CN111428194A - 一种基于深度神经网络的磨煤机磨辊的磨损量计算方法 - Google Patents

一种基于深度神经网络的磨煤机磨辊的磨损量计算方法 Download PDF

Info

Publication number
CN111428194A
CN111428194A CN202010290444.9A CN202010290444A CN111428194A CN 111428194 A CN111428194 A CN 111428194A CN 202010290444 A CN202010290444 A CN 202010290444A CN 111428194 A CN111428194 A CN 111428194A
Authority
CN
China
Prior art keywords
grinding roller
time
data
coal
last
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010290444.9A
Other languages
English (en)
Inventor
刘加
卢回忆
张卫强
李飞
刘德广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huacong Zhijia Technology Co ltd
Original Assignee
Beijing Huacong Zhijia Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Huacong Zhijia Technology Co ltd filed Critical Beijing Huacong Zhijia Technology Co ltd
Priority to CN202010290444.9A priority Critical patent/CN111428194A/zh
Publication of CN111428194A publication Critical patent/CN111428194A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
    • B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
    • B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
    • B02C23/04—Safety devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
    • B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
    • B02C4/00—Crushing or disintegrating by roller mills
    • B02C4/28—Details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Food Science & Technology (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Discrete Mathematics (AREA)
  • Crushing And Grinding (AREA)

Abstract

本发明涉及一种基于深度神经网络的磨煤机磨辊的磨损量计算方法，属于设备剩余使用寿命预测和人工智能技术领域。本方法采用深度神经网络定量估计处磨煤机磨辊的磨损量。与已有的通过人工听诊定性估计磨煤机磨辊磨损情况的方法相比，本发明的磨损量计算方法可以定量估计磨辊磨损，对预测磨辊剩余使用寿命更精准，可以减少停机检测磨辊的次数，提高设备利用率，同时在磨辊使用寿命晚期可以实时监测磨辊磨损度，降低意外风险。本发明方法的在线监测技术，可以实时定量估计出磨辊磨损，维护人员可以精准预测磨辊剩余使用寿命，更合理安排停机维护，因此可以大大提高磨煤机的利用率、并降低维护成本。

Description

一种基于深度神经网络的磨煤机磨辊的磨损量计算方法
技术领域
本发明涉及一种基于深度神经网络的磨煤机磨辊的磨损量计算方法，属于设备剩余使用寿命预测和人工智能领域。
背景技术
磨煤机是火力发电厂的常见设备，其故障是影响发电厂运行指标、甚至导致非计划性停运的最常见原因之一。磨辊和磨盘作为磨煤机的关键碾磨组件是磨煤机设备中的易损组件。碾磨组件，尤其是磨辊，相比与整个发电机组和磨煤机的运行寿命和大修周期，检修周期远远短于其他组件。磨辊的检修成本是磨煤机维护最主要的成本支出。目前磨辊运维的通用做法是计划性的定期停机检测磨辊磨损程度，若磨损达到5厘米则进行维修，否则重新开机运行。
由于磨辊的实际磨损受煤质和磨煤量等因素影响大，无法做到准确估计磨辊磨损度，也就无法根据运行状态做出最优的维护计划。为了避免磨辊过度磨损导致报废，目前的计划方案是“过维护”的方式，即主动增加停机检测和维护次数。“过维护”方式虽然保证了机器的安全运行，但是大大降低了机器的利用率，增加了维修的成本。在磨辊运行寿命的晚期，如果在发电高峰无法适时安排停机维修，生产仍然存在极大的安全隐患。以磨辊通常的8000小时的平均寿命为例，根据生产情况约每2000小时停机检测一次磨损度，若运行时间已超过6000小时，磨辊有较大的过度磨损风险。如果此时处于发电高峰磨煤机必须坚持运行，运维人员就要时刻关注磨辊磨损情况以免发生意外，目前的检测技术只能通过有经验的检修人员以人工听诊的方式定性估计磨辊磨损情况。
发明内容
本发明的目的是提出一种基于深度神经网络的磨煤机磨辊的磨损量计算方法，通过监测磨煤机运行状态定量估计磨辊的磨损量，以精准预测磨辊剩余使用寿命，准确决策磨煤机停机的维护计划。
本发明提出的基于深度神经网络的磨煤机磨辊的磨损量计算方法，包括以下步骤：
(1)采集待测磨煤机的运行状态监测数据，运行状态监测数据包括待测磨煤机输入转速数据R、进煤量C、煤全水分W、拉杆压力P、磨辊振动数据V和磨辊声音数据S，其中R、C、W、P、V和S为时间序列数据；
(2)从机器运行维修管理部门的磨辊磨损检测日志中提取一条记录，记录内容包括：待测磨煤机的磨辊检测时间t和磨辊磨损量Loss；
(3)从步骤(1)的数据R、C、W、P中分别提取与步骤(2)的t时刻相对应的数据Rt、Ct、Wt、Pt，组成一个4维向量INPUTt，记为：
Figure BDA0002450196240000021
其中，Rt表示在t时刻的待测磨煤机输入转速、Ct表示在t时刻的进煤量、Wt表示在t时刻的煤全水分、Pt表示在t时刻的拉杆压力；
(4)制作磨辊振动数据V和磨辊声音数据S相关的数据特征Vt_TD、St_TD、Vt_FD和St_FD，具体步骤如下：
(4.1)设置数据帧时长tlen，数据帧起始时间为步骤(2)的t，截取时窗[t,t+tlen]内的步骤(1)的数据V、S的一个数据帧，记为Vt、St，其中Vt表示[t,t+tlen]时窗内的一帧磨辊振动数据帧，St表示[t,t+tlen]时窗内的一帧磨辊声音数据帧；
(4.2)对步骤(4.1)得到的Vt进行时域幅值统计，得到一个4维向量Vt_TD，记为：
Figure BDA0002450196240000022
其中，Vt_rms为磨辊振动均方根，Vt_sigm为磨辊振动方差，Vt_skew为磨辊振动偏度，Vt_kurt为磨辊振动峭度；
(4.3)对步骤(4.1)得到的St进行时域幅值统计，得到一个4维向量St_TD，记为：
Figure BDA0002450196240000031
其中，St_rms为磨辊声音均方根，St_sigm为磨辊声音方差，St_skew为磨辊声音偏度，St_kurt为磨辊声音峭度；
(4.4)对步骤(4.1)得到的Vt进行快速傅里叶变换，得到振动能量谱，对振动能量谱进行L个子带滤波，L取值为10-1000，得到一个L维向量Vt_FD，记为：
Figure BDA0002450196240000032
其中，FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(4.5)对步骤(4.1)得到的St进行快速傅里叶变换，得到声音能量谱，对声音能量谱进行M个子带滤波，M取值为10-1000，得到一个M维向量St_FD，记为：
Figure BDA0002450196240000033
其中，FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(5)将步骤(3)得到的INPUTt和步骤(4)得到的Vt_TD、St_TD、Vt_FD、St_FD进行拼接，生成t时刻磨煤机运行状态特征：
Figure BDA0002450196240000041
(6)生成一条t时刻的磨辊磨损和磨煤机运行状态特征记录LOGt：
LOGt＝(t,STATEt,Losst)
其中，t为步骤(2)的磨辊检测时间，STATEt为步骤(5)得到的t时刻磨煤机运行状态特征，Losst为步骤(2)t时刻的磨辊磨损量Loss；
(7)遍历步骤(2)中的磨辊磨损检测日志中的每一条记录，执行步骤(3)-步骤(6)，生成与每条记录相对应的磨辊磨损和磨煤机运行状态特征记录LOGt，组成如下的集合：
Figure BDA0002450196240000042
其中，
Figure BDA0002450196240000043
为与第(n+1)条磨辊磨损检测日志记录相对应的磨辊磨损和磨煤机运行状态特征记录，共有N条记录；
(8)根据步骤(7)的SET_STATE集合中两条时间相邻的磨辊磨损和磨煤机运行状态特征记录，生成训练样本SAMPLEi，具体步骤如下：
(8.1)从步骤(7)的SET_STATE中抽取两条相邻的记录
Figure BDA0002450196240000044
和
Figure BDA0002450196240000045
将
Figure BDA0002450196240000046
和
Figure BDA0002450196240000047
展开成步骤(6)的形式:
Figure BDA0002450196240000048
Figure BDA0002450196240000049
其中，
Figure BDA00024501962400000410
为ti时刻的记录，
Figure BDA00024501962400000411
为ti时刻的磨煤机运行状态特征，
Figure BDA00024501962400000412
为ti时刻的磨辊磨损量，
Figure BDA00024501962400000413
为ti-1时刻的记录，
Figure BDA00024501962400000414
为ti-1时刻的磨煤机运行状态特征，
Figure BDA00024501962400000415
为ti-1时刻的磨辊磨损量；
(8.2)计算步骤(8.1)
Figure BDA00024501962400000416
和
Figure BDA00024501962400000417
两条记录的时间间隔Δti：
Δti＝ti-ti-1，其中ti为
Figure BDA00024501962400000418
的记录时间，ti-1为
Figure BDA00024501962400000419
的记录时间；
(8.3)计算从ti-1时刻到ti时刻期间待测磨煤机的磨煤总量
Figure BDA0002450196240000051
Figure BDA0002450196240000052
其中C为步骤(1)的进煤量；
(8.4)将步骤(8.1)的
Figure BDA0002450196240000053
步骤(8.2)的Δti、步骤(8.3)的
Figure BDA0002450196240000054
拼接生成样本特征VECTORi:
Figure BDA0002450196240000055
(8.5)对步骤(8.4)得到的样本特征VECTORi置以设备样本标签LABELi：
Figure BDA0002450196240000056
其中
Figure BDA0002450196240000057
为步骤(1)的ti时刻的磨辊磨损量；
根据VECTORi和LABELi映射关系，生成一个训练样本SAMPLEi：
SAMPLEi＝(VECTORi,LABELi)，
(9)遍历步骤(7)的SET_STATE集合中所有时间相邻的两条磨辊磨损和磨煤机运行状态特征记录，重复步骤(8)，得到所有的训练样本集合组成为训练样本集SET_SAMPLE：
SET_SAMPLE＝{SAMPLEi},i＝1,2,...,NS
其中i为样本编号，NS为训练样本数；
(10)建立并训练用于磨煤机磨辊的磨损量计算的深度神经网络模型DNN，并训练模型得到模型参数，具体步骤如下：
(10.1)确定深度神经网络DNN的结构、层数和节点数：深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，输入层输入的为训练样本集SET_SAMPLE中训练样本SAMPLEi的样本特征VECTORi，输出层有一个节点，该节点与训练样本集SET_SAMPLE中训练样本SAMPLEi的样本标签
Figure BDA0002450196240000058
相对应，隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数代表该隐含层提取的特征的维度，网络结构采用层内无连接，相邻层全连接的结构形式；
(10.2)对(10.1)建立的模型进行无监督训练，将DNN的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到模型参数；
(10.3)利用(10.2)训练得到的模型参数对初始化DNN进行监督训练，利用后向传播算法对DNN模型参数进行优化微整，训练样本集为步骤(9)的训练样本集SET_SAMPLE，向初始化DNN的输入层输入SET_SAMPLE中样本SAMPLEi的样本特征VECTORi，输出得到磨辊磨损量Loss_outputi，训练目标为使Loss_outputi与步骤(8.5)得到的LABELi的残差的L2范数最小化；遍历SET_SAMPLE中所有样本，重复本步骤，训练得到用于磨煤机磨辊的磨损量计算的深度神经网络模型DNN；
(11)计算磨煤机磨辊的磨损量，具体步骤如下：
(11.1)实时采集待测磨煤机运行状态监测数据，运行状态监测数据包括待测磨煤机输入转速数据
Figure BDA0002450196240000061
进煤量
Figure BDA0002450196240000062
煤全水分
Figure BDA0002450196240000063
拉杆压力
Figure BDA0002450196240000064
磨辊振动数据
Figure BDA0002450196240000065
磨辊声音数据
Figure BDA0002450196240000066
(11.2)设当前时间为tcurr，从磨辊磨损检测日志中提取tcurr之前最近一条记录(tlast,Losslast)，其中tlast为最近一次磨辊检测时间，Losslast为最近一次检测的磨辊磨损量；
(11.3)提取步骤(11.1)的数据
Figure BDA0002450196240000067
在步骤(2)的tcurr时刻对应的数据
Figure BDA0002450196240000068
组成一个4维向量
Figure BDA0002450196240000069
记为：
Figure BDA00024501962400000610
其中
Figure BDA00024501962400000611
表示在tcurr时刻的待测磨煤机输入转速数据、
Figure BDA00024501962400000612
表示在tcurr时刻的进煤量、
Figure BDA00024501962400000613
表示在tcurr时刻的煤全水分、
Figure BDA00024501962400000614
表示在tcurr时刻的拉杆压力；
从步骤(11.1)的数据
Figure BDA00024501962400000615
提取与步骤(2)的tlast时刻相对应的数据
Figure BDA00024501962400000616
Figure BDA00024501962400000617
组成一个4维向量
Figure BDA00024501962400000618
记为：
Figure BDA0002450196240000071
其中
Figure BDA0002450196240000072
表示在tlast时刻的待测磨煤机输入转速数据、
Figure BDA0002450196240000073
表示在tlast时刻的进煤量、
Figure BDA0002450196240000074
表示在tlast时刻的煤全水分、
Figure BDA0002450196240000075
表示在tlast时刻的拉杆压力；
(11.4)制作磨辊振动数据
Figure BDA0002450196240000076
和磨辊声音数据
Figure BDA0002450196240000077
相关的数据特征
Figure BDA0002450196240000078
Figure BDA00024501962400000730
和
Figure BDA0002450196240000079
具体步骤如下：
(11.4.1)设置和步骤(4.1)相同的数据帧时长tlen；数据帧起始时间设置为步骤(11.2)的tcurr，截取时窗[tcurr,tcurr+tlen]内的步骤(11.1)的数据
Figure BDA00024501962400000710
Figure BDA00024501962400000711
的一个数据帧，记为
Figure BDA00024501962400000712
Figure BDA00024501962400000713
其中
Figure BDA00024501962400000714
表示[tcurr,tcurr+tlen]时窗内的一帧磨辊振动数据帧，
Figure BDA00024501962400000715
表示[tcurr,tcurr+tlen]时窗内的一帧磨辊声音数据帧；
数据帧起始时间设置为步骤(11.2)的tlast，截取时窗[tlast,tlast+tlen]内的步骤(11.1)的数据
Figure BDA00024501962400000716
Figure BDA00024501962400000717
的一个数据帧，记为
Figure BDA00024501962400000718
其中
Figure BDA00024501962400000719
表示[tlast,tlast+tlen]时窗内的一帧磨辊振动数据帧，
Figure BDA00024501962400000720
表示[tlast,tlast+tlen]时窗内的一帧磨辊声音数据帧；
(11.4.2)对步骤(11.4.1)得到的
Figure BDA00024501962400000721
进行时域幅值统计，统计得到一个4维向量
Figure BDA00024501962400000722
记为：
Figure BDA00024501962400000723
其中
Figure BDA00024501962400000724
为磨辊振动均方根、
Figure BDA00024501962400000725
为磨辊振动方差、
Figure BDA00024501962400000726
为磨辊振动偏度，
Figure BDA00024501962400000727
为磨辊振动峭度；
对步骤(11.4.1)得到的
Figure BDA00024501962400000728
进行时域幅值统计，统计得到一个4维向量
Figure BDA00024501962400000729
记为：
Figure BDA0002450196240000081
其中
Figure BDA0002450196240000082
为磨辊振动均方根、
Figure BDA0002450196240000083
为磨辊振动方差、
Figure BDA0002450196240000084
为磨辊振动偏度，
Figure BDA0002450196240000085
为磨辊振动峭度；
(11.4.3)对步骤(11.4.1)得到的
Figure BDA0002450196240000086
进行时域幅值统计，统计得到一个4维向量
Figure BDA0002450196240000087
记为：
Figure BDA0002450196240000088
其中
Figure BDA0002450196240000089
为磨辊声音均方根、
Figure BDA00024501962400000810
为磨辊声音方差、
Figure BDA00024501962400000811
为磨辊声音偏度，
Figure BDA00024501962400000812
为磨辊声音峭度；
对步骤(11.4.1)得到的
Figure BDA00024501962400000813
进行时域幅值统计，统计得到一个4维向量
Figure BDA00024501962400000814
记为：
Figure BDA00024501962400000815
其中
Figure BDA00024501962400000816
为磨辊声音均方根、
Figure BDA00024501962400000817
为磨辊声音方差、
Figure BDA00024501962400000818
为磨辊声音偏度，
Figure BDA00024501962400000819
为磨辊声音峭度；
(11.4.4)对步骤(11.4.1)得到的
Figure BDA00024501962400000820
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(4.4)的L取值相等,得到一个L维向量
Figure BDA00024501962400000821
记为：
Figure BDA0002450196240000091
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
对步骤(11.4.1)得到的
Figure BDA0002450196240000092
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波,L的取值与步骤(4.4)的L取值相等，得到一个L维向量
Figure BDA0002450196240000093
记为：
Figure BDA0002450196240000094
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(11.4.5)对步骤(11.4.1)得到的
Figure BDA0002450196240000095
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(4.5)的M取值相等，得到一个M维向量
Figure BDA0002450196240000096
记为：
Figure BDA0002450196240000097
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
对步骤(11.4.1)得到的
Figure BDA0002450196240000101
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(4.5)的M取值相等，得到一个M维向量
Figure BDA0002450196240000102
记为：
Figure BDA0002450196240000103
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(11.5)步骤(11.3)得到的
Figure BDA0002450196240000104
和步骤(11.4)得到的
Figure BDA0002450196240000105
Figure BDA0002450196240000106
拼接生成tcurr时刻磨煤机运行状态特征：
Figure BDA0002450196240000107
步骤(11.3)得到的
Figure BDA0002450196240000108
和步骤(11.4)得到的
Figure BDA0002450196240000109
Figure BDA00024501962400001010
拼接生成tlast时刻磨煤机运行状态特征：
Figure BDA00024501962400001011
(11.6)计算步骤(11.2)中的tcurr和tlast两条记录的时间间隔
Figure BDA00024501962400001012
Figure BDA00024501962400001013
其中tcurr为当前时间，tlast为最近一次磨辊检测时间；
(11.7)计算从tlast时刻到tcurr时刻期间待测磨煤机的磨煤总量
Figure BDA00024501962400001014
Figure BDA0002450196240000111
其中
Figure BDA0002450196240000112
为步骤(11.1)得到的进煤量，
(11.8)将步骤(11.2)的
Figure BDA0002450196240000113
步骤(11.5)的
Figure BDA0002450196240000114
步骤(8.2)的
Figure BDA0002450196240000115
步骤(8.3)的
Figure BDA0002450196240000116
拼接生成样本特征VECTORest：
Figure BDA0002450196240000117
(11.9)将步骤(11.8)得到的样本特征VECTORest输入步骤(10)的深度神经网络模型DNN中，输出得到待测磨煤机当前时刻tcurr的磨辊磨损量Lossest，实现基于深度神经网络的磨煤机磨辊的磨损量计算。
本发明提出的基于深度神经网络的磨煤机磨辊的磨损量计算方法，其特点和优点是：
本方法采用深度神经网络定量估计磨煤机磨辊的磨损量，首先采集待测磨煤机运行过程的状态数据，包括输入转速、进煤量、煤全水分、拉杆压力、磨辊振动、磨辊声音。将磨辊磨损量检测时刻的状态数据预处理成运行状态特征，运行状态特征包括输入转速、进煤量、煤全水分、拉杆压力、磨辊振动的时域幅值统计量、磨辊振动的频域特征量、磨辊声音的时域幅值统计量、磨辊声音的频域特征量。然后将检测时间的相邻的两个运行状态特征组合成一个训练样本，其中样本标注为时间较晚检测的磨辊磨损量，样本特征包括时间较早检测的磨辊磨损量、两次检测的时间间距、两个检测时间段内磨煤总量、两次检测时刻的运行状态特征。每对相邻检测时刻的运行状态特征都可以生成一个训练样本，组成训练样本集。用该训练样本集训练一个用于磨煤机磨辊磨损定量估计的深度神经网络模型。利用该模型进行磨煤机磨辊定量估计，利用待估时刻的运行状态特征和最近前一次检测时刻的运行状态特征生成一个待估样本特征，该特征包括最近前一次检测的磨辊磨损量、最近前一次检测到待估时刻的时间间距、最近前一次检测到待估时刻的磨煤总量、待估时刻的运行状态特征。将待估样本特征输入上述训练得到的用于磨煤机磨辊磨损定量估计的深度神经网络模型，输出结果就是待估时刻的磨煤机磨损量估计值。
与已有的通过人工听诊定性估计磨煤机磨辊磨损情况的方法相比，本发明的基于深度神经网络的磨煤机磨辊的磨损量计算方法可以定量估计磨辊磨损，对预测磨辊剩余使用寿命更精准，可以减少停机检测磨辊的次数，提高设备利用率，同时在磨辊使用寿命晚期可以实时监测磨辊磨损度，降低意外风险。本发明方法的在线监测技术，可以实时定量估计出磨辊磨损，维护人员可以精准预测磨辊剩余使用寿命，更合理安排停机维护，因此可以大大提高磨煤机的利用率、并降低维护成本。
具体实施方式
本发明提出的基于深度神经网络的磨煤机磨辊的磨损量计算方法，包括以下步骤：
(1)采集待测磨煤机的运行状态监测数据，运行状态监测数据包括待测磨煤机输入转速数据R、进煤量C、煤全水分W、拉杆压力P、磨辊振动数据V和磨辊声音数据S，其中R、C、W、P、V和S为时间序列数据；
(2)从机器运行维修管理部门的磨辊磨损检测日志中提取一条记录，记录内容包括：待测磨煤机的磨辊检测时间t和磨辊磨损量Loss；
(3)从步骤(1)的数据R、C、W、P中分别提取与步骤(2)的t时刻相对应的数据Rt、Ct、Wt、Pt，组成一个4维向量INPUTt，记为：
Figure BDA0002450196240000121
其中，Rt表示在t时刻的待测磨煤机输入转速、Ct表示在t时刻的进煤量、Wt表示在t时刻的煤全水分、Pt表示在t时刻的拉杆压力；
(4)制作磨辊振动数据V和磨辊声音数据S相关的数据特征Vt_TD、St_TD、Vt_FD和St_FD，具体步骤如下：
(4.1)设置数据帧时长tlen，数据帧起始时间为步骤(2)的t，截取时窗[t,t+tlen]内的步骤(1)的数据V、S的一个数据帧，记为Vt、St，其中Vt表示[t,t+tlen]时窗内的一帧磨辊振动数据帧，St表示[t,t+tlen]时窗内的一帧磨辊声音数据帧；
(4.2)对步骤(4.1)得到的Vt进行时域幅值统计，得到一个4维向量Vt_TD，记为：
Figure BDA0002450196240000122
其中，Vt_rms为磨辊振动均方根，Vt_sigm为磨辊振动方差，Vt_skew为磨辊振动偏度，Vt_kurt为磨辊振动峭度；
(4.3)对步骤(4.1)得到的St进行时域幅值统计，得到一个4维向量St_TD，记为：
Figure BDA0002450196240000131
其中，St_rms为磨辊声音均方根，St_sigm为磨辊声音方差，St_skew为磨辊声音偏度，St_kurt为磨辊声音峭度；
(4.4)对步骤(4.1)得到的Vt进行快速傅里叶变换，得到振动能量谱，对振动能量谱进行L个子带滤波，L取值为10-1000，得到一个L维向量Vt_FD，记为：
Figure BDA0002450196240000132
其中，FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(4.5)对步骤(4.1)得到的St进行快速傅里叶变换，得到声音能量谱，对声音能量谱进行M个子带滤波，M取值为10-1000，得到一个M维向量St_FD，记为：
Figure BDA0002450196240000133
其中，FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(5)将步骤(3)得到的INPUTt和步骤(4)得到的Vt_TD、St_TD、Vt_FD、St_FD进行拼接，生成t时刻磨煤机运行状态特征：
Figure BDA0002450196240000141
(6)生成一条t时刻的磨辊磨损和磨煤机运行状态特征记录LOGt：
LOGt＝(t,STATEt,Losst)
其中，t为步骤(2)的磨辊检测时间，STATEt为步骤(5)得到的t时刻磨煤机运行状态特征，Losst为步骤(2)t时刻的磨辊磨损量Loss；
(7)遍历步骤(2)中的磨辊磨损检测日志中的每一条记录，执行步骤(3)-步骤(6)，生成与每条记录相对应的磨辊磨损和磨煤机运行状态特征记录LOGt，组成如下的集合：
Figure BDA0002450196240000142
其中，
Figure BDA0002450196240000143
为与第(n+1)条磨辊磨损检测日志记录相对应的磨辊磨损和磨煤机运行状态特征记录，共有N条记录；
(8)根据步骤(7)的SET_STATE集合中两条时间相邻的磨辊磨损和磨煤机运行状态特征记录，生成训练样本SAMPLEi，具体步骤如下：
(8.1)从步骤(7)的SET_STATE中抽取两条相邻的记录
Figure BDA0002450196240000144
和
Figure BDA0002450196240000145
将
Figure BDA0002450196240000146
和
Figure BDA0002450196240000147
展开成步骤(6)的形式:
Figure BDA0002450196240000148
Figure BDA0002450196240000149
其中，
Figure BDA00024501962400001410
为ti时刻的记录，
Figure BDA00024501962400001411
为ti时刻的磨煤机运行状态特征，
Figure BDA00024501962400001412
为ti时刻的磨辊磨损量，
Figure BDA00024501962400001413
为ti-1时刻的记录，
Figure BDA00024501962400001414
为ti-1时刻的磨煤机运行状态特征，
Figure BDA00024501962400001415
为ti-1时刻的磨辊磨损量；
(8.2)计算步骤(8.1)
Figure BDA00024501962400001416
和
Figure BDA00024501962400001417
两条记录的时间间隔Δti：
Δti＝ti-ti-1，其中ti为
Figure BDA0002450196240000151
的记录时间，ti-1为
Figure BDA0002450196240000152
的记录时间；
(8.3)计算从ti-1时刻到ti时刻期间待测磨煤机的磨煤总量
Figure BDA0002450196240000153
Figure BDA0002450196240000154
其中C为步骤(1)的进煤量；
(8.4)将步骤(8.1)的
Figure BDA0002450196240000155
步骤(8.2)的Δti、步骤(8.3)的
Figure BDA0002450196240000156
拼接生成样本特征VECTORi:
Figure BDA0002450196240000157
(8.5)对步骤(8.4)得到的样本特征VECTORi置以设备样本标签LABELi：
Figure BDA0002450196240000158
其中
Figure BDA0002450196240000159
为步骤(1)的ti时刻的磨辊磨损量；
根据VECTORi和LABELi映射关系，生成一个训练样本SAMPLEi：
SAMPLEi＝(VECTORi,LABELi)，
(9)遍历步骤(7)的SET_STATE集合中所有时间相邻的两条磨辊磨损和磨煤机运行状态特征记录，重复步骤(8)，得到所有的训练样本集合组成为训练样本集SET_SAMPLE：
SET_SAMPLE＝{SAMPLEi},i＝1,2,...,NS
其中i为样本编号，NS为训练样本数；
(10)建立并训练用于磨煤机磨辊的磨损量计算的深度神经网络模型DNN，并训练模型得到模型参数，具体步骤如下：
(10.1)确定深度神经网络DNN的结构、层数和节点数：深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，输入层输入的为训练样本集SET_SAMPLE中训练样本SAMPLEi的样本特征VECTORi，输出层有一个节点，该节点与训练样本集SET_SAMPLE中训练样本SAMPLEi的样本标签
Figure BDA00024501962400001510
相对应，隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层；每层隐含层的节点数代表该隐含层提取的特征的维度；以5层隐含层网络为例，通常设置成如下先降维在升维的形式：
Node1＝1024
Node2＝512
Node3＝256
Node4＝512
Node5＝1024
网络结构采用层内无连接，相邻层全连接的结构形式；
(10.2)对(10.1)建立的模型进行无监督训练，将DNN的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到模型参数；以5层隐层的7层神经网络为例，共需连接6个受限玻尔兹曼机(RBM)；首先训练第1层和第2层组成的RBM1，得到模型参数w12和b2；然后训练得到第2层和第3层组成的RBM2，得到模型参数w23和b3；依次执行得到所有6个受限玻尔兹曼机的参数,预训练得到的6个受限玻尔兹曼机组成DNN的初始模型参数(w12,b2,w23,b3,w34,b4,w45,b5,w56,b6,w67,b7)；
(10.3)利用(10.2)训练得到的模型参数对初始化DNN进行监督训练，利用后向传播算法对DNN模型参数进行优化微整，训练样本集为步骤(9)的训练样本集SET_SAMPLE，向初始化DNN的输入层输入SET_SAMPLE中样本SAMPLEi的样本特征VECTORi，输出得到磨辊磨损量Loss_outputi，训练目标为使Loss_outputi与步骤(8.5)得到的LABELi的残差的L2范数最小化；遍历SET_SAMPLE中所有样本，重复本步骤，训练得到用于磨煤机磨辊的磨损量计算的深度神经网络模型DNN；
(11)计算磨煤机磨辊的磨损量，具体步骤如下：
(11.1)实时采集待测磨煤机运行状态监测数据，运行状态监测数据包括待测磨煤机输入转速数据
Figure BDA0002450196240000161
进煤量
Figure BDA0002450196240000162
煤全水分
Figure BDA0002450196240000163
拉杆压力
Figure BDA0002450196240000164
磨辊振动数据
Figure BDA0002450196240000165
磨辊声音数据
Figure BDA0002450196240000166
(11.2)设当前时间为tcurr，从磨辊磨损检测日志中提取tcurr之前最近一条记录(tlast,Losslast)，其中tlast为最近一次磨辊检测时间，Losslast为最近一次检测的磨辊磨损量；
(11.3)提取步骤(11.1)的数据
Figure BDA0002450196240000171
在步骤(2)的tcurr时刻对应的数据
Figure BDA0002450196240000172
组成一个4维向量
Figure BDA0002450196240000173
记为：
Figure BDA0002450196240000174
其中
Figure BDA0002450196240000175
表示在tcurr时刻的待测磨煤机输入转速数据、
Figure BDA0002450196240000176
表示在tcurr时刻的进煤量、
Figure BDA0002450196240000177
表示在tcurr时刻的煤全水分、
Figure BDA0002450196240000178
表示在tcurr时刻的拉杆压力；
从步骤(11.1)的数据
Figure BDA0002450196240000179
提取与步骤(2)的tlast时刻相对应的数据
Figure BDA00024501962400001710
Figure BDA00024501962400001711
组成一个4维向量
Figure BDA00024501962400001712
记为：
Figure BDA00024501962400001713
其中
Figure BDA00024501962400001714
表示在tlast时刻的待测磨煤机输入转速数据、
Figure BDA00024501962400001715
表示在tlast时刻的进煤量、
Figure BDA00024501962400001716
表示在tlast时刻的煤全水分、
Figure BDA00024501962400001717
表示在tlast时刻的拉杆压力；
(11.4)制作磨辊振动数据
Figure BDA00024501962400001718
和磨辊声音数据
Figure BDA00024501962400001719
相关的数据特征
Figure BDA00024501962400001720
Figure BDA00024501962400001721
和
Figure BDA00024501962400001722
具体步骤如下：
(11.4.1)设置和步骤(4.1)相同的数据帧时长tlen；数据帧起始时间设置为步骤(11.2)的tcurr，截取时窗[tcurr,tcurr+tlen]内的步骤(11.1)的数据
Figure BDA00024501962400001723
Figure BDA00024501962400001724
的一个数据帧，记为
Figure BDA00024501962400001725
Figure BDA00024501962400001726
其中
Figure BDA00024501962400001727
表示[tcurr,tcurr+tlen]时窗内的一帧磨辊振动数据帧，
Figure BDA00024501962400001728
表示[tcurr,tcurr+tlen]时窗内的一帧磨辊声音数据帧；
数据帧起始时间设置为步骤(11.2)的tlast，截取时窗[tlast,tlast+tlen]内的步骤(11.1)的数据
Figure BDA00024501962400001729
Figure BDA00024501962400001730
的一个数据帧，记为
Figure BDA00024501962400001731
其中
Figure BDA00024501962400001732
表示[tlast,tlast+tlen]时窗内的一帧磨辊振动数据帧，
Figure BDA00024501962400001733
表示[tlast,tlast+tlen]时窗内的一帧磨辊声音数据帧；
(11.4.2)对步骤(11.4.1)得到的
Figure BDA0002450196240000181
进行时域幅值统计，统计得到一个4维向量
Figure BDA0002450196240000182
记为：
Figure BDA0002450196240000183
其中
Figure BDA0002450196240000184
为磨辊振动均方根、
Figure BDA0002450196240000185
为磨辊振动方差、
Figure BDA0002450196240000186
为磨辊振动偏度，
Figure BDA0002450196240000187
为磨辊振动峭度；
对步骤(11.4.1)得到的
Figure BDA0002450196240000188
进行时域幅值统计，统计得到一个4维向量
Figure BDA0002450196240000189
记为：
Figure BDA00024501962400001810
其中
Figure BDA00024501962400001811
为磨辊振动均方根、
Figure BDA00024501962400001812
为磨辊振动方差、
Figure BDA00024501962400001813
为磨辊振动偏度，
Figure BDA00024501962400001814
为磨辊振动峭度；
(11.4.3)对步骤(11.4.1)得到的
Figure BDA00024501962400001815
进行时域幅值统计，统计得到一个4维向量
Figure BDA00024501962400001816
记为：
Figure BDA00024501962400001817
其中
Figure BDA00024501962400001818
为磨辊声音均方根、
Figure BDA00024501962400001819
为磨辊声音方差、
Figure BDA00024501962400001820
为磨辊声音偏度，
Figure BDA00024501962400001821
为磨辊声音峭度；
对步骤(11.4.1)得到的
Figure BDA00024501962400001822
进行时域幅值统计，统计得到一个4维向量
Figure BDA00024501962400001823
记为：
Figure BDA0002450196240000191
其中
Figure BDA0002450196240000192
为磨辊声音均方根、
Figure BDA0002450196240000193
为磨辊声音方差、
Figure BDA0002450196240000194
为磨辊声音偏度，
Figure BDA0002450196240000195
为磨辊声音峭度；
(11.4.4)对步骤(11.4.1)得到的
Figure BDA0002450196240000196
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(4.4)的L取值相等,得到一个L维向量
Figure BDA0002450196240000197
记为：
Figure BDA0002450196240000198
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
对步骤(11.4.1)得到的
Figure BDA0002450196240000199
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(4.4)的L取值相等，得到一个L维向量
Figure BDA00024501962400001910
记为：
Figure BDA00024501962400001911
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(11.4.5)对步骤(11.4.1)得到的
Figure BDA00024501962400001912
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(4.5)的M取值相等，得到一个M维向量
Figure BDA0002450196240000201
记为：
Figure BDA0002450196240000202
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
对步骤(11.4.1)得到的
Figure BDA0002450196240000203
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(4.5)的M取值相等，得到一个M维向量
Figure BDA0002450196240000204
记为：
Figure BDA0002450196240000205
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(11.5)步骤(11.3)得到的
Figure BDA0002450196240000206
和步骤(11.4)得到的
Figure BDA0002450196240000207
Figure BDA0002450196240000208
拼接生成tcurr时刻磨煤机运行状态特征：
Figure BDA0002450196240000209
步骤(11.3)得到的
Figure BDA00024501962400002010
和步骤(11.4)得到的
Figure BDA00024501962400002011
Figure BDA00024501962400002113
拼接生成tlast时刻磨煤机运行状态特征：
Figure BDA0002450196240000212
(11.6)计算步骤(11.2)中的tcurr和tlast两条记录的时间间隔
Figure BDA0002450196240000213
Figure BDA0002450196240000214
其中tcurr为当前时间，tlast为最近一次磨辊检测时间；
(11.7)计算从tlast时刻到tcurr时刻期间待测磨煤机的磨煤总量
Figure BDA0002450196240000215
Figure BDA0002450196240000216
其中
Figure BDA0002450196240000217
为步骤(11.1)得到的进煤量，
(11.8)将步骤(11.2)的
Figure BDA0002450196240000218
步骤(11.5)的
Figure BDA0002450196240000219
步骤(8.2)的
Figure BDA00024501962400002110
步骤(8.3)的
Figure BDA00024501962400002111
拼接生成样本特征VECTORest：
Figure BDA00024501962400002112
(11.9)将步骤(11.8)得到的样本特征VECTORest输入步骤(10)的深度神经网络模型DNN中，输出得到待测磨煤机当前时刻tcurr的磨辊磨损量Lossest，实现基于深度神经网络的磨煤机磨辊的磨损量计算。

Claims (1)

1.一种基于深度神经网络的磨煤机磨辊的磨损量计算方法，其特征在于，包括以下步骤：
(1)采集待测磨煤机的运行状态监测数据，运行状态监测数据包括待测磨煤机输入转速数据R、进煤量C、煤全水分W、拉杆压力P、磨辊振动数据V和磨辊声音数据S，其中R、C、W、P、V和S为时间序列数据；
(2)从机器运行维修管理部门的磨辊磨损检测日志中提取一条记录，记录内容包括：待测磨煤机的磨辊检测时间t和磨辊磨损量Loss；
(3)从步骤(1)的数据R、C、W、P中分别提取与步骤(2)的t时刻相对应的数据Rt、Ct、Wt、Pt，组成一个4维向量INPUTt，记为：
Figure FDA0002450196230000011
其中，Rt表示在t时刻的待测磨煤机输入转速、Ct表示在t时刻的进煤量、Wt表示在t时刻的煤全水分、Pt表示在t时刻的拉杆压力；
(4)制作磨辊振动数据V和磨辊声音数据S相关的数据特征Vt_TD、St_TD、Vt_FD和St_FD，具体步骤如下：
(4.1)设置数据帧时长tlen，数据帧起始时间为步骤(2)的t，截取时窗[t,t+tlen]内的步骤(1)的数据V、S的一个数据帧，记为Vt、St，其中Vt表示[t,t+tlen]时窗内的一帧磨辊振动数据帧，St表示[t,t+tlen]时窗内的一帧磨辊声音数据帧；
(4.2)对步骤(4.1)得到的Vt进行时域幅值统计，得到一个4维向量Vt_TD，记为：
Figure FDA0002450196230000012
其中，Vt_rms为磨辊振动均方根，Vt_sigm为磨辊振动方差，Vt_skew为磨辊振动偏度，Vt_kurt为磨辊振动峭度；
(4.3)对步骤(4.1)得到的St进行时域幅值统计，得到一个4维向量St_TD，记为：
Figure FDA0002450196230000021
其中，St_rms为磨辊声音均方根，St_sigm为磨辊声音方差，St_skew为磨辊声音偏度，St_kurt为磨辊声音峭度；
(4.4)对步骤(4.1)得到的Vt进行快速傅里叶变换，得到振动能量谱，对振动能量谱进行L个子带滤波，L取值为10-1000，得到一个L维向量Vt_FD，记为：
Figure FDA0002450196230000022
其中，FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(4.5)对步骤(4.1)得到的St进行快速傅里叶变换，得到声音能量谱，对声音能量谱进行M个子带滤波，M取值为10-1000，得到一个M维向量St_FD，记为：
Figure FDA0002450196230000023
其中，FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(5)将步骤(3)得到的INPUTt和步骤(4)得到的Vt_TD、St_TD、Vt_FD、St_FD进行拼接，生成t时刻磨煤机运行状态特征：
Figure FDA0002450196230000031
(6)生成一条t时刻的磨辊磨损和磨煤机运行状态特征记录LOGt：
LOGt＝(t,STATEt,Losst)
其中，t为步骤(2)的磨辊检测时间，STATEt为步骤(5)得到的t时刻磨煤机运行状态特征，Losst为步骤(2)t时刻的磨辊磨损量Loss；
(7)遍历步骤(2)中的磨辊磨损检测日志中的每一条记录，执行步骤(3)-步骤(6)，生成与每条记录相对应的磨辊磨损和磨煤机运行状态特征记录LOGt，组成如下的集合：
Figure FDA0002450196230000032
其中，
Figure FDA0002450196230000033
为与第(n+1)条磨辊磨损检测日志记录相对应的磨辊磨损和磨煤机运行状态特征记录，共有N条记录；
(8)根据步骤(7)的SET_STATE集合中两条时间相邻的磨辊磨损和磨煤机运行状态特征记录，生成训练样本SAMPLEi，具体步骤如下：
(8.1)从步骤(7)的SET_STATE中抽取两条相邻的记录
Figure FDA0002450196230000034
和
Figure FDA0002450196230000035
将
Figure FDA0002450196230000036
和
Figure FDA0002450196230000037
展开成步骤(6)的形式:
Figure FDA0002450196230000038
Figure FDA0002450196230000039
其中，
Figure FDA00024501962300000310
为ti时刻的记录，
Figure FDA00024501962300000311
为ti时刻的磨煤机运行状态特征，
Figure FDA00024501962300000312
为ti时刻的磨辊磨损量，
Figure FDA00024501962300000313
为ti-1时刻的记录，
Figure FDA00024501962300000314
为ti-1时刻的磨煤机运行状态特征，
Figure FDA00024501962300000315
为ti-1时刻的磨辊磨损量；
(8.2)计算步骤(8.1)
Figure FDA00024501962300000316
和
Figure FDA00024501962300000317
两条记录的时间间隔Δti：
Δti＝ti-ti-1，其中ti为
Figure FDA0002450196230000041
的记录时间，ti-1为
Figure FDA0002450196230000042
的记录时间；
(8.3)计算从ti-1时刻到ti时刻期间待测磨煤机的磨煤总量
Figure FDA0002450196230000043
Figure FDA0002450196230000044
其中C为步骤(1)的进煤量；
(8.4)将步骤(8.1)的
Figure FDA0002450196230000045
步骤(8.2)的Δti、步骤(8.3)的
Figure FDA0002450196230000046
拼接生成样本特征VECTORi:
Figure FDA0002450196230000047
(8.5)对步骤(8.4)得到的样本特征VECTORi置以设备样本标签LABELi：
Figure FDA0002450196230000048
其中
Figure FDA0002450196230000049
为步骤(1)的ti时刻的磨辊磨损量；
根据VECTORi和LABELi映射关系，生成一个训练样本SAMPLEi：
SAMPLEi＝(VECTORi,LABELi)，
(9)遍历步骤(7)的SET_STATE集合中所有时间相邻的两条磨辊磨损和磨煤机运行状态特征记录，重复步骤(8)，得到所有的训练样本集合组成为训练样本集SET_SAMPLE：
SET_SAMPLE＝{SAMPLEi},i＝1,2,...,NS
其中i为样本编号，NS为训练样本数；
(10)建立并训练用于磨煤机磨辊的磨损量计算的深度神经网络模型DNN，并训练模型得到模型参数，具体步骤如下：
(10.1)确定深度神经网络DNN的结构、层数和节点数：深度神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，输入层输入的为训练样本集SET_SAMPLE中训练样本SAMPLEi的样本特征VECTORi，输出层有一个节点，该节点与训练样本集SET_SAMPLE中训练样本SAMPLEi的样本标签
Figure FDA00024501962300000410
相对应，隐含层用于提取不同层次的特征，隐含层的层数和节点数根据经验和测试分析确定，隐含层的层数为3-5层，每层隐含层的节点数代表该隐含层提取的特征的维度，网络结构采用层内无连接，相邻层全连接的结构形式；
(10.2)对(10.1)建立的模型进行无监督训练，将DNN的每两个相邻层当作一个受限玻尔兹曼机进行预训练，得到模型参数；
(10.3)利用(10.2)训练得到的模型参数对初始化DNN进行监督训练，利用后向传播算法对DNN模型参数进行优化微整，训练样本集为步骤(9)的训练样本集SET_SAMPLE，向初始化DNN的输入层输入SET_SAMPLE中样本SAMPLEi的样本特征VECTORi，输出得到磨辊磨损量Loss_outputi，训练目标为使Loss_outputi与步骤(8.5)得到的LABELi的残差的L2范数最小化；遍历SET_SAMPLE中所有样本，重复本步骤，训练得到用于磨煤机磨辊的磨损量计算的深度神经网络模型DNN；
(11)计算磨煤机磨辊的磨损量，具体步骤如下：
(11.1)实时采集待测磨煤机运行状态监测数据，运行状态监测数据包括待测磨煤机输入转速数据
Figure FDA0002450196230000051
进煤量
Figure FDA0002450196230000052
煤全水分
Figure FDA0002450196230000053
拉杆压力
Figure FDA0002450196230000054
磨辊振动数据
Figure FDA0002450196230000055
磨辊声音数据
Figure FDA0002450196230000056
(11.2)设当前时间为tcurr，从磨辊磨损检测日志中提取tcurr之前最近一条记录(tlast,Losslast)，其中tlast为最近一次磨辊检测时间，Losslast为最近一次检测的磨辊磨损量；
(11.3)提取步骤(11.1)的数据
Figure FDA0002450196230000057
在步骤(2)的tcurr时刻对应的数据
Figure FDA0002450196230000058
组成一个4维向量
Figure FDA0002450196230000059
记为：
Figure FDA00024501962300000510
其中
Figure FDA00024501962300000511
表示在tcurr时刻的待测磨煤机输入转速数据、
Figure FDA00024501962300000512
表示在tcurr时刻的进煤量、
Figure FDA00024501962300000513
表示在tcurr时刻的煤全水分、
Figure FDA00024501962300000514
表示在tcurr时刻的拉杆压力；
从步骤(11.1)的数据
Figure FDA00024501962300000515
提取与步骤(2)的tlast时刻相对应的数据
Figure FDA00024501962300000516
Figure FDA0002450196230000061
组成一个4维向量
Figure FDA0002450196230000062
记为：
Figure FDA0002450196230000063
其中
Figure FDA0002450196230000064
表示在tlast时刻的待测磨煤机输入转速数据、
Figure FDA0002450196230000065
表示在tlast时刻的进煤量、
Figure FDA0002450196230000066
表示在tlast时刻的煤全水分、
Figure FDA0002450196230000067
表示在tlast时刻的拉杆压力；
(11.4)制作磨辊振动数据
Figure FDA0002450196230000068
和磨辊声音数据
Figure FDA0002450196230000069
相关的数据特征
Figure FDA00024501962300000610
Figure FDA00024501962300000611
和
Figure FDA00024501962300000612
具体步骤如下：
(11.4.1)设置和步骤(4.1)相同的数据帧时长tlen；数据帧起始时间设置为步骤(11.2)的tcurr，截取时窗[tcurr,tcurr+tlen]内的步骤(11.1)的数据
Figure FDA00024501962300000613
的一个数据帧，记为
Figure FDA00024501962300000614
Figure FDA00024501962300000615
其中
Figure FDA00024501962300000616
表示[tcurr,tcurr+tlen]时窗内的一帧磨辊振动数据帧，
Figure FDA00024501962300000617
表示[tcurr,tcurr+tlen]时窗内的一帧磨辊声音数据帧；
数据帧起始时间设置为步骤(11.2)的tlast，截取时窗[tlast,tlast+tlen]内的步骤(11.1)的数据
Figure FDA00024501962300000618
的一个数据帧，记为
Figure FDA00024501962300000619
其中
Figure FDA00024501962300000620
表示[tlast,tlast+tlen]时窗内的一帧磨辊振动数据帧，
Figure FDA00024501962300000621
表示[tlast,tlast+tlen]时窗内的一帧磨辊声音数据帧；
(11.4.2)对步骤(11.4.1)得到的
Figure FDA00024501962300000622
进行时域幅值统计，统计得到一个4维向量
Figure FDA00024501962300000623
记为：
Figure FDA00024501962300000624
其中
Figure FDA00024501962300000625
为磨辊振动均方根、
Figure FDA00024501962300000626
为磨辊振动方差、
Figure FDA00024501962300000627
为磨辊振动偏度，
Figure FDA00024501962300000628
为磨辊振动峭度；
对步骤(11.4.1)得到的
Figure FDA00024501962300000629
进行时域幅值统计，统计得到一个4维向量
Figure FDA00024501962300000630
记为：
Figure FDA0002450196230000071
其中
Figure FDA0002450196230000072
为磨辊振动均方根、
Figure FDA0002450196230000073
为磨辊振动方差、
Figure FDA0002450196230000074
为磨辊振动偏度，
Figure FDA0002450196230000075
为磨辊振动峭度；
(11.4.3)对步骤(11.4.1)得到的
Figure FDA0002450196230000076
进行时域幅值统计，统计得到一个4维向量
Figure FDA0002450196230000077
记为：
Figure FDA0002450196230000078
其中
Figure FDA0002450196230000079
为磨辊声音均方根、
Figure FDA00024501962300000710
为磨辊声音方差、
Figure FDA00024501962300000711
为磨辊声音偏度，
Figure FDA00024501962300000712
为磨辊声音峭度；
对步骤(11.4.1)得到的
Figure FDA00024501962300000713
进行时域幅值统计，统计得到一个4维向量
Figure FDA00024501962300000714
记为：
Figure FDA00024501962300000715
其中
Figure FDA00024501962300000716
为磨辊声音均方根、
Figure FDA00024501962300000717
为磨辊声音方差、
Figure FDA00024501962300000718
为磨辊声音偏度，
Figure FDA00024501962300000719
为磨辊声音峭度；
(11.4.4)对步骤(11.4.1)得到的
Figure FDA00024501962300000720
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波，L的取值与步骤(4.4)的L取值相等,得到一个L维向量
Figure FDA00024501962300000721
记为：
Figure FDA0002450196230000081
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
对步骤(11.4.1)得到的
Figure FDA0002450196230000082
进行快速傅里叶变换，得到振动能量谱，然后对振动能量谱进行L个子带滤波,L的取值与步骤(4.4)的L取值相等，得到一个L维向量
Figure FDA0002450196230000083
记为：
Figure FDA0002450196230000084
其中FFT表示快速傅里叶变换，Filter_l表示第l个子带滤波；
(11.4.5)对步骤(11.4.1)得到的
Figure FDA0002450196230000085
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(4.5)的M取值相等，得到一个M维向量
Figure FDA0002450196230000086
记为：
Figure FDA0002450196230000087
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
对步骤(11.4.1)得到的
Figure FDA0002450196230000091
进行快速傅里叶变换，得到声音能量谱，然后对声音能量谱进行M个子带滤波，M的取值与步骤(4.5)的M取值相等，得到一个M维向量
Figure FDA0002450196230000092
记为：
Figure FDA0002450196230000093
其中FFT表示快速傅里叶变换，Filter_m表示第m个子带滤波；
(11.5)步骤(11.3)得到的
Figure FDA0002450196230000094
和步骤(11.4)得到的
Figure FDA0002450196230000095
Figure FDA0002450196230000096
拼接生成tcurr时刻磨煤机运行状态特征：
Figure FDA0002450196230000097
步骤(11.3)得到的
Figure FDA0002450196230000098
和步骤(11.4)得到的
Figure FDA0002450196230000099
Figure FDA00024501962300000910
拼接生成tlast时刻磨煤机运行状态特征：
Figure FDA00024501962300000911
(11.6)计算步骤(11.2)中的tcurr和tlast两条记录的时间间隔
Figure FDA00024501962300000912
Figure FDA00024501962300000913
其中tcurr为当前时间，tlast为最近一次磨辊检测时间；
(11.7)计算从tlast时刻到tcurr时刻期间待测磨煤机的磨煤总量
Figure FDA00024501962300000914
Figure FDA0002450196230000101
其中
Figure FDA0002450196230000102
为步骤(11.1)得到的进煤量，
(11.8)将步骤(11.2)的
Figure FDA0002450196230000103
步骤(11.5)的
Figure FDA0002450196230000104
步骤(8.2)的
Figure FDA0002450196230000105
步骤(8.3)的
Figure FDA0002450196230000106
拼接生成样本特征VECTORest：
Figure FDA0002450196230000107
(11.9)将步骤(11.8)得到的样本特征VECTORest输入步骤(10)的深度神经网络模型DNN中，输出得到待测磨煤机当前时刻tcurr的磨辊磨损量Lossest，实现基于深度神经网络的磨煤机磨辊的磨损量计算。
CN202010290444.9A 2020-04-14 2020-04-14 一种基于深度神经网络的磨煤机磨辊的磨损量计算方法 Withdrawn CN111428194A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010290444.9A CN111428194A (zh) 2020-04-14 2020-04-14 一种基于深度神经网络的磨煤机磨辊的磨损量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010290444.9A CN111428194A (zh) 2020-04-14 2020-04-14 一种基于深度神经网络的磨煤机磨辊的磨损量计算方法

Publications (1)

Publication Number Publication Date
CN111428194A true CN111428194A (zh) 2020-07-17

Family

ID=71556330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010290444.9A Withdrawn CN111428194A (zh) 2020-04-14 2020-04-14 一种基于深度神经网络的磨煤机磨辊的磨损量计算方法

Country Status (1)

Country Link
CN (1) CN111428194A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270419A (zh) * 2020-11-02 2021-01-26 北京京能能源技术研究有限责任公司 磨辊磨损预测方法、装置、计算机设备及可读存储介质
CN114308358A (zh) * 2022-03-17 2022-04-12 山东金有粮脱皮制粉设备有限公司 一种玉米芯磨粉设备的安全运行监测系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270419A (zh) * 2020-11-02 2021-01-26 北京京能能源技术研究有限责任公司 磨辊磨损预测方法、装置、计算机设备及可读存储介质
CN112270419B (zh) * 2020-11-02 2024-02-23 北京京能能源技术研究有限责任公司 磨辊磨损预测方法、装置、计算机设备及可读存储介质
CN114308358A (zh) * 2022-03-17 2022-04-12 山东金有粮脱皮制粉设备有限公司 一种玉米芯磨粉设备的安全运行监测系统
CN114308358B (zh) * 2022-03-17 2022-05-27 山东金有粮脱皮制粉设备有限公司 一种玉米芯磨粉设备的安全运行监测系统

Similar Documents

Publication Publication Date Title
CN111428194A (zh) 一种基于深度神经网络的磨煤机磨辊的磨损量计算方法
CN107003663B (zh) 具有活动部分的装置的监视
CN111922095A (zh) 一种冷轧机轧辊扭振故障异常的振动诊断方法
CN111488935A (zh) 一种基于神经网络统一建模的磨煤机故障诊断方法
CN112504673B (zh) 基于机器学习的托辊故障诊断方法、系统及存储介质
CN111523659A (zh) 一种基于三级神经网络建模的机器故障预测诊断方法
CN102179722A (zh) 基于比例故障率模型的数控机床运行可靠性评估方法
CN102966526B (zh) 基于轴向振动分析的压缩机低频流体激振类故障诊断方法
Cui et al. An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes
CN115060491A (zh) 一种基于多源数据的风机轴承运行健康度评估方法及系统
CN111428685A (zh) 基于神经网络统一建模的机器故障检测、分类和定级方法
CN113298134A (zh) 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
Chen et al. Acoustical damage detection of wind turbine yaw system using Bayesian network
CN112173636A (zh) 一种巡检机器人对皮带机托辊故障的检测方法
CN117365869A (zh) 一种风电机组桨叶扫塔故障的自适应预警策略设计方法
CN114463143A (zh) 一种海上双馈风力发电机scada故障数据增强方法
CN117649044A (zh) 一种海上风电机组多维度量化状态评估方法
CN113280910A (zh) 一种长材生产线设备实时监测方法及系统
CN113688791B (zh) 一种风电机组cms异常数据包识别方法
CN112660746B (zh) 基于大数据技术的托辊故障诊断方法、系统及存储介质
CN115687864A (zh) 基于XGBoost-KDE的风机主轴承故障预警方法
CN114004059A (zh) 一种水轮发电机组健康画像方法
CN115326393A (zh) 一种基于温度信息的风电机组轴承对故障诊断方法
CN115163426A (zh) 基于ai听诊的风机故障检测方法及系统、风机安全系统
Skrimpas et al. Detection of pitch failures in wind turbines using environmental noise recognition techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20200717

WW01 Invention patent application withdrawn after publication