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 PDF

Info

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
Application number
CN202010788365.0A
Other languages
English (en)
Other versions
CN111651910A (zh
Inventor
金玄玄
赵朝阳
沙万里
赵春晖
荆华
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.)
Zhejiang University ZJU
Zhejiang Zheneng Jiahua Power Generation Co Ltd
Original Assignee
Zhejiang University ZJU
Zhejiang Zheneng Jiahua Power Generation 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 Zhejiang University ZJU, Zhejiang Zheneng Jiahua Power Generation Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202010788365.0A priority Critical patent/CN111651910B/zh
Publication of CN111651910A publication Critical patent/CN111651910A/zh
Application granted granted Critical
Publication of CN111651910B publication Critical patent/CN111651910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种面向磨煤机的分段概率性状态监测方法
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：
（1.1）获取历史数据：获取磨煤机的I个可用历史数据，每个历史数据具有J个可测 变量，将I个历史数据描述为一个二维矩阵
Figure 859525DEST_PATH_IMAGE001
；其中，I表示样本数量，J表示变量数量， 且I与J均为正整数；
（1.2）将二维矩阵
Figure 863254DEST_PATH_IMAGE002
进行离散化处理，具体为：
从二维矩阵
Figure 242282DEST_PATH_IMAGE002
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
Figure 698671DEST_PATH_IMAGE002
原数据划分为
Figure 470449DEST_PATH_IMAGE003
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
Figure 328684DEST_PATH_IMAGE004
；
（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：
（1.3.1）初始负载片的标准化：对每一个初始负载片都进行如下标准化处理，得到 第g个初始负载片
Figure 878614DEST_PATH_IMAGE005
标准化后的负载片
Figure 822299DEST_PATH_IMAGE006
：
Figure 132189DEST_PATH_IMAGE007
（1）
其中，
Figure 844930DEST_PATH_IMAGE005
是步骤（1.2）离散化后的第g个初始负载片，
Figure 831341DEST_PATH_IMAGE008
表示
Figure 262322DEST_PATH_IMAGE009
的均值，
Figure 110323DEST_PATH_IMAGE010
表示
Figure 677571DEST_PATH_IMAGE009
的方差；
（1.3.2）建立每一个负载片
Figure 834883DEST_PATH_IMAGE011
的高斯过程回归模型如下：
Figure 753160DEST_PATH_IMAGE012
（2）
Figure 136344DEST_PATH_IMAGE013
（3）
Figure 823677DEST_PATH_IMAGE014
（4）
Figure 151890DEST_PATH_IMAGE015
（5）
其中，
Figure 291884DEST_PATH_IMAGE016
分别表示用于训练模型的负载片
Figure 747268DEST_PATH_IMAGE006
中的自变量与因变量；
Figure 289108DEST_PATH_IMAGE017
,
Figure 788222DEST_PATH_IMAGE018
为模型预测时的输入的自变量和输出的因变量；
Figure 415512DEST_PATH_IMAGE019
、
Figure 143428DEST_PATH_IMAGE020
、
Figure 805354DEST_PATH_IMAGE021
、
Figure 678632DEST_PATH_IMAGE022
表示输入为
Figure 589956DEST_PATH_IMAGE023
、
Figure 121562DEST_PATH_IMAGE024
、
Figure 841257DEST_PATH_IMAGE025
、
Figure 682174DEST_PATH_IMAGE026
的径向基核函 数；
Figure 284056DEST_PATH_IMAGE027
、
Figure 868622DEST_PATH_IMAGE028
表示
Figure 993222DEST_PATH_IMAGE029
、
Figure 5041DEST_PATH_IMAGE030
的均值；
Figure 828640DEST_PATH_IMAGE031
表示均值为
Figure 216896DEST_PATH_IMAGE032
，方差为
Figure 458653DEST_PATH_IMAGE033
的正态分布；
Figure 641372DEST_PATH_IMAGE034
表示均值为
Figure 217847DEST_PATH_IMAGE035
，方差为
Figure 144215DEST_PATH_IMAGE036
的正态分布；
Figure 974899DEST_PATH_IMAGE035
为
Figure 594099DEST_PATH_IMAGE037
的均值，
Figure 392291DEST_PATH_IMAGE036
为
Figure 856770DEST_PATH_IMAGE037
的方 差；
（1.3.3）计算单个负载片的预测误差：将负载片
Figure 807540DEST_PATH_IMAGE006
中的自变量
Figure 597641DEST_PATH_IMAGE029
输入步骤 （1.3.2）训练的模型得到对应的预测因变量，计算模型输出的第g个负载片因变量
Figure 617550DEST_PATH_IMAGE037
的 均方预测误差指标
Figure 151299DEST_PATH_IMAGE038
：
Figure 409105DEST_PATH_IMAGE039
（6）
其中，
Figure 649069DEST_PATH_IMAGE040
为第g个负载片中的样本个数；
（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；
所述步进式合并为：按照变量展开方式从第1个负载片
Figure 625115DEST_PATH_IMAGE041
到第g个负载片
Figure 696977DEST_PATH_IMAGE006
按顺 序合并得到负载片
Figure 606027DEST_PATH_IMAGE042
，每次合并为将一个新的负载片加入上一次合并得到的负载片中 以增加相应的样本数量；
所述截止条件为：若已合并的负载片
Figure 488663DEST_PATH_IMAGE042
与下一个负载片
Figure 483164DEST_PATH_IMAGE043
合并为
Figure 358716DEST_PATH_IMAGE044
时，导致
Figure 387852DEST_PATH_IMAGE045
中存在任意一个负载片的预测性能发生变化则停止合并，并将第1~g个负 载片作为一个步进式预测段，具体为：
将合并后的负载片
Figure 175811DEST_PATH_IMAGE044
作为一个整体，执行步骤（1.3.2）训练高斯过程回归模 型；根据步骤（1.3.3）分别计算
Figure 923187DEST_PATH_IMAGE044
包含的负载片
Figure 336851DEST_PATH_IMAGE046
的均方预测误差指标
Figure 220493DEST_PATH_IMAGE047
，判断是否存在负载片满足如下条件：
Figure 179353DEST_PATH_IMAGE048
（7）
若存在一个负载片满足上式，则表示新加入的负载片
Figure 148446DEST_PATH_IMAGE043
使得该负载片的预测 性能发生改变，输出
Figure 365801DEST_PATH_IMAGE042
为一个步进式预测段；
（1.3.5）循环划分：从第g+1个负载片
Figure 369529DEST_PATH_IMAGE043
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
Figure 490501DEST_PATH_IMAGE049
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
Figure 212469DEST_PATH_IMAGE050
；
（1.3.6）模型构建：依据公式（2）以第m个步进式预测段的自变量
Figure 967936DEST_PATH_IMAGE051
和因变量
Figure 826170DEST_PATH_IMAGE052
作为训练数据
Figure 392412DEST_PATH_IMAGE016
，分别建立S个 步进式预测段的高斯过程回归模型；
（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
Figure 70518DEST_PATH_IMAGE053
，提取给煤量变量
Figure 629675DEST_PATH_IMAGE054
，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
Figure 342416DEST_PATH_IMAGE004
以及步进式预测段的给煤量范围
Figure 79559DEST_PATH_IMAGE050
进行判断，得到该实时数据样本的给煤量属 于的第
Figure 510541DEST_PATH_IMAGE055
个初始负载片和第
Figure 607810DEST_PATH_IMAGE056
个步进式预测段；
（2.2）对实时数据
Figure 175057DEST_PATH_IMAGE057
进行标准化处理得到标准化后的数据
Figure 83101DEST_PATH_IMAGE058
：
Figure 735800DEST_PATH_IMAGE059
（8）
（2.3）利用高斯过程回归模型预测该样本的因变量值：剔除步骤（2.2）得到数据
Figure 636760DEST_PATH_IMAGE058
中的因变量
Figure 527355DEST_PATH_IMAGE060
，并输入步骤（1.3.6）得到的第
Figure 855568DEST_PATH_IMAGE056
个步进式预测段的高斯过程回归模型， 得到实时数据样本对应的预测因变量y；
（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
Figure 540103DEST_PATH_IMAGE058
中的因变量
Figure 979175DEST_PATH_IMAGE060
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
Figure 521014DEST_PATH_IMAGE060
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：
Figure 223391DEST_PATH_IMAGE061
（9）
Figure 601414DEST_PATH_IMAGE062
（10）
其中，
Figure 640914DEST_PATH_IMAGE063
分别表示正态分布
Figure 302840DEST_PATH_IMAGE064
的预设置信区间的分位数上限和 下限；
Figure 723588DEST_PATH_IMAGE065
表示预测因变量y的期望；
Figure 572595DEST_PATH_IMAGE066
表示预测因变量y的方差。
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：
（1.1）获取历史数据：获取磨煤机的
Figure 619049DEST_PATH_IMAGE067
个可用历史数据，每个历史数据具有
Figure 135481DEST_PATH_IMAGE068
个可测 变量，将
Figure 727130DEST_PATH_IMAGE067
个历史数据描述为一个二维矩阵
Figure 63433DEST_PATH_IMAGE001
；其中，I表示样本数量，J表示变量数量， 且I与J均为正整数；
（1.2）将二维矩阵
Figure 647999DEST_PATH_IMAGE002
进行离散化处理，具体为：
从二维矩阵
Figure 18937DEST_PATH_IMAGE002
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
Figure 784418DEST_PATH_IMAGE002
原数据划分为
Figure 873596DEST_PATH_IMAGE003
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
Figure 996273DEST_PATH_IMAGE004
，
Figure 487297DEST_PATH_IMAGE004
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：
（1.3.1）初始负载片的标准化：对每一个初始负载片都进行如下标准化处理，得到 第g个初始负载片
Figure 420749DEST_PATH_IMAGE005
标准化后的负载片
Figure 731645DEST_PATH_IMAGE006
：
Figure 658013DEST_PATH_IMAGE069
（1）
其中，
Figure 3543DEST_PATH_IMAGE005
是步骤（1.2）离散化后的第g个初始负载片，
Figure 107897DEST_PATH_IMAGE008
表示
Figure 906088DEST_PATH_IMAGE009
的均值，
Figure 839409DEST_PATH_IMAGE010
表示
Figure 836184DEST_PATH_IMAGE009
的方差；
（1.3.2）建立每一个负载片
Figure 563969DEST_PATH_IMAGE011
的高斯过程回归模型如下，得到当 模型输入自变量为
Figure 600189DEST_PATH_IMAGE017
；因变量为
Figure 133939DEST_PATH_IMAGE018
时预测得到的输出为公式（3）所述分布，且公式 （4）所述期望值则为预测的因变量值：
Figure 188482DEST_PATH_IMAGE070
（2）
Figure 883906DEST_PATH_IMAGE013
（3）
Figure 404492DEST_PATH_IMAGE014
（4）
Figure 476354DEST_PATH_IMAGE015
（5）
其中，
Figure 385404DEST_PATH_IMAGE016
分别表示用于训练模型的负载片
Figure 517308DEST_PATH_IMAGE006
中的自变量与因变量；
Figure 262541DEST_PATH_IMAGE019
表示输入为
Figure 403672DEST_PATH_IMAGE071
的径向基核函数，
Figure 167229DEST_PATH_IMAGE020
表示输入为
Figure 470034DEST_PATH_IMAGE072
的径向基 核函数，
Figure 702564DEST_PATH_IMAGE021
表示输入为
Figure 116228DEST_PATH_IMAGE073
的径向基核函数，
Figure 999870DEST_PATH_IMAGE022
表示输入为
Figure 473577DEST_PATH_IMAGE074
的径向基核函数；m(
Figure 193402DEST_PATH_IMAGE029
)表示
Figure 410757DEST_PATH_IMAGE029
的均值，
Figure 148906DEST_PATH_IMAGE028
为
Figure 793514DEST_PATH_IMAGE030
的均值；
Figure 15284DEST_PATH_IMAGE031
表示均值为
Figure 770750DEST_PATH_IMAGE032
，方差为
Figure 628985DEST_PATH_IMAGE033
的正态分布；
Figure 178915DEST_PATH_IMAGE034
表示均值为
Figure 325862DEST_PATH_IMAGE035
，方差为
Figure 635752DEST_PATH_IMAGE036
的正态分布；
Figure 348493DEST_PATH_IMAGE035
为
Figure 334904DEST_PATH_IMAGE037
的均值，
Figure 500306DEST_PATH_IMAGE036
为
Figure 348307DEST_PATH_IMAGE037
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
Figure 181134DEST_PATH_IMAGE035
，然后按照下述公式计算第g个负载片的MSE指标
Figure 604025DEST_PATH_IMAGE038
：
Figure 991144DEST_PATH_IMAGE039
（6）
其中，
Figure 642836DEST_PATH_IMAGE040
为第g个初始负载片中的样本个数；
（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；
所述步进式合并为：按照变量展开方式按顺序合并负载片，从第1个负载片
Figure 595749DEST_PATH_IMAGE041
合 并到第g个负载片
Figure 923962DEST_PATH_IMAGE006
得到合并后的负载片
Figure 63956DEST_PATH_IMAGE042
，每次合并加入一个新的负载片以增加相 应的样本数量；
所述截止条件为：当已合并的负载片
Figure 250831DEST_PATH_IMAGE042
与下一个负载片
Figure 792670DEST_PATH_IMAGE043
合并为
Figure 291785DEST_PATH_IMAGE044
时，若导致
Figure 919075DEST_PATH_IMAGE045
中存在的任意一个负载片的预测性能发生变化则停止合并，并将第1~g 个负载片作为一个步进式预测段，预测性能变化的具体评价为：
将合并后的负载片
Figure 912570DEST_PATH_IMAGE044
作为一个整体，执行步骤（1.3.2）训练高斯过程回归模 型；根据步骤（1.3.3）分别计算
Figure 308917DEST_PATH_IMAGE044
包含的负载片
Figure 978932DEST_PATH_IMAGE045
的均方预测误差指标，判断 是否存在负载片满足如下条件：
Figure 93519DEST_PATH_IMAGE075
（7）
其中
Figure 890705DEST_PATH_IMAGE076
。若存在一个k使得上式满足，则表示新加入的负载片
Figure 141557DEST_PATH_IMAGE043
使得某个负载片的预测性能发生改变，输出
Figure 982474DEST_PATH_IMAGE042
为一个步进式预测段；
（1.3.5）循环划分：从第g+1个负载片
Figure 584357DEST_PATH_IMAGE043
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
Figure 919655DEST_PATH_IMAGE049
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
Figure 290593DEST_PATH_IMAGE050
，
Figure 302411DEST_PATH_IMAGE050
是一个区间；
（1.3.6）模型构建：依据公式（2）以第m个步进式预测段的自变量
Figure 391590DEST_PATH_IMAGE051
和因变量
Figure 717529DEST_PATH_IMAGE052
作为训练数据
Figure 493374DEST_PATH_IMAGE016
，分别建立S个 步进式预测段的高斯过程回归模型；
（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
Figure 941673DEST_PATH_IMAGE053
，提取给煤量变量
Figure 455831DEST_PATH_IMAGE054
，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
Figure 382199DEST_PATH_IMAGE004
以及步进式预测段的给煤量范围
Figure 478462DEST_PATH_IMAGE050
进行判断，得到该实时数据样本的给煤量属 于的第
Figure 628820DEST_PATH_IMAGE055
个初始负载片和第
Figure 427012DEST_PATH_IMAGE056
个步进式预测段；
（2.2）对实时数据
Figure 907803DEST_PATH_IMAGE057
进行标准化处理得到标准化后的数据
Figure 107840DEST_PATH_IMAGE058
：
Figure 632362DEST_PATH_IMAGE059
（8）
（2.3）利用高斯过程回归模型预测该样本的因变量值：剔除步骤（2.2）得到数据
Figure 917850DEST_PATH_IMAGE058
中的因变量
Figure 936753DEST_PATH_IMAGE060
，并输入步骤（1.3.6）得到的第
Figure 991297DEST_PATH_IMAGE056
个步进式预测段的高斯过程回归模型，得 到实时数据样本对应的预测因变量y；
（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
Figure 155562DEST_PATH_IMAGE058
中的因变量
Figure 928346DEST_PATH_IMAGE060
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
Figure 734628DEST_PATH_IMAGE060
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：
Figure 657060DEST_PATH_IMAGE077
（9）
Figure 320122DEST_PATH_IMAGE078
（10）
其中，
Figure 580202DEST_PATH_IMAGE063
分别表示对正态分布
Figure 940908DEST_PATH_IMAGE064
取相应置信区间时的分位数的 上限和下限。
Figure 970044DEST_PATH_IMAGE065
表示实时数据
Figure 272849DEST_PATH_IMAGE053
中经标准化后因变量的预测期望值；
Figure 754646DEST_PATH_IMAGE066
表示实时数 据
Figure 919042DEST_PATH_IMAGE053
中经标准化后因变量的预测方差值；P表示故障的概率且
Figure 802684DEST_PATH_IMAGE079
。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
Figure 10812DEST_PATH_IMAGE080
个可用历史数据，每个历史数据具有
Figure 979905DEST_PATH_IMAGE081
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
Figure 682413DEST_PATH_IMAGE080
个历史数据描述为一个二维矩阵
Figure 686141DEST_PATH_IMAGE082
。
（1.2）将二维矩阵进行离散化处理，具体为：将二维矩阵
Figure 127487DEST_PATH_IMAGE083
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
Figure 325819DEST_PATH_IMAGE084
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
Figure 81285DEST_PATH_IMAGE085
。离散化后第g个初始负载片记为
Figure 673941DEST_PATH_IMAGE005
，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
Figure 489450DEST_PATH_IMAGE086
记录 如下表1所示：
表1：初始负载片的给煤量
Figure DEST_PATH_IMAGE088AA
（1.3）步进式粗分类方法通过以下子步骤实现：
（1.3.1）初始负载片的标准化：对每一个初始负载片
Figure 682403DEST_PATH_IMAGE089
都进行 各自单独的数据标准化处理如下：
Figure 975981DEST_PATH_IMAGE090
（1）
其中，
Figure 485460DEST_PATH_IMAGE008
表示第g个初始负载片
Figure 957024DEST_PATH_IMAGE005
的均值，
Figure 388005DEST_PATH_IMAGE010
表示第g个初始负载片
Figure 485274DEST_PATH_IMAGE005
的方 差，
Figure 318101DEST_PATH_IMAGE006
表示第g个初始负载片经过标准化处理后的历史数据。
（1.3.2）建立每一个负载片
Figure 960566DEST_PATH_IMAGE091
的高斯过程回归模型如下，得到 当模型输入自变量为
Figure 878843DEST_PATH_IMAGE017
；因变量为
Figure 514224DEST_PATH_IMAGE018
时预测得到的输出为公式（3）所述分布，且公式 （4）所述期望值则为预测的因变量值：
Figure 935978DEST_PATH_IMAGE092
（2）
Figure 814591DEST_PATH_IMAGE013
（3）
Figure 954585DEST_PATH_IMAGE014
（4）
Figure 659236DEST_PATH_IMAGE015
（5）
其中，
Figure 951808DEST_PATH_IMAGE016
分别表示用于训练模型的负载片
Figure 450923DEST_PATH_IMAGE006
中的自变量与因变量；
Figure 812634DEST_PATH_IMAGE019
表示输入为
Figure 55396DEST_PATH_IMAGE071
的径向基核函数，
Figure 202475DEST_PATH_IMAGE020
表示输入为的径向基核函数，
Figure 872491DEST_PATH_IMAGE021
表示输入为的径向基核函数，
Figure 987077DEST_PATH_IMAGE022
表示输入为
Figure 767951DEST_PATH_IMAGE074
的径向基核 函数；m()表示
Figure 35116DEST_PATH_IMAGE029
的均值，
Figure 876033DEST_PATH_IMAGE028
为
Figure 477916DEST_PATH_IMAGE030
的均值；
Figure 62481DEST_PATH_IMAGE031
表示均值为
Figure 181222DEST_PATH_IMAGE032
，方差为
Figure 193040DEST_PATH_IMAGE033
的正态分布；
Figure 16640DEST_PATH_IMAGE034
表示均值为
Figure 404896DEST_PATH_IMAGE035
，方差为
Figure 381073DEST_PATH_IMAGE036
的正态分布；
Figure 563793DEST_PATH_IMAGE035
为
Figure 140268DEST_PATH_IMAGE037
的均值，
Figure 66635DEST_PATH_IMAGE036
为
Figure 897319DEST_PATH_IMAGE037
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
Figure 516519DEST_PATH_IMAGE035
。这里以第1个负载片的MSE指标为例，此时输入数据
Figure 314711DEST_PATH_IMAGE093
就是
Figure 44770DEST_PATH_IMAGE094
，然后依据公 式（4）计算出
Figure 729960DEST_PATH_IMAGE095
然后按照下述公式计算第1个负载片的MSE指标：
Figure 520062DEST_PATH_IMAGE096
（6）
（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；
所述步进式合并为：按照变量展开方式按顺序合并负载片，从第1个负载片
Figure 805549DEST_PATH_IMAGE041
合 并到第g个负载片
Figure 73720DEST_PATH_IMAGE006
得到合并后的负载片
Figure 893644DEST_PATH_IMAGE042
，每次合并加入一个新的负载片以增加相 应的样本数量；
所述截止条件为：当已合并的负载片
Figure 854647DEST_PATH_IMAGE042
与下一个负载片
Figure 361852DEST_PATH_IMAGE043
合并为
Figure 433713DEST_PATH_IMAGE044
时，若导致
Figure 359075DEST_PATH_IMAGE045
中存在的任意一个负载片的预测性能发生变化则停止合并，并将第1~g 个负载片作为一个步进式预测段，预测性能变化的具体评价为：
将合并后的负载片
Figure 225400DEST_PATH_IMAGE044
作为一个整体，执行步骤（1.3.2）训练高斯过程回归模 型；根据步骤（1.3.3）分别计算
Figure 485480DEST_PATH_IMAGE044
包含的负载片
Figure 95453DEST_PATH_IMAGE097
的均方预测误差指标
Figure 875321DEST_PATH_IMAGE047
，判断是否存在负载片满足如下条件：
Figure 912547DEST_PATH_IMAGE075
（7）
其中
Figure 925502DEST_PATH_IMAGE076
。若存在一个k使得上式满足，则表示新加入的负载片
Figure 73587DEST_PATH_IMAGE043
使得某个负载片的预测性能发生改变，输出
Figure 707962DEST_PATH_IMAGE042
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
Figure 181668DEST_PATH_IMAGE098
。此时新加入的负载片为
Figure 150761DEST_PATH_IMAGE099
，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
Figure 102537DEST_PATH_IMAGE100
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
Figure 854068DEST_PATH_IMAGE100
中所包含的所有负载片
Figure 233096DEST_PATH_IMAGE101
都计算出相应的MSE指 标并将该MSE指标记做
Figure 689486DEST_PATH_IMAGE102
。并进行如下判断，此处的
Figure 444952DEST_PATH_IMAGE103
取值为2：
0.01066>2*0.01057（不成立）
0.00278>2*0.00098（成立）
最终得到当下标k取值为1时，上述不等式成立，因此判断新加入的负载片
Figure 53919DEST_PATH_IMAGE099
使得 负载片
Figure 869428DEST_PATH_IMAGE041
的预测性能发生改变，因此负载片
Figure 813114DEST_PATH_IMAGE099
不适合与之前的负载片聚为一类。最将终
Figure 106692DEST_PATH_IMAGE098
输出为一个步进式预测段。
（1.3.5）循环划分：将第3片负载片作为新开始的负载片，然后重复步骤（1.3.4）， 直至没有负载片剩余。并记录每一个步进式预测段中给煤量变量所处的范围，并记步进式 预测段的给煤量范围
Figure 570165DEST_PATH_IMAGE104
如表2所示：
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
Figure 556576DEST_PATH_IMAGE105
，因变量为
Figure 987557DEST_PATH_IMAGE106
。然后依据公式（4），以
Figure 84826DEST_PATH_IMAGE107
和
Figure 402806DEST_PATH_IMAGE108
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
Figure 560118DEST_PATH_IMAGE109
，将给煤量变量单独取出并记作
Figure 478395DEST_PATH_IMAGE110
，按照各个负载片 的给煤量范围
Figure 113776DEST_PATH_IMAGE111
以及步进式预测段的给煤量范围
Figure 554771DEST_PATH_IMAGE104
判断此样本所述的负载片以及步进式预测段。判断如下：
Figure 882985DEST_PATH_IMAGE112
。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。
（2.2）利用初始负载片
Figure 22979DEST_PATH_IMAGE113
的均值以及方差对该实时数据
Figure 727630DEST_PATH_IMAGE109
进行标准化处理：
Figure 816940DEST_PATH_IMAGE114
(7)
其中
Figure 316054DEST_PATH_IMAGE115
为经过第
Figure 943344DEST_PATH_IMAGE116
个初始负载片标准化处理后的数据。
（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
Figure 671260DEST_PATH_IMAGE117
。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：
实际样本中经标准化处理的因变量为-5.78，且有
Figure 333186DEST_PATH_IMAGE118
，则：
Figure 3201DEST_PATH_IMAGE119
（8）
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。
2.如权利要求1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 （1.1）具体为：获取磨煤机的I个可用历史数据，每个历史数据具有J个可测变量，将I个历史 数据描述为一个二维矩阵
Figure 737847DEST_PATH_IMAGE001
；其中，I表示样本数量，J表示变量数量，且I与J均为正整 数。
3.如权利要求2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 （1.2）具体为：从二维矩阵
Figure 910203DEST_PATH_IMAGE002
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
Figure 330820DEST_PATH_IMAGE002
原数据划分为
Figure 537810DEST_PATH_IMAGE003
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
Figure 385681DEST_PATH_IMAGE004
。
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：
（1.3.1）初始负载片的标准化：对每一个初始负载片都进行如下标准化处理，得到第g 个初始负载片
Figure 310911DEST_PATH_IMAGE005
标准化后的负载片
Figure 269640DEST_PATH_IMAGE006
：
Figure DEST_PATH_IMAGE007
，其中，g=1,2，K； （1）
其中，
Figure 799978DEST_PATH_IMAGE005
是步骤（1.2）离散化后的第g个初始负载片，
Figure 818750DEST_PATH_IMAGE008
表示
Figure 231277DEST_PATH_IMAGE009
的均值，
Figure 242964DEST_PATH_IMAGE010
表示
Figure 158967DEST_PATH_IMAGE009
的方差；
（1.3.2）建立每一个负载片
Figure 348640DEST_PATH_IMAGE011
的高斯过程回归模型如下：
Figure DEST_PATH_IMAGE012
（2）
Figure 717305DEST_PATH_IMAGE013
（3）
Figure 17836DEST_PATH_IMAGE014
（4）
Figure 319504DEST_PATH_IMAGE015
（5）
其中，
Figure 414499DEST_PATH_IMAGE016
分别表示用于训练模型的负载片
Figure 536039DEST_PATH_IMAGE006
中的自变量与因变量；
Figure 905841DEST_PATH_IMAGE017
,
Figure 530857DEST_PATH_IMAGE018
为模型预测时的输入的自变量和输出的因变量；
Figure 323319DEST_PATH_IMAGE019
、
Figure 666575DEST_PATH_IMAGE020
、
Figure 840068DEST_PATH_IMAGE021
、
Figure 585170DEST_PATH_IMAGE022
表示输入为
Figure 287547DEST_PATH_IMAGE023
、
Figure 383679DEST_PATH_IMAGE024
、
Figure 829704DEST_PATH_IMAGE025
、
Figure 429312DEST_PATH_IMAGE026
的径向基核函数；
Figure 302590DEST_PATH_IMAGE027
、
Figure 886018DEST_PATH_IMAGE028
表示
Figure 870155DEST_PATH_IMAGE029
、
Figure 839117DEST_PATH_IMAGE030
的均值；
Figure 148875DEST_PATH_IMAGE031
表示均值为
Figure 954020DEST_PATH_IMAGE032
，方差为
Figure 741848DEST_PATH_IMAGE033
的正态分布；
Figure 581628DEST_PATH_IMAGE034
表示均值为
Figure 796708DEST_PATH_IMAGE035
，方差为
Figure 823570DEST_PATH_IMAGE036
的正态分布；
Figure 415089DEST_PATH_IMAGE035
为
Figure 109375DEST_PATH_IMAGE037
的均值，
Figure 495357DEST_PATH_IMAGE036
为
Figure 275094DEST_PATH_IMAGE037
的 方差；
（1.3.3）计算单个负载片的预测误差：将负载片
Figure 670304DEST_PATH_IMAGE006
中的自变量
Figure 202785DEST_PATH_IMAGE029
输入步骤（1.3.2）训 练的模型得到对应的预测因变量，计算模型输出的第g个负载片因变量
Figure 25247DEST_PATH_IMAGE037
的均方预测误 差指标
Figure 26702DEST_PATH_IMAGE038
：
Figure 225602DEST_PATH_IMAGE039
（6）
其中，
Figure 363322DEST_PATH_IMAGE040
为第g个负载片中的样本个数；
（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；
所述步进式合并为：按照变量展开方式从第1个负载片
Figure 356686DEST_PATH_IMAGE041
到第g个负载片
Figure 111015DEST_PATH_IMAGE006
按顺序合 并得到负载片
Figure 582448DEST_PATH_IMAGE042
，每次合并为将一个新的负载片加入上一次合并得到的负载片中以增 加相应的样本数量；
所述截止条件为：若已合并的负载片
Figure 840254DEST_PATH_IMAGE042
与下一个负载片
Figure 270098DEST_PATH_IMAGE043
合并为
Figure 980565DEST_PATH_IMAGE044
时，导 致
Figure 504956DEST_PATH_IMAGE045
中存在任意一个负载片的预测性能发生变化则停止合并，并将第1~g个负载片 作为一个步进式预测段，具体为：
将合并后的负载片
Figure 882848DEST_PATH_IMAGE044
作为一个整体，执行步骤（1.3.2）训练高斯过程回归模型； 根据步骤（1.3.3）分别计算
Figure 218014DEST_PATH_IMAGE044
包含的负载片
Figure 681357DEST_PATH_IMAGE046
的均方预测误差指标
Figure 494592DEST_PATH_IMAGE047
，k=1,2,…,g，判断是否存在负载片满足如下条件：
Figure 992569DEST_PATH_IMAGE048
（7）
若存在一个负载片满足上式，则表示新加入的负载片
Figure 233058DEST_PATH_IMAGE043
使得该负载片的预测性能 发生改变，输出
Figure 183696DEST_PATH_IMAGE042
为一个步进式预测段；
（1.3.5）循环划分：从第g+1个负载片
Figure 66202DEST_PATH_IMAGE043
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
Figure DEST_PATH_IMAGE049
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
Figure 887527DEST_PATH_IMAGE050
；
（1.3.6）模型构建：依据公式（2）以第m个步进式预测段的自变量
Figure 830075DEST_PATH_IMAGE051
，m=1,2,…,S和 因变量
Figure 251698DEST_PATH_IMAGE052
作为训练数据
Figure 406736DEST_PATH_IMAGE016
，分别建立S个步进式预测段的高斯过程回归模型。
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
Figure 613727DEST_PATH_IMAGE053
，提 取给煤量变量
Figure DEST_PATH_IMAGE054
，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
Figure 196018DEST_PATH_IMAGE004
以及第m个步进式预测段的给煤量变化范围
Figure 855669DEST_PATH_IMAGE050
进行判断，得到该实时数据样本的 给煤量属于的第
Figure 814398DEST_PATH_IMAGE055
个初始负载片和第
Figure DEST_PATH_IMAGE056
个步进式预测段；
（2.2）对实时数据
Figure 875895DEST_PATH_IMAGE057
进行标准化处理得到标准化后的数据
Figure 894666DEST_PATH_IMAGE058
：
Figure 307193DEST_PATH_IMAGE059
（8）
（2.3）利用高斯过程回归模型预测该样本的因变量值：剔除步骤（2.2）得到数据
Figure 53301DEST_PATH_IMAGE058
中的 因变量
Figure 969305DEST_PATH_IMAGE060
，并输入步骤（1.3.6）得到的第
Figure 158977DEST_PATH_IMAGE056
个步进式预测段的高斯过程回归模型，得到实 时数据样本对应的预测因变量y；
（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
Figure 58800DEST_PATH_IMAGE058
中的因 变量
Figure 359332DEST_PATH_IMAGE060
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
Figure 129842DEST_PATH_IMAGE060
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：
Figure 490416DEST_PATH_IMAGE061
（9）
Figure 877535DEST_PATH_IMAGE062
（10）
其中，
Figure 716178DEST_PATH_IMAGE063
分别表示正态分布
Figure 606773DEST_PATH_IMAGE064
的预设置信区间的分位数上限和下限；
Figure 403828DEST_PATH_IMAGE065
表示预测因变量y的期望；
Figure 996352DEST_PATH_IMAGE066
表示预测因变量y的方差。
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。
CN202010788365.0A 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 Active CN111651910B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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