基于ISAE的磨煤機故障預(yù)測與診斷方法研究

孫同敏

(國電內(nèi)蒙古東勝熱電有限公司，內(nèi)蒙古 東勝 017000)

磨煤機是燃煤機組的重要輔助設(shè)備之一，其運行狀況直接關(guān)系到機組的安全穩(wěn)定運行。磨煤機故障會給火力發(fā)電企業(yè)造成巨大的經(jīng)濟損失，降低電力系統(tǒng)的安全性和穩(wěn)定性。通過對磨煤機的有效故障預(yù)警和診斷來保證火電廠的正常運行是非常必要的[1]。

Agrawal[2]將故障診斷方法分為三類：基于模型、基于信號以及基于歷史運行數(shù)據(jù)的故障診斷方法。基于模型的故障診斷方法需要建立磨煤機的數(shù)學模型。Odgaard[3]使用簡化的能量平衡方程來監(jiān)測和診斷磨煤機中的異常能量流。Andersen[4]設(shè)計了卡爾曼濾波器來估計進入和存在于磨煤機中煤的水分，以確定磨煤機中的能量是否處于正常狀態(tài)。基于模型的故障診斷方法通過分析實際對象的數(shù)學模型進行故障診斷，物理意義是明確的。但在實際應(yīng)用中往往難以建立精確的模型[5-7]，此方法的可操作性差。

磨煤機運行過程中，許多高頻信號會發(fā)生變化，如磨煤機電流、一次風差壓等。文獻[8]通過對磨煤機的振動信號進行小波分析并將其轉(zhuǎn)換為能量振幅，來發(fā)現(xiàn)磨煤機故障與振動信號之間的關(guān)系。Collura[9]利用模型識別和信號處理技術(shù)，開發(fā)了基于煤粉細度實時檢測的磨煤機性能監(jiān)控工具。基于信號的故障診斷方法不需要建立復(fù)雜的對象模型，通過對收集的數(shù)據(jù)進行分析發(fā)現(xiàn)系統(tǒng)中的故障。但此方法通常需要安裝大量傳感器來收集信號，會提高實施和維護成本。

基于歷史運行數(shù)據(jù)的故障診斷主要是通過分析正常運行數(shù)據(jù)和故障運行數(shù)據(jù)之間的差異來確定磨煤機的健康狀態(tài)。文獻[10]提出了一種基于模糊決策聚類的故障診斷方法，并利用單層神經(jīng)網(wǎng)絡(luò)實現(xiàn)了磨煤機的三種故障識別。文獻[11]利用磨煤機的異常運行數(shù)據(jù)建立專家系統(tǒng)，通過比較模型輸出和專家系統(tǒng)的趨勢來確定磨煤機的運行狀態(tài)。基于數(shù)據(jù)的故障分析方法是一種數(shù)據(jù)驅(qū)動的方法，即使是不熟悉系統(tǒng)的研究人員也可以使用相關(guān)算法進行分析。但火電機組海量歷史運行數(shù)據(jù)中的故障類型和故障數(shù)據(jù)集并不完整和充足，同時從大量歷史數(shù)據(jù)中逐一選擇故障數(shù)據(jù)非常困難[12，13]。

綜上可知，三種故障診斷方法在磨煤機故障診斷中進行應(yīng)用各有優(yōu)缺點，單獨應(yīng)用某種方法難以在磨煤機故障診斷中取得良好的應(yīng)用效果。基于此，本文提出了一種基于模型的數(shù)據(jù)驅(qū)動故障診斷方法，首先，在簡化磨煤機機理模型基礎(chǔ)上，通過分析磨煤機的故障原理，模擬磨煤機的故障運行狀態(tài)，得到了磨煤機的大量故障數(shù)據(jù)。隨后，基于深度學習理論，建立了堆疊式自動編碼器(stacked auto-encoder)多層神經(jīng)網(wǎng)絡(luò)，并通過引入稀疏約束對算法加以改進，最后將得到的故障模擬數(shù)據(jù)送入網(wǎng)絡(luò)進行訓練。所建立的網(wǎng)絡(luò)能夠準確地學習各種故障的本質(zhì)特征，大大提高磨煤機故障診斷的準確性，同時也可以為運行人員提供故障預(yù)警，從而保障火電廠的安全運行。

1 磨煤機系統(tǒng)數(shù)學模型

本文以MPS180-HP-Ⅱ型中速磨煤機制粉系統(tǒng)作為研究對象，具體的研究工作基于文獻[14]所建立的數(shù)學模型基礎(chǔ)上進行，該文基于質(zhì)量平衡和能量平衡建立了三入三出的制粉系統(tǒng)模型，見式(1)。

在式(1)中，模型的控制量為uL、uH和Wc；模型的輸出量為Wair、Tout、Wpf；Ki和Tj(i=1，2，…15，j=1，2)是要識別的模型參數(shù)，其值見表1。

2 基于模型的磨煤機故障仿真

本文基于簡化的磨煤機模型，通過對其故障機理的分析，模擬了三種典型的磨煤機故障(斷煤、堵煤和自燃)。為了保證仿真實驗在閉環(huán)調(diào)節(jié)下進行，使得仿真實驗得到的故障數(shù)據(jù)能夠更加接近磨煤機的實際運行狀態(tài)。基于擴展狀態(tài)空間預(yù)測控制器(Model Predictive Controller Based State Space，SMPC)設(shè)計了如圖1所示的控制方案，SMPC具有對模型精度要求較低、魯棒性強和運算效率高等優(yōu)點[15]，其進一步降低了整個診斷系統(tǒng)對機理模型精度的要求，同時也為工程實際在線診斷打下基礎(chǔ)。SMPC控制器參數(shù)見表2。

圖1 磨煤機故障模擬的控制方案

表1 模型參數(shù)

表2 SMPC控制參數(shù)

2.1 斷煤故障模擬

斷煤模擬過程如下，在磨煤機穩(wěn)定運行時，在給煤量控制回路(控制量)上疊加一個負階躍信號，使進入磨煤機的煤量快速減少到0。通過調(diào)整模型設(shè)定值使模型在其他工況下運行，并重復(fù)上述步驟記錄故障數(shù)據(jù)，可以獲得大量的故障樣本。

為了驗證斷煤模擬實驗的有效性，選擇在斷煤過程中變化顯著以及快速的變量(磨煤機出口煤粉流量、磨煤機出口溫度、磨煤機電流、一次風壓差)，任意選取一組實驗數(shù)據(jù)繪制變化曲線如圖2所示。從圖2可知，斷煤故障減少了進入磨煤機的煤量，進而減少磨煤機的出口煤粉流量。同時，磨煤機入口一次風流經(jīng)磨煤機的熱量消耗減少，導(dǎo)致磨煤機出口溫度呈上升趨勢，然后冷風門迅速打開，熱風門配合關(guān)小，從而使磨煤機出口溫度下降，因為冷風門動作較快，熱風門動作較慢，一次風流量升高后下降，磨煤機差壓隨之有小幅增大然后降低。儲存在磨煤機中煤量的減少導(dǎo)致磨煤機電流減小。故障模擬曲線變化情況與理論分析相一致。

圖2 磨煤機斷煤故障模擬

為進一步驗證故障模擬的有效性，以內(nèi)蒙古東勝電廠MPS型中速磨煤機為例，結(jié)合電廠運行記錄，從磨煤機的歷史運行數(shù)據(jù)獲得了某次斷煤的故障數(shù)據(jù)集，并繪制關(guān)鍵變量的變化曲線如圖3所示。從圖3可知，當發(fā)生斷煤故障時，磨煤機的出口溫度升高，磨煤機的電流降低，一次風差壓略有升高后降低。變化趨勢與本文故障模擬的結(jié)果類似。因此圖2所示數(shù)據(jù)可作為斷煤故障數(shù)據(jù)集。

圖3 磨煤機斷煤實際故障數(shù)據(jù)

2.2 堵煤故障模擬

磨煤機堵煤模擬即在給煤量控制回路的設(shè)定值上疊加一個正階躍信號，使磨煤機內(nèi)的原煤存儲量迅速達到上限(上限設(shè)定為60kg)。同樣隨機選擇一組實驗數(shù)據(jù)的結(jié)果繪制相關(guān)變量(磨內(nèi)原煤量、磨煤機電流、一次風差壓、磨出口煤粉流量)變化曲線如圖4所示。從圖4可知，磨煤機出口煤粉流量設(shè)定值突然增大，導(dǎo)致磨煤機內(nèi)原煤量持續(xù)上升，磨煤機內(nèi)阻力增大，導(dǎo)致一次風差壓增大。同時，磨煤機的工作負荷也相應(yīng)增加，使得磨煤機的電流也隨之增加。當原煤的存量達到一定程度時，研磨效率顯著下降，從而降低了磨煤機的電流。直到磨煤機內(nèi)原煤量達到上限，磨煤機出口煤粉流量降至0，此時一次風管堵塞，煤粉無法吹出。

圖4 磨煤機堵煤故障模擬

2.3 自燃故障模擬

發(fā)生磨自燃故障時，最直接的表現(xiàn)的是磨煤機出口溫度急劇升高，導(dǎo)致控制器一系列動作。因此磨自燃故障模擬是在磨出口溫度引入一個大的階躍(本文選取100℃)，相關(guān)變量(磨出口煤粉流量、磨出口溫度、磨煤機電流、一次風差壓)變化曲線如圖5所示。

圖5 磨煤機自燃故障模擬

從圖5中可知，發(fā)生自燃故障時，為降低磨出口溫度，冷風門迅速開大，直至100%開度，熱風門配合開小。但可以看到磨出口溫度降低幅度其實有限，實際上當磨自燃故障嚴重時，僅靠冷風門調(diào)節(jié)是不夠的。因為冷風門動作比熱風門快，一次風流量先上升，從而磨出口煤粉量上升，當冷風門開度到達限值時，熱風門繼續(xù)關(guān)小使一次風量下降，磨出口煤粉流量隨即下降。而自燃不影響煤碾磨過程，磨煤機電流、一次風差壓變化較小。

3 基于改進堆疊自動編碼器的故障診斷

3.1 數(shù)據(jù)獲取和處理

根據(jù)第2節(jié)所述故障模擬方法，以MATLAB腳本調(diào)用simulink模型形式自動循環(huán)進行模擬實驗(不同工況點)，獲得4種數(shù)據(jù)樣本(磨煤機斷煤、堵煤、自燃以及正常狀態(tài))共8000組實驗數(shù)據(jù)。為了便于訓練深度學習模型，對這四種狀態(tài)進行了標簽處理，見表3。將8000組數(shù)據(jù)隨機分為訓練數(shù)據(jù)和測試數(shù)據(jù)(表4)，并進行了兩組實驗。

表3 磨煤機故障標簽定義

表4 仿真實驗數(shù)據(jù)劃分

3.2 改進堆疊自動編碼器模型

式中，等號右側(cè)第一部分為重構(gòu)誤差，第二部分為正則化項，λ為正則化系數(shù)，用來抑制過擬合現(xiàn)象，通過式(3)獲取神經(jīng)元的激活值。

a(l+1)=f[z(l+1])=f[w(l)a(l)+b(l)]

(3)

本文激活函數(shù)選取sigmoid函數(shù)。如式(4)所示：

確定稀疏自動編碼器的損失函數(shù)后，接下來利用BP反向傳播算法求得其偏導(dǎo)數(shù)。在一個三層稀疏自編碼機中，其隱藏層和輸出層節(jié)點的誤差計算為：

隨后利用梯度下降法求得優(yōu)化更新后的權(quán)重。

W(1)J(W，b;x，y)=δ(l+1)(a(l))T

b(l)J(W，b;x，y)=δ(l+1)

(9)

SAE模型結(jié)構(gòu)圖如圖6所示，ISAE即SAE在進行無監(jiān)督訓練和微調(diào)訓練 時，損失函數(shù)加入KL散度。

圖6 SAE模型結(jié)構(gòu)圖

3.3 ISAE模型參數(shù)優(yōu)化

最優(yōu)ISAE模型能夠有效提高故障識別的準確率。在文獻[17，18]中，通過優(yōu)化模型參數(shù)，如輸入層和隱藏層節(jié)點數(shù)、稀疏參數(shù)和網(wǎng)絡(luò)訓練次數(shù)等，ISAE的無監(jiān)督學習效果得到有效提高。根據(jù)第2節(jié)的分析，磨煤機故障期間顯著變化的變量包括一次風差壓、磨煤機出口溫度和磨煤機電流，因此選擇這三個變量作為ISAE模型的輸入節(jié)點。以實驗1的訓練數(shù)據(jù)為樣本進行相關(guān)實驗以確定ISAE模型的最佳參數(shù)。損失函數(shù)是ISAE模型第一層的重構(gòu)誤差，即為式(2)右側(cè)第一部分。實驗結(jié)果如圖7—圖9所示。

圖7 輸入層節(jié)點對無監(jiān)督重構(gòu)誤差的影響

圖8 隱藏層節(jié)點對無監(jiān)督重構(gòu)誤差的影響

圖9 稀疏因子對無監(jiān)督重構(gòu)誤差的影響

當輸入層中的節(jié)點數(shù)量較大時，ISAE模型可以從數(shù)據(jù)中學習到更多特征信息。但為兼顧計算效率，輸入層節(jié)點數(shù)不能任意增加。從圖7可知，當輸入層節(jié)點數(shù)(即數(shù)據(jù)時序長度)從40增加到110時，網(wǎng)絡(luò)的重構(gòu)誤差不斷減小。此后隨著輸入節(jié)點數(shù)進一步增加重建誤差基本保持不變。使用第一層ISAE進行實驗，在確定最優(yōu)輸入節(jié)點(120)后，通過實驗分析繼續(xù)確定合適的隱藏層參數(shù)。如圖8所示，當隱藏層節(jié)點數(shù)小于輸入層節(jié)點數(shù)時，重構(gòu)誤差在一個小范圍內(nèi)波動，即隱藏層節(jié)點數(shù)較少時，原始數(shù)據(jù)可以獲得較好的壓縮效果，有利于網(wǎng)絡(luò)學習數(shù)據(jù)特征。在兼顧網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性和計算效率基礎(chǔ)上，將隱藏層數(shù)設(shè)置為3層，每層節(jié)點數(shù)分別為100、60和30。圖9表明，當ρ的值在0.05和0.15之間時，網(wǎng)絡(luò)的重構(gòu)誤差繼續(xù)減小，表明對神經(jīng)元的抑制作用是適當?shù)摹ｋS著ρ值的增大，對神經(jīng)元的抑制作用過大，重構(gòu)誤差迅速增大。

結(jié)合上述分析，ISAE模型的關(guān)鍵參數(shù)見表5。輸入層節(jié)點分配見表6，各節(jié)點均為每次故障模擬所得數(shù)據(jù)經(jīng)分時截斷而成，即在故障模擬整個過程中，各變量分別截取前40時刻的故障數(shù)據(jù)，本文模型采樣時間為1s。

表5 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和超參數(shù)

表6 輸入節(jié)點分配

4 仿真驗證

在確定ISAE的參數(shù)后，用故障模擬實驗得到的訓練數(shù)據(jù)對ISAE網(wǎng)絡(luò)進行訓練，然后將測試數(shù)據(jù)送入網(wǎng)絡(luò)，測試ISAE模型的故障識別結(jié)果，如圖10所示，實驗1的故障識別準確率為94.6%。仿真結(jié)果表明，在260組測試樣本中，誤診斷的樣本絕大多數(shù)來自正常運行數(shù)據(jù)。兩組正常運行樣本被誤診斷為斷煤，九組正常樣本被誤診斷為堵煤，另有一組正常樣本被誤診為自燃故障。為了分析實驗結(jié)果，選取某組被誤診的測試樣本正常數(shù)據(jù)繪制曲線如圖11所示。圖11中矩形框中正常數(shù)據(jù)被誤診為斷煤。而這一時期的一次風壓差減小(先略有上升)、磨煤機出口溫度升高、磨煤機電流減小。這些趨勢與發(fā)生斷煤故障時磨煤機的特征一致。因此，當正常運行樣本不足時，ISAE無法充分判別兩種類型數(shù)據(jù)之間的差異，并將正常運行數(shù)據(jù)錯誤地診斷為斷煤故障。

圖10 實驗1測試數(shù)據(jù)故障識別結(jié)果

圖11 正常數(shù)據(jù)誤診曲線

同樣，圖11中橢圓框所包含的數(shù)據(jù)中變化趨勢與煤堵(一次風壓差上升、磨煤機出口溫度下降、磨煤機電流下降(故障后半段趨勢))的特點相似。因此，ISAE可能會將正常運行數(shù)據(jù)錯誤地診斷為堵煤故障。為了提高ISAE故障診斷的準確性，將正常運行的訓練樣本增加到2000組，并再次進行實驗(實驗2)。圖8顯示，盡管仍存在部分誤診，但ISAE的故障診斷準確率已提高到98.46%。因此，如果訓練樣本繼續(xù)增加，理論上ISAE的最終診斷準確率將接近100%。

圖12 實驗二測試數(shù)據(jù)故障識別結(jié)果

為了說明改進算法的有效性，比較了算法改進前后以及深度BP(網(wǎng)路結(jié)構(gòu)與ISAE一致)、支持向量機(SVM)的故障診斷準確率。訓練和測試樣本來自實驗2中的數(shù)據(jù)，對比結(jié)果見表7(取測試20次的平均結(jié)果)。從表中可知，加入稀疏約束后，算法效率得到了提升，同時與BP和SVM相比，ISAE由于數(shù)據(jù)特征提取的優(yōu)越性以及稀疏約束的加入，在最終的故障診斷結(jié)果上，具有更高準確率。

表7 不同算法故障診斷對比

磨煤機是大時延系統(tǒng)，通過檢測磨煤機出口煤粉流量的變化來發(fā)現(xiàn)磨煤機運行故障，往往不能建立有效的預(yù)警。通過實時監(jiān)測一次風差壓、磨煤機出口溫度、磨煤機電流這三種快速變化信號，訓練好的ISAE可以提前發(fā)現(xiàn)磨煤機運行故障。以斷煤故障為例，如圖13所示，人工模擬發(fā)生斷煤故障，磨煤機的出口煤粉流量在110s內(nèi)降至0，而ISAE的輸出在75s內(nèi)從正常運行狀態(tài)跳至斷煤故障，網(wǎng)絡(luò)提前35s預(yù)測磨煤機故障。隨著SMPC控制器的調(diào)整，磨煤機出口煤粉流量逐漸上升，并在160s內(nèi)回到安全范圍內(nèi)，此時故障診斷的結(jié)果恢復(fù)正常。因此，基于深度學習的故障識別方法可以在磨煤機故障診斷中發(fā)揮重要作用。

圖13 算法故障預(yù)警效果

5 結(jié) 語

針對磨煤機的故障診斷問題，本文提出了一種基于模型的深度學習算法，很好地結(jié)合了兩種故障診斷方法的優(yōu)勢。基于磨煤機的簡化機理模型，以SMPC為控制器構(gòu)建了閉環(huán)仿真系統(tǒng)，以最接近于系統(tǒng)實際運行情況下，對磨煤機的斷煤、堵煤以及自燃故障進行模擬仿真，得到了大量故障數(shù)據(jù)，解決了實際火電廠運行中磨煤機故障數(shù)據(jù)集不足以及難以整理提取的問題。通過對深度網(wǎng)絡(luò)引入稀疏約束改進了SAE的性能，提高了對磨煤機故障數(shù)據(jù)本質(zhì)特征的提取能力，同時探索了超參數(shù)的調(diào)整規(guī)律，確定了最優(yōu)的網(wǎng)絡(luò)參數(shù)，最終在參數(shù)一致的情況下，與深度BP、未改進的SAE相比，診斷準確率更高。同時ISAE選取能快速響應(yīng)磨煤機故障的變量作為輸入訓練網(wǎng)絡(luò)，在準確診斷磨煤機故障的同時達到了磨煤機故障預(yù)警的效果，以斷煤故障為例，ISAE能提前35s預(yù)測磨煤機故障。所提出的方法大大提高了磨煤機故障診斷的準確性，對確保電廠的安全運行具有重要意義。