基于聚類分析的磨煤機斷煤過渡狀態識別

問姝雅，卓旭升，吳爾夫

（1.武漢工程大學 電氣信息學院，武漢430205；2.國家能源集團漢川發電有限公司，漢川431614）

由于原煤中常含有石塊、鐵塊等雜質以及惡劣的工作環境，導致磨煤機在運行期間易發生故障[1]。磨煤機斷煤是磨煤機常發的故障之一，其會增大磨輥的磨損，影響設備使用壽命，不利于機組的經濟運行。

磨煤機故障的發生不是一蹴而就的，從正常運行狀態到故障發生的中間往往要經歷一段“故障累積”的過渡過程，即過渡狀態。準確判斷出磨煤機斷煤故障過渡狀態，對保證機組安全經濟地運行具有重要意義。

目前對于磨煤機正常運行狀態到故障狀態中過渡狀態的識別研究較少。文獻[2]利用小波分析和D-S 證據理論辨識出磨煤機的臨界堵塞狀態。但是在構造某一證據對某一目標模式的折扣加權系數時，需要由海量的歷史數據統計得出，在數據樣本不足的情況下，得出的結果可能會略有偏差，從而影響到診斷結果。

聚類分析特別適用于無法獲得故障數據樣本或故障數據樣本獲取相對困難情況下的故障模式識別問題[3]。此類算法實現簡單，運行速度快，能夠有效辨識出磨煤機斷煤故障的過渡狀態，在生產過程中可有效提高安全性和生產效率。

模糊C 均值（fuzzy c-means，FCM）聚類算法是聚類分析的一種。在模糊C 均值聚類的迭代過程中，被分類的每一個樣本被認為以不同的隸屬度屬于某一類[4]。本文基于模糊C 均值聚類分析方法，開展對磨煤機斷煤故障過渡狀態識別方式的探索研究，旨在為磨煤機斷煤故障診斷提供技術支撐。

1 磨煤機故障特性分析

1.1 磨煤機工作流程

制粉系統可分為中間儲倉式和直吹式兩種。在直吹式制粉系統中，給煤機以一定的速率將原煤斗中的煤供給磨煤機，原煤從中央的落煤管進入落在磨環上，在離心力的作用下，原煤運動至碾磨滾道上，在磨環上形成一層煤床，通過磨輥進行碾磨，一次風經一次風管向磨煤機提供適量溫度的熱風，以干燥研磨過程中的燃煤，并將磨制好的煤粉帶出磨煤機，經粗細粉分離器分離后，合格的煤粉被送至煤粉倉或爐膛中，未合格的粗粉則被分離出來返回磨環重磨，直至合格為止。

1.2 磨煤機斷煤故障

落煤管、給煤機堵塞，給煤機故障斷煤，一次風管堵塞，磨入口一次風量小是磨煤機斷煤的主要原因[5]。磨煤機斷煤狀態下，內存煤量小，磨電流降低，磨碗壓差降低，此時給煤量可能很高，但實際進煤不多，而一次風流量接受給煤量的信號而變大，內存煤量無法消耗一次風中過量的熱，磨出口溫度升高，出口風混合物壓力降低。

2 模糊C 均值算法

FCM 算法在迭代尋優的過程中，不斷更新各類的中心及隸屬度矩陣各元素的值，直到逼近下列準則函數的最小值：

式中：模糊性加權指數m（m>1）是用來控制聚類結果模糊程度的常數，通常取A（xj-vi）為樣本xj到ωi類中心向量的距離平方，A為正定對稱矩陣，通常A 取單位矩陣，此時dij為歐氏距離，即。

FCM 算法步驟如下：

步驟1已知待分類的樣本數據集X={x1，x2，…，xN}，其中xm=［x1，x2，…，xd］，為d 維特征向量，m=1，2，…，N；確定分類數C（2≤C≤N）、模糊性加權指數m、矩陣A 和一個適當小的迭代停止閾值ε；

步驟2設置初始模糊分類矩陣U（s），令迭代次數s=0；

步驟3按式（2）計算U（s）時的聚類中心vi（s）：

式中：i=1，2，…，C。

步驟4將U（s）更新為U（s+1）；

（1）計算Ij和Ij′，其中j=1，2，…，N。

（2）計算樣本xj的新隸屬度。若Ij=φ，則：

若Ij≠φ，則令μij=0，?i∈Ij′，并使Σi∈Ijμij=1。

步驟5判斷迭代是否結束。若‖U（s）-U（s+1）‖<ε，則停止；否則，s=s+1，返回至步驟3。

3 診斷方案

在數據分析前先根據磨煤機故障機理對磨煤機的運行參數進行篩選，然后采集各特征參數在正常運行階段、過渡階段、故障階段的數據，歸一化后進行模糊C 均值聚類分析，得到故障狀態識別模型，如圖1 所示。

圖1 診斷方案流程Fig.1 Flow chart of diagnosis plan

3.1 篩選故障特征參數

在實際運行過程中，為了監測磨煤機的運行狀態，會在各部分安置傳感器采集數據，若將這些參數都作為聚類分析的輸入參數則不僅會嚴重影響計算速度，還會影響數據分析結果。所以在進行統計分析前，應先基于故障機理分析或者采用粗糙集理論[6]等方法對這些參數進行屬性約簡，篩選出對磨煤機斷煤故障敏感的特征參數，本文采用的篩選方法是磨煤機斷煤故障機理分析。

根據對磨煤機斷煤故障機理的分析，選擇給煤量、磨煤機電流、磨碗壓差、磨入口一次風流量、出口風混合物壓力、磨煤機出口溫度這6 個特征參數作為聚類分析的輸入參數。

3.2 數據歸一化

為消除各特征參數之間的量綱影響，避免聚類分析時特性指標間的排斥現象[7]，也為了在后續聚類分析中計算能夠更快速便捷，將原始數據集按式（7）歸一化至［0，1］。

式中：x′為歸一化后的數據；x 為原始數據；xmin為原始數據中的最小值；xmax為原始數據中的最大值。

3.3 FCM 聚類分析

設定C=3，對其進行模糊C 均值聚類計算分析，得到各個樣本對于各個類的隸屬度，最后根據最大隸屬原則，將各樣本歸屬到對應類別，即對哪一個類的隸屬度最大，就將其歸到哪一類。由此可將數據硬分類為3 類，當各個聚類無重疊或重疊部分較少時則認為建立了良好的故障狀態識別模型。

4 實例分析

4.1 模型訓練

現有漢川電廠5 號機組C 磨煤機從正常運行到磨煤機發生斷煤故障并關機的數據共287 組，時間為2020年7月7日9 時57 分18 秒至10 時21分08 秒，采樣間隔為5 s。其中正常狀態數據224組，過渡狀態數據30 組，故障狀態數據33 組。

將總樣本按照訓練樣本： 測試樣本≈3∶1 的標準進行劃分，這樣既能保證有足夠的數據用于模型訓練，又能客觀驗證模型的診斷效果[8]?，F從總樣本中隨機抽取72 組數據作為測試樣本，其中正常狀態數據58 組，過渡狀態數據6 組，斷煤故障數據8組，其余數據作為訓練樣本，如表1 所示。

表1 數據樣本劃分Tab.1 Data sample division

根據故障機理分析，選取給煤量，磨煤機電流、磨碗壓差、磨入口一次風流量、出口風混合物壓力、磨煤機出口溫度作為輸入參數，設定C=3，歸一化后經模糊C 均值聚類后分出了3 個類別，即正常類、過渡類和故障類。

各類別類心坐標如表2 所示，第一類為正常類，類心坐標為A（0.5607，0.4767，0.9029，0.1308，0.7393，0.0241）；第二類為過渡類，類心坐標為B（0.6364，0.4189，0.4653，0.2753，0.4660，0.2390）；第三類為故障類，類心坐標為C（0.2452，0.2482，0.1792，0.7538，0.2015，0.9223）。

表2 各類心坐標Tab.2 Various types of center coordinates

如圖2 所示，訓練樣本中166 組正常數據全部劃分到了正常類中，24 組過渡數據全部劃分到了過渡類中，25 組故障數據全部分到了故障類中。結果表明，采用模糊C 均值聚類可以將磨煤機正常、斷煤過渡狀態和斷煤故障完全區分開來。

圖2 訓練樣本聚類結果Fig.2 Clustering results of training samples

4.2 模型驗證

將72 組測試樣本并入訓練樣本中進行歸一化處理，按照式（8）計算歸一化后的特征參量坐標到各類心坐標的歐氏距離。

式中：測試樣本xj=［x1，x2，x3，x4，x5，x6］為六維特征參量；v1，v2，v3分別為類心坐標A，B，C。

根據擇近原則，距離哪類聚類中心近，驗證組數據就自動劃分到哪個聚類中。測試樣本距各類心距離如表3 所示。

表3 測試樣本距各類心距離Tab.3 Distance between test samples and various types of centers

統計結果如表4 所示，測試數據一共72 組，其中58 組正常數據，6 組過渡數據，8 組故障數據。58組正常數據全部劃分到正常類；6 組過渡數據中，2組被劃分到正常類，4 組被劃分到過渡類；8 組故障數據全部被劃分到斷煤故障類。準確率97.2%。

表4 測試樣本驗證結果Tab.4 Verification results of test samples

5 結語

模糊C 均值作為無監督的學習方法，對訓練樣本依賴性較低，運行速度快，比較適用于工程應用，通過該方法可快速又準確地識別出磨煤機的故障狀態的模式識別，準確率可達97.2%，對于故障的發生和預防具有重要意義。