油田注汽锅炉过热爆管故障智能诊断方法

张莉莉，陈保东，晏永飞，罗 凯，孙宪航

(辽宁石油化工大学，辽宁 抚顺 113001)

0 前言

油田注汽锅炉是稠油开发的重要设备，它产生蒸汽干度为80%的高温高压的湿饱和蒸汽，注入油层中，对油层中的原油进行加热，降低稠油的粘度，增加原油的流动性和渗透性，大幅提高原油采收率［1］。注汽锅炉的正常稳定地运行是提高稠油采收率、降低安全事故发生率和减少经济损失的重要保证。因此对注汽锅炉运行中出现的故障进行快速、准确地判断是十分必要的。蒸汽干度是油田注汽锅炉安全运行的重要参数，也是影响稠油热采效果的重要指标。蒸汽干度过高，会使锅炉过热而产生爆管现象。

随着现代传感技术的发展，高性能的采集器的不断出现以及计算机技术的发展，信号处理技术和故障诊断技术的不断完善，此外，计算机应用和人工智能技术获得重大发展，锅炉故障诊断趋向智能化发展。为了更好地对注汽锅炉进行故障诊断，近十年来，王希光［2］、阮曙东［3］、李玉荣［4］、马华杰［5］、石宁［6］等从故障树理论、模糊专家系统、神经网络、证据论信息融合等方面对锅炉的故障诊断进行了研究。

因此，本文从蒸汽干度测量仪测得的蒸汽干度信号出发，在利用小波变换提取蒸汽干度的特征的基础上，将人工智能理论和技术与故障诊断的理论和技术有机结合起来，可以有效地对注汽锅炉的运行工况进行状态检测和故障诊断。本文首先介绍了基于神经网络和专家系统集成的注汽锅炉故障诊断系统，接着阐述了神经网络的学习算法和诊断策略，最后实验仿真结果证明了该故障诊断系统的准确性和可靠性。

1 注汽锅炉故障诊断系统结构［7］

油田注汽锅炉的智能故障诊断系统结构如图1所示。利用神经网络系统的学习功能、联想记忆功能、分布式处理信息功能可以很好地解决专家系统中的知识表示、获取和并行推理等问题。根据专家对学习示例的分析，确定训练样本，对神经网络进行训练，将训练后的神经网络作为专家系统的知识库，在此基础上建立故障诊断神经网络专家系统。

图1 故障诊断系统结构

基于神经网络和专家系统集成的故障诊断技术，将神经网络的联想记忆功能、自学习功能等“低层智能”与专家系统的推理逻辑为主的“高层智能”，有机结合，可以做到优势互补，确保故障诊断的准确性和可靠性。

2 故障诊断专家系统的原理与诊断策略

2.1 知识库的建立

神经网络专家系统(NNES)设计的重点是其知识库，知识库的设计是建立专家系统最重要和最艰巨的任务。

2.1.1 人工神经网络模型及其学习算法［8］

神经网络是用大量神经元的互连及对各连接权值的分布来表示特定的概念或知识。在进行知识获取时，它要求领域专家提供实例及相应的解，通过特定的学习算法对样本进行学习，通过网络内部的自适应算法不断修改权值分布以达到要求，把领域专家求解实际问题的启发式知识经验分布到网络的互连和权值分布上。

径向基函数神经网络(RBFNN)是具有单隐层的三层前馈网络，它可以以任意精度逼近任一连续函数。RBF神经网络克服了BP神经网络的缺陷，在逼近能力、分类能力和学习速度等方面均优于BP神经网络。

图2 RBF神经网络的模型

学习算法，隐层节点数的确定，输入，输出径向基函数神经网络(RBFNN)的构成包括3层:输入层、隐层和输出层。输入层是蒸汽干度的特征参数，输出层是目标参数(即故障类型)，隐层节点数的确定方法很多，在文章中采用的是其中，L为隐层节点数，N为输入层节点数，M为输出层节点数，a为［1，10］之间的常数。输入层节点传递输入信号到隐层，隐层节点由高斯核函数(径向基)描述，而输出层节点通常由简单的线性函数刻画。

在学习过程中，设有p组输入/输出样本xp/dp，yp是在xp输入下网络的输出，定义目标函数

学习的目的是使J≤ε，其中ε为给定误差隐层第i个结点的输出为

其中，‖X－ci‖为欧式范数，X为输入样本，ci为RBFNN隐结点的中心，利用梯度下降法迭代求得，σ2为标准参数。

输出层第k个结点的输出为

其中，θk为输出层的阈值，ωik为隐层和输出层的连接权系数，学习算法为

2.1.2 小波变换［9］

小波变换就像一台可变焦的数学显微镜，改变各种焦距来探测被处理信号中所隐含的奇异点并识别出它的性质，从而有效探测并诊断出设备中的故障。根据小波变换的要求，小波函数必须满足“容许条件”，我们取平滑函数θ(t)的导数作小波函数，并对其进行二进离散，二进小波变换是信号的一种超完备的、冗余的表达。则取小波函数为

对干度信号f(t)的小波变换为

对小波变换后的蒸汽干度信号进行特征提取，以其信号的Lipschitz α，最大振幅，平均振幅，主频，振幅谱能量，瞬时频率，瞬时相位，自相关最大值等作为其特征参数。将其特征参数作为神经网络的输入。

2.2 诊断步骤

为了确保诊断系统的效率和可靠性，故障诊断采用神经网络和专家系统相结合的方法。神经网络提高了故障诊断的效率，专家系统保证了故障诊断的可靠性。故障诊断系统的诊断步骤如下:

(1)用所得样本对神经网络进行训练，初步完成故障诊断系统;

(2)对现场检测到的蒸汽干度进行小波变换提取故障特征，将获取数据作为输入层输入诊断系统;

(3)用诊断系统对故障进行诊断;

(4)若结果正确，则将结果输出给用户，否则转(5);

(5)调用系统深层知识库对故障进行分析，得出诊断结果;

(6)将诊断结果输出给用户，并对神经网络进行训练，更新神经网络。

3 故障诊断仿真

3.1 神经网络的训练

结合现场调研，注汽锅炉运行中影响蒸汽干度变化的主要因素是蒸汽压力、给水流量、燃料量和V锥压差，将其作为神经网络的输出。用小波变换提取蒸汽干度的特征参数如Lipschitz α、最大振幅、平均振幅、主频、振幅谱能量、瞬时频率、瞬时相位、自相关最大值，将提取到的各故障参数进行模糊化处理，作为RBF神经网络的输入。经过分析，则隐层节点数取8。取学习率β=0.5，ε=0.005，对RBF神经网络进行训练。

3.2 故障诊断结果分析

(1)先用样本自身数据输入训练完成的网络中，检查其识别结果，从中可见自身数据检测正确率为100%。

(2)任取两组样本中未出现实验数据，其故障识别结果如表1所示。

表1 输出诊断结果Table.1 The fault diagnosis of output

两组实验数据的结果与数据所对应的故障模式相吻合。由此可以看出，本网络不仅可以识别出样本自身的故障，而且能准确识别出样本以外的故障。

3.3 基于神经网络的故障诊断专家系统

专家系统的核心是深层知识库，注汽锅炉故障诊断系统知识库的建立需要很长时间的反复测试、修改和扩充。可见，该神经网络对于给定的故障能够进行很好的判断，对不能诊断的故障和得出的错误判断结果，专家系统就可以调用深层知识库做出诊断。

4 结论

由于神经网络和专家系统的互相渗透，使故障诊断速度快，准确率高。本文将RBF神经网络专家系统应用于注汽锅炉运行工况的故障诊断，比BP神经网络专家系统诊断更迅速。从蒸汽干度信号入手，在分析蒸汽干度波动的基础上，提出了注汽锅炉的智能故障诊断方法，并经过仿真运行结果证明，该方法具有一定的优越性，从不同的角度对注汽锅炉的故障诊断提供了借鉴。

但是，在实际运行过程中注汽锅炉运行工况比较复杂，引起蒸汽干度波动的因素很多，干扰也很大，受客观条件的限制，此故障诊断系统并不能完全地反映运行中出现的故障状况，这是本文的缺陷所在。另外，神经网络的训练样本数目有限，在一定程度上神经网络的训练不是很完善，这会使得故障诊断有一定误差，但是此误差在限定范围内。总之本文所提出的故障诊断方法为注汽锅炉的故障诊断提供可以借鉴的实例。

［1］武占.油田注气锅炉［M］.上海:上海交通大学出版社，2008.

［2］王希光.故障树理论在火电厂锅炉故障诊断中的应用［D］.大庆:大庆石油学院，2004.

［3］阮曙东，赵海波，郑楚光.基于Internet/本地的锅炉故障模糊诊断专家系统［J］.华中科技大学学报，2004.32(6):96－98.

［4］李玉荣，牛玉广，马华杰.基于CLIPS的锅炉故障诊断专家系统应用研究［J］.广东自动化与信息工程.2006(1):13－15.

［5］马华杰，朱瑜红，纳春宁.火电厂锅炉运行故障诊断专家系统的研究［J］.锅炉技术.2010.41(1):16－19.

［6］石宁.基于模糊专家系统的锅炉故障诊断方法的研究［D］.沈阳:沈阳理工大学，2010.

［7］蔡自兴，约翰·德尔金［美］，龚涛.高级专家系统:原理、设计及应用［M］.北京:科学出版社，2005.

［8］朱大奇，史慧.人工神经网络原理及应用［M］.北京:科学出版社，2006.

［9］胡昌，张军波，夏军，等.基于MATLAB的系统分析与设计:小波分析［M］.西安:西安电子科技大学出版社，2000.

［10］鄂加强.智能故障诊断及其应用［M］.长沙:湖南大学出版社，2006.