锅炉故障检测与诊断技术研究

周庆杰

摘要：本文构建了基于深、浅两层知识的锅炉故障检测与诊断方法。深知识包括锅炉系统的结构知识、物理模型以及故障模型等，所谓浅的知识就是指经验知识，是在长期的实践过程中所总结出的故障诊断经验和实践心得。根据锅炉结构与功能的不同，首先对系统进行分级，再细化到部件或者零件。此种分级方式可以使求解共建大幅减少，并提高诊断的实时性和有效性。

关键词：锅炉故障；检测技术；诊断技术；运行状态

引言

工业锅炉运行过程的故障诊断是工业锅炉安全运行的一个重要环节,由于工业锅炉系统具有复杂程度高、变量多且耦合性强等特点,所以难以建立精确的机理模型用于故障监测与诊断。当系统发生故障时,要操作人员及时准确地找到故障位置是很困难。在大多数情况下,观察参数和报警参数并不直接反映故障的发生位置和类型。故障监测与诊断是一门综合性技术，它涉及到很多门学科，如现代控制理论、信号处理、模式识别、人工智能、概率统计以及相应的应用学科。自七十年代以来得到了迅速发展，并逐步在航天、航空、石油、化工、冶金和电力等部门得到了广泛应用。故障检测与诊断技术的直接目的为了提高故障的检测率，降低误报率和漏报率、推断故障发生的时间、发生部位并估计大小。随着单元机组功率的提高，火力发电站的结构越来越复杂，检测点多达数百个以至千余个。当系统发生故障时，要操作人员及时准确地找到故障位置是很困难。在大多数情况下，观察参数和报警参数并不直接反映故障的发生位置和类型。因此，有必要建立锅炉故障自动诊断系统，辅助运行人员确定故障并提出排除故障的方法。

1.故障检测与诊断方法

现有的即FDD方法，概括起来可分为以下四大类:

（1）基于直接测量系统输人输出及信号处理的方法。

（2）基于状态估计的FDD方法。

（3）基于参数估计的FDD方法。

（4）基于人工智能的故障诊断方法。

1.1基于直接测量系统输人输出及信号处理的方法

在系统正常情况下，被控过程的输人在正常范围内变动；当此范围被突破时，可认为故障已经或将要发生。另外还可以通过测量输人输出的变化率是否在规定的范围内来判别故障是否发生。

1.2基于状态估计的FDD方法

被控过程的状态直接反映系统的运行状态。通过估计出系统的状态并结合适当模型就可以进行FDD。首先重构被控过程的状态，并构成残差序列（新息序列）。残差序列中包含各种故障信息。基于残差序列，通过构造适当的模型并采用统计检验法，能够把故障从中检测出来并作进一步的分离、估计及决策，通常可用各种状态观测器及滤波器进行状态估计。

1.3基于参数估计的FDD方法

基于过程参数估计的方法与状态估计的即方法不同，不需计算新息序列，而是根据参数变化的统计特性来检测故障的发生，其设计步骤是:

（1）建立被控过程的输人输出模型。

（2）建立模型参数与过程参数之间的联系。

（3）基于系统的输人输出序列，估计出模型参数序列。

（4）再由模型参数序列计算过程参数序列，并决定其变化量序列。

（5）基于此变化量序列的统计特性，检测故障的发生。

（6）故障的分离，估计及分类。

1.4基于人工智能的故障诊断方法

人工智能技术在故障诊断中已得到越来越广泛的应用。主要有基于专家系统的方法、基于故障树的诊断方法、基于模式识别的诊断方法和基于模糊数学的方法。本文提出一种基于深、浅两层知识的锅炉故障检测与诊断方法。并根据锅炉的结构和功能，对其系统进行分级描述，逐级划分直至部件或零件。系统的分级，大大减少了求解空间，提高了诊断的实时性。

2.系统基本结构

故障检测与诊断系统在上位机PC机运行，过程计算机负责对整个火电厂进行现场实时数据的采集，并对整个生产过程进行监测和控制。常规仪表包括传感器、检测、显示、记录和控制仪表等中间控制单元。过程计算机通过常规、智能仪表获得现场实时数据，再通过通信接口将现场实时数据传送给PC机。PC机将现场实时数据传送给故障检测与诊断系统的实时数据库。

3.锅炉系统分级描述

一个复杂系统一般都是由一系列子系统和部件组成，各子系统和部件之间通过人出口相互联接，每个子系统或部件有其固有的特性和功能，整个系统的特性由其子系统或部件的特性以及它们之间的相互联接关系决定。对火力发电站的锅炉系统可以分解成以下一系列子系统。火电厂锅炉系统主要包括给水系统、燃烧系统、汽包系统和过热系统。

4.锅炉故障检测与诊断的实现

4.1实时数据库获取现场实时数据

根据系统的结构和特点，为了不影响过程计算机对整个生产线的正常监控，又能保证实时故障检测与诊断系统对整个生产线以及过程计算机的状态实时地进行监测和故障诊断，过程计算机与PC机之间每隔5s交换数据一次。过程计算机将采集的供故障诊断系统使用的现场实时数据打成一个数据包。为了保证数据传输正确，在数据包的开头和结尾分别加起始字符串和结束字符串作为判断标志。

PC机通过串行接口读取过程计算机传来的正确数据包，并将现场实时数据分解成各个变量，再根据每个变量的数据类型，分别将每个变量写人实时数据库的相应单元，供锅炉故障诊断系统判断推理使用。

4.2故障诊断推理策略

诊断是利用子系统输人输出数据、功能结构知识和系统工作状态来进行检测。如果发现故障，则辅助物理结构知识进行故障定位。诊断方法中利用第一原理。第一原理如果系统的实际行为与系统应该具有的行为发生矛盾，则系统发生了故障。如果被假定的元件能消除这种矛盾，则故障源就是该元件。推理机是故障诊断系统的核心，其质量决定了系统运行效率的高低。由于故障模型既有确定性故障类型，又有不确定性故障类型。因而设计推理机考虑以下因素:（1）深度优先搜索推理——用于反向推理中，对推理机的构造精度较高，适合多因素结果的原因推理；（2）广度优先搜索推理——用于正向推理中，不会漏掉可能的解，但影响运行效率甚至使得程序失控；（3）启发式推理——既可以用于正向推理，又可用于反向推理中。没有确定规则的启发式推理，可以提高系统的推理效率。

故障诊断问题实际上转化人工智能领域的状态空间搜索问题，采用了深度优先搜索方法，其耗费了大量的时间。若加人一定的启发性信息，采用启发性搜索，诊断效率会大大地提高。利用计算机学习功能，将故障现象与故障源存储起来，作为故障史，根据故障史就能计算各个模块的故障概率。将故障史与各模块故障概率作为启发式信息，这样诊断速度进一步加快。

根据本系统的特点，采用深度优先搜索方式。首先，输人锅炉系统的监控参数。然后对不正常现象排序处理，若排序表为空，则表明锅炉运行良好。若有不正常现象，则先诊断表中最上层故障，进人输出该现象的系统，看是否能用经验知识找到故障，若不能，则用深层知识检验该现象是由外部输人变量产生还是由于系统内部故障所引起。若是外部，则进人该变量所在的同一级子系统诊断；若是内部，则进人该子系统内部进行诊断，诊断过程从高一级系统逐级确定到最低一级子系统，找到故障源。最后由故障模型确定模型类型，直至排序表为空，完成一个诊断过程。

4.3故障诊断系统的实时性

由于采样间隔的限制，故障诊断系统必须在规定的时间内给出诊断结果。否则，故障诊断将失去意义。因此，故障诊断系统的实时性就显得尤为重要。对采集的数据进行预处理，以避免数据的重复计算；采用深、浅层推理相结合的推理机制，再加人一定的启发性信息，减少对数据库的搜索时间；采用中断方式，从而减少占用CPU运行时间。

5.结语

电站锅炉是一个复杂的工程系统，故障的多样性和复杂性不可预测和估算。采用分级描述系统的功能结构，结合物理结构知识，利用定性约束模块（元件）的功能，并采用基于深层知识的方法技术，能够诊断出新颖故障，诊断算法实际上转化为搜索问题，每次故障诊断的正确诊断结果存入计算机的故障史中，进行存档整合，并作为启发式信息。使用启发式搜索，因此大大地提高了诊断效率。

参考文献：

[1]厉恩启.锅炉故障诊断技术研究[J].中国科技纵横,2015(18):61-61.

[2]姜磊,杨俊保.电站锅炉故障诊断技术的发展[J].上海电力学院学报,2010,26(6):541-544.