锅炉故障预测分析论文

[摘要]  锅炉故障预测是故障诊断的一部分，故障诊断的最终目的就是为了指导锅炉运行和维修。因此，进行锅炉故障预测，对提高锅炉现代化运行水平和机组可用率具有重要意义。从锅炉故障的可预测性、预测相关知识出发，进而分析常用的锅炉故障预测方法。

[关键词]  锅炉故障 故障预测

一、锅炉故障的可预测性

锅炉是由汽水、燃烧及烟风等子系统组成的复杂多层次系统，而每个子系统又可以划分为若干次级子系统和部件，各层次子系统是相互关联的，只要某一个子系统出现异常或失效，就可能会使其它子系统产生功能异常或失效，甚至使整个机组处于故障状态，并且从原发性故障到系统级故障的发生、发展是一个量变到质变的过程。故锅炉故障具有层次性、相关性、延时性的特点。

锅炉故障一般具有一定的时延性，即从原发性故障到系统故障的发生、发展与形成，是一个渐变过程。以其高温过热器壁温为例，其某一时刻的壁温值，与其在过去时刻的壁温值有一定的关系，使其壁温序列间有一定的关联性(确定性)，这种关联性是锅炉故障预测的基础。另外，由于影响高温过热器壁温的因素很多，如负荷、烟气温度、主蒸汽温度等，它们之间相互关联，且在锅炉运行中还受一些不确定因素的影响，使其故障预测具有一定的随机性，这种随机性使壁温序列间的关联性减弱，这就决定了高温过热器壁温值小能准确地预测，而只能从统计意义上做出最佳预测，使预测误差满足一定的精度要求。故障预测是故障诊断的一部分，故障诊断的最终目的就是为了指导运行和维修，因此，进行锅炉故障预测，对提高锅炉现代化运行水平和机组可用率具有重要意义。

二、锅炉故障预测相关知识

人工智能故障诊断与预测技术是随着现代化技术、经济高速发展而出现的一门新型技术，它能鉴别设备的状态是否正常，发现和确定故障的部位和性质并提出相应的对策，以提高设备运行的可靠性，延长其使用寿命，降低设备全寿命周期费用。且采用故障预测技术可以实现对故障的早期发现并预测其未来的发展趋势，便于对火电机组及时调整以避免恶性事故的发生，使机组能安全可靠的运行，同时提高机组的经济性。

根据预测期限长短的不同可将故障预测分为：长期预测，为了制定锅炉机组的长远维修计划和维修决策而进行的预测。时间一般为一个月以上。预测精度要求低;中期预测，对锅炉机组在未来比较长的时间内的状态进行预测，为机组的中期维修计划和维修决策服务。时间一般为一周左右。预测精度要求较低;短期预测，对锅炉机组的近期发展情况进行预测。时间为一大左右。对预测精度要求高。对于中、长期预测，由于精度要求不高，可考虑采取简单的预测模型，建立单变量时间序列模型进行预测。而对于短期预测，由于对精度要求较高，同时也由于各相关因素对当时的状态值影响较大，因此在进行短期预测时，除了要考虑时间序列本身外，还应适当将其他相关因素考虑进去，这就需要建立多变量时间序列模型进行预测，以满足短期预测对精度的要求。

三、常用的锅炉故障预测方法

近年来不少研究者采用线性回归分析法、时间序列分析法、灰色模型预测法、专家系统、人工神经网络等方法进行锅炉设备故障诊断研究，以探索快速有效的故障诊断与预测方法。常用的预测方法有：

(一)线性回归分析法

回归分析是寻找几个不完全确定的变量间的数学关系式之间进行统计推断的一种方法。在这种关系式中最简单的是线性回归分析。

(二)时间序列分析法

时间序列是指按时间顺序排列的一组数据:时间序列分析法是指采用参数模。型对所观测到的有序的随机数据进行分析与处理的一种数据处理方法。时间序列。分析法主要参数模型有以下四种:①曲线拟合②指数平滑③季节模型④线性随机模型。时间序列分析法主要适用于进行单因素预测，而对锅炉故障预测这种既有确定性趋势，又有一定的随机性的多因素预测时，需要进行确定性趋势的分离，计算比较复杂，同时还需对分离残差的零均值及平稳性进行假定，且其预测的精度不高。

应用灰色系统理论作故障预测主要有两种方法，一是基于灰色系统动态方程GM(或DM)的灰色预测模型，二是基于残差信息数据列的残差辨识预测模型。其中,GM(1,1)预测模型即1阶1个变量的微分方程描述的灰色模型比较常用。灰色预测的解从数学的角度看，相当于幂级数的叠加，它包含了一般线性回归和幂级数回归的内容，故灰色预测模型优于一般的线性回归或指数曲线拟合，也好于确定性时间序列分析法。灰色预测模型不要很多的原始数据，短数据GM(1,1)模型有较高的预测精度，并具有计算简单速度快的优点。

(四)专家系统

专家系统能成功地解决某些专门领域的问题，也有很多优点，但经过多年的实践表明，它离专家的水平总是相差一段距离，有时在某些问题上还不如一个初学者。分析其原因，主要有以下几方面:知识获取的“瓶颈”问题;模拟专家思维过程的单一推理机制的局限性;系统缺乏自学习能力。

(五)人工神经网络预测法

神经网络的故障诊断存在很多问题，它不能很好的利用领域专家积累的经验知识，只利用一些明确的故障诊断实例，而且需要一定数量的样本学习，通过训练最后得到的是一些阑值矩阵和权值矩阵，而不是像专家经验知识那样的逻辑推理产生式，所以缺乏对诊断结果的解释能力。目前应用神经网络进行故障预测的网络训练收敛速度慢，因此无法应用于实时诊断，只能处理历史记录数据。

(六)专家系统和人工神经网络相结合

专家系统和人工神经网络的相结合的方法是目前研究的热点。由神经网络与专家系统构成的神经网络专家系统，它可以利用神经网络的大规模并行分布处理和知识获取自动化等特点，解决专家系统存在的知识获取的“瓶颈”、推理能力弱、容错能力差、处理大型问题较为困难等问题，实现并行联想和自适应推理，提高系统的智能水平，使系统具有实时处理能力和较高的稳定性。同传统的专家系统相比，基于神经网络的专家系统具有以下几种优点:具有统一的内部知识表示形式，任何知识规则都可通过对范例的学习存储于同一个神经网络的各连接权中，便于知识库的组织和管理，通用性强;知识容量大，可把大量知识存储于一个相对小得多的神经网络中;便于知识的自动获取，能够自适应环境的变化;推理过程为并行的数值计算过程，避免了推理速度慢效率低等问题;推理速度快;具有联想、记忆、类比等形象思维能力，可工作于所学习过的知识以外的范围;实现了知识表示、存储和推理三者融为一体，即都由一个神经网络来实现。

参考文献：

[1]蒋宗礼，《人工神经网络导论》高等教育出版社，2001。

[2]蒋东翔等，《大型汽轮发电机组混合智能诊断方法的研究》，清华大学学报，1999，第三期。

[3]黄文虎等，《故障诊断技术的现状与展望及其在大型汽轮发电机组中的应用》，汽轮机技术，1999年第一期。