基于深度学习的故障预警诊断平台设计与开发.docx

基于深度学习的故障预警诊断平台设计与开发 摘要：现代电站系统日益庞大且复杂，且火电机组设备大多处于高温、高尘、高速等恶劣环境中运行，极易出现故障。故障的发生会影响机组正常运行脱离最优工况降低经济效益，重大故障甚至会造成人员伤亡。因此，对这些复杂设备进行在线实时过程监测与故障预警，是保障电站设备运行可靠性、经济性的重要手段。对此采用了基于深度学习算法对DCS系统中海量过程数据进行数据驱动建模，挖掘过程数据中所代表的设备运行信息，开发了电站设备在线实时过程监测与故障预警系统。试验结果表明，该系统提供了简单高效的建模方法与精准迅速的故障预警，为现场运行人员给予可靠指导分析，提高了全场管理水平与效率。 目前，我国火力发电站普遍配备了厂级监控信息管理系统（Supervisory Information System,SIS）和分布式控制系统（Distributed Control System,DCS）。通过现场测点采集了海量设备运行数据，但目前这些系统对于数据的利用一般仅局限于简单的超限预警，并未对这些数据所反应的设备运行机理与运行状态做进一步挖掘、分析。如何利用这些海量热工过程数据提高热工系统可靠性和经济性，响应国家以调整优化、转型为主线、构建安全高效现代化电力工业体系的号召，是目前电力行业所关注的重点方向。本文基于DCS系统中的海量过程数据，利用前文所介绍的预警诊断算法，结合计算机软件技术，开发了一套集合在线建模、监测、预警、诊断多功能一体化服务的热工过程故障预警诊断平台。1 故障预警诊断平台设计与开发1.1 平台算法介绍深度学习是近年来国内外学者研究的热门领域，相对传统机器学习方法深度神经网络具有更强的学习能力。堆叠自编码器是主流的深度学习框架之一，由多层自编码网络堆叠组成，是一种栈式结构。堆叠自编码器具有强大的非线性特征提取能力，能充分挖掘多维度、强扰动、非线性、高耦合的热工数据中蕴含的过程信息，建立能有效表征热工系统运行状态的数据驱动模型。堆叠自编码网络通过贪心逐层预训练算法训练各层自编码网络，每层自编码网络由编码器与解码器组成，其中编码器将输入信号映射到隐藏层的低维非线性特征，解码器则将低维特征映射到输出层，实现对输入信号的降噪与重构。单层自编码网络的编码与解码过程可以表示为：式中：x为自编码网络的输入层变量，f（·）为编码器映射函数，g（·）为解码器映射函数。自编码训练目标函数可表示为：式中：x1.2 开发工具与开发环境预警诊断平台基于前后端分离体系，后端业务逻辑主要采用C#语言进行开发，平台相关预警诊断算法采用Matlab编写设计，前端页面展示采用Java Script+HTML+CSS方式开发。软件整体采用B/S架构，用户通过浏览器查看Web页面进行操作查询。在数据层面，采用了自主研发的EXA实时数据库从OpenPlant数据库中读取现场设备运行数据并保存历史。预警平台的模型参数、用户登录等相关信息，采用了My SQL数据库进行保存。Open Plant实时数据库通过采用流程工业企业现场自动化控制设备上汇总的现场生产实时数据，来存储历史数据，为企业的生产信息化提供数据基础。为方便系统调用操作现场数据，EXA数据库通过数据接口，将Open Plant数据库中现场运行数据读取进行二次转存。My SQL数据库一个开源的关系数据库管理系统，具有性能高、成本低、可靠性好等优点，并且为包括C#在内的多种编程语言提供了API方便提高开发效率。1.3 预警平台结构设计如图2所示，预警诊断平台为B/S架构，主要有三部分组成，分别为数据访问层、业务逻辑层和表示层。1）数据访问层：数据访问层由OP数据库、EXA数据库和My SQL数据库组成。通过相关API对数据进行增、删、改、查等操作，主要为业务逻辑层和表示层提供数据服务。2）业务逻辑层：业务逻辑层由Web服务器和算法服务器组成，负责处理数据访问层中的相应数据满足表示层的需求。3）表示层：为用户提供Web页面，按系统功能划分，主要为负责数据展示与离线建模的训练中心、负责在线监测与预警诊断的预警诊断中心，负责用户登录与权限管理的用户中心三个模块。2 预警诊断平台功能设计预警诊断平台将深度学习作为算法支撑，结合热工专业知识建立基于数据驱动的热工过程模型，并利用该模型对现场运行设备在线实时故障检测与诊断。预警诊断平台的核心模块为离线建模与在线预警诊断。2.1 离线建模预警诊断平台离线建模界面如图3所示。离线建模主要功能为操作人员选择模型训练样本并配置相关参数进行离线建模以及管理所建模型。具体操作流程如图4所示，通过所设建模参数构建基于SAE网络的热工过程故障检测模型，并从数据库中读取所选时间段的历史数据经数据