CN112036089A - 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 - Google Patents

一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 Download PDF

Info

Publication number
CN112036089A
CN112036089A CN202010912540.2A CN202010912540A CN112036089A CN 112036089 A CN112036089 A CN 112036089A CN 202010912540 A CN202010912540 A CN 202010912540A CN 112036089 A CN112036089 A CN 112036089A
Authority
CN
China
Prior art keywords
early warning
matrix
coal mill
fault
data point
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.)
Pending
Application number
CN202010912540.2A
Other languages
English (en)
Inventor
姚天杨
李来春
冀平
张剑飞
茅大钧
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.)
Yuhuan Power Plant Huaneng Power International Inc
Shanghai University of Electric Power
Shanghai Electric Power University
University of Shanghai for Science and Technology
Original Assignee
Yuhuan Power Plant Huaneng Power International Inc
Shanghai Electric Power University
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 Yuhuan Power Plant Huaneng Power International Inc, Shanghai Electric Power University filed Critical Yuhuan Power Plant Huaneng Power International Inc
Priority to CN202010912540.2A priority Critical patent/CN112036089A/zh
Publication of CN112036089A publication Critical patent/CN112036089A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明涉及一种基于DPC‑MND和多元状态估计的磨煤机故障预警方法，包括以下步骤：1)以磨煤机历史运行数据中与磨煤机故障相关的观测参数对应的运行数据构建训练矩阵K，并使得训练矩阵K覆盖磨煤机正常运行时各观测参数所有动态变化情况；2)采用基于相互邻近度的密度峰聚类算法在训练矩阵K中提取并构建记忆矩阵D，并以此构建MSET预警模型；3)获取待估计时间段内的观测矩阵Xobs，输入MSET预警模型采用多元状态估计得到估计矩阵Xest；4)获取估计矩阵Xest与观测矩阵Xobs之间的残差矩阵RL＝Xobs‑Xest，设置故障预警阈值，通过滑动窗口法进行故障预警。与现有技术相比，本发明具有早期精确预警、实时监测、符合实际运行、故障预警灵敏性高等优点。

Description

一种基于DPC-MND和多元状态估计的磨煤机故障预警方法
技术领域
本发明涉及磨煤机故障检测领域，尤其是涉及一种基于DPC-MND和多元状态估计的磨煤机故障预警方法。
背景技术
当前，随着火力发电高参数、大容量机组的不断发展和应用，其相应的辅机磨煤机也逐步趋向大型化，且在火电厂生产过程中的作用也愈发重要，作为火电机组的重要组成部分，辅机磨煤机故障的发生会直接影响整个机组的安全、经济运行。磨煤机作为火电厂中重要的辅机磨煤机，是燃煤电厂制粉系统的核心磨煤机，其运行状况会影响整个发电机组的安全性和经济性。而火电厂中磨煤机因结构复杂、运行环境恶劣多变，导致其故障频发。磨煤机故障类型较多，其中因为磨煤机运行参数偏离正常值造成的故障是磨煤机停运的主要原因。因此，对于磨煤机因参数偏离正常运行状态产生的故障进行预警，对提高火电机组安全生产具有重要的工程价值。
经过对现有技术的研究发现，目前对磨煤机故障预警方面的研究较少，也没有涉及到MSET(多元状态估计)技术，在利用MSET进行故障预警时，关键是记忆矩阵的构建，需要选取正常工况下的历史运行数据构建记忆矩阵，实现对运行状态的估计。而构建的记忆矩阵中工况特性的好坏，直接影响模型的预测精度。彭坚和张艳霞使用按空间等间距抽样构建过程记忆矩阵，该方法的缺点是容易使较为特殊的正常工况被遗漏，此时历史矩阵无法覆盖全部正常工况，可能会使估计产生较大误差；杨婷婷等使用二范数概率密度构造历史矩阵，该方法的缺点是需人为指定多个参数，历史矩阵构造效果受人为影响较大，因此，为了从历史运行数据中获取能够覆盖磨煤机各种运行工况的记忆矩阵，既减少人为因素影响，又能使选出的历史矩阵更具有代表性，可以采用具有自适应特性的密度峰快速聚类算法DPC，但DPC算法的缺点是样本局部密度未考虑数据内部的结构差异，当类簇间的数据密度程度差异较大时，DPC并不能获得较好的聚类效果。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于DPC-MND和多元状态估计的磨煤机故障预警方法。
本发明的目的可以通过以下技术方案来实现：
一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，包括以下步骤：
1)以磨煤机历史运行数据中与磨煤机故障相关的观测参数对应的运行数据构建训练矩阵K，并使得训练矩阵K覆盖磨煤机正常运行时各观测参数所有动态变化情况；
2)采用基于相互邻近度的密度峰聚类算法在训练矩阵K中提取并构建记忆矩阵D，并以此构建MSET预警模型；
3)获取待估计时间段内的观测矩阵Xobs，输入MSET预警模型采用多元状态估计得到估计矩阵Xest；
4)获取估计矩阵Xest与观测矩阵Xobs之间的残差矩阵RL＝Xobs-Xest，设置故障预警阈值，通过滑动窗口法进行故障预警。
所述的与磨煤机故障相关的运行参数包括一次风流量、一次风温度、一次风压力、冷风门开度、热风门开度、给煤机出力、磨煤机电流和出口温度。
所述的步骤2)具体包括以下步骤：
21)将训练矩阵K作为基于相互邻近度的密度峰聚类算法的输入，所述的训练矩阵K的大小为n*k，其中，n表示与磨煤机故障相关的运行参数的数量，k表示运行状态的总数，其采用列向量的方式可表示为K＝[X(t1),X(t2)…X(tk)]，其中，X(tk)表示第tk个运行状态对应的列向量；
22)对训练矩阵K进行归一化处理得到新训练矩阵，并将其对应的列向量作为数据点；
23)根据每个数据点的局部密度ρi和相对距离δi计算决策值γi＝ρi·δi，并根据决策值获得密度峰值；
24)将密度峰值对应数据点的p个近邻点分配到其对应的类簇中，并将与已分配数据点相互邻近度最高的未分配数据点分配给已分配数据点所在的类簇中，直至所有未分配数据点分配完毕；
25)输出记忆矩阵D，所述的记忆矩阵D的大小为n*m，其采用列向量的方式可表示为D＝[X(t1),X(t2)…X(tm)]，其中，X(tm)表示第tm个运行状态对应的列向量。
所述的步骤23)中，第i个数据点X(ti)的局部密度ρ的计算式为：
Figure BDA0002663845340000031
其中，dij为数据点X(ti)与X(tj)之间的欧式距离，dvj为数据点X(tv)与X(tj)之间的欧式距离，p为近邻点个数，knn(i)和knn(j)分别为数据点X(ti)和X(tj)的p个近邻点的集合，2·p表示ρi的归一化参数。
所述的步骤24)中，两个数据点X(ti)和X(tj)相互邻近度Ai,j的表达式为：
Ai,j＝degi→j·degj→i
Figure BDA0002663845340000032
Figure BDA0002663845340000033
Figure BDA0002663845340000034
其中，degi→j为数据点X(ti)到数据点X(tj)的相对邻近度，degj→i为数据点j到数据点i的相对邻近度，ωij为数据点X(ti)和数据点X(tj)的邻近度，ωvj为数据点X(tv)和数据点X(tj)的邻近度，knn(i)为数据点X(ti)的p个近邻点的集合，dij为数据点X(ti)与X(tj)之间的欧式距离，σ2为数据点的方差，N为数据点的总数，p为近邻点个数。
所述的步骤3)中，估计矩阵Xest的表达式为：
Figure BDA0002663845340000035
其中，
Figure BDA0002663845340000036
表示欧氏距离，W为权值向量。
所述的步骤4)中，残差矩阵RL具体为每个输入的观测矩阵Xobs中的观测向量对应的残差构成残差序列，对该残差序列选取宽度为Nr的滑动窗口，并得到该窗口内的连续Nr个残差的残差均值，设定每个与磨煤机故障相关的运行参数对应的故障预警阈值，并根据故障预警阈值判断是否出现故障。
所述的故障预警阈值Ey的表达式为：
Ey＝±kyEv
其中，ky为预警系数，Ev为残差均值的最大值。
当磨煤机在运行时只要出现与磨煤机故障相关的运行参数中至少一个对应的滑动残差维持在故障预警阈值以内，则判定磨煤机状态正常，否则判定为故障；
当磨煤机出现故障时，通过滑动窗口捕捉到运行参数的变化，此时若故障继续持续，则滑动残差的绝对值随时间增大，在超过安全阈值维修人员对磨煤机进行修复后，则滑动残差的绝对值随时间降低到安全阈值内，则表明故障已解决。
所述的预警系数ky的取值为1.2。
与现有技术相比，本发明具有以下优点：
一、本发明将多元状态估计技术(MSET)应用于磨煤机的故障预警，基于现场实时数据构造记忆矩阵及MSET预警模型，当设备出现故障隐患时，MSET模型估计的残差分布特性发生改变，根据残差的变化趋势，与设定阈值比较，实现早期精确的故障预警。
二、本发明采用了DPC-MND算法进行记忆矩阵的选取，因此使得选出的记忆矩阵能够覆盖磨煤机各种运行工况，现有的DPC算法定义样本局部密度时未考虑数据内部的结构差异，当类簇间的数据密度程度差异较大时，DPC并不能获得较好的聚类效果，且DPC算法的样本分配策略存在分配连带错误，而本发明采用的DPC-MND算法由于采用了新的样本分配策略(即首先采用k近思想寻找密度峰值，将密度峰值的k个近邻点分配给其对应的类簇；其次计算数据间的相互邻近度，对所有已分配的数据点寻找相互邻近度最高的未分配数据点，将该点分配给已分配数据点所在类簇)，因此有效解决了样本分配策略中存在的连带错误效应以及数据密集程度差异较大时聚类效果不佳的问题，本发明大大减小了算法的运算时间，且可以在磨煤机发生故障的早期进行预警，时效性较好，能够实现对磨煤机的实时监测。
三、本发明选用了一次风流量、一次风温度、一次风压力、冷风门开度、热风门开度、给煤机出力、磨煤机电流和出口温度作为磨煤机的监测参数，由于这些监测参数是磨煤机监控系统中比较容易出现异常的现场运行参数，通过对这些参数的监控可以很好地判断磨煤机的运行情况，比如：磨煤机的一次风流量太低会使煤粉沉积在管道内，也会造成磨煤机内煤的溢出；磨煤机的出口温度过低会造成煤和粉煤得不到充分的干燥，造成制粉困难甚至堵煤，因此，选择上述监测参数对磨煤机进行监控是十分必要且有效的。
四、本发明的预警系数ky的值一般由现场运行经验确定，取值通常为1.2，ky如果取值过大的话，就会出现阈值偏大，导致故障预警的灵敏性降低，无法充分提前预警；如果取值过小的话，就会出现阈值偏小，导致故障预警的准确性降低。
附图说明
图1为本发明的方法路程图。
图2为数据点的决策图。
图3a为磨煤机电流的观测值与估计值。
图3b为给煤机出力的观测值与估计值。
图3c为出口温度的观测值与估计值。
图3d为热风门开度的观测值与估计值。
图3e为一次风压力的观测值与估计值。
图4a为磨煤机电流的相对误差变化。
图4b为给煤机出力的相对误差变化。
图4c为出口温度的相对误差变化。
图4d为热风门开度的相对误差变化。
图4e为一次风压力的相对误差变化。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提供一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，包括以下步骤：
1)选取磨煤机运行的主要参数进行建模；
2)利用基于相互邻近度的密度峰聚类算法对磨煤机正常运行工况下的历史数据进行分析，提取包含磨煤机正常运行特征信息的数据，构建记忆矩阵；
3)通过相关性原理分析观测向量与记忆矩阵之间的相似程度，使用多元状态估计技术对该观测向量进行估计；
4)计算估计值与实测值之间的滑动残差，通过滑动窗口法进行模型预警分析，确定相应的预警阈值和磨煤机的运行状态。
各步骤的细节说明如下：
多元状态估计技术(Multivariate State Estimation Technique，MSET)，是一种通过测量正常运行范围内信号之间的相似性以完成状态估计的高级模式识别技术，它使用正常运行状态的历史数据，从中建立用于定义系统正常状态的各个参数之间的关系，对于非线性系统(如火电厂)其运行状态由传感器信号得出的数据直接或间接表示，尽管状态向量不一定是线性独立的，但它们却均与正在进行或发生的物理过程具有一定程度的相关性，对于系统的每一个新观测值，MSET使用从已学习状态中得到的模式来估计系统的真实状态，被估计的状态是使用已学习状态之间的加权组合来计算的，而权值是由每个学习状态的模式交叠程度或相似性确定的。
本发明采用的多元状态估计技术的故障预警步骤具体为：
1)构建磨煤机的观测矩阵：确定与磨煤机运行状态相关的用于建模的观测参数，利用数据库中存储的数据，构建一个观测矩阵，记为Xobs，该观测矩阵为一个n×m矩阵，其列数m表示观测状态(即时间)的个数为m个，行数n表示该磨煤机相关的观测参数个数((即与故障相关的运行参数))；
步骤1)中的观测矩阵Xobs中，元素xji表示第j个观测参数对应于ti时间的观测值，由观测参数xj在不同时刻的测量值所构成的m维向量记作：Xj＝[xj1,xj2,…,xjm]；同样ti时刻的观测参数所构成的n维向量可表示为：Xti＝[x1i,x2i,…,xni]；
2)构建训练矩阵：训练矩阵指的是磨煤机运行状态良好时各个观测参数的测量值所组成的数据矩阵，用字母K表示，将磨煤机正常运行的时间段对应的历史数据抽取出来，组成训练矩阵K，该训练矩阵K要求尽可能的覆盖磨煤机正常运行时各观测参数所有的动态变化情况；
步骤2)中，假定训练数据中含有k个不同的时间状态，则训练矩阵K可表示为：K＝[X(t1),X(t2)…X(tk)]；
3)提取记忆矩阵：记忆矩阵指的是通过对训练矩阵K中包含的k个磨煤机运行状态，依据某种科学有效的算法规则提取出的新矩阵，通常用字母D表示。假设记忆矩阵D是n×m维，行数n表示磨煤机的观测参数有n个，列数m表示记忆矩阵D中共有m个特征状态，具体表示为：D＝[X(t1),X(t2),…X(tm)]；
4)求解估计矩阵：假设一个新观测状态向量Xobs相对应的估计矩阵为Xest，则估计矩阵是记忆矩阵的加权线性组合，W是加权线性组合的系数，其表征的是当前运行状态的最优参数估计与记忆矩阵中历史正常运行工况之间的相似程度；
步骤4)中，权值向量W的推导过程如下：
41)首先设这个新的观测向量Xobs和其对应的估计向量Xest之间的残差为ε，即：
ε＝Xobs-Xest (2)
42)磨煤机运行状态极为良好时即在理想情况下，计算得到的估计向量应该与观测向量相等，即残差应该等于零。因此，对残差求最小值，即：
minε＝min(|Xobs-Xest|)＝min(|Xobs-D·W|) (3)
从而可以得出残差最小平方误差为：
minε2＝min[(Xobs-D·W)T(Xobs-D·W)] (4)
43)显然，残差值越小说明预测结果更准确。为使预测精度更高，对ε2求极小值，令
Figure BDA0002663845340000071
求得权值向量W为：
W＝(DT·D)-1·(DT·Xobs) (5)
所以，估计向量Xest可以表示为：
Xest＝D·W＝D·(DT·D)-1·(DT·Xobs) (6)
但为使非线性状态估计方法具有更直观的物理意义，并且避免变量之间相关性造成的点乘之后不可逆的情况出现，一般采用非线性算子来代替点乘，非线性算子有许多种，这里采用通用的欧氏距离来计算。
所以，权值向量W可以表示为：
Figure BDA0002663845340000072
5)残差计算：多元状态估计技术用来判断磨煤机状态最根本的指标就是观测向量与估计向量之间的残差。假定观测向量的残差矩阵为RL，残差矩阵的表达式为：
Figure BDA0002663845340000073
实施例
如图1所示，本发明的基于DPC-MND和多元状态估计的磨煤机故障预警方法主要由记忆矩阵的选取、多元状态模型的构建、滑动窗口法预警三个部分组成，具体为：
步骤1，确定建模的参数。选择的参数应易从电厂DCS的测点中实时获取，并且与磨煤机故障直接或间接相关，以便于监测磨煤机的运行状态，最终，选择如表1中的磨煤机运行参数进行建模：
表1磨煤机故障预警系统选取的运行参数
编号 运行参数 单位
1 一次风流量 t/h
2 一次风温度 ℃
3 一次风压力 kPa
4 冷风门开度 ％
5 热风门开度 ％
6 给煤机出力 t/h
7 磨煤机电流 A
8 出口温度 ℃
确定完运行参数后，选取磨煤机部分正常历史数据用于建模，另外抽取一段含磨煤机断煤故障状态的数据对模型进行验证。
步骤2，构建记忆矩阵，进而完成建模。这也是多元状态估计技术中最重要的环节，记忆矩阵D构建的好坏会直接影响到整个状态估计结果的准确性和预测结果的可靠性，记忆矩阵中应该包含有磨煤机典型的正常运行状态，且其它正常运行的状态都可以通过记忆矩阵中向量的线性加权组合近似表示出来。
记忆矩阵中的状态数目不能过多也不能过少，如果记忆矩阵中存储的状态数目过少，就会使得预测的结果不够准确；相反地，如果数目过多，就会出现许多状态相似甚至重复的现象，运算的时间就会变长。
使用基于相互邻近度的密度峰值聚类算法(DPC-MND)进行记忆矩阵的构建。等间距获取自2018年3月起至2019年4月磨煤机的运行数据，最终选取1000*8个磨煤机参数向量作为原始数据集，由于时间跨度较长而且是等间距获取，因此可以认为原始数据集能够涵盖磨煤机正常运行的绝大部分工况。
然后使用基于相互邻近度的密度峰值聚类算法。该算法引入k近邻思想计算局部密度，以此保证密度的相对性。定义了综合数据全局和局部特征的样本相互邻近度的度量准则，据此准则，提出了一种新的样本分配方法。新的分配方法采用k近邻思想寻找密度峰值，将密度峰值的k个近邻点分配给其对应类簇，对所有已分配数据点寻找相互邻近度最高的未分配数据点，将未分配数据点分配给已分配数据点所在类簇。
DPC-MND的算法步骤如下：
输入：训练矩阵K＝[X(t1),X(t2)…X(tk)]
输出：记忆矩阵D＝[X(t1),X(t2),…X(tm)]
1)对训练矩阵K中的数据进行归一化处理，得到新的训练矩阵K’；
2)计算数据点X(t1),X(t2)…X(tk)间的欧式距离，根据公式分别计算每个数据点的ρ和δ值，局部密度ρ的定义如下：
Figure BDA0002663845340000091
其中，dij为数据点X(ti),X(tj)之间的欧式距离，p为近邻点个数，knn(i)为数据点X(ti)的p个近邻点的集合，2·p为ρi的归一化参数。
计算出局部密度后，对每个数据点的局部密度进行排序，对于密度最高的数据点由公式(10)给出相对距离，其余数据点由公式(11)给出相对距离。
δi＝maxi≠j(δj) (10)
Figure BDA0002663845340000092
3)计算数据点的决策值γ，γ的定义如下：
γi＝ρi·δi (12)
因为密度峰值需要同时满足两个条件：局部密度ρ较高，相对距离δ较大，因此由决策值γ可以找出密度峰值，并组成集合Cn；
4)根据邻近度、相对邻近度、相互邻近度定义计算相互邻近度矩阵，定义分别如下：
Figure BDA0002663845340000093
其中，
Figure BDA0002663845340000094
ωij为数据点X(ti)和数据点X(tj)的邻近度，两数据点距离越远，相似程度就越低，邻近度也就越小。但邻近度的概念仅考虑了数据的全局信息，而未考虑数据点的局部信息，因此定义数据点的相对邻近度如下：
Figure BDA0002663845340000095
在数据点相对邻近度的基础上，定义数据点的相互邻近度如下：
Ai,j＝degi→j·degj→i (15)
其中，degi→j表示数据点X(ti)到数据点X(tj)的相对邻近度，degj→i表示数据点j到数据点i的相对邻近度，Ai,j表示两个数据点间的相互邻近度。最后，由各数据点间的相互邻近度组成相互邻近度矩阵。
5)将密度峰值的p个近邻点分配给其对应的类簇；
6)寻找与已分配数据点相互邻近度最高的未分配数据点，并将该点分配给已分配数据点所在类簇；
7)若最高相互邻近度不为0，转至步骤6)，否则转至步骤8)；
若存在尚未分配的数据点，则将这些数据点分配给距离它最近且密度比它高的已分配数据点，否则聚类结束。
本例中，使用该方法对原始数据集进行分配，原始数据的所有点的决策图如图2所示，显然，图中圆点的5个样本点同时具有较大的局部密度ρ和最近邻距离δ，可以被选为5个聚类中心。
确定聚类中心后，对其他数据点进行分配，最终获得了可以代表原始数据集的908个数据，利用这些数据构造记忆矩阵D，在保证精度的同时大大减少了后续模型的计算量，减少预测的时间，提高预警的时效性。
步骤3，验证模型的有效性。采集一段连续时间内未参与历史矩阵构建的磨煤机数据对模型进行验证，本例中，使用2019年4月15日14点30分至2019年4月17日8点30分每隔5分钟取的数据点作为验证集，磨煤机不同参数的观测值与估计值如图3a-3e，4a-4e所示。
由估计结果图和相对误差图可见，整体的准确度较高，相对误差都保持在较低的水平。分析相对误差可以看出，虽然出口一次风温的最大相对误差达到了4.21％，但80％以上的数据点的相对误差小于0.7％；除了出口温度以外，其他参数的相对误差80％以上都小于0.3％，其中磨煤机出口压力的相对误差80％以上小于0.1％。这说明估计效果比较好，基于相互邻近度的密度峰值聚类算法聚类的MSET模型精度较高，可以满足故障预警的要求。
步骤4，滑动窗口法预警，确定预警阈值。假设某段时间内，MSET预警模型的残差序列如下：
ε＝[ε1 ε2 … εN …] (9)
对该残差序列取一滑动窗口，宽度为N(根据现场经验取值)，得窗口内连续N个残差的均值
Figure BDA0002663845340000101
Figure BDA0002663845340000102
则电厂磨煤机故障预警阈值如下：
Ey＝±kEv (11)
式中，系数ky需要人为指定，ky的取值会影响故障预警的灵敏性和准确性，如果ky的取值过大的话，就会出现阈值偏大，导致故障预警的灵敏性降低，无法充分提前预警；如果ky的取值过小的话，就会出现阈值偏小，导致故障预警的准确性降低，出现误报的情况。所以此处ky取1.2，Ev表示残差均值的最大值。
最终得出各运行参数的历史数据最大残差Ev和预警阈值Ey如表2所示：
表2各运行参数的历史数据最大残差Ev和预警阈值Ey
变量名称 E<sub>v</sub> E<sub>y</sub>
磨煤机电流 7.886 ±9.463
一次风压力 0.195 ±0.234
出口温度 2.963 ±3.556
热风门开度 6.426 ±7.715
若磨煤机运行时的滑动残差保持在阈值以内，则设备状态正常；若设备出现故障，则滑动残差可以捕捉到参数的波动，此时若故障继续，则滑动残差的绝对值会越来越大，超过安全阈值；若维修人员对设备进行修复，则滑动残差的绝对值会快速减小，恢复安全阈值内，此时表明故障已得到基本解决，之后磨煤机便可以正常运行。

Claims (10)

1.一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，包括以下步骤：
1)以磨煤机历史运行数据中与磨煤机故障相关的观测参数对应的运行数据构建训练矩阵K，并使得训练矩阵K覆盖磨煤机正常运行时各观测参数所有动态变化情况；
2)采用基于相互邻近度的密度峰聚类算法在训练矩阵K中提取并构建记忆矩阵D，并以此构建MSET预警模型；
3)获取待估计时间段内的观测矩阵Xobs，输入MSET预警模型采用多元状态估计得到估计矩阵Xest；
4)获取估计矩阵Xest与观测矩阵Xobs之间的残差矩阵RL＝Xobs-Xest，设置故障预警阈值，通过滑动窗口法进行故障预警。
2.根据权利要求1所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的与磨煤机故障相关的运行参数包括一次风流量、一次风温度、一次风压力、冷风门开度、热风门开度、给煤机出力、磨煤机电流和出口温度。
3.根据权利要求1所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)将训练矩阵K作为基于相互邻近度的密度峰聚类算法的输入，所述的训练矩阵K的大小为n*k，其中，n表示与磨煤机故障相关的运行参数的数量，k表示运行状态的总数，其采用列向量的方式可表示为K＝[X(t1),X(t2)…X(tk)]，其中，X(tk)表示第tk个运行状态对应的列向量；
22)对训练矩阵K进行归一化处理得到新训练矩阵，并将其对应的列向量作为数据点；
23)根据每个数据点的局部密度ρi和相对距离δi计算决策值γi＝ρi·δi，并根据决策值获得密度峰值；
24)将密度峰值对应数据点的p个近邻点分配到其对应的类簇中，并将与已分配数据点相互邻近度最高的未分配数据点分配给已分配数据点所在的类簇中，直至所有未分配数据点分配完毕；
25)输出记忆矩阵D，所述的记忆矩阵D的大小为n*m，其采用列向量的方式可表示为D＝[X(t1)，X(t2)…X(tm)]，其中，X(tm)表示第tm个运行状态对应的列向量。
4.根据权利要求3所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的步骤23)中，第i个数据点X(ti)的局部密度ρ的计算式为：
Figure FDA0002663845330000021
其中，dij为数据点X(ti)与X(tj)之间的欧式距离，dvj为数据点X(tv)与X(tj)之间的欧式距离，p为近邻点个数，knn(i)和knn(j)分别为数据点X(ti)和X(tj)的p个近邻点的集合，2·p表示ρi的归一化参数。
5.根据权利要求3所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的步骤24)中，两个数据点X(ti)和X(tj)相互邻近度Ai，j的表达式为：
Ai，j＝degi→j·degj→i
Figure FDA0002663845330000022
Figure FDA0002663845330000023
Figure FDA0002663845330000024
其中，degi→j为数据点X(ti)到数据点X(tj)的相对邻近度，degj→i为数据点j到数据点i的相对邻近度，ωij为数据点X(ti)和数据点X(tj)的邻近度，ωvj为数据点X(tv)和数据点X(tj)的邻近度，knn(i)为数据点X(ti)的p个近邻点的集合，dij为数据点X(ti)与X(tj)之间的欧式距离，σ2为数据点的方差，N为数据点的总数，p为近邻点个数。
6.根据权利要求1所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的步骤3)中，估计矩阵Xest的表达式为：
Figure FDA0002663845330000025
其中，
Figure FDA0002663845330000026
表示欧氏距离，W为权值向量。
7.根据权利要求1所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的步骤4)中，残差矩阵RL具体为每个输入的观测矩阵Xobs中的观测向量对应的残差构成残差序列，对该残差序列选取宽度为Nr的滑动窗口，并得到该窗口内的连续Nr个残差的残差均值，设定每个与磨煤机故障相关的运行参数对应的故障预警阈值，并根据故障预警阈值判断是否出现故障。
8.根据权利要求7所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的故障预警阈值Ey的表达式为：
Ey＝±kyEv
其中，ky为预警系数，Ev为残差均值的最大值。
9.根据权利要求7所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，当磨煤机在运行时只要出现与磨煤机故障相关的运行参数中至少一个对应的滑动残差维持在故障预警阈值以内，则判定磨煤机状态正常，否则判定为故障；
当磨煤机出现故障时，通过滑动窗口捕捉到运行参数的变化，此时若故障继续持续，则滑动残差的绝对值随时间增大，在超过安全阈值维修人员对磨煤机进行修复后，则滑动残差的绝对值随时间降低到安全阈值内，则表明故障已解决。
10.根据权利要求8所述的一种基于DPC-MND和多元状态估计的磨煤机故障预警方法，其特征在于，所述的预警系数ky的取值为1.2。
CN202010912540.2A 2020-09-03 2020-09-03 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 Pending CN112036089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010912540.2A CN112036089A (zh) 2020-09-03 2020-09-03 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010912540.2A CN112036089A (zh) 2020-09-03 2020-09-03 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法

Publications (1)

Publication Number Publication Date
CN112036089A true CN112036089A (zh) 2020-12-04

Family

ID=73590615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010912540.2A Pending CN112036089A (zh) 2020-09-03 2020-09-03 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法

Country Status (1)

Country Link
CN (1) CN112036089A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686477A (zh) * 2021-01-28 2021-04-20 北京工业大数据创新中心有限公司 一种磨煤机堵磨预警方法及系统
CN112884089A (zh) * 2021-04-12 2021-06-01 国网上海市电力公司 一种基于数据挖掘的电力变压器故障预警系统
CN113000192A (zh) * 2021-02-23 2021-06-22 南方电网电力科技股份有限公司 一种磨煤机爆燃快速预警方法及系统
CN113036913A (zh) * 2021-03-03 2021-06-25 国网信息通信产业集团有限公司 一种综合能源设备状态监测方法及装置
CN113108842A (zh) * 2021-04-16 2021-07-13 中国石油大学(北京) 一种热交换器多参数关联监测预警方法和系统
CN113588308A (zh) * 2021-07-22 2021-11-02 上海电力大学 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法
CN113834657A (zh) * 2021-09-24 2021-12-24 北京航空航天大学 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN114707807A (zh) * 2022-03-09 2022-07-05 北京建筑材料科学研究总院有限公司 磨煤机风险评估方法、装置、电子设备及存储介质
CN115310216A (zh) * 2022-07-05 2022-11-08 华能国际电力股份有限公司上海石洞口第二电厂 一种基于优化XGBoost的磨煤机故障预警方法
CN115499289A (zh) * 2022-08-17 2022-12-20 华电电力科学研究院有限公司 一种设备状态评估预警方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN105114348A (zh) * 2015-09-09 2015-12-02 长春合成兴业能源技术有限公司 基于电站运行数据的引风机故障预警装置和方法
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN110929758A (zh) * 2019-10-24 2020-03-27 河海大学 一种面向复杂数据的快速搜索和寻找密度峰值的聚类算法
CN111308991A (zh) * 2020-03-19 2020-06-19 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种磨煤机运行故障识别方法及应用
CN111504647A (zh) * 2020-06-09 2020-08-07 华东交通大学 基于ar-mset的滚动轴承的性能退化评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN105114348A (zh) * 2015-09-09 2015-12-02 长春合成兴业能源技术有限公司 基于电站运行数据的引风机故障预警装置和方法
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN110929758A (zh) * 2019-10-24 2020-03-27 河海大学 一种面向复杂数据的快速搜索和寻找密度峰值的聚类算法
CN111308991A (zh) * 2020-03-19 2020-06-19 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种磨煤机运行故障识别方法及应用
CN111504647A (zh) * 2020-06-09 2020-08-07 华东交通大学 基于ar-mset的滚动轴承的性能退化评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘耘彰: "电厂风机故障诊断与预警研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 6, pages 042 - 297 *
肖黎 等: "基于半监督学习方法的磨煤机故障预警", 《热力发电》, vol. 48, no. 4, pages 121 - 127 *
赵嘉 等: "基于相互邻近度的密度峰值聚类算法", 《控制与决策》, pages 1 - 10 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686477A (zh) * 2021-01-28 2021-04-20 北京工业大数据创新中心有限公司 一种磨煤机堵磨预警方法及系统
CN113000192B (zh) * 2021-02-23 2022-07-12 南方电网电力科技股份有限公司 一种磨煤机爆燃快速预警方法及系统
CN113000192A (zh) * 2021-02-23 2021-06-22 南方电网电力科技股份有限公司 一种磨煤机爆燃快速预警方法及系统
CN113036913A (zh) * 2021-03-03 2021-06-25 国网信息通信产业集团有限公司 一种综合能源设备状态监测方法及装置
CN112884089A (zh) * 2021-04-12 2021-06-01 国网上海市电力公司 一种基于数据挖掘的电力变压器故障预警系统
CN113108842A (zh) * 2021-04-16 2021-07-13 中国石油大学(北京) 一种热交换器多参数关联监测预警方法和系统
CN113588308A (zh) * 2021-07-22 2021-11-02 上海电力大学 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法
CN113834657A (zh) * 2021-09-24 2021-12-24 北京航空航天大学 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN114707807A (zh) * 2022-03-09 2022-07-05 北京建筑材料科学研究总院有限公司 磨煤机风险评估方法、装置、电子设备及存储介质
CN115310216A (zh) * 2022-07-05 2022-11-08 华能国际电力股份有限公司上海石洞口第二电厂 一种基于优化XGBoost的磨煤机故障预警方法
CN115310216B (zh) * 2022-07-05 2023-09-19 华能国际电力股份有限公司上海石洞口第二电厂 一种基于优化XGBoost的磨煤机故障预警方法
CN115499289A (zh) * 2022-08-17 2022-12-20 华电电力科学研究院有限公司 一种设备状态评估预警方法和系统
CN115499289B (zh) * 2022-08-17 2023-08-25 华电电力科学研究院有限公司 一种设备状态评估预警方法和系统

Similar Documents

Publication Publication Date Title
CN112036089A (zh) 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法
Ma et al. Hierarchical monitoring and root-cause diagnosis framework for key performance indicator-related multiple faults in process industries
Chen et al. Dynamic process fault monitoring based on neural network and PCA
KR101178235B1 (ko) 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
Ma et al. A novel hierarchical detection and isolation framework for quality-related multiple faults in large-scale processes
CN105303331A (zh) 一种变压器维修风险决策方法
Xiang et al. Multimode process monitoring based on fuzzy C-means in locality preserving projection subspace
WO2016208315A1 (ja) プラント診断装置及びプラント診断方法
Chen et al. A health index construction framework for prognostics based on feature fusion and constrained optimization
No et al. Monitoring severe accidents using AI techniques
Naimi et al. Fault detection and isolation of a pressurized water reactor based on neural network and k-nearest neighbor
Dong et al. Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA
Jiang et al. Partial cross mapping based on sparse variable selection for direct fault root cause diagnosis for industrial processes
Ding et al. Deep forest-based fault diagnosis method for chemical process
Huang et al. Static and dynamic joint analysis for operation condition division of industrial process with incremental learning
CN114943281B (zh) 一种热管冷却反应堆智能决策方法及系统
Xinyi et al. Fault diagnosis in chemical process based on self-organizing map integrated with fisher discriminant analysis
Pinciroli et al. A semi-supervised method for the characterization of degradation of nuclear power plants steam generators
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
Zou et al. Step-wise segment partition based stationary subspace analysis and Gaussian mixture model for nonstationary process performance assessment
CN112598057B (zh) 一种基于feknn策略的燃煤电厂锅炉故障诊断方法
Zhu et al. Multiplicative fault detection and isolation in dynamic systems using data-driven k-Gap metric based kNN Algorithm
CN113449809A (zh) 一种基于kpca-nsvdd的电缆绝缘在线监测方法
He et al. Fault detection and health assessment of equipment based on fuzzy DPCA spatial eigenvalue similarity
Seo et al. An on-line calibration monitoring technique using support vector regression and principal component analysis

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