[摘要]  鍋爐故障預測是故障診斷的一部分，故障診斷的最終目的就是為了指導鍋爐運行和維修。因此，進行鍋爐故障預測，對提高鍋爐現(xiàn)代化運行水平和機組可用率具有重要意義。從鍋爐故障的可預測性、預測相關(guān)知識出發(fā)，進而分析常用的鍋爐故障預測方法。

[關(guān)鍵詞]  鍋爐故障 故障預測

一、鍋爐故障的可預測性

鍋爐是由汽水、燃燒及煙風等子系統(tǒng)組成的復雜多層次系統(tǒng)，而每個子系統(tǒng)又可以劃分為若干次級子系統(tǒng)和部件，各層次子系統(tǒng)是相互關(guān)聯(lián)的，只要某一個子系統(tǒng)出現(xiàn)異常或失效，就可能會使其它子系統(tǒng)產(chǎn)生功能異常或失效，甚至使整個機組處于故障狀態(tài)，并且從原發(fā)性故障到系統(tǒng)級故障的發(fā)生、發(fā)展是一個量變到質(zhì)變的過程。故鍋爐故障具有層次性、相關(guān)性、延時性的特點。

鍋爐故障一般具有一定的時延性，即從原發(fā)性故障到系統(tǒng)故障的發(fā)生、發(fā)展與形成，是一個漸變過程。以其高溫過熱器壁溫為例，其某一時刻的壁溫值，與其在過去時刻的壁溫值有一定的關(guān)系，使其壁溫序列間有一定的關(guān)聯(lián)性(確定性)，這種關(guān)聯(lián)性是鍋爐故障預測的基礎(chǔ)。另外，由于影響高溫過熱器壁溫的因素很多，如負荷、煙氣溫度、主蒸汽溫度等，它們之間相互關(guān)聯(lián)，且在鍋爐運行中還受一些不確定因素的影響，使其故障預測具有一定的隨機性，這種隨機性使壁溫序列間的關(guān)聯(lián)性減弱，這就決定了高溫過熱器壁溫值小能準確地預測，而只能從統(tǒng)計意義上做出最佳預測，使預測誤差滿足一定的精度要求。故障預測是故障診斷的一部分，故障診斷的最終目的就是為了指導運行和維修，因此，進行鍋爐故障預測，對提高鍋爐現(xiàn)代化運行水平和機組可用率具有重要意義。

二、鍋爐故障預測相關(guān)知識

人工智能故障診斷與預測技術(shù)是隨著現(xiàn)代化技術(shù)、經(jīng)濟高速發(fā)展而出現(xiàn)的一門新型技術(shù)，它能鑒別設(shè)備的狀態(tài)是否正常，發(fā)現(xiàn)和確定故障的部位和性質(zhì)并提出相應的對策，以提高設(shè)備運行的可靠性，延長其使用壽命，降低設(shè)備全壽命周期費用。且采用故障預測技術(shù)可以實現(xiàn)對故障的早期發(fā)現(xiàn)并預測其未來的發(fā)展趨勢，便于對火電機組及時調(diào)整以避免惡性事故的發(fā)生，使機組能安全可靠的運行，同時提高機組的經(jīng)濟性。

根據(jù)預測期限長短的不同可將故障預測分為：長期預測，為了制定鍋爐機組的長遠維修計劃和維修決策而進行的預測。時間一般為一個月以上。預測精度要求低;中期預測，對鍋爐機組在未來比較長的時間內(nèi)的狀態(tài)進行預測，為機組的中期維修計劃和維修決策服務。時間一般為一周左右。預測精度要求較低;短期預測，對鍋爐機組的近期發(fā)展情況進行預測。時間為一大左右。對預測精度要求高。對于中、長期預測，由于精度要求不高，可考慮采取簡單的預測模型，建立單變量時間序列模型進行預測。而對于短期預測，由于對精度要求較高，同時也由于各相關(guān)因素對當時的狀態(tài)值影響較大，因此在進行短期預測時，除了要考慮時間序列本身外，還應適當將其他相關(guān)因素考慮進去，這就需要建立多變量時間序列模型進行預測，以滿足短期預測對精度的要求。

三、常用的鍋爐故障預測方法

近年來不少研究者采用線性回歸分析法、時間序列分析法、灰色模型預測法、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等方法進行鍋爐設(shè)備故障診斷研究，以探索快速有效的故障診斷與預測方法。常用的預測方法有：

(一)線性回歸分析法

回歸分析是尋找?guī)讉€不完全確定的變量間的數(shù)學關(guān)系式之間進行統(tǒng)計推斷的一種方法。在這種關(guān)系式中最簡單的是線性回歸分析。

(二)時間序列分析法

時間序列是指按時間順序排列的一組數(shù)據(jù):時間序列分析法是指采用參數(shù)模。型對所觀測到的有序的隨機數(shù)據(jù)進行分析與處理的一種數(shù)據(jù)處理方法。時間序列。分析法主要參數(shù)模型有以下四種:①曲線擬合②指數(shù)平滑③季節(jié)模型④線性隨機模型。時間序列分析法主要適用于進行單因素預測，而對鍋爐故障預測這種既有確定性趨勢，又有一定的隨機性的多因素預測時，需要進行確定性趨勢的分離，計算比較復雜，同時還需對分離殘差的零均值及平穩(wěn)性進行假定，且其預測的精度不高。

應用灰色系統(tǒng)理論作故障預測主要有兩種方法，一是基于灰色系統(tǒng)動態(tài)方程GM(或DM)的灰色預測模型，二是基于殘差信息數(shù)據(jù)列的殘差辨識預測模型。其中,GM(1,1)預測模型即1階1個變量的微分方程描述的灰色模型比較常用。灰色預測的解從數(shù)學的角度看，相當于冪級數(shù)的疊加，它包含了一般線性回歸和冪級數(shù)回歸的內(nèi)容，故灰色預測模型優(yōu)于一般的線性回歸或指數(shù)曲線擬合，也好于確定性時間序列分析法。灰色預測模型不要很多的原始數(shù)據(jù)，短數(shù)據(jù)GM(1,1)模型有較高的預測精度，并具有計算簡單速度快的優(yōu)點。

(四)專家系統(tǒng)

專家系統(tǒng)能成功地解決某些專門領(lǐng)域的問題，也有很多優(yōu)點，但經(jīng)過多年的實踐表明，它離專家的水平總是相差一段距離，有時在某些問題上還不如一個初學者。分析其原因，主要有以下幾方面:知識獲取的“瓶頸”問題;模擬專家思維過程的單一推理機制的局限性;系統(tǒng)缺乏自學習能力。

(五)人工神經(jīng)網(wǎng)絡(luò)預測法

神經(jīng)網(wǎng)絡(luò)的故障診斷存在很多問題，它不能很好的利用領(lǐng)域?qū)＜曳e累的經(jīng)驗知識，只利用一些明確的故障診斷實例，而且需要一定數(shù)量的樣本學習，通過訓練最后得到的是一些闌值矩陣和權(quán)值矩陣，而不是像專家經(jīng)驗知識那樣的邏輯推理產(chǎn)生式，所以缺乏對診斷結(jié)果的解釋能力。目前應用神經(jīng)網(wǎng)絡(luò)進行故障預測的網(wǎng)絡(luò)訓練收斂速度慢，因此無法應用于實時診斷，只能處理歷史記錄數(shù)據(jù)。

(六)專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合

專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的相結(jié)合的方法是目前研究的熱點。由神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)構(gòu)成的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，它可以利用神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行分布處理和知識獲取自動化等特點，解決專家系統(tǒng)存在的知識獲取的“瓶頸”、推理能力弱、容錯能力差、處理大型問題較為困難等問題，實現(xiàn)并行聯(lián)想和自適應推理，提高系統(tǒng)的智能水平，使系統(tǒng)具有實時處理能力和較高的穩(wěn)定性。同傳統(tǒng)的專家系統(tǒng)相比，基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)具有以下幾種優(yōu)點:具有統(tǒng)一的內(nèi)部知識表示形式，任何知識規(guī)則都可通過對范例的學習存儲于同一個神經(jīng)網(wǎng)絡(luò)的各連接權(quán)中，便于知識庫的組織和管理，通用性強;知識容量大，可把大量知識存儲于一個相對小得多的神經(jīng)網(wǎng)絡(luò)中;便于知識的自動獲取，能夠自適應環(huán)境的變化;推理過程為并行的數(shù)值計算過程，避免了推理速度慢效率低等問題;推理速度快;具有聯(lián)想、記憶、類比等形象思維能力，可工作于所學習過的知識以外的范圍;實現(xiàn)了知識表示、存儲和推理三者融為一體，即都由一個神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。

參考文獻：

[1]蔣宗禮，《人工神經(jīng)網(wǎng)絡(luò)導論》高等教育出版社，2001。

[2]蔣東翔等，《大型汽輪發(fā)電機組混合智能診斷方法的研究》，清華大學學報，1999，第三期。

[3]黃文虎等，《故障診斷技術(shù)的現(xiàn)狀與展望及其在大型汽輪發(fā)電機組中的應用》，汽輪機技術(shù)，1999年第一期。