0 引言
随着火力发电技术的发展，高参数、大容量的火电机组比例不断提高，其辅机设备更多，蒸汽系统和燃烧系统等更加复杂，维护和保障火电机组的稳定性和安全性是燃煤电站一项非常重要的任务。引风机是燃煤火电机组重要的辅助设备之一，通常布置在电除尘器和脱硫系统之间，其工作环境恶劣，运行能耗较高，因此引风机故障频繁发生，据统计，每组引风机平均每年要发生2次故障 [ 1]。燃煤电站常用的引风机为轴流式风机，机械故障常发生在轴承、叶轮等部位，故障类型可分为轴承振动超限、轴承温度超标、动叶卡涩、失速喘振和抢风 [ 2- 3]。大容量火电机组通常布置2台引风机同时运行，一旦某一台或2台引风机发生故障，会导致机组非计划减负荷运行甚至停机，造成巨大的经济损失，因此，有必要对引风机进行状态监测和故障预警。在引风机的运行状态出现异常时，及时采取措施，减少引风机出现故障的频率，延长设备使用寿命。
随着大数据与人工智能技术的发展，其在医学、通信、军事等领域都取得了一定成果，这为大数据算法应用到设备状态预警和故障诊断提供了良好的发展思路 [ 6- 8]。本文将依据引风机工作的基本原理，对其状态预警和故障诊断展开研究，选取能代表引风机工作状态的特征信息，提取历史数据库，利用BP神经网络建立引风机的状态预测模型，并分析了预测模型的误差。引入分布式控制系统(distributed control system，DCS)和安全仪表系统(safety instrumentation system，SIS)，设计了一个燃煤电站引风机状态预警系统，结合HTML5开发了该系统的可视化网页，提高了监测引风机运行状态的效率，降低了故障发生率。
1 案例介绍及数据来源
1.1 案例介绍
本文的研究对象为河北某燃煤电站引风机，该燃煤电站有2台330 MW热电机组，配套电除尘、烟气脱硫、脱硝设施同期建设，同步投运。三大主机均为东方电气集团生产，锅炉采用DG1110/17.4-∏12型亚临界中间再热燃煤锅炉，汽轮机采用CC330/238-16.7/0.98/0.5/537/537亚临界中间再热双可调抽汽供热式汽轮机组，发电机采用QFSN-330-20B型水氢发电机。烟气系统采用烟塔合一技术，生产用水采用城市中水，灰渣全部综合利用。
图1为引风机的轴系图，电机和风机本体通过联轴器联结，电机的支承依靠前后2个滚动轴承，风机本体的支承依靠轴承箱内的3个轴承。
图1
图1
燃煤电站引风机轴系示意图
Fig. 1
Schematic diagram of induced draft fan shafting in coal-fired power station
1.2 数据来源
表1 引风机的特征信息集
Tab. 1
| 序号 | 特征信息 |
|---|---|
| 1 | 引风机前轴承温度 |
| 2 | 引风机入口烟气温度 |
| 3 | 引风机出口烟气温度 |
| 4 | 引风机电机绕组温度 |
| 5 | 引风机水平振动 |
| 6 | 引风机电机前轴承温度 |
| 7 | 引风机电机后轴承温度 |
| 8 | 引风机入口烟气压力 |
| 9 | 引风机中轴承温度 |
| 10 | 引风机后轴承温度 |
| 11 | 引风机进出口烟气压差 |
当设备发生故障时，会经历一个由多个变量共同作用所表现出来的动态过程，直至系统崩溃或重新稳定 [ 10]。故障预警研究主要是解决故障的早期诊断问题，引风机的某些特征参数出现异常时，有可能会引发一系列故障。具体参数如下：
1）压力参数。该参数包括引风机入口烟气压力、进出口烟气压差。当烟气压差出现异常时，引风机有可能发生失速、喘振故障。
2）温度参数。该参数包括引风机入口烟气温度、出口烟气温度，以及前、中、后轴承温度。如果引风机进出口烟气温度过高时，烟气经过引风机时会将过多的热量释放给风机轴承，造成轴温异常升高。当轴承温度高于设定的阈值时，还有可能由于润滑油不足、冷却不到位、轴承疲劳磨损等问题，导致表面不光滑，引起轴承温度升高；或者由于引风机转子不对中，导致轴承温度异常升高。
3）振动参数。该参数为垂直振动量，若振动信号发生异常，则可能出现轴承裂纹、轴承松动、转轴弯曲等故障，需要进一步排查。
4）电机相关参数。该参数包括电机前轴承温度、电机后轴承温度、电机绕组温度。当电机轴承温度异常升高时，有可能是轴承内润滑脂过少，自身摩擦产生较多热量，或者是电动机本身的散热出现问题。当电机绕组温度异常升高时，有可能是由于绕组匝间有短路现象，或者三相电机缺相致使电流过大，需要进一步检查。
2 引风机状态预测模型
2.1 数据采集与预处理
利用SIS直接提取机组2018年5月至2019年5月运行期间关于引风机特征信息的11个测点数据，取数间隔为10 s，共采集了约310万组历史运行数据。
通过导入现场提取出的数据，发现存在读写错误的非正常值(not a number，NAN)、停机工况值、离群值和噪声，这些值不能准确反映设备正常运行的状态。数据的质量直接决定了模型的预测能力和泛化能力，因此必须先进行数据预处理，以确保准确、高效的数值模拟分析 [ 11]。数据预处理的步骤如下：
1）利用MATLAB软件中的isnan算法，先将所提取数据中的NAN值剔除。
2）删除停机工况状态点。引风机入口烟气压力原始数据如 图2所示，本次提取的引风机数据在2018年9月、2019年3月、2019年5月存在3次停机工况，为了保证模型预测的可靠性和提高模型的泛化能力，需要筛选掉停机期间的运行数据。
图2
图2
引风机入口烟气压力原始数据
Fig. 2
Original data of flue gas pressure at inlet of induced draft fan
3）滑动窗口消噪。由于从SIS中提取出的数据量十分庞大，数据中难免存在非稳态值和噪声值，因此需要对这些数据进行处理。本文采用较为常用的滑动窗口法对非稳态值进行剔除，选取的稳态区间长度为3倍标准差，该方法的原理为：窗口沿着数据的时间轴移动，逐一判断窗口内的数据是否处于稳态 [ 12]。
4）数据归一化处理。为了消除奇异样本数据，排除量纲的选用对模型训练的影响，同时提高神经网络的收敛速度，需要对原始数据进行非量纲化和归一化处理 [ 13]，将引风机的特征信息历史值变换到区间[-1,1]，归一化公式为
式中： y为归一化后的数据；
以引风机入口烟气压力为例，经过数据预处理后的时序分布如 图3所示。
图3
图3
数据处理后的引风机入口烟气压力曲线
Fig. 3
Inlet pressure curve of induced draft fan after data processing
2.2 BP神经网络模型的设计
根据引风机11个特征信息的历史数据，采用BP神经网络来建立引风机特征信息的预测模型。一个完整的神经网络包括输入层、输出层、隐藏层和激活函数，如 图4所示。具体设计步骤如下：
图4
图4
BP神经网络结构原理示意图
Fig. 4
Schematic diagram of BP neural network structure principle
1）输入、输出层。以引风机的10个特征信息数据为输入值，另外一个特征信息为输出值，所以输入层为10个神经元，输出层为1个神经元。
2）隐藏层。神经网络中隐藏层分为单隐藏层和多隐藏层，为了降低模型训练的复杂程度，同时又能保证模型精度，经验证后本文选用单隐藏层。隐藏层中神经元的数量也会对BP神经网络的预测产生很大影响，当神经元数量过多时，计算量偏大，容易出现过拟合现象，而神经元数量不足又会造成预测模型的精度不够 [ 14]。本文依据经验公式和多次实验反复验证，最后得出一个适用的隐藏层神经元数量。采用的经验公式为
式中： m为隐藏层的神经元数量； n为输入层的神经元数量，此处 n=10； k为输出层神经元数量，此处 k=1； a为不大于10的自然数。经计算验证后，本文取单隐藏层神经元数量 m=10。
3）激活函数。引风机特征信息的预测模型是一个3层神经网络模型，输入层神经元会将输入的特征信息直接传递给隐藏层，通过激活函数计算产生隐藏层的输出值，作为模型的预测值。常用的激活函数有线性函数、斜坡函数、阈值函数、tansig函数等，激活函数对模型的影响不大，本文选用tansig函数作为隐藏层的激活函数。
完整的BP神经网络的训练过程如 图5所示。
图5
2.3 模型数据代入与误差分析
如前所述，同时提取引风机的11个特征信息数据，时间从2018年5月开始至2019年5月结束，取数间隔为10 s，经过数据预处理和归一化后，分别得到了11个特征信息的2 119 800条运行数据。取前70% (1 483 860)的时序点作为引风机特征信息预测模型的训练集，后30% (635 940)的时序点作为预测模型的测试集。
以引风机的进口烟气压力预测模型为例，说明建立此模型的输入变量和输出变量。
1）输入变量：引风机入口烟气温度、出口烟气温度、电机绕组温度、垂直振动量、前轴承温度、中轴承温度、后轴承温度、电机前轴承温度、电机后轴承温度、进出口烟气压差。
2）输出变量：引风机入口烟气压力。
取前70%的数据建立引风机入口烟气压力的预测模型，后30%数据作为此预测模型的验证。 图6为引风机入口烟气压力的预测值和实测值在时序上的分布，可以看出，所建立的引风机入口烟气压力模型的预测值与实测值相差不大，经计算，此预测模型的平均相对误差为1.72%。
图6
图6
引风机入口烟气压力的预测值与实测值
Fig. 6
Predicted and measured values of flue gas pressure at inlet of induced draft fan
同理，取引风机入口烟气温度为BP模型的输出变量，其他10个特征信息为模型输入变量，建立引风机入口烟气温度预测模型，依然用前70%的数据预测后30%的数据，模型预测值与实测值的对比如 图7所示，经计算，此预测模型的平均相对误差为2.02%。
图7
图7
引风机入口烟气温度模型预测值与实测值
Fig. 7
Predicted and measured values of flue gas temperature at inlet of induced draft fan
其他特征信息的预测模型建立方法与上述方法相同，分别计算出引风机11种特征信息预测模型的相对误差，并汇总到 表2中。可以看出，所建立的11个预测模型的平均相对误差都在2.3%以下，满足工程要求，说明利用BP神经网络建立的引风机状态预测模型是合理的。
表2 引风机特征信息预测模型的相对误差
Tab. 2
| 参数 | 平均相对误差/% |
|---|---|
| 引风机入口烟气压力 | 1.72 |
| 引风机入口烟气温度 | 2.02 |
| 引风机出口烟气温度 | 1.31 |
| 引风机电机绕组温度 | 0.42 |
| 引风机垂直振动量 | 0.75 |
| 引风机电机前轴承温度 | 0.32 |
| 引风机电机后轴承温度 | 0.3 |
| 引风机前轴承温度 | 0.35 |
| 引风机中轴承温度 | 1.04 |
| 引风机后轴承温度 | 2.21 |
| 引风机进出口烟气压差 | 1.81 |
3 引风机状态预警应用开发
3.1 系统整体设计
前文中利用BP神经网络建立了引风机特征信息的预测模型，因此可以通过采集引风机特征信息的历史数据实时建模来预测某一特征信息，当预测的数据值超过监视阈值时，系统会发出报警信号，并且提示操作人员及时采取相应的措施。引风机故障预警系统的整体设计中要用到DCS和SIS。
传统燃煤电站设备故障预警的智能化程度较低，不能充分利用设备的历史信息预测未来一段时间内的设备运行状况。针对这一特点，设计出一套燃煤电站引风机状态智能预警系统，如 图8所示，该系统结合大数据建模预测算法，加入了DCS和SIS。
图8
3.2 可视化界面设计
HTML5是构建Web内容的一种语言描述方式，它将Web带入了一个成熟的应用平台，使得视频、音频等内容与设备的交互更加规范；基于canvas元素的绘图画布功能更加强大，使得浏览器不需要Flash等插件就能够直接进行图画、音频的显示和播放 [ 21]。结合HTML5语言，将引风机状态预警系统进行易于读取和操作的可视化界面设计，配置了引风机特征信息的预测功能和监视预警功能。运行监控人员可以通过监视画面查看当前引风机的工作状况。当引风机某一特征信息的实测值与模型预测值的差值超过安全阈值时，系统就会提醒运行监视人员可能发生的故障，并且根据历史信息提供可采取的措施，避免设备发生故障。
运行操作人员登录引风机状态预警系统后，即可查询引风机特征信息的监视画面和历史异常查询画面。以引风机前轴承温度状态预警为例，如 图9所示，当实测引风机前轴承温度明显高于预测值时，系统会提示运行操作人员检查引风机润滑油系统的运行情况，确认润滑油泵、油温、油质情况。
图9
图9
引风机前轴承温度预警界面
Fig. 9
Pre-warning interface of front bearing temperature of induced draft fan
所设计的引风机故障预警界面还存有历史故障信息。 图10为引风机前轴承温度异常历史查询界面，包括故障发生的时间、出现异常的原因，以及当时采取的处理措施，从而为今后设备发生类似的故障提供良好的借鉴。
图10
图10
引风机前轴承温度异常历史查询界面
Fig. 10
History query interface of induced draft fan front bearing temperature anomaly
4 结论
充分利用某330 MW火电机组的引风机特征信息的历史数据库，结合大数据算法建立引风机状态预测模型，计算验证结果表明，所建立的预测模型误差均在2.3%以下，满足工程要求。设计开发出一套完整的引风机状态预警系统，并利用HTML5开发了系统的可视化界面，当系统预测值与实时监测值的差值超过安全阈值时，系统就会提醒运行人员进行故障排查，从而降低引风机的故障发生率，这对保障燃煤电站引风机的安全运行具有一定的指导意义。
参考文献
工业锅炉风机常见故障及处理措施分析
[J]．
Analysis of common faults and treatment measures of industrial boiler fan
[J]．
发电厂风机常见振动故障及处理
[J]．
Vibration fault of blower fan in power plant and the treatment
[J]．
300 MW燃煤电站锅炉轴流式引风机抢风的原因分析及处理
[J]．
Cause analysis and treatment on the problem of scrambling for air of axial in-duced draft fans in 300 MW coal-fired power plant
[J]．
某大型火力发电厂引风机振动故障诊断与处理
[J]．
Vibration fault diagnosis and processing for induced draft fan in large power plant
[J]．
基于改进BP算法的异步电机故障诊断
[J]．
Asynchronous motor fault diagnosis based on improved BP algorithm
[J]．
火电厂一次风机故障预警系统的应用研究
[D]．
The application of failure warning method on the primary air fan of power plant
[D]．
汽轮发电机组振动故障诊断技术研究进展
[J]．
Research progress of vibration fault diagnosis technology for steam turbine generator sets
[J]．
基于最优编码集及智能状态估计的电网故障诊断方法
[J]．
A fault diagnosis method of a power grid based on an optimal coding set and intelligent state estimation
[J]．
基于特征变量分析的火电厂引风机故障预警模型研究与应用
[J]．
Research and application of induced draft fan fault early warning model in thermal power plant based on characteristic variable analysis
[J]．
基于机器学习的电站风机故障诊断研究
[D]．
Study on machine learning fault diagnosis of power station fan
[D]．
基于优化ELM算法的电站凝汽器故障诊断
[D]．
Fault diagnosis for power plant condenser based on optimized ELM algorithm
[D]．
The importance of uncertainty covariance tuning for steady-state data reconciliation in mineral and metal processing
[J]．
Classification of friction and wear state of wind turbine gearboxes using decision tree and random forest algorithms
[J]．
A dynamic model of evaluating differential automatic method for solving plane problems based on BP neural network algorithm
[J]．
数据驱动型实时燃烧优化控制架构及应用
[J]．
Architecture and application of data-driven on-line combustion optimization control
[J]．
基于多方势博弈的综合能源系统运行优化
[J]．
Operation optimization of integrated energy system considering multi-potential game
[J]．
大型燃煤电站汽轮机排汽通道结构优化研究
[J]．
Study on structure optimization of exhaust steam passage of steam turbine in large coal-fired power station
[J]．
电厂DCS系统的节能控制方法研究
[J]．
Research on energy-saving control method of DCS system in power plant
[J]．
火电厂厂级监控信息系统的开发和应用
[J]．
Multiple power generation modes based supervisory information system：research and application
[J]．
电厂厂级监控信息系统的实现方案与应用研究
[D]．
Design and application on the supervisory information system of plant level in power plant
[D]．
