1、中速磨煤机的状态监测和故障诊断的研究摘要Abstract1.1 背景1.1.1 数字化煤场数字化煤场系统是一套用于指导燃煤机组配煤混烧工作的软件系统。该系统能够实现电厂燃煤从进厂到燃烧全过程的辅助和管理，能对堆煤、配煤、取煤、燃烧等作出全自动的决策，实现电力企业煤炭燃烧的智能化管理。煤场管理人员、输煤运行人员、发电运行人员能够及时掌握煤场的动态存储情况，为配煤掺烧提供准确、及时的现场燃煤信息，锅炉燃烧人员能够提前掌握当前锅炉原煤仓中的煤量、煤质，以便于及时根据机组负荷和锅炉燃烧情况提前调整燃烧方式，从而使煤安全、经济地燃烧，降低发电煤耗。下图展示了数字化煤场的流程。LI Yonghua,WAN
2、G Chunbo,CHEN Hongwei 等.Study on combustion characteristics of blended coalsJ.中国高等学校学术文摘能源与动力工程,1(1):96-100.配 烧 管 理自 控 系 统外 部 数 据堆 场 管 理管 控 一 体 化指令组合应用 / 数据库环保参数实时盘煤煤化验数据煤计量数据设备信息燃煤掺烧计划负荷S I S 数据环境 / 温度煤堆信息卸 / 堆 / 取 / 存掺配 / 堆煤 模型库经济 / 安全评价锅炉燃烧关键参数分析斗轮机堆取卸船机堆取用户 / 权限煤仓料位煤 场锅 炉 燃 烧斗 轮 机卸 船 机数字化煤场能够解决老
3、式的人工煤场管理方面的缺陷，如煤场管理混乱，导致部分煤存放时间过长，发热量损失，甚至产生自燃。朱红青等, 煤堆测温技术研究进展. 煤炭科学技术, 2014. 42(1): 第 50-54 页.缺少直观的煤种数据，影响配煤掺烧甚至影响锅炉效率。所以数字化煤场是现在火电厂重要的研究方向，将数字化系统引入到日常的燃料管理中来，是火电厂急需解决的问题。综上所述，数字化煤场具有广阔的研究和推广的空间。1.1.2 中速磨煤机磨煤机是火电厂重要的锅炉辅机之一，磨煤机的运行状态和安全对于电厂运行的经济性和安全性十分重要。磨煤机的状态监测是数字化煤场的建立中重要的一部分，所以有必要对磨煤机进行状态监测和故障诊断
4、。本课题主要以电厂中常用的中速磨煤机为对象来进行研究。中速磨煤机是一种利用碾磨件在一定压力下作相对运动时碾磨表面对煤的挤压作用来磨制煤粉的机械设备。转速介于低速磨煤机和高速磨煤机之间，一般为 20330r/min。中速磨煤机按碾磨件形状可分为辊式和球式两类。常用的 MPS 型，RP 型，HP 型磨都是属于辊式磨煤机；球式的有 E 型球式磨煤机。下图为 MPS 轮式磨煤机结构图。中速磨煤机具有结构紧凑、占地少、金属磨耗量低、噪声小、密封性能好、适用于正压运行、电耗低等优点。煤粉细度 R90 可在 10%35%范围调整。其缺点是进风温度不宜太高，煤与干燥剂接触晚，不易磨高水分的煤。中国电力百科全书
5、编辑委员会,中国电力出版社中国电力百科全书编辑部 编.中国电力百科全书火力发电卷.北京：中国电力出版社.2001.第 899-902 页.中速磨煤机出现的主要故障有以下几种类型：（1 ） 加载压力低（2 ） 出力不足（3 ） 磨煤机漏粉（4 ） 石子中含煤（5 ） 液压油液中含有杂质通过电厂积累的 DCS 数据，以磨一次风量与燃料量比值、磨入口风与出口风粉混合物温差、炉膛负压变化、磨电机电流与燃料量比值、锅炉负荷与燃料量比值等参数作为输入参数，利用文中介绍的数学方法可以建立中速磨煤机的状态监测模型，实时监测磨煤机的运行状态，为决策提供依据。1.2 以往的研究设备状态监测与故障诊断技术是一种掌握
6、和了解设备使用过程状态的技术。它可以确定设备整体或局部是否正常，能早期发现故障及其原因，并能预报故障发展趋势。设备状态监测与故障诊断过程包括状态监测、故障检测、故障识别或诊断、故障分析与预测、故障处理对策与建议等。乔海涛, 冯永新大型汽轮发电机组故障诊断技术现状与发展广东电力国外的诊断技术的发展优先于我国至少已有 2030 年的历史，最早开始故障诊断技术研究的国家是美国，目前主要从事电站故障诊断系统的主要公司有：美国的西屋公司、IRD公司、Bently 公司、BEI 公司，瑞士 ABB 公司，丹麦的 B&K 公司，日本三菱重工。电站磨煤机状态监测与故障诊断的研究_杨雁梅状态监测和故障诊断系统的
7、发展与人工智能技术的发展密不可分，随着计算机技术的发展，人工智能技术的发展在最近几年有了巨大的进步。在状态监测和故障诊断领域比较有代表性的技术有：专家系统、神经网络、模糊数学、遗传因子等。状态监测和故障诊断系统也已经应用到了很多工业领域。也有学者将一些数学方法应用于中速磨煤机的状态监测和故障诊断，如鲁雪艳等人也进行了类似的研究，提出了基于D-S 证据理论的模糊聚类分析方法，通过计算待测样本对每个目标模式的支持度，解决了模糊聚类分析在故障诊断中只能定性诊断故障这一问题。鲁雪艳与赵征,基于模糊聚类分析和 D-S 证据理论的磨煤机故障诊断. 电力科学与工程,2011,27(7). 曾德良等人基于灰色
8、关联和 D-S 组合规则，用电厂实际数据对模型进行训练，能够对磨煤机的故障做出较为准确的判断。曾德良等, 基于灰色关联和 D-S 组合规则的磨煤机故障诊断. 动力工程, 2007. 27(2): 第 207-210 页但在中速磨煤机状态监测方面研究还相对较少，也缺少一种有效进行磨煤机状态监测和故障诊断的方法。如何将人工智能技术运用于中速磨煤机状态监测和故障诊断，将是未来研究的主要方向。1.3 最新的研究成果1.4 本文的主要内容近几十年来，火电厂因关键设备故障而引起的灾难性事故时有发生，对电厂造成了巨大的损失，所以有必要对电厂设备进行状态监测。现代化的电厂装配着庞大的 DCS 系统，日积月累采
9、集了大量的运行数据，利用采集的历史数据建立电站主要设备或过程的动态数学模型是有待开发的比较新颖的研究课题。张小桃,倪维斗,李政等.基于现场数据的中速磨煤机动态建模研究J.热能动力工程,2004,19(6):614-616,633.DOI:10.3969/j.issn.1001-2060.2004.06.016. 中速磨煤机作为锅炉辅机中的重要设备，对锅炉的安全运行影响很大，如何诊断磨煤机的故障以便及时处理是一个有待解决的重要问题。本文的主要工作如下：（1 ） 对过去中速磨煤机状态监测和故障诊断研究的汇总。（2 ） 对主元分析法（PCA） 、平均影响值法（MIV ） 、主基底分析等模型变量分析方
10、法的介绍和比较。（3 ） 对神经网络、支持向量机、核心向量机等建模工具的介绍和比较。（4 ） 对遗传算法和粒子群算法等模型参数优化方法的介绍和比较。（5 ） 总结全文，讨论了进一步研究的问题。2. 故障诊断预测模型简介2.1 神经网络2.1.1 人工神经元模型据统计，人类人脑大约包含有 1.41011 个神经元，每个神经元与大约 103105 个其他神经元相连接，构成一个庞大和复杂的生物神经网络。每个神经元根据所接受的多个激励信号的综合结果呈现出兴奋和抑制状态，是人脑信息处理系统的最小单元，人脑处理信息的结果由各神经元状态的整体效果确定。下图是一个典型的神经元示意图。1943 年心理学家 Mc
11、Culloch 和数学家 W. Pitts 首先提出了 MP 模型，经过后人的不断改进，形成了今天的 BP 神经元模型。一般来说人工神经元模型具有以下三个要素：（1）具有一织突触或连接。与人脑神经元不同，人神经元权值的取值可在负值和正值之间。（2）具有反映生物神经元时空整合功能的输入信号累加器。（3）具有一个激励函数用于限制神经元输出。激励函数将输出信号限制在一个允许范围内，使其成为有限值，通常神经元输出的扩充范围在0,1或-1,1之间。下图是一个典型的人工神经元模型。其中 xj（j=1,2,N ）为神经元的输入信号，w ij 为连接权。u i 是由输入信号线性组合后的输出，是神经元 i 的净
12、输入。 i 为神经元的值，v i 为经偏差调整后的值，也称为神经元的局部感应区。 是激励函数， yi 是神经元 i 的输出。神经网络的研究及应用_吴昌友()2.1.2 神经网络的结构神经网络通常由输入层、隐含层和输出层组成。层与层之间全互连，每层节点之间不相连。它的输入层节点的个数通常取输入向量的维数，输出层节点的个数通常取输出向量的维数，隐层节点个数目前尚无确定的标准，需通过反复试凑的方法，然后得到最终结果。BP 神经网络算法改进及应用研究_黄丽隐含层的数目也可以根据需要进行调整。神经网络会计算样本实际值与网络的输出值之间的差值，通过这个差值反向地调整输入层、隐含层和输出层各层神经元间的权值
13、和阈值，从而减小误差，使得网络输出值逼近样本实际值，达到训练网络的目的。下图是一个单隐层的神经网络的拓扑结构。2.1.3 神经网络应用中的问题随着神经网络的广泛应用，和对神经网络研究的深入，发现了神经网络在应用中存在的一些问题和缺陷。主要有以下几方面：（1） 训练样本的问题神经网络的性能与训练样本有很大的关系。样本是否对系统具有代表性，在很大程度上影响了神经网络模型的性能。对于中速磨煤机系统来说，由于电力系统的要求，样本集中在满负荷和 75%负荷上 中速磨煤机直吹式制粉系统运行特性分析_刘德来，代表性较差，影响神经网络的性能。训练样本的长度过长不仅会影响神经网络的训练效率，还会导致拟合精度的下
14、降。 （2） 网络结构的问题在实际应用中，常常难以确定隐含层的数量和隐层神经元的个数。通常采用试算的办法，但是该方法计算量巨大，并且不容易判断不同隐层神经元个数的神经网络模型之间的优劣。有学者在尝试采用其他的方法来解决这个问题，不过尚未有一个较好的方法确定隐层神经元个数。人工神经网络技术及其应用_覃光华（3） 泛化能力的问题神经网络在训练后，常常会出现过拟合的现象，对于不在训练样本范围内的样本无法做出正确的反应。网络泛化能力低与样本资料、网络结构、网络算法均有关系。充分挖掘资料信息、改善网络结构、改进网络算法都可在一定程度上提高网络的泛化能力。（4） 收敛速度的问题许多学者在应用中发现神经网络
15、在学习过程中存在收敛速度慢的问题，有时候甚至会发生振荡，导致网络无法收敛。神经网络尽管存在以上这些问题，但仍然在生产中的预测工作上有着广泛的应用。可见，解决神经网络存在的这些问题具有重要的价值和前景。2.2 支持向量机2.2.1 支持向量机的基本原理支持向量机是一种通用学习机器，是统计学习理论的一种实现方法，它较好地实现了结构风险最小化思想。Burges C. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery,1998,2(2):121-127支持
16、向量机的原理是将输入向量映射到一个高维的特征空间，并在该特征空间中构造最优分类面。当选用合适的映射函数时，大多数输入空间线性不可分的问题在特征空间可以转化为线性可分问题来解决。支持向量机通过定义核函数（Kernel Function） ，巧妙地利用了原空间的核函数取代高维特征空间中的内积运算，即 ，避免了维数灾难。具(,)=()()体做法通过非线性映射把样本向量映射到高维特征空间，在特征空间中，维数足够大，使得原空间数据的像具有线性关系，再在特征空间中构造线性最优决策函数，如图所示。支持向量机算法及其应用研究_张国云2.2.2 核函数在支持向量机中，需要选择一种映射关系把样本向量映射到高维特征
17、空间，这种映射关系就被称为核函数。特征空间可以是有限维的，也可以是无穷维的，一般来说，特征空间是一个希尔伯特空间。如何选择合适的核函数是支持向量机中最重要的问题之一，至今未有理论依据指导核函数的选择。支持向量机学习算法若干问题的研究_常甜甜 常用的核函数有a practical guide to support vector classification：（1） 线性核： （ ,） =（2） 多项式核： （ ,） =()+1（3） 高斯核： （ ,） =(22)（4） S 型核： （ ,） =tanh()+其中 q,g,c为核参数。高斯核的泛化性能好，因此是目前使用最广泛的核函数。2.2.3
18、支持向量机的应用支持向量机在文本识别，人脸图像识别，三维对象识别，支持向量机算法的硬件实现研究，系统辨识，遥感图像分析，材质分类，医疗诊断，网页分类，图像处理，故障诊断，信号处理，光谱分析支持向量机若干问题的研究_安金龙 等领域都有学者进行了研究和实验。其中刘定平等人基于核主元分析和最小二乘支持向量机的方法对中速磨煤机进行了故障诊断的研究。 基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断_刘定平 实验选取了热风门开度、冷风门开度、风量、磨煤机入口一次风温、磨煤同入口一次风压、 磨煤机出口温度、磨碗上下压差、磨煤机出口风粉混合物压力、磨煤机密封风与一次风差压、油压、减速箱轴承温度、磨煤机
19、轴承温度、磨煤机电流、润滑油温以及磨煤机振动和给煤量等 16 个输入参数。输出参数有 5 种状态：正常状态、给煤机堵煤、磨煤机堵粉、磨煤机石子煤下料管堵塞和磨煤机润滑油泵故障。先使用 KPCA 方法对数据特征进行提取，作为最小二乘支持向量机的输入进行训练。发现在特定的核参数情况下，主元个数为 6 时，可以获得最高的故障诊断正确率，约为 86%100%。可见支持向量机在仿真实验中已经有了广泛的使用，并取得了良好的效果。如何在实际生产中进行运用，并将支持向量机的功能从故障诊断扩展到状态监测，仍需要进一步的研究。2.2.4 核心向量机为了扩展支持向量机的使用范围和克服支持向量机的一些局限，学者们在研
20、究过程中提出了许多变形的 SVM。这些变形的 SVM 在处理某些特定的问题上会具有优势。例如，Vapnik 提出的可调罚参数的 C-SVM 系列Vapnik V. The nature of statistical learning theory. New York: Springer-Verlag, 1995.，Scholkopf 提出的用于分类和回归问题的 V-SVM 系列Scholkopf B, Smola A, Bartlet P. New support vector algorithms. Neural Computation, 2000, 12: 1207-1245.，Suyke
21、ns 将最小二乘线性系统引入到支持向量机后提出的 LS-SVM。Suykens J.A, Vandewalle J. Least squares support vector machines classifiers. Neural Processing Leters, 1999, 19(3): 293-300.核心向量机（Core Vector Machine）是 Tsang 等人于 2005 年基于最小包闭球(minimum enclosing ball，MEB) 提出的。Tsang I W，Kwok J T，Lai K TCore Vector Regressionfor very la
22、rge regression problemsC/Proceedings of the22nd international conference on Machine learningNewYork，NY：ACM ，2005：912-919 CVM 算法的本质是将 SVM 中的 QP 问题转化为带有中心约束的最小包闭球问题，然后通过迭代寻找高维空间的核心集，找到原始 MEB 问题的(1+)近似解。 核心向量机的电站锅炉 NO_x 排放特性大数据建模_周昊CVM 相对于 SVM 最大的改进在于简化了 SVM 的运算复杂度。对于容量为 N 的样本集，SVM 的时间复杂度和空间复杂度分别为 O(N3
23、)和 O(N2)，CVM 利用MEB 算法代替 SVM 的凸二次规划，使得 CVM 的时间复杂度降为 O(N)。基于改进核心向量机的配电网理论线损计算方法_彭宇文CVM 在中速磨煤机的大样本容量的建模问题上具有快速和准确性高的优势。3. 故障诊断预测模型变量优化3.1 主元分析法（PCA）3.1.1 主元分析法的概念主元分析法(Principal component analysis, PCA)是一种常用的多元统计分析方法，广泛应用于各种工业监控系统中。主元分析法通过将数据从高维空间降维到低维空间，得到较少数量的相互独立的特征变量来更加集中的反应数据包含的信息。通过主元分析能够达到去除数据的线
24、性关系，减少无用数据干扰，降低数据维数便于了解数据变化的趋势等效果。3.1.2 主元分析法的基本原理主元在代数上是 m 个随机数据变量 x1,x2,xm 的一些特殊的线性组合。对 p 维随机矩阵 x=(x1,x2,xp)T,它的第 i 个主成分为：=11+22+同时各主成分满足以下条件：y 1,y2,yp 两两互不相关，且其对应方差从大到小排列。另外，为了使各主元方差不因系数向量乘以某个常数而增大，要求各系数向量为单位向量，即 。=1各主元可根据如下定理来确定：设总体 x=(x1,x2,xp)T 的协方差阵为 ， 的顺序排列的特征根为： 1 2 p0，e 1,e2,ep 为对应的单位化的正交特
25、征向量，则第 i 个主成分为：=此时：()= , =1,2,(,)=0, 可见，主元分析法是对过程数据矩阵的最优重构，各数据样本点将以最为均匀、集中的方式分布于各主元向量的周围。基于主元分析的自适应过程监控方法研究_毛振华3.1.3 主元分析法的改进和应用在传统 PCA 统计模型的基础上，许多学者针对实际应用场景，对主元分析法进行了改进。SCHLKOPF 等在研究支持向量机(Support vector machines,SVM)分类算法时，提出了核 主元分析法 (Kernel principle componentanalysis, KPCA)。SCHLKOPF B ， SMOLA A ，
26、MLLER K R. Nonlinearcomponent analysis as a kernel eigenvalue problem J.Neural Computation ， 1998 ， 10(5) ： 1299-1319.KPCA 在处理非线性问题上有较大的优势，在故障诊断领域得到了广泛的应用。姜万录等人将指数加权动态的思想引入核主元分析，提出了指数加权动态核主元分析（EWDKPCA） ，并对液压泵进行故障诊断，并获得了良好的故障诊断效果。指数加权动态核主元分析法及其在故障诊断中应用_姜万录袁立等人利用 PCA 方法提取代数特征，再利用支持向量机进行分类识别，对人儿图像进行归一化
27、处理，在带有角度、光照变化的人耳图像库上的识别率可达 98.7%。基于核主元分析法和支持向量机的人耳识别_袁立其他改进的 PCA 统计建模技术还有，如动态 PCA、多尺度 PCA、间歇生产 PCA、多工况及自适应 PCA 等。3.2 平均影响值(MIV)3.2.1 平均影响值的基本原理平均影响值(MIV)是用于确定神经网络中输入神经元对输出神经元影响大小的一个指标。MIV 其符号代表相关的方向，绝对值大小代表影响的相对重要性。基于平均影响值算法和概率神经网络的制粉系统故障诊断_樊帅具体计算过程：在模型训练终止后，将训练样本 P 中每一个自变量特征在其原值的基础上分别增大和减少 10%，构成两个
28、新的训练样本 P1 和 P2，将 P1 和 P2 分别作为测试样本利用已建成的模型进行计算，得到两个新的计算结果 A1、A2 ，求出 A1 和 A2 的差值，即为变动该自变量后对输出产生的影响变化值（IV） ，最后将 IV 按观测例数平均得出该输入量对输出量的 MIV。3.2.2 平均影响值的应用平均影响值在应用中常常与各种神经网络一起组成模型，用于系统的故障诊断和预测。王建星等人针对大型机组主蒸汽流量计算模型复杂繁琐，存在众多限制条件且精度不高的现状，提出一种基于广义回归神经网络(GRNN)的主蒸汽流量软测量模型，并通过平均影响值(MIV) 的评比筛选有效地减少模型变量。 基于广义回归神经网
29、络的机组主蒸汽流量测定_王建星 。李鸿志等人将 MIV 与反向传播神经网络组成 MIV-BPNN 方法，用来提高密度泛函理论(Density functional theory, DFT)计算 Y-NO(Y=N,S,O 及 C)键均裂能的精度，将 92 个有机分子的均裂能均方根误差从 22.25 kJ/mol 降到 1.36 kJ/mol。基于平均影响值的反向传播神经网络_省略_泛函理论计算 Y_NO 键均裂能精度_李鸿志 。卢永艳等人则利用 MIV 和支持向量机建立企业财务状况好坏的评价模型，通过企业盈利能力、营运能力、偿债能力、成长能力、现金流量和资产构成等方面的指标对企业是否陷入财务困境
30、进行预测。财务困境预测中的变量筛选_基于平均影响值的 SVM 方法_卢永艳 。可见 MIV 的应用场景非常广泛，并能与神经网络、支持向量机等工具一起组合，建立各种预测模型，提高预测的速度和准确率。3.3 主基底分析3.3.1 主基底分析的概念在系统分析及建模过程中，分析人员常常要面对大量意义相近、数量相关的变量，需要对数据进行降维预处理，以便于后续处理。然而，一些通过提取成分来降维的方法，如主成分分析等Wold H. Estimation of principal components andrelated models by iterative least squares J . Multi
31、-variate Analysis, 1966: 391 420.，结果会受到多重相关性的严重影响，会人为地放大某些指标在系统分析中的作用，影响分析的客观性。王惠文. 变量多重相关性对主成分分析的危害 J.北京航空航天大学学报 , 1996, 22( 1): 65 70.基于主基底分析的变量筛选是利用 Gram-Schmidt 变换构造变量空间的一组正交基底，并保证该正交基底对应的原始变量即为进行系统分析的最简变量合集。2.3.2 主基底分析的变量筛选步骤将 x1，x 2，x p 做标准化处理；选择 z1=xk，使得 ；为了记号方便=12（ ， ） = max=1,2， p=12（ ， ）起见
32、，这里不妨设 k=1，即 z1=x1；分别将剩余变量 x2，x 3，x p 与 z1 做 Gram-Schmidt 变换，得到备选的变量集合 ，j=2，3， p；(1)=1111在 ， ， 中，选择方差最大的备选变量作为 z2，(1)2 (1)3 (1)，为方便起见，不妨设 ，即 x2 为 z2 的关联变量；(2)= max=2,3， (1) 2=(1)2对于剩余的变量 x3，x 4，x p，分别将它们与 z1，z 2 做 Gram-Schmidt 变换，得到备选的变量集合 ，j=3，p；(2)=1111-2222在 ， 中，选择方差最大的备选变量作为 z3，即 (2)3 (2) (3)= m
33、ax=3， (2)；重复以上过程，直至得到 s 个相互正交的向量 z1，z 2，z s，其所对应的关联变量即为筛选出来的最简变量集合。基于主基底分析的两阶段变量筛选方法_仪彬3.3.3 主基底分析的应用王惠文等人利用主基底分析法对与我国教育事业有关的 9 个变量（人均 G D P 、财政收入、财政收入增长率、国家财政科研支出、科技三项费用、科学支出、科研基建费、高校数、高校教师数）进行分析。结果发现，只要用其中的 4 个变量（财政收入、财政收入增长率、高校数、科研基建费）便可以 98. 13%的精度代表所有原变量集合中的净信息量。基于主基底分析的变量筛选_王惠文郭丽娟等人利用主基底分析法对评价
34、区域创新能力的 46 个指标进行了分析，最后筛选出 6 个主基底包含的信息总量占净信息总量的 81.1%。简约指标体系下的区域创新能力评价_省略_ 于主基底变量筛选和主成分分析方法_郭丽娟4. 故障诊断预测模型参数优化4.1 遗传算法4.1.1 遗传算法的概念遗传算法是由美国的 Holland 教授于 1975 年首先提出的HOLLAND J HAdaptation in natural and artificial systems:an intro-ductory analysis with applications to biology， control，and artificial in-telligenceM 2nd edCambridge:MIT Press，1992。遗传算法是一种依据达尔文的进化理论，模仿自然界生物优胜劣汰的规律的自适应概率性随机化迭代搜索算法。遗传算法采用二进制编码，繁殖分为交叉和变异两个独立的步骤进行。其基本的执行过程如下徐宗本 , 张讲社, 郑亚林. 计算智能中的仿生学: 理论与算法 M .
