一种基于机器学习的风粉在线测量方法技术

一种基于机器学习的风粉在线测量方法，通过试验获得样本数据，通过径向基神经网络算法对样本进行学习训练，得到模型参数；判断学习训练结果，然后通过在线模型导入并计算，得到实时测量值，即进行煤粉输粉管道速度及浓度的实时计算；判断实时测量结果：验证实时计算结果，如果符合要求则结束计算。本发明专利技术应用径向基神经网络算法建立数据模型，通过机器学习的计算拟合，得到煤粉输粉管道的风速、浓度等流动参数，为锅炉状态监测提供了可靠数据。

An on-line measurement method of wind powder based on machine learning

An on-line measurement method of pulverized coal based on machine learning is proposed. Sample data are obtained through experiments, and the model parameters are obtained by learning and training the samples through radial basis function neural network algorithm. The training results are judged, and then the real-time measurement values are obtained by importing and calculating the on-line model, that is, the real-time calculation of the velocity and concentration of pulverized coal pipeline; and the real-time measurement results are judged. Verify the results of real-time calculation, and end the calculation if it meets the requirements. The invention applies radial basis function neural network algorithm to establish data model, and obtains flow parameters such as wind speed and concentration of pulverized coal pipeline through machine learning calculation and fitting, thus providing reliable data for boiler condition monitoring.

【技术实现步骤摘要】
一种基于机器学习的风粉在线测量方法
本专利技术属于锅炉状态监测
，尤其涉及一种煤粉输粉管道风粉速度、浓度在线测量装置和方法。
技术介绍
现代火电机组中煤粉输粉管道的监测主要是通过差压法测量其一次风速，对于煤粉浓度的测量是欠缺的。差压测量方法在机组运行实时测量中存在很大的问题：一是差压法测量设备磨损严重，一般机组运行半年左右就需要更换取样器；二是差压法测量过程中经常发生堵塞，需要压缩空气进行反吹扫，导致测量中断。为解决这些问题，市场上出现了多种测量方法，包括微波法、光电检测法、激光法、超声波法、静电感应法等。但是这些新的方法对煤粉输粉管道风速、浓度的测量时出现了一些新的问题，主要表现在以下几个方面：1)测量设备成本高；2)测量设备对环境的适应性差，从而导致稳定性差；3)测量精度低，灵敏度差；4)安装要求高等。这些缺点及问题导致上述测量方法在实际应用中无法取得良好效果，而通过基于机器学习算法的风粉测量装置和方法可以很好的解决这些问题，该系统具有使用维护方便的特点，能够很好的适应电厂运行、检修的要求。
技术实现思路
针对上述
技术介绍
中提到在线测量稳定性差、测量精度低、灵敏度差等问题，本专利技术运用气固两相流的流动原理，通过分析煤粉输粉管道压力与风速浓度的关系，提出了一种基于机器学习的风粉测量装置和方法。本专利技术的技术方案是：一种基于机器学习的风粉在线测量方法，其特征是，该方法包括以下步骤：步骤1：分析制粉系统的特点，确定影响煤粉输粉管道风速、浓度的各参数，同时在煤粉输粉管道上安装两台压力变送器，用来实时监测管道内的静压力；步骤2：进行制粉系统性能试验并记录试验数据，所述试验数据包括试验测量得到的煤粉输粉管道中的一次风速及浓度，以及在试验中记录步骤1中所安装的压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力参数值；步骤3：将步骤2中的试验数据作为样本数据,样本数据包括步骤2中用试验测量得到的煤粉输粉管道中的速度及浓度以及在试验中记录的步骤1中的安装的压力变送器的测量值、磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等n个参数，其中各参数用x1、x2…xn表示，同时将试验得到的煤粉输粉管道的速度及浓度数据分别作为拟合的目标值，此处用z(p)表示，p表示为第p个工况；步骤4：应用机器学习算法建立模型并对样本数据学习训练，得到拟合目标的函数表达式F(p)；步骤5：判断F(p)与z(p)两者的差，当[z(p)-F(p)]/z(p)的绝对值在预定精度范围内则学习结果可用，所求得的wm(p)即为模型参数，否则返回步骤4调整神经网络学习率λ重新进行学习训练，直到[z(p)-F(p)]/z(p)的绝对值在预定精度范围内，然后进入步骤6；其中，若z(p)为风速的试验测量值，则所求的模型即为风速测量模型，所求的参数即为风速模型参数；如果z(p)为浓度的试验测量值，则所求的模型即为浓度测量模型，所求的参数即为浓度模型参数；步骤6：在测量计算站中搭建风速、浓度计算模型，并导入步骤5中的模型参数；步骤7：实时采集新安装的炉侧压力变送器的测量值、新安装的磨侧压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等参数数据，通过步骤6搭建的搭建风速、浓度计算模型，计算煤粉输粉管道的一次风速及煤粉浓度；将计算结果与步骤2中一次风速及煤粉浓度值试验值进行比较，如果误差在预定的误差阈值范围内，即拟合的计算值与步骤2中的试验值的差占试验值的比例在预定的误差阈值范围内，则认为结果可用，否则返回步骤2，重新调整试验工况；直到计算结果与步骤2中一次风速及煤粉浓度值试验值在设定精度范围内。本专利技术进一步包括以下优选方案：在步骤1中，所述的压力变送器为静压型压力变送器，在煤粉输粉管道直角弯的两侧安装两个压力变送器；每一个压力变送器安装位置应满足距离上游直角弯处超过5倍管道直径，且距离下游的直角弯处超过3倍管道直径。在步骤2中，所述制粉系统性能试验应根据GB/T10184-2015《电站锅炉性能试验规程》、DL/T467-2004《电站磨煤机及制粉系统性能试验》制定。在步骤3中，不同的工况以磨煤机的出力来区分的，包括通过调整磨煤机的风量或者煤量，以取得不同的工况。在步骤4中，采用了径向基函数神经网络算法获得拟合目标的函数表达式F(p)及模型参数。在步骤4中，应用机器学习算法建立模型并对样本数据学习训练具体包括以下内容：4.1首先将步骤3中样本数据的各参数划分m个数据中心，数据中心可以根据参数的范围来确定，各参数均需划分成m个数据中心；4.2将样本数据的各参数数值与划分的数据中心值进行差值计算，定义中间输入变量ym；y1(p)＝(x1－x11)2+(x2－x21)2+...+(xn－xn1)2···ym(p)＝(x1－x1m)2+(x2－x2m)2+...+(xn－xnm)2上式中，p表示第p个工况，其中xnm表示参数xn的第m个数据中心；4.3根据上述划分的数据中心，定义对应数据中心的系数，用wm表示，其表达式为：wm(p)＝wm(p-1)+λ[z(p)-F(p-1)]×ym(p)式中，wm(p)表示第m个数据中心在第p个工况下的系数，λ表示神经网络学习率，为一设定常数；4.4根据下式计算拟合目标的函数表达式F(p)为：在4.1中，所划分的m个数据中心须覆盖该参数的所有范围；所述数据中心可以等分，亦可以不等分。在步骤5中，所述预定精度是指拟合的目标值z(p)与得到拟合目标的函数表达式F(p)之间的相对差[z(p)-F(p)]/z(p)的绝对值在5％以内。在步骤7中，所述预定的误差阈值为5％。在步骤7中，返回步骤2重新调整试验工况包括：通过细分工况、增加试验工况的数量。本专利技术相对于现有技术，具有以下有益的技术效果：传统的通过皮托管测量管道差压来计算煤粉输粉管道速度的方法，在测量过程中，设备磨损严重，从而导致其测量精度降低，且其不能测量煤粉输粉管道的煤粉浓度，这些缺点在机器学习的风粉测量系统中得到了有效解决；目前日益盛行的静电测量方法在对煤粉煤质方面的要求比较高，一般而言，静电测量方法对于水分比较大的煤质，其测量精度大大降低，甚至发生测不出信号的情况，这种问题在机器学习的风粉测量系统中不会发生。综上所述，该测量方法具有广泛的适应性以及较高的精度，且其测量精度很稳定，不会随着使用的时间长短而变化。附图说明图1为本专利技术基于机器学习的风粉在线测量方法的径向基函数神经网络算法；图2为本专利技术基于机器学习的风粉在线测量装置的结构示意图；图3为本专利技术基于机器学习的风粉在线测量方法的流程示意图。具体实施方式下面根据说明书附图，结合优选实施例对本专利技术的技术方案进一步详细说明。图2为基于机器学习的风粉测量系统框架图。基于机器学习算法的风粉测量系统通过压力变送器将从煤粉输粉管道上取到的压力信号转变成电信号并送入测量计算站中，通过交换机及接口软件，将数据存入数据库中。将算法写入测量计算站(PLC)，通过ModbusRTU通讯协议将风速浓度计算结果送入DCS系统中并进行画面本文档来自技高网...

【技术保护点】
1.一种基于机器学习的风粉在线测量方法，其特征是，该方法包括以下步骤：步骤1：分析制粉系统的特点，确定影响煤粉输粉管道风速、浓度的各参数，同时在煤粉输粉管道上安装两台压力变送器，用来实时监测管道内的静压力；步骤2：进行制粉系统性能试验并记录试验数据，所述试验数据包括试验测量得到的煤粉输粉管道中的一次风速及浓度，以及在试验中记录步骤1中所安装的压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力参数值；步骤3：将步骤2中的试验数据作为样本数据,样本数据包括步骤2中用试验测量得到的煤粉输粉管道中的速度及浓度以及在试验中记录的步骤1中的安装的压力变送器的测量值、磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等n个参数，其中各参数用x1、x2…xn表示，同时将试验得到的煤粉输粉管道的速度及浓度数据分别作为拟合的目标值，此处用z(p)表示，p表示为第p个工况；步骤4：应用机器学习算法建立模型并对样本数据学习训练，得到拟合目标的函数表达式F(p)；步骤5：判断F(p)与z(p)两者的差，当[z(p)‑F(p)]/z(p)的绝对值在预定精度范围内则学习结果可用，所求得的wm(p)即为模型参数，否则返回步骤4调整神经网络学习率λ重新进行学习训练，直到[z(p)‑F(p)]/z(p)的绝对值在预定精度范围内，然后进入步骤6；其中，若z(p)为风速的试验测量值，则所求的模型即为风速测量模型，所求的参数即为风速模型参数；如果z(p)为浓度的试验测量值，则所求的模型即为浓度测量模型，所求的参数即为浓度模型参数；步骤6：在测量计算站中搭建风速、浓度计算模型，并导入步骤5中的模型参数；步骤7：实时采集新安装的炉侧压力变送器的测量值、新安装的磨侧压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等参数数据，通过步骤6搭建的搭建风速、浓度计算模型，计算煤粉输粉管道的一次风速及煤粉浓度；将计算结果与步骤2中一次风速及煤粉浓度值试验值进行比较，如果误差在预定的误差阈值范围内，即拟合的计算值与步骤2中的试验值的差占试验值的比例在预定的误差阈值范围内，则认为结果可用，否则返回步骤2，重新调整试验工况；直到计算结果与步骤2中一次风速及煤粉浓度值试验值在设定精度范围内。...

【技术特征摘要】
1.一种基于机器学习的风粉在线测量方法，其特征是，该方法包括以下步骤：步骤1：分析制粉系统的特点，确定影响煤粉输粉管道风速、浓度的各参数，同时在煤粉输粉管道上安装两台压力变送器，用来实时监测管道内的静压力；步骤2：进行制粉系统性能试验并记录试验数据，所述试验数据包括试验测量得到的煤粉输粉管道中的一次风速及浓度，以及在试验中记录步骤1中所安装的压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力参数值；步骤3：将步骤2中的试验数据作为样本数据,样本数据包括步骤2中用试验测量得到的煤粉输粉管道中的速度及浓度以及在试验中记录的步骤1中的安装的压力变送器的测量值、磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等n个参数，其中各参数用x1、x2…xn表示，同时将试验得到的煤粉输粉管道的速度及浓度数据分别作为拟合的目标值，此处用z(p)表示，p表示为第p个工况；步骤4：应用机器学习算法建立模型并对样本数据学习训练，得到拟合目标的函数表达式F(p)；步骤5：判断F(p)与z(p)两者的差，当[z(p)-F(p)]/z(p)的绝对值在预定精度范围内则学习结果可用，所求得的wm(p)即为模型参数，否则返回步骤4调整神经网络学习率λ重新进行学习训练，直到[z(p)-F(p)]/z(p)的绝对值在预定精度范围内，然后进入步骤6；其中，若z(p)为风速的试验测量值，则所求的模型即为风速测量模型，所求的参数即为风速模型参数；如果z(p)为浓度的试验测量值，则所求的模型即为浓度测量模型，所求的参数即为浓度模型参数；步骤6：在测量计算站中搭建风速、浓度计算模型，并导入步骤5中的模型参数；步骤7：实时采集新安装的炉侧压力变送器的测量值、新安装的磨侧压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等参数数据，通过步骤6搭建的搭建风速、浓度计算模型，计算煤粉输粉管道的一次风速及煤粉浓度；将计算结果与步骤2中一次风速及煤粉浓度值试验值进行比较，如果误差在预定的误差阈值范围内，即拟合的计算值与步骤2中的试验值的差占试验值的比例在预定的误差阈值范围内，则认为结果可用，否则返回步骤2，重新调整试验工况；直到计算结果与步骤2中一次风速及煤粉浓度值试验值在设定精度范围内。2.根据权利要求1所述的一种基于机器学习的风粉测量方法，其特征是：在步骤1中，所述的压力变送器为静压型压力变送器，在煤粉输粉管...

【专利技术属性】
技术研发人员：张国瑞，王继明，翟海龙，谷薇，戴维，冯贾华，
申请(专利权)人：北京华电天仁电力控制技术有限公司，
类型：发明
国别省市：北京,11