CN101464172A - 电站锅炉煤粉浓度质量流量软测量方法 - Google Patents

Abstract

本发明涉及一种电站锅炉煤粉浓度质量流量软测量方法，利用模糊数学，提出了基于分解合成的多模型加权平均的固相质量流量非线性软测量模型，可有效地减小了流型对多相流流量计测量精度的影响，提高了浓度测量准确性；基于静电传感技术和模糊规则的软测量模型，可推广到其他检测原理的多相流参数测量上，系统结构简单，易于实现。

Description

电站锅炉煤粉浓度质量流量软测量方法

技术领域

本发明涉及一种锅炉测量与信号处理，特别涉及一种电站锅炉煤粉浓度质量流量软测量方法。

背景技术

电站锅炉燃烧过程中对煤粉浓度的动态监测对于锅炉安全正常运行至关重要。风粉混合物属于气固两相流动。质量流量是描述气固两相流流动过程的一个重要流动参数。气固两相流流量的非接触式测量方法主要有热学法、电学法、衰减法、层析成像法和共振法等。

静电法是电学法的一种。其测量的基本原理是煤在破碎过程和输送过程中，煤粉粒子之间的相互碰撞、磨擦、分离，将带有一定量的电荷并产生一定的电荷场，通过特制的感应传感器时，在传感器表面产生等量感应电荷，大量带电煤粉在传感器附近的移动，可以产生感应电流，感应电流的大小与煤粉量成正比关系。

由于粉体颗粒静电化过程复杂，带电量的大小和符号不仅与颗粒本身的属性有关，而且与管道的材料和布置、颗粒在管道中的输送条件等有关，因此静电传感器给出的仅仅是颗粒流量的相对值，定量建立颗粒质量流量、浓度与颗粒静电量之间的机理模型尚需深入的理论与试验研究。另外，煤粉气固两相流动过程中呈现出的不同流型也是影响静电传感器应用的一个重要因素，多数多相流量计都存在灵敏度分布不均匀性问题。静电传感器的输出信号是非常复杂的随机信号，含丰富的流动参数信息。其输出信号的特征集与流量间并不存在确定的函数关系，信号集与质量流量之间是一个复杂的非线性映射。影响煤粉颗粒静电因素较多，且气固两相管流截面上存在颗粒浓度分布曲线以及静电传感器的非线性传感器机理，单纯地从静电传感器输出信号的有效值，不能准确获得颗粒质量流量绝对测量值，只能给出相对指示值。

近些年发展起来的软测量技术为复杂工业过程中难于用传统仪表直接测量的参数，提供了一种有效的解决方法。软测量技术也是未来多相流测试领域的一个重要发展方向。目前，对于软测量模型大都基于单一模型进行建模，即对自变量区间(辅助变量)采用单一的函数关系拟合输出，而未考虑数据组之间的联系和差异，因此在有限的数据基础上，建立的模型精度较低、鲁棒性差。

软测量模型是软测量技术的核心，其强调的是通过辅助变量来获得对主导变量的最佳估计。建模方法主要有机理建模、同归分析、状态估计、模式识别、人工神经网络、模糊数学、过程层析成像、相关分析和现代非线性信息处理技术。

发明内容

本发明是针对现有电站锅炉煤粉浓度质量流量测量的精度低的问题，提出了一种电站锅炉煤粉浓度质量流量软测量方法，利用模糊数学，提出了基于分解合成的多模型加权平均的固相质量流量非线性软测量模型，可有效地减小了流型对多相流流量计测量精度的影响，提高了浓度测量准确性；基于静电传感技术和模糊规则的软测量模型，可推广到其他检测原理的多相流参数测量上，系统结构简单，易于实现。

本发明的技术方案为：一种电站锅炉煤粉浓度质量流量软测量方法，包括如下步骤：

1)测量信号预处理：通过静电传感器获得测量数据，经降噪、滤波后，采用动态时窗模型，对测量数据进行平滑预处理；

2)提取静电传感器输出信号特征量：在时域和频域内对静电传感器输出信号提取特征量，时域内静电传感器输出信号提取有效值、均值、方差、偏度系数，频域内提取熵和形状因子；

3)建立基于模糊规则的质量流量非线性软测量模型：建立一个多输入单输出的非线性系统模型，模糊规则的输入向量为静电传感器输出信号的特征向量；

4)模型参数辨识过程：利用模糊聚类算法将输入数据进行空间分区，根据一组训练数据来确定模型中的参数；

5)局部子模型辨识：每一区间上用径向基函数(RBF)神经网络辨识出一个子模型，再利用模糊推理将各子模型输出加权求和得到颗粒质量流量的估计值。

所述步骤2)中的信号特征量选取时以对流动参数变化敏感为原则，确保能够反映两相流的流动特性。

所述步骤5)中的径向基函数神经网络以函数逼近理论为基础而构造一类前向学习网络，通过对各种标准信号的处理和学习，将处理和学习过程以权值和阈值模式集中存储和记忆在网络中，在多维空间中寻找训练数据的最佳拟合平面，从而实现信号特征到质量流量的非线性映射，实现了煤粉颗粒质量流量的测量。

本发明的有益效果在于：本发明电站锅炉煤粉浓度质量流量软测量方法，给出颗粒质量流量绝对值的同时，也有效地将流型的影响融合到软测量模型中，提高了测量精度。

附图说明

图1是本发明电站锅炉煤粉浓度质量流量软测量方法中时窗函数模型示意图；

图2是本发明电站锅炉煤粉浓度质量流量软测量方法中基于模糊规则的质量流量非线性软测量模型示意图；

图3是本发明电站锅炉煤粉浓度质量流量软测量方法中局部子模型示意图；

图4是本发明电站锅炉煤粉浓度质量流量软测量方法中示意图；

图5是本发明电站锅炉煤粉浓度质量流量软测量方法中软测量系统数据处理流程图。

具体实施方式

考虑到在静电传感器空间灵敏场内，不同的颗粒分布对应的传感器输出信号不同，可对流动过程流型的变化及流型在线辨识并将其引入，对模型进行在线修正，可减少流型和传感器非线性传感机理对测量结果的影响，以提高静电传感器的测量精度。通过静电传感器获得测量数据，经降噪、滤波后，采用动态时窗模型，对测量数据进行平滑预处理，然后提取输出信号的特征信息，考虑数据组之间的联系和差异，建立不同聚类中心的软测量模型，利用模糊聚类算法将输入数据进行空间分区，每一区间上用径向基函数(RBF)神经网络辨识出一个子模型，再利用模糊推理将各子模型输出加权求和得到颗粒质量流量的估计值。该模型减小了流型对测量结果的影响，从而提高测量精度。

1、测量信号预处理：

静电传感器输出信号随机性很大，难以直接获得煤粉质量流量直接信息，需经过降噪、滤波、平滑等预处理过程。

建立时窗函数模型如图1所示，对测量信号进行平滑滤波：

时窗函数滤波信号输出

$f\left(x_t\right)=\frac{F(t+\mathrm{\τ})-F\left(t\right)}{\mathrm{\τ}}$

式中取 $F\left(t\right)=\underset{i=0}{\overset{N_t}{\mathrm{\Σ}}}{x}_i,$ x_i为采集的离散测量值数据点，N_t为采集时间t内采样的静电传感器数据点的个数；时窗长度τ可由程序界面动态设定。

2、提取静电传感器输出信号特征量：

在时域和频域内对静电传感器输出信号共提取6个特征量。时域内静电传感器输出信号的统计特征包括：有效值、均值、方差、偏度系数，频域内提取熵和形状因子。

有效值：一个数据采集周期T内的等效电压值，表达式为

$\mathrm{RMS}=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2}$

式中x_i为采集的离散数据点，N为采集数据点的个数。

均值x反应了波动信号中的直流成分。气固两相流动过程中，颗粒不仅在轴向运动，且在径向上也会产生运动，甚至存在回流现象。静电传感器输出信号并非一个均值为零的交流信号，其直流成分也反映了颗粒的流动特性，计算表达式为

$\stackrel{\‾}{x}=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i$

方差反映了测量数据的离散程度，计算表达式：

$S=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}$

偏度系数反映了以平均值为中心数据分布的不对称程度，表达式为

$S_s=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^3/S^3$

为表征信号的功率谱密度函数分布特征，在频域内提取了熵和形状因子。信号的概率密度函数定义为：

$d_j=\frac{p_j}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{p}_j}$ 式中p_j为对应第j个离散频率的功率密度，J为功率谱分析中获得离散频率点的总数。信息熵标识功率谱密度分布测度

$E=-\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{d}_j\lg d_j$

功率谱形状因子定义如下

$\mathrm{SF}=\frac{1}{p}\sqrt{\frac{1}{J-1}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(p_i-\stackrel{\‾}{p})}^2}$ 式中p为功率谱的平均值，即 $\stackrel{\‾}{p}=\frac{1}{J-1}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{p}_j$

基于不同的信息处理技术，如信息熵、混沌、分形理论及小波分析等，所提取的信号特征是不同的，对于一个信号的表征也是多种多样。本系统选取时以对流动参数变化敏感为原则，确保能够反映两相流的流动特性。

3、建立基于模糊规则的质量流量非线性软测量模型

建立一个多输入单输出的非线性系统模型如图2所示，模糊规则的输入向量为静电传感器输出信号的特征向量：

$x=[\mathrm{RMS},\stackrel{\‾}{x},S,S_s,E,\mathrm{SF}]$

非线性系统可以n条模糊规则的集合表示：

If x∈(q_i)，then  y_i＝f_i(x)  (i＝1，2，…，n)

式中(q_i)表示第i个局部数据输入区域，q_i为聚类数据中心；n为模糊规则数，即整个输入向量空间所划分的局部输入区域数；y_i是第i条规则对应的输出；f_i(x)为对应的局部子模型。

基于模糊推理的整个非线性模型系统的输出(即质量流量)

$y=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{y}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i}$

式中w_i为输入x属于第i条规则的程度，可根据Gaussian Bells函数计算：

$w_i=\exp [-\frac{{(x-q_i)}^T(x-q_i)}{S_i^2}]$

式中q_i为高斯函数的中心变量，S_i为高斯函数的高度。

4、模型参数辨识过程

根据一组输入、输出的训练数据来确定模型中的参数，即各局部数据输入区域的中心q_i、高斯密度函数的宽度S_i、局部输出子模型f_i(x)。

按照样本相似性准则将整个样本空间的输入数据划分到各个局部输入区域。考虑到气固两相流流动过程，不同流动状态之间的界限很难明确划分，且状态间互相重迭，因而采用模糊C均值聚类(FCM)算法可更有效刻画流动状态。

静电传感器输出m组待聚类信号特征样本，可用如下集合表示：

X＝{x₁，x₂，…，x_m}

集合中每个样本点用含有6个浓度信号特征值的向量表示

$x_j=[{\mathrm{RMS}}_j,{\stackrel{\‾}{x}}_j,S_j,{\left(S_s\right)}_j,E_j,{\mathrm{SF}}_j]$      (j＝1，…，m)

FCM根据指定的聚类数n，以样本与聚类中心的距离为目标函数计算隶属度，实现对数据的分类。计算机程序编制时采用迭代算法，近似获得目标函数的最优值，继而获得最优聚类中心Q＝[q₁，q₂，…q_n]和隶属度矩阵U＝[u_ij]_{i＝1，…n；j＝1，…，m}，u_ij表示样本集合中的元素x_i属于第i个聚类的程度。不同聚类中心q_i中的数据按照最大的隶属原则进行确定。

S_i计算公式： $\mathrm{Si}={\left[\frac{1}{L}\underset{l}{\overset{L}{\mathrm{\Σ}}}{(p_l-q_i)}^T(p_l-q_i)\right]}^{\frac{1}{2}}$

式中p_l(l＝1，…，L)为第i个聚类中的元素，L为第i个聚类中的样本个数。

5、局部子模型辨识

采用径向基函数(RBF)神经网络作为局部子模型的预估模型，如图3所示。径向基函数网络以函数逼近理论为基础而构造一类前向学习网络，通过对各种标准信号的处理和学习，将处理和学习过程以权值和阈值模式集中存储和记忆在网络中，在多维空间中寻找训练数据的最佳拟合平面，从而实现信号特征到质量流量的非线性映射，实现了煤粉颗粒质量流量的测量。

输入层共6个特征输入量，输出层为煤粉颗粒质量流量。隐含层包含一系列径向函数，输出层采用线性函数。选用高斯函数作为径向基函数

$\mathrm{Rr}\left(x\right)=\exp [-\frac{{\left|\right|x-c_r\left|\right|}^2}{2{\mathrm{\σ}}_r^2}]$

式中：x是6维输入向量；c_r是r个基函数中心，与x具有相同维数的向量；σ_r为第r个基函数的宽度。

输入层实现从x→R_r(x)的非线性映射，输出层实现从R_r(x)→f(x)的线性映射，即 $f\left(x\right)=\underset{r=1}{\overset{N_n}{\mathrm{\Σ}}}{a}_r{R}_r\left(x\right)+a_0$ 式中N_n是隐层节点个数，a_r是第r个隐层单元到输出层单元的连接权值；a₀是输出层单元的阈值。

RBF网络学习过程分成两个阶段：先根据各局部区域训练样本利用减聚类学习算法确定隐层神经元数目N_n、径向基函数的中心值c_r、径向基函数宽度σ_r，然后隐层参数确定后输出层的连接权a_r由训练样本通过监督的误差校正学习算法确定。

进一步说明，举例建立锅炉风粉在线监测系统如图4所示，系统由信号测量系统、信号采集系统、数据组态处理及终端显示及接口4个部分组成。以上海某电厂3#锅炉为监测对象。系统测点包括：煤粉浓度测点4个、热风温度测点4个、一次风速动压测点4个，系统对C层磨煤机给粉系统12路信号进行数据采集。

煤粉浓度测量由基于静电荷测量原理的EDC-TM煤粉测量传感器、EDC-QM前置转换模块、EDC-D15专用模块电源构成。EDC-TM煤粉测量传感器经前置转换模块EDC-QM送至数据采集系统。数据处理以及上位机系统组态采用力控PcAuto组态工具实现。

浓度传感器静电感应电流经放大处理后通过特殊屏蔽同轴电缆输出至EDC-QM前置转换模块进行处理，转换为仪表行业通用的4~20mA电流信号，然后送至DY系列远程I/O进行数据采集，并转换成0～100测量值。

如图5所示流程图，通过多次试验，改变系统负荷，改变总输送粉量和风量，通过试验记录多组数据获得训练样本。原始测量值信号随机性较大，经过超前、滞后滤波及动态时窗滤波，提取信号特征值，进入模糊推理。

实际应用模糊C均值算法进行聚类时，聚类个数n的确定非常重要。聚类个数n增多，模型精度不一定高，其中一个主要原因是由于总的训练样本一定时，n增大导致局部模型训练样本数减小，局部模型辨识精度变差。经实验计算发现，局部输入区域取4时，模型的辨识精度较高。实际比照分析表明，应用基于模糊规则的多模型软测量方法可有效地减小了流型对多相流流量计测量精度的影响，提高了浓度测量准确性。

Claims (3)

1、一种电站锅炉煤粉浓度质量流量软测量方法，包括如下步骤：

1)测量信号预处理：通过静电传感器获得测量数据，经降噪、滤波后，采用动态时窗模型，对测量数据进行平滑预处理；

2)提取静电传感器输出信号特征量：在时域和频域内对静电传感器输出信号提取特征量，时域内静电传感器输出信号提取有效值、均值、方差、偏度系数，频域内提取熵和形状因子；

3)建立基于模糊规则的质量流量非线性软测量模型：建立一个多输入单输出的非线性系统模型，模糊规则的输入向量为静电传感器输出信号的特征向量；

4)模型参数辨识过程：利用模糊聚类算法将输入数据进行空间分区，根据一组训练数据来确定模型中的参数；

5)局部子模型辨识：每一区间上用径向基函数(RBF)神经网络辨识出一个子模型，再利用模糊推理将各子模型输出加权求和得到颗粒质量流量的估计值。

2、根据权利要求1所述电站锅炉煤粉浓度质量流量软测量方法，其特征在于：所述步骤2)中的信号特征量选取时以对流动参数变化敏感为原则，确保能够反映两相流的流动特性。

3、根据权利要求1所述电站锅炉煤粉浓度质量流量软测量方法，其特征在于：所述步骤5)中的径向基函数神经网络以函数逼近理论为基础而构造一类前向学习网络，通过对各种标准信号的处理和学习，将处理和学习过程以权值和阈值模式集中存储和记忆在网络中，在多维空间中寻找训练数据的最佳拟合平面，从而实现信号特征到质量流量的非线性映射，实现了煤粉颗粒质量流量的测量。

Images