一种基于全工况卷积特征记忆的引风机故障预警方法与流程

1.本发明涉及电站设备故障预警技术领域，具体为一种基于全工况卷积特征记忆的引风机故障预警方法。


背景技术：

2.引风机是电站重要辅助设备之一，起着维持炉膛负压、稳定炉内燃烧的作用。由于引风机输送的是燃烧后高温、高杂质的烟气，其工作环境十分恶劣，发生故障的可能性很高。火力发电工艺流程复杂且耦合性强，引风机故障不仅会使自身效率降低以及损坏，还有可能造成烟风系统失效甚至全厂故障停机。此外，为满足碳达峰碳中和的新能源发电上网要求，火电机组需要灵活调峰，引风机等设备工况点常处于复杂动态变化过程之中。据此国家能源局作出指示，要加强新能源转型背景下的火电机组安全风险管控措施研究，推进设备运行安全新技术研究与应用，实现电力设备诊断、预警与治理关键技术国产化。因此，发明一种新型引风机状态监测及故障预警技术，实现对引风机全工况下的运行状态进行监测并对故障进行预警十分重要。
3.传统引风机故障预警技术简单监视引风机状态参数超出固定上下限的情况，并通过技术人员现场巡检进一步确认监视结果，这存在着鲁棒性差以及效率低等问题。不同工况下引风机状态参数的波动范围是不同的，不能基于简单的固定限值判别故障。近年来，电站信息化发展催生了以多元状态估计为代表的的引风机故障预警诊断技术，该技术以引风机历史正常状态的线性组合来估计引风机实时状态，如果估计值与实测值的偏差较大则认为发生了故障。该技术可解释性强，提高了引风机故障预警的准确性和可靠性。但是该方法也存在着一些缺陷，一是将引风机的工况看作静态，从历史工况中选取离散工况点构建记忆矩阵，没有考虑引风机的动态特性；二是对引风机非线性特性的表达能力差。因此，可以在此技术的基础上发明一种基于全工况卷积特征记忆的引风机故障预警方法。


技术实现要素：

4.本发明的目的在于提供一种基于全工况卷积特征记忆的引风机故障预警方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于全工况卷积特征记忆的引风机故障预警方法，包括以下步骤：
7.步骤一，引风机历史数据获取，从机组数据库获取引风机状态参数的正常历史数据；
8.步骤二，r稳态检验，使用r稳检验将数据划分为稳态和动态区间；
9.步骤三，动态区间拓延，将引风机动态区间向稳态区间拓延，得到增广动态区间数据集{di}；
10.步骤四，离线阶段的数据归一化与划分，将区间集合内数据归一化并划分为训练数据与验证数据；
11.步骤五，构建样本集，利用滑动窗口分别对训练数据、验证数据内区间采样；
12.步骤六，模型训练，基于cae-m对训练样本集建模；
13.步骤七，模型验证，基于训练好的模型得到验证样本集对应的spe序列；
14.步骤八，故障预警阈值计算，根据验证样本spe序列的核密度估计结果得到故障预警阈值；
15.步骤九，在线阶段的实时数据归一化，将各参数进行归一并与历史数据构成窗口数据；
16.步骤十，实时监测与预警，输入模型得到实时监测指标，对比故障阈值实现实时故障预警。
17.优选的，所述正常历史数据为从电站实时数据库中采集表征引风机状态的相关参数在各种工况下的正常历史数据，得到离线数据d，按时间顺序以10s作为间隔采集数据。
18.优选的，所述r稳态检验通过r检验法对时间序列运行数据进行稳态判定，分别以引风机电机功率、引风机进出口差压作为稳态判别对象，取两者均为稳态的时刻作为总体稳态时刻，得到引风机稳态、动态工况区间的划分结果，其中引风机电机功率和引风机进出口差压的一阶滤波值、一阶滤波均方差和方差的无偏估计值计算方式为：
19.x
f,i
＝λ1xi+(1-λ1)x
f,i-1
[0020][0021][0022]
取λ1＝0.2，λ2＝0.1，λ3＝0.01，分别取序列前10个值的平均值和方差分别作为x
f,0
、令
[0023]
定义统计量ri，如果ri小于阈值2，认为该时刻数据处于稳态并定义状态标识量为1，否则认为数据处于动态，状态标识量为0，ri计算公式如下：
[0024][0025]
优选的，增广动态区间数据集{di}包括引风机全部具有代表性的稳态与动态工况。
[0026]
优选的，离线数据的归一化将增广动态区间数据集{di}中的数据进行归一化，并将其按照一定比例划分为训练数据{di}t与验证数据{di}v，不破坏区间内的连续性与区间之间的差异性，所述训练数据与验证数据均尽可能覆盖全部工况。
[0027]
优选的，使用长度为l的滑动窗以步长s对训练数据{di}t和验证数据{di}v内各个增广动态区间进行采样，得到训练样本集{wdi}t和验证样本集{wdi}v。
[0028]
优选的，cae-m对训练样本集{wdi}t进行建模，得到反映引风机正常状态下全工况特性的模型，并将验证样本集{wdi}v输入训练的模型中计算监测指标spe：
[0029][0030]
优选的，所述故障预警阈值的计算为使用核密度估计得到验证样本集spe的概率密度函数，将累积概率为0.99时的spe值作为偏差限值，即引风机故障预警阈值h。
[0031]
优选的，所述实时数据归一化将引风机各参数实时数据使用与训练数据、验证数据相同的数值进行归一化，并与其前l-1个时刻已归一化的数据组合，构成长度为l的窗口数据。
[0032]
优选的，将实时窗口数据输入已训练的模型，得到实时spe，如果实时spe大于故障预警阈值h，认为引风机状态异常，发出故障预警信号，否则认为引风机处于正常状态。
[0033]
与现有技术相比，本发明的有益效果是：
[0034]
(1)该方法基于机组引风机正常状态历史运行数据，是一种无监督方法，避免了实际过程中引风机故障样本缺少的问题。
[0035]
(2)提出了全新的引风机故障预警方法，该方法同时考虑了引风机的动态特性和非线性特性，利用记忆矩阵保存引风机正常状态低维特征，特征表达能力强。
[0036]
(3)使用r检验法和滑动窗口拓延处理历史数据，得到的模型对各种工况的泛化能力强，避免了对稳态工况过拟合，能够反映引风机正常状态下的全工况运行特性。
附图说明
[0037]
图1为本发明的流程图；
[0038]
图2为在线阶段对故障的监测效果。
具体实施方式
[0039]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0041]
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0042]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0043]
请参阅图1-2，本发明提供一种技术方案：一种基于全工况卷积特征记忆的引风机故障预警方法，包括以下步骤：
[0044]
步骤一，引风机历史数据获取，从机组数据库获取引风机状态参数的正常历史数据，正常历史数据为从电站实时数据库中采集表征引风机状态的相关参数在各种工况下的正常历史数据，得到离线数据d，表征引风机状态的相关参数包括：电机功率、风机进出口差压、风机轴承温度、风机轴承x向振动、风机轴承y向振动、电机轴承温度和电机定子线圈温
度，按时间顺序以10s作为间隔采集数据。
[0045]
步骤二，r稳态检验，使用r稳检验将数据划分为稳态和动态区间，r稳态检验通过r检验法对时间序列运行数据进行稳态判定，分别以引风机电机功率、引风机进出口差压作为稳态判别对象，取两者均为稳态的时刻作为总体稳态时刻，得到引风机稳态、动态工况区间的划分结果，分别计算引风机电机功率和引风机进出口差压的一阶滤波值、一阶滤波均方差和方差的无偏估计值计算方式为：
[0046]
x
f,i
＝λ1xi+(1-λ1)x
f,i-1
[0047][0048][0049]
取λ1＝0.2，λ2＝0.1，λ3＝0.01，分别取序列前10个值的平均值和方差分别作为x
f,0
、令
[0050]
定义统计量ri，如果ri小于阈值2，认为该时刻数据处于稳态并定义状态标识量为1，否则认为数据处于动态，状态标识量为0，ri计算公式如下：
[0051][0052]
将引风机电机功率和引风机进出口差压的状态标识序列时间对应相乘，如果结果为1，认为该时刻引风机整体处于稳态，否则认为引风机处于动态，由此得到引风机稳态、动态区间划分结果。
[0053]
步骤三，动态区间拓延，将引风机动态区间向稳态区间拓延，得到增广动态区间数据集{di}，增广动态区间数据集{di}包括引风机全部具有代表性的稳态与动态工况，定义滑动窗口长度为l，如果两个相邻动态区间之间的稳态区间长度小于l，则将此三个区间合并为一个广义动态区间，将各稳态区间前l个数据划分给其前面的动态区间/广义动态区间，如果第一个区间是稳态区间，将其最后l个数据划分给其后面的动态区间/广义动态区间，如果数据量小于l则全部划分。由此得到引风机增广动态区间，该类区间既包含动态工况数据，也包含相邻稳态工况数据，工况覆盖面广且冗余度低。
[0054]
步骤四，离线阶段的数据归一化与划分，将区间集合内数据归一化并划分为训练数据与验证数据，离线数据的归一化将增广动态区间数据集{di}中的数据进行归一化，并将其按照一定比例划分为训练数据{di}t与验证数据{di}v，不破坏区间内的连续性与区间之间的差异性，训练数据与验证数据均尽可能覆盖全部工况。
[0055]
步骤五，构建样本集，利用滑动窗口分别对训练数据、验证数据内区间采样，使用长度为l的滑动窗以步长s对训练数据{di}t和验证数据{di}v内各个增广动态区间进行采样，得到训练样本集{wdi}t和验证样本集{wdi}v。
[0056]
步骤六，模型训练，基于cae-m对训练样本集建模，cae-m为带特征记忆矩阵的卷积自编码算法，cae-m对训练样本集{wdi}t进行建模，得到反映引风机正常状态下全工况特性的模型；
[0057]
使用以一维卷积为运算方法的编码器对输入样本进行编码：
[0058]
z＝fe(x；θe)
[0059]
式中：x为输入，θe为编码器参数，z为隐变量；
[0060]
定义特征记忆矩阵为m＝{mj}(j＝1,2,
···
,n)，计算隐变量z与记忆矩阵各元素mj的余弦相似度：
[0061][0062]
式中：||
·
||为求模运算；
[0063]
利用余弦相似度计算记忆矩阵各单元对z进行估计时的权重：
[0064][0065]
计算特征记忆矩阵对隐变量z的估计值
[0066][0067]
使用以一维卷积为运算方法的解码器对隐变量估计值进行解码：
[0068][0069]
式中：θd为解码器参数，为输入的重构值；
[0070]
定义模型损失函数：
[0071][0072]
式中：为二范数；
[0073]
确定模型结构：编码器与解码器均设置3层，各层维度分别为7-6-4、4-6-7，特征记忆矩阵单元数n＝300；
[0074]
训练模型：随机初始化编码器参数、解码器参数、特征记忆矩阵和权重向量，使用梯度下降法更新模型参数，学习率为0.001，批次大小为32，训练次数为100。
[0075]
步骤七，模型验证，基于训练好的模型得到验证样本集对应的spe序列，将验证样本集{wdi}v输入训练的模型中计算监测指标spe：
[0076][0077]
步骤八，故障预警阈值计算，根据验证样本spe序列的核密度估计结果得到故障预警阈值，使用核密度估计得到验证样本集spe的概率密度函数，将累积概率为0.99时的spe值作为偏差限值，即引风机故障预警阈值h。
[0078]
步骤九，在线阶段的实时数据归一化，将各参数进行归一并与历史数据构成窗口数据，实时数据归一化将引风机各参数实时数据使用与训练数据、验证数据相同的数值进行归一化，并与其前l-1个时刻已归一化的数据组合，构成长度为l的窗口数据。
[0079]
步骤十，实时监测与预警，输入模型得到实时监测指标，对比故障阈值实现实时故障预警，将实时窗口数据输入已训练的模型，得到实时spe，如果实时spe大于故障预警阈值h，认为引风机状态异常，发出故障预警信号，否则认为引风机处于正常状态。
[0080]
实施例，结合附图以某600mw机组引风机故障预警为例，对本发明作进一步说明，本发明的主要框架分为离线阶段和在线阶段，如图1所示：
[0081]
1.选择电机功率、风机进出口差压、风机轴承温度、风机轴承x向振动、风机轴承y向振动、电机轴承温度和电机定子线圈温度为特征参数，从sis系统以10s的间隔采集各参数一段时间的正常历史数据。
[0082]
2.综合引风机电机功率、引风机进出口差压的状态判别结果，其中1代表稳态、0代表动态。
[0083]
3.将动态区间向稳态区间拓延，得到27个增广动态区间。
[0084]
4.对所有动态区间内数据进行归一化操作。
[0085]
5.将27个增广动态区间按2:1划分为训练和验证集，即18个区间数据用于训练，9个区间数据用于验证。
[0086]
6.使用长度为10的滑动窗以步长1对各个增广动态区间进行采样得到样本集。
[0087]
7.基于带特征记忆矩阵的卷积自编码算法对训练样本集建模。
[0088]
8.基于训练好的模型得到验证样本集对应的spe序列。
[0089]
9.根据验证样本spe序列的核密度估计结果得到故障预警阈值h＝1.495。
[0090]
10.在线阶段，将各参数实时数据进行归一化，并与之前9个采样点的历史数据构成窗口数据。
[0091]
11.将实时窗口数据输入模型，得到实时spe，与故障预警阈值h比较判断是否报警。如图2所示给出了一段时间的在线监测结果，经复查，机组引风机于第172个采样点发生失速，在持续了一段时间后故障被消除，这与在线监测结果相符。
[0092]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。