[發(fā)明專利]一種基于動(dòng)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(qǐng)?zhí)枺?/td>: 201810948356.6
• 申請(qǐng)日: 2018-08-20
• 公開（公告）號(hào): CN109299507A
• 公開（公告）日: 2019-02-01
• 發(fā)明（設(shè)計(jì)）人: 楊強(qiáng);馬鎏豪;楊茜
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06F17/50
• 分類號(hào): 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

本發(fā)明針對(duì)火電廠輔機(jī)設(shè)備結(jié)構(gòu)復(fù)雜、設(shè)備之間耦合性強(qiáng)、運(yùn)行工況復(fù)雜多變，完備的故障樣本知識(shí)庫不易獲取的特點(diǎn)，提出一種基于動(dòng)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，可以有效的簡(jiǎn)化故障樣本知識(shí)庫，使故障診斷更加快速精準(zhǔn)。本發(fā)明利用最小二乘支持向量機(jī)(LS?SVM)的在小樣本學(xué)習(xí)上的優(yōu)勢(shì)，通過某一典型工況下的典型故障樣本，離線訓(xùn)練LS?SVM學(xué)習(xí)模型；在一定負(fù)荷變化范圍內(nèi)，故障特征參數(shù)隨故障程度近似呈單調(diào)線性變化，這構(gòu)成了征兆縮放因子搜索技術(shù)的基礎(chǔ)，將待診斷故障的故障特征參數(shù)乘以故障縮放因子以達(dá)到與訓(xùn)練樣本的模式匹配，產(chǎn)生最大的故障分離度。

技術(shù)領(lǐng)域

本發(fā)明涉及故障火電廠輔機(jī)設(shè)備故障診斷領(lǐng)域，尤其涉及一種基于設(shè)備動(dòng)態(tài)的數(shù)學(xué)模型建模的故障診斷特征提取及不同運(yùn)行條件下不同程度的故障診斷的分析方法。

背景技術(shù)

輔機(jī)設(shè)備是火電機(jī)組的重要組成部分，對(duì)輔機(jī)設(shè)備的實(shí)時(shí)監(jiān)測(cè)和故障診斷的研究具有重要的應(yīng)用價(jià)值。這是因?yàn)檩o機(jī)設(shè)備故障的發(fā)生不僅會(huì)直接影響整個(gè)機(jī)組的安全、經(jīng)濟(jì)運(yùn)行，甚至還可能會(huì)給現(xiàn)場(chǎng)人員帶來安全危害。然而，對(duì)輔機(jī)設(shè)備在多工況運(yùn)行條件下的故障診斷并不是一件容易的事。原因是火電廠輔機(jī)設(shè)備結(jié)構(gòu)復(fù)雜、設(shè)備之間耦合性強(qiáng)，當(dāng)一個(gè)設(shè)備發(fā)生故障時(shí)，不僅會(huì)影響其自身的參數(shù)，而且還可能會(huì)影響其它關(guān)聯(lián)設(shè)備的參數(shù)。要準(zhǔn)確地定位和分離故障，必須要發(fā)掘不同故障情況下的相關(guān)特征參數(shù)的變化規(guī)律。

支持向量機(jī)(SVM)已經(jīng)成功應(yīng)用于故障診斷。然而，大多數(shù)應(yīng)用只考慮一個(gè)單一的工況(通常是額定負(fù)荷)。很少有不同故障程度在不同工況下的故障診斷的研究。故障本身是復(fù)雜的，故障程度的程度可能是大的。現(xiàn)有的故障診斷方法，包括支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等方法，基本上是典型故障的模式識(shí)別和匹配過程，這給故障知識(shí)庫中標(biāo)準(zhǔn)故障樣本的選擇帶來困難。如果程度嚴(yán)重的故障作為標(biāo)準(zhǔn)訓(xùn)練樣本，微弱和早期故障的識(shí)別能力將會(huì)降低；如果訓(xùn)練樣本是微弱和早期故障，當(dāng)診斷樣本為較嚴(yán)重故障時(shí)，兩者之間的相似性的差異會(huì)增加，也會(huì)使診斷效果降低。傳統(tǒng)的多工況多嚴(yán)重程度的故障診斷方法，是盡可能的完全包含多個(gè)典型的故障樣本。然而在實(shí)際的故障診斷系統(tǒng)中，過多的故障樣本會(huì)使樣本知識(shí)庫過于復(fù)雜，而且完全從火電廠中獲得不同運(yùn)行工況下不同嚴(yán)重程度的故障樣本并不實(shí)際。

本發(fā)明通過對(duì)火電廠制粉系統(tǒng)不同運(yùn)行工況下不同嚴(yán)重程度故障的相似性規(guī)律的總結(jié)，提出了一種基于故障縮放因子搜索技術(shù)的故障診斷新方法。只需對(duì)一種典型工況下幾類典型故障樣本進(jìn)行離線訓(xùn)練，大大簡(jiǎn)化了樣本知識(shí)庫復(fù)雜程度和最小二乘支持向量機(jī)(LS-SVM)結(jié)構(gòu)，故障征兆的計(jì)算和縮放因子搜索用于在線故障識(shí)別，使故障診斷和識(shí)別更快，更穩(wěn)定。

本發(fā)明通過輔機(jī)設(shè)備之一磨煤機(jī)作為一個(gè)實(shí)例，通過建立磨煤機(jī)動(dòng)態(tài)數(shù)學(xué)模型分析其運(yùn)行參數(shù)在不同負(fù)荷條件下隨故障程度的變化規(guī)律，選擇了3種典型的故障和4個(gè)故障特征參數(shù)，包括出口溫度、進(jìn)出口壓差、磨煤機(jī)電流和風(fēng)煤比，在建立的動(dòng)態(tài)模型上進(jìn)行不同負(fù)荷條件不同故障程度的模擬。結(jié)果表明，針對(duì)同一種故障，在故障發(fā)生不改變系統(tǒng)拓?fù)浣Y(jié)構(gòu)前提下，故障特征參數(shù)隨著故障程度的增加，近似呈線性增加或減少。該規(guī)律構(gòu)成了癥狀縮放因子搜索技術(shù)的基礎(chǔ)。癥狀縮放因子搜索方法的關(guān)鍵是對(duì)特征參數(shù)縮放因子的合理選擇，與故障診斷模型相結(jié)合組成一個(gè)優(yōu)化問題，其基本原理是使故障分離程度(FSD)最佳。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于動(dòng)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。

本發(fā)明是通過以下技術(shù)手段實(shí)現(xiàn)的：一種基于動(dòng)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，包括以下步驟：

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

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