NEWS CENTER
新闻中心
您所在的位置:首页 > 新闻中心
技术交流
iDS3000智慧电厂设备智能诊断系统研究
发布时间:2016-09-01
访问量:5811


1 前言

近年来,我国发电厂在不同程度上实现了数字化。数字化电厂通过对电厂各类信息的数字化处理,借助于网络技术实现准确且可靠的信息交换和实时共享,并利用智能专家系统进行各种优化决策,为机组的运行和维护提供科学指导。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。对智能技术的追求和应用正是工业4.0时代有别和进步于工业3.0时代之处。

从智慧电厂的定义来看,设备状态的智能分析和评判是智慧电厂建设的主要工作之一。发电厂其实很早就开始这方面的研究。1996年,我国电力工业开始引入设备状态检修管理模式,并首先在北仑、外高桥、邹县、石横等电厂试点。1997年,在原电力工业部的组织下制定了《状态检修建议书》。此后,状态检修工作在电力行业得到了推广和应用。电厂状态检修实施近20年来,应该说取得了一定成效,但与预期相比还有较大距离,主要表现在对数据的利用和挖掘程度严重不足。大量的数据资源由于缺乏整合,数据分散并缺乏连贯性,无法将监测到的数据充分利用起来,再加上欠缺高层次专业技术人员等,使得管理人员很难从中得到有用信息从而做出有效决策。这样的问题同样存在于数字化电厂向智慧化电厂发展过程中,是智慧化电厂建设所需要突破的关键瓶颈技术问题。在智慧化电厂建设过程中,我们应该充分认识到数据不加以整理不能成为信息,信息不加以分析不能成为知识,知识不加以应用不能成为力量。

在大数据、信息化和工业智能时代,上述瓶颈问题有望得到突破。本文针对iDS3000智慧电厂设备智能诊断系统建设过程中的关键技术问题、可行性和框架结构等进行探讨。

 

2设备智能诊断的重要性分析

安全、经济、环保运行是现代化电厂的要求。上述众多指标中,设备的安全运行永远处于第一位。没有安全,就无法实现电厂的经济、环保运行。设备状态的分析和诊断是电厂安全生产的重要环节,电厂对此都给予了高度重视。这项工作建立在大量监测数据基础上,但更需要有专业的技术人员能对这些数据进行分析,对技术人员的要求极高,不仅要求其具有深厚的专业知识,很强的责任心和事业心,还需要有丰富的经验积累。发电厂缺少这样的专业技术人员。设备出现故障后,大多需要邀请电科院或集团技术中心的专业技术人员来厂检测分析。专业技术人员数量较少,来回奔波比较辛苦,无法做到对故障评判的实时响应,无法开展正常运行状态下设备的预警工作,难以满足现代化电厂生产需求。如何摆脱对技术人员的依赖、减少对技术人员的需求并能将众多技术人员的经验收集起来客观地开展设备状态分析和诊断工作,是电厂设备管理未来的发展方向。设备的智能分析和诊断技术为此提供了一条路径。

 

3 设备智能诊断的现状分析

上世纪90年代初,随着人工智能技术(神经网络、模糊数学、专家系统等)的发展,国内一些研究机构和高等院校先后开展了设备智能诊断技术和系统研究,并主要将其应用于火电厂、冶金和石化等行业的汽轮机、发电机、压缩机等大型设备上。这类研究火热了一段时间。但随着时间的推移,这类系统大多因为没有能发挥出预期的诊断效果而逐渐被淘汰。现阶段国内也有一些系统号称设备诊断专家系统,能包治百病。设备出现故障后,往往同时给出78种故障可能性,把所有的故障可能性都包括进去了。对发电厂来说,对设备故障诊断结果有着苛刻要求,不仅要求能做到故障定位,而且要求能做到故障定性和故障定量,模棱两可似是而非的结论,虽然没错,但对电厂而言毫无用处。

这就带来一个困惑,故障定位相对容易,但能否做到故障定性、定量?设备智能诊断是否可行?电厂大多对此抱着怀疑和观望的态度。一个显摆的事实就是,在很多电厂,花了大价钱配置的汽轮机振动监测系统TDM成了聋子的耳朵,没人去管理和维护,让人很困惑。

故障机理研究是设备诊断的基础。只有掌握了设备故障机理,才可能知道故障所对应的特征,进而反推故障原因。国内在故障机理研究方面开展了大量工作,各大高校都有这样的研究方向,每年都有很多博士生和硕士生在从事这方面的研究,我们每年也要评审很多这方面的论文和项目,也经常有单位邀请我们讲讲该领域的研究进展。客观地说,20多年来,该领域没有明显的、突破性的进展,主要表现在:

1)大量的研究集中在故障诊断算法上。遗传算法、神经网络、进化论等复杂算法被广泛应用于故障诊断领域,被称之为先进诊断技术,该方面的论文层出不穷,甚至是为了论文而论文。相反,在故障机理方面所开展的基础性研究则很少。事实上,当故障机理研究清楚后,诊断问题就很简单,无需复杂的算法,设备故障诊断问题即可迎刃而解;故障机理没有研究透,诊断问题就很复杂。对工程问题而言,追求的应该是简洁明了,简单即实用。复杂的诊断算法中大多包含一些需要人为主观设置和调整的系数和因子等,或需要根据诊断结果来人为调整这些系数和因子,带有很强的主观性,而工程问题强调和需要的是客观性评价。

2)脱开设备对象特性研究诊断方法和技术。设备故障诊断就像一个外科医生给病人看病一样,需要熟练知道设备每个部件的结构和功能,需要熟悉设备的运行特性、运行规程和操作方法等,从系统层面来开展。而目前所开展的故障诊断研究大多还是针对单个部件进行,高度不够。一些疑难故障的诊断走了很多弯路,回过头来看,正是因为缺少对系统的深入认识而引起的,倒不是因为故障机理有多么复杂。

案例1某电厂1135MW汽轮机,型号为135-13.2/535/535型超高压、一次中间再热、单轴、冲动式、双缸双排汽、直接空冷供热凝汽式汽轮机。2012年以来,突发不稳定振动15次,主要发生在3#轴承上,并影响到其它轴承。振动突发后,停机过程中振动还会出现一定的爬升现象,停机后轴偏心比开机大20μm左右。振动突发和消失的时间在1h左右,有时可以自行消失,有时需要通过降低负荷、低压缸喷减温水、调节轴封供汽压力和温度等方式来控制振动。曾先后邀请多家单位处理未果。20138月份以后,振动波动频率变快,半年时间内突发4次不稳定振动。查阅DCS曲线,寻找振动和相关参数之间的关系,分析参数包括:真空、排汽温度、轴封供汽温度和压力、负荷、减温水等。4次振动突变现象都表明:

l  排汽温度、轴封温度和压力等因素的影响比较复杂;

l  振动突发后,降负荷可以抑制振动,两者之间存在滞后现象;

l  高真空下振动偏大,低真空下振动较小,振动突发后降真空会降低机组振动;

l  供热状态和纯凝状态相比,供热状态下真空低3KPa2012年和2013年,供热状态下未发生不稳定振动,纯凝状态下易发生不稳定振动。

根据上述现象,判定高真空下汽缸下沉,破坏了动静间隙,易发生因汽封与转轴之间的径向摩擦所引起的不稳定振动。停机检查,发现低压缸第二级隔板汽封与转轴之间摩擦得很厉害,如图2所示,验证了诊断结论。在本次诊断案例中,大量用到了机组系统和运行方面的知识。如果对系统不熟悉,很难准确诊断故障原因。

201388                         2014226 

2014316                        2014323        

  图1 某台机组上发生的突发性不稳定振动


2 低压缸第2级隔板汽封摩擦情况

3)工程与实验室之间的差别。设备诊断这项研究具有一个典型的特点,用时髦的话来讲,就是特别接地气,而高等院校开展的很多研究与工程之间还有很大的距离。例如,国内学术界关于不对中故障机理的研究、关于摩擦故障机理的研究等等与工程实际之间的差距较大,理论研究成果甚至会误导诊断工作。例如,还有很多研究在针对转轴裂纹等极少发生的故障类型而开展,这样的研究基本上没有意义,因为汽轮发电机组本身就带有很多可以视为裂纹”的部件,如发电机转子上为平衡大、小齿刚度差而专门设计的月牙槽等(图3)。又如一旦遇到超(超)临界机组高中压转子振动逐渐增大现象,就说是材料热应力释放等,听起来很有道理,但并没有从深层次角度分析振动增大和发展的原因。


3 发电机转子表面的“裂纹”月牙槽

4)所研发的设备故障诊断系统大多基于振动信号开展,对负荷、流量、温度、电流、真空、胀差等过程量的重视程度严重不足,没有能够把振动数据和过程参数关联起来分析,导致振动分析和诊断结果不够深入。事实上,振动和过程参数之间的关系中包含了很多故障特征。一台运行正常的旋转设备,理论上其振动只应该和转速有关,和其它过程参数之间不应该有关系。根据振动和过程参数之间的关系,可以把很多带有很强相似性的故障区分开来。设备诊断时是否能充分和深入利用过程参数,实际上反映了技术人员诊断水平的高低。

 

4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、细致和先进的特征提取技术、丰富的专家经验,上述几点前提缺一不可。现根据这几点对设备智能诊断的可行性进行分析。

4.1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。相对于上世纪90年代,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。

4.2细致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,专家心细程度在很大程度上决定了他的诊断水平。在案例1中,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。

案例2:某厂11000MW汽轮发电机组轴承座振动较大,振动与负荷、励磁电流等有一定关系。现场曾经专项开展变励磁电流试验,未发现振动和励磁电流之间有明显关系。到厂后查阅机组历史振动数据和曲线,如图4所示。从图中可以看出:发电机轴振、瓦振受励磁电流影响较大。励磁电流增大后,各点振动变化有比较明显的滞后现象,滞后时间约30min。变励磁电流试验过程中,各点振动基本上呈现同步变化趋势。发电机振动与电流、负荷关系密切,而且存在比较明显的滞后现象,说明发电机转子存在比较明显的热变形。热变形原因有匝间短路、端部线圈热膨胀不畅、线圈之间绝缘垫块松动和移位、通风孔堵塞导致冷却不均匀等。利用机组检修机会将转子抽出检查,发现转子存在匝间短路现象,确认了故障原因。

该案例充分说明特征提取和挖掘的重要性。面对海量数据时,耐心地从数据库中找到相关特征对技术人员来说不是件容易事,面临着很大考验。但对计算机来说,这项工作反而是它的强项,因为计算机具有超强的计算能力,并且可以通过相关分析等算法来自动分析振动和相关过程参数之间的关系,利用互相关算法甚至能确认两个参数变化过程中的延时时间。振动的爬升、突变、波动等现象也可以通过建立相关的数学模型来客观地实现。设备智能故障诊断时,基于计算机的特征自动提取和分析技术应该是可行的。当然,这里需要技术人员首先制定出需要由计算机自动提取的特征。你要告诉计算机你需要干的事,计算机才能代你实现。盲目的数据挖掘是挖不出有用信息的。

 

a201566-610日期间数据


b2015

400-881-8758