基于PCA_MSET联用模型的烟气轮机故障预警研究_张伟亚.pdf

年第 卷第 期安全技术：基于 联用模型的烟气轮机故障预警研究张伟亚，陈文武，韩 磊，潘 隆（中石化安全工程研究院有限公司化学品安全控制国家重点实验室，山东青岛）收稿日期：第一作者简介：张伟亚，工学博士，工程师，年毕业于中国石油大学（华东）化工过程机械专业，研究方向为炼化设备安全评定和监检测。基金项目：中国石化重大专项（），催化裂化装置智能化安全绿色运行关键技术 关键设备失效识别与早期预警技术。摘 要：针对催化裂化装置烟气轮机运行环境恶劣，故障频发等特点，开展基于 和 联合模型的振动监测预警研究。基于原始振动波形进行时频域特征提取计算，获得 个时频域特征参量，采用 方法将 个时频域特征参量重新组合成 个新主元，可以有效实现数据降维。烟气轮机正常运行状态下振动监测数据量的选择影响 值变化，主元 可信区间阈值随着数据量的增加降低至稳定值，采用时间点数据量 满足分析要求。主元 是均方根值、方差和频率标准差的综合表征，在发生故障阶段波动较大，采用 模型进行残差分析，相对固定高报报警监测，可以超前预警.。关键词：烟气轮机；振动监测；故障预警；数据降维；残差分析中图分类号：文献标识码：文章编号：（）前言烟气轮机是催化裂化装置的关键机组设备，一旦发生故障，将影响整个催化裂化反应的进行。烟气轮机的驱动介质主要来自催化裂化装置沉降器，经沉降器沉降后的高温烟气仍含有部分催化剂，导致烟气轮机在工作状态下处于高温、高转速、催化剂冲蚀、催化剂沉积结垢等恶劣环境，造成烟气轮机故障频发。因此，开展烟气轮机故障预警，对于预防性维护和保障设备长周期安全运行具有重大意义。针对装置设备进行故障诊断，根据故障特征表现形式和提取来源的不同，大致可分为基于数学模型的故障诊断、基于经验知识的故障诊断和基于数据驱动的方法。其中，基于数据驱动的故障诊断方法不需要精确数学模型，经验知识应用较少，仅通过过程数据即可对故障进行诊断，具有广泛的应用。主元分析方法（，）是基于数据驱动故障检测的常用方法之一，适合复杂线性系统的故障检测。为反映模型主元空间和残差空间的模态变化，引入 统计量和 统计量，用于故障检测和诊断，然而根据 和 统计量超限情况判别是否出现故障存在结果不确定性，因此李传坤，等采用新的综合故障监测指标实现催化装置智能预警。此外，韩万里，等利用 主元分析，进行数据降维，结合多元状态估计（，），实现引风机的故障早期预警。金秀章发现 结合 模型对照相关性分析数据降维方法，预警效果更好。是一种非线性的多变量预测估计算法，与其他方法相比具有满足现场实时工况、建模简单等优点。为安全、健康环境安全技术 年第 卷第 期 实现压气机故障预警，陆永卿建立了基于 和偏离度的故障预警非参数模型。同样，李大中针对风力发电机中监测参数建立 预警模型，并验证了模型有效性。综上，结合 模型在风机设备监测方面可以有效实现监测预警，然而设备特性不同，信号采集频率也不尽相同，本文提出将 和 相结合的方式应用到催化裂化装置烟气轮机故障预警方面，验证模型的可适性。首先，采用 方法提取烟气轮机正常工况下运行的历史振动数据，开展时频域分析和特征计算，并基于筛选后特征构建 模型中历史记忆矩阵，计算预测数据与观测数据之间的残差，实现设备故障预警。数据降维 方法本质是通过坐标系旋转和平移转换，使得样本的重心与新坐标系原点重合，同时新坐标系第一轴与数据变异最大的方向平行，第二轴与数据变异第二大方向平行，以此类推。摒弃携带信息量较小的主轴后，剩余 个主轴可以有效反馈原 个变量的情况，从而实现数据降维的目的。假设烟气轮机正常运行状态下共采集 个数据和 个参数变量，则样本集合矩阵 如下：|（）首先，对 进行 标准化处理：?（）?（）?()（）其中，的范围为，的范围为。标准化后样本集合矩阵 为：|（）然后，计算样本集合矩阵 的相关系数矩阵：?()?()?()?()（）?（）?（）其中，和 分别对应样本集合矩阵 第 列和第 列。相关系数矩阵 定义如下：|（）对相关系数矩阵 进行特征分解，得到特征值 和特征向量。对特征值 上下反转使其从大到小排列，并计算各主元累积贡献率：（）若累积贡献率大于，则不再增加主元个数，从而实现数据降维。新的主元计算公式如下：（）为衡量包含在主元模型中的信息大小，引入（）统计量，对于样本个数为，主元个数为 的变量，统计量服从自由度为 和 的 分布，置信度为.的 统计量控制上限为：()()().，()（）数据建模非参数建模方法 本质是将健康状态采集的历史数据与全部监测数据进行对比，当设备性能发生退化，由健康状态训练样本构成的记忆矩阵得到的各主元估计值精度发生变化，与监测 年第 卷第 期安全技术 对象之间的残差增大，因此采用残差的大小可以反映设备的运行状态。假定设备 个统计参数在 时刻的观测向量表示为：（），（）正常历史运行状态采集到 个样本的观测向量构成记忆矩阵：（），（），（）（）（）（）（）（）（）（）（）（）|（）将 模型的输入定义为观测向量，输出定义为估计向量。估计向量 可由记忆矩阵 计算获得：（）其中 为观测向量对应的 维权值向量，表示当前观测向量与历史状态样本的相似度，表示为：（）权值向量 可通过模型输入观测值 与输出估计值 之间的残差确定：（）令约束条件 最小，权值向量可表示为：()（）由于构造记忆矩阵 的观测向量数远大于实时监测参数量，导致运算不可逆，因此采用非线性运算符代替普通矩阵乘积运算：()()（）非线性运算距离度量采用欧式距离运算，得到观测向量估计值为：()()（）烟气轮机故障预警案例应用 结合 模型在风机设备监测方面可以有效的实现监测预警，然而设备特性不同，信号采集频率也不尽相同，因此将 和 相结合应用到催化裂化装置烟气轮机故障预警方面，需验证模型的可适性。计算流程基于 和 相结合的计算方法流程如下：）采集烟气轮机振动信号，正常运行状态数据作为训练样本。）提取训练样本时频域特征参数，包含均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、波形指标、脉冲指标、裕度指标、偏斜度指标、峭度指标、均值频率等共计 个特征。）对提取到的时频域特征进行主成分分析，计算每一变量的贡献量，选取累积贡献量达到时的主要成分，实现数据降维。）计算置信度为.的 统计量控制上限。）将筛选后的特征参数作为列向量构建记忆状态矩阵，将正常到故障状态的振动信号特征参数作为观测向量输入记忆矩阵，输出观测向量的估计值，计算两者之间的残差值。）通过比较观测向量和估计向量之间的差值大小来判别烟机是否发生故障，实现烟机故障预警。数据获取对某石化烟气轮机关键部位进行传感器布置，采用电涡流（位移）传感器，采样频率 （烟机转速 ），采样点数 ，采样间隔 ，进行振动监测。烟气轮机高报值设定为，高高报值设定为 。烟机自 年 月存在振动值上涨现象，相位同步发生变化，分析转子存在渐变不平衡，年 月机组停机检修进行清垢后恢复正常，转子结垢现象如图 所示。图 烟气轮机转子结垢 结果与分析图（）表示烟机联端的时域波形数据，采集时间跨度为 ，每个时间采集点包含张伟亚，等基于 联用模型的烟气轮机故障预警研究安全、健康环境安全技术 年第 卷第 期 个数据，共计.个数据，数据量过于庞大，给分析造成困难，因此有必要进行数据降维分析。目前企业在线监测系统进行设备故障预警主要采取固定阈值报警的策略，当振动峰峰值达到一定值时即发生报警，通常高报值设定为 ，高高报值设定为 。从图（）中可以看出，在时间点 出现 次连续超过高报阈值线，定义为报警点，此时推断发生催化剂结垢脱落，转子质量平衡发生变化，反馈为振动值发生突变。在后续运行相当一段时间（），振动值仍然超过 ，随着振动磨损加剧，在 时间点出现激增趋势，停机检修处理。如果催化剂结垢大面积脱落，严重者会损伤叶片，因此实现超前预警具有重要意义。图 烟机联端振动时域波形和峰峰值随时间变化 根据 计算流程，选取正常数据 个时间点，特征参量 进行降维分析。通过标准化处理后建立样本集合矩阵 并计算相关系数矩阵，特征分解后得到从大到小排列的特征值 和特征向量。图（）表示 个特征值对应的贡献率。特征值从大到小进行排列，前 个特征值所占的比重已超过，可认为前 个特征值对应主元包含的信息可以反馈 个特征参量的变化。计算载荷矩阵，选取相关系数较大的前 个主元参量进行分析。主元 与特征参量、特征参量 和特征参量 的相关系数为.，.，.，是峭度、波形指标和频谱集中程度的综合表征。主元 与特征参量、特征参量 和特征参量 的相关系数为.，.，.，均反映了频谱分散或集中程度。主元 与特征参量、特征参量 和特征参量 的相关系数为.，.，.，是偏斜度指标和频谱分散或集中程度的综合表征。主元 与特征参量、特征参量 和特征参量 的相关系数为.，.，.，反映了偏斜度指标和频谱分散或集中程度的综合表征。主元 与特征参量、特征参量 和特征参量 的相关系数为.，.，.，峭度、均值频率和主频带位置的综合表征。主元 与特征参量、特征参量 和特征参量 的相关系数为.，.，.，均方根值、方差和频率标准差的综合表征。通过公式（）计算，可得到新的 个主元随时间变化趋势，如图（）所示相对其他主元，主元 在发生故障阶段波动较大，可作为重点监测的对象。正常数据量的选择往往只能定性分析，为探讨数据量的选择是否满足分析要求，图（）计算了不同时间点选择情况的 值变化。从图中可以看出，在时间点数据量从 增加至 区间，主元 可信区间阈值从.缓慢降至.。在数据量 期间，发生了陡降。从峰峰值（图（）时间波形图中可以看出，在时间点 处发生了振动下降现象，从而影响了阈值幅值。从 增加至 区间，主元 可信区间阈值从.缓慢降至.。时间点数据量 满足分析要求。年第 卷第 期安全技术 图 主元特征值贡献率和主元特征参数值随时间变化图 值和 残差值随时间点变化 图（）表示基于 模型计算的各主元观测值与估计值之间的残差。从图中可以看出，由于记忆矩阵选取前 个时间点，观测值和估计值之间的残差为。在时间点 之间，残差开始出现，但设备处于正常运转范围内，残差较小。以主元 监测对象为例，残差阈值设定为，在时间点 连续 次超过残差阈值，相对于固定高报报警时间点提前 个时间点，超前时间.，可以实现烟气轮机超前预警。结论烟气轮机作为催化裂化装置重要的节能设备，其可靠性和稳定性直接影响催化裂化装置的安全性和经济性。采用基于 和 模型相结合的方式对烟气轮机进行故障预警，该方法不仅可以降低数据维度，同时构建的多维状态估计模型具有建模速度快，精度较高的优点，可以实现烟气轮机超前预警。以某催化裂化装置烟气轮机真实振动监测数据进行模型验证，实现超前预警.。参考文献 刘勤 影响催化裂化装置长周期安全运行的因素及对策 青岛：中国石油大学（华东），李传坤 催化裂化装置异常监测预警技术研究安全、健康和环境，（）：王庆锋，卫炳坤，刘家赫，等 一种数据驱动的旋转机械早期故障检测模型构建和应用研究 机械工程学报，（）：陆永卿，涂雷，茅大钧 基于 的压气机故障预警研究 上海电力大学学报，（）：李大中，常永亮，赵杰，等 基于 模型的风力发电机故障预警 华北电力技术，（）：韩万里，茅大钧，印琪民 基于 和多元状态估计的引风机故障预警 热能动力工程，（）：金秀章，张琨 基于 的一次风机故障预警仪器仪表用户，（）：（下转第 页）张伟亚，等基于 联用模型的烟气轮机故障预警研究安全、健康环境环境保护与治理 年第 卷第 期 ：，：；（上接第 页），（，）：，：；