CN110208696A

CN110208696A - 基于模型自弈和典型样本的磨煤机故障诊断方法

Info

Publication number: CN110208696A
Application number: CN201910553533.5A
Authority: CN
Inventors: 胡勇; 平博宇; 曾德良; 刘吉臻; 牛玉广; 冯树臣
Original assignee: North China Electric Power University; GD Power Development Co Ltd
Current assignee: North China Electric Power University; GD Power Development Co Ltd
Priority date: 2019-06-25
Filing date: 2019-06-25
Publication date: 2019-09-06

Abstract

本发明属于发电机组故障诊断技术领域，尤其涉及一种基于模型自弈和典型样本的磨煤机故障诊断方法，包括：基于磨煤机运行机理和历史数据，并采用遗传算法辨识未知参数来构建磨煤机机理模型；通过调整磨煤机机理模型参数来模拟磨煤机不同故障从而产生大量典型故障样本数据；采用神经网络对大量典型故障样本数据进行训练和学习，得到神经网络故障诊断模型；采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，在故障发生的早期进行故障预警和故障识别。解决了磨煤机故障样本数据难以筛选且样本数量不足的问题；采用神经网络对不同故障典型样本进行分类，能有效的在故障产生的初期检测出故障和故障类型，从而避免故障恶化造成损失。

Description

基于模型自弈和典型样本的磨煤机故障诊断方法

技术领域

本发明属于发电机组故障诊断技术领域，尤其涉及一种基于模型自弈和典型样本的磨煤机故障诊断方法。

背景技术

设备故障诊断技术是通过设备运行数据鉴别设备的运行状态是否正常，寻找故障的起因和故障类型，提醒电厂运行人员能在第一时间做出针对性的防范措施，从而提高电厂运行的安全可靠性，其本质是一种模式识别或分类问题，它包括信号采集、特征提取、状态识别及诊断决策等具体实施步骤。

磨煤机属于火电机组重要辅机设备，其运行状态的好坏直接关系到机组能否安全稳定运行。由于电厂的磨煤机实际故障样本数量难以筛选且样本数量不足，难以支持神经网络的训练和学习，因此本方法采用建立磨煤机机理模型，通过模型自奕产生大量的故障和正常运行的典型样本。样本的产生需要对磨煤机机理进行研究，只有正确的分析磨煤机系统的故障产生机理，才能模拟出符合磨煤机实际故障的典型样本，为准确判断故障提供可靠的依据。对模拟产生的大量典型故障样本，采用神经网络进行分类训练和学习，并将电厂实际运行数据送入神经网络故障诊断模型进行实时监测，从而在磨煤机发生故障的早期进行故障报警和故障识别，方便运行人员在第一时间进行针对性的处理，极大的提高系统运行的可靠性。本发明专利将提供一种基于模型自弈和典型样本的磨煤机故障诊断方法，旨在实现对磨煤机的故障预警，保证其安全可靠运行。

发明内容

针对上述问题，本发明提出了一种基于历史数据挖掘及深度学习的故障诊断方法，包括：

步骤1：基于磨煤机运行机理和历史数据，并采用遗传算法辨识未知参数来构建磨煤机机理模型；

步骤2：通过调整磨煤机机理模型参数来模拟磨煤机不同故障从而产生大量典型故障样本数据；

步骤3：采用神经网络对大量典型故障样本数据进行训练和学习，得到神经网络故障诊断模型；

步骤4：采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，在故障发生的早期进行故障预警和故障识别。

所述构建磨煤机机理模型包括：

基于能量和质量平衡建立冷热风门和一次风的非线性动态方程；

考虑磨煤机内部存煤量的质量平衡，建立磨内存煤量的非线性方程；

根据磨煤机输入输出的能量平衡关系建立磨出口风粉混合物温度的非线性方程。

所述采用遗传算法辨识未知参数使得模型输出量一次风流量、一次风温度、磨电流和磨出口温度的适应度函数最小。

所述典型故障包括：磨断煤、磨满煤和磨自燃三种故障。

所述磨断煤通过快速减少给煤量来模拟磨断煤故障；所述磨满煤通过增加给煤量、增大煤水分或减少一次风量来模拟磨满煤故障；所述磨自燃通过在磨煤机输入能量中加入煤粉自燃产生的热量来模拟磨自燃故障。

所述步骤3包括：采用反向传播神经网络对磨煤机故障典型样本进行训练和学习，对典型样本加上标签作为训练的期望输出；所述反向传播神经网络分为输入层，隐含层和输出层；输入层采用相同时间长度的输入参数，将故障发生的早期数据输入模型中；隐含层采用sigmoid函数进行非线性处理，每层之间随机设置初始权值和阈值，并通过反向传播算法不断调整网络的权值和阈值，使网络的误差平方和最小，网络的误差平方和为网络训练输出与期望输出误差平方和；给定隐含层层数和每层节点个数，训练神经网络使误差平方和最小，得到训练好的神经网络故障诊断模型。

所述采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，选择与反向传播神经网络训练输入相同时间长度的窗口大小，滑动检测电厂中的实时数据，在故障发生的早期进行故障预警和故障识别。

本发明的优点是：

1、在磨煤机运行的海量历史数据中，其故障样本数据难以筛选且样本数量不足，难以支持神经网络对故障特征的学习，建立磨煤机故障机理模型产生大量典型故障样本可以解决这一问题。

2、采用神经网络对不同故障典型样本进行分类，能有效的在故障产生的初期检测出故障和故障类型，提醒操作人员采取针对性的措施解决故障，从而避免故障恶化造成损失。

附图说明

图1为基于模型自奕的典型样本的故障诊断流程图。

图2为模型辨识效果图。

具体实施方式

本发明的流程图如图1所示。基于模型自奕的典型样本的故障诊断方法，首先根据磨煤机运行机理和历史数据，构建磨煤机机理模型；其次，根据磨煤机故障产生机理，调整模型参数或控制方式，通过模型自奕产生大量典型故障样本数据；进而，采用神经网络对模型自弈产生的大量典型故障样本数据进行分类训练和学习，得到神经网络故障诊断模型；最后，通过神经网络故障诊断模型，采用滑动窗口法对电厂实时运行数据判断故障预警和故障识别。

第一步，建立磨煤机的故障机理模型，本方法的磨煤机为MPS(Mill Parter Ship)型中速磨煤机，将其分为三个部分的建模。

1)基于能量和质量平衡建立入口一次风温度和流量的非线性动态方程；所述模型为微分方程形式，具体形式如下：

式中，W_air为磨入口一次风流量，kg/s；T₁为一次风流量惯性常数，s；为冷风门最大流量，kg/s；为热风门最大流量，kg/s；u_L为冷风门开度，％；u_H为热风门开度，％；θ_in为磨入口一次风温度，℃；T₂为一次风温度惯性常数，s；C_in为一次风比热容，kJ/kg·℃，取1.015kJ/kg·℃；C_L为冷风比热容，kJ/kg·℃，取1.011kJ/kg·℃；θ_L为冷风温度，℃；C_H为热风比热容，kJ/kg·℃，取1.023kJ/kg·℃；θ_H为热风温度，℃。

2)考虑磨煤机内部存煤量的质量平衡，建立磨内原煤量和煤粉量的非线性方程；所述模型为微分方程形式，具体方程形式如下：

I＝K₁M_c+K₂M_pf+K₃ (5)

式中，M_c为磨内原煤质量，kg；W_c为给煤量，kg/s；M_pf为磨内煤粉质量，kg；W_pf为磨出口煤粉流量，kg/s；K_conv为单位时间磨内原煤向煤粉的转换系数；I为磨电流，用来其中表征磨内存煤量，作为模型参数的辨识的目标函数。磨出口煤粉流量W_pf正比于磨煤机内部的煤粉质量和一次风差压，而一次风差压又与磨入口一次风温度和流量存在一定的函数关系，具体计算公式如下：

W_pf＝K_pfΔP_paM_pf (6)

其中，ΔP_pa为一次风差压，mbar；K_pf为煤粉流量系数。

3)根据磨煤机输入输出的能量平衡关系建立磨出口风粉混合物温度的非线性方程如下：

式中T_out为磨煤机出口风粉混合物温度(℃)，Q_in为单位时间内磨煤机输入总热量(kJ/s)，Q_out为单位时间内磨煤机输入总热量(kJ/s)，C_mix为磨内原煤、煤粉及参与换热金属的整体比热容(kJ/kg·℃)，取0.46(kJ/kg·℃)。

采用遗传算法将电厂实际的数据送入模型中辨识其中的未知参数，使输出量一次风流量、一次风温度、磨电流和磨出口温度的适应度函数最小，将辨识好的函数代入模型中得到磨煤机机理模型。模型辨识效果图2所示。

从图2中可以看出模型输出的一次风温度、一次风流量、磨电流和磨出口温度与电厂实际趋势几乎完全吻合，模型的输出能很好的反映真实情况，说明模型合理有效，建立的磨煤机模型能够很好的反应其动态特性，可用于产生正常和故障的典型样本。

第二步，根据磨煤机故障产生机理调整模型参数或控制方式，通过模型自奕产生大量典型故障样本数据。对于磨煤机主要模拟磨断煤、磨满煤和磨自燃三种故障。磨断煤大多由于落煤管堵塞或给煤机故障等原因，导致磨煤机入口煤量大量减少，通过快速减少给煤量来模拟磨断煤故障，并尽可能遍历不同磨负荷工况；磨满煤由于煤水分过高、风量过小、给煤过多或磨煤机碾磨件故障等原因导致，通过增加给煤量、增大煤水分或减少一次风量来模拟磨满煤故障；磨自燃由于磨入口风温过高达到原煤挥发分的燃点，导致磨内煤粉自燃，引起磨出口风粉混合物温度快速上升，通过在磨煤机输入能量中加入煤粉自燃产生的热量来模拟磨自燃故障。模型自奕模拟各个工况下的故障典型样本，不同的给煤量，一次风温度和一次风流量代表了不同的工况，通过改变这三个参数，模型自奕模拟出不同工况下大量典型的故障样本。

第三步，用神经网络对典型样本数据进行训练和学习，得到神经网络故障诊断模型。本方法采用BP神经网络对样本进行分类，首先对典型样本加上标签作为训练的期望输出，磨断煤、磨满煤、磨自燃和正常样本的期望输出分别为[0,0,0,1],[0,0,1,0],[0,1,0,0]和[1,0,0,0]。BP神经网络一般为3层结构，分别为输入层，隐含层和输出层。输入层采用相同时间长度的输入参数，对于磨煤机模型，应采用典型样本中的冷风门开度、热风门开度、一次风流量、一次风温度、磨出口煤粉量、磨内原煤量、磨内煤粉量、磨出口风粉混合物、磨电流和磨差压共10个参数，将故障发生的早期数据输入模型中。隐含层采用sigmoid函数进行非线性处理，每层之间随机设置初始权值和阈值，并通过反向传播算法不断调整网络的权值和阈值，使网络的误差平方和最小。网络的误差平方和为网络训练输出与期望输出误差平方和。选取隐含层节点数30个，样本个数5000组，迭代次数3000次，训练神经网络训练使误差平方和最小，即分类的正确率最高，得到训练好的网络模型。

第四步，对磨煤机实时运行数据进行特征判别。采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，选择与BP神经网络训练输入相同时间长度的窗口大小，滑动检测电厂中的实时数据，在故障发生的早期进行故障预警和故障识别。下面以电厂磨断煤检测为例，故障检测表如表所示。将15:28:00到15:29:30时间段的电厂数据进行神经网络检测，每10s计算一次故障概率，磨断煤从15:28:40开始发生断煤故障。

表1磨煤机故障检测仿真表

从表1中可以看出，神经网络模型能在15:28:50检测出磨断煤故障，说明采用基于模型自奕和典型样本的设备故障诊断方法能有效的在故障产生的初期检测出故障和故障类型，提醒操作人员采取针对性的措施解决故障，从而避免故障恶化造成损失。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1.一种基于历史数据挖掘及深度学习的故障诊断方法，其特征在于，包括：

2.根据权利要求1所述故障诊断方法，其特征在于，所述构建磨煤机机理模型包括：

3.根据权利要求1所述故障诊断方法，其特征在于，所述采用遗传算法辨识未知参数使得模型输出量一次风流量、一次风温度、磨电流和磨出口温度的适应度函数最小。

4.根据权利要求1所述故障诊断方法，其特征在于，所述典型故障包括：磨断煤、磨满煤和磨自燃三种故障。

5.根据权利要求4所述故障诊断方法，其特征在于，所述磨断煤通过快速减少给煤量来模拟磨断煤故障；所述磨满煤通过增加给煤量、增大煤水分或减少一次风量来模拟磨满煤故障；所述磨自燃通过在磨煤机输入能量中加入煤粉自燃产生的热量来模拟磨自燃故障。

6.根据权利要求1所述故障诊断方法，其特征在于，所述步骤3包括：采用反向传播神经网络对磨煤机故障典型样本进行训练和学习，对典型样本加上标签作为训练的期望输出；所述反向传播神经网络分为输入层，隐含层和输出层；输入层采用相同时间长度的输入参数，将故障发生的早期数据输入模型中；隐含层采用sigmoid函数进行非线性处理，每层之间随机设置初始权值和阈值，并通过反向传播算法不断调整网络的权值和阈值，使网络的误差平方和最小，网络的误差平方和为网络训练输出与期望输出误差平方和；给定隐含层层数和每层节点个数，训练神经网络使误差平方和最小，得到训练好的神经网络故障诊断模型。

7.根据权利要求1所述故障诊断方法，其特征在于，所述采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，选择与反向传播神经网络训练输入相同时间长度的窗口大小，滑动检测电厂中的实时数据，在故障发生的早期进行故障预警和故障识别。