基于PCA-KNN的给水泵振动预警方法研究

2022-03-21谢昌亚刘双白王文岁

化工机械 2022年1期

吴昕陈侃谢昌亚刘双白梅隆王文岁

（1.国网冀北电力有限公司电力科学研究院（华北电力科学研究院有限责任公司）；2.北京京能未来燃气热电有限公司；3.陕西德源府谷能源有限公司）

给水泵作为火电机组重要的辅机设备，其工作状态直接决定机组的安全稳定运行。对于设计多台给水泵的机组，单台给水泵故障跳闸将触发机组RB （快速减负荷），直接影响机组带负荷能力；采用100%容量汽动给水泵机组，给水泵跳闸将直接导致机组非停。振动是评价给水泵运行状况的重要指标，也是设备运行状态的重要监视参数，如何准确、高效地实现给水泵振动参数预警，对维持机组安全稳定运行具有现实的工程意义［1～3］。

目前，采用基于数据分析的设备状态监测和预警方法主要有主成分分析、核主成分分析、K近邻算法、相似性建模、神经网络及支持向量机等。张金萍和白广彬基于主成分分析方法成功约简高维故障样本特征［4］；付文龙等提出了一种模糊K近邻支持向量数据描述方法，并将模型用于某水电厂机组振动故障诊断，取得了较高的诊断精度［5］；黄葆华等结合了相似性建模与模糊概率有向图方法的优点，提出了一种设备故障监测诊断方法，并成功应用在某600 MW机组高压加热器故障预警中［6］；韩平等基于最小二乘支持向量机研究分析了一次风机的振动状态估计和故障预警，其研究结果表明，该方法有较高的估计精度，能够及时辨别一次风机在运行中的振动异常［7］。

笔者结合了主成分分析和K邻近算法的优点，基于某燃气-蒸汽联合循环机组高压给水泵，研究论证了一种准确、高效的给水泵振动预警方法。

1 主成分分析

随着传感器技术的发展，辅机设备的监视参数逐步完善，数据直接上传至DCS （分散控制系统）供工作人员监视设备运行状态。对于给水泵、引风机及磨煤机等重要辅机设备，其相关运行参数众多，在非物理建模和无先验经验的条件下，若直接采用全部相关参数进行设备的状态预测，将会产生较大的计算量。考虑到电站设备运行期间，监测参数存在高共线性情况，因而可采用主成分分析，将高维数据降维处理后，再进行数据分析。

PCA是一种经典的特征提取方法［8］，该方法将一系列可能相关联的高维变量减少为一系列低维度线性不相关合成变量，同时，这些低维度数据将会尽可能多地保存原始数据的方差。经过降维的特征向量排除原始各向量间的共线性对预测算法精度的影响，同时也改善在数据样本较少但数据维度很高情况下的算法精度［9］。 PCA降维的主要步骤如下［10］：

a. 计算样本数据集X中样本的均值向量μ，

2 K近邻算法

KNN是一种惰性学习模型，会对训练数据集进行少量的处理或者完全不处理。 KNN也是一种非参数模型，几乎可以进行即刻预测，但是需要付出大量的计算代价。当具备庞大训练数据集，同时对响应变量和解释变量的关系所知甚少时，采用KNN模型将会非常有效。 KNN模型只基于一个假设，即互相接近的实例拥有类似的相应变量值。

KNN算法步骤如下：

a. 构建训练样本集T；

b. 设定近邻样本参数k的初始值；

d. 采用上述欧式距离计算方法，寻找与待测样本x距离最近的k个样本集，V={x1，x2，…，xk}；

e. 基于上述得到的近邻样本，采用某种投票机制进行待测样本的预测。

3 PCA-KNN仿真实例

3.1 数据采集

笔者以某燃气-蒸汽联合循环机组高压给水泵为研究对象，选取与该高压给水泵运行状态相关的30个特征参数（汽机负荷、给水泵转速、给水流量、泵出口压力、电机电流及液偶执行机构位置反馈等），拟对该给水泵非驱动端x方向、y方向振动参数和驱动端x方向、y方向振动参数进行预测，部分参数列于表1。

表1 高压给水泵运行状态部分特征参数

选取给水泵7日内的特征参数，每隔1 s记录一次。采用越限判断等手段对原始数据进行清洗，刨除给水泵启停期间运行参数后，每隔60 s提取一组特征参数，最终得到7 459组有效数据。

3.2 KNN算法仿真

对上述30个给水泵运行特征进行归一化处理，直接采用KNN算法预测振动参数，通过计算均方误差衡量该模型的预测性能。设计训练数据集为75%，测试数据集为25%，采用10次随机训练计算均方误差均值，寻找最佳邻近样本参数k。图1为均方误差随k值的变化趋势图。从图1可知，随着k值的增大，训练样本的均方误差逐步增大，基于该数据，笔者选择k值为3。

图1 均方误差随k值的变化趋势

选取末1/5样本测试，进行4组振动参数的预测。由于4组振动参数偏差规律基本一致，仅选取给水泵非驱动端x方向振动实测值与预测值进行比对，KNN算法仿真结果如图2所示。由图2可以看出，预测值与实际值吻合很好，尤其在变工况时，预测值也能迅速跟上实际参数的变化；存在一处数据点相对偏差达到9%，筛查发现该处为全局数据极小值，其预测绝对误差仅为1.8 μm，后续可通过增大数据训练集样本，提高精度；预测主要偏差保持在1%以内，偏差高于1%的数据点主要集中在非均匀变工况过程，由于算法采用归一化的数据格式，各参数对振动的影响为同一权重，当出现运行工况陡增和突降时，由于各特征参数表现为非均匀变化趋势且同一参数变化趋势与变工况前状态息息相关。因此，极有可能产生较大的偏差。

图2 KNN 算法仿真结果

由此可以看出，直接采用KNN算法，可以有效预测给水泵的振动参数，并且能够完美捕捉变工况参数状态，具有极高的预测精度，可用于工程实际。

3.3 PCA-KNN算法仿真

PCA-KNN算法主要是通过PCA进行降维处理，弱化低贡献率的特征参数，构造出新的表征设备状态的特征矩阵，随后再利用KNN高效准确的回归优势进行参数预测。

与KNN选取最佳k值类似，在数据降维处理中，基于均方误差衡量计算，选取最佳特征数量。通过仿真计算得到最优特征数量为6，总体特征数据贡献率达到了99%，这说明通过坐标变换，仅仅需要6个特征参数便能表征设备状态。采用新的特征矩阵进行KNN算法回归，同样选取总数据末1/5样本进行仿真，PCA-KNN算法仿真结果如图3所示。从图3可以看出，相比于KNN算法，该算法存在少量的高偏差数据，相对偏差达到46%，其余偏差略微增。此外，该算法同样可以精准地预测给水泵振动。

图3 PCA-KNN算法仿真结果

给水泵4 组振动参数的全部仿真结果如图4 所示。由图4 可以看出，除了两处大偏差数据点外，在给水泵变工况过程和稳定工况期间，振动预测值均能与振动实际值相吻合，尤其在驱动端x 方向和y 方向的预测中，预测值也完整、精确地捕捉到了后期两个方向振动的波动，这也说明了该算法具有较高的精度。

图4 全部仿真结果

表2为样本的偏差特征统计数据（全部样本有1 492个），可以看出：在PCA-KNN仿真中，总体预测结果较为满意。对于个别高偏差预测值，可通过增加涵盖范围更广的训练样本来提高近邻选取精度，并且在实际预警过程中，采用延迟方法、多参数对比等手段消除可能存在的高偏差结果对设备预警结果的影响。除此之外，相比于KNN算法，采用PCA-KNN算法进行给水泵振动参数的预测，其计算速度将提升70%，这将对具有更多特征参数的热力设备和全电站重要设备的运行预测具有积极作用。综上所述，该算法能够准确、高效地实现给水泵振动预警，可满足实际工程需要。

表2 偏差样本统计

3.4 振动异常预警

笔者采用PCA-KNN进行振动异常预警包括振动参数预警和振动劣化预警两个方面。

由于电站辅机设备众多，工作人员未能详尽掌握各设备的参数变化，尤其对于小量级参数（如在某一工况时，给水泵振动参数由30 μm变化至35 μm）更不易察觉，但往往这种细微的变化就是设备劣化的征兆，因此进行振动参数的预警，可以在振动参数实际值与预测值出现较大偏差时，给予报警提示。通过实时在线计算给水泵振动参数实际值与预测值的偏差，当偏差越过预设阈值后，将触发报警。图5展示了某次振动参数的报警情况，在报警点前振动参数偏差不断升高，直到报警点处，参数越过阈值，提醒工作人员关注设备的运行状态。

图5 振动参数预警

电站设备往往存在长期劣化过程，相比定时检修，基于设备运行状态而采取的状态检修显然更为合理。振动劣化预警是考虑设备已经出现振动参数报警，但距离逻辑设计的报警值或跳机值余量较大，检查后仍可继续运行的情况下，对设备振动进行的劣化分析。劣化预警是基于参数预警中的振动参数偏差，选取数个典型工况进行的回归和预测，如图6所示。图6中选取了3个典型转速工况，基于半年工况中的各月均偏差，采用最小二乘法，进行未来半年的振动劣化预测。通过每月劣化数据的更新，掌握设备的劣化规律和趋势，为后续安排设备检修计划提供数据支撑。振动劣化预警与振动参数预警相结合，更加符合电站实际运行需求，具有工程实际意义。