一种基于深度学习的磨煤机健康度评估方法技术

本发明专利技术公开了一种基于深度学习的磨煤机健康度评估方法，构建了R

【技术实现步骤摘要】
一种基于深度学习的磨煤机健康度评估方法


[0001]本专利技术涉及一种评估方法，尤其涉及一种基于深度学习的磨煤机健康度评估方法。

技术介绍

[0002]电站磨煤机是锅炉燃烧制粉系统的核心设备，为炉膛燃烧提供燃料支持，磨煤机发生的任何故障都直接影响到机组的安全稳定运行，其工作状况对整个电厂系统运行的安全和经济性具有重要的影响，也直接关乎企业效益、电网安全。虽然目前在磨煤机状态监测和故障诊断方面已经取得了一些成绩，但是对磨煤机进行状态监测和故障诊断的方法研究依然有着十分重要的意义。
[0003]传统的基于模型的磨煤机状态监测方法是扩展卡尔曼滤波器。但在实际应用中，工业过程有时变特性，并存在测量噪声和过程干扰，这可能会导致扩展卡尔曼滤波器发散，并使估计值包含较多噪声成分，产生较大的波动，降低状态估计的准确性。这对磨煤机的控制和故障检测都是不利的。
[0004]目前，针对磨煤机故障诊断的研究主要包括：基于定量模型的故障诊断，首先确定所研究的磨煤机故障类型，其次依据某类故障类型建立相关的故障表达式，最好依据故障表达式判断故障是否发生，故障表达式的精确建立是判断磨煤机运行性能的关键；基于信号模型的故障诊断中，主要依据传感器测量工具辨识磨煤机运行中生成的信号，传感测量工具是判断磨煤机运行性能的关键，另外，传感器的大量安装使用及后续维修，将产生过高的成本费用，不利于建设经济型电厂；基于历史数据模型的故障诊断中，依据磨煤机设备历史运行数据，基于某智能算法识别磨煤机故障参数并深度挖掘磨煤机设备故障模型。上述研究主要针对磨煤机某类故障开展研究，而磨煤机设备运行参数之间具有非线性强耦合特征，某一参数的变化往往引起其它参数的变化，导致多种类的故障发生，无法全方位实现磨煤机设备运行安全性的评估。

技术实现思路

[0005]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于深度学习的磨煤机健康度评估方法。
[0006]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于深度学习的磨煤机健康度评估方法，包括以下评估步骤：
[0007]S1、从磨煤机的历史运行数据库中提取与影响磨煤机设备安全运行的关键因素的参数，保存这些参数项的名称，构成原始数据集
[0008]S2、从磨煤机的历史运行数据中截取部分监测参数的数据作为训练集；
[0009]S3、构建R
‑
CNN
‑
LSTM模型，将训练集中磨煤机的每个监测测点参数值作为模型的目标，其他监测测点参数值作为模型的输入，进行有监督训练，并保存训练成果模型；
[0010]S4、应用R
‑
CNN
‑
LSTM成果模型估算待评估磨煤机的监测测点参数的值；
[0011]S5、计算待评估磨煤机各监测测点参数的计算结果与实际值会存在偏离，以偏离度大小表征磨煤机健康度。
[0012]进一步地，所获得的训练集数据需基于数据清洗策略剔除训练集中的异常点，并保存标准化模型，具体过程为：获取由全部磨煤机运行监测参数构成的数据集，分析数据集中设备运行机理，根据参数正常工作范围，将参数正常工作范围外的值替换为缺失值，并将包含缺失值的观测剔除，其中故障时段内的数据也需剔除。
[0013]进一步地，R
‑
CNN
‑
LSTM模型的建模过程为：
[0014]基于RCNN进行训练，挖掘深层特征，RCNN各部分是分开训练的，首先训练CNN，然后再训练SVM，最后训练回归器；
[0015]将获取的深层特征结果输入到LSTM中，挖掘趋势性特征，进行有监督训练，并保存成果模型。
[0016]进一步地，RCNN训练过程具体有：
[0017]CNN部分：
[0018](1)有监督的预训练：在ILSVRC2012对CNN(AlexNet)进行预训练；
[0019](2)Domain
‑
specific的微调：对于每个region proposal，若和其最接近的ground
‑
truth的IoU值>＝0.5,将其定义为该对应类别的正类，其余作为负类，用这些样本再对CNN进行微调，在微调的阶段除了最后一层分类层的节点数变为N+1除外，其他所有层的结构都不改变；
[0020]SVM部分：
[0021]对于每个region proposal，若和其最接近的ground
‑
truth的IoU值小于某threshold，则将其定义为负类，而正类简单地定义为ground
‑
truth框，将这些样本送入CNN得到特征向量后暂存在磁盘中，再用这些特征向量训练SVM；
[0022]回归器部分：
[0023]回归器采用岭回归，回归器数量＝物体类别数，即同SVM一样，针对每个物体类别设置对应的回归器。
[0024]进一步地，正负样本定义标准为：候选区域和ground
‑
truth的IoU大于等于0.6且类别一致的当作正样本，反之为负样本。
[0025]进一步地，RCNN训练过程中，目标函数及参数定义为：
[0026]定义P＝(P
x
，P
y
，P
w
，P
h
)为候选区域，其中P
x
，P
y
代表候选区域的中心坐标，P
w
，P
h
代表候选区域的宽和高；定义GT为G＝(G
x
，G
y
，G
w
，G
h
)，GT表示为ground
‑
truth，预测的GT为定义d
*
(P)为候选区域和GT的偏移量，如d
x
(P)为x的偏移量。预测GT关系式为：
[0027][0028][0029][0030][0031]其中，exp表示为指数曲线，其中，exp表示为指数曲线，指第n个池化层后的特征，即为输入特征向量，使用岭回归学习得到w
*
，即式子：
[0032][0033]上式中，argmin代表最小的参数，p
i
代表矩阵，λ代表代求参数，t
*
指的：
[0034]t
x
＝(G
x
‑
P
x
)/P
w
ꢀꢀ
(3.6)
[0035]t
y
＝(G
y
‑
P
y
)/P
h
ꢀꢀ
(3.7)
[0036]t
w
＝log(G
w
/P
w
)
ꢀꢀꢀꢀ
(3.8)
[0037]t
h
＝log(G
h
/P...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的磨煤机健康度评估方法，其特征在于：包括以下评估步骤：S1、从磨煤机的历史运行数据库中提取与影响磨煤机设备安全运行的关键因素的参数，保存这些参数项的名称，构成原始数据集S2、从磨煤机的历史运行数据中截取部分监测参数的数据作为训练集；S3、构建R
‑
CNN
‑
LSTM模型，将训练集中磨煤机的每个监测测点参数值作为模型的目标，其他监测测点参数值作为模型的输入，进行有监督训练，并保存训练成果模型；S4、应用R
‑
CNN
‑
LSTM成果模型估算待评估磨煤机的监测测点参数的值；S5、计算待评估磨煤机各监测测点参数的计算结果与实际值会存在偏离，以偏离度大小表征磨煤机健康度。2.根据权利要求1所述的基于深度学习的磨煤机健康度评估方法，其特征在于：所获得的训练集数据需基于数据清洗策略剔除训练集中的异常点，并保存标准化模型，具体过程为：获取由全部磨煤机运行监测参数构成的数据集，分析数据集中设备运行机理，根据参数正常工作范围，将参数正常工作范围外的值替换为缺失值，并将包含缺失值的观测剔除，其中故障时段内的数据也需剔除。3.根据权利要求1所述的基于深度学习的磨煤机健康度评估方法，其特征在于：R
‑
CNN
‑
LSTM模型的建模过程为：基于RCNN进行训练，挖掘深层特征，RCNN各部分是分开训练的，首先训练CNN，然后再训练SVM，最后训练回归器；将获取的深层特征结果输入到LSTM中，挖掘趋势性特征，进行有监督训练，并保存成果模型。4.根据权利要求3所述的基于深度学习的磨煤机健康度评估方法，其特征在于：RCNN训练过程具体有：CNN部分：(1)有监督的预训练：在ILSVRC2012对CNN(AlexNet)进行预训练；(2)Domain
‑
specific的微调：对于每个region proposal，若和其最接近的ground
‑
truth的IoU值>＝0.5，将其定义为该对应类别的正类，其余作为负类，用这些样本再对CNN进行微调，在微调的阶段除了最后一层分类层的节点数变为N+1除外，其他所有层的结构都不改变；SVM部分：对于每个region proposal，若和其最接近的ground
‑
truth的IoU值小于某threshold，则将其定义为负类，而正类简单地定义为ground
‑
truth框，将这些样本送入CNN得到特征向量后暂存在磁盘中，再用这些特征向量训练SVM；回归器部分：回归器采用岭回归，回归器数量＝物体类别数，即同SVM一样，针对每个物体类别设置对应的回归器。5.根据权利要求4所述的基于深度学习的磨煤机健康度评估方法，其特征在于：正负样本定义标准为：候选区域和ground
‑
truth的IoU大于等于0.6且类别一致的当作正样本，反之为负样本。6.根据权利要求4所述的基于深度学习的磨煤机健康度评估方法，其特征在于：RCNN训
练过程中，目标函数及参数定义为：定义P＝(P
x
，P
y
，P<...

【专利技术属性】
技术研发人员：孙贺贺，李郭敏，
申请(专利权)人：未必然数据科技北京有限公司，
类型：发明
国别省市：