基于物联网火电机组远程诊断服务实践.docVIP

基于物联网火电机组远程诊断服务实践 　　摘要：基于物联网的火电机组远程诊断服务，即通过对机组运行数据的集中采集、存储和挖掘，建立涵盖设备级、参数级和重要的工艺流程的针对性专业诊断模型，实现故障早期预警，提升了设备管理及监控水平。 　　关键词：物联网；火电机组；远程诊断服务；运行数据；故障预警 文献标识码：A 　　中图分类号：TP393 文章编号：1009-2374（2016）01-0131-04 DOI：10.13535/j.cnki.11-4406/n.2016.01.066 　　近年来，国内超（超）临界机组的大量投运，发电设备逐渐向超大型化、全自动化方向发展，但随之引出的设备运行风险也在增加。而机组频繁调峰、长周期运行等新运行方式的普遍化，对设备可靠性提出了苛刻要求。企业追求经济效益最大化，这要求企业不断提高自己的管理水平和技术水平。充分利用信息技术，挖掘生产和管理潜力，提高生产和管理效率，是每一个工业企业都必须开展的课题，也是“两化融合”的必然趋势。 　　目前，发电企业多数已部署了SIS、MIS、TDM等系统，并在生产管理中发挥一定的作用，但是普遍存在应用深度、数据挖掘不够等情况，一定程度上造成了数据和资源的浪费，无法为机组的经济性、可靠性管理提供相对全面、可靠的依据。远程诊断服务作为电力系统以及装备密集型行业的发展方向之一，可以结合发电企业现有信息化系统和设备特征，利用物联网技术，将分布于不同地域、不同企业的数据进行集中采集、存储和挖掘，并在此基础上建立企业知识库模型，案例分析模型，积累设备诊断和故障分析经验。通过集中发挥高端专业技术人才优势，对发电企业设备故障及异常进行早期预警和诊断，对性能指标进行优化分析，从而提升整个发电企业的设备管理及监控水平，对保障发电企业安全、经济运行具有重要的意义。 　　1 基于物联网的火电机组远程诊断服务平台技术路线 　　系统核心技术是研究神经网络技术在基于物联网的火电机组远程诊断服务领域开发和应用，在开发的系统平台上，通过感知系统内部大量节点之间相互连接的关系，达到系统、设备、参数故障预警和诊断的目的。主要研究及开发内容如下： 　　1.1 自适应与自组织能力 　　神经网络在学习或训练过程中改变突触权重值，以适应周围环境的要求。它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化，总结规律，完成某种运算、推理、识别及控制任务。因而它具有更高的智能水平，更接近人的大脑。 　　1.2 非线性映射能力 　　神经网络有多种算法，如BP算法、Hebb算法、LMS算法、RNN算法、高斯混合模型（gmm）等，这些算法各有特点。高斯混合模型（gmm）是其中最高效的一种：高斯混合模型是单一高斯机率密度函数的延伸，由于gmm能够平滑地近似任意形状的密度分布，划分更为精细，适用于多类别的划分，可以应用于复杂对象建模。 　　例：有一批观察数据X={x1，…，xn}，数据个数为n，在d维空间中的分布不是椭球状，那么就不适合以一个单一的高斯密度函数来描述这些数据点的机率密度函数。此时我们采用一个变通方案，假设每个点均由一个单高斯分布生成（具体参数μj、Σj未知），而这一批数据共由M（明确）个单高斯模型生成，具体某个数据xi属于哪个单高斯模型未知，且每个单高斯模型在混合模型中占的比例αj未知，将所有来自不同分布的数据点混在一起，该分布称为高斯混合分布。 　　图1 表示所有样本数据 图2 表示已经明确了样本的分类 　　由图2可以看出，gmm将原本杂乱无章的分布收敛到了三种近似椭圆形的分布模型。 　　结合神经网络各种算法的特点和发电企业的经验，本方案选择了高斯混合模型（gmm）作为诊断服务平台模型建设的主要算法，诊断模型具有计算准确、创建简单、易于掌握、便于扩展使用等特点。模型的创建要求不依赖专业研究院或高校学者级别的专家参与，模型的训练只需要找出模型对象各工况的正常时段即可，适合有丰富电厂运行和设备维护经验，对设备运行特性熟悉的电厂级专家使用。 　　2 基于物联网的火电机组远程诊断服务平台系统结构 　　2.1 系统体系结构 　　基于物联网的火电机组远程诊断服务平台由电厂侧和诊断中心侧组成，按照功能架构分为四层：数据采集层、数据存储层、业务处理层、信息展示层。主要功能由多个业务子系统完成：核心诊断系统、辅助诊断系统、集中预警处理系统、远程诊断决策支持系统。 　　系统功能架构角度如图3所示，整个系统包括数据采集层、数据存储层、业务处理层和信息展示层。 　　图3 系统功能架构图 　　2.1.1 数据采集层。将发电单位相关的实时数据库系统以及点巡检和TDM等业务系统产生的实时数据和关系型数据，通过与电厂的不低于2M的专线网络，采用OLEDB、OPC、PITO