摘 要:本文通过预警系统性能参数预警信息,在基于状态编码的风机状态相似性条件约束下,搜寻历史相似的时间序列数据集,然后对每个相似的时间序列进行系统辨识,得到对应的系统特征参数,最后对有用特征参数进行曲线拟合,得到风机的性能趋势预测曲线。
关键字:风机性能;预警;系统辨识;性能预测
机械设备故障预测的一个主要目的是实现设备运行状态的预报。故障预测的一个核心和难点就是如何从信号中提取能够有效反应故障发展趋势的故障特征量,以及如何根据故障特征量准确地预测故障发展趋势。
由于大型机械设备结构日趋复杂,运行工况多变,近年来,针对机械设备非平稳运行状态的特征提取成为国内外学者研究的重点和前沿。目前,新方法主要有循环平稳和准循环平稳信号分析与循环统计方法、经验模态分解方法、混沌分形、形态学分析、小波分析、流形学习、支持向量机及粗糙集等,这些方法为提高机电系统故障诊断能力提供了新途径,在信号分析和特征量提取方面发挥了巨大的作用。
在故障特征量提取后,需要依据故障特征量的发展趋势采用适当的故障预测方法实现设备故障预报。在故障预测方面,神经网络、支持向量机、专家系统、模糊数学、贝叶斯网络、隐马尔可夫模型等算法具有应用价值[1]。
预警系统通常采用基于相似性原理进行建模,文章[7-12]介绍了预警系统的研究应用。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[9,13-15]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,若超出阈值则差生偏差预警。
本文介绍“预警模型性能参数预警——预警事件前后时间序列搜寻——定模型系统辨识——辨识参数拟合及预测”的技术路线。从系统测点状态参数角度分析,搜寻参数的相似的时间子序列并作为分析单元。通过预警系统性能参数预警信息出发,在基于状态编码的风机状态相似性条件约束下,搜寻历史相似的时间序列数据集,然后对每个相似的时间序列进行系统辨识,得到对应的系统特征参数,最后对有用特征参数进行曲线拟合,得到风机的性能趋势预测曲线。
风机的大量失效故障不是瞬时发生的,故障从开始、发展到恶化总有一段出现异常现象的事件,而且有征兆可寻。观察和统计表明,大型旋转设备的大部分故障是具有时间依存性的、可预知的趋势性故障,采用科学有效的故障预测往往能够揭示故障的发展变化,有利于避免设备恶性事件和继发性事故的发生。
故障发展变化的特征信息是一种早期的故障信息,甚至是故障发生前的趋势特征信息,其具有弱信息特征导致信噪比很低;在故障预测中有用信息往往被复杂系统的时变、非线性运行特征、工况和负载变化、环境干扰和测试系统噪声等非故障信息所淹没,传统分析方法往往难以进行有效的故障预测。
许多故障模式往往伴随着设备性能的劣化,而设备性能相关的本质参数往往能够反映本质的性能退化情况,然而设备本质参数往往是不能直接测量,只能通过可测量的状态参数来推断。
对于风机,经常希望通过监测系统的参数变化来确定系统的状态。当系统的输出和系统模型的预测值相差较大时,表明系统的本质特性发生了变化。
系统辨识参数与设备本质参数往往有一种同构的关系,通常可以通过辨识参数的变化来描述设备本质参数的变化,使问题处理简单和理解更加深刻。例如与历史同工况和同状态变化向量相比,负载响应时间过长、稳态偏差值逐渐增大等都可以反映设备处于一个性能劣化的过程。
对风机历史数据进行挖掘,通常两到三年事件跨度的数据。一台大型风机通常有几十个测点,虽然采用了数据压缩技术,两三年累计下来的数据量也非常可观,非常不便于数据的定位和分析。因此,对风机各个工况参数进行状态编码,对各个测点进行离散化,提供测点参数变化的大致轮廓,方便计算机的快速搜寻定位;压缩事件感知和提高相似性工况和状态工况变化的搜寻。鉴于风机性能劣化是一个渐进的过程,我们可以选择历程中变化最多的和具有代表性的状态和状态变化向量来研究,而不影响分析结果。
时间序列近似表示是将原始时间序列用某个维数更低的时间序列在一定的误差范围内代替,这样可以实现数据压缩,减少计算代价。如果能从序列中抽取少量的、主要的特征对时间序列采用近似表示,相当于迸行了十分必要有效的维数约减以消除数据冗余,可以大大提高序列的查找速度。
可以采用PAA方法进行状态编码。PAA方法采用分段累积、近似法首先将时间序列分成相等长度的若干小段,然后分别计算出每一小段的平均值,这些平均值组成的向量就是原来时间序列降低维数后的表示,这种变换得到了原序列的分段常数近似表示,具有简单、重观、高效的优点[16]。
风机状态S用各个输入测点的状态编码Si向量表示:
两个风机状态的变化向量为:
两个风机状态的距离定义为:
其中YT为测点状态加权向量。
风机的性能参数主要有流量、压力、功率、电流、转速、风机进出口流体压力和温度、机组负荷、动叶开度、电机风机轴承温度和振动、润滑油温度和回油温度等测点参数。通常需要综合考虑这些来考察风机的性能,然而这些参数之中与性能的相关性非常小,可以不考虑。通常可以对风机工况历史数据机组负荷进行等长度分箱,对每个分箱内的数据相同数量的抽样,然后进行相关性分析。剔除与性能关联性小的测点,缩小影响风机性能参数的维度,简化分析过程,减少计算量。
通常可以采用影响性能参数的测点作为模型的输入参数,例如:
采用反映性能参数的测点作为模型的输出参数,例如:
大型选装机械的故障通常为随机过程,在研究对象长历程的运行过程中,工况变化、负载变化、环境变化和外界干扰等非故障因素产生的影响。风机是一个复杂的非线性动力系统,传统方法描述系统运动行为时,通常将非线性忽略掉。一般认为,在一个状态小范围的工况参数变化过程中设备的动态特性是线性的。
两个时间序列在近似表示条件下的相似性即指:如果两个时间序列经过某些近似表示后的相似性函数在一定的误差限制范围内满足某个条件,则认为这两个时间序列在这种近似表示条件下是彼此相似的[16]。
根据预警事件前后时间长度为L的时间范围内的参数状态编码,依据某种相似性,搜寻历史时间序列数据集。
通常以预警系统性能参数的测点的预警事件作为辨识系统启动的触发事件。假设事件触发时刻风机的状态编码为S0,可以采用以下的方法进行相似性时间序列的搜寻:
1、查找风机状态与触发时刻状态距离小于等于
2、搜寻Si前后长度为L的,采样时间间隔为dt(通常dt=1s)的时间序列集合
3、搜寻类正向单位阶跃时间序列相似的中心状态集合U2,采用以下的判别方式:
4、搜寻类负向单位阶跃时间序列相似的中心状态集合U3,采用以下的判别方式:
5、得到相似集合
根据对象特性及系统辨识研究需求,建立模型类库。由于风机性能辨识模型较为简单,首先考虑LS模型。采用简单的最小二乘法进行特征参数辨识。
输出性能参数有:
系统模型:
用于描述系统的输入j输出i特性,其中
为了讨论的方便,以下省略下标ij,表示对某一特定的输入输出系统模型。准则函数为:
其中
设一个随机序列
其中,好h(k)是可观测的数据向量,利用随机序列的一个实现,使准则数:
达到极小的参数估计值
设
若
对集合U中的每一个时间序列进行系统辨识,得到
本文介绍了一种风机性能趋势预测的方法。方法采用基于相似性建模的风机预警性能模型进行风机工况参数进行偏差值估计,根据正负偏差阈值设置触发预警事件;对风机各个工况参数进行状态编码;根据预警事件前后时间长度为L的时间范围内的风机事件中心状态、开始状态和结束状态,搜寻历史相似的时间序列数据集;对每个相似的时间序列进行系统辨识,得到对应的系统特征参数;对有用特征参数进行曲线拟合,得到风机的性能趋势预测曲线。
参考文献:
[1]徐小力与王红军,大型旋转机械运行状态趋势预测.2011: 科学出版社.
[2]汪洋,发电厂风机状态趋势分析与寿命预测.湖北电力,2006(04): 第36-38页.
[3]周津慧,重大设备状态检测与寿命预测方法研究,2006,西安电子科技大学.第141页.
[4]张新广,基于盲系统辨识的旋转机械故障诊断新方法研究,2008,郑州大学.第76页.
[5]李超顺,水电机组控制系统辨识及故障诊断研究,2010,华中科技大学.第146页.
[6]邹丽洁,电站设备参数异动搜索分析与故障预警研究,2011,华北电力大学(北京).第98页.
[7]李玉珍,故障预警系统在发电设备状态评估与故障诊断工作中的应用,in 2010年全国发电企业设备检修技术大会2010: 西安.第852-867页.
[8]富双进,电站风机故障预警系统的研究,2015,华北电力大学.第56页.
[9]高明,火电厂送风机故障预警系统的研究,2013,华北电力大学.第57页.
[10]常剑与高明,基于相似性建模的发电机组设备故障预警系统.机电工程,2012(05): 第576-579页.
[11]刘鑫沛,基于相似性建模的发电设备故障预警方法研究,2014,华北电力大学.第59页.
[12]郭康维,基于相似性建模的锅炉一次风机故障预警研究,2014,华北电力大学.第50页.
[13]常帅,基于相似建模的汽轮机故障预警系统,2013,华北电力大学(保定) 华北电力大学.
[14]陈昆亮,汽轮发电机组状态监测与故障预警系统研究,2012,华北电力大学(北京) 华北电力大学.
[15]赵振书,基于相似性原理的发电机故障预警系统,2013,华北电力大学(保定) 华北电力大学.
[16]张荣明,时序数据挖掘中的相似性和趋势预测研究,2009,广东工业大学.
联系客服