基于信息融合的電廠磨煤機(jī)運(yùn)行狀態(tài)研究

王博維，劉愛蓮，杜景祺，張文濤，楊 俊

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.云南電網(wǎng)有限責(zé)任公司 電力科學(xué)研究院，云南 昆明 650504)

電廠磨煤機(jī)一般為電廠磨煤常用的鋼球磨煤機(jī)，大型火電廠為提高燃煤效率都是燃燒煤粉，在火電廠磨煤機(jī)完成磨粉研磨工作以后，會(huì)通過熱風(fēng)將煤粉吹進(jìn)鍋爐，然后煤粉在鍋爐充分燃燒之后形成的熱煙氣會(huì)沿著鍋爐流動(dòng)進(jìn)行放熱，所以磨煤機(jī)就顯得非常重要了?；痣姀S磨煤機(jī)是火力發(fā)電廠燃煤機(jī)組中的重要設(shè)備，其運(yùn)行的安全和穩(wěn)定性直接關(guān)系到整臺(tái)火力發(fā)電機(jī)組的整體工作，對(duì)整個(gè)電廠安全和經(jīng)濟(jì)效益都有著決定性的影響。

所以對(duì)電廠磨煤機(jī)的研究具有重要意義。神經(jīng)網(wǎng)絡(luò)具有從輸入到輸出的一個(gè)映射功能，可以實(shí)現(xiàn)一個(gè)復(fù)雜的非線性映射功能。使用神經(jīng)網(wǎng)絡(luò)將從傳感器端采集到的信息映射出設(shè)備狀態(tài)，從而實(shí)現(xiàn)對(duì)運(yùn)行狀態(tài)的預(yù)測(cè)。但是傳感器間雖然在時(shí)間和空間上有很大的差異，但其均屬于同一系統(tǒng)，受同樣的條件所制約，故其采集的信息之間必有一定的關(guān)聯(lián)性。本文使用神經(jīng)網(wǎng)絡(luò)將這種具有關(guān)聯(lián)性的數(shù)據(jù)進(jìn)行映射，使用不同的神經(jīng)網(wǎng)絡(luò)產(chǎn)生不同的映射進(jìn)行預(yù)測(cè)，可大幅降低這種關(guān)聯(lián)性帶來的誤差。最后再利用D_S證據(jù)理論進(jìn)行融合，使結(jié)果變得更加可靠。

1 神經(jīng)網(wǎng)絡(luò)和證據(jù)理論

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，是一種具有3層或3層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層(隱層)和輸出層。BP網(wǎng)絡(luò)結(jié)構(gòu)中，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接。當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各個(gè)中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)過各中間層逐層修正各連接權(quán)值，最后回到輸入層，這種算法稱為“誤差逆?zhèn)鞑ニ惴ā?。圖1為1個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 D_S證據(jù)理論融合

D_S證據(jù)理論于20年代70世紀(jì)提出，而后經(jīng)過多人的研究和發(fā)展，形成了一套處理不確定性問題的完整理論。用于各種不確定性信息中。但其還存在問題待解決，應(yīng)用D_S證據(jù)理論需要極強(qiáng)的一個(gè)條件，即被融合數(shù)據(jù)間的絕對(duì)相互獨(dú)立，目前而言很難真正實(shí)現(xiàn)這一條件。

1.2.1 D_S證據(jù)理論的基本概念

識(shí)別框架：定義某一事物為X，它可能取值的集合為U，則稱U為識(shí)別框架。

基本概率分配：如果U是一個(gè)識(shí)別框架，則函數(shù)m:2U→[0,1]為其基本概率分布，滿足下面兩個(gè)條件，簡(jiǎn)記BPA。

(1)

m(A)為A的基本概率數(shù)。使m(A)≠0的A稱為焦元。

信任函數(shù)：對(duì)于任意一個(gè)假設(shè)而言，其信任度Bel(A)定義為A中全部子集對(duì)應(yīng)的基本概率之和。

(2)

似然函數(shù)：在識(shí)別框架U上基于BPA(m)的似然函數(shù)定義為

(3)

信任區(qū)間：在D-S證據(jù)理論中，相對(duì)于識(shí)別框架U中的某一個(gè)假設(shè)A， [Bel(A)，Pl(A)]為A的信任區(qū)間。

1.2.2 Dempster合成規(guī)則

設(shè)m1，m2分別是同一個(gè)識(shí)別框架U上的兩個(gè)基本信任度函數(shù)，焦元分別為：{u11,u12,…,u1i}，{u21,u22,…,u2j}。設(shè)

(4)

則由下式定義函數(shù)

(5)

當(dāng)uk=φ時(shí),m(uk)=0,式中：i、j、k=1,2,…,n；其中

(6)

為聯(lián)合后的信度函數(shù)分配。

2 火電廠磨煤機(jī)運(yùn)行狀態(tài)模型

設(shè)備運(yùn)行時(shí)，隨著時(shí)間的增加，性能會(huì)急劇劣化，直至發(fā)生故障，其性能的劣化曲線如圖2所示。

圖2 設(shè)備性能劣化曲線

設(shè)備運(yùn)行初期處于(a-b)段，設(shè)備剛剛安裝，性能劣化比較快。隨后進(jìn)入(b-c)段，設(shè)備已經(jīng)磨合完成并平穩(wěn)運(yùn)行。再而后進(jìn)入(c-d)段，此時(shí)設(shè)備出現(xiàn)部分磨損，性能劣化加劇，但還不至于導(dǎo)致事故。最后進(jìn)入(d-e)段，設(shè)備長時(shí)間運(yùn)行，正常工作條件被破壞，性能激劇劣化，運(yùn)行到e后將隨時(shí)發(fā)生事故。當(dāng)運(yùn)行到(c-d)段時(shí)，如果能夠及時(shí)發(fā)現(xiàn)并進(jìn)行處理，便可避免事故的發(fā)生。

根據(jù)上圖可使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，通過傳感器采集的數(shù)據(jù)使用BP網(wǎng)絡(luò)將其映射到性能劣化值，從而達(dá)到預(yù)測(cè)的目的。使用單個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸出的結(jié)果不穩(wěn)定，故采用3個(gè)BP神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行預(yù)測(cè)，而通過BP神經(jīng)網(wǎng)絡(luò)后關(guān)聯(lián)性會(huì)大幅減低，此時(shí)再通過D_S證據(jù)理論將其融合可以得到較為準(zhǔn)確的結(jié)果，其流程如圖3所示。

圖3 預(yù)測(cè)模型結(jié)構(gòu)圖

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的模型預(yù)測(cè)

2.1.1 樣本數(shù)據(jù)的預(yù)處理

火電廠機(jī)組中有大量的傳感器來采集數(shù)據(jù)，但這些數(shù)據(jù)中有很多具有較大的關(guān)聯(lián)性，全部采用將會(huì)導(dǎo)致預(yù)測(cè)模型的累贅，需進(jìn)行篩選。舍棄火電機(jī)組在開機(jī)和關(guān)機(jī)之時(shí)的數(shù)據(jù)，另選取每天白天10點(diǎn)到16點(diǎn)之間的數(shù)據(jù)。選取其中22項(xiàng)數(shù)據(jù)作為輸入，以設(shè)備性能劣化曲線圖中的4種狀態(tài)作為輸出。

在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中要加快收斂速度，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)變換到(0,1)區(qū)間上，其處理變換公式如下

(7)

2.1.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層節(jié)點(diǎn)為22個(gè)，其為火電廠磨煤機(jī)的重要特征值數(shù)據(jù)。輸出層為4個(gè)節(jié)點(diǎn)，分別是設(shè)備性能劣化曲線圖中的4個(gè)狀態(tài)，設(shè)備磨合(a-b)段后小部分，設(shè)備健康(b-c)段，設(shè)備損傷但可繼續(xù)使用(c-d)段，事故(d-e)段；這里對(duì)于設(shè)備磨合段不采用全部(a-b)段是因?yàn)槠淠ズ隙尾▌?dòng)較大，不利于處理。針對(duì)3個(gè)不同的BP神經(jīng)網(wǎng)絡(luò)，使用不同的層數(shù)處理，分別為4,9,12，節(jié)點(diǎn)數(shù)也各不相同。也使用不同的訓(xùn)練算法進(jìn)行訓(xùn)練。

2.1.3 網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)

使用處理后的數(shù)據(jù)分別訓(xùn)練3個(gè)BP神經(jīng)網(wǎng)絡(luò)，使其誤差值達(dá)到預(yù)設(shè)或小于預(yù)設(shè)時(shí)，保存網(wǎng)絡(luò)。將采集到的數(shù)據(jù)輸入進(jìn)行預(yù)測(cè)。

2.2 基于D_S證據(jù)理論的狀態(tài)預(yù)測(cè)

通過3個(gè)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)得到火電廠磨煤機(jī)4個(gè)狀態(tài)的基本概率，將其用做D_S證據(jù)理論進(jìn)行融合，最終得到更為準(zhǔn)確的預(yù)測(cè)結(jié)果。

2.2.1 基本概率分配

將訓(xùn)練好的3個(gè)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值作為證據(jù)體，預(yù)測(cè)結(jié)果可能的取值集合作為識(shí)別框架，U={磨合,健康,損傷,事故}，m1，m2，m3分別作為3個(gè)BP神經(jīng)網(wǎng)絡(luò)在識(shí)別框架U上的基本概率分配。第i個(gè)BP神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果值作為識(shí)別框架U中每個(gè)對(duì)應(yīng)元素A的基本概率分配值mi(A)，來構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的基本概率分配(BPA)。

2.2.2 D_S證據(jù)融合

使用Dempster合成規(guī)則進(jìn)行合成，先將兩個(gè)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值進(jìn)行融合，再與第3個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，得到結(jié)果。

3 實(shí)例分析

數(shù)據(jù)采用火電廠機(jī)組2016年1月～2017年10月的數(shù)據(jù)，然后使用2016年1月～2017年4月的數(shù)據(jù)進(jìn)行預(yù)處理再通過網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到3個(gè)可用的BP神經(jīng)網(wǎng)絡(luò)。

由于數(shù)據(jù)過于龐大，現(xiàn)只列出其中最為重要的7組數(shù)據(jù)。表1為經(jīng)過數(shù)據(jù)預(yù)處理后的部分?jǐn)?shù)據(jù)，圖4為3組BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線。

使用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)2017年8～10月共3個(gè)月的數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，如表2所示，其中識(shí)別框架U={磨合,健康,損傷,事故}，然后進(jìn)行融合得到最終預(yù)測(cè)結(jié)果，數(shù)據(jù)如表3所示。

圖4 3組BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線

表1 預(yù)處理后的部分?jǐn)?shù)據(jù)

表2 3個(gè)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

表3 D_S證據(jù)理論融合后的最終結(jié)果

對(duì)于預(yù)測(cè)的最終結(jié)果可見，預(yù)測(cè)在整體結(jié)果上符合，其中對(duì)于磨合這一運(yùn)行狀態(tài)的預(yù)測(cè)率大于90%，可以起到較好的預(yù)測(cè)效果。如果可以提前預(yù)測(cè)出事故的發(fā)生，便可交早的做出相應(yīng)的對(duì)策，從而減少經(jīng)濟(jì)損失和人員傷亡。同時(shí)使用多個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)較單個(gè)網(wǎng)絡(luò)有更高的準(zhǔn)確性，再使用D_S證據(jù)理論進(jìn)行融合，進(jìn)一步提高了磨煤機(jī)狀態(tài)預(yù)測(cè)的可靠性。

4 結(jié)束語

雖然影響設(shè)備健康的因素有多種多樣，但其運(yùn)行狀態(tài)卻是單一的，從而使得預(yù)測(cè)的結(jié)果變的可靠有效。本文中所使用的方法雖然不能找到故障的具體位置和具體的原因，但結(jié)合預(yù)測(cè)的數(shù)據(jù)來看，應(yīng)用神經(jīng)網(wǎng)絡(luò)和D_S證據(jù)理論融合的方法可以快速準(zhǔn)確的判斷出設(shè)備的運(yùn)行狀態(tài)，結(jié)果滿意。