一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法技术

本发明专利技术针对火电厂辅机设备结构复杂、设备之间耦合性强、运行工况复杂多变，完备的故障样本知识库不易获取的特点，提出一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法，可以有效的简化故障样本知识库，使故障诊断更加快速精准。本发明专利技术利用最小二乘支持向量机(LS‑SVM)的在小样本学习上的优势，通过某一典型工况下的典型故障样本，离线训练LS‑SVM学习模型；在一定负荷变化范围内，故障特征参数随故障程度近似呈单调线性变化，这构成了征兆缩放因子搜索技术的基础，将待诊断故障的故障特征参数乘以故障缩放因子以达到与训练样本的模式匹配，产生最大的故障分离度。

【技术实现步骤摘要】
一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法
本专利技术涉及故障火电厂辅机设备故障诊断领域，尤其涉及一种基于设备动态的数学模型建模的故障诊断特征提取及不同运行条件下不同程度的故障诊断的分析方法。
技术介绍
辅机设备是火电机组的重要组成部分，对辅机设备的实时监测和故障诊断的研究具有重要的应用价值。这是因为辅机设备故障的发生不仅会直接影响整个机组的安全、经济运行，甚至还可能会给现场人员带来安全危害。然而，对辅机设备在多工况运行条件下的故障诊断并不是一件容易的事。原因是火电厂辅机设备结构复杂、设备之间耦合性强，当一个设备发生故障时，不仅会影响其自身的参数，而且还可能会影响其它关联设备的参数。要准确地定位和分离故障，必须要发掘不同故障情况下的相关特征参数的变化规律。支持向量机(SVM)已经成功应用于故障诊断。然而，大多数应用只考虑一个单一的工况(通常是额定负荷)。很少有不同故障程度在不同工况下的故障诊断的研究。故障本身是复杂的，故障程度的程度可能是大的。现有的故障诊断方法，包括支持向量机、神经网络等方法，基本上是典型故障的模式识别和匹配过程，这给故障知识库中标准故障样本的选择带来困难。如果程度严重的故障作为标准训练样本，微弱和早期故障的识别能力将会降低；如果训练样本是微弱和早期故障，当诊断样本为较严重故障时，两者之间的相似性的差异会增加，也会使诊断效果降低。传统的多工况多严重程度的故障诊断方法，是尽可能的完全包含多个典型的故障样本。然而在实际的故障诊断系统中，过多的故障样本会使样本知识库过于复杂，而且完全从火电厂中获得不同运行工况下不同严重程度的故障样本并不实际。本专利技术通过对火电厂制粉系统不同运行工况下不同严重程度故障的相似性规律的总结，提出了一种基于故障缩放因子搜索技术的故障诊断新方法。只需对一种典型工况下几类典型故障样本进行离线训练，大大简化了样本知识库复杂程度和最小二乘支持向量机(LS-SVM)结构，故障征兆的计算和缩放因子搜索用于在线故障识别，使故障诊断和识别更快，更稳定。本专利技术通过辅机设备之一磨煤机作为一个实例，通过建立磨煤机动态数学模型分析其运行参数在不同负荷条件下随故障程度的变化规律，选择了3种典型的故障和4个故障特征参数，包括出口温度、进出口压差、磨煤机电流和风煤比，在建立的动态模型上进行不同负荷条件不同故障程度的模拟。结果表明，针对同一种故障，在故障发生不改变系统拓扑结构前提下，故障特征参数随着故障程度的增加，近似呈线性增加或减少。该规律构成了症状缩放因子搜索技术的基础。症状缩放因子搜索方法的关键是对特征参数缩放因子的合理选择，与故障诊断模型相结合组成一个优化问题，其基本原理是使故障分离程度(FSD)最佳。
技术实现思路
针对现有技术的不足，本专利技术的目的在于提供一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法。本专利技术是通过以下技术手段实现的：一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法，包括以下步骤：(1)建立磨煤机动态数学模型，所述的磨煤机动态数学模型的建模包括如下方程：对磨内原煤质量mC和煤粉质量mpf建立微分方程：对出口煤粉的质量流量qm,pf、煤粉的质量mpf、磨煤机进出口压差Δpa、进出口压差Δpa、磨煤机内存煤质量Mcoal、进口一次风质量流量qm,air建立数学方程：对煤粉水分含量建立微分方程：对原煤水分蒸发量原煤含水量θCM、磨煤机出口温度tout建立数学方程：建立磨煤机出口温度tout的微分方程：式中，磨煤机电流I为：I＝K13mpf+K14mC+K15。其中，模型的输入参数为磨煤机原煤质量流量qm,C、入口一次空气质量流量qm,air、原煤含水量θCM和入口一次风温度tin；模型的输出参数为磨煤机出口温度tout、磨煤机电流I和进出口压差Δpa；状态参数为磨内原煤质量mC、煤粉质量mpf、磨煤机出口温度tout、煤水分含量γres；(2)在不同负荷下，提取磨煤机在每种典型状态下的四个特征参数：磨煤机出口温度tout，磨机电流I、进出口压差Δpa和一次风煤比R构成故障特征参数向量X＝[x1,x2,x3,x4]T。所述典型状态包括正常运行状态、少煤状态、多煤状态、堵塞状态；(3)选取某一负荷条件下的4中典型状态样本作为故障知识库来训练最小二乘支持向量机(LS-SVM)模型。以特征参数向量的征兆向量作为LS-SVM的输入向量，第j个输入向量中第i个元素μj(xi)为：其中i＝1,2,3,4；(xi0-A,xi0+A)为故障特征参数的变化范围。，xi0是在该负荷情况下的故障特征变量xi的正常运行值，其中x1,x2,x3,x4分别表示磨煤机出口温度tout，磨机电流I、进出口压差Δpa和一次风煤比R四个故障特征参数，Ai(i＝1,2,3,4)是故障特征变量xi(i＝1,2,3,4)在不同故障模式下的最大变化宽度，本专利技术中取Ai＝xi0所述的LS-SVM的核函数是高斯核函数：式中，xj＝[uj(x1),uj(x2),uj(x3),uj(x4)]T为4维输入向量，σ是高斯核函数的方差；LS-SVM的输出为：式中αm是第m个输入映射到输出的权重，N为4，代表了故障知识库中的4种典型状态，bk是N维偏差向量b的第k维,其中k＝1,2,3,4。yk是输出向量y的第k维，其中k＝1,2,3,4。α和bk通过如下方程求得：式中，I是N*N维单位矩阵。γ为惩罚因子；(4)利用训练好的LS-SVM模型，结合缩放因子搜索进行实时故障诊断，具体包括以下步骤：(4.1)从火电厂现场实时数据库或DCS系统(或其仿真器)中获取多个参数向量x＝[x1,x2,x3,x4]T，并计算每个参数向量相应的故障特征征兆向量μ＝[μ1(x1),μ1(x2),μ1(x3),μ1(x4)]T。(4.2)初始化缩放因子z＝1，对实时数据的故障模式进行判断，如果其四个故障征兆参数与典型故障样本征兆参数的正负符号均相同，则匹配为相应的故障模式。(4.3)故障模式匹配之后，对故障严重程度进行初步判断，从四个故障征兆参数中任选其一，如果比对应典型故障样本的故障征兆绝对值大，则故障缩放因子z朝减小的方向搜索，Δz＝-0.001，反之，z往增大的方向进行搜索，Δz＝0.001。更新故障征兆缩放因子z＝z+Δz和故障特征征兆向量μ＝z·μ(4.4)利用步骤(3)训练好的LS-SVM模型进行故障诊断，更新后的故障征兆向量μ作为LS-SVM的输入，判断LS-SVM的故障分离度(FSD)是否达到设定值，FSD为LS-SVM的最大输出和其第二大输出之间的差值。(4.5)如果FSD达到设定值要求，则诊断结束，故障征兆缩放因子越大，表示故障越严重；否则，执行(4.3)～(4.4)。进一步地，所述FSD的设定值要求为0.75-0.9。进一步地，所述高斯核函数的方差σ和惩罚因子γ通过粒子群优化算法获得。本专利技术的有益效果如下：采用多种改进的人工智能方法对于问题进行优化。考虑火电厂辅机设备结构复杂、设备之间耦合性强、运行工况复杂多变，完备的故障样本知识库不易从生产现场获取的特点，提出一种基于动态建模仿真技术和故障征兆缩放因子搜索策略下的多工况不同程度的故障检测方法，有效的简化故障样本知识库，使故障诊断更加快速精准。通过本文档来自技高网...

【技术保护点】
1.一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法，其特征在于，包括以下步骤：(1)建立磨煤机动态数学模型，所述的磨煤机动态数学模型的建模包括如下方程：对磨内原煤质量mC和煤粉质量mpf建立微分方程：

【技术特征摘要】
1.一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法，其特征在于，包括以下步骤：(1)建立磨煤机动态数学模型，所述的磨煤机动态数学模型的建模包括如下方程：对磨内原煤质量mC和煤粉质量mpf建立微分方程：对出口煤粉的质量流量qm,pf、煤粉的质量mpf、磨煤机进出口压差Δpa、进出口压差Δpa、磨煤机内存煤质量Mcoal、进口一次风质量流量qm,air建立数学方程：qm,pf＝K2Δpampf,Mcoal＝mC+mpf。对煤粉水分含量建立微分方程：对原煤水分蒸发量原煤含水量θCM、磨煤机出口温度tout建立数学方程：建立磨煤机出口温度tout的微分方程：式中，磨煤机电流I为：I＝K13mpf+K14mC+K15。其中，模型的输入参数为磨煤机原煤质量流量qm,C、入口一次空气质量流量qm,air、原煤含水量θCM和入口一次风温度tin；模型的输出参数为磨煤机出口温度tout、磨煤机电流I和进出口压差Δpa；状态参数为磨内原煤质量mC、煤粉质量mpf、磨煤机出口温度tout、煤水分含量γres；(2)在不同负荷下，提取磨煤机在每种典型状态下的四个特征参数：磨煤机出口温度tout，磨机电流I、进出口压差Δpa和一次风煤比R构成故障特征参数向量X＝[x1,x2,x3,x4]T。所述典型状态包括正常运行状态、少煤状态、多煤状态、堵塞状态；(3)选取某一负荷条件下的4中典型状态样本作为故障知识库来训练最小二乘支持向量机(LS-SVM)模型。以特征参数向量的征兆向量作为LS-SVM的输入向量，第j个输入向量中第i个元素μj(xi)为：其中i＝1,2,3,4；(xi0-A,xi0+A)为故障特征参数的变化范围。，xi0是在该负荷情况下的故障特征变量xi的正常运行值，其中x1,x2,x3,x4分别表示磨煤机出口温度tout，磨机电流I、进出口压差Δpa和一次风煤比R四个故障特征参数，Ai(i＝1,2,3,4)是故障特征变量xi(i＝1,2,3,4)在不同故障模式下的最大变化宽度，本发明中取Ai＝xi0所述的L...

【专利技术属性】
技术研发人员：杨强，马鎏豪，杨茜，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33