淺談如何加強(qiáng)鍋爐運(yùn)行故障檢測分析

趙井奎

【摘 要】本文就如何加強(qiáng)鍋爐運(yùn)行故障檢測的方法進(jìn)行論述。

【關(guān)鍵詞】鍋爐；運(yùn)行；檢測

1.鍋爐運(yùn)行故障的可預(yù)測性

鍋爐是由汽水、燃燒及煙風(fēng)等子系統(tǒng)組成的復(fù)雜多層次系統(tǒng)，而每個子系統(tǒng)又可以劃分為若干次級子系統(tǒng)和部件，各層次子系統(tǒng)是相互關(guān)聯(lián)的，只要某一個子系統(tǒng)出現(xiàn)異常或失效，就可能會使其它子系統(tǒng)產(chǎn)生功能異常或失效，甚至使整個機(jī)組處于故障狀態(tài)，并且從原發(fā)性故障到系統(tǒng)級故障的發(fā)生、發(fā)展是一個量變到質(zhì)變的過程。故鍋爐運(yùn)行故障具有層次性、相關(guān)性、延時性的特點(diǎn)。

鍋爐運(yùn)行故障一般具有一定的時延性，即從原發(fā)性故障到系統(tǒng)故障的發(fā)生、發(fā)展與形成，是一個漸變過程。以其高溫過熱器壁溫為例，其某一時刻的壁溫值，與其在過去時刻的壁溫值有一定的關(guān)系，使其壁溫序列間有一定的關(guān)聯(lián)性（確定性），這種關(guān)聯(lián)性是鍋爐故障預(yù)測的基礎(chǔ)。另外，由于影響高溫過熱器壁溫的因素很多，如負(fù)荷、煙氣溫度、主蒸汽溫度等，它們之間相互關(guān)聯(lián)，且在鍋爐運(yùn)行中還受一些不確定因素的影響，使其運(yùn)行故障預(yù)測具有一定的隨機(jī)性，這種隨機(jī)性使壁溫序列間的關(guān)聯(lián)性減弱，這就決定了高溫過熱器壁溫值小能準(zhǔn)確地預(yù)測，而只能從統(tǒng)計意義上做出最佳預(yù)測，使預(yù)測誤差滿足一定的精度要求。故障預(yù)測是故障診斷的一部分，故障診斷的最終目的就是為了指導(dǎo)運(yùn)行和維修，因此，進(jìn)行鍋爐運(yùn)行故障預(yù)測，對提高鍋爐現(xiàn)代化運(yùn)行水平和機(jī)組可用率具有重要意義。

2.鍋爐運(yùn)行故障預(yù)測相關(guān)知識

人工智能故障診斷與預(yù)測技術(shù)是隨著現(xiàn)代化技術(shù)、經(jīng)濟(jì)高速發(fā)展而出現(xiàn)的一門新型技術(shù)，它能鑒別設(shè)備的狀態(tài)是否正常，發(fā)現(xiàn)和確定故障的部位和性質(zhì)并提出相應(yīng)的對策，以提高設(shè)備運(yùn)行的可靠性，延長其使用壽命，降低設(shè)備全壽命周期費(fèi)用。且采用故障預(yù)測技術(shù)可以實(shí)現(xiàn)對故障的早期發(fā)現(xiàn)并預(yù)測其未來的發(fā)展趨勢，便于對火電機(jī)組及時調(diào)整以避免惡性事故的發(fā)生，使機(jī)組能安全可靠的運(yùn)行，同時提高機(jī)組的經(jīng)濟(jì)性。

根據(jù)預(yù)測期限長短的不同可將故障預(yù)測分為：長期預(yù)測，為了制定鍋爐機(jī)組的長遠(yuǎn)維修計劃和維修決策而進(jìn)行的預(yù)測。時間一般為一個月以上。預(yù)測精度要求低；中期預(yù)測，對鍋爐機(jī)組在未來比較長的時間內(nèi)的狀態(tài)進(jìn)行預(yù)測，為機(jī)組的中期維修計劃和維修決策服務(wù)。時間一般為一周左右。預(yù)測精度要求較低；短期預(yù)測，對鍋爐機(jī)組的近期發(fā)展情況進(jìn)行預(yù)測。時間為一大左右。對預(yù)測精度要求高。對于中、長期預(yù)測，由于精度要求不高，可考慮采取簡單的預(yù)測模型，建立單變量時間序列模型進(jìn)行預(yù)測。而對于短期預(yù)測，由于對精度要求較高，同時也由于各相關(guān)因素對當(dāng)時的狀態(tài)值影響較大，因此在進(jìn)行短期預(yù)測時，除了要考慮時間序列本身外，還應(yīng)適當(dāng)將其他相關(guān)因素考慮進(jìn)去，這就需要建立多變量時間序列模型進(jìn)行預(yù)測，以滿足短期預(yù)測對精度的要求。

3.常用的鍋爐運(yùn)行故障預(yù)測方法

近年來不少研究者采用線性回歸分析法、時間序列分析法、灰色模型預(yù)測法、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行鍋爐設(shè)備故障診斷研究，以探索快速有效的故障診斷與預(yù)測方法。常用的預(yù)測方法有：

3.1線性回歸分析法

回歸分析是尋找?guī)讉€不完全確定的變量間的數(shù)學(xué)關(guān)系式之間進(jìn)行統(tǒng)計推斷的一種方法。在這種關(guān)系式中最簡單的是線性回歸分析。

3.2時間序列分析法

時間序列是指按時間順序排列的一組數(shù)據(jù)：時間序列分析法是指采用參數(shù)模。型對所觀測到的有序的隨機(jī)數(shù)據(jù)進(jìn)行分析與處理的一種數(shù)據(jù)處理方法。時間序列。分析法主要參數(shù)模型有以下四種：①曲線擬合②指數(shù)平滑③季節(jié)模型④線性隨機(jī)模型。時間序列分析法主要適用于進(jìn)行單因素預(yù)測，而對鍋爐故障預(yù)測這種既有確定性趨勢，又有一定的隨機(jī)性的多因素預(yù)測時，需要進(jìn)行確定性趨勢的分離，計算比較復(fù)雜，同時還需對分離殘差的零均值及平穩(wěn)性進(jìn)行假定，且其預(yù)測的精度不高。

3.3灰色模型預(yù)測法

灰色模型預(yù)測法是按灰色系統(tǒng)理論建立預(yù)測模型，它是根據(jù)系統(tǒng)的普遍發(fā)展。規(guī)律，建立一般性的灰色微分方程，然后通過對數(shù)據(jù)序列的擬合，求得微分方程的系數(shù)，從而獲得灰色預(yù)測模型方程。

應(yīng)用灰色系統(tǒng)理論作故障預(yù)測主要有兩種方法，一是基于灰色系統(tǒng)動態(tài)方程GM（或DM）的灰色預(yù)測模型，二是基于殘差信息數(shù)據(jù)列的殘差辨識預(yù)測模型。其中，GM（1，1）預(yù)測模型即1階1個變量的微分方程描述的灰色模型比較常用?；疑A(yù)測的解從數(shù)學(xué)的角度看，相當(dāng)于冪級數(shù)的疊加，它包含了一般線性回歸和冪級數(shù)回歸的內(nèi)容，故灰色預(yù)測模型優(yōu)于一般的線性回歸或指數(shù)曲線擬合，也好于確定性時間序列分析法。灰色預(yù)測模型不要很多的原始數(shù)據(jù)，短數(shù)據(jù)GM（1，1）模型有較高的預(yù)測精度，并具有計算簡單速度快的優(yōu)點(diǎn)。

3.4專家系統(tǒng)預(yù)測法

專家系統(tǒng)能成功地解決某些專門領(lǐng)域的問題，也有很多優(yōu)點(diǎn)，但經(jīng)過多年的實(shí)踐表明，它離專家的水平總是相差一段距離，有時在某些問題上還不如一個初學(xué)者。分析其原因，主要有以下幾方面： 知識獲取的“瓶頸”問題；模擬專家思維過程的單一推理機(jī)制的局限性；系統(tǒng)缺乏自學(xué)習(xí)能力。

3.5人工神經(jīng)網(wǎng)絡(luò)預(yù)測法

神經(jīng)網(wǎng)絡(luò)的故障診斷存在很多問題，它不能很好的利用領(lǐng)域?qū)＜曳e累的經(jīng)驗(yàn)知識，只利用一些明確的故障診斷實(shí)例，而且需要一定數(shù)量的樣本學(xué)習(xí)，通過訓(xùn)練最后得到的是一些闌值矩陣和權(quán)值矩陣，而不是像專家經(jīng)驗(yàn)知識那樣的邏輯推理產(chǎn)生式，所以缺乏對診斷結(jié)果的解釋能力。目前應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障預(yù)測的網(wǎng)絡(luò)訓(xùn)練收斂速度慢，因此無法應(yīng)用于實(shí)時診斷，只能處理歷史記錄數(shù)據(jù)。

3.6專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合

專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的相結(jié)合的方法是目前研究的熱點(diǎn)。由神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)構(gòu)成的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，它可以利用神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行分布處理和知識獲取自動化等特點(diǎn)，解決專家系統(tǒng)存在的知識獲取的“瓶頸”、推理能力弱、容錯能力差、處理大型問題較為困難等問題，實(shí)現(xiàn)并行聯(lián)想和自適應(yīng)推理，提高系統(tǒng)的智能水平，使系統(tǒng)具有實(shí)時處理能力和較高的穩(wěn)定性。同傳統(tǒng)的專家系統(tǒng)相比，基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)具有以下幾種優(yōu)點(diǎn)：具有統(tǒng)一的內(nèi)部知識表示形式，任何知識規(guī)則都可通過對范例的學(xué)習(xí)存儲于同一個神經(jīng)網(wǎng)絡(luò)的各連接權(quán)中，便于知識庫的組織和管理，通用性強(qiáng)；知識容量大，可把大量知識存儲于一個相對小得多的神經(jīng)網(wǎng)絡(luò)中；便于知識的自動獲取，能夠自適應(yīng)環(huán)境的變化；推理過程為并行的數(shù)值計算過程，避免了推理速度慢效率低等問題；推理速度快；具有聯(lián)想、記憶、類比等形象思維能力，可工作于所學(xué)習(xí)過的知識以外的范圍；實(shí)現(xiàn)了知識表示、存儲和推理三者融為一體，即都由一個神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)。