一、研究背景及意義
（一）研究背景
隨著現(xiàn)代化工業(yè)的快速發(fā)展和科學(xué)技術(shù)的高速進(jìn)步，為了能夠最大限度的提高生產(chǎn)效率，更有效的利用現(xiàn)有的資源，人們不斷提升著工業(yè)生產(chǎn)水平的極限，生產(chǎn)設(shè)備也逐漸向著大型化，精密化，自動(dòng)化，復(fù)雜化的方向發(fā)展。各設(shè)備部件之間的聯(lián)系越來越緊密，相應(yīng)的影響系統(tǒng)正常運(yùn)行的因素也越來越多。
2018年，全社會(huì)用電量69002億千瓦時(shí)，相比2017年增長(zhǎng)了8.4%；全國(guó)發(fā)電裝機(jī)容量190012萬千瓦，相比2017年增長(zhǎng)了6.5%；其中燃?xì)獍l(fā)電機(jī)組裝機(jī)容量比上一年增長(zhǎng)了10.49%，為8375萬千瓦。
要保障如此規(guī)模的電力供應(yīng)，一方面需要提升發(fā)電機(jī)組的發(fā)電能力，另一方面需要完善發(fā)電設(shè)備的故障監(jiān)測(cè)手段，減少因故障引起的非計(jì)劃停機(jī)時(shí)間。電廠設(shè)備幾乎都處在高溫、高壓環(huán)境中，長(zhǎng)時(shí)間連續(xù)高負(fù)荷運(yùn)轉(zhuǎn)的工作特性，決定了電廠設(shè)備不可避免的高故障率和極大的危害性，一旦電廠的重要設(shè)備出現(xiàn)了故障，極易導(dǎo)致重大的經(jīng)濟(jì)損失或安全生產(chǎn)事故。
燃?xì)廨啓C(jī)較燃煤發(fā)電機(jī)組效率得到了極大的提升，通用電氣9HA.02重型燃機(jī)聯(lián)合循環(huán)效率已超過64%。由于其效率高，啟停迅速，對(duì)環(huán)境友好，進(jìn)而成為目前發(fā)展較快的機(jī)組類型。
現(xiàn)階段國(guó)內(nèi)發(fā)電企業(yè)在設(shè)備管理方面仍普遍采用故障事后處理模式，通過DCS系統(tǒng)對(duì)機(jī)組的運(yùn)行參數(shù)進(jìn)行監(jiān)視，根據(jù)固定限值觸發(fā)報(bào)警，由工作人員對(duì)報(bào)警進(jìn)行分析判斷，通知維護(hù)人員進(jìn)行處理。而這樣的工作方式只能在設(shè)備已經(jīng)出現(xiàn)故障后，依照經(jīng)驗(yàn)對(duì)故障的現(xiàn)象進(jìn)行分析，推斷故障的原因，定位故障的位置，無法提前預(yù)測(cè)機(jī)組有可能出現(xiàn)的故障。
因此，在設(shè)備出現(xiàn)輕微劣化趨勢(shì)時(shí)便對(duì)其進(jìn)行事前預(yù)警已經(jīng)逐步成為了電力設(shè)備監(jiān)測(cè)的研究重點(diǎn)。
數(shù)據(jù)中心現(xiàn)已實(shí)現(xiàn)對(duì)集團(tuán)公司內(nèi)6家電廠13臺(tái)機(jī)組的監(jiān)視與診斷、實(shí)時(shí)機(jī)組性能計(jì)算。針對(duì)GE機(jī)組，監(jiān)視與診斷系統(tǒng)可以提供關(guān)于燃機(jī)本體，發(fā)電機(jī)、汽輪機(jī)的故障監(jiān)測(cè)；對(duì)于非GE機(jī)組，智慧信號(hào)系統(tǒng)可提供旋轉(zhuǎn)設(shè)備或過程設(shè)備及機(jī)組整體性能的故障預(yù)警與診斷；結(jié)合熱效率計(jì)算系統(tǒng)，提供季度的聯(lián)合循環(huán)機(jī)組性能報(bào)告，包括每季度機(jī)組的修正功率和熱耗的變化情況，以及系統(tǒng)級(jí)部件引起的變化。
數(shù)據(jù)中心現(xiàn)有數(shù)據(jù)分析工程師8人，集團(tuán)公司內(nèi)部人員共6人，其中學(xué)士學(xué)位1人，碩士學(xué)位5人；GE常駐工程師2人。數(shù)據(jù)中心實(shí)現(xiàn)為接入電廠5*8小時(shí)的實(shí)時(shí)故障預(yù)警服務(wù)，提供周報(bào)、月報(bào)，以及季度性能報(bào)告。
（二）國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
1989年，第十一屆國(guó)際聯(lián)合人工智能學(xué)術(shù)會(huì)議上，首次提出了知識(shí)發(fā)現(xiàn)(KnowledgeDiscoveryinDatabase)用以命名一種新的知識(shí)提取技術(shù)。第一個(gè)KDD實(shí)驗(yàn)室在美國(guó)底特律成立。1996年，UsamaFayyad給出了其定義：一個(gè)在數(shù)據(jù)中識(shí)別有效的、新穎的、潛在的、最終可理解的模型的非平凡過程。自此，數(shù)據(jù)挖掘?yàn)楣收显\斷及預(yù)警、生產(chǎn)過程優(yōu)化提供了一種新的途徑。
近年來，機(jī)器學(xué)習(xí)、云計(jì)算等方法得到了飛速發(fā)展，電力行業(yè)監(jiān)測(cè)手段與理論模型不斷創(chuàng)新，兩者的結(jié)合已經(jīng)成為今后電力行業(yè)數(shù)字化智能化發(fā)展的方向。
浙江能源集團(tuán)于2009年開始引進(jìn)并開發(fā)設(shè)備故障預(yù)警系統(tǒng)，建設(shè)了發(fā)電機(jī)組在線診斷預(yù)警系統(tǒng)，在分析設(shè)備參數(shù)異常原因、設(shè)備異常發(fā)生的范圍、各個(gè)設(shè)備異常之間的關(guān)聯(lián)方面具有明顯的優(yōu)點(diǎn)，已成為發(fā)電廠設(shè)備管理專業(yè)人員、運(yùn)行監(jiān)控人員的一個(gè)掌握設(shè)備狀況的重要工具。
美國(guó)最大的發(fā)電集團(tuán)杜克電力（DukeEnergy）在北卡羅萊州夏洛特的SmartM&D中心實(shí)現(xiàn)了對(duì)該集團(tuán)擁有的100多個(gè)燃?xì)?，燃煤，水力發(fā)電廠設(shè)備實(shí)現(xiàn)了遠(yuǎn)程實(shí)時(shí)狀態(tài)監(jiān)測(cè)及基于狀態(tài)檢修。該中心每年為杜克電力節(jié)省數(shù)千萬美元的運(yùn)行成本。
英國(guó)一個(gè)燃煤機(jī)組上根據(jù)性能計(jì)算結(jié)果，運(yùn)行人調(diào)整了晚間負(fù)荷曲線實(shí)現(xiàn)最佳效率，熱耗降低了500Btu/kWh，在美國(guó)RiverRun燃機(jī)上則優(yōu)化了溫度控制曲線，電廠的利潤(rùn)為此每天增加了1500美元。
（三）數(shù)據(jù)中心國(guó)產(chǎn)化建設(shè)的意義
將先進(jìn)的數(shù)據(jù)分析手段與傳統(tǒng)電力設(shè)備狀態(tài)監(jiān)測(cè)相結(jié)合，勢(shì)必能有效解決傳統(tǒng)電力行業(yè)生產(chǎn)設(shè)備無法實(shí)時(shí)掌握運(yùn)行狀態(tài)的問題，實(shí)現(xiàn)設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)控和事故隱患的早期預(yù)警，快速、自動(dòng)、準(zhǔn)確的對(duì)故障進(jìn)行定位，最大限度降低維護(hù)成本，避免重大事故的發(fā)生。
結(jié)合大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)等先進(jìn)算法指導(dǎo)電力生產(chǎn)過程優(yōu)化調(diào)整，逐步實(shí)現(xiàn)自動(dòng)調(diào)整，在安全裕度內(nèi)最大限度提升機(jī)組運(yùn)行效率，降低運(yùn)行成本。
同時(shí)國(guó)產(chǎn)化數(shù)據(jù)中心平臺(tái)的建設(shè)，將打破國(guó)外制造商的技術(shù)壁壘，在降低自身成本的基礎(chǔ)上，可介入國(guó)內(nèi)燃機(jī)市場(chǎng)，帶來良好的經(jīng)濟(jì)效益和社會(huì)效益。
二、研究及探索
目前電力工業(yè)互聯(lián)網(wǎng)沒有明確的發(fā)展方向。基于當(dāng)前的研究熱點(diǎn)以及數(shù)據(jù)中心實(shí)際情況，可進(jìn)行如下的研究探索工作：故障預(yù)警與診斷、機(jī)組性能分析、生產(chǎn)過程運(yùn)行優(yōu)化、振動(dòng)數(shù)據(jù)分析預(yù)警。
1.故障預(yù)警與診斷
故障預(yù)警由設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷兩部分相結(jié)合、發(fā)展而來。設(shè)備狀態(tài)監(jiān)測(cè)，故障診斷和故障預(yù)警是機(jī)械設(shè)備狀態(tài)識(shí)別技術(shù)的重要組成部分，這三部分存在著遞進(jìn)的關(guān)系。
目前狀態(tài)監(jiān)測(cè)和故障診斷工作主要集中在算法理論研究上，實(shí)際推廣應(yīng)用的案例較少。研究主要集中在人工神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)、數(shù)據(jù)統(tǒng)計(jì)分析方法等，各種故障診斷都有各自的優(yōu)點(diǎn)和不足。因此故障診斷方法應(yīng)該注重解決各種算法的不足，并研究各種故障診斷算法的優(yōu)點(diǎn)的融合方法，提高故障診斷結(jié)果的準(zhǔn)確性，并最終在狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)中應(yīng)用。
多元狀態(tài)估計(jì)技術(shù)是一種非參數(shù)、非線性建模方法，最早由美國(guó)阿爾貢國(guó)立實(shí)驗(yàn)室開發(fā)，并應(yīng)用于核電站，監(jiān)測(cè)其傳感器和設(shè)備等的運(yùn)行參數(shù)的異常，是一種測(cè)量實(shí)時(shí)工況與歷史正常工況相似程度以實(shí)現(xiàn)實(shí)時(shí)狀態(tài)估計(jì)的模式識(shí)別技術(shù)。
多元狀態(tài)估計(jì)技術(shù)屬于非參數(shù)建模方式，建模方法通用性強(qiáng)，只要求建模變量間具有相關(guān)性；預(yù)估值的產(chǎn)生基于矩陣相似性的計(jì)算，計(jì)算復(fù)雜度低，計(jì)算量小，可滿足工業(yè)項(xiàng)目實(shí)時(shí)性的要求；可同時(shí)對(duì)多變量同時(shí)進(jìn)行預(yù)估，適用于多傳感器狀態(tài)監(jiān)測(cè)。
此方法需要人工提取特征向量，人工提取歷史狀態(tài)向量，人工對(duì)殘差閾值進(jìn)行設(shè)定，此三個(gè)方面可以使用聚類、主成分分析等算法進(jìn)行改進(jìn)；同時(shí)故障的診斷可以采用人工神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行自動(dòng)診斷。
決策樹算法簡(jiǎn)單直觀，不同于神經(jīng)網(wǎng)絡(luò)等黑箱模型，決策樹可以給出邏輯判斷規(guī)則，但單棵決策樹存在容易過擬合的問題，結(jié)果受樣本變動(dòng)的影響較大，且容易陷入局部最優(yōu)。隨機(jī)森林本質(zhì)上是對(duì)決策樹算法的一種改進(jìn)，通過將多個(gè)決策樹合并在一起，每棵決策樹的建立依賴于獨(dú)立抽取的樣本集。單棵樹的分類和回歸存在過擬合的可能，但在隨機(jī)生成大量的決策樹后，一個(gè)測(cè)試數(shù)據(jù)集可以通過多棵樹的分類或回歸結(jié)果經(jīng)統(tǒng)計(jì)后得出，模型結(jié)果更為可靠。因泛化能力強(qiáng)、準(zhǔn)確度高，隨機(jī)森林在多個(gè)學(xué)科領(lǐng)域展現(xiàn)出超越傳統(tǒng)算法的優(yōu)勢(shì)。
2.機(jī)組性能分析
機(jī)組性能分析提供從部件到設(shè)備到系統(tǒng)級(jí)的性能實(shí)時(shí)計(jì)算，使用機(jī)器學(xué)習(xí)的數(shù)據(jù)建模方式，使用隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)等算法，從機(jī)組歷史數(shù)據(jù)中挖掘數(shù)據(jù)間的隱含聯(lián)系，找出影響設(shè)備性能的關(guān)鍵特征；結(jié)合機(jī)組運(yùn)行參數(shù)及熱平衡模型，通過改進(jìn)運(yùn)行方式或技術(shù)改造提高機(jī)組運(yùn)行效率。
人工神經(jīng)網(wǎng)絡(luò)是一種非線性的建模方法，它由若干神經(jīng)元通過節(jié)點(diǎn)間的連接構(gòu)成，每一個(gè)連接都被賦予一個(gè)可變的權(quán)重參數(shù)，以解決多輸入、多輸出的系統(tǒng)辨識(shí)，且其模型是非參數(shù)化的，不需要建立以實(shí)際系統(tǒng)數(shù)學(xué)模型為基礎(chǔ)的辨識(shí)格式，對(duì)于電力生產(chǎn)過程這樣的復(fù)雜系統(tǒng)建模有著較為有效的應(yīng)用。
3.生產(chǎn)過程運(yùn)行優(yōu)化
電力的生產(chǎn)過程及其復(fù)雜，各系統(tǒng)高度耦合，需要協(xié)同優(yōu)化?，F(xiàn)階段的運(yùn)行優(yōu)化一般都為子系統(tǒng)集的優(yōu)化，例如，凝汽器最佳真空、過冷度，給水流量調(diào)節(jié)，SCR噴氨量調(diào)節(jié)，鍋爐加藥調(diào)節(jié)，化學(xué)水加藥調(diào)節(jié)等，子系統(tǒng)內(nèi)部的最優(yōu)不能保證整個(gè)系統(tǒng)達(dá)到最優(yōu)，而廠耗電量、耗水量等需要綜合各子系統(tǒng)進(jìn)行協(xié)調(diào)，因此僅靠運(yùn)行人員現(xiàn)場(chǎng)經(jīng)驗(yàn)難以對(duì)如此龐雜的系統(tǒng)進(jìn)行優(yōu)化。
同時(shí)，現(xiàn)有的調(diào)節(jié)基本都基于運(yùn)行人員經(jīng)驗(yàn)，根據(jù)人員水平不同，調(diào)節(jié)品質(zhì)也不盡相同，最優(yōu)調(diào)節(jié)參數(shù)較為隨機(jī)。對(duì)于此類問題，神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法可以有效解決。
4.旋轉(zhuǎn)機(jī)械振動(dòng)分析
旋轉(zhuǎn)機(jī)械振動(dòng)分析一般電廠人員掌握不深，一般只關(guān)注軸振、瓦振的振動(dòng)幅值，對(duì)于啟停機(jī)階段的軸心軌跡等圖形、數(shù)據(jù)關(guān)注度不夠。近年來，振動(dòng)信號(hào)的分解、頻域分解、小波分析等方法的研究為機(jī)器學(xué)習(xí)提供了更多的數(shù)據(jù)特征，將兩者結(jié)合勢(shì)必能夠在此領(lǐng)域內(nèi)有所突破。
三、研究?jī)?nèi)容與探索
（一）完全自主創(chuàng)新建立工業(yè)互聯(lián)網(wǎng)平臺(tái)
建立數(shù)據(jù)中心自主的互聯(lián)網(wǎng)平臺(tái)，統(tǒng)一數(shù)據(jù)采集、壓縮、存儲(chǔ)、傳輸標(biāo)準(zhǔn)，依托集團(tuán)公司數(shù)據(jù)中心建立數(shù)據(jù)中心數(shù)據(jù)湖，以自主開發(fā)和合作開發(fā)的方式完成模塊化的應(yīng)用，以期實(shí)現(xiàn)設(shè)備管理，業(yè)務(wù)運(yùn)營(yíng)優(yōu)化，新模式新業(yè)務(wù)幾大板塊的數(shù)字化解決方案，實(shí)現(xiàn)軟件授權(quán)盈利。
1.結(jié)合現(xiàn)有工業(yè)互聯(lián)網(wǎng)云平臺(tái)進(jìn)行功能模塊開發(fā)
在現(xiàn)有的工業(yè)互聯(lián)網(wǎng)云平臺(tái)上進(jìn)行開發(fā)，結(jié)合現(xiàn)有成熟軟件應(yīng)用和平臺(tái)提供的算法與工具，完成模塊化的應(yīng)用，實(shí)現(xiàn)設(shè)備管理，業(yè)務(wù)運(yùn)營(yíng)優(yōu)化，新模式新業(yè)務(wù)幾大板塊的數(shù)字化解決方案，同時(shí)實(shí)現(xiàn)軟件授權(quán)盈利。
2.實(shí)現(xiàn)功能
數(shù)據(jù)采集，傳輸，壓縮、存儲(chǔ)標(biāo)準(zhǔn)化?，F(xiàn)有數(shù)據(jù)存在著數(shù)據(jù)結(jié)構(gòu)不統(tǒng)一，數(shù)據(jù)之間無法連接使用，分散存儲(chǔ)等問題，不利于數(shù)據(jù)的進(jìn)一步挖掘。財(cái)務(wù)數(shù)據(jù)，庫存數(shù)據(jù)，設(shè)備維護(hù)記錄，缺陷等數(shù)據(jù)各自存放，沒有開放的接口。首先應(yīng)將各種數(shù)據(jù)統(tǒng)一收集，建立數(shù)據(jù)湖，解決數(shù)據(jù)孤島問題，之后才能完成數(shù)據(jù)的充分挖掘利用。
完全自主建立平臺(tái)，需要解決數(shù)據(jù)的采集、壓縮、存儲(chǔ)、傳輸?shù)葐栴}，需購(gòu)買大量實(shí)體服務(wù)器及存儲(chǔ)設(shè)備，安全防護(hù)設(shè)備，引進(jìn)維護(hù)人員，設(shè)計(jì)數(shù)據(jù)的容災(zāi)機(jī)制，設(shè)立異地備份方案等，造成大量的支出。
設(shè)計(jì)平臺(tái)需大量專業(yè)網(wǎng)絡(luò)技術(shù)人員參與，前期設(shè)計(jì)與建設(shè)投入較高，風(fēng)險(xiǎn)較大。
如使用現(xiàn)有工業(yè)互聯(lián)網(wǎng)平臺(tái)，以上問題都已有完備的解決方案，且費(fèi)用低廉。
現(xiàn)阿里云，華為云等都提供了工業(yè)互聯(lián)網(wǎng)云平臺(tái)，可以實(shí)現(xiàn)統(tǒng)一平臺(tái)的功能快速開發(fā)和復(fù)用，通過數(shù)據(jù)工廠實(shí)現(xiàn)數(shù)據(jù)上云，再基于AI創(chuàng)作間訓(xùn)練出工廠的專屬智能。此外，該平臺(tái)使用拖拽式開發(fā)，極大地降低了使用門檻，普通工程師也能輕松進(jìn)行操作，項(xiàng)目實(shí)施周期大大減少。
以阿里云ET工業(yè)大腦開放平臺(tái)為例，部署原理可以分為以下四個(gè)步驟：
數(shù)據(jù)采集：對(duì)企業(yè)系統(tǒng)數(shù)據(jù)、工廠設(shè)備數(shù)據(jù)、傳感器數(shù)據(jù)、人員管理數(shù)據(jù)等多方工業(yè)企業(yè)數(shù)據(jù)進(jìn)行采集。
數(shù)據(jù)預(yù)處理：包括過濾臟數(shù)據(jù)與噪音、解決數(shù)據(jù)的多源異構(gòu)、找回丟失的數(shù)據(jù)以及修正錯(cuò)誤的數(shù)據(jù)等。同時(shí)，還要根據(jù)用途，對(duì)數(shù)據(jù)進(jìn)行分割、分解、分類，為下一步的算法建模做好準(zhǔn)備。
算法建模：通過ET工業(yè)大腦AI創(chuàng)作間內(nèi)置的算法引擎或算法市場(chǎng)提供的算法，對(duì)所收集并預(yù)處理完成的歷史數(shù)據(jù)進(jìn)行快速建模，該模型可以是描述模型、預(yù)測(cè)模型或優(yōu)化模型。
模型應(yīng)用：將已經(jīng)建立的算法模型，發(fā)布成服務(wù)并集成到生產(chǎn)系統(tǒng)中，作用到業(yè)務(wù)，完成數(shù)據(jù)智能應(yīng)用的閉環(huán)。
數(shù)據(jù)中心可以在該平臺(tái)上建立兩種角色：行業(yè)顧問和AI交付工程師，以完成自主功能模塊的開發(fā)和發(fā)布。
行業(yè)顧問：可創(chuàng)建行業(yè)知識(shí)圖譜，配置通用算法引擎，將算法用業(yè)務(wù)化的語言進(jìn)行表達(dá)，形成行業(yè)算法引擎模板。
AI交付工程師：根據(jù)實(shí)際業(yè)務(wù)場(chǎng)景來選擇和使用行業(yè)算法模板引擎模板，并在此基礎(chǔ)上開發(fā)出企業(yè)專屬的人工智能算法服務(wù)，最終發(fā)布成API供上層應(yīng)用調(diào)用。
在現(xiàn)有的較為成熟的工業(yè)互聯(lián)網(wǎng)云平臺(tái)上開發(fā)功能模塊，能夠極大的縮短開發(fā)周期，節(jié)省大量軟硬件購(gòu)買開支，同時(shí)可根據(jù)需求定制化的開發(fā)功能，滿足現(xiàn)場(chǎng)實(shí)際需求。
【作者簡(jiǎn)介】
王爽，男，大唐國(guó)際發(fā)電股份有限公司北京高井熱電廠設(shè)備管理部（網(wǎng)絡(luò)安全與信息化部）數(shù)據(jù)分析工程師。具有5年熱控專業(yè)工作經(jīng)驗(yàn)，2016年底與通用電氣聯(lián)合建設(shè)數(shù)據(jù)監(jiān)測(cè)與診斷中心，后主要從事數(shù)據(jù)分析工作，研究機(jī)器學(xué)習(xí)算法、云計(jì)算在電力工業(yè)領(lǐng)域中的實(shí)際應(yīng)用效果，多次參加電力工業(yè)互聯(lián)網(wǎng)方向研討會(huì)、論壇，致力于推動(dòng)傳統(tǒng)電力行業(yè)向電力工業(yè)互聯(lián)網(wǎng)升級(jí)轉(zhuǎn)型和設(shè)備狀態(tài)監(jiān)測(cè)方式的轉(zhuǎn)變，以數(shù)字化手段優(yōu)化機(jī)組運(yùn)行模式，提高生產(chǎn)效率。曾獲得2019年度電力科技創(chuàng)新獎(jiǎng)一等獎(jiǎng)、電力企業(yè)設(shè)備管理創(chuàng)新優(yōu)秀成果三星等榮譽(yù)。
評(píng)論