CN111651910B - 一种面向磨煤机的分段概率性状态监测方法 - Google Patents
一种面向磨煤机的分段概率性状态监测方法 Download PDFInfo
- Publication number
- CN111651910B CN111651910B CN202010788365.0A CN202010788365A CN111651910B CN 111651910 B CN111651910 B CN 111651910B CN 202010788365 A CN202010788365 A CN 202010788365A CN 111651910 B CN111651910 B CN 111651910B
- Authority
- CN
- China
- Prior art keywords
- coal
- load
- coal mill
- load sheet
- variable
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000001419 dependent effect Effects 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007789 sealing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 239000003921 oil Substances 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000003892 spreading Methods 0.000 claims description 4
- 239000010687 lubricating oil Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种面向磨煤机的分段概率性状态监测方法,该方法创新的以给煤量作为指示变量对数据进行离散化,并在此基础上提出了一种分段概率性监测的方法;使用高斯过程回归算法评估负载片的均方预测误差并实现对相似负载片的聚类;聚类后的数据被用于建立多个高斯过程回归模型以实现分段的预测;最终,依据所建立模型的预测结果可以得到一个概率性的状态监测结果。本发明精细化的评估了磨煤机的数据特性,解决了由于磨煤机工况复杂多变,数据非线性性强从而导致的单一模型难以准确建模并进行预测的问题;而概率性的故障诊断结果则有助于火电厂维护人员对磨煤机的工作情况进行更合理评估。
Description
技术领域
本发明属于火力发电过程监测领域,尤其涉及一种面向磨煤机的分段概率性状态监测方法。
背景技术
自21世纪以来,全球人口、经济持续增长,世界能源需求增长强劲,油气资源竞争激烈,生态环境压力变大,全球气候变化备受关注。能源领域具有投资大、周期长、关联多、惯性强的发展规律。
未来二三十年,将是能源生产消费方式和能源结构调整变革的关键时期。将会形成天然气、石油、煤炭、核能、可再生能源为五大支柱的能源新格局。其中,由于我国煤炭资源丰富,因此煤炭能源仍然是我国目前最主要的电力来源。据统计,截至2016年底,煤炭在我国一次能源消费结构中仍占60%以上。并且在较长时间内,我国以煤炭为主的生产现状不会发生改变。近年来,我国对能源供应体系进行不断调整与优化,电力生产设备的总装机容量和年发电量超过美国,跃居世界第一位。截至2017年底,我国600MW及以上电力装机容量中火电占比62%,发电量占比71%。由此可见当前燃煤发电机组在我国发电体系中仍占居绝对优势。然而,如此大的装机量与使用量势必导致大量的检修需要以及相应的故障监测,但由于火力发电机组的发电原理以及设计等原因,导致其都处于一种不间断运行,工况多变以及高温的环境中,这也就使得火力发电机组极易出现一些利用普通手段难以监测的内部故障,这些故障的发生往往会导致火力发电机组无法产生足够的功率,例如火力发电机组磨煤机的故障,该故障会导致火力发电机组无法生产相应给煤量下所额定的功率,从而造成煤炭资源的浪费甚至对电网的稳定运行造成干扰,更有甚者,故障程度较为严重时会导致磨煤机损坏。 这些故障往往会威胁到火力发电机组的运行寿命甚至是危及到人员安全,同时因为火力发电机组的发电结构较为精细,因而需要较多的测点,这就导致了火力发电机组数据量的剧增,使得很多数据处理方法难以直接应用于这样大量的数据上,从而对此类故障的分析以及监测造成了负面影响。
综上所述,火力发电产业是一个在我国极为重要的能源产业,其工作环境复杂多变,并且由于其需要并入电网运行,因而对发电机运行的稳定性要求较高,需要及时的人员维护。由此可知,火力发电过程发生故障所带来的损失较大,若不及时检测并排除故障就会导致无可估量的后果。例如:2019年4月16日,某电厂1号锅炉由于未能及时维护,导致末级再热器结焦以及后屏再热器多处管子发生泄漏和减薄导致了炉管泄露,该故障导致的直接损失高达130万人民币。2019年5月18日,某电厂发生火灾,主要是由于该厂5号锅炉中的一次风管内的煤粉堆积,再加上锅炉高温的工作环境,使得堆积的煤粉燃烧融化了风管。煤粉从融化的风管口散出进而引燃其他设备,从而导致了该电厂5号锅炉发生火灾。此次事故造成的直接损失高达630万人民币。综上可得,若不对火力发电中的相应设备进行合理的监测和检修,那最终会由故障导致极大的损失。
针对磨煤机的数据量大,数据特性不稳定导致的单一模型难以监测过程特性的情况,还未能有前人做出有效的处理,现阶段的火力发电机磨煤机故障等相应的监测主要依靠人工观察,或是通过二维的数据,即观察功率在对应的给煤量点是否达标从而判断是否有故障,但这样往往忽略了其他变量数据带来的有效信息,从而难以有效地及时监测到磨煤机的初期故障。
发明内容
本发明的目的在于针对现有技术的不足,提供一种面向磨煤机的分段概率性状态监测方法。本发明利用给煤量作为主要关注变量,并通过不同给煤量将火电数据划分为不同工况,详细的划分了磨煤机在不同给煤量下的数据特性,然后根据得到的不同的数据特性,建立不同工况下的监测模型,提高了火电数据利用效率。
本发明的目的通过以下技术方案实现:一种面向磨煤机的分段概率性状态监测方法,该方法包括以下步骤:
(1)离线建立监测模型,包括以下子步骤:
从二维矩阵中提取给煤量变量,评估该变量的概率密度函数,在保证该变
量累计概率相同的前提下将二维矩阵原数据划分为个初始负载片,进行离散化处
理;记录每个初始负载片的给煤量变化范围,第g个初始负载片的给煤量范围为;
(1.3)根据变量相关特性的不同,将磨煤机整个运行过程自动识别划分不同预测段,包括以下子步骤:
其中,分别表示用于训练模型的负载片中的自变量与因变量;,为模型预测时的输入的自变量和输出的因变量;、、
、表示输入为、、、的径向基核函
数;、表示、的均值;表示均值为,方差为的正态分布;表示均值为,方差为的正态分布;为的均值,为的方
差;
(1.3.4)负载片步进式分类:从第一个负载片开始,将其与后续的负载片步进式合并,直到满足截止条件时停止合并,形成一个步进式预测段;
(1.3.5)循环划分:从第g+1个负载片开始形成一个新的步进式预测段,重复
步骤(1.3.4)遍历所有负载片,得到个步进式预测段;记录每一个步进式预测段中给煤量
变量的变化范围,第m个步进式预测段的给煤量变化范围为;
(2)状态监测,包括以下步骤:
(2.1)获得数据并确定对应工况:获得磨煤机在线运行的一个实时数据为
,提取给煤量变量,根据步骤(1.2)和步骤(1.3.5)中记录的各个初始负载片的给煤量范
围以及步进式预测段的给煤量范围进行判断,得到该实时数据样本的给煤量属
于的第个初始负载片和第个步进式预测段;
(2.4)利用高斯过程回归模型计算样本的后验概率:判断步骤(2.2)得到数据
中的因变量是否在步骤(2.3)得到的预测因变量y分布的预设置信区间内,若在设定的
置信区间内,表示机组正常工作;若不在设定的置信区间内,则机组发生故障的概率P为:
进一步地,所述可测变量为运行过程中可被测量的状态参数,包括给煤机C给煤量反馈、功率信号三选值、环境温度、磨煤机C电机线圈温度1、磨煤机C电机线圈温度2、磨煤机C电机线圈温度3、磨煤机C电机线圈温度4、磨煤机C电机线圈温度5、磨煤机C电机线圈温度6、磨煤机C电机轴承温度1、磨煤机C电机轴承温度2、磨煤机C电流、磨煤机C润滑油温度、磨煤机C行星齿轮输入轴承温度1、磨煤机C行星齿轮输入轴承温度2、磨煤机C行星齿轮轴承温度1、磨煤机C行星齿轮轴承温度2、磨煤机C行星齿轮轴承温度3、磨煤机C行星齿轮轴承温度4、磨煤机C旋转分离器电机电流、磨煤机C旋转分离器轴承温度1、磨煤机C旋转分离器轴承温度2、磨煤机C旋转分离器转速反馈、磨煤机C油箱温度、磨煤机C出口温度1、磨煤机C出口温度2、磨煤机C出口温度3、磨煤机C出口压力、磨煤机C进口一次风量三选值、磨煤机C进口一次风温1、磨煤机C进口一次风温2、磨煤机C进口一次风压、磨煤机C冷风调节门位置反馈、磨煤机C密封风压力、磨煤机C密封风与冷一次风差压和磨煤机C热风调节门位置反馈。
进一步地,所述给煤量变量为可测变量中的给煤机C给煤量反馈。
进一步地,所述因变量为功率信号三选值,所述自变量为可测变量中除功率信号三选值外的所有变量。
进一步地,所述步骤(2.4)中预设置信区间为95%~99%。
本发明的有益效果在于:本发明针对磨煤机这样的大数据量,难分工况的情况,提出了一种面向磨煤机的分段高斯过程回归建模与概率性状态监测方法;将给煤量看作离散化的主要变量,然后递进式的对磨煤机的数据进行了划分,完成了基于给煤量为横轴的工况划分;然后,针对每个不同的工况,建立了相应的监测模型。本发明创新的提出了以给煤量为划分依据并利用高斯过程回归进行聚类以给出概率性监测结果的想法,细化的区分了不同给煤量下的磨煤机运行情况,解决了磨煤机数据难以进行故障监测的问题;从而保证了磨煤机的安全可靠的运行,同时达到其及时监测故障的需求。
附图说明
图1是本发明方法的离线建模流程图;
图2是本发明方法的在线监测流程图;
图3是本发明方法的负载片的步进式预测段的聚类结果在给煤量与功率的关系示意图;
图4是本发明方法在不含故障点的验证集上的验证结果图;
图5是本发明方法在含有故障点的测试集上的测试结果图。
具体实施方式
下面结合附图及具体实例,对本发明作进一步详细说明。
如图1~2所示,本发明是一种面向磨煤机的分段概率性状态监测方法,该方法包括以下步骤:
(1)离线建立监测模型,包括以下子步骤:
从二维矩阵中提取给煤量变量,评估该变量的概率密度函数,在保证该变
量累计概率相同的前提下将二维矩阵原数据划分为个初始负载片,进行离散化处
理;记录每个初始负载片的给煤量变化范围,第g个初始负载片的给煤量范围为,是
一个区间;
(1.3)根据变量相关特性的不同,将磨煤机整个运行过程自动识别划分不同预测段,包括以下子步骤:
其中,分别表示用于训练模型的负载片中的自变量与因变量;表示输入为的径向基核函数,表示输入为的径向基
核函数,表示输入为的径向基核函数,表示输入为的径向基核函数;m()表示的均值,为的均值;表示均值为,方差为的正态分布;表示均值为,方差为的正态分布;为的均值,为的方差;
(1.3.3)计算单个负载片的预测误差:计算每一个经过高斯过程回归建模后负载
片内因变量的均方预测误差(Mean square error,MSE)指标,依据公式(4)计算出相应的预
测因变量的期望值,然后按照下述公式计算第g个负载片的MSE指标:
(1.3.4)负载片步进式分类:从第一个负载片开始,将其与后续的负载片步进式合并,直到满足截止条件时停止合并,形成一个步进式预测段;
(1.3.5)循环划分:从第g+1个负载片开始形成一个新的步进式预测段,重复
步骤(1.3.4)遍历所有负载片,得到个步进式预测段;记录每一个步进式预测段中给煤量
变量的变化范围,第m个步进式预测段的给煤量变化范围为,是一个区间;
(2)状态监测,包括以下步骤:
(2.1)获得数据并确定对应工况:获得磨煤机在线运行的一个实时数据为
,提取给煤量变量,根据步骤(1.2)和步骤(1.3.5)中记录的各个初始负载片的给煤量范
围以及步进式预测段的给煤量范围进行判断,得到该实时数据样本的给煤量属
于的第个初始负载片和第个步进式预测段;
(2.4)利用高斯过程回归模型计算样本的后验概率:设置95%置信区间(2个标准
差),并判断步骤(2.2)得到数据中的因变量是否在步骤(2.3)得到的经标准化后预测
因变量y分布的预设置信区间内,若在设定的置信区间内,表示机组正常工作;若不在设
定的置信区间内,则机组发生故障的概率P为:
其中,分别表示对正态分布取相应置信区间时的分位数的
上限和下限。表示实时数据中经标准化后因变量的预测期望值;表示实时数
据中经标准化后因变量的预测方差值;P表示故障的概率且。比较经标准化后
的实时数据因变量是否超过预测值95%置信区间,若超过,则依照步骤(2.4)给出可能故障
的概率。若未超过,则判断机组正常工作。通过上述逻辑实现监测。
本发明一种面向磨煤机的分段概率性状态监测方法,以可用样本36000个,变量38个的实际磨煤机数据集为例,包括以下步骤:
(1)离线建立监测模型,该步骤主要由以下子步骤实现:
(1.1)获取历史数据:获取磨煤机的个可用历史数据,每个历史数据具有
个可测变量。可测变量包括给煤机C给煤量反馈、功率信号三选值、环境温度、磨煤机C电机
线圈温度1、磨煤机C电机线圈温度2、磨煤机C电机线圈温度3、磨煤机C电机线圈温度4、磨煤
机C电机线圈温度5、磨煤机C电机线圈温度6、磨煤机C电机轴承温度1、磨煤机C电机轴承温
度2、磨煤机C电流、磨煤机C润滑油温度、磨煤机C行星齿轮输入轴承温度1、磨煤机C行星齿
轮输入轴承温度2、磨煤机C行星齿轮轴承温度1、磨煤机C行星齿轮轴承温度2、磨煤机C行星
齿轮轴承温度3、磨煤机C行星齿轮轴承温度4、磨煤机C旋转分离器电机电流、磨煤机C旋转
分离器轴承温度1、磨煤机C旋转分离器轴承温度2、磨煤机C旋转分离器转速反馈、磨煤机C
油箱温度、磨煤机C出口温度1、磨煤机C出口温度2、磨煤机C出口温度3、磨煤机C出口压力、
磨煤机C进口一次风量三选值、磨煤机C进口一次风温1、磨煤机C进口一次风温2、磨煤机C进
口一次风压、磨煤机C冷风调节门位置反馈、磨煤机C密封风压力、磨煤机C密封风与冷一次
风差压、磨煤机C热风调节门位置反馈。将个历史数据描述为一个二维矩阵。
(1.2)将二维矩阵进行离散化处理,具体为:将二维矩阵中的给煤
量变量单独提取出来,以0.01的累计概率为指标,保证该变量累计概率(Cumulative
Distribution,CD)相同,将原数据划分为100个初始负载片,从而对数据进行离散化处理;
每个初始负载片中有个样本以及38个可测变量,其中下标g表示该样本
属于第g个初始负载片,并有。离散化后第g个初始负载片记为,并记录每个
负载片的给煤量变化范围。该100个初始负载片给煤量变化范围记录
如下表1所示:
表1:初始负载片的给煤量
(1.3)步进式粗分类方法通过以下子步骤实现:
其中,分别表示用于训练模型的负载片中的自变量与因变量;表示输入为的径向基核函数,表示输入为的径向基核函数,表示输入为的径向基核函数,表示输入为的径向基核
函数;m()表示的均值,为的均值;表示均值为,方差为的正态分布;表示均值为,方差为的正态分布;为的均值,为的方
差;
(1.3.3)计算单个负载片的预测误差:计算每一个经过高斯过程回归建模后负载
片内因变量的均方预测误差指标,依据公式(4)计算出相应的预测因变量的期望值。这里以第1个负载片的MSE指标为例,此时输入数据就是,然后依据公
式(4)计算出然后按照下述公式计算第1个负载片的MSE指标:
(1.3.4)负载片步进式分类:从第一个负载片开始,将其与后续的负载片步进式合并,直到满足截止条件时停止合并,形成一个步进式预测段;
其中。若存在一个k使得上式满足,则表示新加入的负载片
使得某个负载片的预测性能发生改变,输出为一个步进式预测段;这里有负载片已经
从第1片加至第2片,并将多个合并的负载片表示为。此时新加入的负载片为,并且
该负载片的加入使得第1片负载片的预测指标发生变化,那么认为第1~2个负载片成为一个
步进式预测段。所述截断条件中的预测指标变化判断如下:
将合并后的负载片作为一个整体数据带入公式(2)训练高斯过程回归模型,
然后依据步骤(1.3.3)分别将中所包含的所有负载片都计算出相应的MSE指
标并将该MSE指标记做。并进行如下判断,此处的取值为2:
0.01066>2*0.01057(不成立)
0.00278>2*0.00098(成立)
表2:步进式预测段中给煤量变量的范围
步进式预测段 | 给煤量范围最小值 | 给煤量范围最大值 |
1 | 0 | 43.26579 |
2 | 43.26579 | 48.09459 |
3 | 48.09459 | 54.6646 |
4 | 54.6646 | 56.60421 |
5 | 56.60421 | 59.90256 |
6 | 59.90256 | 62.43281 |
7 | 62.43281 | 63.5605 |
8 | 63.5605 | 66.78139 |
9 | 66.78139 | 67.68884 |
10 | 67.68884 | 72.18623 |
11 | 72.18623 | 80.95296 |
12 | 80.95296 | 100 |
(1.3.6)模型构建:数据被划分为12个步进式预测段,第m个步进式预测段的自变
量表示为,因变量为。然后依据公式(4),以和作为训练数据,对12个步进式预测段分别单独建立GPR预测模型。从而
得到12个不同的高斯过程回归模型,如图3所示,为本实施例的负载片的步进式预测段的聚
类结果在给煤量与功率的关系示意图。
(2)如图2所示,在线监测主要由以下步骤实现:
(2.1)获得数据并确定对应工况:火力发电机在线运行时,可获得实时数据。记获
得的某个实时数据为,将给煤量变量单独取出并记作,按照各个负载片
的给煤量范围以及步进式预测段的给煤量范围
判断此样本所述的负载片以及步进式预测段。判断如下:。由此判断出,该样本属于第1个步进式
预测段以及第7个初始负载片。
(2.3)利用高斯过程回归模型预测该样本的因变量值:依据判断得到的范围选择对应的高斯过程回归模型,并根据公式(4)预测得到该样本中对应的因变量值。
(2.4)利用高斯过程回归模型计算样本的后验概率:取出第1个高斯过程回归模
型,然后将样本输入该模型中,得到被预测变量的分布。随后将真实测量得到的该
变量放入预测得到的分布中,设置95%置信区间并得到低分位数和高分位数(-4.5,4.5),判
断结果如下:
由判断可以得知,该点故障的概率为75.31%。
现取用21个故障样本点进行简单展示,如图4所示,可以明确的看到,验证集中仅有三点被误判为故障,其余点的故障概率均为0。而测试集中故障点0号,1号,3号,7号,9号,10号,12号,16号,18-20号的监测结果全部以高概率故障的结果展现在图5的监测图中。
本发明不止局限于上述实例,凡是熟悉本领域的技术人员在不违背本发明的前提下还可以做出等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种面向磨煤机的分段概率性状态监测方法,其特征在于,包括以下步骤:
(1)离线建立监测模型,包括以下子步骤:
(1.1)获取历史磨煤机数据;
(1.2)对磨煤机数据进行切片离散化,得到多个负载片,每个负载片都是一个二维矩阵;
(1.3)自动识别划分不同预测段,包括以下子步骤:
(1.3.1)对每个负载片进行标准化处理;
(1.3.2)对每个标准化后的负载片分别建立高斯过程回归模型;
(1.3.3)根据对应的高斯过程回归模型计算每个标准化后的负载片的预测误差;
(1.3.4)从第一个标准化后的负载片开始,将其与后续的负载片步进式合并,直到合并后的负载片的预测误差发生变化时停止合并,已经合并的负载片形成一个步进式预测段;
(1.3.5)将剩余的标准化后的负载片根据步骤(1.3.4)划分步进式预测段,得到多个步进式预测段;
(1.3.6)分别对每一个步进式预测段构建高斯过程回归模型,得到离线监测模型;
(2)在线状态监测,包括以下子步骤:
(2.1)获得在线磨煤机的实时数据,并确定该实时数据的给煤量所属的负载片和步进式预测段;
(2.2)对实时数据进行标准化处理;
(2.3)利用步骤(1.3.6)构建的离线监测模型对标准化后的实时数据进行预测;
(2.4)利用步骤(2.3)预测的结果得到控制限,并计算实时数据样本的后验概率;判断预测结果是否超过控制限,若超过则以实时数据样本的后验概率表示发生故障的概率,若未超过则表示工作正常。
4.如权利要求3所述面向磨煤机的分段概率性状态监测方法,其特征在于,所述步骤(1.3)包括以下子步骤:
其中,分别表示用于训练模型的负载片中的自变量与因变量;,为模型预测时的输入的自变量和输出的因变量;、、、表示输入为、、、
的径向基核函数;、表示、的均值;表示均值为,方差为的正态分布;表示均值为,方差为的正态分布;为的均值,为的
方差;
(1.3.4)负载片步进式分类:从第一个负载片开始,将其与后续的负载片步进式合并,直到满足截止条件时停止合并,形成一个步进式预测段;
(1.3.5)循环划分:从第g+1个负载片开始形成一个新的步进式预测段,重复步骤
(1.3.4)遍历所有负载片,得到个步进式预测段;记录每一个步进式预测段中给煤量变量
的变化范围,第m个步进式预测段的给煤量变化范围为;
5.如权利要求4所述面向磨煤机的分段概率性状态监测方法,其特征在于,所述步骤(2)包括以下子步骤:
(2.1)获得数据并确定对应工况:获得磨煤机在线运行的一个实时数据为,提
取给煤量变量,根据步骤(1.2)和步骤(1.3.5)中记录的第g个初始负载片的给煤量范围以及第m个步进式预测段的给煤量变化范围进行判断,得到该实时数据样本的
给煤量属于的第个初始负载片和第个步进式预测段;
(2.4)利用高斯过程回归模型计算样本的后验概率:判断步骤(2.2)得到数据中的因
变量是否在步骤(2.3)得到的预测因变量y分布的预设置信区间内,若在设定的置信区
间内,表示机组正常工作;若不在设定的置信区间内,则机组发生故障的概率P为:
6.如权利要求5所述面向磨煤机的分段概率性状态监测方法,其特征在于,所述步骤(2.4)中预设置信区间为95%~99%。
7.如权利要求4所述面向磨煤机的分段概率性状态监测方法,其特征在于,所述可测变量为运行过程中可被测量的状态参数,包括给煤机C给煤量反馈、功率信号三选值、环境温度、磨煤机C电机线圈温度1、磨煤机C电机线圈温度2、磨煤机C电机线圈温度3、磨煤机C电机线圈温度4、磨煤机C电机线圈温度5、磨煤机C电机线圈温度6、磨煤机C电机轴承温度1、磨煤机C电机轴承温度2、磨煤机C电流、磨煤机C润滑油温度、磨煤机C行星齿轮输入轴承温度1、磨煤机C行星齿轮输入轴承温度2、磨煤机C行星齿轮轴承温度1、磨煤机C行星齿轮轴承温度2、磨煤机C行星齿轮轴承温度3、磨煤机C行星齿轮轴承温度4、磨煤机C旋转分离器电机电流、磨煤机C旋转分离器轴承温度1、磨煤机C旋转分离器轴承温度2、磨煤机C旋转分离器转速反馈、磨煤机C油箱温度、磨煤机C出口温度1、磨煤机C出口温度2、磨煤机C出口温度3、磨煤机C出口压力、磨煤机C进口一次风量三选值、磨煤机C进口一次风温1、磨煤机C进口一次风温2、磨煤机C进口一次风压、磨煤机C冷风调节门位置反馈、磨煤机C密封风压力、磨煤机C密封风与冷一次风差压和磨煤机C热风调节门位置反馈。
8.如权利要求7所述面向磨煤机的分段概率性状态监测方法,其特征在于,所述给煤量变量为可测变量中的给煤机C给煤量反馈。
9.如权利要求7所述面向磨煤机的分段概率性状态监测方法,其特征在于,所述因变量为功率信号三选值,所述自变量为可测变量中除功率信号三选值外的所有变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010788365.0A CN111651910B (zh) | 2020-08-07 | 2020-08-07 | 一种面向磨煤机的分段概率性状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010788365.0A CN111651910B (zh) | 2020-08-07 | 2020-08-07 | 一种面向磨煤机的分段概率性状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651910A CN111651910A (zh) | 2020-09-11 |
CN111651910B true CN111651910B (zh) | 2020-10-30 |
Family
ID=72343959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010788365.0A Active CN111651910B (zh) | 2020-08-07 | 2020-08-07 | 一种面向磨煤机的分段概率性状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651910B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112316855B (zh) * | 2020-10-06 | 2021-09-24 | 大连理工大学 | 一种改进的对计量盘密封力可调的微粉计量装置及对应调节方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0344757A2 (en) * | 1988-05-31 | 1989-12-06 | Babcock-Hitachi Kabushiki Kaisha | Control system for pulverized coal fired boiler |
US7850104B2 (en) * | 2007-03-21 | 2010-12-14 | Honeywell International Inc. | Inferential pulverized fuel flow sensing and manipulation within a coal mill |
CN104238494A (zh) * | 2014-07-29 | 2014-12-24 | 国家电网公司 | 基于电网调频调峰的火电机组给煤量控制方法 |
CN110879580A (zh) * | 2019-12-10 | 2020-03-13 | 浙江大学 | 一种面向大范围非平稳瞬变连续过程的分析和监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445674B (zh) * | 2020-04-08 | 2021-09-14 | 浙江浙能技术研究院有限公司 | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 |
-
2020
- 2020-08-07 CN CN202010788365.0A patent/CN111651910B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0344757A2 (en) * | 1988-05-31 | 1989-12-06 | Babcock-Hitachi Kabushiki Kaisha | Control system for pulverized coal fired boiler |
US7850104B2 (en) * | 2007-03-21 | 2010-12-14 | Honeywell International Inc. | Inferential pulverized fuel flow sensing and manipulation within a coal mill |
CN104238494A (zh) * | 2014-07-29 | 2014-12-24 | 国家电网公司 | 基于电网调频调峰的火电机组给煤量控制方法 |
CN110879580A (zh) * | 2019-12-10 | 2020-03-13 | 浙江大学 | 一种面向大范围非平稳瞬变连续过程的分析和监测方法 |
Non-Patent Citations (1)
Title |
---|
基于负荷轴工况划分的发电厂关键设备非平稳状态监测;沙万里等;《浙江电力》;20191215;第38卷(第12期);第32-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111651910A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2775108B1 (en) | Improved plant control systems and methods | |
JP6232066B2 (ja) | プラント制御最適化システム | |
CN109541168B (zh) | 一种煤粉经济细度在线监测与调整方法 | |
CN106991508A (zh) | 一种基于dbscan的风电机组运行状态识别方法 | |
CN110346160A (zh) | 一种基于svr的磨煤机效率异常检测与诊断方法 | |
CN107516174B (zh) | 电厂技术监督策略库的生成方法 | |
CN111720296B (zh) | 一种基于自编码器的汽动给水泵设备异常状态预警方法 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN109238760B (zh) | 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法 | |
CN112836935B (zh) | 一种适用于发电厂的智慧水务管理平台 | |
CN112465412A (zh) | 一种基于ims系统的电厂生产信息图形化方法 | |
CN111651910B (zh) | 一种面向磨煤机的分段概率性状态监测方法 | |
CN105930302A (zh) | 一种基于快速遗传算法和灰箱模型的磨煤机故障诊断方法 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
CN107895972B (zh) | 一种火电机组带负荷能力评估方法及其系统 | |
CN111679648B (zh) | 一种基于高斯过程回归的多变量闭环控制回路性能评估方法 | |
CN115310216B (zh) | 一种基于优化XGBoost的磨煤机故障预警方法 | |
CN107505927B (zh) | 基于组件的循环流化床锅炉风烟设备故障监测方法及装置 | |
CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 | |
CN112288295B (zh) | 一种基于在线的脱硫子系统评价装置及其应用方法 | |
CN112051839A (zh) | 一种基于树结构稀疏的过程监测和故障诊断方法 | |
Yang et al. | PSO based LS-SVM approach for fault prediction of primary air fan | |
CN112101733B (zh) | 高端发电装备磨煤机的多指示变量解耦的智能监测方法 | |
Cai et al. | Research and Application of Coal Blockage Early Warning Judgment in Coal Pulverizing System of Thermal Power Generating Units | |
CN117574290B (zh) | 基于机理与数据协同驱动的热力数据异常检测及修复方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |