[发明专利]基于典型变量分析与隐马尔可夫的送风机故障预测方法

说明书

本发明公开了一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。针对智能电厂大型火力发电机组送风机，采用典型变量分析和慢特征分析的方法提取特征，并使用所提取的特征来训练连续隐马尔可夫模型，从而预测闭环控制系统故障退化状态。该方法同时考虑了大型火力发电机组送风机发生故障时，其闭环控制系统动态调节过程中变量的时序相关性和变化速度，更加准确地预测智能电厂大型火力发电机组送风机的闭环控制系统故障退化状态。在保证送风机的良好运行的同时，保证了大型火力发电机组的炉膛安全燃烧，以及电厂安全、经济运营。不但降低了检修费用、延长了检修间隔，而且能够延长送风机的使用寿命，增加电厂的经济效益。

技术领域

本发明属于闭环控制系统故障退化状态预测领域，特别是针对一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。

背景技术

为了实现电力的可持续发展，火力发电机组日益趋向大型化和复杂化。随着信息化和工业化的深度融合，推进大型火力发电机组的智能转型升级，是加快构建高效、清洁、低碳、可持续的电力工业体系的必然选择。随着智能电网建设的启动，传统的发电厂已不能适应智能电网的发展需要。智能电厂是在信息化与工业化深度融合的背景下提出的，旨在应对互联网、大数据、云计算等信息领域新技术发展，提升电力行业的智能化水平。

在大型火力发电机组中，送风机系统作为辅机系统之一，起着极为重要的作用。一方面，它直接关系到炉膛的安全燃烧，另一方面，它的高效率运行可以提高煤的利用率。若其发生故障，往往会使主机主炉的正常工作受到影响，有时会造成严重事故，是电厂状态监测的薄弱环节，也是造成大型火力发电机组非计划停机的主要原因之一。在传统检修体制中，由于没有对送风机闭环控制系统的故障退化状态进行预测，无法动态掌握送风机的运行状态和故障退化趋势，不能结合送风机的实际情况调节生产，不利于维修人员的管理与决策。对送风机闭环控制系统故障退化状态进行预测可以掌握送风机在机组运行过程中的健康状态，有助于提前给出故障处理的对策和建议，从而消除安全隐患，降低发电机组非计划停机的风险，最大限度保障大型火力发电机组的安全可靠运行。

发明内容

本发明的目的在于提供一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。

本发明的目的是通过以下技术方案实现的：一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法，所述送风机主要由进气箱、主风筒、后风筒、扩压筒、转子、轴承箱、动叶片、动叶调节器和操作机构等构成。动叶片可在静止状态或者运行状态用液压装置改变安装角。叶轮由一个整体轴承支撑，该轴承通过润滑装置不断地输入清洁的润滑油。为了使风机的振动不传递至进、出口管路，在两端连接处都有膨胀节，电动机和风机用两个联轴器和一个中间轴相连。该方法包括以下步骤：

(1)获取过程分析数据：设送风机的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)，所述过程变量包括送风机风量、出口压力、电机定子温度、电机轴承温度、电机电流、控制阀位置等；

(2)提取能够反映送风机发生故障时其闭环控制系统动态调节过程的特征。所述故障包括润滑油不足、冷却器内粘附污物等原因引起的主轴承温度过高，油泵吸入口阻塞、油箱油位过低等原因引起的系统油压过低，叶片非工作面积灰、叶片磨损等原因造成的振动等。使用以下子步骤来提取特征：

(2.1)当送风机发生故障时，在其闭环控制系统的动态调节过程中，其过程变量的值与过去一段时间的测量值有关。用CVA对送风机的闭环控制系统的故障数据进行分析，提取时序相关的特征Z。CVA的具体步骤如下：

(2.1.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量x_p(t)和未来向量x_f(t)：