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 PDFInfo
- 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- Withdrawn
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
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:
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:
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:
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:
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:
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:
(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:
(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:
(8.5)对步骤(8.4)得到的样本特征VECTORi置以设备样本标签LABELi:
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:
(11.2)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;
(11.4.1)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 的一个数据帧,记为 其中表示[tcurr,tcurr+tlen]时窗内的一帧磨辊振动数据帧,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 的一个数据帧,记为其中表示[tlast,tlast+tlen]时窗内的一帧磨辊振动数据帧,表示[tlast,tlast+tlen]时窗内的一帧磨辊声音数据帧;
其中FFT表示快速傅里叶变换,Filter_l表示第l个子带滤波;
其中FFT表示快速傅里叶变换,Filter_l表示第l个子带滤波;
其中FFT表示快速傅里叶变换,Filter_m表示第m个子带滤波;
其中FFT表示快速傅里叶变换,Filter_m表示第m个子带滤波;
(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:
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:
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:
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:
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:
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:
(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:
(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:
(8.5)对步骤(8.4)得到的样本特征VECTORi置以设备样本标签LABELi:
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:
(11.2)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;
(11.4.1)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 的一个数据帧,记为 其中表示[tcurr,tcurr+tlen]时窗内的一帧磨辊振动数据帧,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 的一个数据帧,记为其中表示[tlast,tlast+tlen]时窗内的一帧磨辊振动数据帧,表示[tlast,tlast+tlen]时窗内的一帧磨辊声音数据帧;
其中FFT表示快速傅里叶变换,Filter_l表示第l个子带滤波;
其中FFT表示快速傅里叶变换,Filter_l表示第l个子带滤波;
其中FFT表示快速傅里叶变换,Filter_m表示第m个子带滤波;
其中FFT表示快速傅里叶变换,Filter_m表示第m个子带滤波;
(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:
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:
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:
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:
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:
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:
(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:
(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:
(8.5)对步骤(8.4)得到的样本特征VECTORi置以设备样本标签LABELi:
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:
(11.2)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;
(11.4.1)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)的数据的一个数据帧,记为 其中表示[tcurr,tcurr+tlen]时窗内的一帧磨辊振动数据帧,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)的数据的一个数据帧,记为其中表示[tlast,tlast+tlen]时窗内的一帧磨辊振动数据帧,表示[tlast,tlast+tlen]时窗内的一帧磨辊声音数据帧;
其中FFT表示快速傅里叶变换,Filter_l表示第l个子带滤波;
其中FFT表示快速傅里叶变换,Filter_l表示第l个子带滤波;
其中FFT表示快速傅里叶变换,Filter_m表示第m个子带滤波;
其中FFT表示快速傅里叶变换,Filter_m表示第m个子带滤波;
(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。
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)
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 |
-
2020
- 2020-04-14 CN CN202010290444.9A patent/CN111428194A/zh not_active Withdrawn
Cited By (4)
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 |