文章快速检索  
  高级检索
交叉分段PCA在锅炉故障诊断中的应用
王文标, 田志远, 汪思源, 尹亚龙     
大连海事大学船舶电气工程学院, 辽宁 大连 116026
摘要: 工业锅炉系统通常被认为是单模态系统,但是当其负荷变化时,系统会呈现出明显的时变和多模态特性,传统的主成分分析(PCA)方法难以实施有效地故障监测.针对这类问题,提出了一种交叉分段PCA故障诊断方法,选择某一参数值作为负荷变化的模态识别值,通过交叉重叠的分段方法建立多个模型进行监测,交叉部分定义为模态过渡过程,在模态过渡过程利用两个模型进行综合判断,提高故障监测的准确度.通过在某实际工业锅炉的应用表明,与传统PCA方法相比,该方法能够显著提高故障诊断的准确度.
关键词: 工业锅炉     多模态     故障诊断     交叉分段PCA    
Optimal Operation Method Based on Cross and Piecewise PCA for Industrial Boilers
WANG Wenbiao, TIAN Zhiyuan, WANG Siyuan, YIN Yalong     
School of Marine Electrical Engineering, Dalian Maritime University, Dalian 116026, China
Abstract: An industrial boiler system is usually considered a single-mode system. When the system load changes, time-varying and multimodal characteristics are significantly exhibited, and the traditional PCA method has difficulty effectively monitoring faults. In view of this problem, we present a cross and piecewise PCA method to diagnose faults. The method selects a parameter value as the modal identification value of load variation, then multiple models are built for monitoring by means of cross and overlap segmentation. Crossover parts are defined as the mode transition processes, in which two models are used for comprehensive assessment to improve the accuracy of fault monitoring. The application in a practical industrial boiler shows that the method can significantly improve the accuracy of fault diagnosis compared with the traditional PCA method.
Keywords: industrial boiler     multi-mode     fault diagnosis     cross and piecewise PCA    

0 引言

工业锅炉长期处于高温、高压的工作环境,当运行过程中发生故障时,如果不能及时发现和处理,极易造成重大的安全事故.工业锅炉具有非线性和强耦合的特点,特别是燃煤锅炉,其燃烧过程复杂,受到外界因素干扰多,难以建立精确的模型对其进行有效的故障监测.与建模方法不同,基于数据驱动的方法可以通过对数据分析、统计和挖掘获取正常状态和故障状态的特征模式,在不建立过程模型的情况下,对运行过程进行有效的故障监测.特别是随着信息技术的发展,大量的运行数据被记录和存储,为基于数据驱动的故障监测与诊断创造了条件.

近年来,很多学者针对复杂工业过程中的故障诊断问题进行深入研究,并提出了多种基于数据驱动的故障诊断方法.文[1-4]分别采用多种典型数据驱动方法对单模态工业过程进行故障检测与诊断,均取得了良好效果.针对多模态工业过程,罗静等人采用了模糊C均值算法进行模态划分并利用PCA建立相应的监测模型[5];顾炳斌,熊伟丽引入了多块信息提取思想来识别生产过程中的各种运行模态[6],以提高故障诊断效果;Guo和Wang等人提出了基于概率密度的多模态过程故障检测方法[7],实现了自适应模态分离,并确立统一的模型控制限;李元等[8]和周东华等[9]人提出了基于K独立元分析-主元分析(K-ICA-PCA)方法的多模态过程模态划分方法,来解决多模态识别的问题.以上研究主要是针对具有多个确定模态的多模态过程,而且划分过程比较复杂.工业锅炉通常被认为是一个单模态过程,而随着负荷的变化体现出多模态的特性,模态之间没有典型的过渡过程,不易进行划分,而仅用单一模型监测使得监测结果的稳健性无法得到保证. Liu等人提出一种将多检测模型混合监测的思想运用到洪水监控中,较好地解决了以往单一模型监测造成的漏报和误报问题,但并未考虑两个相邻稳定工况之间的过渡区域,在工况的过渡区域,变量的统计特性会发生较大变化,也比较容易造成误报或漏报[10].

工业锅炉是一类典型的连续生产过程,负荷也是连续变化的,没有确定的模态和过渡过程.针对这类问题,本文提出一种交叉分段PCA过程监测和故障诊断方法.选择特定的过程参数作为模态识别值,将过程数据按照模态识别值进行分类,采用交叉分段的方式将连续的过程划分为多个确定模态,重叠部分定义为过渡模态,过渡模态利用相邻模型综合判定,提高故障监测的准确性.

1 交叉分段PCA建模方法 1.1 PCA建模方法

主元分析方法(PCA)是一种多元统计分析方法,在过程监测、故障检测和故障诊断等许多领域得到广泛应用[12-13]. PCA方法只依赖于数据构建模型,根据统计特征进行正交变换(K-L变换),消除原有向量各个分量间的相关性,剔除过程数据中的冗余信息,降低数据维数,不需要过程的机理知识,因此在复杂工业过程故障检测中得到广泛应用[11-15].

采集工业过程正常工况下的历史数据,根据实际工况情况选定模态识别值,根据模态识别值的大小将工业过程划分为l个模态,构建模态样本矩阵Xi=[xi1xi2,…,xin](i=1,2,…,l),其中Xi的每一行代表一个样本,每一列代表一个测量变量.为消除每个样本变量的量纲和数量级不同的限制,对建模样本数据标准化预处理.根据累计方差贡献率确立主元个数k,建立PCA模型,如式(1)所示[16-18]

(1)
(2)

选用Hotelling′s T2统计量和SPE统计量作为监控的指标,变量在主元空间中的变化用Hotelling′s T2统计量表示,样本T2统计量按如式(3)计算:

(3)

利用F分布对T2统计量的控制限按式(4)进行计算:

(4)

式(4)中m是样本个数;k是所保留的主元个数;α是检验水平;Fkm-1,a是对应于α为检验水平,km-1是自由度条件下F分布的临界值.如果满足Ti2Tkma2,则表明该时刻数据T2统计量正常[19].

样本在残差空间的投影用SPE指标衡量,每个样本SPE统计量在残差空间投影的变化如式(5)所示:

(5)

式(5)中,δα2是置信水平为α时的控制限,其公式如式(6)所示,若满足式(5)说明该样本数据正常.

(6)
1.2 模态重构处理

对于工业锅炉这类连续生产过程,不存在多个稳定模态和过渡模态.因此需要选择特定的工况识别参数作为模态识别值,并将模态识别值按顺序排列,然后根据该值的大小把生产过程划分成不同的模态,如图 1所示.

图 1 分段模态划分 Fig.1 Piecewise modal division

图 1所示,不同模态包含不同的样本数据集,在监测过程中,如果样本处于过渡区域,容易出现模态跃迁,增大误报的可能性,降低模型的监测能力.交叉分段思想是在模态重构过程中,使相邻模态之间部分数据重叠,产生一个缓冲区域,重叠部分的数据包含相邻模态之间的过渡过程,增强了模型的抗干扰能力,其中模态划分如图 2所示.

图 2 交叉模态划分 Fig.2 Cross modal division

利用交叉分段PCA方法建立多个模态模型库,每个模态存在样本重叠部分和不重叠部分,由于不重叠部分的样本数据不存在过渡特性,对于该过程数据利用所在模态的模型进行监控;重叠部分的数据存在过渡特性,利用重叠部分所在的两个模态的模型共同监测,两个模型中,任意一个监测正常,说明该数据正常,两个模型监测都不正常说明存在异常.

1.3 交叉分段建模与监控

交叉分段建模的过程主要分为数据采集、模态划分、数据筛选、模型库建立四个部分.建模过程中首先采集正常工况下的历史数据,剔除异常样本并对数据进行预处理;其次,选择确定模态识别值,并将按照一定的顺序进行排列,根据模态识别值的排列情况,将样本数据进行模态划分,并确定模态过渡区域;最后,选择不同的模态下的正常工况数据作为PCA建模的建模样本,建立不同模态的数据模型,构成模型库.其过程如图 3所示.

图 3 模态判别分析过程 Fig.3 Modal discriminant analysis process

图 4所示,交叉分段PCA在线监测过程分为数据采集、模态识别、模型选择与在线监测四个过程.首先采集工业过程现场产生的在线数据,根据模态识别值的大小选择对应的模态进行检测,如果在线数据样本不在模型重叠区域,计算数据统计量的大小,若SPE或T2统计量超过所在模态模型的控制限,则该数据为异常数据,反之正常;如果在线数据样本在模型重叠区域,利用重叠部分所在的两个模态的PCA模型共同监测,计算该数据的SPE或T2统计量,只要样本在其中一个模型下的两个统计量均不超过控制限,则为正常工况.若在两个模型中的统计量都超过其控制限,则为异常工况.通过以上方法在两个模型之间创建一个过渡区域,提高监测的准确性.

图 4 交叉分段PCA监测过程 Fig.4 Cross and piecewise PCA monitoring process

交叉分段PCA在线监测过程如图 4所示.

2 工业热水锅炉运行故障监控

选择某实际工业热水锅炉为实验对象,其监控的过程变量如表 1所示.

表 1 热水锅炉工艺参数表 Tab.1 Hot water boilers process parameters
序号 测量参数 单位
1 出水温度
2 出水压力 MPa
3 炉膛负压 MPa
4 排烟温度
5 出水流量 t/h
6 炉膛温度
7 上水压力 Pa
8 上水温度
9 鼓风阀位 %
10 引风阀位 %
11 炉排阀位 %
12 给煤阀位 %

锅炉的负荷随着热用户的热需求而变化,当负荷改变时,锅炉运行工况也会发生明显的变化,因此选择负荷为划分锅炉模态的主要的参数,根据锅炉调节工艺,负荷主要由给煤量进行调节,随着给煤阀位的改变,炉排阀位、鼓引风阀位都会随之改变,因此选择给煤阀位为模态识别值.采集锅炉在不同负荷下1 000组正常运行的数据,构成建模样本矩阵X1 000×121,并采集200组在线运行数据,构成监测样本矩阵X200×122,考虑过渡区域数据在整体数据中的比重和计算复杂度选取模态交叉数据占比为10%,运用交叉分段PCA方法分别针对不同故障类型进行监测.

交叉PCA在线监测,利用给煤阀位作为模态识别值,将1 000组数据根据交叉分段的方法进行划分,结果如表 2所示.

表 2 交叉分段模态划分 Tab.2 Cross and piecewise modal division
给煤阀位 0%~32% 28%~42% 38%~50%
模态 模态1 模态2 模态3
样本数 1~400 301~800 701~1 000

表 2可知,其中301~400、701~800为过渡区域的重叠区域样本,分别利用不同模态的数据进行建模,对200组在线数据进行检测,在交叉部分利用两个模态模型共同检测,以此完成故障监测的过程.

2.1 循环泵故障对比分析

以模拟工业锅炉中循环泵的故障为例,分别采用传统PCA和交叉分段PCA得到了相应的故障检测过程的监视图,如图 5所示.

图 5 传统PCA故障监控 Fig.5 Traditional PCA fault monitoring

通过计算可得,传统PCA模型的SPE控制限=17.23,T2控制限=5.21,主元个数k=6个,由图 5可知,在线数据的SPE统计量和T2统计量值在模态过渡区域检测到40~45组和120~122组为故障数据,而实际是因为负荷变化所引起的统计量变化,并没有产生故障,造成了误报.采用交叉分段方法将模态进行划分,分别建立对应的监控模型,并对重叠部分进行了综合判定,明显减少了误报和漏报.从上述图 6中,可以看出Q统计量和T2统计量从在线数据第188组开始都发生了超限,证明从此组数据开始有故障发生.并且在交叉部分监测过程中,选择两个模态进行综合判定,在模态过渡区域未出现误报、漏报现象.

图 6 交叉分段PCA故障监控 Fig.6 Cross and piecewise PCA fault monitoring

结合图 6图 7可知,变量5对应于出水流量的贡献值最大,因此,判断故障发生在出水流量的位置.结合人工经验可以判断此故障是由循环泵故障引起,因为若循环泵出现故障后,将导致水在水管内滞留,所以出水流量将会急剧下降,由于锅炉对水管内滞留的水持续进行加热,导致了炉膛温度和出水温度的增加对应于变量6和变量1,从贡献图中可以观察到两者的贡献值也随之增大,而由于出水流量的变化最大,所以它的贡献值也就最大.

图 7 循环泵故障贡献图 Fig.7 Circulation pump failure contribution diagram
2.2 炉膛温度传感器故障分析

在工业锅炉系统的运行过程中,由于炉膛温度的传感器受到炉内的恶劣环境影响,容易发生故障.如图 8所示是模拟炉膛温度传感器发生故障时的监测过程.

图 8 炉温传感器故障检测 Fig.8 Furnace temperature sensor fault detection

图 8可得,在线数据10~20组内发生了超限且超限较大,证明在此时段内有故障发生.结合图 9,参数变量炉膛温度的贡献值最大,因此可以判定炉膛温度传感器发生了故障.

图 9 炉温故障贡献图 Fig.9 Furnace temperature fault contribution diagram
2.3 炉温传感器温漂故障分析

当炉膛温度传感器发生温漂时,单纯依靠人工经验很难发现.如图 10所示是模拟炉膛温度漂移的情况,从图 10可见在线数据10~20组的统计量T2和统计量SPE发生了超限,可以判断发生了故障.结合图 11可得,炉膛温度的贡献值最大,因此可以判断炉膛温度传感器可能发生了温度漂移.

图 10 炉温漂移故障检测 Fig.10 Furnace temperature drift fault detection
图 11 温漂故障贡献图 Fig.11 Fault contribution diagram of drift

工业锅炉运行过程中,工况随着锅炉负荷的变化而改变,引起了锅炉工况模态的时变性和不稳定性[20-21],如果采用单一模型,当控制限设置较小时,容易造成误报,反之容易造成漏报,不能实现对锅炉运行状态的有效监控.利用交叉分段PCA建立多个模型进行监控,能够将单模态缓变过程划分为多个模态监控,有效的减少误报和漏报,提高故障监测的准确性.

3 结论

针对连续工业过程中所出现的多模态特性问题,提出了一种交叉分段PCA故障诊断方法,与传统PCA故障监测方法相比,该方法通过对模态划分和过渡过程的综合判定,减少单一模型故障监测下的漏报和误报情况,提高了样本检测的准确性.通过在某工业热水炉实际应用中表明,该方法能够有效检测故障的发生,并且能够判定引起故障的主要变量.该方法对提高具有多模态特性的单模态连续生产过程的监测能力具有一定的实用价值.

参考文献
[1] Xie G, Wang X, Xie K. SDG-based fault diagnosis and application based on reasoning method of granular computing[C/OL]//Chinese Control & Decision Conference.(2010-07-01)[2019-06-20]. Piscataway, NJ, USA: IEEE, 2010. http://ieeexplore.ieee.org/document/5498443.
[2] Samanazari M, Rajabi S, Ramezani A, et al. Fault diagnosis of an industrial once-through benson boiler by utilizing adaptive neuro-fuzzy inference system[C]//6th Conference on Thermal Power Plants. Piscataway, NJ, USA: IEEE, 2016: 32-37.
[3] 吴伟, 郑娟. 基于BP神经网络的齿轮故障诊断[J]. 机械研究与应用, 2015(1): 88–90.
Wu W, Zheng J. Gear fault diagnosis based on BP neural network[J]. Mechanical Research and Application, 2015(1): 88–90.
[4] 刘康玲.基于自适应PCA和时序逻辑的动态系统故障诊断研究[D].杭州: 浙江大学, 2017.
Liu K L. Research on dynamic system fault diagnosis based on adaptive PCA and timing logic[D]. Hangzhou: Zhejiang University, 2017.
[5] 罗静, 胡瑾秋, 张来斌, 等. 化工过程自适应多模型故障监测方法研究[J]. 中国安全科学学报, 2016, 26(7): 130–134.
Luo J, Hu J Q, Zhang L B, et al. Research on adaptive multi-model fault monitoring method for chemical process[J]. Chinese Journal of Safety Science, 2016, 26(7): 130–134.
[6] 顾炳斌, 熊伟丽. 基于多块信息提取的PCA故障诊断方法[J]. 化工学报, 2019, 70(2): 316–329.
Gu B B, Xiong W L. PCA fault diagnosis method based on multi-block information extraction[J]. Acta Chemica Sinica, 2019, 70(2): 316–329.
[7] Guo J, Wang X, Li Y. kNN based on probability density for fault detection in multimodal processes[J]. Journal of Chemometrics, 2018, 32(1): 256–262.
[8] 李元, 刘宁, 唐晓初. 基于K-ICA-PCA方法的多模态过程模态的划分[J]. 控制工程, 2015, 22(3): 501–504.
Li Y, Liu N, Tang X C. Modal division of multimodal process based on K-ICA-PCA method[J]. Control Engineering, 2015, 22(3): 501–504.
[9] 周东华, 李钢, 李元. 数据驱动的工业过程故障诊断技术[M]. 北京: 科学出版社, 2011.
Zhou D H, Li G, Li Y. Data-driven fault diagnosis technology for industrial processes[M]. Beijing: Science Press, 2011.
[10] Liu Y, Liang Y, Gao Z, et al. Online flooding supervision in packed towers:an integrated data-driven statistical monitoring method[J]. Chemical Engineering & Technology, 2018, 41(3): 436–446.
[11] 王硕, 王培良. 基于一维卷积自编码器-高斯混合模型的间歇过程故障检测[J]. 信息与控制, 2019, 48(3): 285–292.
Wang S, Wang P L. Intermittent process fault detection based on one-dimensional convolutional auto-encoder-Gaussian mixture model[J]. Information and Control, 2019, 48(3): 285–292.
[12] 王伟, 赵春晖. 基于PCA的卷烟制丝过程监测与故障诊断[J]. 控制工程, 2017, 24(12): 2435–2442.
Wang W, Zhao C H. Monitoring and fault diagnosis of cigarette silk manufacturing process based on PCA[J]. Control Engineering, 2017, 24(12): 2435–2442.
[13] Li W, Peng M, Wang Q. Improved PCA method for sensor fault detection and isolation in a nuclear power plant[J]. Nuclear Engineering and Technology, 2018.
[14] 王光, 孙程远, 尹珅. 基于动态全主成分回归质量相关的故障检测[J]. 信息与控制, 2017, 46(6): 35–40.
Wang G, Sun C Y, Yin S. Fault detection based on dynamic full principal component regression quality[J]. Information and Control, 2017, 46(6): 35–40.
[15] 鄂东辰.基于多模型PCA的翻车机液压系统故障诊断研究[D].秦皇岛: 燕山大学, 2018.
E D C. Research on fault diagnosis of hydraulic system of tipper based on multi-model PCA[D]. Qinghuangdao: Yanshan University, 2018.
[16] 张淑美.基于数据驱动的复杂多模态过程模态识别及过程监测研究[D].沈阳: 东北大学, 2016.
Zhang S M. Research on modal recognition and process monitoring of complex multimodal processes based on data-driven[D]. Shenyang: Northeastern University, 2016.
[17] Lou Z, Tuo J, Wang Y. Two-step principal component analysis for dynamic processes[C]//International Symposium on Advanced Control of Industrial Processes (AdCONIP). Piscataway, NJ, USA: IEEE, 2017: 28-31.
[18] Xiao B H, Ji Z L, Yu G N. Application of PCA-based fault detection in thermal boiler processes[J]. Power Engineering, 2014(4): 542–547.
[19] Xiao Y. Process monitoring based on improved principal component analysis[C]//International Conference on Computer & Information Technology Applications. Piscataway, NJ, USA: IEEE, 2016: 42-45.
[20] 张晓宇, 付林, 沈炯, 等. 基于在线支持向量机的锅炉动态建模方法研究[J]. 中国电机工程学报, 2017, 37(S1): 123–128.
Zhang X Y, Fu L, Shen J, et al. Research on boiler dynamic modeling method based on online support vector machine[J]. Chinese Journal of Electrical Engineering, 2017, 37(S1): 123–128.
[21] 李传金, 王文标, 花义锋, 等. 基于主元分析的锅炉系统故障检测与诊断[J]. 机电信息, 2016(24): 92–93.
Li C J, Wang W B, Hua Y F, et al. Fault detection and diagnosis of boiler system based on principal component analysis[J]. Electromechanical Information, 2016(24): 92–93.
http://dx.doi.org/10.13976/j.cnki.xk.2020.9363
中国科学院主管,中国科学院沈阳自动化研究所、中国自动化学会共同主办。
0

文章信息

王文标, 田志远, 汪思源, 尹亚龙
WANG Wenbiao, TIAN Zhiyuan, WANG Siyuan, YIN Yalong
交叉分段PCA在锅炉故障诊断中的应用
Optimal Operation Method Based on Cross and Piecewise PCA for Industrial Boilers
信息与控制, 2020, 49(4): 507-512.
Information and Control, 2020, 49(4): 507-512.
http://dx.doi.org/10.13976/j.cnki.xk.2020.9363

文章历史

收稿/录用/修回: 2019-07-03/2019-12-13/2020-03-30

工作空间