[發明專利]一種基于SVR的磨煤機效率異常檢測與診斷方法

有效

• 申請號: 201910550591.2
• 申請日: 2019-06-24
• 公開（公告）號: CN110346160B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 徐正國;洪星蕓;陳積明;程鵬;孫優賢
• 申請（專利權）人: 浙江大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種基于SVR的磨煤機效率異常檢測與診斷方法，其特征在于所述方法包括如下步驟：

步驟1，選取磨煤機正常運行時的數據，劃分成訓練集和驗證集；

步驟2，以一個性能變量為模型輸出，以與該性能變量相關的運行變量作為模型輸入，構建支持向量回歸模型；

步驟3，以第一個性能變量為當前性能變量，使用訓練集訓練當前性能變量的支持向量回歸模型，然后用驗證集擬合的結果確定效率異常時的誤差控制限；

步驟4，將磨煤機的運行數據輸入磨煤機效率模型中，計算當前目標變量的估計誤差，與控制限比較，是否存在有多個連續樣本超出控制限的異常工況；

步驟5，若存在，提取超出控制限的樣本與支持向量回歸模型中的支持向量進行比較，得到運行變量在異常工況下的偏差大小和方向，并給出變量排名；若不存在，則直接跳至步驟6；

步驟6，以下一個性能變量為當前性能變量，重復執行步驟2-5，直至所有的性能變量都執行完畢。

2.如權利要求1所述一種基于SVR的磨煤機效率異常檢測與診斷方法，其特征在于，在步驟2中，所述的性能變量共4個，分別為旋轉分離器速度、出口風粉混合物溫度、磨碗上下差壓以及磨煤機電耗。

3.如權利要求1所述一種基于SVR的磨煤機效率異常檢測與診斷方法，其特征在于，在步驟3中，使用訓練集訓練當前性能變量的支持向量回歸模型，然后用驗證集擬合的結果確定效率異常時的誤差控制限，其步驟如下：

步驟3-1，首先對當前性能變量的支持向量回歸模型中所有輸入和輸出參數進行最大最小歸一化處理；

步驟3-2，針對當前性能變量，使用訓練集數據對支持向量回歸模型進行訓練，最終的模型參數采用網絡搜索的策略得到；

步驟3-3，將驗證集數據輸入訓練完畢的支持向量回歸模型中，得到模型輸出值與真實值之間的殘差并計算相對誤差，依據3σ準則，計算相對誤差的均值μ和標準差σ，以μ±3σ作為控制上限和下限。

4.如權利要求1所述一種基于SVR的磨煤機效率異常檢測與診斷方法，其特征在于，步驟5中，提取連續超出控制限的樣本與訓練模型得到的支持向量進行比較，得到運行變量在異常工況下的偏差大小和方向，并給出運行變量排名的具體步驟如下：

步驟5-1，提取運行數據中超出控制限的異常樣本集合{x₁,x₂,…,x_p}，其中第i個異常樣本i＝1,2,…,p，p為運行數據中超出控制限的異常樣本總數，n為當前性能變量的支持向量回歸模型中輸入變量個數；

步驟5-2，針對當前性能變量的支持向量回歸模型，從訓練完畢的模型中提取支持向量{v₁,v₂,…,v_q}，其中第t個支持向量t＝1,2,…,q，q為當前性能變量的支持向量回歸模型中的支持向量個數；

步驟5-3，對于每個異常樣本，計算其與每個支持向量之間的歐式距離，選取N個最近鄰支持向量作為歷史狀態；

步驟5-4，對于每個異常樣本，計算該異常樣本與其歷史狀態之間在第k個輸入變量上的平均偏差，計算公式為：

其中：cont_i,k為第i個異常樣本與其歷史狀態中N個支持向量在第k個輸入變量上的平均偏差；i＝1,2,…,p；k＝1,2,…,n；

對所有異常樣本的平均偏差cont_i,k進行求平均，得到第k個輸入變量的貢獻值；

步驟5-5，對所有的n個輸入變量重復步驟5-4后，得到每個輸入變量的貢獻值，然后根據貢獻值的絕對值從大到小對所有的輸入變量進行排序，取排序靠前的若干變量作為影響當前性能變量的輸入變量，完成異常變量的挖掘。

5.如權利要求4所述一種基于SVR的磨煤機效率異常檢測與診斷方法，其特征在于，所述的N取值為10。