一种火电厂热力系统传感器故障诊断方法

摘要

本发明涉及一种火电厂热力系统传感器故障诊断方法，包括：对热力系统的传感器信息数据进行采样；根据传感器信息采样数据确定阶次数p；根据所述阶次数p选择自回归模型；确定自回归模型中的参数，同时确定自回归模型的表达式；利用自回归模型预测出传感器在下一时刻的输出值，通过比较传感器的预测值与实际值产生残差，获得残差序列；对获得的残差序列进行分析，当所有残差序列均表现出可能出现为某种故障类型时，则判断传感器发生该类故障。本技术方案能快速准确地实现传感器故障诊断与数据重构，特别适合于在线应用。

说明书

技术领域

本发明涉及故障诊断技术领域，特别涉及一种火电厂热力系统传感器故障诊断方法。

背景技术

传感器作为火电厂中必不可少的底层部件，对机组安全稳定运行起着重要的作用。火 电机组正常运行过程中，重要的热力过程参数，如主蒸汽温度、主蒸汽压力、汽轮机转速、 汽包水位等的测量使用了大量的各种类型的传感器。一旦传感器发生故障，轻则使控制系 统性能下降，重则有可能导致严重的事故，造成重大经济损失。火电厂热力过程中传感器 众多，分布于各种不同设备的多个部位，通过人力去检测传感器故障是非常困难的。因此， 通过检测传感器的输出数据，进行传感器故障判断和分析是十分有必要的。

传感器故障诊断最为可靠的方法为硬件冗余法，即：在某一测点附近布置读个不同的 传感器同时测量同一物理参数，将几个传感器的输出根据既定规则计算出的结果作为该测 点的测量值。硬件冗余的优点是不需要被控对象的数学模型，鲁棒性强，缺点是设备复杂， 会使系统的体积、重量和成本增加。

基于信号处理的检测方法分别从信号频率、变量间相关性、变量自身相关性三个方面 进行了设计，在一定情况下会产生相应的效果，比如小波分析适合振动、压力这类波动较 快的信号；偏最小二乘适合于具有强相关性变量信号集的分析；而对于具有周期性特征的 信号分析，ARMA这类自相关时间序列回归预测方法会产生更加显著的效果。现有技术方 案采用单一的方法，方法本身具有一定的局限性，缺乏冗余检测的验证和分析，可靠程度 不高。

发明内容

为解决现有技术的问题，本发明提出一种火电厂热力系统传感器故障诊断方法，技术 方案时间轴的多元回归和支持向量回归这两个维度上对测量信号进行综合分析和配合比 较，其方案的泛化能力更强，应用场合更广。

为实现上述目的，本发明提供了一种火电厂热力系统传感器故障诊断方法，该方法包 括：

对热力系统的传感器信息数据进行采样；

根据传感器信息采样数据确定阶次数p；

根据所述阶次数p选择自回归模型；

确定自回归模型中的参数，同时确定自回归模型的表达式；

i＝1，以t-p+i为初始时间节点，时间序列窗口长度为p，对传感器信息数据采样得到 的p个实际测量数据作为自回归模型的输入，经自回归模型输出第t+1时刻的预测数据 并确定预测数据与对应的实际测量数据x(t+1)之间的残差e(i)，当残差 e(i)不超过阈值时，则i＝i+1，以t-p+i为初始时间节点，继续经自回归模型获得一残差e(i)， 直至残差e(i)大于阈值；

将当前预测数据以当前时刻t+i为始发点前p-1个连续时刻对应数据组成训 练数据，分别经至少两个自回归模型获得对应残差，记录下来，且i＝i+1；继续将最新获得 的预测数据以当前时刻t+i为始发点前p-1个连续时刻对应数据组成训练数据， 直至获得自回归模型对应地残差序列；

对获得的残差序列进行分析，当所有残差序列均表现出可能出现为某种故障类型时， 则判断传感器发生该类故障。

优选地，所述自回归模型包括AR模型、AOSVR模型。

优选地，所述阶次数p通过MDL准则确定。

优选地，所述自回归模型中的参数通过最小二乘法确定。

优选地，所述AR模型的表达式为：

上述技术方案具有如下有益效果：本技术方案选择至少两个在线回归预测模型，将传 感器的时间序列测量数据作为模型的输入样本，实现模型的不断更新并预测出传感器在下 一时刻的输出值。通过比较传感器的预测值与实际值产生的残差来检测传感器故障是否发 生。在传感器有故障时通过模型实现故障数据的重构，能快速准确地实现传感器故障诊断 与数据重构，特别适合于在线应用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根 据这些附图获得其他的附图。

图1为本发明提出的一种火电厂热力系统传感器故障诊断方法流程图；

图2为本实施例的AR模型输出的残差序列仿真图；

图3为本实施例的AOSVR模型输出的残差序列仿真图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地 描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本 发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。

如图1所示，为本发明提出的一种火电厂热力系统传感器故障诊断方法流程图。该方 法包括：

步骤101)：对热力系统的传感器信息数据进行采样；

步骤102)：根据传感器信息采样数据确定阶次数p；

步骤103)：根据所述阶次数p选择自回归模型；

步骤104)：确定自回归模型中的参数，同时确定自回归模型的表达式；

步骤105)：i＝1，以t-p+i为初始时间节点，时间序列窗口长度为p，对传感器信息数 据采样得到的p个实际测量数据作为自回归模型的输入，经自回归模型输出第t+1时刻的 预测数据并确定预测数据与对应的实际测量数据x(t+1)之间的残差e(i)， 当残差e(i)不超过阈值时，则i＝i+1，以t-p+i为初始时间节点，继续经自回归模型获得一 残差e(i)，直至残差e(i)大于阈值；

步骤106)：将当前预测数据以当前时刻t+i为始发点前p-1个连续时刻对应 数据组成训练数据，分别经至少两个自回归模型获得对应残差，记录下来，且i＝i+1；继续 将最新获得的预测数据以当前时刻t+i为始发点前p-1个连续时刻对应数据组成 训练数据，直至获得自回归模型对应地残差序列；

步骤107)：对获得的残差序列进行分析，当所有残差序列均表现出可能出现为某种故 障类型时，则判断传感器发生该类故障。

基于上述技术方案，本实施例的自回归模型为AR模型、AOSVR模型。为方便本技 术方案叙述，对于本技术方案来讲，自回归模型的个数只要符合至少两个即可，其他实现 方法与本实施例大体一致。

以国内某600MW机组为研究对象，选择该机组热力系统的8个测点数据做传感器故 障检测的仿真研究。

1、选择8个测点数据作仿真研究，包括凝结水泵A出口压力、凝结水泵B出口压力、 凝结水流量(轴加前)、凝结水流量(除氧器前)、给水压力、给水流量1、给水流量2、 给水流量3；

2、确定每个测点的测量值在正常工况下的上下限；

3、按照采样时间间隔1min在一段时间内连续采集800个数据，以给水压力为例作说 明；

4、根据MDL准则，计算得到AR模型的最佳阶次p＝16；

5、利用最小二乘法计算得到最优的AR模型参数，得到AR模型的自回归表达式；6. 根据p建立16输入1输出的AOSVR回归模型；

6、在第201个数据起叠加常见的传感器故障漂移型传感器故障，利用两种模型对该 故障进行检测分析，按照每个时间窗的向前移动，将AR模型和AOSVR模型的回归预测 值分别与实际测量值比较得到两组残差序列；

7、对残差序列进行分析，发现两组残差序列均在200个样本后逐渐超过阈值。如图2 所示，为本实施例的AR模型输出的残差序列仿真图；如图3所示，为本实施例的AOSVR 模型输出的残差序列仿真图。由图2和图3可以看出，两组残差序列的曲线形状与漂移型 传感器故障类似，初步判断给水压力传感器发生了故障，并且很有可能是漂移型故障。

本实施例将传感器的时间序列测量数据作为模型的输入样本，实现模型的不断更新并 预测出传感器在下一时刻的输出值。通过比较传感器的预测值与实际值产生的残差来检测 传感器故障是否发生。在传感器有故障时通过模型实现故障数据的重构，能快速准确地实 现传感器故障诊断与数据重构，特别适合于在线应用。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细 说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的 保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包 含在本发明的保护范围之内。