设备智能诊断预警系统的应用 文/大唐国际发电股份有限公司张家口发电厂 李子龙 设备智能诊断预警系统可以对系统及设备的运行状态进行实时监测。该系统具有自学计算分析功能，利用高级的数学分析方法建立设备的机械模型或效能模型。这些模型能够有效分析出设备各个参数（比如汽轮机轴承的振动、温度）之间的关联关系，通过将实时数据接入模型进行计算分析，提前发现设备异常并进行设备故障诊断。该系统有着丰富的接口，从厂级实时/历史数据库中，通过使用人工智能、模式识别和先进的数据挖掘技术，从海量的数据信息中，挖掘出一系列设备正常的运行模式，然后系统将所需监测设备的实时运行数据与这些正常运行模式进行比对，由此监测该设备运行状况中的一些细微变化及其趋势，而这些变化趋势很可能就是设备运转不佳的预警信息，因而及早地识别出设备在何时运行状况不佳，及早地发现设备问题并提出诊断结果。监测中如果发现问题，将立即通过先进的桌面应用、短信、电话和E-mail等方式，通知设备管理人员。 设备智能诊断预警系统 数据挖掘 系统通过DCS、SIS采集数据，以图形化的形式删除设备非正常运行状态的数据。系统提供了两种直观简单的数据筛选方式：测点趋势法和关联关系比较法，以删除非正常运行的数据 劣化预警 设备运行期、停备期和启停过程进行连续的劣化分析和预警诊断，提前发现一次设备的劣化倾向，及时发现测量控制设备的异常或故障，实现设备劣化预警。 故障分析 系统提供强大的分析工具和专家诊断系统知识库，为用户分析设备劣化或故障的原因提供重要的参考。设备发生故障预警时，设备的相关参数都会偏离模型的预测值。系统提供设备各参数贡献率的柱状图，直观展现各参数对设备故障报警的贡献程度。工作人员可根据贡献率初步定位设备故障的原因，并查看相关参数的相对偏差或者绝对偏差的变化，锁定设备故障的原因。同时，系统可提供专家诊断系统知识库为用户判断设备故障原因提供有价值的参考。 数据对标 根据预测值和实际值的对标比较，系统可以输出各种类型的图形曲线，包括相对偏差曲线、绝对偏差曲线、实际值曲线、预测值曲线、设备劣化趋势曲线等。其中，设备劣化趋势曲线反映设备整体劣化情况，其他曲线为设备劣化分析提供重要参考。 状态检修 系统能够在设备故障形成的早期发现征兆，提醒设备管理人员提前采取措施避免故障的发生，变被动抢修为主动检修，变非计划停机为计划停机，丰富了机组主要辅机设备状态监测和预警的手段，实现了真正意义上的状态检修。 现有设备存在的弊端 DCS报警，即当参数超过预设的报警定值时，通过声光系统提醒运行、检修人员，但设备劣化是一个渐变的过程，涉及设备安全的参数接近但不超过报警值时，维护人员很难发现，如果我们能够实时采集参数，当参数出现向报警定值接近的趋势时就发出报警，便可提前进行诊断、分析，进而对设备的运行工况调整、对部件进行检查处理。 设备劣化往往和很多参数有关，如轴承温度、振动、油压、油温等，在分析设备劣化时需将这些参数结合起来进行分析，这就需要点检员具备很强的综合分析能力、技术水平和丰富的经验，因此存在一定的风险和不确定性。 点检员定时、定点、定周期地对设备进行点检，不能保证实时管理，因此并不能及时地发现设备故障。 尽管专业点检已确定点检标准，但由于受个人经验、技术水平、精神状态等诸多因素的影响，不足以对设备的运行状态做作及时的跟踪诊断，所采集离散的数据也不能对设备的状态作出综合分析、准确判断。 点检员日常工作事务繁多，无效的设备巡视占用了大量的精力，这就使得点检员的工作效率低，不能做到有的放矢，与点检管理的预期目标存在较大差距。 电厂设备包括大量的旋转机械和非旋转机械，设备各个参数间具有很强的关联关系，仅利用人工分析方法难以实现对设备劣化程度的定性、定量分析。 厂内现有的DCS、SIS监控网络已完善，为大数据挖掘与分析提供了平台。 设备智能诊断预警系统的优势 减轻了点检人员的工作量。自系统应用以来，点检人员现场点检频率减少了50%，而且免除了点检员繁琐的点检分析工作，极大地减轻了工作强度，提高了点检人员的工作效率。 显著提高了设备的管理水平。系统通过特殊算法计算并展现出设备劣化程度，提早预测设备的劣化趋势或故障情况，帮助点检人员制定合理的设备维护计划，实现了真正意义上的设备精细化管理。 为企业带来巨大的经济效益。自投运以来，系统预测到了设备的多次故障，大大降低了设备潜在事故的发生机率，为电厂挽回了潜在的经济损失。 方便了点检员的故障定位。当设备发生故障预警时，点检员能够利用智能化设备劣化预警与故障诊断点检系统提供的分析工具和故障诊断知识库及时定位设备故障的位置，方便了故障查找工作。 为优化设备运行模式提供了重要参考价值。将相同型号的设备进行对比分析，找到设备最佳的运行状态，并将这种最佳的运行状态与设备的实际运行状态比较，找到设备运行不佳的原因，从而实现设备的优化运行。 通过智能化设备劣化预警与故障诊断点检系统的实施，电厂充分挖掘和利用SIS系统数据库的海量实时/历史数据，构建起整个企业的设备状态性能管理平台，实现了设备故障从事后处理到事前预警的重大转变，大大降低了设备潜在的事故发生机率，降低了关键设备的非计划停机时间，提高设备的可利用率，降低设备维护运行成本。 总结 采用业界流行的大数据分析方法对设备在线数据进行模式识别和数据分析。通过建立表征设备功能特征的机械模型和反映设备性能指标的效能模型，应用设备正常运行工况的历史数据，挖掘设备内在的运行规律和各参数间的关联度，建立预警诊断判据，对设备进行劣化预警和故障分析。 采用振动、温度、位移等反映设备自身体征的参数建立设备的机械模型，实现对设备的劣化判断和故障预警。采用介质的温度、压力、流量等反映设备运行效率的参数，建立系统级和设备级效能模型，实现设备故障定位。 采用自动控制理论建立动态调节模型以实现自动调节系统品质的评价和故障判断。采用一次系统设备、测量与控制设备的相关量建立控制设备的逻辑分析判断模型，实现对监控设备自身异常判断。 通过设备异常所反映的参量变化，建立和积累设备诊断专家知识库，为设备的维护和检修提供技术支持，实现状态检修。 |
