一种基于多模型融合的磨煤机故障诊断方法及系统技术方案

本发明专利技术一种基于多模型融合的磨煤机故障诊断方法及系统。解决现有技术不能对磨煤机故障类别进行判断，无法及时采取对应措施应对磨煤机故障的问题。包括采集、去噪和归一化处理历史运行数据构建训练集和验证集，通过多种预测算法训练第一层模型，对输出数据进行重构，训练构建第二层模型为磨煤机故障诊断模型。采用多模型融合方法，对多个故障预测模型进行融合集成，建立磨煤机故障诊断模型，实现了磨煤机故障及类别的精确诊断。建立的磨煤机故障诊断模型有效防止过拟合现象，模型泛化能力出色，实现简单，计算高效，模型修正冗余程度高。结合网格搜索法，寻找到最优超参数组合，提升了模型的精度，获得了高性能的磨煤机故障诊断模型。模型。模型。

【技术实现步骤摘要】
一种基于多模型融合的磨煤机故障诊断方法及系统


[0001]本专利技术涉及磨煤机故障诊断
，尤其是涉及一种基于多模型融合的磨煤机故障诊断方法及系统。

技术介绍

[0002]磨煤机是燃煤电厂锅炉燃烧的重要辅机设备，是制粉系统的核心设备，磨煤机的运行状态直接影响锅炉运行的安全性和经济性。磨煤机的工作环境恶劣，长期处于高负荷运行状态，且燃煤电厂煤种煤质复杂多样，磨煤机本身内部结构及工作过程复杂，因此磨煤机故障频发，在日常运行中面临着较高故障风险。磨煤机一旦发生故障，会直接影响锅炉燃烧，严重时甚至会导致锅炉停火。
[0003]磨煤机的故障种类多样，包括且不限于振动异常、内部着火、堵煤、断煤等，针对不同的故障风险需要采取对应的措施及时进行干预。然而目前，燃煤电厂对上述故障风险主要是通过定期巡检或数据监盘的传统方式，难以做到及时有效地进行故障诊断。因此，实现磨煤机的在线故障诊断是燃煤电厂亟需解决的问题，对机组安全经济运行具有重要的工程应用价值。
[0004]近年来，随着人工智能技术的发展，基于机器学习的磨煤机故障模型逐渐被提出。目前针对磨煤机的故障诊断主要集中于针对磨煤机电流、出口风温、出口风压等运行参数的监测，将监测的实时数据与所建立故障模型所预测的数据进行比较，当二者差值大于设定阈值时，实现磨煤机的故障诊断。然而，上述方法并不能对故障类别进行判断，无法及时采取对应措施应对磨煤机故障。

技术实现思路

[0005]本专利技术主要是解决现有技术不能对磨煤机故障类别进行判断，无法及时采取对应措施应对磨煤机故障的问题，提供了一种基于多模型融合的磨煤机故障诊断方法及系统。
[0006]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于多模型融合的磨煤机故障诊断方法，其特征在于：包括以下步骤：S1.采集磨煤机的历史运行数据，构建交叉验证的训练集和验证集；S2.设定多种算法分别构建训练模型，根据训练集分别对各训练模型进行超参数优化训练，获得多个第一层预测模型；S3.根据第一层预测模型输出预测数据，对预测数据进行组合重构获得第二层训练数据；S4.构建第二层训练模型，根据第二层训练数据进行回归训练，获得第二层预测模型；S5.采集磨煤机运行数据进行故障诊断。
[0007]本专利技术采用多模型融合方法，对多个故障预测模型进行融合集成，建立磨煤机故障诊断模型，实现了磨煤机故障及类别的精确诊断。本专利技术专利所建立的磨煤机故障诊断
模型可以有效防止过拟合现象，模型泛化能力出色，实现简单，计算高效，同时模型修正冗余程度高。结合网格搜索法，寻找到最优超参数组合，进一步提升了模型的精度，获得了高性能的磨煤机故障诊断模型。
[0008]采集的磨煤机历史运行数据包括输入数据和输出数据，输入数据包括且不限于磨煤机的给煤量、磨煤机电流、热一次风挡板开度、冷一次风挡板开度、磨煤机进口风温、磨煤机进口风量、磨煤机进口风压、磨煤机出口风压、磨煤机出口温度、磨碗上下差压、密封风/磨碗下部差压、磨煤机磨碗转速、旋转分离器速度、旋转分离器转子速度、旋转分离器电流、旋转分离器上轴承温度、旋转分离器下轴承温度、分离器减速机滑油油温、分离器减速机输出轴轴温。
[0009]输出数据为故障状态，包括无故障、堵煤、断煤、振动异常、内部着火、入口风压升高、石子煤排量异常。
[0010]运行数据的输入数据所形成的矩阵为输出数据为故障状态其中n为数据样本量大小，m为输入参数的数量。
[0011]作为一种优选方案，采集数据后还包括对数据的预处理，预处理包括数据去噪和数据标准化。
[0012]数据去噪：采用Hankel滤波算法对原始数据中的噪声信号进行去噪处理，具体步骤如下：(1)令一维信号x
i
＝(x
1i
,x
2i
,
…
,x
ni
)＝X
iT
，i＝1,2,
…
,m，得到Hankel矩阵H
i
：矩阵H
i
即为一个Hankel矩阵，其每条反对角线上元素相同，H
i
的每一列或每一行元素都可通过循环移位得到原始一维信号x
i
。
[0013](2)对矩阵H
i
进行奇异值分解SVD：H
i
＝U
i
∑
i
V
iT
＝∑
nj＝1
σ
ij
H
ij
，
其中，U
i
和V
i
是均为n
×
n的酉矩阵，满足U
iT U
i
＝U
i
U
iT
＝I，V
iT V
i
＝V
i
V
iT
＝I，I为单位矩阵。σ
i
＝[σ
i1
,σ
i2
,
…
,σ
in
]为Hankel矩阵H
i
的n个奇异值，且满足σ
i1
>σ
i2
>
…
>σ
in
。H
ij
为第j个奇异值σ
ij
重构而成的矩阵。
[0014](3)重构滤波后矩阵H
i*
：噪声信号由于行列方向相关性弱，对应奇异值较小，因此，截取前r个奇异值进行重构去除噪声，得到新的滤波后的矩阵H
i*
：(4)重构滤波后Hankel矩阵将矩阵H
i*
反对角线上的元素进行求和平均，得到新的Hankel矩阵反对角线上的元素进行求和平均，得到新的Hankel矩阵其中，通过公式计算：得到新的即为原始数据去噪后的新数据。针对每一维信号，进行去噪处理，最终得到去噪后的输入数据矩阵为：
[0015]数据标准化：
对原始输入数据进行去噪后，采用z
‑
score方法对进行标准化处理，计算公式分别如下：式中，为标准化后的数据，1≤i≤n，1≤j≤m，为去噪后的数据，μ
j
为去噪后数据的均值，σ
j
为去噪后数据的标准差。
[0016]得到经过数据标准化后的数据矩阵R为：得到经过数据标准化后的数据矩阵R为：
[0017]作为一种优选方案，步骤S1中构建交叉验证的训练集和验证集具体过程包括：将数据按比例随机划分为训练数据和验证数据；将训练数据均等划分为K折，K
‑
1折作为训练集，1折作为验证集，且按照每一折都作为一次验证集，生成K组训练集和验证集。
[0018]具体为将预处理后的数据矩阵R随机划分为训练数据(Train)和测试数据(Test)，训练数据与测试数据之间数据量比例为8:2，具体为：数据之间数据量比例为8:2，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型融合的磨煤机故障诊断方法，其特征在于：包括以下步骤：S1.采集磨煤机的历史运行数据，构建交叉验证的训练集和验证集；S2.设定多种算法分别构建训练模型，根据训练集分别对各训练模型进行超参数优化训练，获得多个第一层预测模型；S3.根据第一层预测模型输出预测数据，对预测数据进行组合重构获得第二层训练数据；S4.构建第二层训练模型，根据第二层训练数据进行回归训练，获得第二层预测模型；S5.采集磨煤机运行数据进行故障诊断。2.根据权利要求1所述的一种基于多模型融合的磨煤机故障诊断方法，其特征是步骤S2中对各训练模型进行超参数优化训练过程包括：随机获取设定算法的超参数组合，根据设定算法和训练集训练得到初始模型，由初始模型输出若干初始预测输出值，根据初始预测输出值和对应的训练数据输出值计算两者的MacroF1值，并求得平均MacroF1值；设定搜索次数，重复上述步骤，完成后从获得的平均MacroF1值中选取最大值，得到对应的超参数组合为最优超参数组合；设置最优超参数组合为设定算法的最终超参数，根据不同训练集训练获得若干第一层预测模型，根据第一层预测模型将对应的验证集进行预测得到子预测值，将子预测数据合并获得各算法预测值。3.根据权利要求2所述的一种基于多模型融合的磨煤机故障诊断方法，其特征是分别采用改进随机森林算法、CatBoost算法、深度神经网络算法训练获得第一层预测模型。4.根据权利要求1
‑
3任一项所述的一种基于多模型融合的磨煤机故障诊断方法，其特征是步骤S4具体过程包括：将各算法预测数据作为输入，采用多分类逻辑斯蒂回归模型构建第二层预测模型进行训练，损失函数为交叉熵损失函数，利用softmax回归输出各个故障类别的概率，根据最小化交叉熵损失函数的训练目...

【专利技术属性】
技术研发人员：魏勇，孙胡彬，江学文，周晓亮，李楠，叶君辉，赵敏，寿志杰，詹港明，卢子轩，李锋，
申请(专利权)人：杭州集益科技有限公司，
类型：发明
国别省市：