1 引言

1.1工业互联网智慧电站的概念

工业互联网智慧电站是以数字化、信息化为基础，融合了传感器测量、信息通讯、自动控制、云计算、人工工业互联网、大数据、三维视觉化等先进信息通讯技术，并与发电生产流程、电站管理的产业化技术以及电站基础设施高度结合的产物。其宗旨是达到从本质上提升电站安全防范水平；实现更规范的运营管理；实现更高设备可靠性；降低能源消耗和排放；降低企业运营成本，从而实现安全、经济、环保的新型现代化发电企业的要求。电站工业互联网理论和实践的进步是一个“在曲折中前进”的过程。许多国内外各领域的技术精英都在这一领域刻苦专研，不断探寻电站在工业互联网上的技术革新和发展之路。

1.2工业互联网的智慧电站演进路线

在探索工业互联网智慧化电站的过程中，主设备控制的技术手段以及设备的运维管理发生了如下变化。

阶段一：突出特点是电站设备控制数字化。电站基于计算机、网络和通信技术，对设备的管理工作和各种信号进行量化，对电站主要设备进行全生命周期管理，以此进行分析、控制和决定，该阶段主设备处于定期检修。

阶段二：显著特征是大数据在电站日常运维中开始应用。工业互联网电站整合物资供应、设备监控、运营维护、安全管理的全过程，通过对大量生产数据的处理，为运维人员提供分析、控制和决定依据，该阶段主设备处于定期检修。

阶段三：其特征是电站高度智能化，发电站以互联网+大数据等工业互联网技术为基础，对设备运行进行实时监控，对设备生命周期进行定量分析，由运营者实时分析，能够进行控制和决定，该阶段主设备处于状态检修。

2 工业互联网智能诊断系统的意义与现状

2.1设备工业互联网智能诊断系统的意义

随着互联网技术的飞速发展和5G时代的到来，通讯技术和数字传输技术逐渐融合到发电行业的各个层面，形成了自动控制、传感通讯及互联网的现代技术高度集成设备，使得工业互联网电站的安全、高效、环保等目的得以实现，实现了工业互联网电站的高效运营。当下“安全、经济、效率、环保”是现代电站建设的重要条件。

在工业互联网电站项目的整体布局中，电站早期设备已完成了数据的采集、分析、处理和诊断，所有数据都通过云环境传送到“集成控制中心”，通过大数据技术处理分析异常故障趋势，这样可以提前预测故障潜在的危险，确定主设备的健康状态，优化延长检修周期、降低成本。对于发电企业来说，工业互联网电站的智能诊断系统有效地实现了主设备“海量”运行数据的自动采集和分析。这不仅适应“互联网+”的发展需求，也是电力产业完成稳定有效积累的第一阶段，在很大程度上促进电力工业的智能化发展。

2.2工业互联网智能诊断的现状

20世纪90年代初，随着互联网技术的应用与发展，国内部分大专院校和科研机构开始探索了电站行业通过网络技术实现远程诊断，并应用于火力发电厂的汽轮发电机组等大型设备上。随后由于这些研究内容无法达到预想的诊断效果而被淘汰。主要是为了主设备安全运行，电站对其设备故障诊断结果有着严格的要求，不仅要实现故障定位，还要进一步提高其准确性和快速性。

故障研究是设备诊断技术的重要组成部分，让设备运行维护人员了解故障原因和所发故障的特征，也有助于在检修时消除故障。此方面国内做了大量基础性工作，很多高等院校都开设了这一领域的教学课程，并为该领域培养高精尖人才。但客观上，前期故障诊断系统研究脱离了设备制造企业，对故障的诊断仅停留于理论层面，因此导致了最初在这一领域没有明显突破性的进展。

当下，随着《中国制造2025能源装备实施方案》的提出，国内各大发电设备制造集团如哈电、上电以及东电加快了电站主机设备的智慧化研发，并与高校强强联合、各取所长，集合主机设备在生产、安装及运维中的实际，顺应“互联网+”发展的需求，正探索一条新的“智慧电站之路”。

3 工业互联网智能诊断系统的可行性分析

为完成工业互联网智能诊断系统之的顺利研发和应用，首先要完善如下三个前提条件。首先要有完整的状态数据；其次要有对故障先进的特征提取技术；第三要具备有经验的专家队伍。

3.1完备的设备状态数据

“数字技术应用”是工业互联网智慧电站成功发展的基础。与以往设备相比，工业互联网在电站的出现和应用，使得电站实时设备的动态捕捉和运行数据获取方面能力明显提升。现阶段大部分电站具备DCS+SIS+MIS的火电站厂级运行监控及生产管理系统和TDM系统，合理匹配和利用这两个系统，使得发电厂设备数据监测稳定性更加提高；当下随着信息技术的发展，一次测量、二次测量以及VR/3D技术的应用，逐步实现了智能监测，并将原TDM和DCS+SIS+MIS系统融合并取代。

智能监测是通过传感测量、计算机和网络通信技术，实现对电站生产全过程和经营管理各环节的监测与多种模式信息感知，实现电站全寿命周期的信息采集与存储，从空间和时间两个维度，为计算电厂主机设备能效、实施故障诊断以及制定优化运行策略提供必要数据支持。因此，完整的设备状态数据将为电站实现互联网智能诊断的分析、运营和决策提供良好的基础。

3.2先进的特征提取技术

专家抵达现场的首要任务是核对现有的设备工业互联网测试数据，整理其中存在的故障问题，并通过个人的专业知识提取故障的典型特征。因此，在电站工业互联网智能诊断系统中，先进的特征提取技术决定了系统的决策和诊断能力。例如，某电站的600MW超临界汽轮机通流改造后，推力瓦温高。引起这种现象的原因有很多种，主要有：

①改造后通流结构设计，导致推力偏大；②推力轴瓦块安装错误；③润滑油系统不够清洁。原因1的发生，与机组的负荷无关，机组各工况都应保持较高瓦温，而实际运行是瓦温随负荷增加而升高。原因3的产生，通过了解现场启机前滤油时间和油质记录，并核实现场油质记录合格。通过排除法，锁定了导致瓦温升高系轴瓦安装引起。通过上述先进特征的提取，运维系统自己学习记录下来，为现场检修排出困难提供便利条件。

3.3有经验的专家队伍

专家系统的操作模式是将专家的思维判断模式完全在计算机上模拟出来，这与人工工业互联网不同，该系统主要适用于电站工业互联网设备的故障诊断，自专家系统的“名称”问世以来，已在社会各方面得到广泛应用。首先是医学诊断系统，专家系统的主要条件是数据知识库，数据知识库建设的质量取决于专业技术人员经验和对系统的构建是否完善。

当下，由于互联网技术的发展，特别是5G技术应用后，专家系统在电站的应用范围也将逐渐扩大，这促进了电站故障诊断系统的发展，专业技术人员经常处理各种故障案例积累丰富经验，为专家系统的建设提供了必要的“专业技术”支持。各大主设备制造企业研发部门、大电力集团技术中心以及电力科技研究院需成立专门机构进行研究。在开发工业互联网电站智能诊断系统时，要高度重视系统的自学习能力，这对系统性能提出了更高的要求，使其具有较好的兼容性和地域分割性。因此制造企业、各大电力集团技术中心和电科院相关专家要有针对性的不断维护“专家知识库”，不断提升专家系统的专业水平和分析决策能力。

4 工业互联网智能诊断系统的实现框架

4.1系统的功能及特点

数据采集：这个阶段主要包括两个方面工作内容。一个是收集主设备运行参数；另一个是收集主设备振动数据，从数据来源来看，前者主要来自DCK，后者来自TDM。上述运行数据采集，通过传感器或测量仪器传输给数据处理系统，被称为“一次测量”。

“二次测量技术”又被称为智能软测量，主要在燃煤智能发电领域应用并有长足的发展。软测量技术也称为软仪表技术。简而言之，软测量技术就是依据易测过程变量与难以直接测量的待测过程变量（主导变量）之间的数学关系，通过各种计算和推理手段，从而实现对待测过程变量的测量。这类方法主要通过对过程对象的机理分析，找出不可测主导变量与可测辅助变量之间的关系，从而实现某一参数的软测量。通常用于化学反应动力学、物料平衡、能量平衡等方面。

例如入炉煤发热量、入炉煤元素成分、磨煤机一次风量、风粉浓度、磨煤机负荷、磨煤机料位、SCR反应器入口NOx浓度、飞灰含碳量、汽轮机各抽排汽焓等都应用软测量技术。

信号处理：发电设备工业大数据应用技术平台的数据源分为设备的实时数据及历史遗留数据，工业大数据技术平台能够同时处理上述两种数据源场景，从数据接入层接收设备采集数据后，具备实时处理数据的能力，这依赖于平台的实时处理框架，可以支撑设备的实时状态监控、数据的实时分析等场景；此过程需要借助数据信号处理模块，此模块主要是通过傅里叶变换、小波分析、经验模态分解、各种滤波手段等方法，实现原始信号的预处理、去噪声、时频域转换等功能。

特征提取：综合运用多种特征提取方法，提取设备运行的时间区域和频率区域数据。对于设备自身故障的诊断，充分挖掘设备的历史信息，以在线测点数据、离线测量数据和设备离线试验数据为基础，通过数据处理和数据挖掘技术提取设备的状态特征，深入挖掘设备的状态信息。

4.2智能诊断的特征提取

提取故障特征要有三个方面：一是信号特征提取方法，包括时间频率综合分析等；二是相变分析，主要用于振动信号和过程参数之间的相关性分析，准确掌握故障所在位置；三是波形匹配，用于故障波形识别，用计算机系统替代电站运维人员或专家才能完成的工作。

通过状态值分析、趋势分析、混合模型分析、智能分析以及专家支持等方式，通过关注机组的早期故障征兆，识别故障发展趋势，将异常发现特征与能效故障知识库对应的故障模式相匹配，结合知识图谱分析，对机组设备故障进行自动化诊断，给出故障模式、故障原因、故障位置及故障的建议性处理措施，结合机组能效状态评价形成一份详尽的故障诊断报告，为实际检修提供支撑。

4.3设备智能诊断的推理

近几年来，电站智能故障诊断系统的主要研究方向是转动机械故障的诊断分析和推理，研究的基本方法是弄清发电设备状态多数值模式的识别，系统部分不需要特别准确的数学模型，就能够具备计算分析能力。

部分研究人员从模糊逻辑、贝鲁斯、马尔科夫链等多个方向提出了理论成果，以上这些诊断方法和分析手段已经具备了较强的数据分析、故障诊断、运行状态预测和分析处理能力，但在构建过程中，需要对各个“计算设备”的经验参数进行设定和测试，需要选择专业知识强的人，确保工作要顺利进行。故障诊断知识库主要包括模块结构、常见故障信息、故障特征以及故障-征兆关系等；专家知识库采用产生式规则来表达故障-征兆关系。

诊断知识的来源以机理和经验为主，自学习为辅，可以来源于机理研究、模块运行手册、模块图、模块逻辑图、设计事故与假想事故分析、运行规程与运行经验等。基于以可靠性为中心的维修（RCM）的模块方法，通过对模块功能、故障模式、故障原因、故障影响、故障后果、主动故障预防、被动故障预防等7个问题的分析，获得详细的故障信息，用于构建知识库。设备的智能诊断包括对可调整的运行指标的优化诊断和机组设备自身功能故障的诊断。

根据机组运行能效分析与评价结果，结合优化调整知识，给出优化调整建议。对于不可控能耗损失，则需要结合能效故障知识库，根据参数征兆及变化趋势，定位引起机组能效水平异常的设备，分析发生故障的可能原因、故障产生的影响以及故障的可能处理措施。一次诊断引发能耗水平偏高的原因，给出相应的建议与处理措施，实现设备能效的在线诊断。

5 结论

如上所述，在未来工业互联网智慧电站的发展方向中，研发主机设备互联网智能诊断技术是重中之重，前提是要做好主要设备数字化和设备状态数据监测的基础性工作，为电站实现互联网智能化建设打下坚实基础。在当下的大数据时代，计算机信息处理技术蓬勃发展。随着5G技术的应用与普及，发电行业的互联网智能诊断系统并非是遥不可及的。

本文刊发于《电站系统工程》2021 年 5 月  原标题:浅析基于工业互联网的电站智能诊断系统 作者：管伟诗 李健隽

本文来源于网络，本着学习交流的目的进行转载，已标注原始作者和出处，如存在异议，请联系editor@xingongye.cn。如您对内容有疑问，请告之，以便我们及时处理。