CN113705924A - 一种热控设备智能诊断方法和*** - Google Patents

Abstract

本发明涉及一种热控设备智能诊断方法和***。方法包括：获取待监测设备的状态信息，并基于状态信息提取特征信息；根据状态信息和特征信息，采用分析诊断模型生成待监测设备的诊断结果。本发明通过采集DCS相关数据，及逻辑算法的智能分析寻优，通过热控设备状态监测方法的研究，实现热控二次设备故障的提前感知与报警，自动诊断故障隐患点，能够有效对其存在的异常隐患提前预知报警，对当前提升发电机组运行可靠性、安全性与经济性有着积极地意义，并对今后智慧电厂“自诊断、自愈合”的实现，有着积极的示范作用。

Description

一种热控设备智能诊断方法和***

技术领域

本发明涉及热控设备诊断技术领域，特别是涉及一种热控设备智能诊断方法和***。

背景技术

目前中国绝大部分电厂的检修工作，以定期检修和故障性检修为主，容易出现欠修、过修、应修未修或消防式的抢修，对设备的状态局限于表征故障的监视，即出现明显的故障后才能监测出来。近年来，针对三大主机及重要辅机等一次设备，进行状态检修的深入研究和实施，取得了非常显著的效果。通过采用各种精密仪器及专家知识库算法等智能技术手段，对运行中的设备进行状态监视，不仅对设备的运行状态有了及时清晰的掌控，更能提供设备的寿命、检修计划的预测和有针对性检修决策。

但是现有进行状态监测的设备多为针对主机、重要辅机等一次设备，对于热控二次测量设备，却缺乏有效的状态监测检修体系，如不能实时发现其存在隐患，一旦发生故障，往往影响较大，甚至发生机组或重要辅机的非停。

并且，现阶段热控设备检修主要依赖于仪表的定期校验和设备的故障维修。按照仪表检定规程的要求，定期对其进行校验，以保证在下一个使用周期内的测量精度满足使用要求。定期校验的周期一般同步于主设备的大小修时间。而对无法定期校验的设备，如电动执行器、电磁阀等，则是故障检修，即发生故障后进行排查处理。通过检修，排除设备提前失效或消除故障，保证设备在下一个检修周期内可靠运行。目前热控检修的重点是处理设备的已有故障和可能出现的故障。

目前压力、差压变送器的精确度和稳定性越来越高，变送器的结构设计也未考虑“频繁拆装”。将变送器拆回标准室进行定期校验的做法，可能损伤变送器的外观、损坏组合阀，变送器回装后如果达不到初次安装的水准、还会出现渗漏。热控设备的己有故障大部分在平时可以或已经处理，可能出现的故障又不可预知。所以在机组大小修时，也就没有了消除热控设备潜在故障的目标或任务，如果仍然要求热控设备按照主设备检修规律一律大小修，盲目大拆大卸、过度检修，加上部分检修工艺水平还未规范，会造成原本运行稳定的热控设备返回到早期的故障高发期或缩短使用寿命，反而增加了设备运行中的故障率，增加了日常的维护与临时检修工作，同时可能加速了热控设备的非正常淘汰。

过去的计划检修和部分设备个体情况一味的要求全部大修，结果造成一部分设备越修状态越差。例如：电动执行器是配合精密的机械设备，由于大拆大卸易造成零件损坏，密封破坏，外壳变形等，一些设备没有被用坏，而是被修坏的现象时有发生。再有，部分电子设备回装时因破坏了原来的配线工艺，相互错位或拆装过程中损坏、结果是大修前能正常使用的控制***大修后却投不上。

因此，提供一种能够实现热控二次设备故障的提前感知与报警，自动诊断故障隐患点热控设备智能诊断方法或***，成为本领域亟待解决的技术问题。

发明内容

本发明的目的是提供一种热控设备智能诊断方法和***，以实现热控二次设备故障的提前感知与报警，自动诊断故障隐患点，进而有效提升发电机组运行可靠性、安全性。

为实现上述目的，本发明提供了如下方案：

一种热控设备智能诊断方法，包括：

获取待监测设备的状态信息，并基于所述状态信息提取特征信息；所述特征信息为用于反映待监测设备状态特征的信息；所述状态信息包括：调门指令、调门开度、电动门指令、电动门开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力和汽包压力；所述状态信息包括多个测点的状态信息；

根据所述状态信息和所述特征信息，采用分析诊断模型生成待监测设备的诊断结果；所述分析诊断模型为采用专家诊断算法基于监测设备的历史状态信息和历史特征信息建立的神经网络模型；所述诊断结果包括当前故障诊断结果和预测故障诊断结果。

优选地，所述根据所述状态信息和所述特征信息，采用分析诊断模型生成待监测设备的诊断结果，之前还包括：

对历史状态信息进行数据分析剔除无关滋扰报警信息或误报警信息；

根据工艺***相互关联关系建立故障模型；

根据所述故障模型设置限值条件；

依据所述限值条件确定边界条件；

基于所述边界条件和所述历史状态信息确定数据异常点；

采用灰色预测法基于所述数据异常点预测出故障类型和故障特性；所述历史状态信息、所述故障类型和所述故障特性均存储在专家诊断知识库中；

采用专家诊断知识库中存储的数据信息训练神经网络模型，得到所述分析诊断模型。

优选地，所述数据分析包括：预处理、关联性识别和噪声剔除。

优选地，还包括：

根据所述诊断结果生成检修决策。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的热控设备智能诊断方法，通过采集DCS相关数据，及逻辑算法的智能分析寻优，通过热控设备状态监测方法的研究，实现热控二次设备故障的提前感知与报警，自动诊断故障隐患点，能够有效对其存在的异常隐患提前预知报警，对当前提升发电机组运行可靠性、安全性与经济性有着积极地意义，并对今后智慧电厂“自诊断、自愈合”的实现，有着积极的示范作用。

对应于上述提供的热控设备智能诊断方法，本发明还提供了以下具体实施***：

其中，一种热控设备智能诊断***，包括：

信息获取模块，用于获取待监测设备的状态信息，并基于所述状态信息提取特征信息；所述特征信息为用于反映待监测设备状态特征的信息；所述状态信息包括：调门指令、调门开度、电动门指令、电动门开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力和汽包压力；所述状态信息包括多个测点的状态信息；

诊断模块，用于根据所述状态信息和所述特征信息，采用分析诊断模型生成待监测设备的诊断结果；所述分析诊断模型为采用专家诊断算法基于监测设备的历史状态信息和历史特征信息建立的神经网络模型；所述诊断结果包括当前故障诊断结果和预测故障诊断结果。

优选地，还包括：

剔除模块，用于对历史状态信息进行数据分析剔除无关滋扰报警信息或误报警信息；所述数据分析包括：预处理、关联性识别和噪声剔除；

模型建立模块，用于根据工艺***相互关联关系建立故障模型；

限值条件设置模块，用于根据所述故障模型设置限值条件；

边界条件确定模块，用于依据所述限值条件确定边界条件；

数据异常点确定模块，用于基于所述边界条件和所述历史状态信息确定数据异常点；

预测模块，用于采用灰色预测法基于所述数据异常点预测出故障类型和故障特性；所述历史状态信息、所述故障类型和所述故障特性均存储在专家诊断知识库中；

模型训练模块，用于采用专家诊断知识库中存储的数据信息训练神经网络模型，得到所述分析诊断模型。

优选地，还包括：

检修决策生成模块，用于根据所述诊断结果生成检修决策。

另一种热控设备智能诊断***，包括：

测点监测模块，用于读取测点、监测测点变化情况以及提取测点信息，并用于结合分析诊断模型和大数据综合分析判断测点是否正常，示值是否正确，对故障信息进行报警等级分类和无效报警抑制，对数据进行筛选和清洗后，推送出异常故障信息；所述测点信息包括变化速率、信号突变、信号波动、工艺量程超限和同类不平衡信息；

阀门监测模块，用于根据设备测点分析信息、设备测点设定值、设备测点过程值、设备测点的工艺参数，以及设备测点间的关联关系，对阀门机构的性能状态进行实时的监测分析；所述阀门机构包括：电动门、气动门、液压门和执行机构；

调门伺服阀监视模块，用于采集DCS信号，根据相关联工艺参数，结合专家模型，分析汽机调门流量特性，对阀门调节状态进行诊断，分析判断伺服阀卡涩、漏流故障，并推送参数修改意见；所述相关联工艺参数包括：阀门指令、反馈信息以及蒸汽流量、调节级压力、负荷变化；

AST电磁阀诊断模块，用于基于电磁阀电流、线圈表面温度和油压测点，分析电磁阀线圈是否发生故障和泄漏，还用于分析电磁阀劣化特性，以对电磁阀进行故障预警和寿命评估。

因本发明提供的热控设备智能诊断***实现的技术效果与上述提供的热控设备智能诊断方法达到的技术效果相同，故在此不再进行赘述。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的热控设备智能诊断方法的流程图；

图2为本发明实施例提供的实施热控设备智能诊断方法的整体流程框架图；

图3为本发明提供的其中一种热控设备智能诊断***的结构示意图；

图4为本发明实施例提供的用于实施热控设备智能诊断方法的功能架构图；

图5为本发明实施例提供的用于实施热控设备智能诊断方法的网络架构图。

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。

本发明的目的是提供一种热控设备智能诊断方法和***，以实现热控二次设备故障的提前感知与报警，自动诊断故障隐患点，进而有效提升发电机组运行可靠性、安全性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，一种热控设备智能诊断方法，包括：

步骤100：获取待监测设备的状态信息，并基于状态信息提取特征信息。特征信息为用于反映待监测设备状态特征的信息。状态信息包括：调门指令、调门开度、电动门指令、电动门开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力和汽包压力。状态信息包括多个测点的状态信息。

在该步骤中，针对设备的各种故障模式，选用适当技术手段来监测设备的状态信息，提取能反映设备状态特征的信息。设备状态监测可分为四个基本步骤：确定被测设备或***、确定监测信号、提取设备特征信息及数据存储。

依据设备的重要性、关联性确定被测设备或***，优先选择涉及保护、联锁、自动的***和设备，按其重要程度分类分级监测，例如汽包水位三冲量自动调节***是电厂最主要的调节***之一，涉及的给水调节门、汽包水位、给水流量、主汽流量变送器作为重点监测设备，而***相关的出入口电动门、给水压力变送器等作为次重点设备也纳入监测范围，以此保证整个***的安全性、稳定性得以被监测到。

***及设备确定后，需确定该***主要监测信号，如给水调门、电动门指令、开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力、汽包压力等。

特征提取是明确一个设备或参数具备什么样的特征现象时定义为异常，反之则为正常，以此做为评判条件。如上下限值、变化率、跟踪偏差、信号到位等。举例说明：给调门指令与反馈偏差应＜2.5％，超出判定为跟踪异常。给水电动门正常运行期间应为开到位信号，如关到位信号出现或无开到位信号，则判定为信号到位异常。如给水流量一般设计为两台变送器取平均值，两个给水流量之间偏差超过5t/h，判定为异常。通过对每个参数设置相关特征条件，做为判定依据植入***内，实现参数的特征提取。

最后所有数据均进入存储器，实现数据的历史信息查询、趋势生成、异常原因追溯。

步骤101：根据状态信息和特征信息，采用分析诊断模型生成待监测设备的诊断结果。分析诊断模型为采用专家诊断算法基于监测设备的历史状态信息和历史特征信息建立的神经网络模型。诊断结果包括当前故障诊断结果和预测故障诊断结果。

在该步骤101中，根据设备状态监测数据及特征信息，采用各种专家诊断算法，建立分析诊断模型、对设备的状态和寿命进行数据分析、状态对比、预测评估及故障诊断，识别其现有的和即将出现的缺陷，从而确定其故障。预测中比较常用的主要有时间序列法、回归分析法、模糊预测法、灰色预测法、人工神经网络法等。

其中，数据分析的具体实施方式为：

通过分析机组状态参数、机组运行各控制回路参数等历史数据，对数据状态进行分析。通过预处理、关联性识别、噪声剔除几种分析方式，对数据进行分类，测点本身异常、误报或***综合异常。运用时根据不同场景采用一种或多种分析方式：

A、分析预处理：通过对单个参数的数据监测或多个工艺参数的综合对比，判断出设备或测点本身是否存在异常：(1)通用分析：对单个参数的异常直观诊断，如信号丢失、信号突变、示值超限等，发生此类现象时，可直接诊断为测点或参数异常。(2)智能分析：通过多个参数对***进行分析，例如闭式水泵运行、闭式水泵电流正常且闭式水泵入口压力正常时如果发生闭式水泵出口压力短时间低，则判断可能为闭式水泵出口压力传感器本身异常或受到干扰造成的，记录为测点故障。(3)统计分析：通过大数据分析信号周期性、信号频率、***工况特征等数据发现异常，提前报警。比如闭式泵出口压力低频繁触发短暂报警就可以判断传感器异常，需要维护查看。

B、关联性识别：通过识别相关工艺***启停状态对监测数据的关联影响，来判断测点是否正常，即某些参数在所属***投运或跳闸时才会产生触发联动关系。例如磨煤机需要润滑油泵运行保证油压，当润滑油泵跳闸和润滑油压异常同时满足时只触发润滑油泵跳闸，因为润滑油泵跳闸会直接导致润滑油压异常。

C、噪声剔除：对无关滋扰报警或误报警信息进行识别和剔除，以提升测点诊断的准确性和有效性。(1)延时触发：信号达到报警条件后延时一段时间触发报警。比如在磨煤机启动时短时间内电流信号特别大，超过正常运行状态，但是对于磨煤机启动过程又是正常的，则可以通过短时间延时错开磨煤机启动，减少磨煤机电流报警。信号由于干扰发生变化时也可以通过这种方法减少报警。(2)设置滤波或死区减少报警：信号在报警值附近频繁波动时可以通过设置滤波的方式削弱变化频率，使信号平缓，触发报警时就会相应减少。同样设置一定的死区也可以减少频繁报警的发生。(3)条件报警：需要信号达到某种条件才能报警。比如只有在磨煤机运行时才能触发磨煤机本体相关的温度、振动等信号诊断。这类报警就需要进行报警抑制，磨煤机运行后才可以报警，磨煤机不运行不报警。

状态对比的具体实施方式为：

通过上述数据分析，识别出测点本身异常和无效报警并剔除后，再根据工艺***相互关联关系，建立标准模型和故障模型，通过与实际参数的对比，确定异常点。

A、根据工艺***内数据之间的相互关联性，构建模态关联算法，将参数变化与数据表象具体化、数据化、图模化。

以风烟***为例，当出现省煤器或空预器存在泄漏时，热控测点出现明显变化，省煤器出入口烟温、空预器出入口烟温或排烟温度出现持续下降，下降速率超过5℃/min，给水流量呈现增大趋势，但机组负荷、锅炉蒸发量、送引风及磨组状态均无变化。根据泄漏点不同的温度变化趋势，构建出不同的泄漏故障模型。

B、根据数据关联算法，找出边界条件。

根据故障模型变化趋势，设置合理的限值条件，作为判断不合格点的边界条件。例如机组负荷在额定范围内变化，省煤器出入口烟温、空预器出入口烟温或排烟温度下降速率超过5℃/min，给水流量测量值＞上一采集周期实测值，且高于主汽流量变化值，即为该算法边界条件。

预测评估的具体实施方式为：

通过实时数据与边界条件比较，找出数据恶化及不合格点，运用灰色预测法预测出故障发生的类型、特性。

灰色***预测模型GM(1,1)及其新陈代谢模型的建立，不确定性问题是广泛存在的，本发明把具有不确定内涵或外延的***称之为灰色***，而预测问题是不确定***中的关键问题。

热控设备故障产生及发展过程具有不确定因素，因此本发明可以将其视为一个灰色***。灰色理论用于故障预测的原理是把被预测***看成是一个灰色***，利用存在的已知信息去推知含有故障模式的不可知信息的特征、状态和发展趋势，并对未来故障的发展作出预测和决策，其过程即是一个灰色过程的白化过程。建模是***中各因素间关系的具体化、数量化的表示。

现以灰色预测法在脱硝***中的应用为例，介绍灰色预测在热控设备状态诊断中的应用。首先根据脱硝***的早期的历史数据记录脱硝调门的开度对应的喷氨流量，然后根据脱硝***的最近的历史数据记录脱硝调门的开度对应的喷氨流量，对无规律可循的非原始序列进行一次累加生成，得到

x⁽¹⁾＝{x⁽¹⁾，x⁽¹⁾(2)，……x⁽¹⁾(n)}

累加生成具有概率意义，由实际问题可知，累加生成具有统计意义，且累加的规律性由发掘原始信息的内涵而得，保持了与原始信息的关联性。其一般形式为：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝u

若记x⁽⁰⁾＝{x⁽⁰⁾(k)|k＝1,2,……n}为原始数据序列，而x⁽¹⁾为x⁽⁰⁾的一次累加生成序列，即***的累记总量，且x⁽¹⁾＝{x⁽¹⁾(k)|k＝1,2,……n}。z⁽¹⁾为x⁽¹⁾的邻均值等权生成序列，且z⁽¹⁾＝{z(k)|k＝1,2,……n}，其中z⁽¹⁾(k)＝0.5x⁽¹⁾(k)-0.5x⁽¹⁾(k-1),k＝1,2,……n，对生成序列用一阶单变量微分方程进行拟合，得到灰色白化形式的动态模型：

其中，a,u为待解参数。

其中a和u通过最小二乘法得到，从而推算出预测公式。将预测模型计算值和实际值相比较，诊断出门的线性及阀体磨损特性，从而可以推算出阀门预期使用寿命，提醒维护人员按照预期寿命对设备进行维护和检修。通过以上的计算分析，从中可以看出用灰色预测法处理的结果和实际情况非常吻合，该预测模型具有动态性，可对脱硝***调门进行在线实时监控。

故障诊断的具体实施过程为：

故障诊断基于专家诊断知识库，知识库融合了中国200～1000MW各类型机组规程及事故案例，并涵盖多名电力资深运行、热控、调试专家几十年现场工作经验总结得出的事故原因诊断及处理措施方法，以软件形式集成于平台内。当关联算法模型成立时，触发对应的诊断处理算法，以确定相应故障。

例如脱硝喷氨流量计的故障诊断：脱硝供氨调门稳定，指令、反馈跟踪偏差值小于1％，NOX变化与调门开度变化符合变化规律，喷氨流量计无变化趋势且存在短时突变，供氨管道温度显示-10℃。根据运行检修经验可判定原因为冬季温度底导致流量计上冻异常，处理措施为加装伴热保温，拆除冲洗流量计。将模型集成于平台内，当工况变化与模型状态相符时，即推送原因分析和处理建议。

其中，设备状态评估：

根据设备状态预测结果、异常的紧急级别、机组当前运行状态及检修计划、运行与检修专家经验，深度剖析原因及解决措施，进行设备的状态评估。结合检修标准项目、技改项目、缺陷等信息源，综合推送出设备检修策略。

由设备台账、缺陷管理、检修管理、定期工作四部分组成。设备台账作为***的数据源，所有参数均在设备台账中呈现，便于数据的新增和查询。设备异常报警和诊断预测结果，均按分级声光报警形式呈现在***主页中，及时提醒运行人员关注处理。同时汇总至缺陷管理，进行缺陷的记录、流转和闭环，具备工艺条件的，及时处理后，在***中闭环，***自动对相关设备和工艺参数进行验证处理的结果。对于暂不具备处理条件的，则结合诊断结果的紧急级别、工艺***的定期工作和检修计划，在检修管理及定期工作中推送合理检修策略和检修计划，对缺陷做到闭环跟踪督办。

基于上述内容，为了进一步提高检测的准确性，在上述步骤101之前，本发明提供的热控设备智能诊断方法还包括：

步骤102：对历史状态信息进行数据分析剔除无关滋扰报警信息或误报警信息。数据分析包括：预处理、关联性识别和噪声剔除。

步骤103：根据工艺***相互关联关系建立故障模型。

步骤104：根据故障模型设置限值条件。

步骤105：依据限值条件确定边界条件。

步骤106：基于边界条件和历史状态信息确定数据异常点。

步骤107：采用灰色预测法基于数据异常点预测出故障类型和故障特性。历史状态信息、故障类型和故障特性均存储在专家诊断知识库中。

步骤108：采用专家诊断知识库中存储的数据信息训练神经网络模型，得到分析诊断模型。

在确定得到诊断结果后，本发明提供的热控设备智能诊断方法还可以根据诊断结果生成检修决策。具体的，异常诊断报警、检修决策及优化指导等结果性内容在PC端进行应用展示，并支持手机网页版，方便运行检修人员及时掌握设备健康状态、生产过程管控及管理人员远程监控。

依据上述内容，本发明提供的热控设备智能诊断方法的整体实现流程如图2所示。

对应于上述提供的热控设备智能诊断方法，本发明还提供了以下具体实施***：

其中，如图3所示，一种热控设备智能诊断***，包括：信息获取模块1和诊断模块2。

其中，信息获取模块1用于获取待监测设备的状态信息，并基于状态信息提取特征信息。特征信息为用于反映待监测设备状态特征的信息。状态信息包括：调门指令、调门开度、电动门指令、电动门开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力和汽包压力。状态信息包括多个测点的状态信息。

诊断模块2用于根据状态信息和特征信息，采用分析诊断模型生成待监测设备的诊断结果。分析诊断模型为采用专家诊断算法基于监测设备的历史状态信息和历史特征信息建立的神经网络模型。诊断结果包括当前故障诊断结果和预测故障诊断结果。

为了进一步提高检测的准确性，本发明提供的热控设备智能诊断***还优选包括：剔除模块、模型建立模块、限值条件设置模块、边界条件确定模块、数据异常点确定模块、预测模块和模型训练模块。

其中，剔除模块用于对历史状态信息进行数据分析剔除无关滋扰报警信息或误报警信息。数据分析包括：预处理、关联性识别和噪声剔除。

模型建立模块用于根据工艺***相互关联关系建立故障模型。

限值条件设置模块用于根据故障模型设置限值条件。

边界条件确定模块用于依据限值条件确定边界条件。

数据异常点确定模块用于基于边界条件和历史状态信息确定数据异常点。

预测模块用于采用灰色预测法基于数据异常点预测出故障类型和故障特性。历史状态信息、故障类型和故障特性均存储在专家诊断知识库中。

模型训练模块用于采用专家诊断知识库中存储的数据信息训练神经网络模型，得到分析诊断模型。

在确定得到诊断结果后，本发明为了可以根据诊断结果生成检修决策，还包括：检修决策生成模块。检修决策生成模块用于根据诊断结果生成检修决策。

基于如图4和图5所示的架构，本发明实现的热控设备智能诊断按技术路线划分为四部分：数据监测、诊断分析、技术管理和综合展示。

在生产一区以OPC通讯协议方式采集DCS数据，机柜中加装测量传感器，以RS485通讯方式采集数据，采用以太网接入应用服务器，进行数据诊断和应用。通过防火墙及单向隔离网闸，将平台信息在三区进行展示。

平台支持智慧化综合管理，并在***平台客户端自动推送状态及异常报警，形成快速反应闭环管理体系。

基于这一整体实现架构，本发明提供了另一种热控设备智能诊断***，包括：

测点监测模块，用于读取测点、监测测点变化情况以及提取测点信息，并用于结合分析诊断模型和大数据综合分析判断测点是否正常，示值是否正确，对故障信息进行报警等级分类和无效报警抑制，对数据进行筛选和清洗后，推送出异常故障信息。测点信息包括变化速率、信号突变、信号波动、工艺量程超限和同类不平衡信息。

阀门监测模块，用于根据设备测点分析信息、设备测点设定值、设备测点过程值、设备测点的工艺参数，以及设备测点间的关联关系，对阀门机构的性能状态进行实时的监测分析。阀门机构包括：电动门、气动门、液压门和执行机构。对执行机构接受操作指令未动作、动作延迟、指令反馈偏差大、线性差、频繁摆动，反馈状态异常、零位和满度超限等功能进行诊断，自动判断卡涩、非线性突变等故障情况，将报警推送至上位机人机界面，提前预警，及时采取措施，避免事故发生。例如脱硝***喷氨调门，通过调门的指令、反馈、喷氨流量、调门线性度、实际调门动作死区、门是否摆动、出口NOX变化量，调节参数及调节结果进行建模分析，判断调门故障原因。

调门伺服阀监视模块，用于采集DCS信号，根据相关联工艺参数，结合专家模型，分析汽机调门流量特性，对阀门调节状态进行诊断，分析判断伺服阀卡涩、漏流故障，并推送参数修改意见。相关联工艺参数包括：阀门指令、反馈信息以及蒸汽流量、调节级压力、负荷变化。汽轮机调门的性能关系到机组的安全稳定，因调门结构复杂、对油质的要求较高，往往容易出现伺服阀卡涩情况。调门参数设置不够精准，容易出现调节跟踪不佳、调门摆动等情况。

AST电磁阀诊断模块，用于基于电磁阀电流、线圈表面温度和油压测点，分析电磁阀线圈是否发生故障和泄漏，还用于分析电磁阀劣化特性，以对电磁阀进行故障预警和寿命评估。

其中，1)、测点监测模块中的通用研判逻辑如下：

A、坏点研判逻辑：测点下限低于量程范围的1.25％上限高于量程范围的1.25％，判断测点为坏质量点，建议校验。

举例说明(主蒸汽压力测点)：

主蒸汽压力测点为模拟量输入4-20mA信号，量程范围为0-25MPa，当监视到信号小于3.8mA，即画面显示小于-0.3125MPa，则主蒸汽压力测点故障报警，排查测量元件故障或者DCS卡机通道故障。

B、超限研判逻辑：设置小于热控保护定值阀值，提前于DCS触发报警，一般设置为报警值的90％。

举例说明(引风机轴承温度)：

引风机轴承温度正常为90℃报警，***内设置为81℃报警，提醒人员关注温度异常升高。

C、突变研判逻辑：对于温度测点进行温度变化速率监测，测点变化速率大于8℃/秒，判断测点测量不可靠，需要进行排查。

举例说明(中压缸排汽温度)：

中压缸排汽温度正常为283℃，突升至350℃后回落，则判断测点异常，需对测点接线、卡件、屏蔽等进行排查。

D、测点波动研判逻辑：测点60秒内反复波动范围超过5℃。

举例说明(回油温度)：

回油温度趋势检测存在波动现象，最大波动区间＞5℃/min，则判断测点异常，需对测点接线、卡件、屏蔽等进行排查。

E、单台同类设备不平衡研判逻辑：单台设备同类型测点相互间偏差超过20％。

举例说明(循环水泵电机绕组温度)：

循环水泵电机绕组温度正常84℃左右，6个测点中，取最大值、最小值与平均值，当(最大值—最小值)/平均值＞20％时，判断为同类不平衡，对比最大值和最小值与平均的偏差，确定哪个测点出现不平衡偏差，需排查该测点接线、元件、卡件因素，如均正常，则诊断为实际存在偏差，需对主设备进行检查。

F、多台同类设备不平衡研判逻辑：多台设备同类型测点相互间偏差超过50％。

举例说明(三台循环水泵电机绕组温度)：

A\B\C三台循环水泵均运行，电机绕组温度正常84℃左右，18个测点中，取最大值、最小值与平均值，当(最大值—最小值)/平均值＞50％时，判断为多台设备同类不平衡，对比最大值和最小值与平均的偏差，确定哪个测点出现不平衡偏差，需排查该测点接线、元件、卡件因素，如均正常，则诊断为实际存在偏差，需对主设备进行检查。

以上研判逻辑为通用算法，适用于所有测点，根据测点工艺条件，可自由设定具体阀值。

2)、测点监测模块中的工艺耦合研判逻辑如下：

A、变化率研判逻辑：相关联工艺环境及参数均无变化，测点持续变化速率≥5℃/min，判断测点测量异常，需要进行排查。

举例说明(排烟温度)：

机组负荷、锅炉蒸发量、送引风及磨组状态均无变化，排烟温度以5℃/min速率持续下降，同时给水流量呈现增大趋势，判定为排烟温度显示异常，同时查询***中其他相关测点：省煤器出入口烟温、空预器出入口烟温，当出现区域性持续下降趋势时，可判定上层省煤器或空预器存在泄漏。

B、测点示值研判逻辑：根据电力行业相关标准、运行规程及电厂设计文档，核算出每个工况下，各参数的标准示值区间。对于工况未发生异常变化，个别参数超限，判断测点示值异常。

举例说明(主汽温度)：

以680MW机组为例，锅炉100％负荷时，锅炉出口及汽机侧主蒸汽温度应控制在600±4℃内，当负荷无变化时，任一侧温度出现异常升高或降低，而另一侧无变化，且两侧偏差＞10℃时，变化温度发出异常报警，提醒进行测点及工艺检查。

1)、阀门监测模块的具体研判逻辑如下：

A、调门线性区间判断逻辑：阀门接收的指令为0，但是阀门的反馈大于5％，或者阀门的指令为100，阀门的反馈小于95％，阀门需要进行重新整定。阀门在调整过程中反复频繁摆动，阀门的死区需要放大。调门在经常使用的范围内的线性判断，通过和调门前后的测点(如流量，压力，差压等)判断调门线性区间是否合理正常。

举例说明(脱硝A侧喷氨流量调节阀)：

流量调节阀阀门的指令和反馈之间偏差大于5％，需要对调节阀门进行重新整定。流量调节阀阀门动作后，实际喷氨流量并未发生明显变化或者喷氨流量阶跃性变化，则阀门线性不好，需要对阀门进行检修，检查阀芯。流量调节阀阀门在调整过程中反复频繁摆动，需要去检查调节阀门动作过程，阀门有可能出现振动，需要调节阀门进行重新整定校调。

B、阀门动作判断逻辑：阀门未发开指令，阀门开反馈信号为1，阀门未发关指令，阀门关反馈信号为1，判断反馈异常。阀门为开状态，无保护动作且无运行人员操作，阀门开反馈消失，判断阀门状态故障，需要对阀门进行检查维护。

阀门发开指令后，超过阀门行程时间后，阀门开反馈信号为0，判断阀门开失败，阀门发关指令后，超过阀门行程时间后，阀门关反馈信号任为0，判断阀门关失败。

阀门开关时间超过阀门实际开关的行程时间，或跟踪偏差超过5％，判断阀门线性不良。

举例说明(凝结水泵出口电动门)：

正常凝结水泵出口电动门动作过程为，电动门为关状态，DCS发出开指令后，关反馈消失，电动门动作，经过20秒的动作行程之后，电动门开反馈正常，整个电动门动作正常。故障诊断过程为：电动门为关状态，DCS发出开指令后，关反馈未消失，延时30秒，判断电动门故障，电动门卡涩。电动门为关状态，DCS发出开指令后，关反馈消失，但是延时30秒后电动门开反馈无信号，判断电动门故障，电动门卡涩或者过力矩。***正常运行时门处于开状态，电动门未接收运行人员任何指令或者联锁自动关指令，电动门开反馈消失，则判断电动门故障，需要对电动门进行检查。

调门伺服阀监视模块(即汽轮机调门监视模块)实现的功能具体如下：

(1)采集DCS信号，根据阀门指令、反馈以及蒸汽流量、调节级压力、负荷变化等相关联工艺参数，结合专家模型，分析汽机调门流量特性，对阀门调节状态进行诊断，分析判断伺服阀卡涩、漏流故障，并推送参数修改意见。

(2)通过加装电压检测器或软件取得伺服阀的驱动电压值及电压反馈值，建立伺服阀调试完成正常后的模型(即伺服阀经验模型)。机组运行过程中，通过实际驱动电压和实际电压的测量值和伺服阀经验模型进行对比，产生报警信号，提前预警整个伺服回路出现故障，再去对伺服卡或者伺服阀进行检查，提前消除伺服控制***隐患。

通过判断调门指令动作后调门的反馈和驱动电压模型对比，以及调门在经常反复需要调节的开度位置线性度及磁放曲线等指标，综合以上信息对调门进行监测。

具体研判逻辑如下：

调门开度判断逻辑:阀门接收的指令为0，阀门的反馈大于5％，或者阀门的指令为100，阀门的反馈小于95％，阀门需要进行重新整定。

死区判断逻辑：阀门在调整过程中反复频繁摆动，短时间内上下波动超过±2％(具体时间因工艺***而不同)阀门的死区需要放大。

线性判断逻辑：调门在经常使用的范围内的线性判断，通过和调门前后的测点(如流量，压力，差压等)判断调门线性区间是否合理正常。

AST电磁阀是汽轮机重要保护装置，其供电的稳定性、电磁阀的状态直接影响到机组的安全。

在AST电磁阀线圈电源加装电流检测器，实时监测电流，与电磁阀正常工作时标准电流值进行对比，当某一路电流消失或与标准电流值出现偏差，推送相应的电磁阀失电或偏差报警。

提取AST油压测点、ASP油压测点，通过油压变化与电磁阀动作的关联关系，分析电磁阀动作状况，推送异常报警.正常时ASP压力显示***压力的一半7MPa,当AST1、3动作时，ASP压力显示14MPA。当AST2、4动作时，ASP压力显示0MPA。当挂闸后，油压快速泄掉，电磁阀体内部节流存在堵塞现象。

在电磁阀线圈加装贴片式测温块，监视线圈表面温度，异常升高时报警。

综合电磁阀电流、线圈表面温度、相关油压测点，分析电磁阀线圈故障、泄漏等，分析电磁阀劣化特性，对电磁阀进行故障预警和寿命评估。

此外，本发明依据设备类别，可以进一步将诊断***划分为以下五个功能模块：(1)测点监测模块、(2)阀门监测模块、(3)调门伺服阀监视模块、(4)旁路阀监视模块、(5)AST电磁阀诊断模块。

各模块包含通用算法及综合模型算法，每个模块均根据状态监测技术、状态预测技术、设备状态评估及结果推送展示的技术路线进行诊断分析。

基于本发明上述提供的技术方案相较于现有技术具有以下优点：

1、采用热控状态检修平台对热控设备进行监测监控分析，可以有效掌握热工设备的健康状况，并对设备故障进行诊断和推送，做出正确的检修策略。三区办公网及手机网页版平台，使得专业人员能够第一时间发现设备异常，并及时做出反应。

2、通过技术管理手段，结合设备的诊断分析，统计分析、归档，使热控日常工作更规范、科学、便捷、精细。技术监督功能实现自动报表、统计，减少热控人员文字性工作量，提升劳动效率。

综上，热控状态检修平台通过对热控设备的监测、分析，对全厂各项生产工艺指标、流程状态，进行综合性诊断预警，不仅能及时发现设备异常，更可以为运行和检修人员提供控制状态信息及调整指导。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种热控设备智能诊断方法，其特征在于，包括：

获取待监测设备的状态信息，并基于所述状态信息提取特征信息；所述特征信息为用于反映待监测设备状态特征的信息；所述状态信息包括：调门指令、调门开度、电动门指令、电动门开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力和汽包压力；所述状态信息包括多个测点的状态信息；

根据所述状态信息和所述特征信息，采用分析诊断模型生成待监测设备的诊断结果；所述分析诊断模型为采用专家诊断算法基于监测设备的历史状态信息和历史特征信息建立的神经网络模型；所述诊断结果包括当前故障诊断结果和预测故障诊断结果。

2.根据权利要求1所述的热控设备智能诊断方法，其特征在于，所述根据所述状态信息和所述特征信息，采用分析诊断模型生成待监测设备的诊断结果，之前还包括：

对历史状态信息进行数据分析剔除无关滋扰报警信息或误报警信息；

根据工艺***相互关联关系建立故障模型；

根据所述故障模型设置限值条件；

依据所述限值条件确定边界条件；

基于所述边界条件和所述历史状态信息确定数据异常点；

采用灰色预测法基于所述数据异常点预测出故障类型和故障特性；所述历史状态信息、所述故障类型和所述故障特性均存储在专家诊断知识库中；

采用专家诊断知识库中存储的数据信息训练神经网络模型，得到所述分析诊断模型。

3.根据权利要求2所述的热控设备智能诊断方法，其特征在于，所述数据分析包括：预处理、关联性识别和噪声剔除。

4.根据权利要求1所述的热控设备智能诊断方法，其特征在于，还包括：

根据所述诊断结果生成检修决策。

5.一种热控设备智能诊断***，其特征在于，包括：

信息获取模块，用于获取待监测设备的状态信息，并基于所述状态信息提取特征信息；所述特征信息为用于反映待监测设备状态特征的信息；所述状态信息包括：调门指令、调门开度、电动门指令、电动门开度、开关到位信号、汽包水位、给水流量、主汽流量、主汽压力和汽包压力；所述状态信息包括多个测点的状态信息；

诊断模块，用于根据所述状态信息和所述特征信息，采用分析诊断模型生成待监测设备的诊断结果；所述分析诊断模型为采用专家诊断算法基于监测设备的历史状态信息和历史特征信息建立的神经网络模型；所述诊断结果包括当前故障诊断结果和预测故障诊断结果。

6.根据权利要求5所述的热控设备智能诊断方法，其特征在于，还包括：

剔除模块，用于对历史状态信息进行数据分析剔除无关滋扰报警信息或误报警信息；所述数据分析包括：预处理、关联性识别和噪声剔除；

模型建立模块，用于根据工艺***相互关联关系建立故障模型；

限值条件设置模块，用于根据所述故障模型设置限值条件；

边界条件确定模块，用于依据所述限值条件确定边界条件；

数据异常点确定模块，用于基于所述边界条件和所述历史状态信息确定数据异常点；

预测模块，用于采用灰色预测法基于所述数据异常点预测出故障类型和故障特性；所述历史状态信息、所述故障类型和所述故障特性均存储在专家诊断知识库中；

模型训练模块，用于采用专家诊断知识库中存储的数据信息训练神经网络模型，得到所述分析诊断模型。

7.根据权利要求1所述的热控设备智能诊断方法，其特征在于，还包括：

检修决策生成模块，用于根据所述诊断结果生成检修决策。

8.一种热控设备智能诊断***，其特征在于，包括：

测点监测模块，用于读取测点、监测测点变化情况以及提取测点信息，并用于结合分析诊断模型和大数据综合分析判断测点是否正常，示值是否正确，对故障信息进行报警等级分类和无效报警抑制，对数据进行筛选和清洗后，推送出异常故障信息；所述测点信息包括变化速率、信号突变、信号波动、工艺量程超限和同类不平衡信息；

阀门监测模块，用于根据设备测点分析信息、设备测点设定值、设备测点过程值、设备测点的工艺参数，以及设备测点间的关联关系，对阀门机构的性能状态进行实时的监测分析；所述阀门机构包括：电动门、气动门、液压门和执行机构；

调门伺服阀监视模块，用于采集DCS信号，根据相关联工艺参数，结合专家模型，分析汽机调门流量特性，对阀门调节状态进行诊断，分析判断伺服阀卡涩、漏流故障，并推送参数修改意见；所述相关联工艺参数包括：阀门指令、反馈信息以及蒸汽流量、调节级压力、负荷变化；

AST电磁阀诊断模块，用于基于电磁阀电流、线圈表面温度和油压测点，分析电磁阀线圈是否发生故障和泄漏，还用于分析电磁阀劣化特性，以对电磁阀进行故障预警和寿命评估。

Images