一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法与流程

本发明涉及故障火电厂辅机设备故障诊断领域，尤其涉及一种基于设备动态的数学模型建模的故障诊断特征提取及不同运行条件下不同程度的故障诊断的分析方法。
背景技术：
：辅机设备是火电机组的重要组成部分，对辅机设备的实时监测和故障诊断的研究具有重要的应用价值。这是因为辅机设备故障的发生不仅会直接影响整个机组的安全、经济运行，甚至还可能会给现场人员带来安全危害。然而，对辅机设备在多工况运行条件下的故障诊断并不是一件容易的事。原因是火电厂辅机设备结构复杂、设备之间耦合性强，当一个设备发生故障时，不仅会影响其自身的参数，而且还可能会影响其它关联设备的参数。要准确地定位和分离故障，必须要发掘不同故障情况下的相关特征参数的变化规律。支持向量机(svm)已经成功应用于故障诊断。然而，大多数应用只考虑一个单一的工况(通常是额定负荷)。很少有不同故障程度在不同工况下的故障诊断的研究。故障本身是复杂的，故障程度的程度可能是大的。现有的故障诊断方法，包括支持向量机、神经网络等方法，基本上是典型故障的模式识别和匹配过程，这给故障知识库中标准故障样本的选择带来困难。如果程度严重的故障作为标准训练样本，微弱和早期故障的识别能力将会降低；如果训练样本是微弱和早期故障，当诊断样本为较严重故障时，两者之间的相似性的差异会增加，也会使诊断效果降低。传统的多工况多严重程度的故障诊断方法，是尽可能的完全包含多个典型的故障样本。然而在实际的故障诊断系统中，过多的故障样本会使样本知识库过于复杂，而且完全从火电厂中获得不同运行工况下不同严重程度的故障样本并不实际。本发明通过对火电厂制粉系统不同运行工况下不同严重程度故障的相似性规律的总结，提出了一种基于故障缩放因子搜索技术的故障诊断新方法。只需对一种典型工况下几类典型故障样本进行离线训练，大大简化了样本知识库复杂程度和最小二乘支持向量机(ls-svm)结构，故障征兆的计算和缩放因子搜索用于在线故障识别，使故障诊断和识别更快，更稳定。本发明通过辅机设备之一磨煤机作为一个实例，通过建立磨煤机动态数学模型分析其运行参数在不同负荷条件下随故障程度的变化规律，选择了3种典型的故障和4个故障特征参数，包括出口温度、进出口压差、磨煤机电流和风煤比，在建立的动态模型上进行不同负荷条件不同故障程度的模拟。结果表明，针对同一种故障，在故障发生不改变系统拓扑结构前提下，故障特征参数随着故障程度的增加，近似呈线性增加或减少。该规律构成了症状缩放因子搜索技术的基础。症状缩放因子搜索方法的关键是对特征参数缩放因子的合理选择，与故障诊断模型相结合组成一个优化问题，其基本原理是使故障分离程度(fsd)最佳。技术实现要素：针对现有技术的不足，本发明的目的在于提供一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法。本发明是通过以下技术手段实现的：一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法，包括以下步骤：(1)建立磨煤机动态数学模型，所述的磨煤机动态数学模型的建模包括如下方程：对磨内原煤质量mc和煤粉质量mpf建立微分方程：对出口煤粉的质量流量qm,pf、煤粉的质量mpf、磨煤机进出口压差δpa、进出口压差δpa、磨煤机内存煤质量mcoal、进口一次风质量流量qm,air建立数学方程：对煤粉水分含量建立微分方程：对原煤水分蒸发量原煤含水量θcm、磨煤机出口温度tout建立数学方程：建立磨煤机出口温度tout的微分方程：式中，磨煤机电流i为：i＝k13mpf+k14mc+k15。其中，模型的输入参数为磨煤机原煤质量流量qm,c、入口一次空气质量流量qm,air、原煤含水量θcm和入口一次风温度tin；模型的输出参数为磨煤机出口温度tout、磨煤机电流i和进出口压差δpa；状态参数为磨内原煤质量mc、煤粉质量mpf、磨煤机出口温度tout、煤水分含量γres；(2)在不同负荷下，提取磨煤机在每种典型状态下的四个特征参数：磨煤机出口温度tout，磨机电流i、进出口压差δpa和一次风煤比r构成故障特征参数向量x＝[x1,x2,x3,x4]t。所述典型状态包括正常运行状态、少煤状态、多煤状态、堵塞状态；(3)选取某一负荷条件下的4中典型状态样本作为故障知识库来训练最小二乘支持向量机(ls-svm)模型。以特征参数向量的征兆向量作为ls-svm的输入向量，第j个输入向量中第i个元素μj(xi)为：其中i＝1,2,3,4；(xi0-a,xi0+a)为故障特征参数的变化范围。，xi0是在该负荷情况下的故障特征变量xi的正常运行值，其中x1,x2,x3,x4分别表示磨煤机出口温度tout，磨机电流i、进出口压差δpa和一次风煤比r四个故障特征参数，ai(i＝1,2,3,4)是故障特征变量xi(i＝1,2,3,4)在不同故障模式下的最大变化宽度，本发明中取ai＝xi0所述的ls-svm的核函数是高斯核函数：式中，xj＝[uj(x1),uj(x2),uj(x3),uj(x4)]t为4维输入向量，σ是高斯核函数的方差；ls-svm的输出为：式中αm是第m个输入映射到输出的权重，n为4，代表了故障知识库中的4种典型状态，bk是n维偏差向量b的第k维,其中k＝1,2,3,4。yk是输出向量y的第k维，其中k＝1,2,3,4。α和bk通过如下方程求得：式中，i是n*n维单位矩阵。γ为惩罚因子；(4)利用训练好的ls-svm模型，结合缩放因子搜索进行实时故障诊断，具体包括以下步骤：(4.1)从火电厂现场实时数据库或dcs系统(或其仿真器)中获取多个参数向量x＝[x1,x2,x3,x4]t，并计算每个参数向量相应的故障特征征兆向量μ＝[μ1(x1),μ1(x2),μ1(x3),μ1(x4)]t。(4.2)初始化缩放因子z＝1，对实时数据的故障模式进行判断，如果其四个故障征兆参数与典型故障样本征兆参数的正负符号均相同，则匹配为相应的故障模式。(4.3)故障模式匹配之后，对故障严重程度进行初步判断，从四个故障征兆参数中任选其一，如果比对应典型故障样本的故障征兆绝对值大，则故障缩放因子z朝减小的方向搜索，δz＝-0.001，反之，z往增大的方向进行搜索，δz＝0.001。更新故障征兆缩放因子z＝z+δz和故障特征征兆向量μ＝z·μ(4.4)利用步骤(3)训练好的ls-svm模型进行故障诊断，更新后的故障征兆向量μ作为ls-svm的输入，判断ls-svm的故障分离度(fsd)是否达到设定值，fsd为ls-svm的最大输出和其第二大输出之间的差值。(4.5)如果fsd达到设定值要求，则诊断结束，故障征兆缩放因子越大，表示故障越严重；否则，执行(4.3)～(4.4)。进一步地，所述fsd的设定值要求为0.75-0.9。进一步地，所述高斯核函数的方差σ和惩罚因子γ通过粒子群优化算法获得。本发明的有益效果如下：采用多种改进的人工智能方法对于问题进行优化。考虑火电厂辅机设备结构复杂、设备之间耦合性强、运行工况复杂多变，完备的故障样本知识库不易从生产现场获取的特点，提出一种基于动态建模仿真技术和故障征兆缩放因子搜索策略下的多工况不同程度的故障检测方法，有效的简化故障样本知识库，使故障诊断更加快速精准。通过遗传优化算法来辨识磨煤机动态数学模型的参数，并通过现场运行数据证明了建立的磨煤机动态数学模型的准确性，说明在此基础上构造不同工况下的不同严重程度故障样本来验证所提的故障诊断策略，具有充分的合理性；利用最小二乘支持向量机(ls-svm)的在小样本学习上的优势，通过某一典型工况下的典型故障样本，离线训练ls-svm学习模型；在一定负荷变化范围内，故障特征参数随故障程度近似呈单调线性变化，这一变化规律说明可以充分的利用征兆缩放因子搜索技术进行在线的故障诊断，只需将待诊断故障的故障特征参数乘以故障缩放因子以达到与训练的典型样本的模式匹配，产生最大的故障分离度。这一方法可以有效的简化故障样本知识库和ls-svm结构，使故障诊断更加快速精准。附图说明图1磨煤机制粉流程图，其中，1筒体、2动态分离器、3一次风管、4电子称重式给煤机、5原煤斗、6混料仓、7旁路风管、8一次风母管、9螺旋输送器、10中空轴承、11回粉管。图2基于缩放因子搜索的实时故障诊断流程图；图3基于遗传算法的磨煤机动态模型的参数辨识；图4磨煤机参数辨识结果；图5支持向量机结构图；图6(a)基于pso的ls-svm参数优化均方误差结果；图6(b)基于pso的ls-svm参数优化结果；图7(a)460-mw条件下14％给煤机少煤诊断结果；图7(b)460-mw条件下30％给煤机少煤诊断结果；图7(c)660-mw条件下16.43％给煤机少煤诊断结果；图7(d)660-mw条件下37.41％给煤机少煤诊断结果；图8(a)460-mw条件下16％给煤机多煤诊断结果；图8(b)460-mw条件下38％给煤机多煤诊断结果；图8(c)660-mw条件下18.53％给煤机多煤诊断结果；图8(d)660-mw条件下39.51％给煤机多煤诊断结果；图9(a)460-mw条件下19.1％一次风管堵塞诊断结果；图9(b)460-mw条件下46.4％一次风管堵塞诊断结果；图9(c)660-mw条件下22.73％一次风管堵塞诊断结果；图9(d)660-mw条件下43.71％一次风管堵塞诊断结果。具体实施方式下面结合附图对本发明的方法做进一步详述,但本发明不局限于所给出的实施例。图2所示的是该发明的处理流程图。以bbd3854双进双出型磨煤机为例给出了详细的故障诊断算法描述，并通过一系列的实验证明所提策略在不同工况下对不同严重程度的故障诊断的有效性。bbd3854双进双出型磨煤机的参数如表i所示，磨煤机制粉过程如图1所示，以下将以bbd3854双进双出型磨煤机为例对其具体步骤进行描述：表i(1)基于质量和能量平衡，建立磨煤机动态数学模型，动态模型中参数为ki,i＝1,2,...17.对磨内原煤质量mc和煤粉质量mpf建立微分方程：对出口煤粉的质量流量qm,pf、煤粉的质量mpf、磨煤机进出口压差δpa、进出口压差δpa、磨煤机内存煤质量mcoal、进口一次风质量流量qm,air建立数学方程：qm,pf＝k2δpampf(3)mcoal＝mc+mpf(5)对煤粉水分含量建立微分方程：对原煤水分蒸发量原煤含水量θcm、磨煤机出口温度tout建立数学方程：基于磨煤机内的能量平衡，建立磨煤机出口温度tout的微分方程：建立磨煤机出口温度tout的微分方程：式中，磨煤机电流i为：i＝k13mpf+k14mc+k15(10)其中，模型的输入参数为磨煤机原煤质量流量qm,c、入口一次空气质量流量qm,air、原煤含水量θcm和入口一次风温度tin；模型的输出参数为磨煤机出口温度tout、磨煤机电流i和进出口压差δpa；状态参数为磨内原煤质量mc、煤粉质量mpf、磨煤机出口温度tout、煤水分含量γres；(2)选用某火电厂机组4天内运行的200组历史数据，来验证基于遗传算法的磨煤机动态模型的参数辨识的正确性。磨煤机的工作条件为：原煤水分含量θcm＝0.15、原煤的质量流量qm,c＝50.035t/h、入口一次风质量流量为qm,air＝18.3232t/h，入口空气温度为tin＝232.12℃。基于遗传算法的磨煤机动态模型的参数辨识流程如图3所示。参数ki,i＝1,2,...17的辨识结果如表ii所示。磨煤机出口温度tout、进出口压差δpa和磨机电流i，输出的结果如图4所示。观察图4结果发现，模型输出与实际数据输出差异很小，验证了磨煤机数学模型的准确性。表ii识别模型参数参数值参数值参数值k10.9844k70.083k130.0948k20.0605k80.00432k140.1818k30.0473k90.0283k1577.1848k40.6413k100.0669k160.9521k50.00006k110.0929k170.0053k60.8739k12‐0.0194(3)在验证动态模型的准确性后，通过磨煤机数学模型的仿真，模拟不同工况下不同程度的故障的特征参数的变化趋势。通过从10％到50％减少原煤入口质量流量，来模拟不同程度的给煤机少煤；通过从10％到50％增加原煤入口质量流量，来模拟不同程度的给煤机多煤；通过从2.73％到54.6％减少入口一次风流量，来模拟不同程度的一次风管堵塞，其它输入参数保持不变，负荷分别选定为70％和100％额定负载。随着故障程度的增加，磨煤机出口温度tout，磨机电流i、进出口压差δpa、和一次风煤比r等四个故障特征参数近似呈单调线性变化，四个特征参数的变化区间如表iii所示。表iii不同负荷不同状态下故障特征的变化范围(4)选取70％负荷，即460-mw负荷条件下的正常运行样本和3种典型故障样本作为故障知识库来训练最小二乘支持向量机(ls-svm)模型。支持向量机结构如图5所示。训练样本的故障严重程度分别选为30％给煤机少煤、30％给煤机多煤、27.3％减少一次风管堵塞。根据公式(11)计算特征参数向量x＝[x1,x2,x3,x4]t相应的故障征兆，正常运行状态和三种典型故障的特征参数的故障征兆如表iv所示，由于故障特征参数的变化是双向的，故障发生故障后，故障特征参数的变化范围为(x0-a,x0+a)，以特征参数向量的征兆向量作为ls-svm的输入向量，第j个输入向量中第i个元素μj(xi)为：其中i＝1,2,3,4；(xi0-a,xi0+a)为故障特征参数的变化范围。，xi0是在该负荷情况下的故障特征变量xi的正常运行值，其中x1,x2,x3,x4分别表示磨煤机出口温度tout，磨机电流i、进出口压差δpa和一次风煤比r四个故障特征参数，ai(i＝1,2,3,4)是故障特征变量xi(i＝1,2,3,4)在不同故障模式下的最大变化宽度，本发明中取ai＝xi0即正常运行情况下的故障特征参数的值作为标称参考值，对应的故障征兆为0。所述的ls-svm的核函数是高斯核函数：式中，xj＝[uj(x1),uj(x2),uj(x3),uj(x4)]t为4维输入向量，σ是高斯核函数的方差；ls-svm的输出为：如表v所示。式中αm是第m个输入映射到输出的权重，n为4，代表了故障知识库中的4种典型状态，bk是n维偏差向量b的第k维,其中k＝1,2,3,4。yk是输出向量y的第k维，其中k＝1,2,3,4。α和bk通过如下方程求得：式中，i是n*n维单位矩阵。γ为惩罚因子；表iv不同状态下的特征征兆特征状态出口温度净出口压差磨机电流一次风煤比正常0000给煤机少煤0.2142‐0.1169‐0.05390.429给煤机多煤‐0.31920.10560.0499‐0.2307一次风管堵塞‐0.0966‐0.36300.0708‐0.2728表v不同状态下最小二乘支持向量机的输出状态最小二乘支持向量机输出正常1000给煤机少煤0100给煤机多煤0010一次风管堵塞0001本发明采用常用的粒子群优化(pso)算法优化ls-svm模型中公式(14)的惩罚因子参数γ和公式(12)中高斯核函数的参数σ。粒子群的规模为20*2，优化过程中，粒子的速度和位置更新公式如下：x(t+1)＝x(t)+v(t+1)(16)式中，ω是惯性系数，c1和c2是学习因子；r1和r2是0到1之间的随机数，pbest是每个粒子的最优解，即个体最佳位置，gbest全局最优位置，即整个粒子群的当前最优解。基于pso优化的ls-svm训练模型结果如图6所示。图6(a)是基于pso优化的ls-svm训练模型均方误差结果图，图6(b)基于pso优化的ls-svm训练模型的参数优化结果图。可以看到经pso优化后，ls-svm的训练误差很低。(5)从现场实时数据库或dcs系统中获取四个特征参数：磨煤机出口温度tout，磨机电流i、进出口压差δpa、和一次风煤比r，根据公式(11)，计算其相应的故障征兆向量μ。(6)初始化缩放因子z＝1，对特征参数的故障模式进行初步判断，如果其四个故障征兆参数与典型故障样本的故障征兆参数的正负符号均相同，则匹配为相应的故障模式。(7)故障模式匹配之后，对故障严重程度进行初步判断，在四个故障征兆中任选其一，如果比对应典型故障样本的故障征兆绝对值大，则故障缩放因子z朝减小的方向搜索，δz＝-0.001，反之，z则往增大的方向进行，δz＝0.001。(8)更新故障缩放因子z＝z+δz。(9)更新故障特征征兆向量μ＝z·μ(10)利用步骤(4)训练好的ls-svm模型进行故障诊断，判断故障分离度(fsd)是否达到设定值，如果fsd达到设定值要求，执行(11)，否则，执行(8)。(11)诊断结束，输出诊断结果。图7所示是不同负荷下不同程度的给煤机少煤故障诊断结果。横坐标是征兆缩放因子的搜索次数，左右纵坐标分别为故障征兆缩放因子z和故障分离度(fsd)。图7(a)和(b)是机组在460-mw负荷下基于症状缩放因子优化的ls-svm给煤机少煤故障诊断结果。从图7(a)可以看出，在给煤机少煤14％的情况下，经过1224次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8826，症状缩放因子z为2.555，高于1，表明此时故障程度(14％)比典型故障样本(30％给煤机少煤)较轻，结果与实际一致。从图7(b)可以看出，在给煤机少煤34％的情况下，经过33次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8998，症状缩放因子z等于0.84，表明实际故障程度比典型的故障样本严重，结果与实际一致。同样，图7(c)和(d)是机组在660-mw负荷下基于症状缩放因子优化的ls-svm给煤机少煤故障诊断结果。从图7(c)可以看出，在给煤机少煤16.43％的情况下，经过962次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.882，症状缩放因子z为2.06，高于1，表明此时故障程度(14％)比典型故障样本(30％给煤机少煤)较轻，结果与实际一致。从图7(d)可以看出，在给煤机少煤37.41％的情况下，经过58次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8987，症状缩放因子z等于0.725，表明实际故障程度比典型的故障样本严重，结果与实际一致。图8所示是不同负荷下不同程度的给煤机多煤故障诊断结果。横坐标是征兆缩放因子的搜索次数，左右纵坐标分别为故障征兆缩放因子z和故障分离度(fsd)。图8(a)和(b)是机组在460-mw负荷下基于症状缩放因子优化的ls-svm给煤机多煤故障诊断结果。从图8(a)可以看出，在给煤机多煤16％的情况下，经过1174次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8982，症状缩放因子z为1.7055，高于1，表明此时故障程度(16％)比典型故障样本(30％给煤机多煤)较轻，结果与实际一致。从图8(b)可以看出，在给煤机多煤38％的情况下，经过28次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.9008，症状缩放因子z等于0.865，表明实际故障程度比典型的故障样本严重，结果与实际一致。同样，图8(c)和(d)是机组在660-mw负荷下基于症状缩放因子优化的ls-svm给煤机多煤故障诊断结果。从图8(c)可以看出，在给煤机多煤18.53％的情况下，经过963次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.882，症状缩放因子z为1.4855，高于1，表明此时故障程度(18.53％)比典型故障样本(30％给煤机少煤)较轻，结果与实际一致。从图8(d)可以看出，在给煤机少煤39.51％的情况下，经过42次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8968，症状缩放因子z等于0.793，表明实际故障程度比典型的故障样本严重，结果与实际一致。图9所示是不同负荷下不同程度的一次风管堵塞故障诊断结果。横坐标是征兆缩放因子的搜索次数，左右纵坐标分别为故障征兆缩放因子z和故障分离度(fsd)。图9(a)和(b)是机组在460-mw负荷下基于症状缩放因子优化的ls-svm一次风管堵塞故障诊断结果。从图8(a)可以看出，在一次风量减少19.1％的情况下，经过612次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8976，症状缩放因子z为1.4045，高于1，表明此时故障程度(19.1％)比典型故障样本(27.3％一次风管堵塞)较轻，结果与实际一致。从图9(b)可以看出，在一次风管堵塞46.4％的情况下，经过79次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8661，症状缩放因子z等于0.6005，表明实际故障程度比典型的故障样本严重，结果与实际一致。同样，图9(c)和(d)是机组在660-mw负荷下基于症状缩放因子优化的ls-svm一次风管堵塞故障诊断结果。从图9(c)可以看出，在一次风管堵塞22.73％的情况下，经过555次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8685，症状缩放因子z为1.362，高于1，表明此时故障程度(22.73％)比典型故障样本(27.3％一次风管堵塞)较轻，结果与实际一致。从图9(d)可以看出，在一次风管堵塞43.71％的情况下，经过65次缩放因子搜索，ls-svm故障分离结果(fsd)达到0.8865，症状缩放因子z等于0.71，表明实际故障程度比典型的故障样本严重，结果与实际一致。当前第1页12