CN115310216A - 一种基于优化XGBoost的磨煤机故障预警方法 - Google Patents

Abstract

本发明公开了一种基于优化XGBoost的磨煤机故障预警方法，其包括：从SIS数据库提取研磨机的原始数据，对原始数据进行预处理，剔除异常数据，确定正常运行工况下的参数数值；利用PCA对数据进行特征提取，并剔除边缘数据；采用XGBoost方法构造磨煤机故障预测模型，采用贝叶斯优化方法，实现XGBoost超参数的优化；设定故障阈值，采用滑动窗口法进行故障预警。既可以降低数据维度也能达到变量筛选的要求，可以有效提高磨煤机预测模型的训练速度，并降低它的数据和模型的复杂程度，对磨煤机故障预测有较高的准确性和灵敏度，能有效完善火电厂设备检修体系，能有效提高电厂的经济效益和安全效益。

Description

一种基于优化XGBoost的磨煤机故障预警方法

技术领域

本发明涉及燃煤电站磨机故障预警的技术领域，尤其涉及一种基于优化XGBoost的磨煤机故障预警方法。

背景技术

能源是一个国家的命脉、与国家发展水平、人民生活质量息息相关。到2022年我国煤炭消费总量一直在稳步提升。为了解决日益增长的用电量和用电需求，我国发电机组数量不断增加。为了适应国内经济快速发展的需要，发电机组数量和功率不断增加。伴随着发电机组数的不断增加，发电机组的安全性和稳定性成了人们迫切需要实现的目标。

随着现代工业技术的飞速发展，火电装备正朝着规模化、集成化、自动化方向发展。火电机组的辅机设备有很多，例如给水泵、引风机、送风机、磨煤机、汽轮机等，但毫无疑问磨煤机是火电站锅炉制粉系统的核心设备，其运行状况直接影响到锅炉的效率和电厂的发电量。火电机组的停机时间对火电厂的整体性能和可靠性有很大影响。如果没有煤粉进行燃烧，将会使装置的负载下降，甚至停机。当电厂生产的功率达不到电网的要求时，会损害电厂的经济，并对电网信誉造成损失。磨煤机的运行环境比较恶劣，这会导致它经常出现断煤、堵煤、爆燃等故障，然而磨煤机一旦发生故障，就会对电厂造成巨大的经济损失。目前，电厂在保证机组的稳定性与经济性方面仍以计划检修为主。然而，传统的检修方式难以达到对磨煤机全面的监控和及时的故障预警，不能达到现代电力发展要求。过高的运行负荷和故障率，让磨煤机的故障检修与预测成为人们关注的焦点。

因此，磨煤机在火电厂中占有极高的地位，是非常重要的辅机，相比于给水泵、引风机等其它的辅机，磨煤机的运行状况更为恶劣，而且经常会发生高负荷运行，停机时间相比于其他的辅机也更长。它能直接影响到电厂的经济效益和安全效益，为了有效解决这些问题，所以对磨煤机的故障预警就显得至关重要。而现在关于磨煤机的预警和检修技术，是不高效的，因此有必要进行进一步研究之类的。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有基于优化XGBoost的磨煤机故障预警方法存在的问题，提出了本发明。

因此，本发明目的是提供一种基于优化XGBoost的磨煤机故障预警方法。

为解决上述技术问题，本发明提供如下技术方案：从SIS数据库提取研磨机的原始数据，对原始数据进行预处理，剔除异常数据，确定正常运行工况下的参数数值；

利用PCA对数据进行特征提取，并剔除边缘数据；

采用XGBoost方法构造磨煤机故障预测模型，采用贝叶斯优化方法，实现XGBoost超参数的优化；

设定故障阈值，采用滑动窗口法进行故障预警。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：提取磨煤机一个月的多个测点的原始数据，对所述原始数据进行预处理，利用3σ准则和平均值方法剔除多余的、异常的数据，对剔除异常数据后的参数数据进行求方差、均值，计算出磨煤机历史运行的数据正常值，确定所述参数的故障数据。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：所述参数包括一次风量、一次风温、一次风压、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、磨碗差压等。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：对磨煤机的所述故障数据进行故障特征提取，即PCA故障特征提取，以降到所需的维度，即降到所输出的参数种类。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：所述PCA故障特征提取步骤包括：

设数据集X＝[x₁，x₂，…，x_n]共有n组数据，每组数据有m个特征；

A1：对数据进行标准化处理；

A2：通过把标准化数据矩阵L得到协方差矩阵V；

A3：计算协方差矩阵V的特征值和特征向量；

A4：求主成分的叠加贡献率。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：对数据进行标准化处理包括对经过剔除异常值等操作后的SIS数据库中的数据进行标准化处理，即:

式中，

为每列特征平均值；σ(X_j)为标准差；i＝1,2，…，n；j＝1，2，…，l，X_ij表示第i列第j行的值。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：通过标准化数据矩阵L来得到协方差矩阵V包括：

通过下面公式计算来得到矩阵V：

式中，Z_k是标准化矩阵L的相关系数矩阵，k和c分别表示矩阵所在的列数，即L_c表示矩阵第C列的元素，然后L_kc＝L_ck，且矩阵V是半正定矩阵和对称矩阵，计算得到矩阵V；

计算协方差矩阵V的特征值和特征向量包括计算协方差矩阵V的特征值(λ₁，λ₂，…，λ_l)和特征向量α_i＝(α_i1，α_i2，…，α_il)，i＝1，2，…，l；

采用线性代数的方法求解特征多项式|λI-V|＝0，得到矩阵V的特征向量，而矩阵的V的特征值为变换后的对角矩阵的元素；

求前s个主成分的叠加贡献率包括:

式中：s(s<k)表示前s个主成分变量，λ_i指的是特征值。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：设定XGBoost的函数为

式中，

代表损失函数，表示真实值与预测值的差距，

代表正则化项，是控制树的复杂度；其中yⁱ为真实值，k表示第k个树的复杂度，

为预测输出。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：所述贝叶斯优化算法的超参数寻优流程包括：

B1：先预设算法超参数范围，观察XGBoost对磨煤机的预警效果；

B2：利用贝叶斯算法对XGBoost算法和初始学习率进行优化；

B3：将随机产生的优点和上一轮的最大值进行高斯过程回归；

B4：求解计算，选出超参数值，将超参数值代入到XGBoost算法中，计算磨煤机故障预测精度；

B5：如达到要求，则结束循环，输出最优解，否则回到步骤B3。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：设定故障阈值，采用滑动窗口法对其进行预警。

作为本发明所述基于优化XGBoost的磨煤机故障预警方法的一种优选方案，其中：所述电厂磨煤机故障预警阈值如下：

E_y＝±kE_v

式中，k为人为指定的系数，E_v为最大残差，E_y为预警阈值，当kE_v＞E_y时，预警模型会报警。

本发明的有益效果：利用Bayesian(贝叶斯)优化方法，对该模型的超参数进行了优化，而XGBoost算法在GBDT上得到了改善，在处理海量数据方面具有很大的优越性，采用Bayesian优化方法对XGBoost超参数进行了优化，可以有效地改善模型的训练速度和预警速度；本发明采用PCA算法对磨煤机的历史数据进行处理，将磨煤机的高维数据降低，PCA既可以降低数据维度也能达到变量筛选的要求，相比于传统的基于人工经验筛选变量方法，PCA可以有效提高磨煤机预测模型的训练速度，并降低它的数据和模型的复杂程度；本发明采用的优化模型，对磨煤机故障预测有较高的准确性和灵敏度，能有效完善火电厂设备检修体系，能有效提高电厂的经济效益和安全效益。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明基于优化XGBoost的磨煤机故障预警方法的流程图。

图2为采集样本点的残差波动图。

图3为磨煤机主电动机轴承温度三种结果对比图。

图4为磨煤机不同参数的真实值与预测值。

图5为相对误差波动图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

实施例1

参照图1，为本发明基于优化XGBoost的磨煤机故障预警方法的流程图，一种基于优化XGBoost的磨煤机故障预警方法包括：

S1：从SIS数据库提取研磨机的原始数据，对原始数据进行预处理，剔除异常数据，确定正常运行工况下的参数数值。需要说明的是：

提取关于磨煤机一个月的多个测点的原始数据，表1为磨煤机的历史数据；

表1

对数据进行预处理，采用3σ准则和平均值方法剔除多余的、异常的数据，对预处理之后的数据进行求协方差和均值；提取自己所需要的参数，所需要的参数有20个，提取的方法为删掉不需要的测点数据，确定正常运行工况下的参数数值。

其中，20个参数为磨煤机的常用测点参数，一次风量、一次风温、一次风压、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、磨碗差压等，表1中的几个参数为经过选取后的与磨煤机故障直接相关的几个重要参数。

S2：对磨煤机的故障数据进行故障特征提取，并剔除边缘数据。需要注意的是：

PCA故障特征提取步骤如下：

设数据集X＝[x₁，x₂，…，x_n]共有n组数据，每组数据有m个特征；

A1：对数据进行标准化处理，即:

式中:

为每列特征平均值；σ(X_j)为标准差；i＝1,2，…，n；j＝1，2，…，l。X_ij表示第i列第j行的值；

A2：通过标准化数据矩阵L来得到协方差矩阵V：

通过下面公式计算来得到矩阵V：

式中：k和c分别表示矩阵所在的列数，且矩阵V是半正定矩阵和对称矩阵，计算得到矩阵V；

A3：计算协方差矩阵V的特征值(λ₁，λ₂，…，λ_l)和特征向量α_i＝(α_i1，α_i2，…，α_il)，i＝1，2，…，l；

通过公式|λI-V|＝0,经过一系列正交相似变换得到矩阵V的特征向量，而矩阵的V的特征值为变换后的对角矩阵的元素；

A4：求前s个主成分的叠加贡献率:

式中：s(s<k)表示前s个主成分变量，λ_i指的是特征值；

当叠加的贡献率越多，其含有的原始信息也越复杂，叠加贡献率φ(s)≥92％时，可以提取前s个特征向量作为样本特征。

其中：当叠加贡献率)>90％，就可认为在这之前的主元代表了原始数据的信息，参考表2，为PCA贡献率，第四个主元时的累计贡献率为91.14％，还没达到92％，文中采用92％的标准可以更为严格的筛选变量，同时也是为了多获取主元个数。

PCA贡献率

表2

最终选择的参数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，选择如表3中的磨煤机运行参数进行建模，其采样时间为5min；

表3磨煤机故障预警系统选取的运行参数

在确定了运行参数后，选择了磨煤机局部的正常历史数据，进行建模，并选择了磨煤机断煤故障状态的数据，通过预测某一个测点来计算它的均根误差和平均误差以验证该模型的准确性和灵敏度。

S3：采用XGBoost方法构造磨煤机故障预测模型，采用贝叶斯优化方法，实现XGBoost超参数的优化。需要说明的是：

对表1里的历史数据进行填补缺值、异常数据筛选后，将其输入XGBoost模型进行计算。

其中：XGBoost算法的核心理念是通过特征分割产生一棵树(即通过顺序的将一个维度的特征值映射到另一个维度，得到一个全新的正交特征维度，新坐标系第一轴是数据中方差最大方向的，第二轴是数据中方差第二大方向的，依次类推。)，并持续增加树，每一次棵树，其实质上是对上次预测的残差(输入的观测值与输出的估计值的差值)进行拟合，从而获得一种新的函数。这种方法是一种新型的算法，是由GBDT算法改进而来(传统GBDT在优化时只用到一阶导数信息，XGBoost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数,XGBoost在代价函数里加入了正则项，用于控制模型的复杂度，来防止过拟合，而GBDT是没有的)，它能够像电脑的CPU一样进行多线程的并行计算，其准确率和精度有一点的保证。

相比于传统算法GBDT，它只是一阶导数,而新的算法XGBoost，它的损失函数为二阶泰勒公式；它的功能主要是避免过度拟合,并解决最优解决方案。

具体步骤如下：

B1:对磨煤机的历史数据集合矩阵X_m×n进行了PCA降维和降噪后，所得到的信号满足XGBoot建模需求；利用这些高质量、低纬度数据构建矩阵D；

式中：x_n(t)是特征x_n,在时间t的测量值。

B2：目标函数定义如下：

式中，第一部分代表损失函数，可描述预测值和真实值的误差，第二部分表示正则项，有效控制模型构建树结构的复杂度，防止过拟合；其中y_i为真实值，k表示第k个树的复杂度，Y_i ^(t-1)+f_t(x_i)为预测输出，γ和λ表示加权因子，T为叶子节点个数，ω表示叶子节点权重。

B3：利用XGBoot对目标函数进行优化，对上式目标函数进行二阶泰勒展开式展开：

可以将目标函数改写成关于叶子结点分数ω的一个一元二次函数，并令结果为0，可得到：

将上式带入到目标函数的泰勒展开式中，可得到：

式中：obj为迭代结果值，T是叶子节点数量，λ是权重惩罚正则项，G_i表示叶子节点j所包含样本一阶偏导数累加之和(常量)，H_i表示叶子节点j所包含样本二阶偏导数累加之和(常量)，Ω(f_k)表示树的复杂度，f_i(x_i)表示第i棵树，ω_j ²为叶子节点的范数。

B4：设定XGBoost算法超参数范围，其优化参数公式：

式中：x表示d维决策向量,X表示决策空间,f(x)表示目标函数。

B5：贝叶斯优化算法的超参数寻优流程如下；

1、先预设算法超参数范围，观察XGBoost对磨煤机的预警效果；

2、利用贝叶斯算法对XGBoost算法和初始学习率进行优化；

其中，贝叶斯优化算法用于调参，搜寻函数全局极值的方法，通过不断地迭代，来找到一个可以接受的超参数值；

3、将随机产生的优点和上一轮的最大值进行高斯过程回归；

4、求解计算，将参数(优化的所有XGBoost的超参数)代入到XGBoost算法中，计算磨煤机故障预测精度；

其中，使用贝叶斯优化算法进行XGB参数的寻优，再将这些参数代入到XGB算法中，来进行磨煤机故障预警。

5、如达到规定的预测精度，则结束循环，输出最优解，否则回到步骤3；

6、贝叶斯优化算法的超参数优化公式如下：

式中：x表示d维决策向量,X表示决策空间,f(x)表示目标函数。

表4是步骤3建模后确定的超参数值。

表4为超参数调优结果

模型参数	超参数取值
		Leraning_rate	0.1
Max_depth	7
		subscample	0.8
Colsample-bytree	0.76
		gamma	5

S4：采用滑动窗口法对磨煤机进行故障预警，确定磨煤机的警阈值。需要说明的是：

假设某段时间内，XGBoost预警模型的残差序列如下：

A＝[a₁a₂…a_n…]

a_i表示某一时刻的残差值，对该残差序列取一滑动窗口，N是人为设置的窗口宽度(根据现场经验取值)，可以得到窗口内连续N个残差的均值为：

则电厂磨煤机故障预警阈值如下：

E_y＝±kE_v

其中，式中的k需要人为指定，它会影响到残差序列的准确性，进而直接影响到磨煤机故障预警模型的准确性和灵敏度；根据文献一半取k＞1，此处我们取k为1.1，过大和过小都会影响该模型；如果k取值过大，则会降低预测模型的灵敏度；反之，k取值过小会影响预测模型的准确性，使它不能够发现磨煤机的故障，而及时报警。

表6为历史数据运行的最大残差E_v和预警阈值E_y，当1.1E_v＞E_y时，预警模型会报警。

变量名称	E<sub>v</sub>	E<sub>y</sub>
			磨煤机电流	6.743	±8.769
磨煤机出口温度	3.254	±5.012
			一次风温度	2.156	±4.269
冷风门开度	5.556	±6.678

表6

如图2，为采集样本点的残差波动，若磨煤机运行时的滑动残差(将某一段时间的输入的观测值与输出的估计值的残差)保持在阈值以内，则设备状态正常；若磨煤机出现故障,则滑动残差可以捕捉到参数的波动，如果故障没有被修复，则滑动残差曲线的绝对值会越来越大，直到超过故障预警阈值，发生报警；若电厂的维修人员对磨煤机的故障进行修复，如果磨煤机发生的故障基本解决，则滑动残差的绝对值会迅速减小到安全阈值内，结束报警。

实施例2

参照图3到图5，为了验证本方法相对于传统方法具有较高的准确性和灵敏度，能及早地发现磨煤机故障，本实施列中将采用传统XGBoost方法和本方法分别对磨煤机主电动机轴承温度进行预测，与真实值进行对比，使用的是上海某电厂的数据，并在Matlab软件下进行仿真实验。

采用XGBoost与优化后的XGBoost方法分别对磨煤机主电机轴承温度进行预测，结果如图3所示，我们对磨煤机主电动机轴承温度进行预测，实线为真实值，点为XGBoost预测值，点画线为优化后的XGBoost的值；然后采用采用表5中的均方根误差和平均绝对误差作为评价XGBoost优化前后模型对磨煤机主电动机轴承温度预测指标。

表5模型预测指标评价

模型	均方根误差	平均绝对误差
			优化XGBoost	0.378	0.234
XGBoost	0.502	0.387

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2022年2月3日14点30分至2022年3月3日8点30分每隔5分钟取的数据点作为验证集，磨煤机不同参数的真实值与预测值如图4所示，相对误差如图5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。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于优化XGBoost的磨煤机故障预警方法，其特征在于：包括，

从SIS数据库提取研磨机的原始数据，对原始数据进行预处理，剔除异常数据，确定正常运行工况下的参数数值；

利用PCA对数据进行特征提取，并剔除边缘数据；

采用XGBoost方法构造磨煤机故障预测模型，采用贝叶斯优化方法，实现XGBoost超参数的优化；

设定故障阈值，采用滑动窗口法进行故障预警。

2.如权利要求1所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：提取磨煤机一个月的多个测点的原始数据，对所述原始数据进行预处理，利用3σ准则和平均值方法剔除多余的、异常的数据，对剔除异常数据后的参数数据进行求方差、均值，计算出磨煤机历史运行的数据正常值，确定所述参数的故障数据。

3.如权利要求2所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：所述参数包括一次风量、一次风温、一次风压、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、磨碗差压等。

4.如权利要求2所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：对磨煤机的所述故障数据进行故障特征提取，即PCA故障特征提取，以降到所需的维度，即降到所输出的参数种类。

5.如权利要求4所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：所述PCA故障特征提取步骤包括：

设数据集X＝[x₁，x₂，…，x_n]共有n组数据，每组数据有m个特征；

A1：对数据进行标准化处理；

A2：通过把标准化数据矩阵L得到协方差矩阵V；

A3：计算协方差矩阵V的特征值和特征向量；

A4：求主成分的叠加贡献率。

6.如权利要求5所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：对数据进行标准化处理包括对经过剔除异常值等操作后的SIS数据库中的数据进行标准化处理，即:

式中，

为每列特征平均值；σ(X_j)为标准差；i＝1,2，…，n；j＝1，2，…，l，X_ij表示第i列第j行的值。

7.如权利要求6所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：通过标准化数据矩阵L来得到协方差矩阵V包括：

通过下面公式计算来得到矩阵V：

式中，Z_k是标准化矩阵L的相关系数矩阵，k和c分别表示矩阵所在的列数，即L_c表示矩阵第C列的元素，然后L_kc＝L_ck，且矩阵V是半正定矩阵和对称矩阵，计算得到矩阵V；

计算协方差矩阵V的特征值和特征向量包括计算协方差矩阵V的特征值(λ₁，λ₂，…，λ_l)和特征向量α_i＝(α_i1，α_i2，…，α_il)，i＝1，2，…，l；

采用线性代数的方法求解特征多项式|λI-V|＝0，得到矩阵V的特征向量，而矩阵的V的特征值为变换后的对角矩阵的元素；

求前s个主成分的叠加贡献率包括:

式中：s(s<k)表示前s个主成分变量，λ_i指的是特征值。

8.如权利要求1所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：所述贝叶斯优化算法的超参数寻优流程包括：

B1：先预设算法超参数范围，观察XGBoost对磨煤机的预警效果；

B2：利用贝叶斯算法对XGBoost算法和初始学习率进行优化；

B3：将随机产生的优点和上一轮的最大值进行高斯过程回归；

B4：求解计算，选出超参数值，将超参数值代入到XGBoost算法中，计算磨煤机故障预测精度；

B5：如达到要求，则结束循环，输出最优解，否则回到步骤B3。

9.如权利要求1所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：设定故障阈值，采用滑动窗口法对其进行预警。

10.如权利要求9所述的基于优化XGBoost的磨煤机故障预警方法，其特征在于：所述电厂磨煤机故障预警阈值如下：

E_y＝±kE_v

式中，k为人为指定的系数，E_v为最大残差，E_y为预警阈值，当kE_v＞E_y时，预警模型会报警。

Images