[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、預測相關知識出發，進而分析常用的鍋爐故障預測方法。

[關鍵詞]  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組成的復雜多層次系統，而每個子系統又可以劃分為若干次級子系統和部件，各層次子系統是相互關聯的，只要某一個子系統出現異常或失效，就可能會使其它子系統產生功能異常或失效，甚至使整個機組處于故障狀態，并且從原發性故障到系統級故障的發生、發展是一個量變到質變的過程。故鍋爐故障具有層次性、相關性、延時性的特點。

鍋爐故障一般具有一定的時延性，即從原發性故障到系統故障的發生、發展與形成，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系，使其壁溫序列間有一定的關聯性(確定性)，這種關聯性是鍋爐故障預測的基礎。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，它們之間相互關聯，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聯性減弱，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、鍋爐故障預測相關知識

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

根據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的狀態進行預測，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，同時也由于各相關因素對當時的狀態值影響較大，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、人工神經網絡等方法進行鍋爐設備故障診斷研究，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

回歸分析是尋找幾個不完全確定的變量間的數學關系式之間進行統計推斷的一種方法。在這種關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據:時間序列分析法是指采用參數模。型對所觀測到的有序的隨機數據進行分析與處理的一種數據處理方法。時間序列。分析法主要參數模型有以下四種:①曲線擬合②指數平滑③季節模型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性進行假定，且其預測的精度不高。

應用灰色系統理論作故障預測主要有兩種方法，一是基于灰色系統動態方程GM(或DM)的灰色預測模型，二是基于殘差信息數據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。灰色預測的解從數學的角度看，相當于冪級數的疊加，它包含了一般線性回歸和冪級數回歸的內容，故灰色預測模型優于一般的線性回歸或指數曲線擬合，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據，短數據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點。

(四)專家系統

專家系統能成功地解決某些專門領域的問題，也有很多優點，但經過多年的實踐表明，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;系統缺乏自學習能力。

(五)人工神經網絡預測法

神經網絡的故障診斷存在很多問題，它不能很好的利用領域專家積累的經驗知識，只利用一些明確的故障診斷實例，而且需要一定數量的樣本學習，通過訓練最后得到的是一些闌值矩陣和權值矩陣，而不是像專家經驗知識那樣的邏輯推理產生式，所以缺乏對診斷結果的解釋能力。目前應用神經網絡進行故障預測的網絡訓練收斂速度慢，因此無法應用于實時診斷，只能處理歷史記錄數據。

(六)專家系統和人工神經網絡相結合

專家系統和人工神經網絡的相結合的方法是目前研究的熱點。由神經網絡與專家系統構成的神經網絡專家系統，它可以利用神經網絡的大規模并行分布處理和知識獲取自動化等特點，解決專家系統存在的知識獲取的“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，實現并行聯想和自適應推理，提高系統的智能水平，使系統具有實時處理能力和較高的穩定性。同傳統的專家系統相比，基于神經網絡的專家系統具有以下幾種優點:具有統一的內部知識表示形式，任何知識規則都可通過對范例的學習存儲于同一個神經網絡的各連接權中，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網絡中;便于知識的自動獲取，能夠自適應環境的變化;推理過程為并行的數值計算過程，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;實現了知識表示、存儲和推理三者融為一體，即都由一個神經網絡來實現。

參考文獻：

[1]蔣宗禮，《人工神經網絡導論》高等教育出版社，2001。

[2]蔣東翔等，《大型汽輪發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，《故障診斷技術的現狀與展望及其在大型汽輪發電機組中的應用》，汽輪機技術，1999年第一期。