CN113190983B - 一种基于复合软测量的火电厂磨机负荷预测方法 - Google Patents
一种基于复合软测量的火电厂磨机负荷预测方法 Download PDFInfo
- Publication number
- CN113190983B CN113190983B CN202110430065.XA CN202110430065A CN113190983B CN 113190983 B CN113190983 B CN 113190983B CN 202110430065 A CN202110430065 A CN 202110430065A CN 113190983 B CN113190983 B CN 113190983B
- Authority
- CN
- China
- Prior art keywords
- mill
- model
- signal
- vibration
- power plant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005259 measurement Methods 0.000 title claims abstract description 25
- 239000002131 composite material Substances 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000005236 sound signal Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 239000000843 powder Substances 0.000 claims description 6
- 238000012843 least square support vector machine Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 238000000691 measurement method Methods 0.000 abstract description 5
- 238000003801 milling Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 18
- 238000000227 grinding Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 101100533306 Mus musculus Setx gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004082 amperometric method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Abstract
本发明公开了一种基于复合软测量的火电厂磨机负荷预测方法,用以解决火电厂磨机负荷难以检测的问题。本法首先通过对磨机噪声、振动等多个相关参数建立多个离线训练模型,然后基于各个模型的历史估计结果建立在线模型。该方法通过对软测量模型估计结果建立在线模型的复合软测量方法,实现对磨机负荷的在线预测;本发明的火电厂磨机负荷预测方法具有复杂度低、预测精度高、利于在线应用等优点,为火电厂制粉系统的安全、经济运行提供可靠保障。
Description
技术领域
本发明属于球磨机的负荷预测技术领域,尤其是一种基于复合软测量的火电厂磨机负荷预测方法。
背景技术
在火力发电厂中,筒式球磨机是主要的制粉设备,广泛应用于国内外的中小型电厂,是电厂的耗电大件。随着电力改革的进一步深化,节能降耗已成为火力发电企业的重要攻关项目。研究表明,磨煤机的负荷状态维持在最佳水平可以节约10%以上的电能。因此,如何准确测量磨煤机的负荷状态成为了电厂节能降耗、优化运行的一项重要内容。由于磨机工作环境差,粉尘污染大,内部环境恶劣,使得磨机负荷的直接检测非常困难。目前,应用较多的磨机负荷预测方法有差压法、磨音法、振动法以及功率法。
差压法是一种采用磨机进出口差压来估计磨机负荷变化的软测量方法。在碾磨过程中,如果风量稳定,筒体内存煤量的变化会改变风粉混合物的流通阻力,从而引起进出口的压力差发生变化。因此认为差压信号和磨机内的存煤量具有高度相关性,并依据可以测量的差压信号调节给煤量。但是磨机进出口差压不是磨机负荷的单值函数,是由筒体内存煤量、风温、风压、风量和磨机结构参数的多元函数。
磨音法,也称为音频法,是一种采用磨机运行时发出的噪音来估计磨机负荷的软测量方法。经长期探索发现,球磨机在不同的负荷状态下发出的噪音不同,当负荷较小时,研磨体更容易和金属衬板进行撞击,产生的噪音较大、频率较高;反之,筒体内的空隙会被煤所填充,研磨体与煤质撞击的概率更大,产生的噪音较小、频率较低。因此可以依据磨机运行时的噪音信号对磨机负荷进行推断估计。现有磨音法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷,缺点是检测精度不高,未能有效去除背景噪声干扰,特别是当多台磨机同时在一个车间内运行时,临近磨机运行时所发出的噪声会严重影响负荷检测的准确性。
振动法,在磨机筒体的旋转过程中,研磨体与筒体内的煤、研磨体和磨机筒壁发生碰撞,实现煤粉的碾磨,即碰撞的一部分动能用于破碎煤块;剩余的一部分动能会作用在筒体表面引起筒体表面和轴承的振动。存煤量的不同,产生的振动强度也不同,因此可以采用振动信号来实现磨机负荷的软测量。振动法的不足在于线性度差,准确度不高。
功率法,也称电流法,是一种传统的磨机负荷检测方法。如果在磨机运行中忽略衬板和研磨体由于磨损引起的重量变化,磨机内存煤量的变化将直接影响磨机驱动电流的变化,因此可以通过磨机电流实现磨机负荷的估计。但是由于存煤量占总体磨机重量的比例较小,使得该方法灵敏度较低,而且不同规格的磨煤机制粉出力不同,非单调变化的电流信号也随着磨机规格的不同而变化,每一台磨机都需要提前通过试验标定磨机电流与负荷之间的对应关系。
以上介绍的软测量方法都是从单一参数出发,建立存煤量与该参数的软测量模型,实现磨机负荷的估计。由于磨机运行过程中的非线性、局部有效性以及参数的相关二义性,往往使估计结果不够理想,甚至导致出现错误的判断。而且随着时间的推移,磨机运行过程中存在着煤质转换、邻磨启停、钢球磨损和衬板磨损等一些扰动因素,使得离线训练的软测量模型在线应用中出现模型退化和模型异常现象。
发明内容
为了解决现有技术中存在的不足,本发明提出了一种基于复合软测量的火电厂磨机负荷预测方法,采用分数阶傅立叶变换、基于密度误差的最小二乘支持向量、基于密度量化的核递归最小二乘支持向量模型等技术手段,通过对离线模型估计值的时间序列建立在线模型,实现了对磨机负荷的在线实时预测。
本发明所采用的技术方案如下:
S1,在特定周期内采集磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini、磨机电机电流Imil、排粉机电机电流Ipow、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和磨机入口温度Tin;
S2,基于分数阶傅立叶变换将采集到的磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini转换到频域中,并进行特征频段选取和特征信息提取,分别得到磨机噪音特征信息Enos和磨机振动特征信息Evib。
S3,将Enos、Evib、Imil、Ipow、Pdif、Pneg、Tout和Tin作为输入,并基于密度误差的最小二乘支持向量机建立多个离线训练模型,得到各软测量模型对应的磨机负荷估计值
S4,针对多个离线训练模型的在线估计结果,建立基于核递归最小二乘算法的在线模型;基于密度量化算法对每个离线训练模型的估计值进行在线辨识,并实现对当前在线模型的参数更新。
进一步,S2中得到磨机噪音特征信息Enos和磨机振动特征信息Evib的方法为:
S2.1,将nos和zvib信号作为加性噪音分量,通过谱减算法对信号acoini和vibini进行信号处理,分别得到增强后的振声信号aco′和振动信号vib′;通过分数阶傅里叶变换将第i个时域信号转换到分数阶频域中,得到频率矩阵Si(α)。
S2.2,计算Si(α)中第j个频率点与当前磨机负荷参数的互信息值MIij,并基于互信息值MIij选取频率点得到特征频率集cfi;同时从Si(α)中提取多个统计特征组成统计特征集stati;将cfi和stati合并,再运用基于核函数的主成分分析法(KPCA)进行特征提取,选取累计贡献度大于90%的主元个数作为特征信息,并分别得到磨机噪声Enos和磨机振动Evib。
进一步,根据MIij≥λi选取频率点得到特征频率集cfi,λi为第i个信号的阈值。
进一步,Si(α)的统计特征包括能量、中心频率、标准差、均方根、重心频率和峰值与均方根的比值;
进一步,S3中建立多个离线训练模型的方法为:
S3.1,基于初始样本集S得到初始训练模型model0、第i个离线训练模型的估计值和初始性能指标mse0;计算各个样本{xn,yn}处的密度信息/>和误差信息/>并得到密度误差信息P=Dn×en;将最大的密度误差值对应的样本记作第d个,并将{xd,yd}加入支持向量集Ss;其次更新所有样本的密度信息并基于Ss得到训练模型,其性能指标为mses;重新计算密度误差信息,直到选出的支持向量集满足/>即可得到基于密度误差的最小二乘支持向量机模型(de-LSSVM)
S3.2,将Enos、Evib、Imil、Ipow、Pdif、Pneg、Tout和Tin两两分为5组,分别是Enos和Evib、Imil和Ipow、Pdif和Pneg、Tout和Tin,并作为输入通过密度误差的最小二乘支持向量机(de-LSSVM)建立离线训练模型,分别是model1,model2,model3,model4,model5。
进一步,S4中建立基于核递归最小二乘算法的在线模型的方法为:
S4.1,假设当前基于核递归最小二乘算法的在线模型表示为其中,αj为第j次迭代中的权重参数;k(,)为核函数;x为输入样本;c(j)是词典中的第j个样本,q是词典中的样本个数,对每个词典中心分配一个容量参数θj,设定密度半径阈值为R,每个词典中心的最小容忍阈值为τ1,每个词典中心最大容量阈值为τ2,最大窗口个数m;
S4.2,对于新增样本x(i+1),找到距离其最近的词典中心cnearest
其中,jΔ为该词典中心的位置信息。
S4.3,若则更新容量参数和权重参数其中,αi+1(jΔ)是/>在第(i+1)次迭代中的权重系数,α是步长更新系数,不对当前在线模型的参数更新;e(i+1)为当前样本在模型下的估计误差;模型的预测输出即为最终磨机负荷参数/>
S4.4,若或者dis<x(i+1),cnearest>>R则更新词典中心并对当前在线模型进行参数更新。模型的预测输出即为最终磨机负荷参数/>C为词典中心样本集。
进一步,S1中采集磨机参数的周期为Round(·)为取整运算,T0为磨机筒体旋转一周所需时间。
进一步,所述背景噪声信号采集是通过一个全向型麦克风在距离磨机入口2米处得到的;轴承振动信号是通过固定在磨机轴承上的振动传感器获得的;磨机筒体振动信号是通过磁座方式在磨机1/2处的振动传感器采集的筒体表面信号。
本发明的有益效果:
本专利提出了一种基于复合软测量的火电厂磨机负荷预测方法,该方法首先通过对磨机噪声、振动等多个相关参数建立多个离线训练模型,然后基于各个模型的历史估计结果建立在线模型。该方法通过对软测量模型估计结果建立在线模型的复合软测量方法,实现对磨机负荷的在线预测,具有复杂度低、稳定性高等优点。
附图说明
图1是本发明基于复合软测量的火电厂磨机负荷预测方法的结构框图;
图2是本发明基于复合软测量的火电厂磨机负荷预测方法的流程图;
图3是分散控制系统(DCS)示意图;
图4特征提取算法的流程图;
图5基于密度误差的最小二乘支持向量机的建立流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
本发明基于复合软测量的火电厂磨机负荷预测系统框图如图1所示,以某火电厂中储式制粉系统为例,给出本发明的一个具体应用。该磨机型号为DTM350/700,转速为17.57r/min。采用DCS的方式实现磨机输入信号的采集、算法的执行以及其他各种操作监控等功能,系统结构如图3所示。在实时控制层,由西门子的S7-400和S7-200系列PLC及其扩展输入输出模块组成,充分利用S7-200系列PLC的低成本、易于扩展、编程简单等优点,实现系统各输入点的分布式采集与控制信号输出,而功能强大的S7-400系列PLC则为实现复杂的信号处理、软测量、控制算法等提供保障;在操作管理层,主要为各种IO服务器,操作台以及工程师站,完成人机交互以及设计方案的更新等。
基于上述火电厂磨机负荷预测系统,本发明的一种基于复合软测量的火电厂磨机负荷预测方法如图1,包括如下步骤:
S1,特定周期内采集一次磨机相关参数,周期时间T选取方法为:其中Round(·)为取整运算,T0为磨机筒体旋转一周所需时间,使得采集的相关参数可以包含磨机旋转过程中的破碎区、滑动区和研磨区等主要运行信息。磨机相关参数包括磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini、磨机电机电流Imil、排粉机电机电流Ipow、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和磨机入口温度Tin;其中,磨机背景噪声信号、磨机振声信号、磨机轴承振动信号和磨机筒体振动信号均为该周期内的时域序列。对于磨机的压力类、温度类和电流类信号可以直接通过对应的仪表进行采集;磨机噪声信号是使用声望公司的MPA206传声器测量,传感器灵敏度为32mv/Pa,响应频率为20Hz~10kHz,安装于距离磨机入口1/2处,一个面向钢球下落撞击点,即破碎区,一个在距离磨机入口2米处背向磨煤机;磨机振动信号分别选用PCB公司的608A11加速度传感器和PTR4000振动传感器,其响应频率范围分别为20Hz~10kHz和1kHz~50kHz,分别安装在磨机入口轴承和磨机1/2筒体上。配合高速数据采集卡PCI1714UL(研华模拟量输入卡,4通道,最大转换速率30MHz,12位AD),实时采集噪音传感器和振动传感器信号。
S2,如图4提取采集到的声音信号和振动信号的特征信息,具体过程如下:
S2.1,时频转换:将nos和zvib信号作为加性噪音分量,通过谱减算法对信号acoini和vibini进行信号处理,分别得到增强后的振声信号aco′和振动信号vib′,表示为:
其中,是FRFT在阶次α下的逆变换,|·|是在阶次α下FRFT的频谱幅值。然后将增强后的振声信号aco′和振动信号vib′分别通过FRFT将第i个时域信号转换到分数阶频域中,得到频率矩阵Si(α)。
S2.2,提取特征信息:计算Si(α)中第j个频率点与当前磨机负荷参数的互信息值MIij,并通过MIij≥λi选取少量的频率点得到特征频率集cfi,λi为第i个信号的阈值;阈值的确定是首先计算重心频率点的位置l,将该点的互信息值作为阈值λi,其中,λi=MIil,k=1,…,N,同时从Si(α)中提取多个统计特征组成统计特征集stati;这些统计特征分别是能量/>中心频率/>标准差/>均方根/>重心频率/>峰值与均方根的比值/>最后将cfi和stati合并,再运用KPCA进行特征提取,选取累计贡献度大于90%的主元个数作为特征信息,并分别得到磨机噪声Enos和磨机振动Evib。
S3,将Enos、Evib、Imil、Ipow、Pdif、Pneg、Tout和Tin作为输入,基于密度误差的最小二乘支持向量机(de-LSSVM)建立多个离线训练模型,得到各软测量模型对应的磨机负荷估计值如图5建立各个离线训练模型的步骤如下:
S3.1,假设初始样本集Xi、Yi分别是输入与输出;M为样本个数;首先基于S得到初始训练模型model0、第i个离线训练模型的估计值/>和初始性能指标mse0,并定义密度半径r;然后计算各个样本{xn,yn}处的密度信息/>和误差信息/>并得到密度误差信息P=Dn×en,{xm,ym}为第m个样本;/>为第n个样本的估计值;将最大的密度误差值对应的样本记作第d个,并将{xd,yd}加入支持向量集Ss;其次更新所有样本的密度信息/>并基于Ss得到训练模型,其性能指标为mses;重新计算密度误差信息,直到选出的支持向量集满足
S3.2,将Enos、Evib、Imil、Ipow、Pdif、Pneg、Tout和Tin两两分为5组,分别是Enos和Evib、Imil和Ipow、Pdif和Pneg、Tout和Tin,并作为输入通过密度误差的最小二乘支持向量机(de-LSSVM)建立离线训练模型,分别是model1,model2,model3,model4,model5。
S4,针对多个离线训练模型的在线估计结果,建立基于核递归最小二乘算法的在线模型,为了降低在线模型的复杂度,基于密度量化算法对每个离线训练模型的估计值进行在线辨识,并实现对当前在线模型的参数更新。建立基于核递归最小二乘算法的在线模型的方法为:
S4.1,假设当前基于核递归最小二乘算法的在线模型表示为其中,αj为第j次迭代中的权重参数;k(·,·)为核函数;x为输入样本;c(j)是词典中的第j个样本,q是词典中的样本个数,对每个词典中心分配一个容量参数θj,设定密度半径阈值为R,每个词典中心的最小容忍阈值为τ1,每个词典中心最大容量阈值为τ2,最大窗口个数m。
S4.2,对于新增样本x(i+1),找到距离其最近的词典中心cnearest
其中,jΔ为该词典中心的位置信息。
S4.3,若则更新容量参数和权重参数其中,αi+1(jΔ)是/>在第(i+1)次迭代中的权重系数,η是步长更新系数,不对当前在线模型的参数更新;e(i+1)为当前样本在模型下的估计误差;模型的预测输出即为最终磨机负荷参数/>
S4.4,若或者dis<x(i+1),cneartest>>R则更新词典中心并对当前在线模型进行参数更新。模型的预测输出即为最终磨机负荷参数/>C为词典中心样本集。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种基于复合软测量的火电厂磨机负荷预测方法,其特征在于,包括如下步骤:
S1,在特定周期内采集磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini、磨机电机电流Imil、排粉机电机电流Ipow、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和磨机入口温度Tin;
S2,基于分数阶傅立叶变换将采集到的磨机背景噪声信号nos、磨机振声信号acoini、磨机轴承振动信号zvib、磨机筒体振动信号vibini转换到频域中,并进行特征频段选取和特征信息提取,分别得到磨机噪音特征信息Enos和磨机振动特征信息Evib;
S3,将Enos、Evib、Imil、Ipow、Pdif、Pneg、Tout和Tin作为输入,并基于密度误差的最小二乘支持向量机建立多个离线训练模型,得到各软测量模型对应的磨机负荷估计值S3中建立多个离线训练模型的方法为:
S3.1,基于初始样本集S得到初始训练模型model0、第i个离线训练模型的估计值和初始性能指标mse0;计算第n个样本{xn,yn}处的密度信息Dn和误差信息en,分别为:
其中,{xm,ym}为第m个样本,r为密度半径,N为样本个数;为第n个样本的估计值;并得到密度误差值P=Dn×en;将最大的密度误差值对应的样本记作第d个,并将{xd,yd}加入支持向量集Ss;其次更新所有样本的密度信息:
基于Ss得到训练模型,其性能指标为mses;重新计算密度误差信息,直到选出的支持向量集满足即得到基于密度误差的最小二乘支持向量机模型(de-LSSVM)
S3.2,将Enos、Evib、Imil、Ipow、Pdif、Pneg、Tout和Tin两两分为5组,分别是Enos和Evib、Imil和Ipow、Pdif和Pneg、Tout和Tin,并作为输入通过密度误差的最小二乘支持向量机(de-LSSVM)建立离线训练模型,分别是model1,model2,model3,model4,model5;
S4,针对多个离线训练模型的在线估计结果,建立基于核递归最小二乘算法的在线模型;基于密度量化算法对每个离线训练模型的估计值进行在线辨识,并实现对当前在线模型的参数更新;S4中建立基于核递归最小二乘算法的在线模型的方法为:
S4.1,设当前基于核递归最小二乘算法的在线模型表示为其中,/>为第j次迭代中的权重参数;k(,)为核函数;x为输入样本;/>是词典中的第j个样本,q是词典中的样本个数,对每个词典中心分配一个容量参数/>设定密度半径阈值为R,每个词典中心的最小容忍阈值为τ1,每个词典中心最大容量阈值为τ2,最大窗口个数m;
S4.2,对于新增样本x(i+1),找到距离其最近的词典中心cnearest
其中,/>为该词典中心的位置信息;
S4.3,若则更新容量参数和权重参数/>其中,αi+1(jΔ)是/>在第(i+1)次迭代中的权重系数,η是步长更新系数,不对当前在线模型的参数更新;e(i+1)为当前样本在模型下的估计误差;模型的预测输出即为最终磨机负荷参数/>
S4.4,若则更新词典中心并对当前在线模型进行参数更新;模型的预测输出即为最终磨机负荷参数/>C为词典中心样本集。
2.根据权利要求1所述的一种基于复合软测量的火电厂磨机负荷预测方法,其特征在于,S2中得到磨机噪音特征信息Enos和磨机振动特征信息Evib的方法为:
S2.1,将nos和zvib信号作为加性噪音分量,通过谱减算法对信号acoini和vibini进行信号处理,分别得到增强后的振声信号aco′和振动信号vib′;通过分数阶傅里叶变换将第i个时域信号转换到分数阶频域中,得到频率矩阵Si(α);
S2.2,计算Si(α)中第j个频率点与当前磨机负荷参数的互信息值MIij,并基于互信息值MIij选取频率点得到特征频率集cfi;同时从Si(α)中提取多个统计特征组成统计特征集stati;将cfi和stati合并,再运用基于核函数的主成分分析法进行特征提取,选取累计贡献度大于90%的主元个数作为特征信息,并分别得到磨机噪声Enos和磨机振动Evib。
3.根据权利要求2所述的一种基于复合软测量的火电厂磨机负荷预测方法,其特征在于,根据MIij≥λi选取频率点得到特征频率集cfi,λi为第i个信号的阈值。
4.根据权利要求2所述的一种基于复合软测量的火电厂磨机负荷预测方法,其特征在于,Si(α)的统计特征包括能量、中心频率、标准差、均方根、重心频率和峰值与均方根的比值。
5.根据权利要求1-4中任意一项权利要求所述的一种基于复合软测量的火电厂磨机负荷预测方法,其特征在于,S1中采集磨机参数的周期为Round(·)为取整运算,T0为磨机筒体旋转一周所需时间。
6.根据权利要求5所述的一种基于复合软测量的火电厂磨机负荷预测方法,所述背景噪声信号采集是通过一个全向型麦克风在距离磨机入口2米处得到的;轴承振动信号是通过固定在磨机轴承上的振动传感器获得的;磨机筒体振动信号是通过磁座方式在磨机1/2处的振动传感器采集的筒体表面信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430065.XA CN113190983B (zh) | 2021-04-21 | 2021-04-21 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430065.XA CN113190983B (zh) | 2021-04-21 | 2021-04-21 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190983A CN113190983A (zh) | 2021-07-30 |
CN113190983B true CN113190983B (zh) | 2024-03-01 |
Family
ID=76977846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110430065.XA Active CN113190983B (zh) | 2021-04-21 | 2021-04-21 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190983B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006035302A (ja) * | 2004-07-30 | 2006-02-09 | Jfe Steel Kk | 連続圧延機の負荷配分制御方法および装置 |
JP2006055881A (ja) * | 2004-08-19 | 2006-03-02 | Kobe Steel Ltd | 圧延荷重の予測方法とそれを用いた圧延制御方法 |
CN101126680A (zh) * | 2007-09-11 | 2008-02-20 | 西安交通大学 | 一种火电厂球磨机负荷软测量方法 |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN103839106A (zh) * | 2014-02-19 | 2014-06-04 | 西安理工大学 | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 |
CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
CN105160421A (zh) * | 2015-08-10 | 2015-12-16 | 西安交通大学 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
CN105268536A (zh) * | 2015-11-03 | 2016-01-27 | 西安交通大学 | 一种自适应在线校正的火电厂球磨机负荷软测量方法 |
CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
CN106563537A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法 |
CN106568503A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
CN207780584U (zh) * | 2018-02-06 | 2018-08-28 | 苏州中材建设有限公司 | 球磨机节能控制系统 |
CN109013032A (zh) * | 2017-10-27 | 2018-12-18 | 江西理工大学 | 一种多源信号融合预测球磨机填充率、料球比的方法 |
CN109821619A (zh) * | 2019-03-11 | 2019-05-31 | 合肥水泥研究设计院有限公司 | 一种基于压电传感器和无线传输的球磨机负荷测量装置 |
CN110580378A (zh) * | 2019-08-08 | 2019-12-17 | 江西理工大学 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
CN111089740A (zh) * | 2019-11-25 | 2020-05-01 | 北京工业大学 | 基于多层相关性的多通道机械频谱子频段特征评估方法 |
CN112465239A (zh) * | 2020-12-03 | 2021-03-09 | 大唐环境产业集团股份有限公司 | 基于改进pso-fcm算法的脱硫系统运行优化方法 |
-
2021
- 2021-04-21 CN CN202110430065.XA patent/CN113190983B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006035302A (ja) * | 2004-07-30 | 2006-02-09 | Jfe Steel Kk | 連続圧延機の負荷配分制御方法および装置 |
JP2006055881A (ja) * | 2004-08-19 | 2006-03-02 | Kobe Steel Ltd | 圧延荷重の予測方法とそれを用いた圧延制御方法 |
CN101126680A (zh) * | 2007-09-11 | 2008-02-20 | 西安交通大学 | 一种火电厂球磨机负荷软测量方法 |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN103839106A (zh) * | 2014-02-19 | 2014-06-04 | 西安理工大学 | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 |
CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
CN105160421A (zh) * | 2015-08-10 | 2015-12-16 | 西安交通大学 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
CN105268536A (zh) * | 2015-11-03 | 2016-01-27 | 西安交通大学 | 一种自适应在线校正的火电厂球磨机负荷软测量方法 |
CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
CN106563537A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法 |
CN106568503A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
CN109013032A (zh) * | 2017-10-27 | 2018-12-18 | 江西理工大学 | 一种多源信号融合预测球磨机填充率、料球比的方法 |
CN207780584U (zh) * | 2018-02-06 | 2018-08-28 | 苏州中材建设有限公司 | 球磨机节能控制系统 |
CN109821619A (zh) * | 2019-03-11 | 2019-05-31 | 合肥水泥研究设计院有限公司 | 一种基于压电传感器和无线传输的球磨机负荷测量装置 |
CN110580378A (zh) * | 2019-08-08 | 2019-12-17 | 江西理工大学 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
CN111089740A (zh) * | 2019-11-25 | 2020-05-01 | 北京工业大学 | 基于多层相关性的多通道机械频谱子频段特征评估方法 |
CN112465239A (zh) * | 2020-12-03 | 2021-03-09 | 大唐环境产业集团股份有限公司 | 基于改进pso-fcm算法的脱硫系统运行优化方法 |
Non-Patent Citations (1)
Title |
---|
基于多源信号融合技术的球磨机负荷预测方法研究;卢小江;中国优秀硕士学位论文全文数据库(第01期);B021-436 * |
Also Published As
Publication number | Publication date |
---|---|
CN113190983A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Early fault detection of machine tools based on deep learning and dynamic identification | |
CN111222259B (zh) | 一种地铁车辆转向架多部件预防性维修决策优化模型 | |
CN103631681B (zh) | 一种在线修复风电场异常数据的方法 | |
Juuso et al. | Intelligent scaling of features in fault diagnosis | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN102768115A (zh) | 一种风电机组齿轮箱健康状态实时动态监控方法 | |
CN108345284B (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN101870076A (zh) | 一种基于性能退化模型的数控机床导轨副寿命预测方法 | |
Liang et al. | Data-driven anomaly diagnosis for machining processes | |
CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
CN101246369A (zh) | 一种汽车零部件尺寸质量控制系统和方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN114897028B (zh) | 数控加工表面粗糙度预测方法及装置 | |
CN109583075A (zh) | 基于温度参数预测的永磁直驱风力机服役质量评价方法 | |
CN113190983B (zh) | 一种基于复合软测量的火电厂磨机负荷预测方法 | |
CN104263960B (zh) | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 | |
CN114202141A (zh) | 一种基于边云协同的计量设备检定线运行状态评估方法 | |
Gu et al. | A fuzzy performance evaluation model for a gearbox system using hidden Markov model | |
CN116050644A (zh) | 一种基于灰色模型预测大坝变形极值的方法 | |
CN108759479B (zh) | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 | |
Cui et al. | A Novel Robust Dual Unscented Particle Filter Method for Remaining Useful Life Prediction of Rolling Bearings | |
CN105160421B (zh) | 一种基于周期滚动优化的火电厂磨机负荷预测方法 | |
CN112784744B (zh) | 一种具有缺失值的机械构件振动信号预处理方法 | |
Shi et al. | Wear identification of vibration drilling bit based on improved lmd and bp neural network | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 |
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 |