融合預(yù)警系統(tǒng)征兆的PHM知識庫的構(gòu)建和應(yīng)用

1、融合預(yù)警系統(tǒng)征兆的PHM知識庫的構(gòu)建和應(yīng)用摘要：介紹基于相似性原理的預(yù)警系統(tǒng)及其預(yù)警征兆，提出改進(jìn)的預(yù)警征兆的 計算方法以及融合預(yù)警征兆、專家經(jīng)驗、故障樹和FMEA等知識的故障預(yù)測和健 康管理（PHM）知識庫的構(gòu)建方法，以更好地實現(xiàn)設(shè)備的CBM。關(guān)鍵字：預(yù)警，征兆融合，故障診斷，知識庫1引言經(jīng)過多年的研究和應(yīng)用，電力生產(chǎn)行業(yè)的狀態(tài)檢修/維修（CBM）在管理、技 術(shù)和人員認(rèn)識上取得了一些成就，同時也遇到了很多問題，離真正的CBM還有 很大的距離1。參數(shù)閾值報警常被電廠運(yùn)行人員用來判斷設(shè)備的健康狀態(tài)，此方 法簡單，但時常不能真實反映系統(tǒng)設(shè)備健康狀態(tài)，或者系統(tǒng)設(shè)備已經(jīng)（即將）發(fā) 生明顯的失效故障，對

2、CBM的應(yīng)用幫助有限。故障發(fā)展有一個逐步加劇的過程，前期故障征兆不明顯，容易被噪聲所掩蓋， 而前期征兆的綜合評估能夠得出設(shè)備的健康狀態(tài)，而這個健康狀態(tài)恰好可以應(yīng)用 于CBM中。因此要對系統(tǒng)設(shè)備數(shù)據(jù)進(jìn)行深層次挖掘，分析出前期的故障征兆及 其發(fā)展趨勢，定位故障部件及原因，從而更好實現(xiàn)CBM。故障預(yù)測包括故障不同 發(fā)展階段的故障診斷，并預(yù)測故障失效時間。結(jié)合廠級設(shè)備數(shù)據(jù)庫系統(tǒng)，為電廠運(yùn)行人員和設(shè)備管理人員提供一個設(shè)備信 息統(tǒng)計、分析、診斷的平臺，集成了設(shè)備設(shè)計資料、設(shè)備臺帳、設(shè)備節(jié)能環(huán)保信 息、設(shè)備維修運(yùn)行信息、設(shè)備預(yù)警信息、設(shè)備物資成本信息、設(shè)備隱患、設(shè)備診 斷分析等數(shù)據(jù)，實現(xiàn)對設(shè)備查詢、交流、分

3、析、知識經(jīng)驗共享，提高對設(shè)備管理的 實時性、高效性、準(zhǔn)確性。故障預(yù)測和健康管理（PHM）是CBM很重要的一部分。PHM就是借助各種 算法和模型（如物理模型、特征融合、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯等）評估 系統(tǒng)設(shè)備的健康狀態(tài)和預(yù)測發(fā)生失效故障的時間。許多故障診斷方法已經(jīng)進(jìn)行了研究、應(yīng)用和改進(jìn)，都有各自的優(yōu)點和不足， 實踐表明單一一種方法很難完成設(shè)備故障診斷的最終目標(biāo)，必須綜合利用多種方 法才能獲得滿意的結(jié)果2。本文介紹一種融合預(yù)警系統(tǒng)的預(yù)警征兆的PHM知識 庫的構(gòu)建方法和應(yīng)用。2預(yù)警系統(tǒng)介紹及改進(jìn)大多數(shù)過程工業(yè)的系統(tǒng)具有結(jié)構(gòu)復(fù)雜、時變、非線性和強(qiáng)耦合的特點，基于 相似性原理的數(shù)據(jù)挖掘預(yù)測方法常用

4、于過程工業(yè)中。文章3-6介紹了基于相似性 原理的預(yù)警系統(tǒng)的原理、系統(tǒng)結(jié)構(gòu)和實現(xiàn)?；谙嗨菩栽淼念A(yù)警系統(tǒng)可以應(yīng)用 到各種復(fù)雜的系統(tǒng)中，實施簡單快捷；移植方便，不需要參數(shù)調(diào)整且具有很強(qiáng)的 魯棒性；覆蓋全工況多擾動，可以建立個性化模型，以動態(tài)帶作為報警閾值，從 而得出和展示故障初期的征兆7。采集一段時間（一般為一年）的系統(tǒng)相關(guān)運(yùn)行數(shù)據(jù)，作為基準(zhǔn)工況參數(shù)樣本， 并且認(rèn)為這些樣本已經(jīng)全覆蓋系統(tǒng)的各個運(yùn)行工況。預(yù)警系統(tǒng)根據(jù)所選歷史數(shù)據(jù) 樣本進(jìn)行相似性分析，建立相應(yīng)的動態(tài)模型，并使用所建模型對工業(yè)系統(tǒng)采集的 實時測量值樣本進(jìn)行計算并且與模型設(shè)定的偏差值比較，若超出閾值則產(chǎn)生偏差 預(yù)警。預(yù)警系統(tǒng)在一些電廠中

5、取得了很好的應(yīng)用效果的同時也存在著一些問題8-11。 預(yù)警系統(tǒng)計算和展示結(jié)果僅僅是各個參數(shù)的預(yù)警信息，并沒有對這些信息進(jìn)行有 效的綜合分析，經(jīng)常需要專家綜合評估，得出可能的故障模式和故障原因。本文 通過改進(jìn)預(yù)警系統(tǒng)得出不同的故障征兆，并且融合其他特征，實現(xiàn)綜合故障模式 的識別。2.1改進(jìn)樣本的挑選預(yù)警系統(tǒng)的通常采用人工甄選的方法對一年的歷史數(shù)據(jù)進(jìn)行篩選，工作量大， 具有很大的主觀性，樣本挑選質(zhì)量往往與人員素質(zhì)有關(guān)，很容易影響預(yù)警模型的 準(zhǔn)確度。通過下面的方法對樣本自動采集，既減輕了勞動強(qiáng)度也可以提高模型的 準(zhǔn)確性。（1）采集一年運(yùn)行參數(shù)，采樣周期通常為1h；（2）對各個測點數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

6、（3）剔除樣本中含有大于3倍標(biāo)準(zhǔn)差的樣本；（4）生成樣本集合2.2改進(jìn)預(yù)警閾值的設(shè)置異常值往往隨著負(fù)荷或者相關(guān)變量的特征參數(shù)的增大而增大，預(yù)警模型計算 出來的偏差值也能充分反映這種變化的特征，而預(yù)警系統(tǒng)預(yù)警閾值通常設(shè)定為一 個常量，僅僅通過閾值來判斷異常值的有無往往丟失很多有用的信息。通過對測 點進(jìn)行以下處理，把預(yù)警偏差值映射為一個實數(shù)，稱為健康狀態(tài)系數(shù)，即使在不 同的負(fù)荷或者相關(guān)系數(shù)變化的情況下，也能充分反映測點數(shù)據(jù)的健康程度。（1）對測點進(jìn)行聚類處理；通常根據(jù)實際情況分成幾類。下圖為引風(fēng)機(jī)的測 點聚類，我們可以分成兩大類。對處于同一子類的測點重心賦予較大的權(quán)重，而 不同子類賦予相對較小的權(quán)

7、重。逐級計算加權(quán)后的重心，得到該測點與大類加權(quán) 重心的關(guān)系。例如下圖，如果計算測點17所在大類的重心，可以采取步驟： 分別計算測點類12-14，17-19，11，15，16，20，21的重心 c1，c2，c3 取權(quán) 重分別為0.8，0.1，0.1得到新的重心c4=0.8*c1+0.1*c2+0.1*c3；計算測點類4 的重心。5，取c4，c5的權(quán)重0.95，0.05，得到第一個大類的測點重心 c6=0.95*c4+0.05*c5。（2）對重心進(jìn)行分箱，通常分成10個，計算每個分箱內(nèi)測點的3倍標(biāo)準(zhǔn)差， 擬合重心-測點3倍標(biāo)準(zhǔn)差曲線，稱為健康曲線。預(yù)警模型計算出測點偏差結(jié)果之 后，接著計算該測點所

8、在類的重心，查出該重心下的標(biāo)準(zhǔn)健康值，然后計算健康 度，健康度=偏差值/標(biāo)準(zhǔn)健康值。|健康度|1,說明測點參數(shù)正常；健康度1,說明測點參數(shù)偏高。2.3預(yù)警征兆的生成由于預(yù)警系統(tǒng)采用的相似性模型進(jìn)行計算，測點健康度可以很好的表征測點 的征兆，統(tǒng)稱為預(yù)警征兆。例如溫度測點可以采用該測點健康度h1.1表示溫度 高，h-1.1表示溫度低，Ah。.?/天表示溫度逐漸升高等。通過相似的配置處理， 可以定制出各測點健康度與征兆的映射關(guān)系，方便規(guī)則的編輯和故障模式的識別。3故障預(yù)警建模鑒于本項目依托工程在數(shù)字化建設(shè)方面的成果顯著，為設(shè)備管理提供了大量 數(shù)據(jù)，通常每臺設(shè)備有20到300個傳感器用于設(shè)備狀態(tài)監(jiān)視，

9、SIS系統(tǒng)也提供了 大量實時和離散數(shù)據(jù)，在創(chuàng)建模型時，大量歷史數(shù)據(jù)可供參考，因此，建模時充 分考慮了多個傳感器數(shù)值之間復(fù)雜的相關(guān)性，例如，對于引風(fēng)機(jī)，線圈溫度不僅 與電流有關(guān)，還與環(huán)境溫度有關(guān)，故障預(yù)警模型中已經(jīng)在同一模型下的多個傳感 器中建立了這種復(fù)雜的相關(guān)性。在模型計算時，根據(jù)相似理論模型計算出每個傳 感器的估計值，為每個特征量建立設(shè)備正常運(yùn)行的動態(tài)帶，當(dāng)設(shè)備傳感器超出動 態(tài)帶并在統(tǒng)計學(xué)上顯著超出時，則觸發(fā)事件，提醒電廠工程師潛在的設(shè)備問題。3.1數(shù)據(jù)點位核對將現(xiàn)場的傳感器與模型點進(jìn)行匹配，本項目模型使用實時系統(tǒng)中的數(shù)據(jù)點位。 完成點位核對后，故障預(yù)警系統(tǒng)中的設(shè)備模型將實時（按設(shè)置采集頻率

10、）采集設(shè) 備各關(guān)鍵參數(shù)，并按矩陣方式與歷史數(shù)據(jù)對比，擬合出各指標(biāo)預(yù)測曲線帶，然后 該組數(shù)據(jù)可設(shè)置作為歷史數(shù)據(jù)存入矩陣中作為經(jīng)驗值參考，如此往復(fù)循環(huán)，迭代 的方式促進(jìn)設(shè)備預(yù)警模型不斷自學(xué)習(xí)、自完善。3.2采集歷史數(shù)據(jù)從電廠實時信息系統(tǒng)的歷史數(shù)據(jù)庫中讀取一年的歷史數(shù)據(jù)，累積足夠的各種 工況參數(shù)，數(shù)據(jù)采集以一小時為間隔。3.3創(chuàng)建狀態(tài)矩陣將歷史數(shù)據(jù)導(dǎo)入模型，過濾非典型數(shù)據(jù)及特殊工況數(shù)據(jù)，將單體設(shè)備的各參 數(shù)組成一組向量，擷取不同工況的數(shù)據(jù)擬合為矩陣，以凝結(jié)水泵為例，由“入口壓 力、入口溫度、流量、轉(zhuǎn)速、出口壓力”組成一組5維向量，由N組不同工況參 數(shù)擬合為狀態(tài)矩陣，如圖3-11所示，各組向量為各典型

11、工況的具體參數(shù)。3.4產(chǎn)生估計值在設(shè)備正常運(yùn)轉(zhuǎn)時，故障預(yù)警系統(tǒng)實時從SIS中以向量為單位采集數(shù)據(jù)，實 際值向量與狀態(tài)矩陣中的每一個向量比較，得出一個相似度值，基于其與實際值 向量的相似度，狀態(tài)矩陣中的每個向量都計算出一個相似度權(quán)重值，對于每個傳 感器實時參數(shù)，狀態(tài)矩陣中的每個向量乘以相似度權(quán)重并累加從而得到估計值。4 PHM專家知識庫的構(gòu)建PHM首先通過綜合計算，找到故障征兆；對照故障征兆和故障模式關(guān)系映射 表，得出故障模式；通過故障模式和故障原因映射表，推導(dǎo)出可能的原因；逐步 分析和推導(dǎo)相應(yīng)的子故障模式，最終能夠得到故障原因和故障部位；跟蹤故障征 兆趨勢，預(yù)測可能發(fā)生的失效故障以及部件在當(dāng)前

12、運(yùn)行條件下失效時間（剩余壽 命）；根據(jù)部件和預(yù)測故障模式知識庫的調(diào)用，指出故障發(fā)展趨勢和后果。通過 維修決策合理調(diào)配維修保障資源，制定最佳維修保障方案，以實現(xiàn)系統(tǒng)設(shè)備的狀 態(tài)檢修。國內(nèi)外常用帶有故障診斷專家系統(tǒng)進(jìn)行狀態(tài)監(jiān)測和故障診斷，為設(shè)備管理、 維修和運(yùn)行人員提供相關(guān)的智能決策4。專家系統(tǒng)的關(guān)鍵技術(shù)是知識的表達(dá)和知 識庫的完備，健全、完善、有效的知識庫，方能滿足不同問題的求解需求。4.1知識的獲取及存儲故障診斷知識來源于多個方面：論文、報告、專著、專利、課本、產(chǎn)品說明書現(xiàn)場運(yùn)行維修人員的實踐領(lǐng)域?qū)＜页槿∫延泄收蠘涞慕Y(jié)構(gòu)體系12-15 知識?？梢圆捎妙A(yù)警征兆和故障樹事件 的等價映射，實現(xiàn)征兆之

13、間的層次關(guān)系和演化過程，以此為依據(jù)編輯不同故障發(fā) 展階段的規(guī)則。抽取FMEA （故障模式及影響分析）知識。FMEA是一種簡單易行的故障分 析方法，其針對故障模式進(jìn)行故障原因、故障征兆等的關(guān)聯(lián)進(jìn)行分析。預(yù)警分析人員的經(jīng)驗。經(jīng)過多年的應(yīng)用、研究總結(jié)，預(yù)警分析人員對預(yù)警 特征和故障發(fā)展之間的關(guān)系有了更深的認(rèn)識和意見。對所搜集的知識進(jìn)行綜合的整理、分析、篩選、歸納然后將所需的知識人工 抽取出來，編輯存儲到數(shù)據(jù)庫中?；鹆Πl(fā)電廠故障診斷知識庫以各個系統(tǒng)為編輯單元，每個編輯單元詳細(xì)記錄對應(yīng)的知識，其中包括：故障模式庫：記錄系統(tǒng)中所有的故障模式。由于故障模式之間存在相互重疊 的故障征兆，為了符合主觀認(rèn)識和提高

14、故障模式的可辨識性，選擇和優(yōu)化故障模 式配置，使故障模式之間的征兆差異最大化。故障征兆庫：記錄系統(tǒng)中所有的故障征兆（或特征）故障模式故障征兆映射庫：記錄一種故障模式下所有可能出現(xiàn)的征兆映射。 故障模式在每個發(fā)展階段，系統(tǒng)都會有很多征兆，有些征兆可以通過測點數(shù)據(jù)判 斷直接得出，但大部分必須通過不同的算法進(jìn)行數(shù)據(jù)挖掘（例如預(yù)警系統(tǒng)就是很 好的數(shù)據(jù)挖掘工具）。把每個階段的征兆列舉出來，組合成一條規(guī)則，并賦予這 條規(guī)則一個健康系數(shù)，表示故障模式的發(fā)展階段或者確認(rèn)程度。某故障模式在逐 漸惡化的過程中，將會有不同的征兆，從而觸發(fā)不同的診斷規(guī)則，通過規(guī)則健康 系數(shù)的跟蹤和擬合，可以預(yù)測發(fā)生失效故障的時間。故

15、障征兆算法庫：包括所有征兆的應(yīng)用到的算法的描述。故障原因庫：記錄系統(tǒng)中所有的故障原因以及相應(yīng)的影響和處理措施。故障模式故障原因映射庫：記錄所有導(dǎo)致一種故障模式發(fā)生的可能的原因。4.2故障征兆來源故障征兆有多個來源，除了來自預(yù)警系統(tǒng)的征兆外，還有來自智能特征計算 系統(tǒng)的特征和特征信息管理系統(tǒng)的特征，后兩者是對前者的進(jìn)一步驗證和補(bǔ)充。 特征信息管理系統(tǒng)的特征通過專門的接口程序，調(diào)用化驗、點檢、檢修、臺賬和 巡檢的數(shù)據(jù)，同時提供相應(yīng)的手動錄入的界面，方便外部信息不完善或不能接進(jìn) 來的情況下，可以人工輸入數(shù)據(jù)，使系統(tǒng)能夠正常運(yùn)行。4.3征兆融合規(guī)則的生成通常系統(tǒng)設(shè)備部件發(fā)生失效故障有一個過程，從萌芽、

16、加劇、惡化到最后發(fā) 生失效故障。每個階段系統(tǒng)表征出來的征兆都不一樣，過程中由于環(huán)境、操作、 工況、系統(tǒng)等影響，也會影響故障發(fā)展的速度和方向。根據(jù)系統(tǒng)眾多參數(shù)綜合計 算，得出每個特征的健康程度并跟蹤發(fā)展趨勢，然后結(jié)合專家知識庫，得出故障 模式的健康程度和發(fā)展趨勢，最終預(yù)測失效時間。根據(jù)故障失效的發(fā)展規(guī)律，制定故障模式每一個階段的診斷規(guī)則，表征每個 階段的發(fā)展情況。通常規(guī)則不超過9條，不通過專家的主觀認(rèn)識，判斷當(dāng)規(guī)則發(fā) 生時，設(shè)備處于的健康狀態(tài)，稱為健康系數(shù)。健康系數(shù)越大則越健康，設(shè)定范圍 為0,1，1表示完全健康，達(dá)到設(shè)計值性能要求，0表示發(fā)生了失效故障。由于規(guī) 則時跟蹤故障發(fā)展的過程，故原則上

17、隨著規(guī)則編號的增加，健康逐漸惡化，健康 系數(shù)逐漸減小。通常最根本的故障原因也就是故障樹中的底事件很難診斷出來。很大一類底 事件的故障征兆具有很大的相似性，通過取這類事件的征兆的交集，構(gòu)成一個故 障模式。在確認(rèn)故障模式發(fā)生的前提下，調(diào)用排他性的故障原因診斷規(guī)則，最終 得到發(fā)生故障的根本原因；也可以在確定故障模式的前提下，通過技術(shù)人員就地 檢測分析以進(jìn)一步確認(rèn)故障原因。5結(jié)論本文根據(jù)電力生產(chǎn)行業(yè)設(shè)備的特點，提出改進(jìn)的預(yù)警征兆的計算方法以更好 地實現(xiàn)預(yù)警特征和故障樹事件之間的映射關(guān)系，定義了測點健康系數(shù)的計算，方 便今后結(jié)合故障診斷規(guī)則實現(xiàn)故障預(yù)測。提出了融合預(yù)警征兆、專家經(jīng)驗、故障 樹和FMEA等知識的故障預(yù)測和