CN112215286A - 基于小波分解重构及近邻算法的磨煤机运行状态判别方法 - Google Patents

基于小波分解重构及近邻算法的磨煤机运行状态判别方法 Download PDF

Info

Publication number
CN112215286A
CN112215286A CN202011089833.1A CN202011089833A CN112215286A CN 112215286 A CN112215286 A CN 112215286A CN 202011089833 A CN202011089833 A CN 202011089833A CN 112215286 A CN112215286 A CN 112215286A
Authority
CN
China
Prior art keywords
data
reconstruction
coal mill
decomposition
coal
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.)
Granted
Application number
CN202011089833.1A
Other languages
English (en)
Other versions
CN112215286B (zh
Inventor
王远鑫
许文良
潘存华
邓中乙
马启磊
陈俊
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.)
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd
Original Assignee
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute 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 Datang Boiler Pressure Vessel Examination Center Co Ltd, East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd filed Critical Datang Boiler Pressure Vessel Examination Center Co Ltd
Priority to CN202011089833.1A priority Critical patent/CN112215286B/zh
Publication of CN112215286A publication Critical patent/CN112215286A/zh
Application granted granted Critical
Publication of CN112215286B publication Critical patent/CN112215286B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Disintegrating Or Milling (AREA)

Abstract

基于小波分解重构及近邻算法的磨煤机运行状态判别方法及系统，属于设备状态分析判别技术领域，所要解决的技术问题在于如何通过建立运行参数与运行时间关系，实现磨煤机状态的实时判断；使用以给煤量为条件的近邻算法，根据磨煤机各项参数对状态进行评价；利用小波分解重构后的各参数与历史各状态的小波分解重构参数进行近邻算法分类，判定当前参数与哪类历史参数状态相同，进而实现磨煤机状态判别分析，用于因磨煤机长期运行造成磨辊磨损、机械疲劳，需要界定其运行状态确定是否进行检修，利用算法判断磨煤机状态，为制定检修计划提供依据。

Description

基于小波分解重构及近邻算法的磨煤机运行状态判别方法
技术领域
本发明属于设备状态分析判别技术领域，具体涉及一种基于小波分解重构及近邻算法的磨煤机运行状态判别方法。
背景技术
火力发电厂磨煤机作为辅机设备是影响锅炉安全运行的重要因素，随着信息技术发展，电厂DCS系统产生大量设备运行参数，如何高效处理、分析这些数据资源是进一步提高电站管理水平、保障安全运行的重要手段。
设备评估可以抽象的定义为通过特征参数的输入获得设备状态评语的过程。在设备状态评估发展的最开始阶段，由有经验的专家根据设备运行过程中出现的一系列诸如噪声、振动等外部特征来判断设备的运行状态；或使用少量的特征参数通过简单的趋势分析确定设备的运行状态。
磨煤机随运行时间的增长，传动机构、磨辊易发生磨损造成电耗升高；受长期风粉冲刷影响，喷嘴环处、出口管道等位置易发生磨损变形造成出口风速、本体进出口差压变化；轴承润滑油质、油位变化导致轴承温度，轴承x、y方向振动发生变化，综上所述，随运行时间增长，磨煤机各项参数指标随运行时间增长会向劣化趋势发展。
现有技术中，公开号为101178580A、公开日期为2008年5月14日的中国发明专利申请《基于数据挖掘的火电厂钢球磨煤机制粉系统自动控制方法》，公开了根据磨煤机负荷、出口温度、入口负压、出入口压差的参数进而控制输出空间数据包括：煤量、热风门开度、再循环风门开度、冷风门开度；该文献使用的算法是模糊加权共享最近邻的密度聚类算法，针对的是钢球磨煤机制粉系统。
文献“多尺度主元分析在热力系统模式识别中的应用研究，华北电力大学，李晓杰，2019年3月”公开了磨煤机的故障诊断方法，通过对预处理后的数据进行PCA多尺度主元分析，对分析后的参数计算SPE与T2,若计算结果超过其控制限，则认为磨煤机发生故障；该文献采用的的小波分解针对的是锅炉燃烧中锅炉的给煤量、一次风量、二次风量等参数计算SPE与T2,并对SPE与T2进行小波分解重构。
由于磨煤机煤质变化对各项参数影响，各参数与运行时间无法以简单的线性或非线性数学模型表示，因此通过模型建立运行参数与运行时间关系，通过运行参数识别磨煤机当前状态将有助于电厂的检修、维护工作，防止事故、故障发生，因此，如何通过建立运行参数与运行时间关系，实现磨煤机状态的实时判断成为亟需解决的问题。
发明内容
本发明所要解决的技术问题在于如何通过建立运行参数与运行时间关系，实现磨煤机状态的实时判断。
本发明是通过以下技术方案解决上述技术问题的：
基于小波分解重构及近邻算法的磨煤机运行状态判别方法，包括以下步骤：
步骤1，采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
步骤2，对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
步骤3，对“db3”小波分解重构后的参数数据进行归一化；
步骤4，将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。
本发明针对直吹式制粉系统，使用以给煤量为条件的近邻算法，根据磨煤机各项参数对状态进行评价；利用小波分解重构后的各参数与历史各状态的小波分解重构参数进行近邻算法分类，判定当前参数与哪类历史参数状态相同，进而实现磨煤机状态判别分析；由于磨煤机煤质变化影响运行时间与运行参数关系，对卡方统计筛选出参数进行小波分解重构，去除煤质变化等高频信号影响，仅以低频信号重构；因重构后的各参数量纲不同，对各参数进行归一化处理；将归一化后参数录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时实际数据与训练数据的近邻算法结果，即可判别实际数据与历史数据中哪段标签相符，进而判断磨煤机当前状态。
作为本发明技术方案的进一步改进，所述的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈。
作为本发明技术方案的进一步改进，步骤2中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)为1层低频分解系数；
3)使用b)中的方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；
4)对5层低频系数x5L(t)进行小波重构，定义重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变；
5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。
作为本发明技术方案的进一步改进，步骤3中归一化的公式为：
Figure BDA0002721637920000051
作为本发明技术方案的进一步改进，步骤4中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
Q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。
基于小波分解重构及近邻算法的磨煤机运行状态判别系统，包括：
数据采集模块，用于采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
小波分解重构模块，用于对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
数据归一化处理模块，用于对“db3”小波分解重构后的参数数据进行归一化；
计算与判别模块，用于将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。
作为本发明技术方案的进一步改进，所述的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈。
作为本发明技术方案的进一步改进，小波分解重构模块中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)为1层低频分解系数；
3)使用b)中的方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；
4)对5层低频系数x5L(t)进行小波重构，定义重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变；
5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。
作为本发明技术方案的进一步改进，数据归一化处理模块中的归一化的公式为：
Figure BDA0002721637920000071
作为本发明技术方案的进一步改进，计算与判别模块中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
Q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2
对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签
本发明的优点在于：
(1)因磨煤机长期运行造成磨辊磨损、机械疲劳，需要界定其运行状态确定是否进行检修，本发明利用算法判断磨煤机状态，为制定检修计划提供依据。
(2)本发明采用磨煤机历史参数作为训练依据，在数据预处理中通过卡方统计筛除与状态判别不相关的参数，保留与状态判别相关性高的参数录入算法进行计算。
(3)本发明使用小波分析，对历史与实时数据进行分解重构，滤除掉磨煤机煤质变化、参数扰动等高频噪声，使进行近邻算法的数据更加纯粹、准确，提高了判别精度。
(4)本发明以给煤量为参照使用近邻算法进行状态判别，考虑了影响磨煤机最大的参数“给煤量”，当两状态给煤量相同时，计算其它参数偏差，符合磨煤机实际。
(5)本发明以近邻算法作为状态判别算法，在历史状态参数发生变化时，仅需修改历史状态参数，不需对算法进行再训练、学习，节约时间与人力。
附图说明
图1是本发明实施例一的基于小波分解重构及近邻算法的磨煤机运行状态判别方法的原理图。
图2是本发明实施例一的基于小波分解重构及近邻算法的磨煤机运行状态判别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：
实施例一
如图1和2所示，基于小波分解重构及近邻算法的磨煤机运行状态判别方法，包括以下步骤：
步骤(1)：采集磨煤机上个A修期起至下个A修期前，采集两个A修期间不同时间段磨煤机数据，对不同时间段数据进行分类标注；
本实施例中的磨煤机两个A修期间隔25个月，时间周期为27个月，将27个月分为10段，上个A修期历史数据定义为100％，下个A修期前为0％，中间区间以3个月为时间间隔，依次定义90％～10％，其中两个时间间隔数据采集给煤量由最低给煤量至最大的所有历史运行数据。
选取的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈共计20项。
步骤(2)：对各分类标签历史数据进行小波分解重构，本实施例针对历史数据进行试验，最终选用“db3”进行5层分解并对第5层低频信号重构，其具体计算如下：
(2-1)对每一项磨煤机参数(共计n项)x(t)添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1，其中，x(t)1，x(t)2，x(t)3，x(t)4，x(t)5分别表示x(t)中第1-5项元素，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4。
(2-2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)表示第1层低频分解系数。
(2-3)使用(2-2)介绍方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；x2L(t)，x3L(t)，x4L(t)，x5L(t)分别表示第2-5层低频分解系数。
(2-4)对5层低频系数x5L(t)进行小波重构，定义第5层重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变。
(2-5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)，x4L(t)'为第4层重构特征矩阵；
(2-6)再重复(2-4)，(2-5)方法进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”。x(t)”即为x(t)5层小波分解重构后得到的结果。
步骤(3)对“db3”小波分解重构后的数据进行归一化，选取各项参数最大值x(t)”max、最小值x(t)”min，归一化公式为
Figure BDA0002721637920000111
步骤(4)对归一化数据进行近邻算法运算判别，其具体步骤如下：
(4-1)以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者差值小于0.00474(归一化前即给煤量相差小于0.1t/h)数据，计算两数据不同参数距离大小，公式如下所示：Q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。
本发明实施例所涉及的算法应用于其它工业设备时，属于本发明实施例技术方案的保护范围；如以其它机器学习算法例如支持向量机、随机森林等算法代替近邻算法，以其它小波基函数“Hear”、“db2”等代替“db3”也属于本发明实施例技术方案的保护范围。
为验证算法正确率，通过python算法，对历史数据通过1:4比例分为训练集与测试集，训练集总数量126342，测试集数量31585，下表为测试集状态分类结果。
表1磨煤机各状态分类结果
Figure BDA0002721637920000121
虽然表中测试集正确率较低，最低仅有64.0％，但在实际磨煤机运行中，状态判断采集当前数据可以以小时或天为单位(数据每秒1组)，单一数据可能造成状态判断误差，但数据量组够大时可通过本发明实现正确状态分类判别。
本发明实施例提供了一套完整的磨煤机状态判别算法模型，算法通过以下四步实现：(1)以磨煤机上个A修期起至下个A修期前，采集两个A修期间不同时间段磨煤机数据，对不同时间段数据进行分类标注；(2)由于磨煤机煤质变化影响运行时间与运行参数关系，对卡方统计筛选出参数进行小波分解重构，去除煤质变化等高频信号影响，仅以低频信号重构；(3)因重构后的各参数量纲不同，对各参数进行归一化处理；(4)将归一化后参数录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时实际数据与训练数据的近邻算法结果，即可判别实际数据与历史数据中哪段标签相符，进而判断磨煤机当前状态。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，包括以下步骤：
步骤1，采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
步骤2，对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
步骤3，对“db3”小波分解重构后的参数数据进行归一化；
步骤4，将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。
2.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，所述的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈。
3.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤2中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)为1层低频分解系数；
3)使用b)中的方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；
4)对5层低频系数x5L(t)进行小波重构，定义重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变；
5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。
4.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤3中归一化的公式为：
Figure FDA0002721637910000031
5.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤4中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
Q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2
对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。
6.基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，包括：
数据采集模块，用于采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
小波分解重构模块，用于对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
数据归一化处理模块，用于对“db3”小波分解重构后的参数数据进行归一化；
计算与判别模块，用于将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。
7.根据权利要求6所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，所述的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈。
8.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，小波分解重构模块中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)为1层低频分解系数；
3)使用b)中的方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；
4)对5层低频系数x5L(t)进行小波重构，定义重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变；
5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。
9.根据权利要求6所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，数据归一化处理模块中的归一化的公式为：
Figure FDA0002721637910000051
10.根据权利要求6所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，计算与判别模块中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
Q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2
对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。
CN202011089833.1A 2020-10-13 2020-10-13 基于小波分解重构及近邻算法的磨煤机运行状态判别方法 Active CN112215286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011089833.1A CN112215286B (zh) 2020-10-13 2020-10-13 基于小波分解重构及近邻算法的磨煤机运行状态判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011089833.1A CN112215286B (zh) 2020-10-13 2020-10-13 基于小波分解重构及近邻算法的磨煤机运行状态判别方法

Publications (2)

Publication Number Publication Date
CN112215286A true CN112215286A (zh) 2021-01-12
CN112215286B CN112215286B (zh) 2021-10-01

Family

ID=74053702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011089833.1A Active CN112215286B (zh) 2020-10-13 2020-10-13 基于小波分解重构及近邻算法的磨煤机运行状态判别方法

Country Status (1)

Country Link
CN (1) CN112215286B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332515A (zh) * 2021-11-01 2022-04-12 江苏方天电力技术有限公司 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法
CN114492588A (zh) * 2021-12-29 2022-05-13 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 一种火电厂辅机设备故障识别方法、系统、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106153179A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 中速磨煤机振动故障诊断方法
CN108008332A (zh) * 2017-11-29 2018-05-08 国网山东省电力公司电力科学研究院 一种基于数据挖掘的新能源远程测试设备故障诊断方法
CN109297735A (zh) * 2018-09-11 2019-02-01 浙江大学 面向智能电厂磨煤机的振动信号故障诊断方法
US20190302167A1 (en) * 2016-04-25 2019-10-03 Qatar University Smart fault detection device to anticipate impending faults in power transformers

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106153179A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 中速磨煤机振动故障诊断方法
US20190302167A1 (en) * 2016-04-25 2019-10-03 Qatar University Smart fault detection device to anticipate impending faults in power transformers
CN108008332A (zh) * 2017-11-29 2018-05-08 国网山东省电力公司电力科学研究院 一种基于数据挖掘的新能源远程测试设备故障诊断方法
CN109297735A (zh) * 2018-09-11 2019-02-01 浙江大学 面向智能电厂磨煤机的振动信号故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332515A (zh) * 2021-11-01 2022-04-12 江苏方天电力技术有限公司 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法
CN114492588A (zh) * 2021-12-29 2022-05-13 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 一种火电厂辅机设备故障识别方法、系统、设备和存储介质

Also Published As

Publication number Publication date
CN112215286B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Huang et al. Fault diagnosis of bearing in wind turbine gearbox under actual operating conditions driven by limited data with noise labels
CN109146705B (zh) 一种用电特征指标降维与极限学习机算法进行窃电检测的方法
Guo et al. An unsupervised feature learning based health indicator construction method for performance assessment of machines
Shan et al. A multisensor data fusion method for ball screw fault diagnosis based on convolutional neural network with selected channels
CN110068462A (zh) 一种电机轴承故障诊断方法及装置
CN112215286B (zh) 基于小波分解重构及近邻算法的磨煤机运行状态判别方法
Liu et al. A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
Huo et al. Self-adaptive fault diagnosis of roller bearings using infrared thermal images
Li et al. Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data
CN113465923B (zh) 一种磨煤机磨辊轴承的剩余寿命预测方法
Lv et al. Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis
CN112633132A (zh) 基于二维振动图像增强的轴承故障诊断方法及系统
Qin et al. The fault diagnosis of rolling bearing based on improved deep forest
Zhou et al. A mechanical part fault diagnosis method based on improved multiscale weighted permutation entropy and multiclass LSTSVM
Pan et al. A novel fault classification feature extraction method for rolling bearing based on multi-sensor fusion technology and EB-1D-TP encoding algorithm
CN114386452A (zh) 核电循环水泵太阳轮故障检测方法
Shuai et al. Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN116776209A (zh) 一种关口计量装置运行状态辨识方法、系统、设备及介质
CN114547796B (zh) 一种基于优化bn网络的球磨机特征融合故障诊断方法
Wu et al. Semi-supervised fault diagnosis of wheelset bearings in high-speed trains using autocorrelation and improved flow Gaussian mixture model
CN114358176A (zh) 一种基于lof算法的风电站原始风电数据质量控制的方法
CN114298413A (zh) 一种水电机组振摆趋势预测方法
Jiang et al. An orbit-based encoder–forecaster deep learning method for condition monitoring of large turbomachines

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