基于数字孪生及BP神经网络的磨煤机诊断方法及系统技术方案

本发明专利技术属于磨煤机故障检测技术领域，公开了基于数字孪生及BP神经网络的磨煤机诊断方法及系统。所述方法包括：构建与磨煤机相映射的孪生模型；依据孪生模型与磨煤机的数据交互得到孪生模型的输出量，对比孪生模型各第一参数的值与自磨煤机采集的各第一参数的值以优化得到目标孪生模型；基于目标孪生模型仿真获取若干训练样本，以训练BP神经网络预测模型得到目标预测模型；使目标孪生模型获取磨煤机实时参数以得到各输出量，并对比目标孪生模型各第一参数的值与磨煤机输出的各第一参数的值以确认两者运行一致时，将所有输出量输入目标预测模型以预测磨煤机故障。本发明专利技术实现了磨煤机的故障预测，从而减少了故障发生频率，降低了火电厂发电成本。了火电厂发电成本。了火电厂发电成本。

【技术实现步骤摘要】
基于数字孪生及BP神经网络的磨煤机诊断方法及系统


[0001]本专利技术涉及磨煤机故障检测
，具体涉及基于数字孪生及BP神经网络的磨煤机诊断方法及系统。

技术介绍

[0002]火电厂是一种由锅炉机组、汽轮机及发电机等设备组成，以将燃料燃烧时的化学能依次转换为热能、机械能，进而转换为电能的发电厂。实际发电过程中，所述燃料多为煤，相应的锅炉机组则为燃煤锅炉机组。此时，为了提高火电厂的燃煤效率，还在燃煤锅炉机组前增加了磨煤机以将原煤磨成煤粉并输送给燃煤锅炉。
[0003]基于降低火电厂发电成本考虑，需要尽量减少相应设备故障，并避免故障下的设备宕机。其中，对于燃煤锅炉机组的故障统计分析表明，磨煤机的少煤、堵煤或断煤是导致燃煤锅炉机组异常的主要原因。但受磨煤机运行环境复杂性影响，磨煤机的运行状态往往具有较大的不确定性，因此在实际生成中并无法基于第一参数变化对其进行运行状态进行有效监测。此时，只有当燃煤锅炉故障发生进行排查维修时，才可对确认相应的磨煤机故障；而此时相应的成本损失已然造成。

技术实现思路

[0004]本专利技术目的在于提供基于数字孪生及BP神经网络的磨煤机诊断方法及系统，以改善现有技术中无法对磨煤机运行状态有效监控从而无法有效避免相应成本损失的技术问题。
[0005]为达成上述目的，本专利技术提出如下技术方案：
[0006]基于数字孪生及BP神经网络的磨煤机诊断方法，包括：
[0007]构建与磨煤机相映射的孪生模型；其中，控制方程包括：一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程；所述孪生模型的输入量包括：各所述控制方程中作为自变量的物理参数，输出量包括与磨煤机运行相应的第一参数，及由孪生模型仿真的第二参数；其中，所述第一参数包括：电流、一次风流量、一次风温度、给煤量及出口温度；所述第二参数包括：内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值；
[0008]依据所述孪生模型与所述磨煤机间的数据交互得到所述孪生模型的各所述输出量，并对比孪生模型输出的各所述第一参数的值与自磨煤机采集的各所述第一参数的值以迭代优化所述孪生模型，进而得到目标孪生模型；
[0009]基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型；
[0010]使所述目标孪生模型获取磨煤机的实时参数作为输入量以输出各所述输出量，并基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值
的对比以确认所述目标孪生模型与磨煤机运行一致时，将所有所述输出量输入至所述目标预测模型以对磨煤机进行故障预测。
[0011]进一步的，所述构建与磨煤机相映射的孪生模型，包括：
[0012]基于磨煤机的结构参数、材料参数及尺寸参数构建几何模型；
[0013]为所述几何模型添加物理接口及各所述控制方程以构建物理模型；其中，所述物理接口用于进行输入量的输入，各所述输入量由与磨煤机的数据交互获取，或由仿真获取；
[0014]为所述物理模型添加约束规则以构建所述孪生模型；其中，所述约束规则包括：一次风流量约束、一次风温度约束、磨煤机出口温度范围约束、存煤量约束、出口煤粉细度约束。
[0015]进一步的，所述基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致，包括：
[0016]获取基于所述目标孪生模型输出的各所述第一参数的值的集合S
VE
，基于所述磨煤机输出的各所述第一参数的值的集合S
PE
；
[0017]判断时，确认所述目标孪生模型与磨煤机运行一致；其中，T
S
为预设阈值；
[0018]反之则确认磨煤机未发生超出所述目标孪生模型内任一约束规则的故障时，基于所述磨煤机对所述目标孪生模型重新优化。
[0019]进一步的，包括：
[0020]所述一次风温度动态微分方程为：
[0021][0022]其中，T1为冷热风门至一次风温度惯性常数，T
in
为一次风温度，为一次风温度变化率，C
L
为冷一次风比热容，为热风门最大风流量，U
L
为冷风阀门开度，T
L
为冷一次风温度，C
H
为热一次风比热容，为热风门最大风流量，U
H
为热风阀门开度，T
H
为热一次风温度，C
in
为一次风比热容；
[0023]所述一次风流量动态微分方程为：
[0024][0025]其中，T2为冷热风门至一次风流量惯性常数，W
air
为一次风流量，为一次风流量变化率；
[0026]所述出口风粉混合物温度动态微分方程为：
[0027][0028]其中，C
mix
为磨煤机参与换热的整体比热容；M
C
为原煤质量，M
pf
为煤粉质量，M
metal
为磨煤机内进行换热的金属质量，为磨煤机出口风粉混合物温度变化率，Q
in
为单位时间
内流入磨煤机内的总热量，Q
out
为单位时间内流出磨煤机内的总热量；
[0029]所述原煤动态微分方程为：
[0030][0031]其中，为原煤质量变化率，W
C
为给煤量，K
conv
为单位时间内原煤与煤粉间的转化系数；
[0032]所述煤粉动态微分方程为：
[0033][0034]其中，W
pf
为磨煤机出口煤粉流量，为磨煤机内煤粉质量变化率；
[0035]所述磨煤机电流方程为：
[0036]I＝K1·
M
pf
+K2·
M
C
+K3；
[0037]其中，I为磨煤机电流，K1、K2、K3均为系数。
[0038]进一步的，所述基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型，包括：
[0039]设定所述BP神经网络预测模型的输出量为故障类型；其中，所述故障类型包括：少煤故障、堵煤故障及出口温度高故障；
[0040]设定所述BP神经网络预测模型的输入节点数为9个，输出节点数为3个，隐含层节点数为10个。
[0041]进一步的，包括：
[0042]基于所述故障预测结果选择相应的维修策略；
[0043]依据所述维修策略对所述孪生模型的修正对其进行优化直至所述孪生模型故障恢复；
[0044]基于所述优化后的维修策略对所述磨煤机进行维修。
[0045本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生及BP神经网络的磨煤机诊断方法，其特征在于，包括：构建与磨煤机相映射的孪生模型；其中，控制方程包括：一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程；输入量包括各所述控制方程中作为自变量的物理参数；输出量包括与磨煤机运行相应的第一参数，及由孪生模型仿真的第二参数；其中，所述第一参数包括：电流、一次风流量、一次风温度、给煤量及出口温度；所述第二参数包括：内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值；依据所述孪生模型与所述磨煤机间的数据交互得到所述孪生模型的各所述输出量，并对比孪生模型输出的各所述第一参数的值与自磨煤机采集的各所述第一参数的值以迭代优化所述孪生模型，进而得到目标孪生模型；基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型；使所述目标孪生模型获取磨煤机的实时参数作为输入量以输出各所述输出量，并基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致时，将所有所述输出量输入至所述目标预测模型以对磨煤机进行故障预测。2.根据权利要求1所述的基于数字孪生及BP神经网络的磨煤机诊断方法，其特征在于，所述构建与磨煤机相映射的孪生模型，包括：基于磨煤机的结构参数、材料参数及尺寸参数构建几何模型；为所述几何模型添加物理接口及各所述控制方程以构建物理模型；其中，所述物理接口用于进行输入量的输入，各所述输入量由与磨煤机的数据交互获取，或由仿真获取；为所述物理模型添加约束规则以构建所述孪生模型；其中，所述约束规则包括：一次风流量约束、一次风温度约束、磨煤机出口温度范围约束、存煤量约束、出口煤粉细度约束。3.根据权利要求2所述的基于数字孪生及BP神经网络的磨煤机诊断方法，其特征在于，所述基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致，包括：获取基于所述目标孪生模型输出的各所述第一参数的值的集合S
VE
，基于所述磨煤机输出的各所述第一参数的值的集合S
PE
；判断时，确认所述目标孪生模型与磨煤机运行一致；其中，T
S
为预设阈值；反之则确认磨煤机未发生超出所述目标孪生模型内任一约束规则的故障时，基于所述磨煤机对所述目标孪生模型重新优化。4.根据权利要求1所述的基于数字孪生及BP神经网络的磨煤机诊断方法，其特征在于，包括：所述一次风温度动态微分方程为：
其中，T1为冷热风门至一次风温度惯性常数，T
in
为一次风温度，为一次风温度变化率，C
L
为冷一次风比热容，为热风门最大风流量，U
L
为冷风阀门开度，T
L
为冷一次风温度，C
H
为热一次风比热容，为热风门最大风流量，U
H
为热风阀门开度，T
H
为热一次风温度，C
in
为一次风比热容；所述一次风流量动态微分方程为：其中，T2为冷热风门至一次风流量惯性常数，W
air
为一次风流量，为一次风流量变化率；所述出口风粉混合物温度动态微分方程为：其中，C
mix
为磨煤机参与换热的整体比热容；M
C
为原煤质量，M
pf
为煤粉质量，M
metal
为磨煤机内进行换热的金属质量，为磨煤机出口风粉混合物温度变化率，Q
in
为单位时间内流入磨煤机内的总热量，Q
out
为单位时间内流出磨煤机内的总热量；所述原煤动态微分方程为：其中，为原煤质量变化率，W
C
为给煤量，K
conv
为单位时间内原煤与煤粉间的转化系数；所述煤粉动态微分方...

【专利技术属性】
技术研发人员：冯旭刚，黄鹏辉，王正兵，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：