基于小波分解重构及近邻算法的磨煤机运行状态判别方法技术

基于小波分解重构及近邻算法的磨煤机运行状态判别方法及系统，属于设备状态分析判别技术领域，所要解决的技术问题在于如何通过建立运行参数与运行时间关系，实现磨煤机状态的实时判断；使用以给煤量为条件的近邻算法，根据磨煤机各项参数对状态进行评价；利用小波分解重构后的各参数与历史各状态的小波分解重构参数进行近邻算法分类，判定当前参数与哪类历史参数状态相同，进而实现磨煤机状态判别分析，用于因磨煤机长期运行造成磨辊磨损、机械疲劳，需要界定其运行状态确定是否进行检修，利用算法判断磨煤机状态，为制定检修计划提供依据。

【技术实现步骤摘要】
基于小波分解重构及近邻算法的磨煤机运行状态判别方法
本专利技术属于设备状态分析判别
，具体涉及一种基于小波分解重构及近邻算法的磨煤机运行状态判别方法。
技术介绍
火力发电厂磨煤机作为辅机设备是影响锅炉安全运行的重要因素，随着信息技术发展，电厂DCS系统产生大量设备运行参数，如何高效处理、分析这些数据资源是进一步提高电站管理水平、保障安全运行的重要手段。设备评估可以抽象的定义为通过特征参数的输入获得设备状态评语的过程。在设备状态评估发展的最开始阶段，由有经验的专家根据设备运行过程中出现的一系列诸如噪声、振动等外部特征来判断设备的运行状态；或使用少量的特征参数通过简单的趋势分析确定设备的运行状态。磨煤机随运行时间的增长，传动机构、磨辊易发生磨损造成电耗升高；受长期风粉冲刷影响，喷嘴环处、出口管道等位置易发生磨损变形造成出口风速、本体进出口差压变化；轴承润滑油质、油位变化导致轴承温度，轴承x、y方向振动发生变化，综上所述，随运行时间增长，磨煤机各项参数指标随运行时间增长会向劣化趋势发展。现有技术中，公开号为101178580A、公开日期为2008年5月14日的中国专利技术专利申请《基于数据挖掘的火电厂钢球磨煤机制粉系统自动控制方法》，公开了根据磨煤机负荷、出口温度、入口负压、出入口压差的参数进而控制输出空间数据包括：煤量、热风门开度、再循环风门开度、冷风门开度；该文献使用的算法是模糊加权共享最近邻的密度聚类算法，针对的是钢球磨煤机制粉系统。文献“多尺度主元分析在热力系统模式识别中的应用研究，华北电力大学，李晓杰，2019年3月”公开了磨煤机的故障诊断方法，通过对预处理后的数据进行PCA多尺度主元分析，对分析后的参数计算SPE与T2,若计算结果超过其控制限，则认为磨煤机发生故障；该文献采用的的小波分解针对的是锅炉燃烧中锅炉的给煤量、一次风量、二次风量等参数计算SPE与T2,并对SPE与T2进行小波分解重构。由于磨煤机煤质变化对各项参数影响，各参数与运行时间无法以简单的线性或非线性数学模型表示，因此通过模型建立运行参数与运行时间关系，通过运行参数识别磨煤机当前状态将有助于电厂的检修、维护工作，防止事故、故障发生，因此，如何通过建立运行参数与运行时间关系，实现磨煤机状态的实时判断成为亟需解决的问题。
技术实现思路
本专利技术所要解决的技术问题在于如何通过建立运行参数与运行时间关系，实现磨煤机状态的实时判断。本专利技术是通过以下技术方案解决上述技术问题的：基于小波分解重构及近邻算法的磨煤机运行状态判别方法，包括以下步骤：步骤1，采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；步骤2，对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；步骤3，对“db3”小波分解重构后的参数数据进行归一化；步骤4，将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。本专利技术针对直吹式制粉系统，使用以给煤量为条件的近邻算法，根据磨煤机各项参数对状态进行评价；利用小波分解重构后的各参数与历史各状态的小波分解重构参数进行近邻算法分类，判定当前参数与哪类历史参数状态相同，进而实现磨煤机状态判别分析；由于磨煤机煤质变化影响运行时间与运行参数关系，对卡方统计筛选出参数进行小波分解重构，去除煤质变化等高频信号影响，仅以低频信号重构；因重构后的各参数量纲不同，对各参数进行归一化处理；将归一化后参数录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时实际数据与训练数据的近邻算法结果，即可判别实际数据与历史数据中哪段标签相符，进而判断磨煤机当前状态。作为本专利技术技术方案的进一步改进，所述的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈。作为本专利技术技术方案的进一步改进，步骤2中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)为1层低频分解系数；3)使用b)中的方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；4)对5层低频系数x5L(t)进行小波重构，定义重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变；5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)；6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。作为本专利技术技术方案的进一步改进，步骤3中归一化的公式为：作为本专利技术技术方案的进一步改进，步骤4中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的本文档来自技高网...

【技术保护点】
1.基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，包括以下步骤：/n步骤1，采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；/n步骤2，对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；/n步骤3，对“db3”小波分解重构后的参数数据进行归一化；/n步骤4，将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。/n

【技术特征摘要】
1.基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，包括以下步骤：
步骤1，采集磨煤机上个A修期起至下个A修期前的两个A修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
步骤2，对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
步骤3，对“db3”小波分解重构后的参数数据进行归一化；
步骤4，将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。


2.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，所述的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈。


3.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤2中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵，“db3”小波Lo_D＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，Hi_D＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与Lo_D进行卷积，卷积结果x1L(t)共计(n+5)/2项，x1L(t)为1层低频分解系数；
3)使用b)中的方法继续对x1L(t)再进行4层小波分解，获取x2L(t)，x3L(t)，x4L(t)，x5L(t)；
4)对5层低频系数x5L(t)进行小波重构，定义重构特征矩阵x5L(t)'，x5L(t)'中偶数项为0，奇数项为x5L(t)不变；
5)定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器Hi_R＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5L(t)'与Lo_R进行卷积，得到x4(t)”，x5L(t)'共有a项，x4L(t)'共有b项，计算D＝(a-b)/2，令C为D最小整数部分，E为D最大整数部分，计算F＝a-E；获取x4(t)”中由C项开始至F项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。


4.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤3中归一化的公式为：





5.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤4中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
Q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2
对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。


6.基于小波分解重构及近邻...

【专利技术属性】
技术研发人员：王远鑫，许文良，潘存华，邓中乙，马启磊，陈俊，
申请(专利权)人：中国大唐集团科学技术研究院有限公司华东电力试验研究院，大唐锅炉压力容器检验中心有限公司，
类型：发明
国别省市：安徽;34