基于运行数据的锅炉故障自动检测技术研究
时间：2023-02-26 20:45:04 来源：千叶帆 本文已影响人
郭永谦
(青海省特种设备检验所，青海 西宁 810000)
现阶段锅炉的使用规模不断扩大[1]，锅炉系统的复杂程度也逐渐提升。尤其是锅炉设备的日益高速化、自动化，使其结构愈来愈繁琐。在科技背景下，可将传统人工现场操作方式变换成通过计算机网络智能控制，并能收集与保存海量的运行数据。但是，工作人员极难依据这些数据真正了解锅炉系统实际工作情况，且不能及时发现系统故障并进行精准地判定。为此，单纯通过人工分析方式来解决锅炉故障问题[2]已很难满足现今运行的需求。
为此，诸多学者、专家等对系统故障自动检测技术进行研究。张维等[3]针对锅炉系统故障检测正确率较低的状况，采用关联规则挖掘方式得出正常工作情况下锅炉设备状态参考数值，并根据测试数据和参考数值间的滑动平均相似程度来断定锅炉否发生故障。此方法有效提升了故障自动检测精度，但计算量大，需要消耗大量时间。许裕栗等[4]面对锅炉故障不能及时检测的问题，采用K-均值算法将锅炉工作流程的工况细分出来，利用距离度量完成每个工况内各采样点的协方差距离，并根据高斯阈值建立判决函数，检测出锅炉故障。该方法可以及时检测出故障，使用计算方法较为简单，但故障查全率较低。
基于此，本文结合文献方法优点并利用运行数据方式对锅炉故障自动检测技术进行研究。通过滑动判断方式筛选出锅炉数据，使选取的数据具有全面性；
利用主成分分析方法提取出数据特征，能够在保证数据提取精度前提下降低数据提取的计算量；
运用距离度量方式检测出锅炉故障，可以使自动检测结果更加贴近实际情况，并且计算简便，缩短了故障检测时间，进而完成锅炉故障自动检测。
1.1 故障自动检测流程
基于运行数据的锅炉故障自动检测[5]流程主要分为两个部分。第一部分包括锅炉数据的采集、归一化处理与特征提取。数据采集是经过数据清洗来提升数据质量；
归一化处理为了降低数据间因数据的量级、分布情况对数据特征提取所造成的影响；
数据特征提取为了更加有效表述锅炉的特征与属性；
第二部分是利用距离度量方式来判定故障数据，使故障检测结果更加精准，达到自动检测目的，具体过程如图1所示。
图1 故障检测流程
1.2 运行数据特征提取
1)数据筛选
锅炉设备的工作状态是根据电网负荷的需求而变化的，其工作流程为：电网负荷调度中心把负荷指标下发到电厂，电厂依据负荷调节运行的参数，使锅炉设备达到电网负荷标准之后稳定运行；
当电网负荷发生改变时，锅炉设备须进行调整。
锅炉设备运行参数主要分为两种，即根据电网负荷变化而发生改变的参数与被调控在特定区域内的参数。这两种参数影响锅炉当前的工作状态。
当锅炉设备处于过渡阶段时，锅炉内部的流场会带来极强波动，致使运行监测设备的数值剧烈变化。与此同时，因当今锅炉系统规模逐渐扩大，对应的延迟也会增加，使得不同设备测量得出时间节点数据各不相同，为此不能正确反映出锅炉的工作情况。当锅炉设备在稳定的情况下工作，锅炉内部变换较为平稳，监测设备得出数值具有良好的稳定性和同步性，并能正确展现出锅炉设备当前工作情况。
利用滑动判别方式完成稳态数据采集。滑动判别方式是根据时间序列[6]找出稳态数据，通过逐点遍历的方式，随着时间维度滑动[7]，判断出数据点是否属于稳态数据。设定x表示数据点，则数据点一维空间向量X为
X=[x1,x2,…,xn]
(1)
同时，原始权值向量W为
W=[w1,w2,…,wn]=[0,0,…,0]
(2)
其中[w1,w2,…,wn]每一项均对应相应的向量X，用于判断向量X中各元素是否属于稳态数据[8]。针对向量X中元素xi，则有
(3)
或者
(4)
则认定xi是非稳态部分数据点，相反的点，认定为稳态部分数据点。如图2所示，图中b表示稳态部分数据点，a不符合式(3)，c不符合式(4)则认定是非稳态数据点。
图2 滑动判定流程
若向量X中元素xi被判定成非稳态点时，数据点xi-H～ii+H对应的权值向量W元素各加1，得出
[Wi-H,…,Wi,…,Wi+H]=[Wi-H+1,…,Wi,…,Wi+H+1]
(5)
式中ii+H表示与x对应的非稳态点。
当向量X全部向量元素通过稳态判定后，并对权值向量W中元素进行判定，若其小于阈值，则其对应的向量X中元素xi是稳态点，相反是非稳态点，设定为ii。这种方式能够通过数据点xi的数据情况来判定数据是否属于稳态数据，使收集的数据避免了局部性错误的问题。
2) 数据处理
采用归一化方式将收集数据进行处理，其处理方式主要分为min-max归一化与Z-score归一化两种方式。数据向量X通过min-max归一化后，得出数据向量x*
(6)
式中：xmin、xmin表示向量X的两个极值；
x*表示进行归一化后的数据。归一化后可以把数据集合的中心移到坐标原点。
Z-score归一化处理，得出
(7)
式中：E[x]表示向量X的平均值，是均值向量；
var[x]表示向量X的方差。Z-score归一化把数据集合的平均值变成0，方差变成1。
1.3 特征提取
将锅炉设备稳态处理后的数据当作数据样本集合，设定样本集合X∈Rm×n，m表示样本数量，n表示数据属性数量(工作运行参数数量)。
(8)
为了解决集合中不相同属性取值结果对数据特征提取的影响，把全部属性归一化处理，使数据集合元素属性的平均值、方差分别为0、1，得出
(9)
(10)
一般情况下，在主成分矩阵中特征向量数量根据特征向量的解释率与累积解释率所决定的，取前a个解释率数值大的特征向量组成主成分矩阵。数据特征向量的解释率运算过程如式(11)所示。
(11)
式中ER(i)表示第i个数据特征向量的解释率数值。
根据特征数值大小由高到低分别算出各特征向量的解释率，累计解释率计算过程为
(12)
式中：CER(i)描述了前i个特征向量的累计解释率数值；
ER(j)描述了前i个特征向量的数据变化解释占总数据变化解释的百分比。
1.4 故障自动检测
采用全局距离方式完成锅炉故障自动检测。先算出锅炉机组数据特征提取数据集合中数据两个点的间距，与剩余点的间距，并算出各个点到剩余点的距离和。设定n′表示故障数据数量，则距离和最大的前n′个数据点认为是锅炉故障数据详细描述为：
将锅炉特征提取数据做标准化处理，算出m个数据点间的距离为dij，得出距离矩阵R：
(13)
距离度量方式基本上采用绝对距离与欧式距离两种方式。关于m维空间中数据点xi与xj数点据间的欧式距离描述为
(14)
绝对距离描述为
(15)
将以上两种方式进行融合，得出
(16)
一般情况下，数据分布为密集分布与稀疏分布，其中呈密集分布的正常数值较多，使周围故障数值与对应数据点间距较大。由于故障数据容易受分布密度干扰，因此造成相反情况发生，即稀疏周围故障数值与对应数据点间距较大。根据这一属性特征，式(16)只能完成锅炉稀疏数据的故障自动检测，而密集部分数据采用距离度量函数方式完成锅炉故障自动检测，即
(17)
若数据s到数据u间的距离与数据t到数据w间的距离等同，即
(18)
通过距离度量函数方式能够将分布密集数据的故障数据和其他数据之间的距离增大，还能减少正常数据与其他数据之间的距离和，进而校正故障数据与正常数据到剩余数据的距离和。为此，可运用距离度量函数方式完成炉锅数据的故障自动检测。
2.1 实验环境
实验整个流程在Microsoft Windows10操作系统下进行的，实验平台软件选择MATLAB R2018a软件。
实验的数据来源于某大规模火电厂4号锅炉工作现场。因为电站锅炉的真实检测数据集合中可能含有故障数据，若直接把其当作实验数据，对得出结果不能保证其评估结果的精度。因此，结合电站锅炉检测数据的现实收集情况，先从锅炉机组负荷为300MW的数据集合中选取690个数据当作正常数值，再从锅炉机组负荷为270MW中抽取10个数据当作故障数据，共同组成实验700个数据。
2.2 精度对比
为了证实本文提出基于运行数据的锅炉故障自动检测技术的有效性，从检测出的故障总数量与正确检测故障数量两个角度进行验证，并使用对比方式将本文方法与文献[3]方法、文献[4]方法进行对比，得出结果如图3所示。
图3 检测结果对比
设定幅值在[2,-2]之间当作是锅炉正常数据，反之当作是锅炉故障数据。图3(a)为实际锅炉运行数据，包含10个故障数据；
图3(b)为本文方法锅炉故障检测结果，检测出9个正确故障数据与2个错误故障数据；
文献[3]、文献[4]方法均检测出7个正常故障数据与3个错误故障数据。本文方法检测出正确、故障数据均大于文献方法，而检测出错误故障数量小于文献方法。本文方法的检测效果更好，这是因为本文方法通过时间序列方式收集锅炉稳态数据，并归一化处理；
利用了主成分方式将锅炉数据进行特征提取，并运用距离度量算法完成各数据点的故障自动检测，有效缩小了故障检测结果的误差，故本文方法优于文献方法。
2.3 运行耗时对比
为了进一步验证3种方法的故障检测结果性能的优劣，下面从故障检测耗时角度进行验证，得出结果如图4所示。
图4 故障检测耗时对比情况
从图4可以看出，当数据组数为300时，3种方法锅炉故障自动检测结果趋于平缓。数据组数为500组时，文献[3]方法、文献[4]方法与本文方法的检测耗时分别为42s、37s、28s，本文检测耗时曲线均低于文献方法，说明本文方法的故障检测效率较高。这是因为由于文献方法没有使用归一化方式将锅炉数据进行处理，增加了锅炉数据特征难度，故文献方法需要消耗较多时间才能检测出锅炉故障，进一步证实了本文方法锅炉故障自动检测性能良好。
锅炉实际运行数据中可能含有一些故障数据，导致锅炉设备瘫痪，不能正常运行，为此本文在运行数据基础上对锅炉故障自动检测技术进行研究。通过滑动判断方式完成锅炉数据采集，利用主成分分析方式提取出数据特征，并根据数据各点间距离判定出故障数据，完成锅炉故障自动检测。本文方法虽取得一定成效，但由于研究时间有限，日后可以将时间序列、深度学习等方法引入，进一步提升检测结果的精度。
猜你喜欢 自动检测稳态锅炉 可变速抽水蓄能机组稳态运行特性研究大电机技术(2022年3期)2022-08-06碳化硅复合包壳稳态应力与失效概率分析核科学与工程(2021年4期)2022-01-12电厂热力系统稳态仿真软件开发煤气与热力(2021年4期)2021-06-09锅炉安装焊接的质量缺陷及其控制对策建材发展导向(2021年6期)2021-06-09新型废热锅炉的制造工艺科学与财富(2021年35期)2021-05-10角接触球轴承外圈锁口高度自动检测规改进哈尔滨轴承(2020年2期)2020-11-06对干熄焦余热锅炉运行爆管的几点探讨昆钢科技(2020年6期)2020-03-29元中期历史剧对社会稳态的皈依与维护中华戏曲(2020年1期)2020-02-12一种开关柜局部放电自动检测装置的研究电子制作(2019年10期)2019-06-17基于STM32的室内有害气体自动检测与排风系统电子制作(2018年19期)2018-11-14 相关热词搜索：技术研究，锅炉，自动检测，
