[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

本發明公開了一種基于SVR的磨煤機效率異常檢測與診斷方法，包括如下步驟：首先采集磨煤機正常運行數據，按照比例劃分訓練集與驗證集，并且采集異常/實時數據作為測試集。確定性能變量作為模型輸出，相應的運行變量作為模型輸入，訓練模型，并使用驗證集確定控制限。然后輸入測試集，計算目標變量偏差；若偏差超過控制限，提取支持向量與異常工況比較，確定變量的偏差大小和方向，給出變量貢獻排序。最后綜合所有效率相關模型，即可確定引起效率異常的原因變量與效率異常的傳播途徑。利用本發明方法，可以對磨煤機的效率異常情況進行檢測，實現異常變量的挖掘和異常原因的診斷。

技術領域

本發明涉及復雜工業設備的故障檢測與診斷領域，具體涉及一種基于SVR的磨煤機效率異常檢測與診斷的方法。

背景技術

磨煤機是火力發電廠燃料系統中重要的輔機，用于將煤塊磨成粉末后經一次熱風輸送入鍋爐內燃燒。如果磨煤機碾磨出的煤粉細度或者濕度不合適，將會導致燃燒管路堵塞、結渣、結垢等，影響燃燒效率；而如果煤粉供應不足，可能導致鍋爐故障或停機。因此，火力發電廠中燃料的燃燒效率很大程度上取決于磨煤機的生產性能和效率。而磨煤機的性能還可能會被堵塞、著火、爆炸、部件磨損等因素影響。因此，對磨煤機進行異常狀態檢測和診斷，對于其運行狀況的優化，生產性能和效率的提高有著重要的意義。

目前，針對磨煤機系統的異常工況檢測與診斷主要使用基于模型的方法和基于數據的方法。基于模型的方法的準確性取決于模型對機理描述的準確程度，但由于磨煤機是一個高度非線性的系統，存在著一些關鍵參數難以獲取的問題。由于工廠的現代化和智能化，通常配備了大型的傳感器來監測設備的運行狀態，因此傳感器產生的數據可以用于監測工業過程中的異常情況。數據驅動的方法如信號處理方法、統計分析方法、基于機器學習的方法都在不同的領域得到了廣泛的應用，同時部分方法也被應用于磨煤機的性能監測與故障診斷。但在解決效率異常情況的檢測和診斷上存在著一定的局限性。首先，效率異常并不一定是故障所導致的，因此依賴于故障樣本訓練模型進行異常診斷的分類方法無法識別由于工況變化或者部件老化導致的效率異常情況。其次，現有的性能監測的方法通常無法給出效率異常的原因，在很大程度上仍然需要依賴專家知識。

發明內容

本發明提供了一種基于支持向量回歸(SVR)的磨煤機效率異常檢測與診斷的方法，克服了目前現有方法存在的依賴專家經驗和故障樣本，難以發現新異常、檢測結果難以解釋的問題。該方法只需要獲取磨煤機的運行數據，通過建立支持向量回歸模型，使用訓練模型后得到的支持向量進行基于距離的變量異常診斷，獲得準確可靠的效率異常時間和導致異常的原因變量。

本發明具體采用的技術方案如下：

一種基于SVR的磨煤機效率異常檢測與診斷方法，該方法包括如下步驟：

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。

本發明公開了一種基于SVR的磨煤機效率異常檢測與診斷方法。利用本發明方法，可以對磨煤機的效率異常情況進行檢測，實現異常變量的挖掘和異常原因的診斷。