试论热力系统的状态监测与故障诊断

司波

摘要：热力系统状态监测和故障诊断是一个比较复杂的系统工程，是集热能工程和现代控制、现代诊断技术和信息技术为一体的综合性研究课题。本文主要对热力系统的状态监测和故障诊断等方面问题进行了研究，针对诊断系统在系统的复杂性、数据的可靠性等方面存在的问题提出了相关的解决方案，以供大家参考借鉴。

关键词：热力系统；状态监测；故障诊断

引 言：熱力系统故障诊断的研究是故障诊断技术在热力系统中的具体应用研究，借鉴多种故障诊断技术的研究成果，以解决实际中的热力系统故障诊断问题。热力系统是一个复杂的系统，其非线性程度高，不确定性问题普遍存在，系统故障与多种原因有关，其故障诊断问题 目前已有较多研究，但是仍存在较多难点。

1 热力系统故障诊断研究现状与存在问题

1.1 机理研究和知识积累问题

故障机理的研究和知识的积累是一项长期的基础工作，透彻的故障机理和丰富而高质的知识对故障诊断的准确性具有决定性的作用，是建立和完善故障诊断系统的有效途径。故障机理本质上是深层知识的获取，也属于知识积累的重要内容。

1.2 诊断系统可靠性问题

诊断系统的可靠性问题直接影响诊断系统的实际应用。故障诊断的可靠性包括数据采集的可靠性、诊断方法的可靠性、计算机系统的可靠性。其中引起诊断失效的最主要的原因是数据采集的可靠性问题，其次是诊断方法，而计算机系统的可靠性 在工业应用中相对最高。数据釆集不可靠会引起输入数据的错误，从而导致诊断失效或者错误。解决问题的途径之一是对数据进行检验和恢复，之二是构造容错的鲁棒诊断策略。

1.3 多诊断方法的综合利用

故障诊断方法颇多，各种方法具有不同的优点和缺点。对于复杂的热力系统故障诊断，任何单一的故障诊断方法如果不结合其它方法的优点，将在诊断能力和诊断效果上受到局限。而采用多种方法综合的混合故障诊断技术，则可形成优势互补，达到提高诊断能力的效果。这一问题可以借助于信息融合技术来解决。

1.4 系统集成问题

例如，现代电站的自动化、信息化程度较高，一般都配备较先进的电站信息系统，尤其是电站厂级监控信息系统（SIS）的建设，可为故障诊断提供丰富的实时数据和历史数据支持，而故障诊断也是SIS的重要功能之一。釆用何种方式将故障诊断功能同电站性能监测的其它功能有机组织起来，与整个信息系统形成一个统一的整体，这就是诊断系统集成问题。其中包括数据的集成、方法的集成、软件的集成、硬件的集成等方面。

2 热力系统的故障诊断的方法

系统故障是指系统在不正常的运行状态下，导致相应的系统功能失调，系统的输出行为超出正常范围，使系统功能低于正常水平。系统的故障诊断是指在一定的环境下对设备或系统状态进行诊断。自从故障诊断诞生以来，便普遍受到了学术界的关注，随着近年来信号处理、控制理论、模式识别等技术的发展，故障诊断技术也得到了迅速发展，故障诊断的方法主要分为以下几种

2.1 基于数学模式的方法

基于数学模型的故障诊断技术主要思想是解析冗余。这个方法主要是利用数学模型对系统状态的参数变量进行重新构造形成残差序列，然后利用某些措施对残差序列中的故障信息进行增强，排除非故障信息，最后从残差序列中监测识别出故障信息。该方法不足的地方有对模型的精确度要求非常高，而精确的数学模型很难建立，所以限制了该方法的发展。非线性诊断不成熟，实际系统的本质都是非线性的，而基于数学模型的方法在非线性故障领域的发展还并不成熟，缺少非常有效的解析模型的方法。

2.2 基于知识的人工智能诊断方法

基于知识的故障诊断方法是利用人工的智能方法，比如说模糊逻辑、专家系统和因果分析等，通过这些方法构造出一些功能来模仿和实现人类在监控过程中的行为来完成整个监测和诊断过程。目前热力系统的诊断方法主要有专家系统、神经网络等。

2.2.1专家系统方法

专家系统是具有大量专门知识，并能运用这些知识解决特定领域中实际问题的计算机程序。完整的专家系统包括四部分：知识库、推理机、知识获取模块和解释界面。知识库存储和管理各种知识。这些知识以事实和规则的形式存储起来。事实是短期信息，可以发生快速的变化。规则是长期信息，相对稳定。推理机是协调控制整个系统工作的机构或规则解释机构，它根据知识库中的事实、规则，按一定的推理策略求解当前的问题。知识获取模块解决如何将各种信息转化为计算机可用的知识。解释界面负责向用户说明系统如何进行推理和如何得到结论的。

专家系统解决了很多实际性的问题，其成果还是令人满意的，但是它仍然存在缺点。比如说：

（1）目前的专家系统缺少容错、联想、自学习和自适应等自我完善功能；

（2）当系统非常大时，知识库的维护和组织相当困难和复杂，推理的效果也自然而然受到了限制；

（3）专家系统诊断率的高低主要依靠于知识库的知识以及知识的正确率，因此专家系统的成功与否要依赖于专家的合作成功率和经验成熟度，不同的专家得出来的结论有可能是互相矛盾的。

2.2.2 神经网络方法

人工神经网络是由许多简单处理单元通过某些特殊的方式互相连接形成比较复杂的非线性运动学系统，从微观上，它对人脑的智能行为进行描述。神经网络是非常强大的分类和学习工具，在诊断故障中主要有以下几种方式。

（1）直接使用神经网络进行故障诊断

将故障征兆作为输入，诊断结果作为输出。利用已经具有的故障征兆和诊断结果对神经网络进行训练，让神经网络系统经过权值故障征兆和诊断结果之间内在的相对应的关系，之后利用训练后的神经网络进行故障诊断。将得到的故障征兆加在神经网络的输入端，在神经网络的输出端就可以得到相应的诊断结果

（2）适用神经网络产生残差

描述系统正常工作解析模型将会被神经网络所替代。将在仿真模仿中采集或直接测量到的被诊断的输入和输出数据对网络神经进行训练，然后得到相对系统的神经模型。系统的实际输出和网络模型形成残差。

（3）使用神经网络评论残差

在应用到神经网络进行评价残差的时候，主要应用故障库和残差库作为样本进行训练。当训练结束以后就可以在线应用神经网络对残差进行正确的评价，以此来判断是否发生故障并指出在哪里发生的故障。

神经网络系统和传统的信息处理方法相比具有很多的优势，主要表现在具有非常强的非线性表达能力，可以随意的逼近非线性函数，计算结构具有容错性，分布信息储存，能够很好的适应环境的变化，在诊断领域中一直颇受人们的喜爱。

3 结束语

总之，能源工程是国民经济的基础产业，对经济持续快速发展和人民生活的改善发挥着十分重要的保障与促进作用。因此，随着人们对于机组的经济性、可靠性，对系统监测和故障诊断结果的准确性和真实性的要求越来越高，还需要对热力系统进行更加全面和深入的研究。

参考文献：

[1]张雯.组态软件在中温中压锅炉在线智能监测与管理系统中的应用[J].电脑学习，2009（6）.

[2] 汤 玚.无人职守的矿山空压机监控系统设计[J].煤炭工程，2010（2）.