基于小波包-LSTM神經網絡磨煤機故障診斷

陳 波，徐文韜，黃亞繼，曹歌瀚，李雨欣，管詩駢，王亞歐

(1.江蘇方天電力技術有限公司，南京 211102；2.東南大學 能源熱轉換及其過程測控教育部重點實驗室，江蘇 南京 210096)

0 引 言

磨煤機是電站鍋爐制粉系統的核心設備,運行狀況直接影響整個發電機組的安全性和經濟性。磨煤機出口風粉混合物溫度和出口壓力等參數直接影響鍋爐燃燒效率和安全運行，有效的故障診斷和早期故障預警保證運行人員全面了解磨煤機運行狀態并及時提出相應措施，對維護磨煤機設備的正常運行及整個火電機組安全運行有重要意義。

磨煤機故障診斷方法分為基于數學模型的故障診斷方法和基于人工智能的故障診斷方法。基于數學模型的故障診斷方法主要通過復雜的機理分析建立數學模型，根據系統參數測量值和數學模型預測值之間的差值計算殘差,并通過設定殘差的閾值來判斷故障是否發生。FAN等[1]通過能量平衡方程建立了磨煤機模型，通過能量流動的異常判斷故障發生。WEI等[2]提出六段磨煤機模型,在此基礎上，GUO等[3]提出一種磨煤機狀態監測技術,能夠通過觀察模型參數波動情況判斷磨煤機的運行狀態。

基于人工智能的磨煤機故障診斷方法主要通過智能算法和機器學習對海量歷史運行數據進行分析并診斷磨煤機故障類型。HAN等[4]采用模糊決策融合算法對制粉系統故障進行診斷，該方法先通過神經網絡辨識磨煤機故障,再利用子網絡辨識故障磨煤機故障的嚴重程度。王天堃[5]提出一種基于動態建模的磨煤機故障診斷方法。該診斷方法通過計算故障征兆和縮放因子實現磨煤機故障在線辨識。曾德良等[6]將小波多尺度分析方法應用于檢測磨輥磨損程度并取得良好效果，該方法能及時發現磨輥磨損故障。張文濤等[7]提出一種基于粒子群算法優化核極限學習機的磨煤機故障診斷方法，該方法通過核極限學習機建立故障診斷模型,然后利用粒子群算法對核極限學習機的參數進行優化。孫栓柱等[8]提出一種基于灰箱模型的中速磨煤機故障診斷方法，該診斷方法基于小波變換采用一種基于斜率閾值的故障檢測方法，并根據隨機森林算法建立故障分類器，實現對磨煤機故障的早期診斷。張進[9]提出一種基于回聲狀態網絡(ESN)的故障預警方法。陳渭文[10]提出一種基于信號分析的磨煤機堵煤故障診斷模型，采用神經網絡優化算法對與堵煤故障相關性較強的特征參數權重進行訓練,得出磨煤機堵煤故障的診斷模型。趙明等[11]提出基于小波包特征提取及統計分析的磨煤機球徑配比診斷，該方法對磨煤機軸承振動信號進行小波包分解,提取不同球徑配比的特征量;再通過統計分析對球徑配比做出診斷。王桐等[12]提出一種小波多尺度分解與D-S證據理論相結合的目標模式識別方法，該方法能夠有效識別中速磨煤機臨界堵塞狀態。牛玉廣[13]提出一種基于多元狀態估計與自適應閾值的電站輔機故障預警方法，該方法具有較高的故障檢測效率，首先通過等距抽樣建立典型狀態子模型，再以相似度函數表示輸入向量與估計向量偏差，最后，采用區間估計思想設計相似度的自適應閾值方法。梁修凡[14]提出一種基于融合機理和現場數據的磨煤機狀態監測及故障診斷的方法，依據磨煤機質量平衡能量平衡等建立磨煤機灰箱模型，采用統計學方法對故障殘差分析實現早期故障預報，對輸出殘差的趨勢采用多尺度小波分析方法辨識故障類型。劉定平等[15]提出一種基于核主元分析和最小二乘支持向量機的中速磨煤機故障診斷方法，對火電廠磨煤機早期故障進行預警并判別故障類型。

上述磨煤機故障診斷方法單純針對某一故障提出診斷方法，采用智能算法提取預測值與實際值間殘差信號變化趨勢，根據殘差信號變化趨勢實現磨煤機故障監測。然而，表征磨煤機運行狀態的各變量間具有強耦合且復雜多變的非線性特征，往往由于其中某一變量變化引發另一變量變化，單一提取殘差變化趨勢確定磨煤機故障類型不夠全面客觀。因此，筆者提出一種基于相關系數分析-小波包-LSTM長短期記憶神經網絡磨煤機故障診斷方法，該方法首先通過網絡隨機對LSTM長短期記憶神經網絡初參數進行尋優[16-18]，在此基礎上，基于LSTM神經網絡建立磨煤機出口壓力和出口溫度預測模型；其次，分析磨煤機發生故障機理，構建磨煤機故障數據，將磨煤機正常運行時的數據與故障數據組成混合數據作為實時運行數據，將混合數據作為LSTM神經網絡預測模型輸入變量預測磨煤機出口壓力和出口溫度，由預測值與實際值間差值獲得殘差變化趨勢，對殘差變化趨勢進行小波包分解識別殘差信號突發異常點，即磨煤機故障發生點。分別以磨煤機故障庫和混合數據中故障發生時刻點為中心，分別取2組數據的故障發生前后同時間段內部分數據作為觀測數據，對2組觀測數據中全部變量變化趨勢進行相關程度分析，相關程度越大，磨煤機故障類型越靠近故障庫中磨煤機故障類型。

1 磨煤機故障分析

磨煤機常見故障主要包括磨煤機振動和磨煤機著火。當不考慮磨煤機內部基礎部件松動、各連接軸間非緊密連接及噴嘴環磨損等問題，磨煤機滿煤或給煤機斷煤是導致磨煤機發生振動故障的主要原因，磨煤機出口溫度和磨煤機進出口壓差是導致磨煤機發生著火的主要原因。

1.1 磨煤機振動故障分析

給煤機給煤量瞬間減小，磨煤機進出口壓差降低，若一次風量調整不及時，磨煤機干燥出力降低，導致磨煤機出口溫度升高，磨煤機進出口一次風溫差減小，熱一次風擋板開度自動降低，冷一次風門擋板開度自動升高，磨輥和磨盤發生摩擦并使磨煤機出現機械振動。

當給煤機給煤量不變或瞬間增多時，若一次風量太小或原煤水分較高，磨煤機進口風溫偏低和進口一次風量太小，磨煤機內煤粉無法及時被一次風干燥并送出磨煤機，不僅磨煤機干燥出力降低，還會導致煤粉堆積，造成磨煤機堵煤故障。此時，磨煤機出口風溫降低，磨煤機進出口壓差增大，磨煤機出口壓力降低，熱一次風擋板開度自動增大，冷一次風擋板開度自動減小，磨輥和磨盤發生摩擦導致磨煤機機械振動。

1.2 磨煤機著火故障分析

當磨煤機內存在部分煤粉堆積或磨煤機出口溫度突然異常升高時，容易發生磨煤機著火故障。磨煤機以斷煤故障工況運行，若一次風量調整不及時，磨煤機中濕度較高的煤粉無法及時干燥，導致磨煤機出口溫度異常升高，嚴重時導致磨煤機著火故障發生。

為分析磨煤機設備故障產生原因及現象，以電廠磨煤機設備實際運行數據為例，采集磨煤機冷一次風擋板開度θcool、磨煤機熱一次風擋板開度θhot、磨煤機進口一次風量M、磨煤機進口風溫Tin、磨煤機出口風溫Tout、磨煤機入口壓力Pin、磨煤機出口壓力Pout及給煤機瞬時給煤量G等變量參數見表1。

表1 磨煤機設備實際運行數據

2 LSTM神經網絡

長短期記憶神經網路(LSTM)是一種特殊的循環神經網絡(RNN)。RNN是一種基于時序數據的時間遞歸神經網絡，當前隱含層與前一時刻隱含層相連，使RNN具備短期記憶并學習的能力。而RNN學習能力受限于相關信息和預測位置的間距，間距太大，產生梯度消失或梯度爆炸等問題。為解決RNN長期依賴問題，HOCHREITER等[19]提出長短期記憶神經網路(LSTM)，LSTM增設遺忘門和更新門，將信息選擇性地保留與更新，強化網絡學習能力，避免梯度消失或梯度爆炸等問題。LSTM神經網絡結構如圖1所示。

圖1 LSTM神經網絡細胞結構Fig.1 LSTM neural network cell structure diagram

LSTM神經網絡由多個神經網絡細胞連接組成[21]，Ct-1為上一個細胞狀態，ht-1為上一個細胞層輸出，xt為當前細胞的輸入，LSTM神經網絡細胞結構包括3個sigmod激活函數和2個tanh激活函數，圖1由左到右，σ分別設置在神經網絡的遺忘門、更新門和輸出門，LSTM神經網絡細胞輸入信息經σ1處理識別被舍棄的信息；經σ2處理確定被更新的信息；經σ3處理確定輸出部分信息；tanh分別設置在LSTM神經網絡的更新門和輸出門，tanh1用于生成更新內容；tanh2主要對當下時刻神經網絡細胞狀態進行更新。遺忘門、更新門和輸出門共同協作控制和保護細胞狀態。LSTM神經網絡細胞更新機制如下：

針對LSTM神經網絡細胞輸入信息，遺忘門主要作用為確定需要被丟棄的信息，遺忘門計算公式為

ft=σ[Wf(ht-1,xt)+bf]，

(1)

式中，Wf為權重矩陣；bf為偏置頂。

更新門由σ2和tanh1函數組成，LSTM神經網絡輸入信號經σ2函數確定需要被更新的那部分信息，最后經tanh1函數確定更新的內容，更新門計算公式為

it=σ[Wi(ht-1,xt)+bi]
c2t=tanh[Wc(ht-1,xt)+bc]，

(2)

式中，it為時間步t時遺忘門的激活值；Wi為輸入門的權重矩陣；bi為輸入門的偏置頂；Wc為細胞狀態的權重矩陣；bc為細胞狀態的偏置頂；c2t為候選細胞狀態。

輸出門由σ3和tanh2函數構成，LSTM神經網絡輸入信號經σ3函數確定用于輸出的那部分信息，tanh2函數用于更新LSTM神經網絡細胞狀態，輸出門計算公式為

o3t=σ[Wo·(ht-1,xt)+bo]
ht=ottanh(ct)，

(3)

式中，Wo為輸出門權重矩陣；bo為輸出門偏置頂；o3t為時間步t時輸出門的激活值；ct為時間步長為t時細胞輸出狀態；ht為時間步t時細胞狀態的輸出。

LSTM神經網絡預測模型結構如圖2所示。

圖2 LSTM神經網絡預測模型Fig.2 LSTM neural network prediction model

3 小波分析

傅立葉變換將原始信號投影于三角函數空間內并在時間空間做積分，以識別原始信號中包含的頻域成分，從而將原始時域信號轉換為頻域信號。對于非平穩的原始信號，傅立葉變換無法識別頻率出現時與之對應的時刻，基于此，短時傅立葉變換通過加入滑動窗函數分析原始非平穩信號的時間分辨率，克服了傅立葉變換無法識別時域信息的難題。然而，當滑動窗過寬，導致時域分析不準確，時間分辨率低；當滑動窗過窄，窗內包含的信號較少，導致頻域分析不準確，頻域分辨率降低。短時傅立葉變換無法隨頻率的變化實現動態可調。

實現分辨率動態可調的方法有2種，分別對應連續小波變換CWT和離散小波變換DWT。第1種：通過將小波母函數進行擠壓和拉伸，即控制不同頻率對應的窗長，由海森堡測不準原理確定頻率分辨率；第2種：采用Mallet算法，通過不斷的半子帶濾波和下采樣，控制不同頻率成分的頻域分辨率，進而實現分辨率動態可調。

實際采樣信號多數情況下為離散信號，一般采用離散小波分析法將原始信號分解為時域信號和頻域信號。小波分析方法是一種窗口大小不變，形狀可變，時間和頻域窗口可調節的時頻局部化分析方法，在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率。

小波包分解是原始信號在小波分解的基礎上，對每層高頻系數和低頻系數再一次實施小波分析。針對包含大量高頻信息的信號，小波包時頻局部化分析的能力強于小波分析[22]。

假設原始信號包含N個時間點，對應的原始信號為x1,x2,x3,…，xn，原始非平穩信號的最高頻率為fs，離散小波包分解步驟：

步驟1：將原始非平穩信號進行一次半子帶濾波和一次2倍下采樣，半子帶濾波主要任務是將原始非平穩信號頻率過濾為高頻信號(fs/2,fs)和低頻信號(0,fs/2)，經過一次2倍下采樣，獲得2/N個小波分解高頻系數和2/N個小波分解低頻系數，即原始非平穩信號完成一層小波分解；

步驟2：將每層高頻部分信號和低頻部分信號分別再進行一次半子帶濾波和一次2倍下采樣，高頻部分信號獲得N/4個小波分解高頻系數(3fs/4,fs)和N/4個小波分解低頻系數(fs/2,3fs/4)，低頻部分信號獲得N/4個小波分解高頻系數(fs/4,fs/2)和N/4個小波分解低頻系數(0,fs/4)，即原始非平穩信號完成第2層小波分解；

步驟3：依次類推，分別進行第3層小波分解和第4層小波分解，直到高頻系數和低頻系數不能再分解。

4 磨煤機故障類型診斷

以某電廠660 MW亞臨界燃煤機組為例，從DCS系統采集基于時間序列磨煤機設備歷史運行數據200組，磨煤機設備實際運行數據見表1。基于LSTM深度學習神經網絡建立磨煤機出口變量參數預測模型，LSTM神經網絡預測模型的輸入量為磨煤機進口一次風溫度(冷熱總和)、冷一次風擋板開度、熱一次風擋板開度、總一次風量(冷熱風量總和)和給煤機給煤量；LSTM神經網絡輸出量為磨煤機出口一次風溫度和磨煤機出口一次風壓力。

LSTM神經網絡預測性能與初始參數密切相關，初始參數主要包括LSTM神經網絡最大迭代次數、學習速率和隱含層層數設置。LSTM神經網絡初始參數設置不合理極易影響LSTM神經網絡的預測性能。因此，本文先采用隨機網絡法對LSTM神經網絡初參數進行尋優，以LSTM神經網絡預測誤差為目標函數。

構造磨煤機斷煤故障數據，作為磨煤機實時運行中潛藏的故障數據，將故障樣本參數輸入LSTM神經網絡預測模型，獲取故障輸入參數對應的神經網絡預測值。以LSTM神經網絡模型預測值與正常樣本實際值的殘差信號作為識別磨煤機故障類型的依據。采用小波包分解法提取LSTM神經網絡預測值與正常樣本實際值的殘差信號變化趨勢特征，小波包分解相當于濾波器，將殘差信號分解為近似系數與細節系數，近似系數表示殘差為0，細節系數辨識故障發生時刻，以辨識到的故障時刻為中心，取故障前后部分數據組成觀測數據1，以磨煤機故障庫中故障發生時刻為中心，取故障前后同時間段部分數據組成觀測數據2，針對2組觀測數據，采用相關系數分析辨識故障類型。磨煤機故障類型診斷過程如圖3所示。

圖3 磨煤機故障類型診斷過程Fig.3 Diagnosis process of fault type of coal mill

5 試驗與結果

5.1 LSTM預測模型試驗

基于LSTM神經網絡具有短期記憶能力，本文提出LSTM深度學習神經網絡建立磨煤機出口參數預測模型。取表1中第1～180組數據作為LSTM神經網絡的訓練樣本數據，第181～200組數據作為LSTM神經網絡的測試樣本數據，用以測試LSTM神經網絡預測模型精度。其中，LSTM神經網絡預測模型輸入變量為磨煤機進口一次風溫度、磨煤機冷一次風擋板開度、熱一次風擋板開度和給煤機瞬時給煤量；LSTM神經網絡預測模型輸出變量為磨煤機出口風壓和磨煤機出口風溫。采用LSTM神經網絡和LSTM神經網絡預測模型分別對訓練樣本和測試樣本進行磨煤機出口變量參數的預測和測試，結果如圖4所示。

圖4(a)為采用LSTM深度學習神經網絡預測磨煤機出口壓力和溫度的預測值與實際值對比，第1～180組為LSTM神經網絡預測模型訓練樣本，第181～200組數LSTM神經網絡測試樣本。由圖4(a)可知，在訓練樣本內，基于LSTM神經網絡預測磨煤機出口壓力和出口溫度的預測值隨樣本點變化曲線與樣本數據磨煤機出口壓力和出口溫度實際值隨樣本點變化曲線近乎重合，表明LSTM長短期記憶神經網絡擬合能力良好；在測試樣本中，采用LSTM神經網絡預測磨煤機出口溫度的預測值與樣本數據磨煤機出口溫度實際值基本一致，表明LSTM長短期記憶神經網絡較強的預測能力。

圖4 變量參數的預測和測試Fig.4 Prediction and test of parameters

圖4(b)和(c)分別為采用LSTM長短期記憶神經網絡對磨煤機出口壓力和出口溫度的預測值與整個樣本數據磨煤機的相對誤差和誤差。由圖4(b)可知，第1～180組訓練樣本數據中，采用長短期記憶神經網絡對磨煤機出口壓力和出口溫度的預測值與訓練樣本數據的最大相對誤差不超過1%，第181～200組測試樣本中，采用長短期記憶神經網絡對磨煤機出口壓力和出口溫度的預測值與測試樣本數據的最大相對誤差不超過1%。由圖4(c)可知，在整個樣本數據中，采用LSTM神經網絡對磨煤機出口壓力的預測值與整個樣本實際值的最大誤差不超過0.05 MPa，LSTM神經網絡對磨煤機出口溫度的預測值與整個樣本數據實際值的最大誤差不超過0.5 ℃。

LSTM神經網絡預測磨煤機出口壓力見表2，LSTM神經網絡預測磨煤機出口溫度見表3，由表2和表3可知，采用LSTM神經網絡建立磨煤機出口壓力和出口溫度預測模型預測磨煤機出口壓力和出口溫度最大相對誤差均不超過1%，說明LSTM長短期記憶神經網絡預測模型預測精度較高，為下一步針對磨煤機輸入故障數據預測磨煤機出口壓力和溫度做準備。

表3 LSTM神經網絡預測磨煤機出口溫度

5.2 磨煤機故障診斷試驗

分析磨煤機斷煤故障產生的原因及磨煤機斷煤故障發生后磨煤機各變量參數變化趨勢可知，給煤機斷煤是導致磨煤機斷煤故障的重要原因。當給煤量瞬間減少時，磨煤機熱一次風擋板開度瞬間減少、磨煤機冷一次風擋板開度瞬間增大、磨煤機進口一次風量和風溫瞬間降低、磨煤機出口風壓和風粉溫度瞬間增大。以磨煤機斷煤故障為例，根據磨煤機各變量參數變化趨勢構建磨煤機冷一次風擋板開度、熱一次風擋板開度、進口一次風量、進口一次風溫度和給煤量等故障樣本數據。

將表1中磨煤機設備正常運行工況樣本數據與故障樣本數據重新組合形成新樣本數據，用于診斷磨煤機斷煤故障，由第5.1節知，采用LSTM長短期記憶神經網絡建立磨煤機出口風壓和風溫變量參數預測模型能夠較精確預測磨煤機出口變量參數。將磨煤機斷煤故障數據中磨煤機冷一次風擋板開度、熱一次風擋板開度、進口一次風量、進口一次風溫度和給煤機瞬時給煤量等變量參數輸入LSTM長短期記憶神經網絡預測模型預測磨煤機斷煤故障時磨煤機出口風壓和出口風溫，進而獲得磨煤機出口風壓和出口溫度預測值與磨煤機斷煤故障時的實際值間殘差，殘差信號隨時間變化上下無規律波動，屬于非平穩信號，本文采用小波包分解將殘差信號分解得到細節系數即高頻系數，由高頻系數識別殘差信號發生故障時刻，小波包函數采用具有優良特性的sym4小波函數，分解層數設為5層(d1～d5)，小波包分解結果如圖5所示。

圖5(a)為磨煤機出口壓力殘差信號隨時間變化圖，由圖5(a)可知，前200組樣本數據磨煤機出口壓力和出口溫度殘差信號在0值附近上下微小波動，后88組樣本數據的磨煤機出口壓力殘差和出口溫度殘差驟增。由圖5(b)和(c)可知，針對前200組樣本數據，采用小波包分解后磨煤機出口壓力和溫度殘差的每層高頻系數均保持為0，針對后88組樣本數據，小波包分解后磨煤機出口壓力殘差和溫度殘差的每層高頻系數發生強烈波動，由小波包分解原理知，小波包分解針對包含大量高頻信息的信號，小波包具有較強的局域時頻分析能力，在殘差信號的故障識別中，高頻信息表示殘差信號迅速變化的部分，即小波包分解能夠敏銳地識別原始信號中高頻頻率對應的時刻點。表明第201組數據的殘差信號發生迅速變化，即磨煤機發生故障的時刻。

圖5 小波包分解結果Fig.5 Decomposition result of wavelet packet

由小波包分解磨煤機出口壓力殘差信號知，第201～288組磨煤機樣本數據為磨煤機故障樣本數據，分析樣本數據中各個變量參數隨時間變化趨勢，結果如圖6所示。

圖6 樣本數據各變量參數隨時間變化趨勢Fig.6 Variation trends of the variable parameters of the sample data with time

由圖6可知，當給煤機瞬時給煤量驟然降低時，磨煤機熱一次風擋板開度、磨煤機進口一次風量和進口一次風溫度等變量參數均瞬間降低，磨煤機冷一次風擋板開度先以正常開度運行一段時間后再迅速升高；磨煤機瞬時給煤量不斷增加時，磨煤機冷一次風擋板開度緩慢減小，磨煤機熱一次風擋板開度、磨煤機進口風量和磨煤機進口風溫均增加。給煤機瞬時給煤量瞬間降低引起磨煤機各變量參數發生變化，初判定磨煤機斷煤故障。

在初判定磨煤機故障發生時刻及初判定磨煤機故障類型后，提取故障發生時刻前后部分數據，計算該部分故障數據與磨煤機故障庫中同一觀測故障數據的相關系數，最終判別磨煤機故障類型。以第201組數據為中心，取故障發生前10組數據與故障發生后10組數據組成觀測數據1，以磨煤機斷煤故障數據庫中發生故障時刻對應的數據為中心，取故障發生前10組數據與故障發生后10組數據組成觀測數據2，計算2組觀測數據各變量間相關系數，相關系數越接近1或-1，表明磨煤機故障類型越接近磨煤機斷煤故障。當磨煤機故障樣本數據中各個變量與磨煤機斷煤故障樣本數據的各個變量相關程度均達到85%以上(表4)，診斷磨煤機故障為磨煤機斷煤故障。其中，x1、z1分別為實時運行數據與故障數據中磨煤機冷一次風擋板開度；x2、z2分別為實時運行數據與故障數據中磨煤機熱一次風擋板開度；x3、z3分別為實時運行數據與故障數據中磨煤機進口一次風量；x4、z4分別為實時運行數據與故障數據中磨煤機進口一次風溫；x5、z5分別為實時運行數據與故障數據中給煤機瞬時給煤量；y1、l1分別為實時運行數據與故障數據中磨煤機出口壓力；y2、l2分別為實時運行數據與故障數據中磨煤機出口溫度。

表4 變量間相關程度

6 結 論

1)采用網絡隨機法對LSTM神經網絡的最大迭代次數、初始學習率和隱藏層數進行參數尋優，以LSTM預測誤差為目標函數，尋優結果顯示：當LSTM神經網絡最大迭代次數為200次，隱含層層數設置為200，初始學習速率為0.01，迭代到160步以0.2降低因子使學習速率降低時，LSTM神經網絡預測誤差最低。

2)采用LSTM長短期記憶神經網絡建立磨煤機出口壓力和出口溫度預測模型的平均相對誤差均不超過1%，表明LSTM長短期記憶神經網絡預測模型有較高的預測精度。

3)將混合數據作為LSTM神經網絡預測模型輸入變量并預測磨煤機出口壓力和溫度，對預測值與實際值非平穩殘差進行小波包分解，確定故障發生在第201組數據對應時刻，說明小波包分解能夠較準確地識別故障發生時刻。

4)采用相關系數分析法分析2組故障數據變化趨勢。2組故障數據中，給煤機瞬時給煤量、磨煤機冷一次風擋板開度、熱一次風擋板開度、磨煤機進口一次風量、磨煤機進口一次風溫等變量相關系數均為1，表明對2組故障數據進行相關系數法分析能夠較精準地診斷磨煤機故障類型。