基于逻辑故障树的智能DCS早期预警建模与应用

基于逻辑故障树的智能DCS早期预警建模与应用

沈跃军马克周健马俊峰张毅龙赵俊杰

沈跃军马克周健马俊峰张毅龙赵俊杰

国电内蒙古东胜热电有限公司内蒙古鄂尔多斯017000

摘要：基于燃煤火力发电机组的典型故障事故库，分析并提取出故障典型特征，结合运行专家的经验，建立每个故障判断的逻辑故障树，再转化成计算机代码，实现智能火力发电DCS早期预警和故障诊断功能。结果表明，基于机器学习和海量历史数据，训练数据模型，能够有效提升故障诊断模型的准确率。对设备故障或系统运行的早期智能预警，应合理地设计标准值上限、标准值下限和变化率等值，建立更全面的阈值评价体系。在标准值上增加上限值或温升率控制值，进行早期预警，可减少或避免一些事故发生。在获取机组大量故障历史数据库的基础上，提取故障特征，整理成逻辑故障树，将逻辑故障树转化为底层DCS系统的计算机代码和数据模型。通过机器学习，对故障数据进行数据模型训练，提升数据模型的适应性和系统故障诊断的准确率。

关键词：燃煤火力发电机组；逻辑故障树；智能DCS；阈值评价体系；早期预警；故障特征

1引言

燃煤火力发电生产运行中，产生了大量的历史数据，但这些数据并未发挥其最大利用价值[1-3]。目前的火力发电DCS系统对故障的分析，还较为简单，停留在数据的阈值预警和报警上[2-4]。故障的根源并不能被快速定位并及时得到处理，浪费宝贵的危机处理时机[3-5]。

有些复杂的故障往往需要富有经验的高岗位专业人员才能快速分析出故障源头，当高岗位专业人员不在场时，低岗位运行值班人员就不能有效应对复杂故障，无法及时妥当处理故障[4-6]。火力发电集控运行参数较多，运行值班人员注意力有限，不可能实时对每个参数都充分关注其变化趋势，所以单靠人工紧盯参数变化，实现故障的早期预警有较大的不确定性[3-6]。因此，急需有效地从大量历史数据中，提取有价值的故障逻辑信息，转换成计算机代码，写入底层的DCS系统，指导火电生产运行的早期预警和故障诊断。

本文基于燃煤火力发电机组的典型故障事故库，分析并提取出故障发生的主要特征，结合运行专家的经验，建立每个故障现象判断的逻辑故障树，再转化成计算机代码，实现智能火力发电DCS早期预警和故障诊断功能。本文的分析有助于了解提取火力发电生产中的典型故障特征提取方法，以及将故障特征转化为逻辑故障树的建模规律，并利用逻辑故障树转化为计算机代码，写入DCS系统，实现智能早期预警。

2早期预警

利用大数据自学习功能，对历史数据进行分析、比较，寻找到设备、系统在正常工作时的标准值、波动范围、变化速率等关键参数。针对参数的传统报警设置，一般包括代表参数恶化的黄色预警值和代表应该停机处理的红色报警值，缺乏参数变化率的报警，也缺乏参数标准值范围的提示。对设备故障或系统运行的早期智能预警，基于机器学习和海量历史数据分析，合理地设计标准值上限、标准值下限和变化率等值，建立更全面的阈值评价体系。

针对一次风机轴承温度报警，智能预警设置为：标准值（轴承温度变化的上限值）+XXX℃或温升率大于XXX℃。一次风机轴承（油浴润滑式）正常运行值远远低于报警值，一旦轴承温度超过标准值上限，就很可能发生了缺油、油质恶化、轴承磨损等情况。如果到达报警值，轴承已经发生损坏，对设备是很不利的。如果在标准值上增加上限值或温升率控制值，进行早期预警，就可减少或避免一次风机轴承损坏事故发生。

3故障诊断

故障诊断模块设计中，首先根据系统输入、输出及相关状态变量，利用海量历史数据的学习，建立系统的数学模型，并实现对模型自更新。根据对象数学模型，采取自学习的模式，通过对输入变量的调整和组合，对典型故障进行激发和模拟。在获取机组大量故障历史数据库的基础上，提取故障特征，整理成逻辑故障树，将逻辑故障树转化为计算机代码和数据模型。通过机器学习，对故障数据进行数据模型训练，提升数据模型的适应性和系统故障诊断的准确率。

针对高压加热器三通阀内漏的逻辑故障诊断包括：（1）高压加热器后的给水温度小于标准值XXX℃以上；（2）给水泵电流较正常工况的标准值无大幅增加；（3）#1、#2、#3高压加热器的给水温升增大；（4）#1、#2、#3高压加热器疏水阀门开度较标准值增大XXX%。

高压加热器三通阀内漏的故障与高加泄漏故障既有相同点也有不同点，只要抓住了故障现象的特征，通过对逻辑故障树的不同特征进行综合辨识，就可以对不同故障现象进行诊断。

针对高调门连杆断裂的故障诊断，传统诊断极大依靠运行人员的工作经验，只有经验丰富的专业人员才能判断出来，运行经验稍差的值班员可能就判断不出来。图1示出高调门连杆断裂的智能诊断条件包括：（1）机组负荷快速下降；（2）考虑高调门开度和剔除阀门重叠度影响，实际负荷仍小于对应标准负荷值XXX倍以下；（3）开大高调门，机组负荷不变或略有下降；（4）主蒸汽压力快速升高。

高调门门杆断裂的主要特征为高调门开度与机组负荷不匹配。基于正常工况下，高调门开度与机组负荷的匹配关系，可以为高调门门杆断裂的故障诊断提供正常值判断标准。

图1示出中调门门杆断裂的智能诊断条件包括：（1）再热蒸汽压力快速升高；（2）主蒸汽压力不变或略有升高；（3）开大高调门机组负荷跟随升高；（4）开大高调门，机组负荷增加值小于标准负荷值。中调门门杆断裂的诊断，主要基于故障发生时高调门开度增加量与负荷增加量之间关系与标准工况的情况不匹配。

图1主蒸汽调门与再热蒸汽调门门杆断裂逻辑故障树

4结论

基于燃煤火力发电机组的典型故障事故库，分析并提取出故障发生的主要特征，结合运行专家的经验，建立每个故障现象判断的逻辑故障树，再转化成计算机代码，实现智能火力发电DCS早期预警和故障诊断功能。结果表明：

（1）针对参数的传统报警设置，一般包括代表参数恶化的黄色预警值和代表应该停机处理的红色报警值，缺乏参数变化率的报警，也缺乏参数标准值范围的提示。对设备故障或系统运行的早期智能预警，基于机器学习和海量历史数据分析，合理地设计标准值上限、标准值下限和变化率等值，建立更全面的阈值评价体系。在标准值上增加上限值或温升率控制值，进行早期预警，可减少或避免一些事故发生。

（2）在获取机组大量故障历史数据库的基础上，提取故障特征，整理成逻辑故障树，将逻辑故障树转化为计算机代码和数据模型。通过机器学习，对故障数据进行数据模型训练，提升数据模型的适应性和系统故障诊断的准确率。

（3）针对主汽调门门杆断裂这一故障，基于主汽调门开度与负荷的对应关系，一旦发生调门开度大，机组实际负荷低，同时主汽压力升高，就可判断主汽调门门杆发生断裂事件，将故障的逻辑判断树写入底层的DCS代码中，实现复杂故障的早期DCS预警。中调门门杆断裂的诊断，主要基于故障发生时高调门开度增加量与负荷增加量之间关系与标准工况的情况不匹配。

（4）把高岗位专业技术人员的运行经验固化成程序和代码，嵌入到计算机系统中，在火力发电底层DCS操作系统中建立智能分析、判断系统的专家库，实现运行经验到人工智能的转变，进一步指导运行工作。智能DCS及早期预警系统的开发，有助于及时准确地判断故障发生的位置、性质、影响情况，为后续事故处理留下宝贵时间。

参考文献：

[1]贺舒婷,朱贤伟,叶启明,翁天天,赵俊杰.火力发电企业EAM系统运行效率分析及优化[J].移动信息,2016,10(10):58-60.

[2]焦玉明,姚俊彦,庞冬冬,李洪山,雷俊容,赵俊杰.亚临界机组凝结水节流对AGC调节的控制分析[J].电力设备,2017,(31):202,204.

[3]张毅龙,王齐,任晓敏,尹进新,胡伟,赵俊杰.基于两个细则的AGC性能优化控制策略研究[J].电力设备,2017,(34):373-374.

[4]张毅龙,姚俊彦,任晓敏,王齐,赵俊杰.基于火电站设备性能提升优化AGC负荷响应指标[J].防护工程,2017,(29):196-197.

[5]庞冬冬,吕越,牛磊,李洪山,赵俊杰.330MW火电机组汽轮机保安系统控制分析与优化[J].防护工程,2017,(27):198-199.

[6]周健,张毅龙,陈亚楠,沈跃军,隋晓华,赵俊杰.迎面风速对空冷凝汽器换热效率和背压的影响[J].电力设备,2017,(20):145,157.