融合预警系统征兆的PHM知识库的构建和应用

融合预警系统征兆的PHM知识库的构建和应用

闫计栋

（神华国华（北京）燃气热电有限公司100024）

摘要：介绍基于相似性原理的预警系统及其预警征兆，提出改进的预警征兆的计算方法以及融合预警征兆、专家经验、故障树和FMEA等知识的故障预测和健康管理（PHM）知识库的构建方法，以更好地实现设备的CBM。

关键字：预警，征兆融合，故障诊断，知识库

1引言

经过多年的研究和应用，电力生产行业的状态检修/维修（CBM）在管理、技术和人员认识上取得了一些成就，同时也遇到了很多问题，离真正的CBM还有很大的距离[1]。参数阈值报警常被电厂运行人员用来判断设备的健康状态，此方法简单，但时常不能真实反映系统设备健康状态，或者系统设备已经（即将）发生明显的失效故障，对CBM的应用帮助有限。

故障发展有一个逐步加剧的过程，前期故障征兆不明显，容易被噪声所掩盖，而前期征兆的综合评估能够得出设备的健康状态，而这个健康状态恰好可以应用于CBM中。因此要对系统设备数据进行深层次挖掘，分析出前期的故障征兆及其发展趋势，定位故障部件及原因，从而更好实现CBM。故障预测包括故障不同发展阶段的故障诊断，并预测故障失效时间。

结合厂级设备数据库系统，为电厂运行人员和设备管理人员提供一个设备信息统计、分析、诊断的平台，集成了设备设计资料、设备台帐、设备节能环保信息、设备维修运行信息、设备预警信息、设备物资成本信息、设备隐患、设备诊断分析等数据，实现对设备查询、交流、分析、知识经验共享,提高对设备管理的实时性、高效性、准确性。

故障预测和健康管理（PHM）是CBM很重要的一部分。PHM就是借助各种算法和模型（如物理模型、特征融合、专家系统、神经网络、模糊逻辑等）评估系统设备的健康状态和预测发生失效故障的时间。

许多故障诊断方法已经进行了研究、应用和改进，都有各自的优点和不足，实践表明单一一种方法很难完成设备故障诊断的最终目标，必须综合利用多种方法才能获得满意的结果[2]。本文介绍一种融合预警系统的预警征兆的PHM知识库的构建方法和应用。

2预警系统介绍及改进

大多数过程工业的系统具有结构复杂、时变、非线性和强耦合的特点，基于相似性原理的数据挖掘预测方法常用于过程工业中。文章[3-6]介绍了基于相似性原理的预警系统的原理、系统结构和实现。基于相似性原理的预警系统可以应用到各种复杂的系统中，实施简单快捷；移植方便，不需要参数调整且具有很强的鲁棒性；覆盖全工况多扰动，可以建立个性化模型，以动态带作为报警阈值，从而得出和展示故障初期的征兆[7]。

采集一段时间（一般为一年）的系统相关运行数据，作为基准工况参数样本，并且认为这些样本已经全覆盖系统的各个运行工况。预警系统根据所选历史数据样本进行相似性分析，建立相应的动态模型，并使用所建模型对工业系统采集的实时测量值样本进行计算并且与模型设定的偏差值比较，若超出阈值则产生偏差预警。

预警系统在一些电厂中取得了很好的应用效果的同时也存在着一些问题[8-11]。预警系统计算和展示结果仅仅是各个参数的预警信息，并没有对这些信息进行有效的综合分析，经常需要专家综合评估，得出可能的故障模式和故障原因。本文通过改进预警系统得出不同的故障征兆，并且融合其他特征，实现综合故障模式的识别。

2.1改进样本的挑选

预警系统的通常采用人工甄选的方法对一年的历史数据进行筛选，工作量大，具有很大的主观性，样本挑选质量往往与人员素质有关，很容易影响预警模型的准确度。通过下面的方法对样本自动采集，既减轻了劳动强度也可以提高模型的准确性。

（1）采集一年运行参数，采样周期通常为1h；

（2）对各个测点数据进行标准化处理；

（3）剔除样本中含有大于3倍标准差的样本；

（4）生成样本集合

2.2改进预警阈值的设置

异常值往往随着负荷或者相关变量的特征参数的增大而增大，预警模型计算出来的偏差值也能充分反映这种变化的特征，而预警系统预警阈值通常设定为一个常量，仅仅通过阈值来判断异常值的有无往往丢失很多有用的信息。通过对测点进行以下处理，把预警偏差值映射为一个实数，称为健康状态系数，即使在不同的负荷或者相关系数变化的情况下，也能充分反映测点数据的健康程度。

（1）对测点进行聚类处理；通常根据实际情况分成几类。下图为引风机的测点聚类，我们可以分成两大类。对处于同一子类的测点重心赋予较大的权重，而不同子类赋予相对较小的权重。逐级计算加权后的重心，得到该测点与大类加权重心的关系。例如下图，如果计算测点17所在大类的重心，可以采取步骤：①分别计算测点类{12-14，17-19}，{11，15，16}，{20，21}的重心c1，c2，c3取权重分别为0.8，0.1，0.1得到新的重心c4=0.8*c1+0.1*c2+0.1*c3；②计算测点类{4}的重心c5，取c4，c5的权重0.95，0.05，得到第一个大类的测点重心c6=0.95*c4+0.05*c5。

（2）对重心进行分箱，通常分成10个，计算每个分箱内测点的3倍标准差，拟合重心-测点3倍标准差曲线，称为健康曲线。预警模型计算出测点偏差结果之后，接着计算该测点所在类的重心，查出该重心下的标准健康值，然后计算健康度，健康度=偏差值/标准健康值。|健康度|<1,说明测点参数正常；健康度<-1,说明测点参数偏低；健康度>1,说明测点参数偏高。

2.3预警征兆的生成

由于预警系统采用的相似性模型进行计算，测点健康度可以很好的表征测点的征兆，统称为预警征兆。例如温度测点可以采用该测点健康度h>1.1表示温度高，h<-1.1表示温度低，△h>0.2/天表示温度逐渐升高等。通过相似的配置处理，可以定制出各测点健康度与征兆的映射关系，方便规则的编辑和故障模式的识别。

3故障预警建模

鉴于本项目依托工程在数字化建设方面的成果显著，为设备管理提供了大量数据，通常每台设备有20到300个传感器用于设备状态监视，SIS系统也提供了大量实时和离散数据，在创建模型时，大量历史数据可供参考，因此，建模时充分考虑了多个传感器数值之间复杂的相关性，例如，对于引风机，线圈温度不仅与电流有关，还与环境温度有关，故障预警模型中已经在同一模型下的多个传感器中建立了这种复杂的相关性。在模型计算时，根据相似理论模型计算出每个传感器的估计值，为每个特征量建立设备正常运行的动态带，当设备传感器超出动态带并在统计学上显著超出时，则触发事件，提醒电厂工程师潜在的设备问题。

3.1数据点位核对

将现场的传感器与模型点进行匹配，本项目模型使用实时系统中的数据点位。完成点位核对后，故障预警系统中的设备模型将实时（按设置采集频率）采集设备各关键参数，并按矩阵方式与历史数据对比，拟合出各指标预测曲线带，然后该组数据可设置作为历史数据存入矩阵中作为经验值参考，如此往复循环，迭代的方式促进设备预警模型不断自学习、自完善。

3.2采集历史数据

从电厂实时信息系统的历史数据库中读取一年的历史数据，累积足够的各种工况参数，数据采集以一小时为间隔。

3.3创建状态矩阵

将历史数据导入模型，过滤非典型数据及特殊工况数据，将单体设备的各参数组成一组向量，撷取不同工况的数据拟合为矩阵，以凝结水泵为例，由“入口压力、入口温度、流量、转速、出口压力”组成一组5维向量，由N组不同工况参数拟合为状态矩阵，如图3-11所示，各组向量为各典型工况的具体参数。

3.4产生估计值

在设备正常运转时，故障预警系统实时从SIS中以向量为单位采集数据，实际值向量与状态矩阵中的每一个向量比较，得出一个相似度值，基于其与实际值向量的相似度，状态矩阵中的每个向量都计算出一个相似度权重值，对于每个传感器实时参数，状态矩阵中的每个向量乘以相似度权重并累加从而得到估计值。

4PHM专家知识库的构建

PHM首先通过综合计算，找到故障征兆；对照故障征兆和故障模式关系映射表，得出故障模式；通过故障模式和故障原因映射表，推导出可能的原因；逐步分析和推导相应的子故障模式，最终能够得到故障原因和故障部位；跟踪故障征兆趋势，预测可能发生的失效故障以及部件在当前运行条件下失效时间（剩余寿命）；根据部件和预测故障模式知识库的调用，指出故障发展趋势和后果。通过维修决策合理调配维修保障资源，制定最佳维修保障方案，以实现系统设备的状态检修。

国内外常用带有故障诊断专家系统进行状态监测和故障诊断，为设备管理、维修和运行人员提供相关的智能决策[4]。专家系统的关键技术是知识的表达和知识库的完备，健全、完善、有效的知识库，方能满足不同问题的求解需求。

4.1知识的获取及存储

故障诊断知识来源于多个方面：

1.论文、报告、专著、专利、课本、产品说明书

2.现场运行维修人员的实践

3.领域专家

4.抽取已有故障树的结构体系[12-15]知识。可以采用预警征兆和故障树事件的等价映射，实现征兆之间的层次关系和演化过程，以此为依据编辑不同故障发展阶段的规则。

5.抽取FMEA（故障模式及影响分析）知识。FMEA是一种简单易行的故障分析方法，其针对故障模式进行故障原因、故障征兆等的关联进行分析。

6.预警分析人员的经验。经过多年的应用、研究总结，预警分析人员对预警特征和故障发展之间的关系有了更深的认识和意见。

对所搜集的知识进行综合的整理、分析、筛选、归纳然后将所需的知识人工抽取出来，编辑存储到数据库中。火力发电厂故障诊断知识库以各个系统为编辑单元，每个编辑单元详细记录对应的知识，其中包括：

故障模式库：记录系统中所有的故障模式。由于故障模式之间存在相互重叠的故障征兆，为了符合主观认识和提高故障模式的可辨识性，选择和优化故障模式配置，使故障模式之间的征兆差异最大化。

故障征兆库：记录系统中所有的故障征兆（或特征）

故障模式故障征兆映射库：记录一种故障模式下所有可能出现的征兆映射。故障模式在每个发展阶段，系统都会有很多征兆，有些征兆可以通过测点数据判断直接得出，但大部分必须通过不同的算法进行数据挖掘（例如预警系统就是很好的数据挖掘工具）。把每个阶段的征兆列举出来，组合成一条规则，并赋予这条规则一个健康系数，表示故障模式的发展阶段或者确认程度。某故障模式在逐渐恶化的过程中，将会有不同的征兆，从而触发不同的诊断规则，通过规则健康系数的跟踪和拟合，可以预测发生失效故障的时间。

故障征兆算法库：包括所有征兆的应用到的算法的描述。

故障原因库：记录系统中所有的故障原因以及相应的影响和处理措施。

故障模式故障原因映射库：记录所有导致一种故障模式发生的可能的原因。

4.2故障征兆来源

故障征兆有多个来源，除了来自预警系统的征兆外，还有来自智能特征计算系统的特征和特征信息管理系统的特征，后两者是对前者的进一步验证和补充。特征信息管理系统的特征通过专门的接口程序，调用化验、点检、检修、台账和巡检的数据，同时提供相应的手动录入的界面，方便外部信息不完善或不能接进来的情况下，可以人工输入数据，使系统能够正常运行。

4.3征兆融合规则的生成

通常系统设备部件发生失效故障有一个过程，从萌芽、加剧、恶化到最后发生失效故障。每个阶段系统表征出来的征兆都不一样，过程中由于环境、操作、工况、系统等影响，也会影响故障发展的速度和方向。根据系统众多参数综合计算，得出每个特征的健康程度并跟踪发展趋势，然后结合专家知识库，得出故障模式的健康程度和发展趋势，最终预测失效时间。

根据故障失效的发展规律，制定故障模式每一个阶段的诊断规则，表征每个阶段的发展情况。通常规则不超过9条，不通过专家的主观认识，判断当规则发生时，设备处于的健康状态，称为健康系数。健康系数越大则越健康，设定范围为[0,1]，1表示完全健康，达到设计值性能要求，0表示发生了失效故障。由于规则时跟踪故障发展的过程，故原则上随着规则编号的增加，健康逐渐恶化，健康系数逐渐减小。

通常最根本的故障原因也就是故障树中的底事件很难诊断出来。很大一类底事件的故障征兆具有很大的相似性，通过取这类事件的征兆的交集，构成一个故障模式。在确认故障模式发生的前提下，调用排他性的故障原因诊断规则，最终得到发生故障的根本原因；也可以在确定故障模式的前提下，通过技术人员就地检测分析以进一步确认故障原因。

5结论

本文根据电力生产行业设备的特点，提出改进的预警征兆的计算方法以更好地实现预警特征和故障树事件之间的映射关系，定义了测点健康系数的计算，方便今后结合故障诊断规则实现故障预测。提出了融合预警征兆、专家经验、故障树和FMEA等知识的故障预测和健康管理（PHM）知识库的构建方法，以更好地实现设备的CBM。

参考文献

[1]黄树红,李建兰,陈非.我国火电设备状态检修的发展与展望[J].汽轮机技术,2007,49(4):241-245.

[2]蒋东翔,倪维斗.大型汽轮发电机组混合智能诊断方法的研究[J].清华大学学报（自然科学版）,1999(3):75-78.

[3]常帅.基于相似建模的汽轮机故障预警系统[D].华北电力大学(保定)华北电力大学动力工程,2013.2008,21(2):44-47,70.

作者简介

姓名：闫计栋，1983年06月23日生，工程师，工作单位：神华国华（北京）燃气热电有限公司