CN115496188A - 一种基于深度学习卷积神经网络的磨煤机故障预警方法 - Google Patents
一种基于深度学习卷积神经网络的磨煤机故障预警方法 Download PDFInfo
- Publication number
- CN115496188A CN115496188A CN202211250351.9A CN202211250351A CN115496188A CN 115496188 A CN115496188 A CN 115496188A CN 202211250351 A CN202211250351 A CN 202211250351A CN 115496188 A CN115496188 A CN 115496188A
- Authority
- CN
- China
- Prior art keywords
- early warning
- lstm
- cnn
- coal mill
- fault early
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 title claims description 33
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000036541 health Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于磨煤机状态监测与故障预警技术领域的一种基于深度学习卷积神经网络磨煤机故障预警方法，通过获取磨煤机历史正常工作状态的测点参数数据、选取与磨煤机堵煤故障相关测点参数数据作为输入变量，建立CNN‑LSTM‑Attention故障预警模型，并进行在线训练；获取CNN‑LSTM‑Attention故障预警模型所得到的预测值ym与实际值y之间的残差序列，通过滑动窗口法处理得到平均偏离度序列；采用核密度估计法计算平均偏离度序列的概率密度函数。本发明通过对历史数据进行建模，用算法挖掘出磨煤机设备在正常运行时的规律，避免各指标间的相互影响，结果相对从而实现对磨煤机的故障预警。
Description
技术领域
本发明属于磨煤机状态监测与故障预警技术领域，特别涉及一种基于深度学习卷积神经网络的磨煤机故障预警方法。
背景技术
我国电力行业正逐渐向安全高效、清洁低碳、灵活智能的现代电力工业体系转型发展，促进清洁能源的开发利用和化石能源的清洁化利用己成为能源电力转型发展的必然趋势。“十三五”以来，我国电力结构持续优化，非化石能源发电装机量快速提升。随着新能源发电机组大规模并入电网系统，由于新能源发电的间歇性及波动性，迫使燃煤火电机组频繁地工作在各种工况条件下，机组设备也随之频繁地变负荷，从而使得机组设备更容易发生故障。与此同时，燃煤火电机组也在积极推进节能减排工作，对烟气排放要求更加严格，迫使相关设备长期大功率运行，从而对火电机组及设备的安全可靠运行提出了更高的要求和挑战。然而，燃煤火电机组辅机设备众多、系统运行复杂，一旦发生重大故障，不仅会造成机组停运，还会影响电网的稳定性。因此，开展机组运行状态监测与故障预警的研究工作具有显著的现实意义。
现有技术中的方法是电力专家根据实际的应用场景，根据磨煤机运行的历史数据结合自身多年的电厂实践经验和专业知识，分析出设备的每个指标的正常的阈值范围，进而通过设置系统的正常阈值来进行故障预测。但是该方法存在明显的缺点，就是需要工作人员有深厚的专业知识和大量的实际经验，且对电厂内各个系统设备的运行状况都有深入的了解。而电厂的发电过程通常是复杂的、不确定的，单纯依靠人的经验是无法精确判定设备运行状况以防止故障发生的。即使是经验丰富的专家也不可能完全解决电厂运行的所有问题。另一方面，设置阈值的方法忽略了指标之间的相关性，通常一个指标的异常并不一定能影响设备的运行，多个指标同时作用往往才会导致故障的发生，所以对于这种具有许多个指标的设备，只依靠专家的经验很难得到一个最优的故障预测结果。
发明内容
发明的目的是提供一种基于深度学习卷积神经网络的磨煤机故障预警方法，其特征在于，包括以下步骤：
步骤1，获取磨煤机历史正常工作状态的测点参数数据，构成训练数据集；
步骤2，选取与所述磨煤机堵煤故障相关的几个测点参数数据，作为建模变量；
步骤3，对历史数据集进行数据预处理；
步骤4，以故障相关的测点参数作为输入变量，建立CNN-LSTM-Attention网络模型，并进行在线训练；
步骤5，获取所述CNN-LSTM-Attention网络模型所得到的预测值ym与实际值y之间的偏离度序列error＝y-ym，并通过滑动窗口法处理该序列；
步骤6，采用核密度估计法计算偏离度序列的概率密度函数，并通过计算逆累积积分函数，得到置信区间α，从而得到故障预警阈值；
所述步骤1从火电厂DCS系统取得磨煤机正常工作时的测点参数数据集包括磨煤机一段正常运行时间内所有参数的动态变化情况，该参数数据集的长度至少为1周内的运行数据，该运行数据间隔至多为1min。
所述步骤2中的建模变量包括：磨煤机电流、瞬时给煤量、磨煤机出口风粉混合物压力、磨煤机出口风粉混合物温度、磨煤机进口一次风压力、磨煤机进口一次风温度、磨煤机进口一次风风量。
所述步骤3对历史数据集进行数据预处理具体包括以下步骤：
步骤S31、将步骤2中所得训练数据集进行数据清洗，去掉异常数据和空白数据；
步骤S32、对进行了数据清洗后的训练数据集进行归一化处理；
步骤S33、将归一化后的数据集转化为有监督数据，用来训练CNN-LSTM网络模型。
所述步骤S32中，对训练数据集进行归一化处理的公式如式(1)所示：
Xscaled＝Xstd*(max-min)+min， (2)，
式(1)、(2)中，将训练数据集中某段测点参数的时间序列数据记为Xi(t)，则该列数据被记为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，式中，i是第几个测点；t为第几个时刻；X为该列中某一元素，Xmin为该列数据的最小值，Xmax为该列数据的最大值，Xstd为归一化处理的中间变量，(max，min)为归一化处理所设置的归一化范围的区间，Xscaled为归一化处理后的数据。
所述步骤包括：
将数据集转化为可供训练的有监督数据，具体为，将某段测点参数的时间序列数据记为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，将该时间序列数据根据时刻前移一个单位，得到Xi(t-1)＝[Xi(t0),Xi(t1)......Xi(tn-1)]，将Xi(t-1)作为LSTM-CNN网络模型的输入，将Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]作为LSTM-CNN网络模型的输出，以此CNN-LSTM-Attention网络模型实现对多维时间序列数据的预测。
所述步骤4建立CNN-LSTM-Attention网络模型，并进行在线训练包括以下步骤：
步骤S41、构建CNN-LSTM-Attention故障预警模型结构，包括CNN-LSTM-Attention网络结构设计、激活函数的选择、模型权重初始化；
步骤S42、对CNN-LSTM-Attention故障预警模型进行编译包括学习目标、优化算法以及模型评价指标的设定；
步骤S43、对CNN-LSTM-Attention故障预警模型进行训练及超参数调试，包括训练集、测试集和验证集的划分，网络超参数的调节。
所述步骤S42中学习目标包括：
某段测点参数的时间序列数据为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，设共有m个测点参数，则将所有测点参数序列视为一个n*m的矩阵Xr*m，该矩阵Xr*m通过CNN进行特征提取，先通过64个filter进行特征提取，之后通过Relu函数进行激活，接着通过max-pooling进行池化处理，最后加入了概率为0.3的dropout防止过拟合，将最后输出的一段序列作为后面LSTM的输入；
通过CNN进行特征提取得到一段具有时间依赖性的序列，之后，将这一段具有时间依赖性的序列按照时间顺序输入到LSTM中作为每个时间步的输入，该LSTM层的激活函数选择Relu函数；
在所述LSTM层后面接一个Attenton层，Attention层通过保留LSTM编码器对输入序列的中间输出结果，并对这些输入进行选择性的学习，且在模型输出时将输出序列与之进行关联。
在Attention层后连接一全连接层，最终得到所述CNN-LSTM-Attention故障预警模型的预测输出，所述全连接层的输出变量个数等于输入变量，激活函数选择Sigmoid。
所述步骤S42中优化算法包括：将优化算法选择为Adam算法，算法参数被设置为lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1*10-8,其中lr为学习率，beta_1为一阶矩估计的指数衰减率，beta_2为二阶矩估计的指数衰减率，epsilon为防止除0参数；
将所述CNN-LSTM-Attention故障预警模型的训练指标表示为均方误差函数MSE,如式(3)所示：
将所述CNN-LSTM-Attention故障预警模型的评价指标表示为均方根误差RMSE、平均百分比误差MAPE和相关系数R2，如式(4)-(6)所示：
其中，ym为预测值，y为实际值，
为样本均值。
所述步骤S43的训练集、测试集和验证集的划分，网络超参数的调节包括：
将训练数据集划分为90％作为训练集，10％作为验证集；将网络超参数设为：训练批次为64，训练轮次为300。
所述步骤5中得到的预测值ym与实际值y之间的偏离度是将所述CNN-LSTM-Attention故障预警模型所得每一列测点参数的预测值ym与真实值y所求得的残差e，构成残差矩阵E，对该残差矩阵E的每一行通过公式(7)求得每一时刻n个测点参数的综合残差h，称为偏离度h：
所述步骤6为通过式(7)所得的偏离度序列
通过滑动窗口法处理后，得到平均偏离度序列
利用核密度估计技术确定偏离度序列
的概率密度函数，选取0.99分位数作为预警阈值。其中，核函数选用Gaussian函数。概率密度函数计算公式如式(8)、(9)、(10)所示，
h＝1.06σm-0.2 (9)
式(8)、(9)、(10)中，m为偏离度序列长度，h为带宽宽度；σ为偏离度序列的标准差；根据公式(10)计算逆累计积分函数，得到置信区间为α时，预警阈值t的上限td；
当磨煤机在运行时若平均偏离度维持在预警阈值以内，则判定磨煤机工作状态正常，否则判定为故障；当磨煤机出现故障时，通过滑动窗口捕捉偏离度度的变化情况，若偏离度随时间逐渐增大，则说明磨煤机有发生故障的趋势，在维修人员对磨煤机进行修复后，若偏离度随时间降低到预警阈值内，则说明故障已被排除。
本发明的有益效果是本发明相较于现有技术，具有如下优点：
(1)本发明选用了磨煤机电流、瞬时给煤量、磨煤机出口风粉混合物压力、磨煤机出口风粉混合物温度、磨煤机进口一次风压力、磨煤机进口一次风风量、磨煤机进口一次风温度、磨煤机一次风进出口差压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。
(2)本发明建立的CNN-LSTM-Attention磨煤机故障预测模型，综合利用了多个指标之间的信息，充分考虑了多指标之间的相互影响，能更多的包含指标之间隐含的复杂因果关系，充分学习了测点数据在时间序列上的特征性，避免了有效信息大量缺失的可能，结果相对更加合理、准确。
(3)本发明提出了一种基于深度学习模型的多参数时间序列预测方法，结合CNN和LSTM模型与注意力机制提出了一种CNN-LSTM-Attention混合模型架构来对磨煤机的多种监测参数进行预测。
附图说明
图1是基于深度学习卷积神经网络的磨煤机故障预警方法的流程图。
图2是CNN-LSTM-Attention的网络模型结构图。
图3是磨煤机模拟故障下的预警效果图。
具体实施方式
本发明提供一种基于深度学习卷积神经网络的磨煤机故障预警方法，以下结合附图详细阐述本发明。
如图1所示该方法流程图，包括以下步骤：
步骤1、获取磨煤机历史正常工作状态的测点参数数据，构成训练数据集；
步骤2、选取与所述磨煤机堵煤故障相关的几个测点参数数据，作为建模变量，具体为：
采集某660MW电站磨煤机跨度时间一周的运行数据，采样周期为1min。从中选择与堵煤故障相关的变量作为建模变量，选取的建模变量如表1所示：
表1堵煤故障相关变量名称
步骤3、对历史数据集进行数据预处理，包括以下子步骤：
步骤S31、将步骤2中所得训练数据集进行数据清洗，去掉异常数据和空白数据；
步骤S32、对进行了数据清洗后的训练数据集进行归一化处理，如式(1)所示：
Xstd＝(X-Xmin)/(Xmax-Xmin) (1)，
Xscaled＝Xstd*(max-min)+min (2)，
式(1)、(2)中，将训练数据集中某段测点参数的时间序列数据记为Xi(t)，则该列数据被记为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，式中，X为该列中某一元素，i是第几个测点；t是第几个时刻；Xmin为该列数据的最小值，Xmax为该列数据的最大值，Xstd为归一化处理的中间变量，(max，min)为归一化处理所设置的归一化范围的区间，Xscaled为归一化处理后的数据；
步骤S33、将归一化后的数据集转化为有监督数据，用来训练LSTM-CNN网络模型，包括：
将数据集转化为可供训练的有监督数据，具体为，将某一测点参数的时间序列数据记为X(t)i＝[Xi(t1),Xi(t2)......Xi(tn)]，将该时间序列数据根据时刻前移一个单位，得到Xi(t-1)＝[Xi(t0),Xi(t1)......Xi(tn-1)]，将X(t-1)i作为LSTM-CNN网络模型的输入，将Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]作为LSTM-CNN网络模型的输出，以此LSTM-CNN网络模型实现对多维时间序列数据的预测。
步骤4、以故障相关的测点参数作为输入变量，建立LSTM-CNN故障预警模型，并进行在线训练，包括以下子步骤：
步骤S41、构建所述CNN-LSTM-Attention故障预警模型结构，包括CNN-LSTM-Attention网络结构设计、激活函数的选择、模型权重初始化；
步骤S42、所述CNN-LSTM-Attention故障预警模型编译，包括学习目标、优化算法以及模型评价指标的设定；
步骤S43、所述CNN-LSTM-Attention故障预警模型训练及超参数调试，包括训练集、测试集和验证集的划分，网络超参数的调节。
其中，步骤S41进一步包括：定义某段测点参数的时间序列数据为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，设共有m个测点参数，则将所有测点参数序列视为一个n*m的矩阵Xr*m，该矩阵Xr*m通过CNN进行特征提取，先通过64个filter进行特征提取，之后通过Relu函数进行激活，接着通过max-pooling进行池化处理，最后加入了概率为0.3的dropout防止过拟合，将最后输出的一段序列作为后面LSTM的输入；
通过CNN进行特征提取得到一段具有时间依赖性的序列，之后，将这一段具有时间依赖性的序列按照时间顺序输入到LSTM中作为每个时间步的输入，该LSTM层的激活函数选择Relu函数；
在所述LSTM层后面接一个Attenton层(如图2所示)，Attention层通过保留LSTM编码器对输入序列的中间输出结果，来对这些输入进行选择性的学习并且在模型输出时将输出序列与之进行关联。
在Attention层后连接一全连接层，最终得到所述CNN-LSTM-Attention故障预警模型的预测输出，所述全连接层的输出变量个数等于输入变量，激活函数选择Sigmoid。
步骤S42进一步包括：将优化算法选择为Adam算法，算法参数被设置为lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1*10-8,其中lr为学习率，beta_1为一阶矩估计的指数衰减率，beta_2为二阶矩估计的指数衰减率，epsilon为防止除0参数；
将所述CNN-LSTM-Attention故障预警模型的训练指标表示为均方误差函数MSE,如式(3)所示：
将所述CNN-LSTM-Attention故障预警模型的评价指标表示为均方根误差RMSE、平均百分比误差MAPE和相关系数R2，如式(4)-(6)所示：
其中，ym为预测值，y为实际值，
样本均值。
步骤S43进一步包括：
将训练数据集划分为90％作为训练集，10％作为验证集；将网络超参数设为：训练批次为64，训练轮次为300。
步骤5、获取所述CNN-LSTM-Attention故障预警模型所得到的预测值ym与实际值y之间的残差序列error＝y-ym,将所述几个测点参数的残差做处理得到偏离度序列；
将所述CNN-LSTM-Attention故障预警模型所得每一列测点参数的预测值ym与真实值y所求得的残差e，构成残差矩阵E，对该残差矩阵E的每一行通过公式(7)求得每一时刻n个测点参数的综合残差h，称为偏离度h：
步骤6、通过滑动窗口法处理所述偏离度序列，设置故障阈值，进行故障预警，具体为：通过式(7)所得的偏离度序列h，通过滑动窗口法处理后，得到平均偏离了度序列
利用核密度估计技术确定偏离度序列
的概率密度函数，选取0.99分位数作为预警阈值。其中，核函数选用Gaussian函数。概率密度函数计算公式如式(8)、(9)、(10)所示，
h＝1.06σm-0.2 (9)
式(8)、(9)、(10)中m为偏离度序列长度，h为带宽宽度。σ为偏离度序列的标准差。根据公式(10)，计算逆累计积分函数，得到置信区间为α时，预警阈值t的上限td。
当磨煤机在运行时若平均健康度维持在预警阈值以内，则判定磨煤机工作状态正常，否则判定为故障(如图3所示)；当磨煤机出现故障时，通过滑动窗口捕捉健康度的变化情况，若健康度随时间逐渐增大，则说明磨煤机有发生故障的趋势，在维修人员对磨煤机进行修复后，若健康度随时间降低到预警阈值内，则说明故障已被排除。
综上所述，本发明提出通过深度学习的方法对磨煤机数据建模，当设备出线故障隐患时，模型预测值与实际值的残差将会增加，将其与设定好的故障阈值比较，实现故障的提前预警。深度学习可以方法充分挖掘磨煤机设备的海量历史数据，建立高效实用的模型对磨煤机实时状态进行检测预警。
Claims (12)
1.一种基于深度学习卷积神经网络的磨煤机故障预警方法，其特征在于，包括以下步骤：
步骤1，获取磨煤机历史正常工作状态的测点参数数据，构成训练数据集；
步骤2，选取与所述磨煤机堵煤故障相关的几个测点参数数据，作为建模变量；
步骤3，对历史数据集进行数据预处理；
步骤4，以故障相关的测点参数作为输入变量，建立CNN-LSTM-Attention网络模型，并进行在线训练；
步骤5，获取所述CNN-LSTM-Attention网络模型所得到的预测值ym与实际值y之间的偏离度序列error＝y-ym，并通过滑动窗口法处理该序列；
步骤6，采用核密度估计法计算偏离度序列的概率密度函数，并通过计算逆累积积分函数，得到置信区间α，从而得到故障预警阈值。
2.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤1从火电厂DCS系统取得磨煤机正常工作时的测点参数数据集包括磨煤机一段正常运行时间内所有参数的动态变化情况，该参数数据集的长度至少为1周内的运行数据，该运行数据间隔至多为1min。
3.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法其特征在于，所述步骤2中的建模变量包括：磨煤机电流、瞬时给煤量、磨煤机出口风粉混合物压力、磨煤机出口风粉混合物温度、磨煤机进口一次风压力、磨煤机进口一次风温度、磨煤机进口一次风风量。
4.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤3对历史数据集进行数据预处理具体包括以下步骤：
步骤S31、将步骤2中所得训练数据集进行数据清洗，去掉异常数据和空白数据；
步骤S32、对进行了数据清洗后的训练数据集进行归一化处理；
步骤S33、将归一化后的数据集转化为有监督数据，用来训练CNN-LSTM网络模型。
5.根据权利要求4所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤S32中，对训练数据集进行归一化处理的公式如式(1)所示：
Xscaled＝Xstd*(max-min)+min， (2)，
式(1)、(2)中，将训练数据集中某段测点参数的时间序列数据记为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，式中，i为第几个测点，t为第几个时刻；X为该列中某一元素，Xmin为该列数据的最小值，Xmax为该列数据的最大值，Xstd为归一化处理的中间变量，(max，min)为归一化处理所设置的归一化范围的区间，Xscaled为归一化处理后的数据。
6.根据权利要求4所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤S33中，将数据集转化为可供训练的有监督数据，具体为，将某段测点参数的时间序列数据记为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，将该时间序列数据根据时刻前移一个单位，得到Xi(t-1)＝[Xi(t0),Xi(t1)......Xi(tn-1)]，将Xi(t-1)作为LSTM-CNN网络模型的输入，将Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]作为LSTM-CNN网络模型的输出，以此CNN-LSTM-Attention网络模型实现对多维时间序列数据的预测。
7.根据权利要求1所述的基于CNN-LSTM-Attention的磨煤机故障预警方法，其特征在于，所述步骤4建立CNN-LSTM-Attention网络模型，并进行在线训练包括以下步骤：
步骤S41、构建CNN-LSTM-Attention故障预警模型结构，包括CNN-LSTM-Attention网络结构设计、激活函数的选择、模型权重初始化；
步骤S42、对CNN-LSTM-Attention故障预警模型进行编译包括学习目标、优化算法以及模型评价指标的设定；
步骤S43、对CNN-LSTM-Attention故障预警模型进行训练及超参数调试，包括训练集、测试集和验证集的划分，网络超参数的调节。
8.根据权利要求7所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤S42中学习目标包括：
某段测点参数的时间序列数据为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]，设共有m个测点参数，则将所有测点参数序列视为一个n*m的矩阵Xr*m，该矩阵Xr*m通过CNN进行特征提取，先通过64个filter进行特征提取，之后通过Relu函数进行激活，接着通过max-pooling进行池化处理，最后加入了概率为0.3的dropout防止过拟合，将最后输出的一段序列作为后面LSTM的输入；
通过CNN进行特征提取得到一段具有时间依赖性的序列，之后，将这一段具有时间依赖性的序列按照时间顺序输入到LSTM中作为每个时间步的输入，该LSTM层的激活函数选择Relu函数；
在所述LSTM层后面接一个Attenton层，Attention层通过保留LSTM编码器对输入序列的中间输出结果，并对这些输入进行选择性的学习，且在模型输出时将输出序列与之进行关联。
在Attention层后连接一全连接层，最终得到所述CNN-LSTM-Attention故障预警模型的预测输出，所述全连接层的输出变量个数等于输入变量，激活函数选择Sigmoid。
9.根据权利要求7所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤S42中优化算法包括：将优化算法选择为Adam算法，算法参数被设置为lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1*10-8,其中lr为学习率，beta_1为一阶矩估计的指数衰减率，beta_2为二阶矩估计的指数衰减率，epsilon为防止除0参数；
将所述CNN-LSTM-Attention故障预警模型的训练指标表示为均方误差函数MSE,如式(3)所示：
将所述CNN-LSTM-Attention故障预警模型的评价指标表示为均方根误差RMSE、平均百分比误差MAPE和相关系数R2，如式(4)-(6)所示：
其中，ym为预测值，y为实际值，
为样本均值。
10.根据权利要求7所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤S43的训练集、测试集和验证集的划分，网络超参数的调节包括：
将训练数据集划分为90％作为训练集，10％作为验证集；将网络超参数设为：训练批次为64，训练轮次为300。
11.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤5中得到的预测值ym与实际值y之间的偏离度是将所述CNN-LSTM-Attention故障预警模型所得每一列测点参数的预测值ym与真实值y所求得的残差e，构成残差矩阵E，对该残差矩阵E的每一行通过公式(7)求得每一时刻n个测点参数的综合残差h，称为偏离度h：
12.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法，其特征在于，所述步骤6为通过式(7)所得的偏离度序列
通过滑动窗口法处理后，得到平均偏离度序列
利用核密度估计技术确定偏离度序列
的概率密度函数，选取0.99分位数作为预警阈值。其中，核函数选用Gaussian函数。概率密度函数计算公式如式(8)、(9)、(10)所示，
h＝1.06σm-0.2 (9)
式(8)、(9)、(10)中，m为偏离度序列长度，h为带宽宽度；σ为偏离度序列的标准差；根据公式(10)计算逆累计积分函数，得到置信区间为α时，预警阈值t的上限td；
当磨煤机在运行时若平均偏离度维持在预警阈值以内，则判定磨煤机工作状态正常，否则判定为故障；当磨煤机出现故障时，通过滑动窗口捕捉偏离度度的变化情况，若偏离度随时间逐渐增大，则说明磨煤机有发生故障的趋势，在维修人员对磨煤机进行修复后，若偏离度随时间降低到预警阈值内，则说明故障已被排除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250351.9A CN115496188A (zh) | 2022-10-13 | 2022-10-13 | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250351.9A CN115496188A (zh) | 2022-10-13 | 2022-10-13 | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115496188A true CN115496188A (zh) | 2022-12-20 |
Family
ID=84475147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211250351.9A Pending CN115496188A (zh) | 2022-10-13 | 2022-10-13 | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115496188A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804811A (zh) * | 2024-03-01 | 2024-04-02 | 青岛理工大学 | 注意力机制深度神经网络港机装备健康诊断系统及方法 |
-
2022
- 2022-10-13 CN CN202211250351.9A patent/CN115496188A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804811A (zh) * | 2024-03-01 | 2024-04-02 | 青岛理工大学 | 注意力机制深度神经网络港机装备健康诊断系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| CN110346160B (zh) | 一种基于svr的磨煤机效率异常检测与诊断方法 | |
| CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
| CN109523171B (zh) | 一种基于svdd的燃气轮机进气系统健康度评估方法 | |
| CN116050665B (zh) | 供热设备故障预测方法 | |
| CN111159844A (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
| Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
| CN112597696B (zh) | 一种基于极限学习机原理的锅炉四管泄漏预警方法 | |
| CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
| CN115730191A (zh) | 一种基于注意力机制的磨煤机故障预警方法 | |
| CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| Abbasi et al. | Development of predictive maintenance interface using multiple linear regression | |
| CN111720296A (zh) | 一种基于自编码器的汽动给水泵设备异常状态预警方法 | |
| CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
| CN113588308A (zh) | 基于LSTM与Stacking融合算法的磨煤机爆燃故障预警与诊断方法 | |
| CN110942258B (zh) | 一种性能驱动的工业过程异常监测方法 | |
| CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
| CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
| CN114326486A (zh) | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231212 Address after: 102206 No. 2 Nong Road, Changping District, Beijing Applicant after: NORTH CHINA ELECTRIC POWER University Applicant after: HUANENG NANJING JINLING POWER GENERATION Co.,Ltd. Applicant after: Xi'an Thermal Power Research Institute Co.,Ltd. Applicant after: HUANENG GROUP TECHNOLOGY INNOVATION CENTER Co.,Ltd. Address before: 102206 No. 2 Nong Road, Changping District, Beijing Applicant before: NORTH CHINA ELECTRIC POWER University Applicant before: HUANENG GROUP TECHNOLOGY INNOVATION CENTER Co.,Ltd. Applicant before: Xi'an Thermal Power Research Institute Co.,Ltd. |
|
| TA01 | Transfer of patent application right |