CN100538316C - 一种火电厂球磨机负荷软测量方法 - Google Patents

Abstract

本发明公开了一种火电厂磨煤机负荷软测量方法，用以解决长期以来火电厂磨煤机负荷难以检测的问题。本发明通过对磨机噪音、振动以及差压信号进行自适应特征提取，获取能够仅表征磨机负荷的信息，对煤易磨性系数、煤含水份、钢球装载量和负荷进行模糊划分，建立能够辨识工况的规则及各规则下的拟合多项式，最后对所有规则的输出进行综合获得磨机负荷。本发明提出的磨煤机负荷软测量方法，克服了以往检测方法不能适应工况变化的缺点，在各种工况下均能获得良好的准确度和灵敏度，为磨机的有效监控提供了保障。

Description

一种火电厂球磨机负荷软测量方法

技术领域

本发明涉及一种自动化测量技术领域，特别涉及一种火电厂球磨机负荷软测量方法，该方法适用于火电厂中储式制粉系统的筒式钢球磨煤机的负荷检测，采用在线过失误差剔除、自适应特征信息提取、工况模糊辨识、基于规则的自适应加权等技术手段，能够适时的根据工况的变化给出球磨机的负荷信息。

背景技术

制粉系统是火力发电厂的主要辅助系统之一，由于筒式钢球磨煤机对煤种的适应性最强，是国内应用最广的一种磨煤机。磨煤机是制粉系统的关键设备，它能否正常运行以及是否运行在最佳工况，直接关系到制粉系统的工作效率。对磨机负荷进行准确监测，是对制粉系统进行优化控制的先决条件，从而可以实现节能降耗、安全生产、保护环境的目的。因此如何准确监测磨机负荷成为关键和难点。

由于磨机工作环境差，粉尘污染大，内部环境恶劣，因此无法直接测量，只能通过间接法检测。目前，应用较多的磨机负荷检测方法有磨音法、振动法以及功率法。现有磨音法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷，缺点是检测精度不高，未能有效去除背景噪声干扰，特别是当多台磨机同时在一个车间内运行时，临近磨机运行时所发出的噪声会严重影响负荷检测的准确性。振动法是利用磨机运转时，研磨体和物料偏于磨机的一侧，磨机的转动部分处于严重的不平衡状态，造成不平衡的离心力，并使磨机系统振动，磨机在转速不变时其振动强度与被磨物料量的多少有关这一特性检测的；振动法的不足在于线性度差，准确度不高。功率法的思路是通过测量磨机运行时电机所消耗的功率来判断磨机内的负荷。在实际应用中，是测量磨机的工作电流。此种方法的不足之处在于磨机的工作电流在整个工作过程中，变化不是很大，测量灵敏度低。

近年来，也有一些采取多种输入信息进行综合获得磨机负荷的方法，如《基于ANFIS的火电厂磨机负荷检测的软测量模型》(司刚全，曹晖，张彦斌等，仪器仪表学报，第4期增刊II，2007，vol.28)【1】，《基于复合式神经网络的火电厂筒式钢球磨煤机负荷软测量》(司刚全，曹晖，张彦斌等，热力发电，2007，第5期)【2】。《基于神经元网络的制粉系统球磨机负荷软测量》(王东风，宋之平)【3】。但是这些方法存在的问题是，都是针对单一球磨机负荷工况建立的软测量模型，一旦工况发生变化，软测量模型的预测精度就会变差，虽然文献【3】建立了分工况的模型，但是其区分工况仅采用差压获得属于空磨和满磨的程度，并未考虑原煤、研磨体引起的工况变化因素，并且差压更容易受风量影响，不能很好的识别工况；另外，对输入辅助变量并没有进行剔除过失误差以及剔除非目标信息，由于制粉系统对象的特点，其中的辅助变量如磨机噪声、振动、压力等信息均含有大量的过失误差，如果不对这些过失误差进行侦破从而剔除掉，将会影响建立的软测量模型预测精度，甚至使其得出错误结果，在辅助变量的特征提取方面，文献【1】和【2】对噪声和振动信号进行特征提取，但是这种特征提取并未考虑到工况变化，其特征也随之变化的特点，文献【2】和【3】选择压力类信号作为辅助变量，但并未考虑这些压力信号更易受风门开度变化的影响，并不是磨机负荷这个单一目标变化的反映。

磨机噪音与振动信息是与磨机负荷变化密切相关的辅助变量，而这两个输入量很容易受到煤种、煤水份以及钢球装载量的影响，随着工况的变化，其表征磨机负荷的特征也会随之变化，压力类信号也能一定程度上反映磨机负荷的变化，但是他们更容易受到风量变化的影响，因此必须将这些影响因素剔除才能反映磨机负荷的变化。因此建立一种能够自适应工况的磨机负荷软测量模型，通过煤种、煤水份、钢球装载量以及磨机负荷多种因素对磨机工况进行辨识，并从中提取表征负荷的特征进入软测量模型，从而获得准确的磨机负荷信息，将对磨机负荷的监测及控制起到重要的推动作用。

发明内容

本发明的目的在于，提供一种火电厂筒式钢球磨煤机的负荷检测的软测量方法，用以解决长期以来火电厂磨煤机负荷难以检测的问题。该软测量方法通过煤易磨性系数、煤水份、钢球装载量、磨机负荷对工况进行辨识，在工况辨识的基础上，对从磨机噪音、振动、出入口差压信号中提取的特征信息进行基于规则的自适应加权，从而获得准确的磨机负荷信息。

为了实现上述任务，本发明采取如下的技术解决方案：

一种火电厂筒式钢球磨机负荷软测量方法，其特征在于，该方法在磨机负荷测量系统中建立硬件平台，该硬件平台包括噪音传感器、振动传感器、出入口差压传感器、热风门阀位指示装置、冷风门阀位指示装置、再循环风门阀位指示装置、排粉机入口挡板阀位指示装置、称重给煤机控制器、数据采集器以及计算机，由运行在计算机上的测量软件进行软测量；测量软件与计算机通讯，获得通过数据采集卡采集的实时过程数据和人机交互数据，具体包括以下步骤：

1)软测量模型输入辅助变量选择：一类为负荷特征信息类，用于拟合磨机负荷信息，包括从噪音信号中提取的特征信息F_ZY，从振动信号中提取的特征信息F_ZD和从出入口差压信号中提取的特征信息F_CY；另一类为工况辨识信息类，用于形成辨识工况的规则，包括煤易磨性系数λ_m，煤水份λ_s，钢球装载量W_GQ，磨机负荷L_GK；

2)输入辅助变量的获取方法

噪音与振动信号特征信息F_ZY和F_ZD：对采集的噪音与振动数据序列进行功率谱分析，获取特征频段信息，对特征频段内的能量进行自适应加权获得特征信息；

出入口差压特征信息F_CY：对出入口差压P_CY、热风门开度μ_RF、冷风门开度μ_LF、再循环风门开度μ_ZXF、排粉机入口挡板开度μ_PRF五个信息拟合多项式获得，获得的出入口差压特征信息中消除了风门开度变化因素的影响，其变化仅反映磨机内负荷的变化情况。

F_CY＝p₀+p₁P_CY+p₂μ_RF+p₃μ_LF+p₄μ_ZXF+p₅μ_PRF

其中参数{p₀，p₁，p₂，p₃，p₄，p₅}通过最小二乘训练获得，训练样本采用如下方式获得：采用自动控制给煤系统，将煤位保持在不同的水平上，在每种煤位水平上，分别在实际操作范围内改变各风门开度，记录相应的数据，形成训练样本数据集。

煤易磨性系数λ_m和煤水份λ_s：由操作人员录入的人机交互数据获得；按火电厂制粉系统操作规程，对原煤的这些参数将会定期化验。

钢球装载量：通过初装量W₀、补充量W_B(k)以及磨损量W_SH计算获得，钢球装载量计算公式如下：

$W_{\mathrm{GQ}}=[W_0+\underset{k}{\mathrm{\Σ}}{W}_B\left(k\right)-W_{\mathrm{SH}}]=[W_0+\underset{k}{\mathrm{\Σ}}{W}_B\left(k\right)-\mathrm{\Σ}{w}_{\mathrm{FH}}\left(L_{\mathrm{GK}}\right)w_{\mathrm{MF}}]$

该公式中，初装量W₀、补充量W_B(k)、不同工况下单位制粉量钢球损耗w_FH由人机交互数据获得，制粉量w_MF由称重给煤机流量数据获得。

钢球初装量W₀仅在对磨机钢球进行重新卸载、填装后更改，在正常运行过程中并不会发生改变；每次钢球补充量W_B(k)为磨机运行过程中，由操作人员补充钢球的量决定，总补充量为每次钢球补充量W_B(k)累加的结果；磨损量为按照不同负荷情况下单位制粉量钢球损耗w_FH(L_GK)对制粉量w_MF累计的结果，由于磨机在处于空磨、满磨等不同工况下，钢球的磨损将会发生很大变化，因此对其区分工况，以获得更为准确的磨损量。其中单位制粉量钢球损耗w_FH(L_GK)根据磨机负荷处于低、中、高三种情况，设定三种损耗值w1，w2，w3，如以下公式所示： $w_{\mathrm{FH}}=\left\{\begin{array}{cc}w1& L_{\mathrm{GK}}<0.4\\ w2& 0.4\&le;L_{\mathrm{GK}}\&le;0.7\\ w3& L_{\mathrm{GK}}>0.7\end{array}\right.$

制粉量w_MF由给煤机给煤量确定，对运行过程中的钢球损耗进行累加计算，即可得到钢球总磨损量。公式中[·]为取整运算，即钢球装载量并不会在每次计算过程中都发生变化，而是仅当钢球装载量增加或减少超过1吨的情况下才会改变，这样即可大大减少软测量模型的计算量。

磨机负荷L_GK由上周期模型输出结果获得；

3)对噪声、振动、出入口差压信号采用基于中值距离的过失误差侦破方法进行预处理，剔除过失误差影响；

4)采用基于规则的自适应加权软测量模型计算磨机负荷信息

所述的噪音与振动信号特征频段并非常规某一连续频段，而是频率点组成的集合(由于实际应用过程中，对采样序列进行频域分析，获取的为离散频率点f，频率f和其频域序列下标k之间存在固定的关系f＝k×Δf，而实际计算过程中采用k计算，因此本说明书中均以k描述频率信息)其获取方法如下：

我们给出特征频段的定义：特征频段是由一系列频率点组成的集合K_feature，其中每一频率点在任意给定两种工况转换过程时，应满足以下条件：

$\left|\frac{{{\left|X\left(k\right)\right|}_{\mathrm{state}\left(i\right)}}^2-{{\left|X\left(k\right)\right|}_{\mathrm{state}\left(j\right)}}^2}{\max ({{\left|X\left(k\right)\right|}_{\mathrm{state}\left(i\right)}}^2,{{\left|X\left(k\right)\right|}_{\mathrm{state}\left(j\right)}}^2)}\right|\&GreaterEqual;{\mathrm{\&lambda;}}_{\mathrm{ij}},k=0~k_h$

k_h＝min{[f_h/Δf]，[f_s/2Δf]}

其中X(k)为对数据时间序列x(n)进行FFT计算后得到的频域数据序列，外层|·|为取绝对值运算，内层|·|为求模运算，[·]为取整运算；λ_ij为状态state(i)和state(j)转换的灵敏度阈值；f_h为实际信号的最高频率，由传感器硬件决定；f_s为采样频率；Δf为信号分辨率，与FFT运算点数N有关。

特征频段的确定步骤如下：

1)选定磨机三种负荷状态，如选定磨机处于空磨、正常、满磨三种状态state(1)，state(2)，state(3)；

2)选择状态转换的灵敏度阈值，如λ₁₂，λ₂₃；

3)确定从state(1)到state(2)转换过程中，满足条件的频率点集合K_f1；

4)确定从state(2)到state(3)转换过程中，满足条件的频率点集合K_f1；

5)确定集合K_feature，K_feature＝K_f1∩K_f2。

由于噪音和振动信号中，除含有能够表征磨机负荷的信息外，还含有背景噪声信息、固有机械噪声信息、邻磨以及其他干扰信息等，除此之外，磨机在不同负荷工况下，噪音和振动的特征功率谱重心及分布都有所变化，因此必须能够跟随工况变化对噪音和振动信号进行特征提取，提取后的特征信息才能进入到软测量模型进行计算。

所述的噪音与振动信号自适应特征信息提取方法，为对特征频段内的各频率点能量进行自适应加权获得，采用以下公式确定：

$E=\underset{k\&Element;K_{\mathrm{feature}}}{\mathrm{\&Sigma;}}\mathrm{\&mu;}\left(k\right)M{\left|X\left(k\right)\right|}^2=M\underset{k\&Element;K_{\mathrm{feature}}}{\mathrm{\&Sigma;}}\mathrm{\&mu;}\left(k\right){\left|X\left(k\right)\right|}^2$

其中μ(k)为自适应加权系数，采用双高斯型函数实现，公式如下

$\mathrm{\&mu;}\left(k\right)=\left\{\begin{array}{cc}\exp (-\frac{{(k-c_1)}^2}{2{{\mathrm{\&delta;}}_1}^2})& k<c_1\\ 1& c_1\&le;k\&le;c_2\\ \exp (-\frac{{(k-c_2)}^2}{2{{\mathrm{\&delta;}}_2}^2})& k>c_2\end{array}\right.$

其中参数{c₁，δ₁，c₂，δ₂}通过以下公式获得：

$c_1:\underset{k_{c1}}{\max }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=k_{c1}}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=0}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_1$

${\mathrm{\&delta;}}_1:\underset{\mathrm{\&Delta;k}1}{\min }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=c_1-\mathrm{\&Delta;}{k}_1}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=0}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_2$

$c_2:\underset{k_{c2}}{\min }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_{c2}}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_3$

${\mathrm{\&delta;}}_2:\underset{\mathrm{\&Delta;}{k}_2}{\min }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{c_2+\mathrm{\&Delta;}{k}_2}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_4$

α₁，α₂，α₃，α₄，为阈值，分别选择为0.30，0.85，0.30，0.85

k_c为特征功率谱的重心频率，由以下公式决定

$k_c=\frac{f_c}{\mathrm{\&Delta;f}}=\frac{f_c}{f_s/N}=\frac{\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=0}{\mathrm{\&Sigma;}}}}k{\left|X\left(k\right)\right|}^2}{\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=0}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2}.$

所述的对磨机噪音、振动以及出入口差压信号进行数据预处理，剔除过失误差的方法为基于中值的过失误差侦破方法，对于一个滑动数据队列X_n，判定样本X_i是否为过失误差的准则为：

|X_i-med(X_n)|≥δ_t*mmd(X_n)

其中δ_t为判定阈值，med(X_n)为X_n的中值，mmd(X_n)为中值距离，通过以下公式计算获得，mmd(X_n)＝med(med(d(X₁))，med(d(X₂))，…med(d(X_n)))，d(X_i)表示样本X_i到队列中其他样本的距离组成的一维向量。

所述的基于规则的自适应加权软测量模型，其规则的基本形式为：

if λ_mis A_i1 and λ_sis B_i2 and W_GQis C_i3 and L_GK is D_i4，

then L_m＝p_mF_ZY+q_mF_ZD+r_mF_CY+s_m

式中，i1，2，i3，i4＝1～3，m＝1～81，共有81条规则。

软测量模型的组成为：

1)对输入的工况辨识类变量λ_m，λ_s，W_GQ，L_GK进行模糊化：取煤易磨性系数λ_m的语言变量为{A₁，A₂，A₃}，表示易磨性{好，一般，差}；取煤水份λ_s的语言变量为{B₁，B₂，B₃}，表示煤含水份{多，一般，少}；取钢球装载量W_GQ的语言变量为{C₁，C₂，C₃}，表示钢球装载量{偏多，合适，偏少}；取磨机负荷L_GK的语言变量为{D₁，D₂，D₃}，表示磨机负荷{偏满，合适，偏空}；选择高斯隶属度函数对各输入变量进行模糊化；

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{A_{i1}}\left({\mathrm{\&lambda;}}_m\right)=\exp \left[\frac{-{({\mathrm{\&lambda;}}_m-d_{i1})}^2}{{{\mathrm{\&delta;}}^2}_{i1}}\right]\\ {\mathrm{\&mu;}}_{B_{i2}}\left({\mathrm{\&lambda;}}_s\right)=\exp \left[\frac{-{({\mathrm{\&lambda;}}_s-d_{i2})}^2}{{{\mathrm{\&delta;}}^2}_{i2}}\right]\\ {\mathrm{\&mu;}}_{C_{i3}}\left(W_{\mathrm{GQ}}\right)=\exp \left[\frac{-{(W_{\mathrm{GQ}}-d_{i3})}^2}{{{\mathrm{\&delta;}}^2}_{i3}}\right]\\ {\mathrm{\&mu;}}_{D_{i4}}\left(L_{\mathrm{GK}}\right)=\exp \left[\frac{-{(L_{\mathrm{GK}}-d_{i4})}^2}{{{\mathrm{\&delta;}}^2}_{i4}}\right]\end{array}\right.$

2)获取样本对模糊规则的激活强度：

${\mathrm{\&omega;}}_m={\mathrm{\&mu;}}_{A_{i1}}\left({\mathrm{\&lambda;}}_m\right)\&times;{\mathrm{\&mu;}}_{B_{i2}}\left({\mathrm{\&lambda;}}_s\right)\&times;{\mathrm{\&mu;}}_{C_{i3}}\left(W_{\mathrm{GQ}}\right)\&times;{\mathrm{\&mu;}}_{D_{i4}}\left(L_{\mathrm{GK}}\right)$

3)对各条规则强度进行归一化处理：

4)计算每条规则下的输出：ω_mL_m＝ω_m(p_mF_ZY+q_mF_ZD+r_mF_CY+s_m)

5)计算最终输出：

该软测量模型中的需要学习的参数为前件参数集{d_i1，d_i2，d_i3，d_i4，δ_i1，δ_i2，δ_i3，δ_i4}和后件参数集{p_m，q_m，r_m，s_m}，采用混合算法训练获得，通过最速梯度下降法训练前件参数，通过最小二乘法训练后件参数。

本发明通过对磨机噪音、振动以及出入口差压信号进行自适应特征提取，获取能够仅表征磨机负荷的信息，对煤易磨性系数、煤含水份、钢球装载量和负荷进行模糊划分，建立能够辨识工况的规则及各规则下的拟合多项式，最后对所有规则的输出进行综合获得磨机负荷。本发明提出的磨煤机负荷软测量方法，克服了以往检测方法不能适应工况变化的缺点，在各种工况下均能获得良好的准确度和灵敏度，为磨机的有效监控提供了保障。

附图说明

图1是磨机负荷软测量硬件系统配置图，图中的标号分别表示：1、给煤机控制器，2、冷风门阀位反馈装置，3、热风门阀位反馈装置，4、再循环风门阀位反馈装置，5、振动传感器，6、噪音传感器，7、出入口差压传感器，8、排粉机入口挡板阀位反馈装置，9、数据采集器及计算机，10、软测量模型；图中涉及制粉系统设备的标号分别表示：11、原煤仓，12、给煤机，13、磨煤机，14、粗粉分离器，15、细粉分离器，16、煤粉仓，17、排粉机。

图2是测量软件流程框图；

图3是磨机噪音信号灵敏度随频率分布；

图4是磨机噪音过失误差侦破结果；

图5是磨机噪音特征功率谱、重心频率及加权系数；其中(a)为工况I，(b)为工况II，(c)为工况III；

图6是软测量模型预测结果图；

下面结合附图和具体实施例对本发明作进一步的详细描述。

具体实施方式

以某火电厂中储式制粉系统为例，给出本发明的一个具体应用。该中储式制粉系统配备两台磨煤机，型号为DTM350/700，转速为17.57r/min，设计出力为60t/h，采用皮带式称重给煤机给煤。其工作流程为：给煤机将原煤仓内的原煤送入磨煤机内，同时热风、冷风、再循环风也进入磨煤机，原煤经过破碎研磨，磨制好的煤粉被气流输送出去，从磨煤机出来的是气粉混合物，经粗粉分离器后，过粗的煤粉重新返回磨煤机入口进行再研磨，合格的煤粉被带入细粉分离器进行气粉分离，再次合格的煤粉落入煤粉仓。根据锅炉负荷的需要，给粉机将煤粉仓中的煤粉输入一次风管，再送入炉内燃烧。

磨机负荷测量系统结构如图1所示，在原系统中已经安装有以下仪表：给煤机控制器1：在控制给煤的同时，反馈回实时给煤流量(也即等效为实时制粉量w_MF)；

热风门阀位反馈装置3：热风门开度指示μ_RF；

冷风门阀位反馈装置2：冷风门开度指示μ_LF；

再循环风门阀位反馈装置4：冷风门开度指示μ_ZXF；

排粉机入口挡板阀位反馈装置8：排粉机入口挡板开度μ_PRF；

出入口差压传感器7：磨煤机出入口差压信号P_CY；

按照本发明的技术方案，增加如下的测量仪表：

噪音传感器6：用于测量磨机运行过程中筒体噪声，安装于距离磨机入口1/3处，指向钢球下落撞击点；选择声望公司的MPA206传声器，传感器灵敏度为32mv/Pa，响应频率为20Hz～10kHz；

振动传感器5：用于测量磨体振动幅度，安装于磨机入口支撑轴承处；选择PCB公司的608A11加速度传感器检测振动量，传感器灵敏度100mv/g，响应频率为20Hz～10kHz；

软测量软件运行在单独的计算机上，在该计算机上增加一高速数据采集卡PCI1714UL(研华模拟量输入卡，4通道，最大转换速率30MHz，12位AD)，实时采集噪音传感器和振动传感器信号；其余信号从原系统中通过与PLC通讯的方式获得相关过程数据。对噪音及振动信号采集周期为500ms，每次以51.2k的采样速率采样1024点数据，对其他过程数据以500ms的周期进行更新。软测量软件采用VC程序编写，通过自由口通讯的方式与PLC交换过程数据。

测量软件流程框图如图2所示，主要分为两个过程，一为离线标定过程，主要完成确定特征频段、训练出入口差压特征提取多项式系数、训练软测量模型中的前件和后件参数；二为在线预测过程，实现磨机负荷的实时在线计算，主要包括过程数据采集、特征频谱重心频率计算、加权系数计算、各变量特征信息计算、各规则归一化激活强度计算、各规则下预测输出计算以及最终预测输出计算等模块。

在钢球装载量计算过程中，根据该球磨机运行情况，选择磨机负荷处于低、中、高三种情况下的单位制粉量钢球损耗为w1＝240克/吨、w2＝150克/吨、w3＝110克/吨。

在出入口差压特征信息计算中，由于该磨机在运行过程中，冷风门和再循环风门保持全关状态，排粉机入口挡板保持全开状态，因此可将公式简化为F_CY＝p₀+p₁P_CY+p₂μ_RF，经过样本数据训练，获得系数如下：p₀＝0，p₁＝1.52×10^-4，p₂＝0.14。

在特征频段的确定过程中，以磨机噪音信号为例，我们选择空磨state(1)、正常运行state(2)、满磨state(3)三个状态进行判定，选择λ₁₂＝λ₂₃＝0.20，k_h＝min{[10kHz/50Hz]，[51.2kHz/2×50Hz]}＝200，f_h＝10kHz，灵敏度随频率的分布如图3所示，从图中可以看出，磨机噪音在空磨及满磨段均有较好的灵敏度，通过选定的灵敏度阈值确定位于左上区域中的频率点组成的集合为磨机噪音的特征频段。对于磨机振动信号，选择λ₁₂＝0.05；λ₂₃＝0.20，k_h＝min{[10kHz/50Hz]，[51.2kHz/2×50Hz]}＝200，f_h＝10kHz。

在过失误差侦破及剔除的过程中，我们选择δ_t＝1.3，数据队列长度为n＝15，以加煤过程中的磨机噪音信号为例，过失误差侦破的结果如图4所示，可见由于磨机对象的特殊性，采集结果中包含了大量的过失误差，将会对软测量产生重要影响。采用本发明提出的过失误差侦破方法，较好的剔除了测量数据中的过失误差，保证了软测量预测结果的准确性。

在自适应特征信息提取过程中，以磨机噪音信号为例，给出在空磨(工况I)、正常运行(工况II)和满磨(工况III)状态下的特征功率谱、重心频率及加权系数曲线如图5所示，其相关参数如下表所示；从中可以看出，磨机处于不同的负荷工况下，特征功率谱的重心及分布情况均会发生变化，随着磨机负荷的增高，重心频率向低频方向移动。经过自适应加权后的特征信息，能够很好的适应工况变化，在各种工况均能具有好的灵敏度和线性度。

采用本发明提出的软测量模型，在制粉系统各种工况运行期间，都能够自适应根据工况调整特征信息的计算以及根据工况确定各规则强度，从而获得准确的输出。图6为在磨机连续经历阶跃加煤、断煤以及线性加煤工况下的预测输出，从图中可以看出，该软测量模型的预测输出能够很好的反映磨机内负荷情况，准确度较好。

Claims (5)

1.一种火电厂筒式钢球磨机负荷软测量方法，其特征在于，该方法在磨机负荷测量系统中建立硬件平台，该硬件平台包括噪音传感器、振动传感器、出入口差压传感器、热风门阀位指示装置、冷风门阀位指示装置、再循环风门阀位指示装置、排粉机入口挡板阀位指示装置、称重给煤机控制器、数据采集器以及计算机，由运行在计算机上的测量软件进行软测量；测量软件与计算机通讯，获得通过数据采集卡采集的实时过程数据和人机交互数据，具体包括以下步骤：

1)软测量模型输入辅助变量选择：一类为负荷特征信息类，用于拟合磨机负荷信息，包括从噪音信号中提取的特征信息F_ZY，从振动信号中提取的特征信息F_ZD和从出入口差压信号中提取的特征信息F_CY；另一类为工况辨识类，用于形成辨识工况的规则，包括煤易磨性系数λ_m，煤水份λ_s，钢球装载量W_GQ，磨机负荷L_GK；

2)输入辅助变量的获取方法

噪音与振动信号特征信息：对采集的噪音与振动数据序列进行功率谱分析，获取特征频段信息，对特征频段内的能量进行自适应加权获得特征信息；

出入口差压特征信息获取：对出入口差压P_CY、热风门开度μ_RF、冷风门开度μ_LF、再循环风门开度μ_ZXF、排粉机入口挡板开度μ_PRF五个信息按以下公式拟合获得，获得的出入口差压特征信息中消除了风门开度变化因素的影响，其变化仅反映磨机内负荷的变化情况如下：

F_CY＝p₀+p₁P_CY+p₂μ_RF+p₃μ_LF+p₄μ_ZXF+p₅μ_PRF

其中，F_CY为表征磨机内负荷变化的特征信息，参数{p₀，p₁，p₂，p₃，p₄，p₅}通过最小二乘训练获得，训练样本采用如下方式获得：

采用自动控制给煤系统，将煤位保持在不同的水平上，在每种煤位水平上，分别在实际操作范围内改变各风门开度，记录相应的数据，形成训练样本数据集；

煤易磨性系数λ_m和煤水份λ_s：由操作人员录入的人机交互数据获得，按火电厂制粉系统操作规程，对原煤的这些参数将会定期化验；

钢球装载量：通过初装量W₀、补充量W_B(k)以及磨损量W_SH计算获得，其中补充量W_B(k)为每次钢球补充量累加的结果，磨损量为按照不同负荷情况下单位制粉量钢球损耗w_FH对制粉量w_MF累计的结果；钢球装载量计算公式如下：

$W_{\mathrm{GQ}}=[W_0+\underset{k}{\mathrm{\&Sigma;}}{W}_B\left(k\right)-W_{\mathrm{SH}}]=[W_0+\underset{k}{\mathrm{\&Sigma;}}{W}_B\left(k\right)-\mathrm{\&Sigma;}{w}_{\mathrm{FH}}\left(L_{\mathrm{GK}}\right)w_{\mathrm{MF}}]$

式中：初装量W₀、补充量W_B(k)、不同工况下单位制粉量钢球损耗w_FH由人机交互数据获得，制粉量w_MF由称重给煤机流量数据获得；

磨机负荷L_GK由上周期模型输出结果获得；

3)对噪声、振动、出入口差压特征信息采用基于中值距离的过失误差侦破方法进行预处理，剔除实时测量数据中过失误差影响；

4)建立基于规则的自适应加权软测量模型，对磨机负荷进行计算。

2.如权利要求1所述的一种火电厂筒式钢球磨机负荷软测量方法，其特征在于所述的噪音与振动信号特征频段并非某一连续频段，而是由一系列满足以下条件的频率点组成的集合K_feature：

$\left|\frac{{{\left|X\left(k\right)\right|}_{\mathrm{state}\left(i\right)}}^2-{{\left|X\left(k\right)\right|}_{\mathrm{state}\left(j\right)}}^2}{\max ({{\left|X\left(k\right)\right|}_{\mathrm{state}\left(i\right)}}^2,{{\left|X\left(k\right)\right|}_{\mathrm{state}\left(j\right)}}^2)}\right|\&GreaterEqual;{\mathrm{\&lambda;}}_{\mathrm{ij}},k=0~k_h$

k_h＝min{[f_h/Δf]，[f_s/2Δf]}

其中X(k)为对数据时间序列x(n)进行FFT计算后得到的频域数据序列，外层|·|为取绝对值运算，内层|·|为求模运算，[·]为取整运算；

λ_ij为状态state(i)和state(j)转换的灵敏度阈值；f_h为实际信号的最高频率，由传感器硬件决定；f_s为采样频率；Δf为信号分辨率，与FFT运算点数N有关。

3.如权利要求1所述的一种火电厂筒式钢球磨机负荷软测量方法，其特征在于所述的噪音与振动信号自适应特征信息提取方法，为对特征频段内的各频率点能量进行自适应加权获得，采用以下公式确定：

$E=\underset{k\&Element;K_{\mathrm{feature}}}{\mathrm{\&Sigma;}}\mathrm{\&mu;}\left(k\right)M{\left|X\left(k\right)\right|}^2=M\underset{k\&Element;K_{\mathrm{feature}}}{\mathrm{\&Sigma;}}\mathrm{\&mu;}\left(k\right){\left|X\left(k\right)\right|}^2$

其中μ(k)为自适应加权系数，采用双高斯型函数实现，公式如下

$\mathrm{\&mu;}\left(k\right)=\left\{\begin{array}{cc}\exp (-\frac{{(k-c_1)}^2}{2{{\mathrm{\&delta;}}_1}^2})& k<c_1\\ 1& c_1\&le;k\&le;c_2\\ \exp (-\frac{{(k-c_2)}^2}{2{{\mathrm{\&delta;}}_2}^2})& k>c_2\end{array}\right.$

其中参数{c₁，δ₁，c₂，δ₂}通过以下公式获得：

c₁： $\underset{k_{c1}}{\max }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=k_{c1}}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=0}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_1$

δ₁： $\underset{\mathrm{\&Delta;k}1}{\min }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=c_1-\mathrm{\&Delta;}{k}_1}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_c}{\underset{k=0}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_2$

c₂： $\underset{k_{c2}}{\min }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{k_{c2}}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_3$

δ₂： $\underset{\mathrm{\&Delta;}{k}_2}{\min }\underset{k\&Element;K_{\mathrm{feature}}}{\overset{c_2+\mathrm{\&Delta;}{k}_2}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2/\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=k_c}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2\&GreaterEqual;{\mathrm{\&alpha;}}_4$

α₁，α₂，α₃，α₄，为阈值，分别选择为0.30，0.85，0.30，0.85；

k_c为特征功率谱的重心频率，由以下公式决定：

$k_c=\frac{f_c}{\mathrm{\&Delta;f}}=\frac{f_c}{f_s/N}=\frac{\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=0}{\mathrm{\&Sigma;}}}}k{\left|X\left(k\right)\right|}^2}{\underset{k\&Element;K_{\mathrm{feature}}}{\overset{(N-1)/2}{\underset{k=0}{\mathrm{\&Sigma;}}}}{\left|X\left(k\right)\right|}^2}.$

4.如权利要求1所述的一种火电厂筒式钢球磨机负荷软测量方法，对噪音、振动及出入口差压特征信息采取的数据预处理方法，其特征在于所述的基于中值的过失误差侦破方法为对于一个滑动数据队列X_n，判定样本X_i是否为过失误差的准则为：

|X_i-med(X_n)|≥δ_t*mmd(X_n)

其中δ_t为判定阈值，med(X_n)为样本集合X_n的中值，mmd(X_n)为中值距离，通过以下公式计算获得，d(X_i)表示样本X_i到队列中其他样本的距离组成的一维向量

mmd(X_n)＝med(med(d(X₁))，med(d(X₂))，…med(d(X_n)))。

5.如权利要求1所述的一种火电厂筒式钢球磨机负荷软测量方法，其特征在于所述的基于规则的自适应加权软测量模型，其规则的基本形式为：

if λ_m is A_i1 and λ_sis B_i2 and W_GQis C_i3 and L_GK is D_i4，

then L_m＝p_mF_ZY+q_mF_ZD+r_mF_CY+s_m

式中，i1，i2，i3，i4＝1～3，m＝1～81，共有81条规则；

该软测量模型的组成为：

1)对输入的工况辨识类变量λ_m，λ_s，W_GQ，L_GK进行模糊化：取煤易磨性系数λ_m的语言变量为{A₁，A₂，A₃}，表示易磨性{好，一般，差}；取煤水份λ_s的语言变量为{B₁，B₂，B₃}，表示煤含水份{多，一般，少}；取钢球装载量W_GQ的语言变量为{C₁，C₂，C₃}，表示钢球装载量{偏多，合适，偏少}；取磨机负荷L_GK的语言变量为{D₁，D₂，D₃}，表示磨机负荷{偏满，合适，偏空}；选择高斯隶属度函数对各输入变量进行模糊化；

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{A_{i1}}\left({\mathrm{\&lambda;}}_m\right)=\exp \left[\frac{-{({\mathrm{\&lambda;}}_m-d_{i1})}^2}{{{\mathrm{\&delta;}}^2}_{i1}}\right]\\ {\mathrm{\&mu;}}_{B_{i2}}\left({\mathrm{\&lambda;}}_s\right)=\exp \left[\frac{-{({\mathrm{\&lambda;}}_s-d_{i2})}^2}{{{\mathrm{\&delta;}}^2}_{i2}}\right]\\ {\mathrm{\&mu;}}_{C_{i3}}\left(W_{\mathrm{GQ}}\right)=\exp \left[\frac{-{(W_{\mathrm{GQ}}-d_{i3})}^2}{{{\mathrm{\&delta;}}^2}_{i3}}\right]\\ {\mathrm{\&mu;}}_{D_{i4}}\left(L_{\mathrm{GK}}\right)=\exp \left[\frac{-{(L_{\mathrm{GK}}-d_{i4})}^2}{{{\mathrm{\&delta;}}^2}_{i4}}\right]\end{array}\right.$

2)获取样本对模糊规则的激活强度：

${\mathrm{\&omega;}}_m={\mathrm{\&mu;}}_{A_{i1}}\left({\mathrm{\&lambda;}}_m\right)\&times;{\mathrm{\&mu;}}_{B_{i2}}\left({\mathrm{\&lambda;}}_s\right)\&times;{\mathrm{\&mu;}}_{C_{i3}}\left(W_{\mathrm{GQ}}\right)\&times;{\mathrm{\&mu;}}_{D_{i4}}\left(L_{\mathrm{GK}}\right)$

3)对各条规则强度进行归一化处理：

4)计算每条规则下的输出：

5)计算最终输出：

该软测量模型中的需要学习的参数为前件参数集{d_i1，d_i2，d_i3，d_i4，δ_i1，δ_i2，δ_i3，δ_i4}和后件参数集{p_m，q_m，r_m，s_m}，采用混合算法训练获得：通过最速梯度下降法训练前件参数，通过最小二乘法训练后件参数。

Images