一种用于电厂的工业控制系统诊断方法及系统

技术领域

本发明属于电力行业的故障诊断领域，更具体地，涉及一种用于电厂的工业控制系统诊断方法及系统。

背景技术

在电力行业，随着经济环保运行要求越来越高，发电机组的装机容量越来越大，生产过程对分散控制系统(DCS)的依赖程度也越来越高。当机组在运行过程中出现一些复杂或紧急故障时，电厂需要求助于DCS厂家远程指导或现场技术处理。

目前DCS控制系统售后技术支持人员解决发电厂的DCS控制系统出现的问题时，有两种办法：

1、DCS厂商派技术人员去现场检查处理，这种方式从故障发现到消除故障历经时间长。

2、远程指导，这种方式常常因为电厂生产人员对控制系统的问题和具体状况描述不清，技术支持人员难以获得全面、准确的信息，处理效果不佳。

上述两种方式都属于故障的事后维护，实际上DCS运行中某个模块往往在出现故障之前就会有一些异常特征或者趋势变坏的表现，但目前的维护方式无法实现在故障发生前进行预测性维护。

发明内容

本发明的目的是提出一种用于电厂的工业控制系统诊断方法及系统，以提高数据全面性和故障分析准确性，实现对电厂故障的预测性维护。

为实现上述目的，本发明提出了一种用于电厂的工业控制系统诊断系统，包括：

DCS历史数据站、数据网关、单向隔离网闸、企业防火墙、远程诊断云平台及DCS技术人员客户端；

所述DCS历史站用于存储电厂多个DSC系统测点的数据；

所述数据网关用于从所述DCS历史站采集电厂DCS系统测点的数据，并将采集的测点数据经过所述单向隔离网闸和所述企业防火墙后发送至所述远程诊断云平台；

所述远程诊断云平台存储有电厂DCS系统各个系统模块的模型，所述远程诊断云平台还包括数据清洗模块、异常数据提取模块和故障诊断模块；

所述数据清洗模块用于根据数据清洗规则对所述数据网关上传的测点数据进行数据清洗；

所述异常数据提取模块用于从完成数据清洗的测点数据中提取异常数据；

所述故障诊断模块用于根据所述异常数据对各个系统模块的模型进行故障故障预测，并生成针对各个系统模块的不同时间粒度的故障诊断报告；

所述DCS技术人员客户端与所述远程诊断云平台通信连接，所述DCS技术人员客户端用于接入所述远程诊断云平台调取所述诊断报告。

可选地，所述数据清洗模块根据数据清洗规则对所述数据网关上传的测点数据进行数据清洗的方法包括：

清除DCS系统中的已经发生变化或无效的系统测点以及与其相关联的系统测点的数据；

清除电厂在启停机时超出负荷的测点数据；

去除空值或者缺失的测点数据。

可选地，所述清除电厂在启停机时超出负荷的测点数据包括：

使用异常点检测算法计算待清洗的测点数据的变化异常的负荷值范围；

根据所述待清洗的测点数据的变化异常的负荷值范围，得到待清洗的测点数据的正常的负荷值范围；

应用所述待清洗的测点数据的正常的负荷值范围与机组稳定运行的负荷范围作比较，取范围小的负荷范围作为负荷的上限限值和负荷的下限限值；

将超出负荷的上限限值和负荷的下限限值的测点数据清除。

可选地，所述异常数据提取模块从完成数据清洗的测点数据中提取异常数据的方法包括：

提取待处理的测点数据之前设定时间段内的数据；

将提取的数据进行对数化处理并画出时序图；

使用自回归条件异方差模型计算出某一置信区间，得到所述待处理的测点数据的上限初始阈值和下限初始阈值；

将所述待处理的测点数据的上限初始阈值和下限初始阈值与所述待处理的测点数据的上限工艺阈值和下限工艺阈值做对比，取对比后的最小范围的限值作为上限计算阈值和下限计算阈值；

提取超出上限计算阈值和下限计算阈值的数据作为异常数据。

可选地，所述故障诊断模块包括已经完成训练的BP神经网络故障预测模型，所述故障诊断模块根据所述异常数据进行故障故障预测包括：

对所述异常数据进行分类，划分为分别属于不同系统模块的模型的时/日/月三种不同时间粒度的数据样本；

将属于每个系统模块的模型的时/日/月三种不同时间粒度的异常数据样本分别输入所述BP神经网络故障预测模型进行故障预测，输出对应每个系统模块的时/日/月三种时间粒度的诊断报告。

可选地，对所述BP神经网络故障预测模型进行训练的方法包括：

获取DCS系统所有测点的历史数据；

获取确定为电厂设备发生故障的相关历史时间；

基于发生故障的时间点，获取故障时间点之前一小时、一日以及一个月三种不同时间粒度的相关测点的异常数据；

将三种不同时间粒度的异常数据分别生成时/日/月三种不同时间粒度的数据样本，每个样本中均标注对应的故障描述，形成样本数据库；

分别采用时/日/月三种不同时间粒度的数据样本对初始的BP神经网络故障预测模型进行训练，使完成训练的BP神经网络故障预测模型能够根据输入的时/日/月三种不同时间粒度的异常数据输出相应的故障诊断报告。

可选地，所述DCS技术人员客户端包括故障标注模块；

DCS技术人员通过所述DCS技术人员客户端查看所述故障诊断报告并人工分析故障诊断结果是否正确，并对诊断结果标注为预测正确或预测错误；

所述故障诊断模块对标注诊断结果的相关测点的异常数据进行提取并标准对应的故障，生成新的时/日/月三种不同时间粒度的数据样本并更新所述样本数据库中；

所述BP神经网络故障预测模型对更新后的所述样本数据库进行自学习。可选地，所述远程诊断云平台包括实时计算资源和日/月计算资源，所述实时计算资源和所述日/月计算资源相互隔离。

可选地，电厂DCS系统各个系统模块的模型包括：机组模型、控制器模型、DP链路模型、IO模型、网络模型、电源模型和环境模型。

本发明还提出了一种用于电厂的工业控制系统诊断方法，利用以上所述的用于电厂的工业控制系统的诊断系统，所述方法包括：

所述DCS历史站存储电厂多个DSC系统测点的数据；

所述数据网关从所述DCS历史站采集电厂DCS系统测点的数据，并将采集的测点数据经过所述单向隔离网闸和所述企业防火墙后发送至所述远程诊断云平台；

所述远程诊断云平台的所述数据清洗模块根据数据清洗规则对所述数据网关上传的测点数据进行数据清洗；

所述远程诊断云平台的所述异常数据提取模块从完成数据清洗的测点数据中提取异常数据；

所述远程诊断云平台的所述故障诊断模块根据所述异常数据对各个系统模块的模型进行故障故障预测，并生成针对各个系统模块的不同时间粒度的故障诊断报告；

DCS技术人员通过所述DCS技术人员客户端接入所述远程诊断云平台调取所述诊断报告。

本发明的有益效果在于：

本发明的系统采用数据网关从DCS历史站采集电厂DCS系统测点的数据，并将采集的测点数据经过单向隔离网闸和企业防火墙后发送至远程诊断云平台，有效提高了数据传输的安全性，同时远程诊断云平台能够实现对测点数据的清洗、对异常数据提取并根据异常数据对各个系统模块的模型进行故障故障预测，并生成针对各个系统模块的不同时间粒度的故障诊断报告，DCS技术人员可以DCS技术人员客户端接入远程诊断云平台调取诊断报告，本发明故障事后被动维护升级为事前主动预测和维护，提升了DCS系统运行的稳定性，降低了系统运行的故障率，其次，纵使生产环境出现突发故障，远程诊断系统也能够清楚可见DCS系统运行状态，从而减免了生产人员和DCS厂家技术人员远程沟通造成的信息遗漏和误差。

本发明的系统具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。

附图说明

通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，在本发明示例性实施例中，相同的参考标号通常代表相同部件。

图1示出了本发明实施例的一种用于电厂的工业控制系统诊断系统的示意图。

图2示出了本发明实施例的一种用于电厂的工业控制系统诊断系统的远程诊断云平台的系统服务框图。

具体实施方式

下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

实施例1

如图1所示，一种用于电厂的工业控制系统诊断系统，包括：

DCS历史数据站、数据网关、单向隔离网闸、企业防火墙、远程诊断云平台及DCS技术人员客户端；

所述DCS历史站用于存储电厂多个DSC系统测点的数据；

所述数据网关用于从所述DCS历史站采集电厂DCS系统测点的数据，并将采集的测点数据经过所述单向隔离网闸和所述企业防火墙后发送至所述远程诊断云平台；

所述远程诊断云平台存储有电厂DCS系统各个系统模块的模型，所述远程诊断云平台还包括数据清洗模块、异常数据提取模块和故障诊断模块；

所述数据清洗模块用于根据数据清洗规则对所述数据网关上传的测点数据进行数据清洗；

所述异常数据提取模块用于从完成数据清洗的测点数据中提取异常数据；

所述故障诊断模块用于根据所述异常数据对各个系统模块的模型进行故障故障预测，并生成针对各个系统模块的不同时间粒度的故障诊断报告；

所述DCS技术人员客户端与所述远程诊断云平台通信连接，所述DCS技术人员客户端用于接入所述远程诊断云平台调取所述诊断报告。

本实施例中，所述数据清洗模块根据数据清洗规则对所述数据网关上传的测点数据进行数据清洗的方法包括：

清除DCS系统中的已经发生变化或无效的系统测点以及与其相关联的系统测点的数据；

清除电厂在启停机时超出负荷的测点数据；

去除空值或者缺失的测点数据。

具体地，受DCS系统设计的限制，一些测点在已经发生变化或者无效的情况下，其他一些相关联的点依然上报正常值，从而会导致数据不一致，诊断错误的情况发生。因此，目前的诊断系统在接受到DCS实时数据时候，需要根据数据清洗规则对这些点项进行数据清洗，对这些无效的点项的质量位进行清除。

本实施例中，所述清除DCS系统中的已经发生变化或无效的系统测点以及与其相关联的系统测点的数据的方具体包括：

清除DCS系统中的已经标记为停机检修设备的相关系统测点、测点设备损坏的系统测点以及与其相关联的系统测点的数据。

进一步地，由于电厂在启停机时数据变化较大，不具有规律性，属于垃圾数据。如，由于机组启动时锅炉内温度低，二氧化硫和氮氧化物无法与氨水进行有效反应造成排出二氧化硫和氮氧化物的浓度超出限值。汽轮机启动时，汽流不稳定机组转速不断攀升造成震动值超出限值。同时由于做功较少无法能量转化率低，低压缸排汽温度偏高。

本实施例中，所述清除电厂在启停机时超出负荷的测点数据的具体方法包括：

使用异常点检测算法，如outlier,z-score,dbscan,isolation forest等算法，计算待清洗的测点数据的变化异常的负荷值范围；

根据所述待清洗的测点数据的变化异常的负荷值范围，得到待清洗的测点数据的正常的负荷值范围；例如计算出的正常值负荷范围为总负荷的25％-100％；

应用所述待清洗的测点数据的正常的负荷值范围与机组稳定运行的负荷范围，一般为总负荷30％-100％，机组不同稳定运行负荷范围也不同，进行比较后，取范围小的负荷范围作为负荷的上限限值和负荷的下限限值；

将超出负荷的上限限值和负荷的下限限值的测点数据清除。

本实施例中，所述异常数据提取模块从完成数据清洗的测点数据中提取异常数据的方法包括：

提取待处理的测点数据之前设定时间段内的数据；例如提取待处理的测点数据之前一年的数据；

将提取的数据进行对数化处理并画出时序图；

使用自回归条件异方差模型计算出某一置信区间，例如95％的置信区间，得到所述待处理的测点数据的上限初始阈值和下限初始阈值；

将所述待处理的测点数据的上限初始阈值和下限初始阈值与所述待处理的测点数据的上限工艺阈值和下限工艺阈值做对比，取对比后的最小范围的限值作为上限计算阈值和下限计算阈值；例如测点数据的量程值、设备参数的高报警和低报警值和所述待清洗数据的机组的高跳闸值和低跳闸值等；

提取超出上限计算阈值和下限计算阈值的数据作为异常数据。

本实施例中，所述故障诊断模块包括已经完成训练的BP神经网络故障预测模型，所述故障诊断模块根据所述异常数据进行故障故障预测包括：

对所述异常数据进行分类，划分为分别属于不同系统模块的模型的时/日/月三种不同时间粒度的数据样本；

将属于每个系统模块的模型的时/日/月三种不同时间粒度的异常数据样本分别输入所述BP神经网络故障预测模型进行故障预测，输出对应每个系统模块的时/日/月三种时间粒度的诊断报告。

具体地，本实施例依据DCS系统的组成，对DCS系统模块做模型构建，包括：机组模型、控制器模型、DP链路模型、IO模型、网络模型、电源模型、环境模型等。故障诊断模块将这些模型与三种时间粒度组合计算，生成针对每个模型的实时诊断、日诊断和月诊断报告，提供给DCS技术人员作为故障预测和诊断的依据，DCS技术人员可以分别对每个模型进行单独的进一步诊断分析，更加直观，且分别针对每个模型进行计算，计算量更小，效率更高。

本实施例中，对所述BP神经网络故障预测模型进行训练的方法包括：

获取DCS系统所有测点的历史数据；

获取确定为电厂设备发生故障的相关历史时间；

基于发生故障的时间点，获取故障时间点之前一小时、一日以及一个月三种不同时间粒度的相关测点的异常数据；

将三种不同时间粒度的异常数据分别生成时/日/月三种不同时间粒度的数据样本，每个样本中均标注对应的故障描述，形成样本数据库；

分别采用时/日/月三种不同时间粒度的数据样本对初始的BP神经网络故障预测模型进行训练，使完成训练的BP神经网络故障预测模型能够根据输入的时/日/月三种不同时间粒度的异常数据输出相应的故障诊断报告。

具体地，首先采集DCS系统所有测点的历史数据，然后确定电厂发送历史故障的时间点，上述数据均为已知，因此可以基于历史故障发生的时间点向前分别提取与故障相关的历史测点数据，再从历史数据中通过上述的异常数据提取方法，获取与发生故障时间之前的一小时、一日以及一个月三种不同时间粒度的测点历史异常数据，然后将三种不同时间粒度的异常数据分别生成时/日/月三种不同时间粒度的数据样本，即实时(每小时)数据样本，日数据样本和月数据样本，每个样本中均需要标注对应的已知故障描述，及数据样本包括一端时间的异常数据以及相对应的故障。之后分别采用每种时间粒度的数据样本对BP神经网络故障预测模型进行训练，完成训练的BP神经网络故障预测模型能够根据输入的每种时间粒度的异常数据输出相应的故障分类结果，基于模型的输出即可形成对应的故障诊断报告。

本实施例中，所述DCS技术人员客户端包括故障标注模块；

DCS技术人员通过所述DCS技术人员客户端查看所述故障诊断报告并人工分析故障诊断结果是否正确，并对诊断结果标注为预测正确或预测错误；

所述故障诊断模块对标注诊断结果的相关测点的异常数据进行提取并标准对应的故障，生成新的时/日/月三种不同时间粒度的数据样本并更新所述样本数据库中；

所述BP神经网络故障预测模型对更新后的所述样本数据库进行自学习。

具体地，当BP神经网络故障预测模型基于异常数据输入预测的故障诊断结果后，DCS技术人员可以通过DCS技术人员客户端从远程诊断云平台上获取每个系统模块的时/日/月诊断报告，DCS技术人员进行进一步的专业分析后，对故障预测结果进行人工判断，当确定预测的结果正确则将相关预测结果标注为“预测正确”，若预测结果错误或故障描述不准确，则将相关预测结果标注为“预测错误”并标注更正的故障描述，然后生成信息的数据样本更新到样本数据库，BP神经网络故障预测模型基于新的样本数据库进行自学习，以逐渐提高预测结果的准确性。

优选地，本实施例中的所述远程诊断云平台包括实时计算资源和日/月计算资源，所述实时计算资源和所述日/月计算资源相互隔离。

具体地，如图2所示，远程诊断云平台应用系统可以包括DCS诊断页面服务、权限管理、DCS诊断应用服务、数据模型对接服务、诊断逻辑计算服务以及系统管理。其中，所述故障诊断模块属于诊断逻辑计算服务，数据模型对接服务用于与DCS技术人员客户端对接，DCS诊断应用服务用于生成并显示不同时间粒度的故障诊断报告。

远程诊断云平台中参与计算的维度包括时间(实时、日、月)、DCS系统、DCS模块的模型，计算任务数为t*m*n。其中，实时计算的周期为每秒计算一次，每次计算的时间消耗控制在500ms以内，日诊断和月诊断的周期每小时计算一次，日诊断和月诊断计算频率低于实时诊断，但是每次计算资源消耗巨大，因此将日和月的诊断计算资源与实时计算资源隔离，避免互相影响，同时提高计算效率和计算资源的利用率。

本实施例中，DCS技术人员客户端可以为DCS技术人员的电脑，其可以通过3g/4g、企业网、个人宽带等方式接入远程诊断系统查看诊断报告，根据维护需求，制定必要维护措施。

相比现有的DCS故障处理方式，本发明的系统的主要优势体现在：

首先，将故障事后被动维护升级为事前主动预测和维护，提升了DCS系统运行的稳定性，降低了系统运行的故障率；

其次，采用BP神经网络故障预测模型对未发生的故障进行预测，利用人工智能技术降低人工分析诊断的工作量；

再次，纵使生产环境出现突发故障，远程诊断系统也能够清楚可见DCS系统运行状态，从而减免了生产人员和DCS厂家技术人员远程沟通造成的信息遗漏和误差。

实施例2

本实施例提供一种用于电厂的工业控制系统诊断方法，利用实施例1所述的用于电厂的工业控制系统的诊断系统，所述方法包括：

所述DCS历史站存储电厂多个DSC系统测点的数据；

所述数据网关从所述DCS历史站采集电厂DCS系统测点的数据，并将采集的测点数据经过所述单向隔离网闸和所述企业防火墙后发送至所述远程诊断云平台；

所述远程诊断云平台的所述数据清洗模块根据数据清洗规则对所述数据网关上传的测点数据进行数据清洗；

所述远程诊断云平台的所述异常数据提取模块从完成数据清洗的测点数据中提取异常数据；

所述远程诊断云平台的所述故障诊断模块根据所述异常数据对各个系统模块的模型进行故障故障预测，并生成针对各个系统模块的不同时间粒度的故障诊断报告；

DCS技术人员通过所述DCS技术人员客户端接入所述远程诊断云平台调取所述诊断报告。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。