基于數(shù)據(jù)庫的工業(yè)鍋爐事故診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

董 翔

(江蘇工程職業(yè)技術(shù)學(xué)院,江蘇 南通 226000)

1 基于數(shù)據(jù)庫的工業(yè)鍋爐事故診斷系統(tǒng)設(shè)計(jì)結(jié)構(gòu)

1.1 事故發(fā)生原因

對(duì)相關(guān)資料進(jìn)行收集與分析,得出以下幾個(gè)原因:①燃料質(zhì)量不達(dá)標(biāo),水分含量較高,難以著火或燃燒不穩(wěn)定,容易發(fā)生煤斗,使機(jī)器下煤管道堵塞,導(dǎo)致下煤不均勻或中斷等,導(dǎo)致熄火后煤炭不完全燃燒,在煙道內(nèi)再次燃燒,造成事故。②爐膛溫度低、送風(fēng)量過大、水冷壁爆管、鍋爐開啟和停止動(dòng)作過于頻繁等都會(huì)導(dǎo)致鍋爐爐溫降低,造成燃燒質(zhì)量差甚至是滅火,導(dǎo)致沒有完全燃燒的煤粉量增多,如果煙溫低,容易導(dǎo)致煤粉積存,煙道燃燒,因此負(fù)荷低的時(shí)候可以投入油噴嘴穩(wěn)定火勢(shì),在鍋爐工作過程中要掌握好送風(fēng)量,開啟或停止動(dòng)作不能過于頻繁[1]。如果風(fēng)粉比例調(diào)整不適,風(fēng)速過高或過低都容易引起火焰不穩(wěn)定。若煤粉磨制不合格或燃油處理不恰當(dāng),會(huì)導(dǎo)致不完全燃燒量增大,損失增多,增多煙氣攜帶的可燃顆粒,令煙道再燃燒。③裝置設(shè)備本身損壞卻沒有檢查出來,存在巨大的風(fēng)險(xiǎn)隱患,對(duì)后期鍋爐設(shè)備運(yùn)行造成嚴(yán)重影響。

1.2 故障診斷

工業(yè)鍋爐具有不同的故障特性,有些故障是在設(shè)備運(yùn)行過程中逐漸積累導(dǎo)致的,而有些故障會(huì)突然發(fā)生。如工業(yè)鍋爐送粉管道的堵塞是長時(shí)間的灰塵堆積導(dǎo)致的,對(duì)于這種故障需要提前診斷。燃燒器故障主要為突發(fā)故障,需要以預(yù)防為主,構(gòu)建故障監(jiān)測(cè)系統(tǒng),對(duì)鍋爐運(yùn)行設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)。工業(yè)鍋爐故障診斷需查明發(fā)生故障的指定位置,找到故障發(fā)生原因[2],故障診斷系統(tǒng)的工作流程是一種模式識(shí)別過程,需在出現(xiàn)故障時(shí)檢測(cè)出固有的特征信號(hào),從而判斷故障原因。故障診斷過程如圖1所示。

采集信號(hào)。當(dāng)鍋爐某些設(shè)備出現(xiàn)故障時(shí),往往存在熱、振動(dòng)、力學(xué)變化等現(xiàn)象,對(duì)這些信號(hào)進(jìn)行采集,可為故障診斷提供有力依據(jù)。對(duì)收集到的信號(hào)進(jìn)行分析,判斷設(shè)備運(yùn)行狀態(tài)及故障特征。對(duì)獲取的狀態(tài)進(jìn)行識(shí)別,與原始數(shù)據(jù)或參數(shù)進(jìn)行對(duì)比,判斷故障類型及性質(zhì),及時(shí)采取補(bǔ)救措施。

圖1 故障診斷實(shí)施過程Fig.1 Process of fault diagnosis implementation

1.3 基本結(jié)構(gòu)

故障診斷系統(tǒng)結(jié)構(gòu)主要分為兩部分:以診斷部件及該領(lǐng)域?qū)I(yè)知識(shí)為主建立的故障診斷數(shù)據(jù)庫,借助ADO(Active Data Objects)處理數(shù)據(jù)庫與表中存儲(chǔ)的數(shù)據(jù),結(jié)合數(shù)據(jù)庫對(duì)系統(tǒng)功能模塊進(jìn)行設(shè)計(jì),具體結(jié)構(gòu)如圖2所示。

圖2 鍋爐故障診斷系統(tǒng)結(jié)構(gòu)Fig.2 Structure of boiler fault diagnosis system

該系統(tǒng)通過傳遞事故診斷編碼與識(shí)別信息進(jìn)行交互,有效提高診斷準(zhǔn)確率,使其對(duì)數(shù)據(jù)樣本及知識(shí)庫的診斷更加直觀。在神經(jīng)網(wǎng)絡(luò)模塊中加入專家系統(tǒng),解決了傳統(tǒng)專家系統(tǒng)獲取知識(shí)耗費(fèi)時(shí)間多、診斷內(nèi)容不全面、診斷速度慢及效率低等問題。

該系統(tǒng)由許多模塊組合而成。①熱力參數(shù)檢測(cè)模塊。對(duì)系統(tǒng)運(yùn)行時(shí)的熱力參數(shù)進(jìn)行實(shí)時(shí)檢測(cè),將該數(shù)值與基本信息儲(chǔ)存表中的參數(shù)進(jìn)行比較。若當(dāng)前參數(shù)值與數(shù)據(jù)庫中的正常值相差較大,系統(tǒng)會(huì)連接到軟件并給出相應(yīng)顏色的警示燈,如黃色預(yù)警、紅色報(bào)警[3]。②樣本編輯訓(xùn)練模塊。該模塊將系統(tǒng)采集的數(shù)據(jù)劃分到不同編號(hào)的組別中,每個(gè)組都被看作一個(gè)整體樣本,在進(jìn)行樣品編輯訓(xùn)練的過程中對(duì)這些整體樣本進(jìn)行處理,使用神經(jīng)網(wǎng)絡(luò)模塊處理樣本,得到權(quán)值與閾值矩陣,為數(shù)據(jù)樣本的后期診斷與收集提供便利。③知識(shí)獲取模塊。主要用于學(xué)習(xí)工業(yè)鍋爐事故樣本,通過學(xué)習(xí)獲取知識(shí)。神經(jīng)網(wǎng)絡(luò)模塊與專家系統(tǒng)的連接主要通過知識(shí)獲取模塊來展開。知識(shí)獲取模塊將神經(jīng)網(wǎng)絡(luò)模塊的知識(shí)儲(chǔ)存起來,隨時(shí)調(diào)用,建立相應(yīng)的算法與函數(shù)模型[4]。專家系統(tǒng)包括事故診斷、解釋模塊及事故推理等部分。其中,事故診斷與解釋模塊通過已經(jīng)成型的神經(jīng)網(wǎng)絡(luò)模塊模型,運(yùn)用ADO讀入系統(tǒng)的相關(guān)運(yùn)行參數(shù),對(duì)神經(jīng)網(wǎng)絡(luò)模塊模型進(jìn)行診斷,將得出的數(shù)據(jù)進(jìn)行推理演算,得出鍋爐事故診斷結(jié)論,根據(jù)知識(shí)庫中儲(chǔ)存的知識(shí)解釋該診斷結(jié)果。若在知識(shí)庫中找不到相應(yīng)的結(jié)果,則可進(jìn)一步查看并擴(kuò)充知識(shí)庫知識(shí)含量。

2 建立工業(yè)鍋爐事故診斷系統(tǒng)知識(shí)庫與數(shù)據(jù)庫

2.1 知識(shí)庫

工業(yè)鍋爐事故診斷系統(tǒng)的知識(shí)庫包含大量相關(guān)專業(yè)理論與事實(shí)規(guī)律,是神經(jīng)網(wǎng)絡(luò)模塊與專家系統(tǒng)工作時(shí)必需的一般性常識(shí)總和,是整個(gè)系統(tǒng)的基礎(chǔ)部分。

專家系統(tǒng)的核心是知識(shí)獲取模塊,其判斷能力系統(tǒng)的性能由知識(shí)庫中儲(chǔ)存的知識(shí)量與準(zhǔn)確程度決定,獲取知識(shí)的途徑有3種,即自動(dòng)型、非自動(dòng)型及基于精神網(wǎng)絡(luò)模塊[5]。本系統(tǒng)主要使用非自動(dòng)知識(shí)獲取,具體過程如圖3所示。

圖3是知識(shí)工程師與相關(guān)領(lǐng)域?qū)＜覍?duì)文獻(xiàn)進(jìn)行分析總結(jié),對(duì)分析結(jié)果進(jìn)行多次商討研究得出的結(jié)論,它將各方面得來的知識(shí)匯總,用適當(dāng)?shù)谋硎痉绞交蛘Z言形式來表示,最后存入知識(shí)庫中。機(jī)器學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)模塊獲取知識(shí)的主要途徑,在訓(xùn)練時(shí)將一些具有代表性的知識(shí)注入神經(jīng)網(wǎng)絡(luò)系統(tǒng)中,系統(tǒng)自動(dòng)記住所有重要知識(shí)。

圖3 非自動(dòng)知識(shí)獲取Fig.3 Non-automatic knowledge acquisition

對(duì)于知識(shí)的診斷是很有必要的,這直接關(guān)系著后續(xù)系統(tǒng)的運(yùn)行準(zhǔn)確性,主要有以下幾種方式:①邏輯表示法。適用于事物屬性與概念方面的知識(shí),用簡(jiǎn)單的謂詞公式復(fù)合成較為復(fù)雜的內(nèi)容,具有很好的擴(kuò)充能力。②語義網(wǎng)絡(luò)表示法。在語義網(wǎng)絡(luò)中,用一組節(jié)點(diǎn)表示某一概念或?qū)傩?將其連接起來,連接節(jié)點(diǎn)的弧表示各連接節(jié)點(diǎn)之間的關(guān)系,這種方法能夠?qū)⒏鞣N問題有機(jī)地結(jié)合起來,更加理性地結(jié)合多個(gè)信息聯(lián)合分析。③產(chǎn)生式表示法。該方法常用于表示有因果關(guān)系的知識(shí),由規(guī)則庫、綜合數(shù)據(jù)庫及推理結(jié)構(gòu)等組成,使知識(shí)更加直觀地展示出來,便于系統(tǒng)進(jìn)行推理,令知識(shí)修改更加方便。④框架表示法。主要原理是建立框架式結(jié)構(gòu),將一個(gè)復(fù)雜的系統(tǒng)分成不同的相互聯(lián)系的子系統(tǒng),各系統(tǒng)分工合作,將一個(gè)問題的抽象概念與細(xì)節(jié)進(jìn)行分層處理,減少知識(shí)庫中的搜索時(shí)間,有助于提高整體工作效率[6]。

2.2 數(shù)據(jù)庫

傳統(tǒng)的工業(yè)鍋爐事故診斷方法冗雜性很大,訪問速度很慢,可擴(kuò)充量小。為解決這些問題,需引入數(shù)據(jù)庫。結(jié)合知識(shí)庫使用關(guān)系數(shù)據(jù)庫與ADO數(shù)據(jù)庫,達(dá)到提升系統(tǒng)運(yùn)作效率的目的。

關(guān)系數(shù)據(jù)庫主要由關(guān)系數(shù)據(jù)結(jié)構(gòu)、關(guān)系操作集合及關(guān)系完整性約束組成,如圖4所示。關(guān)系表中記錄了每個(gè)實(shí)體及其相關(guān)屬性,清晰展現(xiàn)出模型中的數(shù)據(jù)邏輯結(jié)構(gòu)。該模型具有選擇、投影、并、交等操作,其中,查詢操作是最關(guān)鍵的部分。使用時(shí)要保證關(guān)系數(shù)據(jù)庫的規(guī)范化,注意字段值的唯一性與獨(dú)立性、功能的關(guān)系性及主索引鍵的使用。ADO數(shù)據(jù)庫可成為存取數(shù)據(jù)的標(biāo)準(zhǔn),能很好地簡(jiǎn)化整個(gè)程序,用ADO方法訪問數(shù)據(jù)時(shí)要依靠ADO對(duì)象,包含連接、記錄集、命令、事件等[7]。

圖4 字段結(jié)構(gòu)Fig.4 Field structure

工業(yè)鍋爐事故診斷系統(tǒng)數(shù)據(jù)庫設(shè)計(jì)需從兩方面入手:建立鍋爐系統(tǒng)的數(shù)據(jù)結(jié)構(gòu),對(duì)收集的數(shù)據(jù)表進(jìn)行操作。如表1所示,以鍋爐內(nèi)裝滿水的樣本為例,系統(tǒng)會(huì)制作基本信息參數(shù)統(tǒng)計(jì)表,給各數(shù)據(jù)編號(hào)并給出特征值,系統(tǒng)檢測(cè)報(bào)警功能基于數(shù)據(jù)比對(duì)及分析做出反應(yīng)。在事故發(fā)生類型表中儲(chǔ)存著許多事故發(fā)生的原因分類及處理措施分類,當(dāng)機(jī)器出現(xiàn)新的故障類型時(shí),可對(duì)知識(shí)庫與數(shù)據(jù)庫進(jìn)行添加填充。事故預(yù)兆信息表是對(duì)事故發(fā)生類型表中的各現(xiàn)象及數(shù)據(jù)進(jìn)行總結(jié),建立事故學(xué)習(xí)樣本,在事故發(fā)生前進(jìn)行有效預(yù)測(cè)[8]。

表1 鍋爐滿水樣本信息實(shí)例

3 結(jié)束語

工業(yè)鍋爐應(yīng)用廣泛,需控制其危害,降低事故的發(fā)生率,因此工業(yè)鍋爐事故診斷系統(tǒng)應(yīng)用前景廣闊。系統(tǒng)建立完成后,需對(duì)其進(jìn)行測(cè)試,檢驗(yàn)其運(yùn)作效果。若檢測(cè)該系統(tǒng)存在風(fēng)險(xiǎn),需現(xiàn)場(chǎng)采集各項(xiàng)數(shù)據(jù),交給系統(tǒng)進(jìn)行模擬測(cè)試。實(shí)驗(yàn)結(jié)果顯示,該系統(tǒng)能夠準(zhǔn)確判斷工業(yè)鍋爐的實(shí)時(shí)狀態(tài)并給出相應(yīng)的反應(yīng),可在實(shí)踐中應(yīng)用推廣。