设备智能诊断技术系统在智慧电厂的应用

设备智能诊断技术系统在智慧电厂的应用

张龙

（山西鲁晋王曲发电有限责任公司山西省潞城市047500）

摘要：智能诊断技术对自动化设备的潜在故障和设备早期的性能劣化提供及时、有效地监测和预警，为自动化设备的高效维护提供强有力的保障。现在，用来对自动化设备进行监测诊断的技术很多，但也存在一定的不足。鉴于发展智能诊断技术的重大意义，本文介绍智能诊断系统应用现状，并且通过智能诊断系统关键技术融入智慧型电厂建设，从而显著提高了生产效率。

关键词：自动化设备；智能诊断；智慧电厂

随着自动化设备的结构和功能日益复杂，用户要求设备稳定、安全、高效地运行，甚至提出实现无人工厂，关灯生产的愿景。故自动化设备的故障与潜在缺陷诊断和预测技术已经成为现代工业生产、发展的迫切需要。通过采用各种故障诊断技术、微弱早期故障的特征获取技术以及趋势预测理论模型等，研发设计了设备自主点检、智能专检等技术来对设备运行状态进行实时监测和分析，预判设备故障。数字化电厂建设的最终目标绝不仅仅是一个信息化、数字化平台，而是电厂设备和运行状态的优化决策和智能评判，也就是智慧电厂。

一、智能诊断技术的研究现状

随着自动化设备的机构日益复杂化，设备故障带来的危害和损失也不断增大。因而，自动化设备故障诊断技术的地位日益重要。目前，在理论研究方面也出版了不少专业的论著，相关机构也研发了许多具有国际先进水平的设备状态监测技术和故障诊断系统等。但国内故障诊断技术与国际先进水平相比仍存在较大的差距，主要体现在相关诊断理论未成体系、相关机理研究尚未透彻、多参数综合分析诊断技术尚未成熟和智能故障诊断系统本身可靠性不高等几个方面。另外，智能诊断技术在大型成套设备上的研究应用比较多，但在制造企业的自动化设备方面的研究应用相对较少，相关技术文献、资料和论著也不多。智能故障诊断技术从学科整体可归纳为以下几种：基于机理研究的诊断理论、基于信号处理的诊断方法、模糊诊断理论、振动信号诊断方法、故障树分析法、灰色系统理论、故障诊断专家系统方法、故障模式识别方法、故障诊断神经网络理论、基于数学模型的故障诊断理论和方法。

二、自动化设备智能诊断技术的应用

1、自动化设备智能诊断的技术和方法

自动化设备智能诊断技术是做好预测性维护工作的核心技术，它是集成了设备状态监测、设备故障诊断、设备故障预测、设备维护决策和设备维护活动于一体的系统。设备的状态监测和故障诊断提供基础数据，设备故障预测是技术研究重点，设备维护决策则需要做出维护活动要求。下面介绍智能诊断技术和方法。

振动测量技术：为了定期的调查机械状态，需运用机械、光学或电气的方法对振动振幅、波形、振动数实施测量，并进行对比分析，以预测或判定设备故障的可能。

润滑油光谱分析：是一种通过光谱分析润滑油中物质的成分，对润滑油进行管理、监视轴承、齿轮、油密封圈等的异常状况的手法。

声发射技术：当材料或结构长期受外力或内力作用时，材料内部的缺陷会逐渐发生龟裂，变形能量被解放，并作为超声波的弹性波被释放出来，这就叫声发射（简称AE）。通过声发射探测技术可以预测和判断材料龟裂程度。

2、自动化设备智能诊断的设计应用

自动化设备故障智能诊断技术需要系统的诊断分析工具和软件的支持，实时地感知、采集被诊断的装置或部件的相关状态和数据，与事先设定的状态和数据进行分析比较，或研究其变化趋势，经过相关诊断理论和方法综合分析确定或预测故障。因此，故障诊断系统首先要解决的瓶颈问题便是准确地获取诊断信息。但是为防止数据量冗余而导致的故障诊断误判，状态和数据采集也不是越多越好，而是要求精而准。

自动化设备智能诊断的设计应用：第一，创新性的采用开机自主检测和首件检测对比分析技术，即开机空运转时就对各部件的工作条件进行检测，各I/O口的初始状态是否准确，当首件零部件上料或加工后再进行检测，并就其信号状态进行对比分析，以判定设备各项功能和检测技术正常与否；第二，在线实时检测分析，即按照逻辑工作顺序对PLC各I/O工作状态进行检测，采集相关数据，并与事先设定的状态和数据进行分析比较；第三，智能诊断机器人专项检测技术，即将各专项诊断技术如视觉技术、热成像技术、声纳探测技术、位移检测技术、噪音检测、振动检测等技术集成在移动式智能机器人上，并按程序设置定期、定点对各台自动化设备进行诊断，并实时进行互联通讯，将维护人员标准的诊断方法和技术固化下来，实时地与设备、系统互联互通，避免人为判断的技能差异和失误。总之，自动化设备智能诊断技术的设计应用可有效提高智能诊断技术水平和系统的可靠性、及时性和科学性。

三、设备智能诊断的可行性分析

开展设备智能诊断有几个前提条件：完备的设备状态数据、细心和先进的特征提取技术、丰富的专家经验缺一不可。现根据这几点对设备智能诊断的可行性进行分析。

1、完备的设备状态数据。数字化电厂为智能化电厂建设提供了坚实平台。对于发电厂在设备状态信息获取方面已经取得了显著进展。目前电厂大多配备了全厂信息化SIS系统和TDM系统，先进的TDM系统已经能够把TDM监测到的振动数据和SIS系统过程数据有机结合起来。专家到厂后，根据这些数据完全可以对设备状态进行分析。在目前技术条件下，专家即使不到厂，也可以利用这些数据远程进行分析和诊断。应该说，开展设备智能诊断所需的数据基本齐全。

2、细心和先进的特征提取技术。调取和查阅监测数据，分析和挖掘故障特征，是专家到厂后首先需要开展的工作。专家能否从大量的数据中发现和准确把握故障特征，决定了他是否能准确诊断故障。可以说，专家细心程度在很大程度上决定了他的诊断水平。如果能从大量的数据和图谱中发现不稳定振动和真空之间有一定关系，故障原因也就迎刃而解了。

3、丰富的专家经验。相比于众多的人工智能技术，专家系统完全模拟专家的决策思维过程，最适合设备故障智能诊断系统研发。专家系统自提出来后，首先就用在医疗诊断系统上。设备的故障诊断和医疗诊断具有很强的相似性，一个面对的是人，另一个面对的则是设备，诊断方法和过程则基本相同。一个人水平再高，必然是有限的。智能诊断系统开发时，应该充分重视系统的学习能力。这就要求系统开发具有很强的兼容性和模块性，允许吸收不同技术人员的经验和知识，不断实现自我学习和提升，海纳百川，达到一个质的飞跃。

四、故障诊断系统实现框架

1、系统框架。智慧电厂设备故障诊断系统包括实时数据采集、信号处理与显示、特征表示与提取、设备故障预警、设备故障诊断、数据库系统以及其他辅助模块。数据采集部分是故障诊断系统的数据基础，故障诊断系统的核心部分是特征提取及故障的诊断方法。

2、故障的特征提取。故障的特征提取是进行故障诊断的重要前提，能否从海量的数据中提取故障特征直接决定了故障诊断系统能否对可能的故障进行及时的预警以及准确的定位。事实上，振动与负荷、流量、温度、电流、真空、胀差等过程量之间的相互关系，也包含了大量的故障特征，通过研究振动信号与过程参数之间的相关性，能够区分大量差别细微的故障特征，并能够准确定位故障原因。

3、故障的诊断推理方法。故障的诊断推理是故障诊断的核心，其实质是设备状态多值模式的识别问题。故障诊断方法的研究一直是学术研究领域的热点问题，也提出了许多先进的故障诊断技术，如神经网络、支持向量机、模糊逻辑、马尔可夫链和贝叶斯等方法。以上方法尽管具备强大的数据分析、故障判断以及运行状态预测的能力，但在模型建立过程中都不免存在经验参数的设置与调试，带有很强的主观性，且对调试人员的工程经验要求较高。

4、系统的功能及特点。该系统的功能主要包括数据的采集与处理、故障特征的表示与提取、早期的故障预警以及设备故障诊断，具体介绍如下：

数据采集。数据采集主要包括振动数据和过程参数两部分，其中振动数据来源TDM，过程参数来源与DCS。

信号处理。主要包括时域波形图、频谱图、轴心轨迹图、三维谱图、波德图、极坐标图和振动趋势图等。特征表示。特征表示模块的功能主要包括时域特征表示、幅值域分析、频域特征表示以及相关分析。

特征提取。综合利用多种特征提取方法，既包括传统的时域、频域特征提取，也包括小波分析等现代时域、频域综合分析方法，同时综合考虑过程参数，并结合电厂设备的故障信号特点，如振动信号的突变、爬升以及波动等，提出一种独有的故障波形匹配算法，方便设备故障的快速、精确定位。

设备故障预警。故障预警模块能够在振动等故障信号达到报警状态之前，根据提取的故障信号特征对设备进行智能警示。

设备故障诊断。故障诊断模块能够综合利用历史数据与实时数据，通过提取的故障特征，并结合相关分析，及时准确地预报设备故障，能够准确描述故障的现象、产生原因并能够精确定位设备的故障点。

五、智能故障诊断技术的发展趋势

智能故障诊断技术的发展趋势主要有：多信息融合、多智能体协同、多种算法结合。

信息融合最早用于军事领域，定义为一个处理探测、互联、估计以及组合多源信息和数据的多层次多方面过程，以便获得准确的状态和身份估计、完整而及时的战场态势和威胁估计。它强调信息融合的三个核心方面：第一，信息融合是在几个层次上完成对多源信息的处理过程，其中每一层次都表示不同级别的信息抽象；第二，信息融合包括探测、互联、相关、估计以及信息组合；第三，信息融合的结果包括较低层次上的状态和身份估计，以及较高层次上的整个战术态势估计。多信息融合技术用于故障诊断是指故障诊断用到的信息的来源多样化，而且信息处理的广度和深度均有扩展，信息的加工过程中，强调既能够克服单一数据源的信息不足和丢失或错误的问题，又能够解决多数据源的信息冗余或重复或矛盾的问题，是一种有机的、智能的融合。大连理工大学2001年发表的研究成果表明，多信息融合技术的应用能够明显提高故障诊断的准确性。

一个智能体就是一个专家系统，多智能体也被称为群专家系统。多智能体协同包括多种推理方法或计算功能之间的协同，以及分布式计算中不同区域之间的协同。在电网的故障诊断中，多智能体协同还可以用于协调电网不同区域之间的协同。区域间协同是通过把大电网分为几个小电网进行协同推理计算，降低推理计算的维度和知识存储来提高速度；功能协同是利用相互可以交换数据和计算结果的多个子系统同时协作计算，并行完成不同的子功能，以提高整体的速度。2007年，中国电力科学研究院的学者结合利用基于规则推理的方法和基于贝叶斯网络的诊断方法，对含不确定性信息的复杂故障的诊断进行了多智能体协同诊断的研究，结果表明，能够实现更快更准确的诊断。随着智能诊断技术的发展和研究的深入，人们陆续提出了大量的新思路和新算法。专家系统技术应用最广，最为成熟，缺点是学习能力不强；ANN技术和专家系统技术相比，其最大的特点是不需要为专业知识与专家启发性的知识转化、知识形成、知识表达方式和知识库构造作大量工作，而只需以领域专家所提供的大量和充分的故障实例，形成故障诊断ANN模型的训练样本集，运用一定的学习算法对样本集进行训练。它的推理是隐式的，执行计算速度很快。由于ANN具有强的自组织、自学习能力，鲁棒性高，免去推理机的构造，且推理速度与规模大小无明显的关系，能够在很大程度上克服专家系统的缺点，因此成为了与专家系统结合应用最广的技术。但是ANN技术难以适用于运行方式经常变化的电力系统；决策树技术能够对系统信息进行归类梳理，可以用于提高专家系统的速度，但是前提是需要建立清晰的数学模型；数据挖掘可以用于量化分析诊断的准确度，但是数据挖掘技术本身还需要进一步完善。研究和实践表明，这几种技术的结合应用有助于提高故障诊断系统的智能水平、效率或准确度。智能故障诊断技术的进一步完善，在一定程度上依赖多种算法的结合紧密度和有效度。总之，智能故障诊断技术正向提高智能性、快速性、全局性、协同性的方向发展，从而产生更加高效和准确的诊断结果。

智能诊断技术使自动化设备的故障和潜在缺陷得到快速准确地维护和处理，从而提高了生产效率，降低了设备维修费用，对生产实践活动意义重大。诊断技术将逐步朝着全智能化、综合化的方向发展，即向集监控、测试诊断、管理和根据实践经验进行后期预测于一体的全智能综合系统诊断方向发展。

参考文献：

[1]张培先，刘吉臻.智能故障诊断技术的发展及应用[J].广西电力，2013（3）：2.

[2]吴今培.智能故障诊断技术的发展和展望[J].振动：测试与诊断，2014（2）.

[3]李良庚.机电设备维修方式的选取策略研究[J].机电工程技术，2013（10）：7.

[4]蒋朝阳.基于PLC信息的故障诊断系统[J].机械制造与自动化，2014（2）：17.