[發(fā)明專利]一種基于動態(tài)建模的磨煤機(jī)多工況下不同程度的故障診斷分析方法

在審

• 申請?zhí)枺?/td>: 201810948356.6
• 申請日: 2018-08-20
• 公開（公告）號: CN109299507A
• 公開（公告）日: 2019-02-01
• 發(fā)明（設(shè)計）人: 楊強(qiáng);馬鎏豪;楊茜
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06K9/62
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 黃歡娣;邱啟旺

1.一種基于動態(tài)建模的磨煤機(jī)多工況下不同程度的故障診斷分析方法，其特征在于，包括以下步驟：

(1)建立磨煤機(jī)動態(tài)數(shù)學(xué)模型，所述的磨煤機(jī)動態(tài)數(shù)學(xué)模型的建模包括如下方程：

對磨內(nèi)原煤質(zhì)量m_C和煤粉質(zhì)量m_pf建立微分方程：

對出口煤粉的質(zhì)量流量q_m,pf、煤粉的質(zhì)量m_pf、磨煤機(jī)進(jìn)出口壓差Δp_a、進(jìn)出口壓差Δp_a、磨煤機(jī)內(nèi)存煤質(zhì)量M_coal、進(jìn)口一次風(fēng)質(zhì)量流量q_m,air建立數(shù)學(xué)方程：q_m,pf＝K₂Δp_am_pf,M_coal＝m_C+m_pf。

對煤粉水分含量建立微分方程：

對原煤水分蒸發(fā)量原煤含水量θ_CM、磨煤機(jī)出口溫度t_out建立數(shù)學(xué)方程：

建立磨煤機(jī)出口溫度t_out的微分方程：式中，磨煤機(jī)電流I為：I＝K₁₃m_pf+K₁₄m_C+K₁₅。

其中，模型的輸入?yún)?shù)為磨煤機(jī)原煤質(zhì)量流量q_m,C、入口一次空氣質(zhì)量流量q_m,air、原煤含水量θ_CM和入口一次風(fēng)溫度t_in；模型的輸出參數(shù)為磨煤機(jī)出口溫度t_out、磨煤機(jī)電流I和進(jìn)出口壓差Δp_a；狀態(tài)參數(shù)為磨內(nèi)原煤質(zhì)量m_C、煤粉質(zhì)量m_pf、磨煤機(jī)出口溫度t_out、煤水分含量γ_res；

(2)在不同負(fù)荷下，提取磨煤機(jī)在每種典型狀態(tài)下的四個特征參數(shù)：磨煤機(jī)出口溫度t_out，磨機(jī)電流I、進(jìn)出口壓差Δp_a和一次風(fēng)煤比R構(gòu)成故障特征參數(shù)向量X＝[x₁,x₂,x₃,x₄]^T。所述典型狀態(tài)包括正常運行狀態(tài)、少煤狀態(tài)、多煤狀態(tài)、堵塞狀態(tài)；

(3)選取某一負(fù)荷條件下的4中典型狀態(tài)樣本作為故障知識庫來訓(xùn)練最小二乘支持向量機(jī)(LS-SVM)模型。以特征參數(shù)向量的征兆向量作為LS-SVM的輸入向量，第j個輸入向量中第i個元素μ_j(x_i)為：

其中i＝1,2,3,4；(x_i0-A,x_i0+A)為故障特征參數(shù)的變化范圍。，x_i0是在該負(fù)荷情況下的故障特征變量x_i的正常運行值，其中x₁,x₂,x₃,x₄分別表示磨煤機(jī)出口溫度t_out，磨機(jī)電流I、進(jìn)出口壓差Δp_a和一次風(fēng)煤比R四個故障特征參數(shù)，A_i(i＝1,2,3,4)是故障特征變量x_i(i＝1,2,3,4)在不同故障模式下的最大變化寬度，本發(fā)明中取A_i＝x_i0

所述的LS-SVM的核函數(shù)是高斯核函數(shù)：

式中，x_j＝[u_j(x₁),u_j(x₂),u_j(x₃),u_j(x₄)]^T為4維輸入向量，σ是高斯核函數(shù)的方差；

LS-SVM的輸出為：

式中α_m是第m個輸入映射到輸出的權(quán)重，N為4，代表了故障知識庫中的4種典型狀態(tài)，b_k是N維偏差向量b的第k維,其中k＝1,2,3,4。y_k是輸出向量y的第k維，其中k＝1,2,3,4。α和b_k通過如下方程求得：

式中，y＝[y₁,y₂,…y_N]^T,α＝[α₁,α₂,…α_N]^T，I是N*N維單位矩陣。γ為懲罰因子；

(4)利用訓(xùn)練好的LS-SVM模型，結(jié)合縮放因子搜索進(jìn)行實時故障診斷，具體包括以下步驟：

(4.1)從火電廠現(xiàn)場實時數(shù)據(jù)庫或DCS系統(tǒng)(或其仿真器)中獲取多個參數(shù)向量x＝[x₁,x₂,x₃,x₄]^T，并計算每個參數(shù)向量相應(yīng)的故障特征征兆向量μ＝[μ₁(x₁),μ₁(x₂),μ₁(x₃),μ₁(x₄)]^T。

(4.2)初始化縮放因子z＝1，對實時數(shù)據(jù)的故障模式進(jìn)行判斷，如果其四個故障征兆參數(shù)與典型故障樣本征兆參數(shù)的正負(fù)符號均相同，則匹配為相應(yīng)的故障模式。

(4.3)故障模式匹配之后，對故障嚴(yán)重程度進(jìn)行初步判斷，從四個故障征兆參數(shù)中任選其一，如果比對應(yīng)典型故障樣本的故障征兆絕對值大，則故障縮放因子z朝減小的方向搜索，Δz＝-0.001，反之，z往增大的方向進(jìn)行搜索，Δz＝0.001。更新故障征兆縮放因子z＝z+Δz和故障特征征兆向量μ＝z·μ

(4.4)利用步驟(3)訓(xùn)練好的LS-SVM模型進(jìn)行故障診斷，更新后的故障征兆向量μ作為LS-SVM的輸入，判斷LS-SVM的故障分離度(FSD)是否達(dá)到設(shè)定值，F(xiàn)SD為LS-SVM的最大輸出和其第二大輸出之間的差值。

(4.5)如果FSD達(dá)到設(shè)定值要求，則診斷結(jié)束，故障征兆縮放因子越大，表示故障越嚴(yán)重；否則，返回至(4.3)。