客觀標準。收集了減溫水調門的開度及減溫器后的溫度數據，來源同樣來自SIS系統，時間段為2020年5月1日12:00至5月4日12:00，采樣間隔為15秒鐘，共計69124條數據。繪制鍋爐減溫水系統示意圖如圖1所示，過熱蒸汽采用兩級噴水減溫，每級又分為A、B兩側。高過出口蒸汽管道交叉布置，低過、屏過出口蒸汽管道不交叉。因此，圖1中A2溫控點對應的是B側二級減溫器，B2溫控點對應的是A側二級減溫器；A1、B1溫控點則分別對應A側一級減溫器、B側一級減溫器。觀察分析圖2可以發現：①屏過出口溫度方面，A1點、B1點溫度波動范圍基本一致，但是與它們相對應的一減調門開度略有不同。A側一減調門開度大部分位于（15，40）之間,B側一減調門開度大部分位于（0，20）范圍內，表明B側一減調門參數整定仍然需要完善。②高過出口蒸汽溫度方面，與A2點相比，B2點溫度更為集中地分布于設定值附近（尖峰更高），但是與其對應的A側二級減溫水調門開度在（0，100）范圍內分布十分均勻，B側二級減溫水調門開度基本在（0，60）范圍內，這表明為了維持B2點溫度穩定，A側二減調門的波動是比較大的，有可能減溫水量不足，后續對其進行跟蹤，詢問維護人員，該調門因為漏水，盤根壓得較緊，水量也的確有所不足。

4汽輪機軸承振動故障分析診斷

汽輪機的軸承振動分析是一項復雜繁瑣的工作，軸承振動大既可能是汽輪機本身的原因，也可能有運行參數選擇的因素。以分析運行參數為例，本節選擇了某火電廠#2汽輪機#1軸承X向振動作為研究對象，選取了可能影響#1軸承振動的33項運行參數。為排除相關性顯著的參數，加快計算速度，采用SPSS進行相關性分析，去除相關系數|r|≥0.9（顯著相關）的12項參數，余下21項參數（無功、#1高調開度、#2高調開度、#3高調開度、#4高調開度、主汽壓、主汽溫、再熱汽溫、調節級溫度、高排溫度、軸封壓力、高壓軸封溫度、低壓軸封溫度、真空、潤滑油壓、潤滑油溫、EH油壓、調閥端差脹、電機端差脹、缸脹、偏心）。數據來源為SIS系統，時間段為2020年4月1日零點至4月21日零點，采樣間隔為1分鐘，共計604821條數據。為了對這些運行參數影響振動的權重進行分析，首先將上述21項運行參數作為輸入，軸承振動作為輸出，建立如圖3（a）所示BP神經網絡。BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，其突出優點是具有很強的非線性映射能力，特別適合擬合復雜的非線性函數，此處正是應用BP神經網絡的這項優點用于軸承振動分析。經試驗確定隱藏層數為1，隱藏層節點數設為14，激活函數為雙曲正切函數，輸出層激活函數為恒等函數。隨后利用MIV算法[5]進行權重計算。MIV被認為是在神經網絡中評價變量重要性的最好指標之一，其符號代表相關的方向，絕對值大小代表影響的相對重要性，其計算方法如圖3（b）所示。具體的計算過程為：在網絡訓練終止后，將訓練樣本P中每一個自變量在其原值的基礎上分別加和減K%（K為調節率）構成兩個新的訓練樣本P1和P2，將P1和P2分別作為仿真樣本利用已訓練好的網絡進行仿真，得到兩個仿真結果R1和R2，求出R1和R2的差值，即為變動該自變量后對輸出產生的影響變化值IV（ImpactValue），最后將IV按觀測例數平均，得出該自變量對于因變量的MIV（MeanImpactValue）。按照以上步驟依次算出各個自變量的MIV值，最后根據MIV絕對值的大小為各自變量排序，得到各自變量對于網絡輸出的影響權重位次，從而判斷出輸入特征對于網絡結果的影響程度，實現權重計算。調節率的變化對MIV影響不大[6]，選取任一調節率，MIV均具有代表性，本文選擇了調節率k=15。另外，由于神經網絡在初始化和訓練過程中存在隨機性，每次神經網絡訓練后的權重都會有所不同（即使是采用相同的模型，相同的訓練數據集亦是如此），這會在較大程度上影響到最終結論的正確性。為了使結果更準確，本文采用收集到的數據，連續訓練了500次神經網絡，計算得到了500組MIV，最后再次取平均值作為最終結果（表1、圖4），以在統計學意義上避免不確定性.從圖4中可以清晰地看出，對#1軸承X向振動影響較大的（前5位）參數按照絕對值從大到小排列，依次為#4高調開度、#1高調開度、主汽壓力、調閥端差脹和潤滑油壓。其中，#1高調開度、潤滑油壓這兩項參數與軸承振動呈現負相關性，其他三項為正相關。以上結論與根據專家的經驗進行定性分析所得到的結果是一致的。

5結語

本文介紹了基于數據驅動的設備故障診斷方法，并應用此方法對電站的三個典型案例進行了定量的分析和研究。在數據來源多樣化的情況下，數據的可靠性和實用性非常重要。數據的完整性、規范性以及一致性，直接影響到是否能夠得到正確的模型和結論，影響到設備故障診斷的結論。高質量的數據和有效的數據管理，才能夠保證分析結果的真實和有價值。

參考文獻

[1]任磊,杜一,馬帥,等.大數據可視分析綜述[J].軟件學報,2014,25(9):1909-1936.

[2]沈赫男,SIS系統在火力發電廠的應用研究[D],華北電力大學,2014.

[3]薛薇,統計分析與SPSS的應用[M].中國人民大學出版社,2017.

[4]李長兵.水電站機電設備運行維護與故障檢修研究[J].新型工業化,2020,10(2):36-40.

[5]王小川,史峰與郁磊,MATLAB神經網絡43個案例分析[M].北京航空航天大學出版社,2019.

[6]楊斌,李敬洋,文磊.基于MIV的碳鋼大氣腐蝕速率影響因子權重分析[J].北京航空航天大學學報,2018,44(8):1620-1628.

作者：張偉 單位：華電新鄉發電有限公司