CN115212996A - 一种磨煤机故障诊断系统 - Google Patents
一种磨煤机故障诊断系统 Download PDFInfo
- Publication number
- CN115212996A CN115212996A CN202110407176.9A CN202110407176A CN115212996A CN 115212996 A CN115212996 A CN 115212996A CN 202110407176 A CN202110407176 A CN 202110407176A CN 115212996 A CN115212996 A CN 115212996A
- Authority
- CN
- China
- Prior art keywords
- coal mill
- fault diagnosis
- coal
- neural network
- model
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明提供了一种磨煤机故障诊断系统，采用深度神经网络的算法对磨煤机输入变量的历史数据进行计算，通过计算从而得到磨煤机故障诊断系统的模型；将所述输入变量的实时运行数据输入到所述模型中，模型输出输出变量的预测值，通过皮尔逊相关系数对所述输出变量的实时运行数据与预测值进行对比实现磨煤机系统的故障诊断和早期预警。本发明提供了一种磨煤机故障诊断系统，在生产实时控制层面，实现了磨煤机系统故障的自动识别，提高了磨煤机系统以及机组运行的安全性。本发明基于数据建立磨煤机系统模型并结合皮尔逊相关系数实现了磨煤机系统故障的准确识别，并能够实现早期识别，提高了故障诊断的精确度。
Description
技术领域
本发明涉及及人工智能的智能决策技术领域，特别涉及一种磨煤机故障诊断系统。
背景技术
目前，磨煤机系统是火电机组中重要的辅机设备之一，其运行的好坏直接关系到机组的安全稳定运行。当磨煤机系统出现故障时，将直接导致锅炉的燃料供给不足。锅炉给煤量得不到及时的补偿时，将直接导致机组快速甩负荷，严重时甚至导致MFT。
在故障诊断方法研究中，主要包含基于模型的故障诊断，基于信号的故障诊断和基于历史运行数据的故障诊断这三大类。
基于模型的故障诊断方法首先需建立系统的精准数学模型，通过模型参数的变化实现对系统的监测，因此所建立的模型是否准确将直接决定预警及诊断结果的可靠性。
基于信号的故障诊断方法通过对关键检测信号进行小波分析，通过对信号的频域和幅值相关性分析对机组是否具有潜在故障进行诊断，但其需安装大量的传感设备，实施和维护成本较高。
基于历史运行数据的故障诊断方法，通过分析机组正常运行数据与故障运行数据的差异，判断系统是否处于异常状态。基于历史运行数据的故障诊断方法需获取系统的大量典型故障历史数据样本，而在电厂的海量历史数据中寻找故障数据如同海底捞针，且故障数据非常有限，因此在实际中难以实施。
针对以上存在的问题，开发出一套有效的磨煤机故障诊断系统，将有助于火电机组更加安全可靠的运行。
发明内容
(一)解决的技术问题
本发明提供一种磨煤机故障诊断系统，用以解决磨煤机系统出现故障时，导致锅炉的燃料供给不足，锅炉给煤量不及时的补偿，导致机组快速甩负荷，严重时甚至导致MFT的技术问题。
(二)技术方案
本发明提供了一种磨煤机故障诊断系统，采用深度神经网络的算法对磨煤机输入变量的历史数据进行计算，通过计算从而得到磨煤机故障诊断系统的模型。
将所述输入变量的实时运行数据输入到所述模型中，所述模型输出输出变量的预测值。
所述的输入变量包括磨煤机给煤量、热风门开度、冷风门开度、磨煤机入口一次风温、磨煤机入口一次风压、磨煤机入口混合风量。
所述输出变量包括磨煤机电流、磨煤机进出口差压、磨煤机出口风粉混合物温度、磨煤机一次风速。
进一步的，所述输入变量的历史数据，为能够覆盖磨煤机系统全工况运行范围内的时间段对所述输入变量历史数据进行采集。
进一步的，所述深度神经网络是一个包含多个隐层，结构深度多层化的多层感知机，所述多个隐层的每层含有若干个节点的深度神经结构。
进一步的，所述深度神经网络采用层级的结构，每层之间相互连接，包括输入层、隐藏层和输出层。
进一步的，所述入层、隐藏层和输出层的相邻层的节点往往采用全连接的方式，构造稀疏深度神经网络。
进一步的，所述隐藏层的节点激活值是由前一层神经网络的激活值和当前层神经网络权重的线性加权求和，并加上偏置后，最终通过非线性的激活函数激活得到。
进一步的，还包括通过皮尔逊相关系数对所述输出变量的实时运行数据与预测值进行对比。
进一步的，所述皮尔逊相关系数能表示更加复杂而有效的数据信息，能判断两个向量或者两个数组的相似度。
(三)有益效果
(1)本发明提供了一种磨煤机故障诊断系统，在生产实时控制层面，实现了磨煤机系统故障的自动识别，提高了磨煤机系统以及机组运行的安全性。
(2)本发明提供了一种磨煤机故障诊断系统，基于数据建立磨煤机系统模型并结合皮尔逊相关系数实现了磨煤机系统故障的准确识别，并能够实现早期识别，提高了故障诊断的精确度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明的磨煤机故障诊断系统的流程框架示意图。
图2为本发明的磨煤机故障诊断系统运行流程示意图。
图3为本发明的磨煤机故障诊断系统的的深度神经网络的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1-3，本发明提供了一种磨煤机故障诊断系统，一种磨煤机故障诊断系统，其特征在于，采用深度神经网络的算法对磨煤机输入变量的历史数据进行计算，通过计算从而得到磨煤机故障诊断系统的模型；
将所述输入变量的实时运行数据输入到所述模型中，所述模型输出输出变量的预测值。
所述的输入变量包括磨煤机给煤量、热风门开度、冷风门开度、磨煤机入口一次风温、磨煤机入口一次风压、磨煤机入口混合风量等。
所述输出变量包括磨煤机电流、磨煤机进出口差压、磨煤机出口风粉混合物温度、磨煤机一次风速等。
DCS是分布式控制系统，在国内自控行业又称之为集散控制系统。
它是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统，综合了计算机、通讯、显示和控制等4C技术，其基本思想是分散控制、集中操作、分级管理、配置灵活、组态方便。
上述技术方案的有益效果为：
(1)在生产实时控制层面，实现了磨煤机系统故障的自动识别，提高了磨煤机系统以及机组运行的安全性。
(2)基于数据建立磨煤机系统模型并结合皮尔逊相关系数实现了磨煤机系统故障的准确识别，并能够实现早期识别，提高了故障诊断的精确度。
在一个实施例中，所述输入变量的历史数据，为能够覆盖磨煤机系统全工况运行范围内的时间段对所述输入变量历史数据进行采集。
保证数据的遍历性；并对采集的历史数据进行预处理，保证数据的可靠性。
在一个实施例中，如图2-3，所述深度神经网络是一个包含多个隐层，结构深度多层化的多层感知机，所述多个隐层的每层含有若干个节点的深度神经结构。
在一个实施例中，如图3，所述深度神经网络采用层级的结构，每层之间相互连接，包括输入层、隐藏层和输出层。
图3为一个包含五个隐层的，每层含有若干个节点的深度神经结构示意图。深度神经网络采用层级的结构，每层之间相互连接，包括输入层、隐藏层和输出层。
在一个实施例中，如图3，相邻层的节点往往采用全连接的方式，因为全连接的深度神经网络往往会出现过拟合的情况。一般会构造稀疏深度神经网络，以降低过拟合度，断开某些层之间点与点的连接。
在一个实施例中，如图3，隐藏层的节点激活值是由前一层神经网络的激活值和当前层神经网络权重的线性加权求和，并加上偏置后，最终通过非线性的激活函数激活得到。
在一个实施例中，如图1，还包括通过皮尔逊相关系数对所述输出变量的实时运行数据与预测值进行对比。在生产实时控制层面，实现了磨煤机系统故障的自动识别，提高了磨煤机系统以及机组运行的安全性。
基于数据建立磨煤机系统模型并结合皮尔逊相关系数实现了磨煤机系统故障的准确识别，并能够实现早期识别，提高了故障诊断的精确度。
在一个实施例中，所述皮尔逊相关系数能表示更加复杂而有效的数据信息，能判断两个向量或者两个数组的相似度。
皮尔逊相关系数能表示更加复杂而有效的数据信息，能判断两个向量或者两个数组相似度。在数据不是很规范的时候，会倾向于给出更好的结果。对于本研究的研究对象，有了建模所得的数据变化趋势，相比仅仅选取单个参数点作为故障样本，模型预测结果的精确度会有较大的提高。由于模型预测的结果不可能与现场数据完全符合，在数据有一定差别但整体趋势相似的时候，能够给出相对高的概率输出结果，作为故障发生的支持判据。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种磨煤机故障诊断系统，其特征在于，包括模型，所述模型采用深度神经网络的算法对磨煤机输入变量的历史数据进行计算，通过计算从而得到磨煤机故障诊断系统的模型；
将所述输入变量的实时运行数据输入到所述模型中，所述模型输出输出变量的预测值。
2.根据权利要求1所述的一种磨煤机故障诊断系统，其特征在于，所述的输入变量包括磨煤机给煤量、热风门开度、冷风门开度、磨煤机入口一次风温、磨煤机入口一次风压、磨煤机入口混合风量。
3.根据权利要求1所述的一种磨煤机故障诊断系统，其特征在于，所述输出变量包括磨煤机电流、磨煤机进出口差压、磨煤机出口风粉混合物温度、磨煤机一次风速。
4.根据权利要求1所述的一种磨煤机故障诊断系统，其特征在于，所述输入变量的历史数据，为能够覆盖磨煤机系统全工况运行范围内的时间段对所述输入变量历史数据进行采集。
5.根据权利要求1-4任一项所述的一种磨煤机故障诊断系统，其特征在于，所述深度神经网络是一个包含多个隐层，结构深度多层化的多层感知机，所述多个隐层的每层含有若干个节点的深度神经结构。
6.根据权利要求5所述的一种磨煤机故障诊断系统，其特征在于，所述深度神经网络采用层级的结构。
7.根据权利要求4所述的一种磨煤机故障诊断系统，其特征在于，深度神经网络的每一层级之间相互连接，包括输入层、隐藏层和输出层。
8.根据权利要求7所述的一种磨煤机故障诊断系统，其特征在于，所述输入层、隐藏层和输出层的相邻层的节点往往采用全连接的方式，构造稀疏深度神经网络。
9.根据权利要求8所述的一种磨煤机故障诊断系统，其特征在于，所述隐藏层的节点激活值是由前一层神经网络的激活值和当前层神经网络权重的线性加权求和，并加上偏置后，最终通过非线性的激活函数激活得到。
10.根据权利要求9所述的一种磨煤机故障诊断系统，其特征在于，所述皮尔逊相关系数用于判断两个向量或者两个数组的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407176.9A CN115212996A (zh) | 2021-04-15 | 2021-04-15 | 一种磨煤机故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407176.9A CN115212996A (zh) | 2021-04-15 | 2021-04-15 | 一种磨煤机故障诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115212996A true CN115212996A (zh) | 2022-10-21 |
Family
ID=83604137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110407176.9A Pending CN115212996A (zh) | 2021-04-15 | 2021-04-15 | 一种磨煤机故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115212996A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116679669A (zh) * | 2023-06-07 | 2023-09-01 | 矿冶科技集团有限公司 | 一种筛分系统故障诊断方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106124373A (zh) * | 2016-06-17 | 2016-11-16 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种煤粉浓度的测量方法 |
| CN110208696A (zh) * | 2019-06-25 | 2019-09-06 | 华北电力大学 | 基于模型自弈和典型样本的磨煤机故障诊断方法 |
| CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
| CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
-
2021
- 2021-04-15 CN CN202110407176.9A patent/CN115212996A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106124373A (zh) * | 2016-06-17 | 2016-11-16 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种煤粉浓度的测量方法 |
| CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
| CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
| CN110208696A (zh) * | 2019-06-25 | 2019-09-06 | 华北电力大学 | 基于模型自弈和典型样本的磨煤机故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116679669A (zh) * | 2023-06-07 | 2023-09-01 | 矿冶科技集团有限公司 | 一种筛分系统故障诊断方法及系统 |
| CN116679669B (zh) * | 2023-06-07 | 2024-03-26 | 矿冶科技集团有限公司 | 一种筛分系统故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
| CN100444070C (zh) | 故障诊断与事故预报的设置方法 | |
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| Mounce et al. | Pattern matching and associative artificial neural networks for water distribution system time series data analysis | |
| CN108376298A (zh) | 一种风电机组发电机温度故障预警诊断方法 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
| CN107016507A (zh) | 基于数据挖掘技术的电网故障追踪方法 | |
| CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估系统与运行方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CA2695450A1 (en) | Fuzzy classification approach to fault pattern matching | |
| CN101025618A (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
| CN111651933B (zh) | 基于统计推断的工业锅炉故障预警方法及系统 | |
| CN111161095B (zh) | 一种检测建筑能源异常消耗的方法 | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
| Koppen-Seliger et al. | Fuzzy logic and neural networks in fault detection | |
| CN110009126A (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
| CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
| Di Maio et al. | Transient identification by clustering based on Integrated Deterministic and Probabilistic Safety Analysis outcomes | |
| CN115212996A (zh) | 一种磨煤机故障诊断系统 | |
| CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
| Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
| Molina et al. | Hydroelectric power plant management relying on neural networks and expert system integration |
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 |