CN110346160B - 一种基于svr的磨煤机效率异常检测与诊断方法 - Google Patents

Abstract

本发明公开了一种基于SVR的磨煤机效率异常检测与诊断方法，包括如下步骤：首先采集磨煤机正常运行数据，按照比例划分训练集与验证集，并且采集异常/实时数据作为测试集。确定性能变量作为模型输出，相应的运行变量作为模型输入，训练模型，并使用验证集确定控制限。然后输入测试集，计算目标变量偏差；若偏差超过控制限，提取支持向量与异常工况比较，确定变量的偏差大小和方向，给出变量贡献排序。最后综合所有效率相关模型，即可确定引起效率异常的原因变量与效率异常的传播途径。利用本发明方法，可以对磨煤机的效率异常情况进行检测，实现异常变量的挖掘和异常原因的诊断。

Description

一种基于SVR的磨煤机效率异常检测与诊断方法

技术领域

本发明涉及复杂工业设备的故障检测与诊断领域，具体涉及一种基于SVR的磨煤机效率异常检测与诊断的方法。

背景技术

磨煤机是火力发电厂燃料系统中重要的辅机，用于将煤块磨成粉末后经一次热风输送入锅炉内燃烧。如果磨煤机碾磨出的煤粉细度或者湿度不合适，将会导致燃烧管路堵塞、结渣、结垢等，影响燃烧效率；而如果煤粉供应不足，可能导致锅炉故障或停机。因此，火力发电厂中燃料的燃烧效率很大程度上取决于磨煤机的生产性能和效率。而磨煤机的性能还可能会被堵塞、着火、爆炸、部件磨损等因素影响。因此，对磨煤机进行异常状态检测和诊断，对于其运行状况的优化，生产性能和效率的提高有着重要的意义。

目前，针对磨煤机系统的异常工况检测与诊断主要使用基于模型的方法和基于数据的方法。基于模型的方法的准确性取决于模型对机理描述的准确程度，但由于磨煤机是一个高度非线性的系统，存在着一些关键参数难以获取的问题。由于工厂的现代化和智能化，通常配备了大型的传感器来监测设备的运行状态，因此传感器产生的数据可以用于监测工业过程中的异常情况。数据驱动的方法如信号处理方法、统计分析方法、基于机器学习的方法都在不同的领域得到了广泛的应用，同时部分方法也被应用于磨煤机的性能监测与故障诊断。但在解决效率异常情况的检测和诊断上存在着一定的局限性。首先，效率异常并不一定是故障所导致的，因此依赖于故障样本训练模型进行异常诊断的分类方法无法识别由于工况变化或者部件老化导致的效率异常情况。其次，现有的性能监测的方法通常无法给出效率异常的原因，在很大程度上仍然需要依赖专家知识。

发明内容

本发明提供了一种基于支持向量回归(SVR)的磨煤机效率异常检测与诊断的方法，克服了目前现有方法存在的依赖专家经验和故障样本，难以发现新异常、检测结果难以解释的问题。该方法只需要获取磨煤机的运行数据，通过建立支持向量回归模型，使用训练模型后得到的支持向量进行基于距离的变量异常诊断，获得准确可靠的效率异常时间和导致异常的原因变量。

本发明具体采用的技术方案如下：

一种基于SVR的磨煤机效率异常检测与诊断方法，该方法包括如下步骤：

步骤1，选取磨煤机正常运行时的数据，划分成训练集和验证集；

步骤2，以一个性能变量为模型输出，以与该性能变量相关的运行变量作为模型输入，构建支持向量回归模型；

步骤3，以第一个性能变量为当前性能变量，使用训练集训练当前性能变量的支持向量回归模型，然后用验证集拟合的结果确定效率异常时的误差控制限；

步骤4，将磨煤机的运行数据输入磨煤机效率模型中，计算当前目标变量的估计误差，与控制限比较，是否存在有多个连续样本超出控制限的异常工况；

步骤5，若存在，提取超出控制限的样本与支持向量回归模型中的支持向量进行比较，得到运行变量在异常工况下的偏差大小和方向，并给出变量排名；若不存在，则直接跳至步骤6；

步骤6，以下一个性能变量为当前性能变量，重复执行步骤2-5，直至所有的性能变量都执行完毕。

本发明公开了一种基于SVR的磨煤机效率异常检测与诊断方法。利用本发明方法，可以对磨煤机的效率异常情况进行检测，实现异常变量的挖掘和异常原因的诊断。

作为优选，在步骤2中，所述的性能变量共4个，分别为旋转分离器速度、出口风粉混合物温度、磨碗上下差压以及磨煤机电耗。

作为优选，在步骤3中，使用训练集训练当前性能变量的支持向量回归模型，然后用验证集拟合的结果确定效率异常时的误差控制限，其步骤如下：

步骤3-1，首先对当前性能变量的支持向量回归模型中所有输入和输出参数进行最大最小归一化处理；

步骤3-2，针对当前性能变量，使用训练集数据对支持向量回归模型进行训练，最终的模型参数采用网络搜索的策略得到；

步骤3-3，将验证集数据输入训练完毕的支持向量回归模型中，得到模型输出值与真实值之间的残差并计算相对误差，依据3σ准则，计算相对误差的均值μ和标准差σ，以μ±3σ作为控制上限和下限。

作为优选，步骤5中，提取连续超出控制限的样本与训练模型得到的支持向量进行比较，得到运行变量在异常工况下的偏差大小和方向，并给出运行变量排名的具体步骤如下：

步骤5-1，提取运行数据中超出控制限的异常样本集合{x₁,x₂,…,x_p}，其中第i个异常样本

i＝1,2,…,p，p为运行数据中超出控制限的异常样本总数，n为当前性能变量的支持向量回归模型中输入变量个数；

步骤5-2，针对当前性能变量的支持向量回归模型，从训练完毕的模型中提取支持向量{v₁,v₂,…,v_q}，其中第t个支持向量

t＝1,2,…,q，q为当前性能变量的支持向量回归模型中的支持向量个数；

步骤5-3，对于每个异常样本，计算其与每个支持向量之间的欧式距离，选取N个最近邻支持向量作为历史状态；

步骤5-4，对于每个异常样本，计算该异常样本与其历史状态之间在第k个输入变量上的平均偏差，计算公式为：

其中：cont_i,k为第i个异常样本与其历史状态中N个支持向量在第k个输入变量上的平均偏差；i＝1,2,…,p；k＝1,2,…,n；

对所有异常样本的平均偏差cont_i,k进行求平均，得到第k个输入变量的贡献值；

步骤5-5，对所有的n个输入变量重复步骤5-4后，得到每个输入变量的贡献值，然后根据贡献值的绝对值从大到小对所有的输入变量进行排序，取排序靠前的若干变量作为影响当前性能变量的输入变量，完成异常变量的挖掘。

作为优选，所述的N取值为10。

本发明与现有技术相比具有的有益效果有：

1.仅依赖过程数据，无需故障样本，无需效率异常的先验知识；

2.考虑了不同的参数对模型性能的影响，使用网格搜索的方法确定支持向量回归的关键参数，从而在较短的寻优时间下获得较好的模型性能。

3.使用了支持向量回归中的支持向量作为诊断依据，不仅给出了异常状况下变量的贡献排序，还给出了变量的偏差方向和大小，减少对专家知识的依赖，有助于操作人员判断；

4.所提出的方法用于磨煤机的效率异常检测与诊断，具有较高的准确性和可靠性。

附图说明

图1：电耗模型输出结果图。

图2：变量的平均偏差程度。

具体实施方式

下面以磨煤机旋转分离器异常案例为例，利用基于支持向量回归的效率异常检测和诊断方法，结合附图对本发明做进一步的说明。

某大型火电厂磨煤机运行的真实数据，共17个变量，包括13个运行变量和4个性能变量。

案例描述：电厂操作人员在2:15观察到分离器电流突然下降，在3:30-6:00期间，分离器停下两次，速度根据电流进行缓慢调整。经过检修之后，磨煤机运行良好，直到8:30专家赶到现场，通过观察分析，得出分离器减速器出现问题的结论。由于正在定检无法停运磨煤机，决定维持低转速低煤量运行。

针对上述案例，下面采用基于SVR的磨煤机效率异常检测与诊断方法，对其可能原因进行诊断，该方法包括如下步骤：

步骤1，选取磨煤机正常运行时的数据，划分成训练集和验证集；

在本实施例中，建模数据选取了五个月内磨煤机运行状况良好的数据，去除了停机时的数据，按照7：3的比例划分为训练集和验证集。其中，训练集共2060个工况，验证集共884个工况。

步骤2，以一个性能变量为模型输出，以与该性能变量相关的运行变量作为模型输入，构建支持向量回归(SVR)模型。

由于磨煤机的性能通常由碾磨出力、干燥出力、通风出力来衡量，对应这三个指标，选择了旋转分离器速度、出口风粉混合物温度、磨碗上下差压来衡量。此外，通过磨煤机功率除以给煤量计算得到电耗，同样作为效率检测的评价指标之一。因此，在本实施例中，性能变量共4个，分别为旋转分离器速度、出口风粉混合物温度、磨碗上下差压以及磨煤机电耗。

针对不同的性能变量，结合专家经验，选择相应的运行变量作为模型输入。不同模型与对应的输入变量如表1所示。

表1不同模型的输入变量和目标变量表

No	变量名称	温度	压差	转速	电耗
						1	发电机有功功率三选输出
2	给煤机瞬时给煤量
						3	磨煤机电流
4	磨煤机功率
						5	给煤机电机转速
6	磨煤机出口风粉混合物温度	*	/	/
						7	磨煤机热一次风电动调节挡板位置反馈
8	磨煤机冷一次风电动调节挡板位置反馈
						9	磨煤机一次风压力
10	磨煤机一次风温度两选输出
						11	磨煤机一次风量三选输出
12	磨煤机风粉混合物压力
						13	磨煤机磨碗上下差压	/	*	/
14	磨煤机密封风与磨碗下部差压
						15	磨煤机旋转分离器电流	/	/		/
16	磨煤机旋转分离器速度输出	/		*
						17	磨煤机电耗	/	/	/	*

表中：温度、压差、转速、电耗4列中，每一列内“*”表示目标变量(即模型输出变量)，而“/”表示不作为该列目标变量的输入变量，剩余的全部作为输入变量。

以磨煤机出口风粉混合物温度为输出时，输入变量为1～5、7～12、14；

以磨煤机磨碗上下差压为输出时，输入变量为1～5、7～12、14、16；

以磨煤机旋转分离器速度输出为输出时，输入变量为1～5、7～12、14、15；

以磨煤机电耗为输出时，输入变量为1～14、16。

步骤3，以第一个性能变量为当前性能变量，使用训练集训练当前性能变量的支持向量回归模型，然后用验证集拟合的结果确定效率异常时的误差控制限，其步骤如下：

步骤3-1，首先对当前性能变量的支持向量回归模型中所有输入和输出参数进行最大最小归一化处理。本实施例中，将输入和输出变量都转化到0-1之间，其中，转化公式如式(1)所示：

其中，x_min和x_max分别是观测值的最小和最大值。

步骤3-2，针对当前性能变量，使用训练集数据对支持向量回归模型进行训练，最终的模型参数采用网络搜索的策略得到。其中，SVR模型通过求解式(2)得到最终表达式(3):

其中，参数∈为间隔带宽度，C为惩罚系数。m为训练样本个数，x是输入数据，y是输出数据，

a_i是b是模型待求参数。k(x,x_i)是核函数，这里选用如式(4)所示的高斯核函数，σ是核函数的带宽。

以电耗作为当前性能变量的SVR模型为例，待确定的参数有间隔带宽度∈、惩罚系数C和高斯核函数带宽σ。然后进行网格搜索，确定∈、C和σ分别是0.046、4.0和0.5，得到训练后的电耗SVR模型

步骤3-3，将验证集数据输入训练完毕的支持向量回归模型中，得到模型输出值与真实值之间的残差并计算相对误差，依据3σ准则，计算相对误差的均值μ和标准差σ，以μ±3σ作为控制上限和下限。

本实施例中，输入验证集的运行变量数据，得到模型估计的电耗值，将其重新缩放到原始数据范围，计算其与真实值之间的均方根误差为0.132。然后计算相对误差，得到新的观测值序列。基于相对误差，得到其均值μ和标准差σ分别为0.0030和0.0134，因此控制上限和下限分别为0.043和-0.037。

步骤4，将磨煤机的运行数据输入磨煤机效率模型中，计算当前目标变量的估计误差，与控制限比较，是否存在有多个连续样本超出控制限的异常工况；

步骤5，若存在，提取超出控制限的样本与支持向量回归模型中的支持向量进行比较，得到运行变量在异常工况下的偏差大小和方向，并给出变量排名；若不存在，则直接跳至步骤6。

本实施例中，将前述的磨煤机异常时的运行数据作为测试集数据，测试集数据选取了2:00-8:30的运行数据，除去3:30-6:00的时候磨煤机被关闭这一段时间。步骤4中用模型拟合上述测试集后得到的结果如图1所示。可以看出，效率异常的时间段为样本15-91的范围，对应于真实时间为2:15-3:30，与真实情况符合。

其中，提取连续超出控制限的样本与训练模型得到的支持向量进行比较，得到运行变量在异常工况下的偏差大小和方向，并给出运行变量排名的具体步骤如下：

步骤5-1，提取运行数据中超出控制限的异常样本集合{x₁,x₂,…,x_p}，其中第i个异常样本

i＝1,2,…,p，p为运行数据中超出控制限的异常样本总数，n为当前性能变量的支持向量回归模型中输入变量个数。

由于存在效率异常的情况，因此将运行数据中所有的异常样本提取出来，共78个异常工况，记为{x₁,x₂,…,x₇₈}。

步骤5-2，针对当前性能变量的支持向量回归模型，从训练完毕的模型中提取支持向量{v₁,v₂,…,v_q}，其中第t个支持向量

t＝1,2,…,q，q为当前性能变量的支持向量回归模型中的支持向量个数。

支持向量是落在∈间隔带之外，使得

不为零的训练样本。该模型共有40个支持向量，记为{v₁,v₂,…,v₄₀}。

步骤5-3，对于每个异常样本，计算其与每个支持向量之间的欧式距离，选取N个最近邻支持向量作为历史状态。本实施例中N取值为10。

步骤5-4，对于每个异常样本，计算该异常样本与其历史状态之间在第k个输入变量上的平均偏差，计算公式为：

其中：cont_i,k为第i个异常样本与其历史状态中N个支持向量在第k个输入变量上的平均偏差；i＝1,2,…,p；

对所有78个异常样本的平均偏差cont_i,k进行求平均，得到第k个输入变量的贡献值，即与历史状态的偏差程度。

步骤5-5，由于k存在共n个数值，即k＝1,2,…,n，因此对所有的n个k值重复步骤5-4。对所有的n个输入变量重复步骤5-4后，得到每个输入变量的贡献值，然后根据贡献值的绝对值从大到小对所有的输入变量进行排序，取排序靠前的若干变量作为影响当前性能变量的输入变量，排名越靠前影响越大，完成异常变量的挖掘。

本实施例中，遍历磨煤机电耗SVR模型的所有输入变量得到结果如图2所示。排序最靠前即贡献最大的三个变量分别是磨煤机旋转分离器速度输出、磨煤机磨碗上下差压和磨煤机电流，偏差的方向都是相对于正常值偏低。

由此，获得了针对第一个性能变量，即磨煤机电耗的影响变量。

步骤6，以下一个性能变量为当前性能变量，重复执行步骤2-5，即对旋转分离器速度、出口风粉混合物温度、磨碗上下差压三个性能重复步骤2-5，直至所有的性能变量都执行完毕。

依据检测结果，旋转分离器速度和磨碗上下差压均存在异常工况。因此进行后续诊断流程，得到影响旋转分离器速度的三个主要变量为磨煤机旋转分离器电流、磨煤机热一次风电动调节挡板位置反馈和磨煤机电流。影响磨碗上下差压的三个主要变量为磨煤机旋转分离器速度输出、磨煤机电流和磨煤机功率。

综合所有效率相关模型，确定引起效率异常的原因变量。

综合以上四个效率相关模型，可以得到引起效率异常的原因变量为磨煤机旋转分离器电流，异常的传播途径为通过旋转分离器速度影响了磨碗上下压差，由于旋转分离器速度偏低，导致更多的煤粉通过分离器，煤粉回流量下降，磨碗上下压差也随之减小，使得磨煤机电流下降。电流下降导致电耗降低，但是煤粉的质量也变差了。

该案例的实际情况就是由于分离器减速机损坏导致的效率异常，验证了利用本发明对磨煤机的效率异常进行检测和诊断的有效性及结果的合理性。

Claims (5)

1.一种基于SVR的磨煤机效率异常检测与诊断方法，其特征在于所述方法包括如下步骤：

步骤1，选取磨煤机正常运行时的数据，划分成训练集和验证集；

步骤2，以一个性能变量为模型输出，以与该性能变量相关的运行变量作为模型输入，构建支持向量回归模型；

步骤3，以第一个性能变量为当前性能变量，使用训练集训练当前性能变量的支持向量回归模型，然后用验证集拟合的结果确定效率异常时的误差控制限；

步骤4，将磨煤机的运行数据输入磨煤机效率模型中，计算当前目标变量的估计误差，与控制限比较，是否存在有多个连续样本超出控制限的异常工况；

步骤5，若存在，提取超出控制限的样本与支持向量回归模型中的支持向量进行比较，得到运行变量在异常工况下的偏差大小和方向，并给出变量排名；若不存在，则直接跳至步骤6；

步骤6，以下一个性能变量为当前性能变量，重复执行步骤2-5，直至所有的性能变量都执行完毕。

2.如权利要求1所述一种基于SVR的磨煤机效率异常检测与诊断方法，其特征在于，在步骤2中，所述的性能变量共4个，分别为旋转分离器速度、出口风粉混合物温度、磨碗上下差压以及磨煤机电耗。

3.如权利要求1所述一种基于SVR的磨煤机效率异常检测与诊断方法，其特征在于，在步骤3中，使用训练集训练当前性能变量的支持向量回归模型，然后用验证集拟合的结果确定效率异常时的误差控制限，其步骤如下：

步骤3-1，首先对当前性能变量的支持向量回归模型中所有输入和输出参数进行最大最小归一化处理；

步骤3-2，针对当前性能变量，使用训练集数据对支持向量回归模型进行训练，最终的模型参数采用网络搜索的策略得到；

步骤3-3，将验证集数据输入训练完毕的支持向量回归模型中，得到模型输出值与真实值之间的残差并计算相对误差，依据3σ准则，计算相对误差的均值μ和标准差σ，以μ±3σ作为控制上限和下限。

4.如权利要求1所述一种基于SVR的磨煤机效率异常检测与诊断方法，其特征在于，步骤5中，提取连续超出控制限的样本与训练模型得到的支持向量进行比较，得到运行变量在异常工况下的偏差大小和方向，并给出运行变量排名的具体步骤如下：

步骤5-1，提取运行数据中超出控制限的异常样本集合{x₁,x₂,…,x_p}，其中第i个异常样本

i＝1,2,…,p，p为运行数据中超出控制限的异常样本总数，n为当前性能变量的支持向量回归模型中输入变量个数；

步骤5-2，针对当前性能变量的支持向量回归模型，从训练完毕的模型中提取支持向量{v₁,v₂,…,v_q}，其中第t个支持向量

t＝1,2,…,q，q为当前性能变量的支持向量回归模型中的支持向量个数；

步骤5-3，对于每个异常样本，计算其与每个支持向量之间的欧式距离，选取N个最近邻支持向量作为历史状态；

步骤5-4，对于每个异常样本，计算该异常样本与其历史状态之间在第k个输入变量上的平均偏差，计算公式为：

其中：cont_i,k为第i个异常样本与其历史状态中N个支持向量在第k个输入变量上的平均偏差；i＝1,2,…,p；k＝1,2,…,n；

对所有异常样本的平均偏差cont_i,k进行求平均，得到第k个输入变量的贡献值；

步骤5-5，对所有的n个输入变量重复步骤5-4后，得到每个输入变量的贡献值，然后根据贡献值的绝对值从大到小对所有的输入变量进行排序，取排序靠前的若干变量作为影响当前性能变量的输入变量，完成异常变量的挖掘。

5.如权利要求4所述一种基于SVR的磨煤机效率异常检测与诊断方法，其特征在于，所述的N取值为10。

Images