一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法

本发明属于火电厂筒式球磨机负荷在线检测技术领域，尤其是一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法。

背景技术：

在中国电力行业中，火力发电厂承担着主要的生产任务，火力发电量占总发电容量的70％以上。但是火力发电的能源利用率普遍偏低，运行过程中的能源消耗所占比例较大。其中制粉系统中的磨煤机是主要的耗能设备。在火力发电厂中，筒式低速球磨机是制粉系统中的常用设备。研究表明，磨煤机的负荷状态维持在最佳水平可以节约10％以上的电能。因此实现对磨机负荷的在线实时测量，研究优化运行策略，提高能源的利用率对节约成本和提高电能生产具有重要意义。

由于磨机内部环境恶劣且随着磨机的转动负荷情况在动态变化，并受诸多干扰因素的影响，使得磨机负荷的直接检测非常困难。目前，应用较多的磨机负荷检测方法有磨音法和振动法。磨音法是一种采用磨机运行时发出的噪音来估计磨机负荷的软测量方法。该方法容易受到煤质水分占比、邻磨启停和工厂背景噪音等干扰因素的影响，往往具有线性度差、准确度低等问题。

振动法是目前国内外研究比较流行的软测量方法之一。振动法是通过磨机轴承的振动信号或筒体表面的振动信号来估计磨机负荷的软测量方法。在磨机筒体的旋转过程中，研磨体与筒体内的煤、研磨体和磨机筒壁发生碰撞，实现煤粉的碾磨，即碰撞的一部分动能用于破碎煤块；剩余的一部分动能会作用在筒体表面引起筒体表面和轴承的振动。存煤量的不同，产生的振动强度也不同，因此可以采用振动信号来实现磨机负荷的软测量。筒体的振动强度与磨机负荷大致负相关，即振动强度较高时，筒体内的存煤量较少；反之亦然。由于这些振动信号都有特定振动频率，在频谱特性上并不会随着磨机负荷的变化而变化。在实际应用中，振动信号容易受到煤质转换、钢球磨损和衬板磨损等一些不可测扰动的影响，使得离线训练的软测量模型在线应用中出现模型退化和模型异常现象，导致给出错误的负荷估计。因此，需要研究对磨机运行过程中的不可测扰动进行监测和校正策略。

技术实现要素：

为了解决现有技术中存在的不足，本发明提出了一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法，本发明所提出的检测方法是基于分数阶傅立叶变换，在离线训练阶段得到多个软测量离线模型，实现在线应用中对不可测扰动的监测和补偿，无需更新和重复训练离线模型，具有低复杂度和高可靠性的特点，最终可以避免不可测扰动对在线应用过程中软测量模型的影响。

本发明所采用的技术方案如下：

一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法，包括如下步骤：

s1，在磨机筒体表面的设置多个振动传感器，通过控制采样时间分别采集破碎区和研磨区多个振动信号；

s2，基于分数阶傅立叶变换对s1中所获取的振动信号进行时频转换和特征提取，得到不同阶次下表征磨机内部负荷的特征信息；

s3，基于最小二乘支持向量机建立不同阶次下的磨机负荷的软测量模型，并根据各软测量模型的估计精度得到最优阶次和该阶次下的磨机负荷估计值；

s4，当某一振动信号的最优阶次发生变化时，认为有扰动发生，并根据软测量模型估计精度重新选取最优阶次和校正磨机负荷估计值；通过对最优阶次的监测实现对不可测扰动的监测；

s5，对多个振动信号之间的磨机负荷估计值进行一致性测度，并计算各估计值的最优加权因子，采用集成学习策略得到最终的磨机负荷估计值；

进一步，所述s2中提取特征信息的步骤为：

s2.1，采集磨机负荷ml从空磨状态逐渐到满磨状态下的振动信号序列{xml(i)(n)；n＝1,2,…,n；i＝1,2,…,i}；在[0,1]内选择多个分数阶阶次α，通过分数阶傅里叶变换(frft)将振动信号序列的时域信号转换到分数阶频域中，得到多个频率矩阵{s(α)；α＝1,2,…,l}，其中，ml(i)是磨机在第i个工况下的磨机负荷，xml(i)(n)是在磨机负荷为ml(i)下采集的第n个振动信号，n为样本长度，i为磨机的不同运行工况数量，l为阶次的个数；

s2.2，将频率矩阵的频率以间隔d进行划分，并将α阶次下第i个工况中的第j个频率集表示为sα,ij；计算sα,ij与当前磨机负荷参数的互信息值miα,ij，并对得到的互信息值miα,ij进行降序排序，并重新用k从1标记到n对应miα,ik；再计算阈值自适应参数设定阈值为第l个互信息值，即λα,i＝miα,il；将miα,ij≥λα,i的频率选为特征频率集，提取出各阶次下的特征频率集，表示为cfα＝{sα,ij|miα,ij≥λα,i}，k＝1,2,…,n。

s2.3，从特征频率集中提取多个统计特征，运用kpca从统计特征中提取非线性特征，选取累计贡献度大于85％的主元个数作为可以表征磨机内部负荷的特征信息pcsα。这些统计特征包括能量、平均能量、中心频率、方差、标准差、均方根、重心频率、峰值与均方根的比值以及特征频率的能量与全谱能量的比值。

进一步，建立不同阶次下的磨机负荷软测量模型的步骤为：

s3.1，构建初始样本集s，并初始化支持向量集c；随机从初始样本集s中选择一个样本加入到c中，样本两两之间欧氏距离的最大值max_dist，设定一个距离比例系数r，求得距离半径r＝r×max_dist；

s3.2，计算初始样本集s中每个样本与支持向量间的欧氏距离，并将各个样本依据欧氏距离的大小进行升序排序，并对r范围内的样本进行标记，记为集合temp；

若temp＝φ，则将距离该支持向量最近的样本作为下一个支持向量；若temp≠φ，且集合temp中的样本个数>容量阈值τ；则将第τ+1个距离对应的样本作为下一个支持向量；

若temp≠φ，且集合temp中的样本个数≤容量阈值τ；将距离该支持向量最接近r的样本作为下一个支持向量；

s3.3，将确定的支持向量加入到集合c中，遍历完成整个样本集后，最后得到支持向量集s即是约简支持向量；基于该约简支持向量集得到软测量模型。

进一步，根据模型估计精度重新选取最优阶次和校正磨机负荷估计值。

4.1，在阶次α∈[0,1]内选取l个阶次对振动信号进行分数阶傅里叶变换，得到{s(α)；α＝1,2,…,l}，并对各阶次下的模型估计精度mse(model(sα))进行升序排序mse(model(sα))，重新在阶次α∈[l1,l2]内选取l个阶次进行分数阶傅里叶变换，多次循环直到l1,l2满足l2-l1≤0.2，循环结束，并从l个阶次中基于最小mse(model(sα))选出最优阶次α^*；其中，为升序排序后对应的阶次；l1,l2为前50％的最优阶次α^*所在的范围。

s4.2，当不是最小值时，认为最优阶次发生变化，从而判定有扰动产生。同时，更新最优阶次和校正磨机负荷估计值实现对不可测扰动的监测和补偿。

进一步，s5中实现磨机负荷估计值过程为：

s5.1，计算不同模型之间的置信距离

计算不同模型之间的置信距离

s5.2，计算得到每个模型的权值最后得到最终估计值为其中，为第t个模型在第k时刻的估计值，为第t个模型在第k时刻的加权系数。

进一步，所述在球磨机筒体表面的前、中、后位置各安装一个振动传感器，每个振动传感器分别采集该位置处破碎区振动信号和研磨区振动信号；

进一步，振动传感器对破碎区振动信号的采集通过接近开关触发；振动传感器对研磨区振动信号的采集通过时间触发；

本发明的有益效果：

本专利提出一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法，首先从磨机的振动机理出发，选取破碎区和研磨区的振动信号作为研究对象；然后基于分数阶傅立叶变换将时域振动信号转换到分数阶频域中，并通过互信息技术和核主元分析法对多阶次下的振动频谱进行特征频段选择和特征信息提取；接着利用约简最小二乘支持向量机建立具有复杂度低、精确度高的预测模型；最后，通过对最优阶次的监测实现对不可测扰动的监测和补偿，并对各个振动信号的估计值进行集成学习，提高了最终估计结果的稳定性和鲁棒性。通过仿真实验证明了所提算法的有效性，并将该方法成功应用到实际电厂中的磨机负荷监测仪中，实验结果表明该方法可以有效实现对不可测扰动的监测与校正。

附图说明

图1是本发明不可测扰动自适应监测和补偿的磨机负荷在线检测方法流程框图；

图2是火电厂筒式球磨机制粉系统结构示意图；

图3是振动传感器的位置安装图；

图4是特征信息提取框图；

图5是约简最小二乘支持向量机流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

以某火电厂中储式制粉系统为例，中储式制粉系统配备两台球磨机，转速为17.57r/min，设计出力为60t/h，该制粉系统的结构图如图2所示。其工作流程为：原煤经给煤机被运送到磨煤机内，同时通过热风门将热风吹入磨煤机，磨煤机通过旋转对原煤进行破碎研磨，热风会对原煤进行烘干，并将研磨好的气粉混合物带入粗粉分离器，对气粉混合物进行初步筛选，不合格的煤粉需要继续研磨，合格的煤粉会进入细粉分离器，再次合格的煤粉将会进入煤粉仓供锅炉系统燃烧。

基于上述球磨机，本发明提出了一种不可测扰动自适应监测和补偿的磨机负荷在线检测方法如图1所示，包括如下步骤：

s1，振动信号的采集。如图3所示，分别在距离磨机筒体入口处1/3、1/2、2/3同一水平的磨机筒体表面上安装振动传感器，共3个振动传感器；振动传感器对破碎区振动信号的采集通过接近开关触发，在筒体旋转对应的破碎点处安装触发装置；振动传感器对研磨区振动信号的采集通过时间触发，以破碎区为起始时刻，推迟时间t，t＝1/3×t，t是筒体的旋转周期。因此一个周期内，每个振动传感器采集两次振动信号，各振动信号分别表示为1/3处破碎区信号vib1，1/3处研磨区信号vib2；1/2处破碎区信号vib3，1/2处研磨区信号vib4；2/3处破碎区信号vib5，2/3处研磨区信号vib6；共采集6个振动信号。在磨机运行过程中，不同区域的噪音信号有很大的区别，提前采集筒体周围360度处的噪音信号，经过分析确定破碎区所在的位置，并放置红外触发装置。在破碎区三个振动传感器同时采集一次振动信号，经过时间后，再同时在研磨区采集一次振动信号，位置识别装置每隔5分钟更新对破碎区的定位。我们选用ptr4000对采集到的振动数据无线传输到数据处理中心mspf2812中去，在单片机内采用自适应加权滤波算法进行滤波处理得到各振动信号。

s2，基于分数阶傅立叶变换对s1中所获取的振动信号进行时频转换和特征提取，得到不同阶次下可以表征磨机内部负荷的特征信息如图4所示，包括如下步骤：

s2.1，时频转换，首先采集磨机负荷ml从空磨状态逐渐到满磨状态(0％～100％)下的振动信号序列{xml(i)(n)；n＝1，2，…，n；i＝1，2，…，i}，其中，xml(i)(n)表示在磨机负荷为ml(i)工况下采集的第n个振动信号，n为样本长度，i为磨机负荷的不同工况数量；然后在[0，1]内选择多个分数阶阶次α，通过frft将时域信号转换到分数阶频域中，得到多个频率矩阵{s(α)；α＝1，2，…，l}，其中l为阶次的个数。

s2.2，选择特征频率集，首先将频率矩阵的频率以间隔d进行划分，并将第i个变量中的第j个频率集表示为sα，ij；然后计算sα，ij与第i个磨机负荷参数的互信息值miα，ij，并对得到的互信息值miα，ij进行降序排序，并重新用k从1标记到n对应miα，ik；

基于互信息值miα，ij再计算阈值自适应参数|*|为取整运算，在mia，ij中，设定阈值为第l个互信息值，即λα，i＝miα，il；最后将miα，ij≥λα，i的频率选为特征频率集，提取出各阶次下的特征频率集表示为cfα＝{sα，ij|miα，ij≥λα，i}；k＝1，2，…，n。

s2.3，提取特征信息，首先从特征频率集中提取多个统计特征，分别是能量平均能量中心频率方差标准差均方根重心频率峰值与均方根的比值以及特征频率的能量与全谱能量的比值然后运用kpca从统计特征中提取非线性特征，选取累计贡献度大于85％的主元个数作为可以表征磨机内部负荷的特征信息pcsα，cfα,ij。

s3，如图5所示通过最小二乘支持向量机建立不同阶次下的磨机负荷软测量模型，并根据各模型的估计精度得到最优阶次和该阶次下的磨机负荷估计值。

s3.1，构建初始样本集y表示真实磨机负荷；设定支持向量集q为支持向量的个数，初始化支持向量集c＝φ；对每一个支持向量分配一个容量参数θj，用于记录约简到该支持向量的原始样本个数，并设定一个容量阈值τ。随机从s中选择一个样本加入到c中，样本两两之间欧氏距离的最大值max_dist，设定一个距离比例系数r，求得距离半径r＝r×max_dist。

s3.2，计算样本集s中每个样本与支持向量的欧氏距离，并将各个样本依据欧氏距离的大小进行升序排序，并对r范围内的样本进行标记，记为集合temp。首先判断temp＝φ，若是空集则找到距离该支持向量最近的样本其中jδ为词典中和该新增样本距离最近的词典中心对应的位置信息，将其作为下一个支持向量。若temp≠φ，则需要进一步判断容量阈值与容量参数的关系；若θj≤τ，则选择距离该支持向量最接近r的样本其中jδ为该样本对应的位置信息，将该样本作为下一个支持向量。若将第τ+1个距离对应的样本作为支持向量。

s3.3，然后将确定的支持向量加入到c中遍历完成整个样本集后，最后得到的支持向量集c即是约简支持向量，基于该约简支持向量集得到软测量模型，由于c的样本个数要远远小于s中的样本个数，因此模型具有模型复杂度低、鲁棒性高的特点。。

在本实施例中，采用径向基函数作为最小二乘支持向量机(lssvm)的核函数，其中的超参数通过留一法获得，在特征信息pcsα上重新训练最小二乘支持向量机，得到不同阶次下的磨机负荷软测量模型。

s4，通过对最优阶次的监测实现对不可测扰动的监测，当某一振动信号的最优阶次发生变化时，认为有扰动发生，并根据模型估计精度重新选取最优阶次和校正磨机负荷估计值。

s4.1，磨机振动信号是由多种信号分量叠加而成，可表示为v(t)＝b(t)+n(t)，其中b(t)为可以表征磨机负荷的分量，n(t)为与磨机负荷无关的“噪音”分量。磨机振动信号在阶次α下的傅里叶变换frft可以表示为vα(u)＝bα(u)+nα(u)，令vα(u)、bα(u)和nα(u)分别是经傅里叶变换后的磨机振动信号、磨机负荷的分量和“噪音”分量；|vα|、|bα|和|nα|分别是在α下的频谱幅值，和分别是在α下的相位角度，因此磨机振动信号的频域信号可表示为其中，|vα|、|bα|和|nα|分别是vα(u)、bα(u)和nα(u)在阶次α下的frft频谱幅值，根据frft的线性可加性，若可以准确估计“噪音”信号n(t)，即可得到|bα|＝|vα|-|nα|。

由于无法提前估计“噪音”信号n(t)，使得最优阶次难以通过理论计算获取，因此采取一种多阶次遍历算法。首先在阶次α∈[0,1]内选取l个阶次对振动信号进行frft，得到{s(α)；α＝1,2,…,l}，并对各阶次下的模型估计精度mse(model(sα))进行升序排序其中，为升序排序后对应的阶次；然后重新在阶次α∈[l1,l2]内选取l个阶次进行frft，其中，l1,l2为前50％的最优阶次α^*所在的范围。多次循环直到l1,l2满足l2-l1≤0.2，循环结束，并从l个阶次中基于最小mse(model(sα))选出最优阶次α^*。

s4.2，在线应用中，采用半监督方式对当前最优阶次α^*进行在线监测，当不是最小值时，认为最优阶次发生变化，从而判定有扰动产生。同时，更新最优阶次和校正磨机负荷估计值

s5，对多个振动信号之间的磨机负荷估计值进行一致性测度，并计算各估计值的最优加权因子，采用集成学习策略得到最终的磨机负荷估计值；步骤如下：

s5.1，假设每个软测量模型的估计输出误差都近似服从正态分布则第i个软测量模型和第j个软测量模型的一致性问题可以转换为两个正态总体均值差的检验问题，从而根据拒绝域定义一个置信区间其中，分别是方差σi和σj的无偏估计n为样本个数。由各个软测量模型之间的置信距离可以得到多模型在第k时刻的一致性测度矩阵若则表明第i个软测量模型的估计输出与大多数软测量模型的估计输出保持一致；反之，则一致性较差。

s5.2，假设各预测模型的加权因子为t＝1,2,…t，且满足所有软测量模型的估计输出融合后的最终估计值为其中，为第t个模型在第k时刻的估计值，为第t个模型在第k时刻的加权因子。

根据多元函数求极值理论，可以得出融合结果的方差σt存在最小值，此时令考虑到一致性参数的影响，令可得最终估计值为：

其中，

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。