新型水电站设备状态监测系统实现方法探讨

谢秋华，杨廷勇

（中国长江电力股份有限公司，湖北 宜昌443000）

1 引言

传统水电站设备状态监测系统在故障诊断与分析中主要采取两大方向的分析方法与手段：一是通过定期的趋势分析，运行与维护人员对设备未达到报警阈值之前的劣化趋势进行预判或趋势预警，分析工作主要依靠运行和维护人员经验；随着传感器技术、数据采集、处理及传输技术等计算机网络技术的飞速发展，电站运行过程中产生越来越多、精度越来越高的生产数据，历史数据库中存储的数据量急剧膨胀，导致人工分析工作量巨大、时间上滞后，同时人工分析深度和广度受限，设备潜在故障分析的全面性和准确性也难以保障。二是采用故障模式识别技术，即用设备已知的各种故障模式特征对新发生的设备故障进行特征比对，将新故障归并为匹配性最好的已知故障模式，从而实现设备故障诊断。由于水电站全面的故障模式收集非常困难，且水电站设备故障发生机理复杂、多样，因此很难实现故障模式的精准匹配。因此，该理论虽然发展多年，目前依然无法成功应用于水电站生产实践中。

为解决上述问题，新型设备状态监测系统致力于实现设备趋势自动预警和劣化程度自动辨识，提升故障诊断智能水平，促进劳动生产力解放。

2 新型设备状态监测系统核心思想

当设备运行于某一稳态工况时，系统通过大数据挖掘方法，对该工况下设备的历史大数据特征值进行学习，总结出该工况下设备的健康基准值，将该值与设备当前值比较，利用偏差分析法计算两者相对偏差，形成动态预警带，从而判断设备运行状态是否正常。根据相对偏差的大小，设备运行状态分为正常运行阶段、早期预警阶段、缺陷阶段和故障阶段（见图 1）。

图1 新型设备状态监测系统核心思想示意图

可见，新系统的核心思想是实现了设备动态预警，与传统固定阈值报警有着本质区别，具体如下：

（1）早期异常识别方面：设备早期异常特征非常不明显，远远没有达到预设定的报警阈值，因此传统系统无法产生报警信息，即使经验丰富的运行人员也不易发现。新系统通过大数据挖掘计算出设备当前工况的健康基准值，能够精准识别出设备早期异常，产生预警信息，如图2所示。

图2 设备早期异常识别示意图

（2）报警定值确定方面：传统阈值报警的定值需要行业专家或者设备厂家提供，需要极强的专业性，动态报警健康基准值由设备历史大数据特征值学习总结而来，是基于设备自身历史运行数据，而不是简单的行业经验数据，更贴近设备实际运行情况。

（3）定值适应性方面：传统阈值报警的定值是预先设定的一个固定值，不随设备运行工况变化而变化，“以不变应万变”；新系统定值是根据设备不同运行工况计算而来，会随设备运行工况的改变发生相应的变化，具有很强的自适应性。

（4）报警处理及设备损坏方面：新系统能够产生早期预警，而传统系统只能够产生缺陷报警，因此新系统故障预警后有更多的故障处理时间，对设备损坏也小很多。

此外，新系统通过层次分析法对设备报警部件进行全局性影响评估，为设备检修决策提供支持；通过预警案例的不断积累对设备报警处理提供解决方案，为故障检修的精准定位提供依据。

总之，新系统以设备健康样本大数据为核心，一切以大数据为依据、用大数据说话，

对于识别设备非健康状态、防止设备故障、减少非计划停运、提高设备利用率、延长设备使用寿命等方面，都是传统系统无法比拟的。

3 新型设备状态监测系统具体实现

新型设备状态监测系统主要功能包括设备动态预警、缓变量曲线趋势自动识别和设备故障劣化程度评估3大部分。

3.1 数据泛化

设备趋势分析相对于平稳数据，更关注最大值、最小值、平均值等特征数据，本系统按照设备分析需求，预先计算出并存储设备分钟、小时、天、月、年特征值，即数据泛化，当用户请求时直接提供计算结果，而不是请求时才去计算，能够在保证准确展现设备真实趋势的前提下，实现长周期大数据请求系统的快速响应。

3.2 模式匹配

传统故障诊断模式是故障案例匹配，即用设备已知的故障样本训练系统，以期当设备出现异常时，系统能够从已知故障中匹配一个最相似故障样本作为诊断结果。

这种模式在实际应用中存在如下问题：

（1）设备故障样本数量很难达到系统训练要求，导致系统学习精度和深度无法保障。

（2）设备故障样本种类很难收集全面，导致模式匹配困难。

（3）设备故障变化多样性，即使两个相似故障也存在差异，导致模式匹配困难。

本项目逆向思维，采用健康样本匹配模式，主要依据事实是：设备故障变化多端，但是设备正常运行表象是基本相同的，而且设备多数时间处于健康运行状态，能够提供足够的健康样本供系统训练学习。总之，设备健康表象相似，样本丰富，模式匹配能够保证精度和深度。

3.3 设备动态预警

（1）核心算法：动态预警实现的核心算法是k-means聚类分析法，它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类同一簇中的对象彼此相似，不同簇中的对象彼此相异。

（2）模型建立：新系统采用面向对象建模方式，将设备关键测点以及相关测点作为一个整体的“模型”对象，模型更关注设备关键参数之间的整体性和关联性，更注重系统思维，而不是单个参数的固定限值。

（3）健康基准值计算：对于水电站设备而言，一般情况下设备正常运行记录会远远大于异常记录，即设备正常运行状况的运行数据数量，远远大于体现设备异常工况的数据数量。

因此，对于给定的特定工况下的一组设备运行数据集，通过聚类算法，大部分样本会收敛于唯一的同一个簇（主簇），少量样本会属于其他簇，如图3所示。大量健康样本汇聚的主簇中心，正是设备健康基准值。对于其他簇，是异常数据或者设备的异常状态，予以剔除。显然，设备健康基准值的产生是基于设备自身历史运行大数据，不是固定的值，会随机组运行工况的改变发生相应的变化。

图3 健康基准值计算示意图

（4）偏差计算：为了更好的表达设备状态偏离健康基准值严重程度，新系统使用相对偏差分析法，即相对偏差=[（健康基准值－模型实时值）/健康基准值]×100%，从而实现设备动态预警。

3.4 缓变量曲线趋势自动识别

水电站一些重要设备参数，如轴承瓦温、调速器系统油位等，正常情况下变化量非常小，称之为缓变量。缓变量缓慢上升或下降的趋势往往是故障征兆的反映，而这种变化趋势运行人员很难发现，趋势的自动识别非常必要。

缓变量自动识别基于概率统计理论。设曲线斜率为Kp，当曲线总体趋势向上时，从概率论知识可知，曲线斜率Kp＞0为极大概率事件，即斜率Kp＞0的概率必将大于Kp＜0的概率，反之亦然。对曲线上所有点的斜率分别进行正负统计，根据统计结果就能够自动识别曲线的变化趋势。

为了消除测点波动引起的识别误差，需要设定测点变化死区，即测点相邻两次测值之差大于设定值时，才统计该次斜率变化。某电站推力油槽油混水曲线自动识别过程特征数据如表1所示，曲线如图4所示。

表1 特征值数据（小时平均值）

图4 推力油槽油位天趋势曲线

由表1可知，曲线斜率上升次数百分比为100%。曲线为加速上升状态。事后结果表明，推力油槽油混水在7月26日凌晨3:00多开始出现，并一直持续发展。

3.5 设备故障劣化程度评估

本项目采用层次分析法（AHP）对设备状态进行评估，是一种定性与定量分析相结合的多目标决策分析方法。传统设备状态评估是一种定性分析方法，需要考虑设备多个属性之间的权重关系，主观性较强。

层次分析法每次只需要考虑设备两个属性之间的权重关系，形成属性关联矩阵，然后通过其计算出设备多个属性之间的权重关系，降低定性成分，增加定量分析，设备状态评估更容易实施，也相对更加合理。

4 结论

新型水电站设备状态监测系统针对当前设备状态监测技术中的不足，充分利用现有的数据中心及大数据挖掘技术，从海量数据中挖掘出设备健康状态样本，实现设备早起故障报警、缓变量趋势报警、设备劣化状态评估等功能；应用数据泛化兼顾运算速度与精度，将历史数据从以往“不被重视、利用难度大”的现状，变成设备诊断分析最原始、最权威的专家；从而真正实现大数据分析与辅助决策，助力电站本质安全。