基于多PCA模型的锅炉故障诊断.docx
17页
基于多 PCA 模型的锅炉故障诊断锅炉的运行匚况对结焦有很大的影响,如运行中增加锅炉负荷，则会捉高燃烧强度.使 低熔点的共熔体熔化区域増大.结焦的范国扩大.在锅炉运彳丁中・特别是负荷变化频繁或超 负荷运彳「史易结焦，为了在运行中避免结焦问题.冇必要对影响结焦的郴关过程变駅进行监 测和诊断，发现结焦的侦兆时，及时对炉膛燃烧状况进行必要的调整近年來，主元分析方法在化工过程的监测和故障诊断中已有许多研究和应用.但在火电 厂生产过程中的应用还不多一般來讲，化工生产过程是一个相对封闭的系统，它的工况变 化受产品种类和产量的影响.而在大多数时间里，直产品的种类和产量是相对稳定的，这就 决定了具生产过稈将长期工作在某个稳态工况下，在这种条件下，常规的pc八故障检测方法 是可以直接应用的•而火电厂工产过程与外界电网连通•它的一个呆显著的运行特点是其运 行丁况随着外界负荷需求的变化而不断变化，在这种变工况条件卜•，使用常规的PCA故障检 测方法将有一定的局限性卩儿5.1传统PCA故障诊断的局限性5. L 1火电厂运行特点分析火电厂生产过程是一类典型的流程丄业过程，它同一般的化工过程-样，是将原材料（煤 炭）转换成产品（电）的连续生产过程：但是.由于电足一种特殊的产品，它不能存储，因此其 产量（发电展）不能人为固定在-个水平上，而是甌着外界负荷的需求而不断变化。
从控制的 角度來考虎，火电厂生产过程控制系统是-个大的随动控制系统，其控制ri标是将发电虽与 外界负荷指令保持一致；而一般流程丁业过稈拎制系统则是一个大的定值控制系统，其产品 的种类和产量一般维持在一个定值水平上，n.这个定值是可以人为设置的火电厂生产过程的特殊性决定了兀运行方式的特殊性其典型的运行方式是，生产过程 运行在某个稳定工况下：当负荷指令发生变化时，燃料虽.送风量、给水量、蒸汽呈等参数• 将发生郴应变化.过程处于一个过渡状态：当负荷指令稳定后.生产过程又将运行在一个新： 的植定工况因此具运行特点是：工况不断变化，过程在“稳态•过渡•稳态”各状态卜•不| 断交替运行 |所谓丄况是指系统或过程在运行中所处的工作状况.一般选用-组受工况变化影响的过程变皐來衣征工况特性.这纽变量称Z为工况待征变鱼向这哇工况特征变试的丄作点是随 设定值而变化的.所以工况的变化归根结底是由操作变量的变化引超的.对j:火电厂來说，各个子系统是定值控制系统，具操作变彊•般不变，但就席体而言它 是一个随动系统，其操作变量是机纽负荷指令.所以机组负荷指令是彩响火电丿工况变化的 本质原因因此常选用与负荷指令相关的一组变星作为工况特征变量，包括机组负荷、炉膛 负压、引风量.含氧駁等。
山于这里面机组负荷是主导因索，其他变虽会随着它变化，所以 为简m起见般选用机组负荷作为匸况特征变当然仅通过工况特征变量來衡吊匸况特性 是不全面的，这只是一种狭义上的概念，广义上还应该包括机组的工作方式”例如，当机组 处于低负荷运厅时，其磨煤机投入台数会减少.给水方比也会山两台汽泵给水切换成电泵给 水但考虑到机组人部分时间将运行在中高负荷下，而这时机组的工作方式一燉不变化，因 此在本文的研究中仅选用机组负荷來衡虽工况特性5. 1. 2工况变化对PCA故障诊断的影响为便于通过分析工况变化对变师的均值、方屋和协方差的影响來得知其対检测结果的影 响.观察一段变工况下的机组负荷和在此负荷卜•的各个过程变駁变化趋势，则将过程变量分 为两类・其中第一类变量不受工况变化的彩响，或是受工况变化而产生了扰动但在闭环控制 的作用F会很快消除.仍维持原冇状态这类变虽如炉膛含氧量等第二类变就受工况影响 很大，氏工作点会跟随工况-起变化这类变星如炉膛负压、引风量等图5」所示各变屋 葩负荷变化的趋势图.经过分析，对只含有第一类变呈的控制系统，由于其变量的均值.方差和相关性都不 工况变化，即尽管工况变化，但系统仍然处于稳定状态，因此这类系统变量可以使用传统PCA 故障诊断方法通过单…模型进行故障检测，但当控制系统包含两类变屋时，山于部分变量的 沟值和相关性会随工况发生变化.如果使用某个匚况卜•的主元模型对另「工况的检测样本进 厅故障检测时•即便没有发生故障，也会使统计量超出控制限，造成误检。
而如果使用多个 II况下的正常数据建立一个大的主元模型的话.则会消弱不同工况下各自的统计特性.因而 左检测中造成漏检因此在变「况条fl F便用基于单一主元模型的常规PCA故障检测方法是 F可行的.这就耍考虑主元模型的工况适应性问题o o o o o 6 4 2 0 1 1 1— 1E2B住00200OOO4O003O 00 18 00 6001-Hl・401— )020100 O O002000O00□001800016000J:I-!JO1200001 O003厂 i-rkj o o o o o 5 0 5 0 2 2 11 I002000080000600WO00804—006001O00J10012J00 O O1r ■ p a L o o o o o — o o o o 5 5O 00 4 O 0026000O 00 18 00 O 6 00 O 4 4— 00 20 00 00 1. O 00 8图5.1变量随工况变化趙势图Figurc5.1 The trend chart about vanablcs and operation conditions对于火电丿众多的控制系统來说，大部分都同时包含两类变量，因此研究变匸况条件下 YJPCA故障检测问题是有意义的，另外需要扌&出的是.变工况问题的研究范围指的是多个稳 态工况，根据上节分析对知对两个稳态工况间的过渡过稈工况不能使用PCA故障检测方法， 丙此在使用中应该剔除掉过渡过程。
5.2基于多PCA模型的故障诊断通过分析传统PCA故障诊断的局限性.卜•面对一种适用于变工况特性的多PCA模型故障 佥测贰法进行研究在多PCA模型检测方法的应用过程中有两个需要頂点考虑的问題.即工 丸划分和模型匹配问题苴中T况划分是指在建立主元模型组时，如何选择合适数量的工况， 史得在这哇丄况F建立起來的上元模型组可以全面的描述整个工况范用而模型匹配是指在 汝障检测过用小，对丁给定的检测样本如何选取合适的主元模型來i|算检测统计鼠 如果给 苣的检测样本正好处在主元模型组中已有的某个工况下,那么可以简单的选用该工况对应的主元模型进行计算.但如果检测样本处于主元模型组中的两个匸况之间,如何匹配合适的主元模盘就成为了一个有待解决的问题本文采用模糊C均聚类來进疔」〔况划分5・2. 1模糊C均值算法系统聚类法的内容是：设佝N个样砧，初始这N个样品各自成一类，然后计篦样品 之间的距离，将距离最小的类并为一新类再计寛井类后的新类与具它类的距离.乂将 距离最小的两类合并为一新类这样每次减少一些类.宣到将N个样品合并成指定数 目的类为止模糊聚类分析作为无曲督机器学习的宅要技术之…，是用模糊理论对魂要数据分析 和建模的方法.建立了样本类属的不确定性描述，能比较客观地反映现实世界，它已经 有效地应用在大规模数据分析.数拯挖掘、矢呈星化、图像分割、模式识别等领域，具 有重要的理论与实际应用价值.開着应用的深入发展.模糊聚类算法的研究不斷牡富。
在众多模糊聚类算法中•模糊C均值聚类算法(Fuzzy C-means algorithm・FCM)算法应 m最广泛fl较成功，它通过优化h标函数得到毎个样木点对所有类中心的隶風度，从而1 决定样本点的类屈以达到自动对数据样本进行分类的目的. ；给定数拯集，具中毎个元索包含s个属性模糊聚类就是要将X划分为C个类.心他宀，…心｝为c个类的聚类中心在模糊划分中，每•个样本点不能严格地被划分到某一’ 类，而是以•定的隶属度属于某•类令知表示第j个样本点第i个类的隶属度且满足下 心 1w【0,l]・ Vpvy (5.1)切=1・巧 (5.2)m“
采用模糊C均值算法进行分类，结果如下图所示・160800 2000 4000 6000 8000 10000 12000 14000 16000图5. 3模糊C均值聚关结果Figurc5.3 The result of fuzzy c-means algorithm clustering空过分类，6个聚类中心如图中纟1线所示，最大值最小值如下表:表5. 1聚类汇总Table5.1 Cluster summary类I23456中心95 33104,45丨16」0I2&I113S.68147.52量人值99.39108.27120.02131.38141.09150.60址小值89.98100.40111.27123.49134.40143.10004Jo800620000 2000 4000 6000 8000 10000 12000 140000 2000 4000 6000 。
