基于神經(jīng)網(wǎng)絡(luò)的除塵器故障診斷

張 力，李江生，李建龍，陳怡瀟

(南昌大學(xué) 資源環(huán)境與化工學(xué)院，江西 南昌 330031)

我國的環(huán)保法律法規(guī)日臻嚴格，對工礦企業(yè)污染物排放的標(biāo)準也日趨嚴格[1]。顆粒物是我國大部分城市的首要大氣污染物，其中微細顆粒物對人類健康和環(huán)境危害最為嚴重。袋式除塵器除塵效率高[2]，特別是對細小顆粒物捕獲優(yōu)勢突出，其應(yīng)用數(shù)量約占所有除塵器類型的60%～70%[2]。同時，作為一種大型機械設(shè)備，除塵器在實際使用過程中故障時有發(fā)生，嚴重制約著工業(yè)生產(chǎn)的高效、安全與穩(wěn)定運行。

已有許多研究者采用結(jié)構(gòu)分析、故障樹分析等方法診斷除塵器的故障。孟晶悅[3]從除塵器的設(shè)計結(jié)構(gòu)入手，對除塵器的各組成部分進行獨立分析，研究各部位在實際應(yīng)用中可能發(fā)生的故障，并提出了優(yōu)化方法；王丹丹等[4]運用事故樹分析法，繪制出袋式除塵器濾袋的失效事故樹(故障樹)，從頂上事件(濾袋過濾失效)著手，自上而下，直到找出基本故障。這些方法提升了診斷的科學(xué)性，但依然未能擺脫停機檢查的不足。并且，單一工況參數(shù)的異?？捎刹煌收项愋驮斐?，診斷流程復(fù)雜。如過濾阻力異常升高，可能是糊袋、氣包壓力不足、外部漏風(fēng)加劇等原因。

近年來，人工智能的發(fā)展給工業(yè)設(shè)備故障診斷提供了良好思路，其中最具代表性的有人工神經(jīng)網(wǎng)絡(luò)技術(shù)，其利用仿生學(xué)原理模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)與功能，已廣泛應(yīng)用于各種機械設(shè)備的故障檢測，以及數(shù)據(jù)預(yù)測方面[5-8]。然而，使用神經(jīng)網(wǎng)絡(luò)技術(shù)對除塵器進行故障診斷的研究尚未見報道。

為此，筆者首先分析除塵器的主要故障類型，選取主要診斷技術(shù)參數(shù)，基于實驗?zāi)M測試數(shù)據(jù)，構(gòu)建了BP和RBF神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于除塵器故障診斷分析。研究成果可豐富和發(fā)展工業(yè)除塵器故障診斷技術(shù)，促進粉塵凈化設(shè)備領(lǐng)域自動化和智能化水平的提高。

1 除塵器主要故障類型

基于文獻資料分析[1-2,9]，選取下列常見除塵器故障類型：

1)濾芯破損。過濾風(fēng)流和粉塵、反向噴吹氣流對濾芯的沖擊作用，以及濾芯之間的相互摩擦，粉塵中酸、堿性成分對濾芯的腐蝕，高溫?zé)煔鈱V芯的灼燒等，均會使濾芯遭到不同程度的破損。濾芯破損是袋式除塵器最常見的故障，由此造成的維修費用高達總維修費用的70%以上[9]。

2)清灰失效。脈沖噴吹閥故障或氣包壓力不足，會導(dǎo)致附著于濾芯上的“頑強粉塵”難以脫落，引起清灰失效故障，也是除塵器容易發(fā)生的故障之一[1]。

3)濾芯堵塞。一方面，含有過細、黏性強的粉塵易導(dǎo)致濾芯堵塞；另一方面，濾袋本身清洗不良、受潮會導(dǎo)致糊袋。特別是高溫?zé)煔庠谶M入除塵器后降至100 ℃以下，煙氣中水蒸氣將會液化成水，使得塵餅附著在除塵袋表面，難以脫落。

4)卸灰故障。卸灰機構(gòu)易磨損變形，密封性變差，加上機械動作不到位，容易產(chǎn)生滲灰、漏灰現(xiàn)象。粉塵潮濕結(jié)塊、灰斗貯灰量過多也會造成卸灰故障，在除塵器故障中占有較大比例[2]。

2 診斷參數(shù)的選取

利用神經(jīng)網(wǎng)絡(luò)進行故障診斷時，必須選擇蘊含故障發(fā)生的重要信息的變量作為輸入向量，預(yù)測的結(jié)果才能更接近真實情況。結(jié)合除塵器運行的一般性能參數(shù)，確定如下5個工況參數(shù)作為故障診斷模型輸入變量：

1)排放濃度。粉塵排放濃度是檢驗除塵器性能的重要指標(biāo)，排放濃度異常蘊含著多種故障信息，濾芯破損、濾芯堵塞、清灰失效、卸灰故障都會對排放濃度有直接的影響。

2)過濾阻力。濾芯破損會導(dǎo)致含塵氣流短路，過濾阻力降低；而濾芯堵塞，則過濾阻力升高。若清灰失效，則濾芯表面的殘留粉塵逐漸增多，將直接導(dǎo)致過濾阻力升高。卸灰裝置的泄漏，一方面會加劇外部漏風(fēng)，過濾風(fēng)速增加，過濾阻力升高；另一方面，卸灰裝置泄漏會引起灰斗內(nèi)落塵卷起形成二次揚塵，增加粉塵負荷，也會導(dǎo)致過濾阻力升高。因此，過濾阻力蘊含多種故障類型的信息。

3)入口風(fēng)量(處理風(fēng)量)。濾芯破損會導(dǎo)致除塵器內(nèi)部漏風(fēng)增加，運行阻力降低，使入口風(fēng)量顯著增大。濾芯堵塞則導(dǎo)致運行阻力升高，降低入口風(fēng)量。而卸灰故障一般導(dǎo)致外部漏風(fēng)增加，會降低除塵器的入口風(fēng)量?？梢娙肟陲L(fēng)量的變化也可由多種故障類型造成。

4)漏風(fēng)率。濾芯破損引起除塵器內(nèi)部漏風(fēng)加劇，而卸灰密封不嚴則直接導(dǎo)致除塵器外部漏風(fēng)加劇。濾芯堵塞和清灰失效，導(dǎo)致過濾阻力增大。根據(jù)并聯(lián)風(fēng)路原理可知，過濾阻力的增大會在既有內(nèi)部漏風(fēng)通道的基礎(chǔ)上增大內(nèi)部漏風(fēng)量?？梢?，漏風(fēng)率與入口風(fēng)量具有不同的診斷信息。

5)壓縮空氣用量。壓縮空氣用于除塵器的脈沖反向噴吹清灰，由于清灰裝置故障可能導(dǎo)致壓縮空氣消耗異常，濾芯破損或堵塞引起過濾阻力變化也會導(dǎo)致壓縮空氣消耗異常。實際應(yīng)用中，壓縮空氣用量也可以用壓縮空氣耗電量替代。

3 模擬實驗及結(jié)果

為獲取預(yù)測樣本，采用除塵器模擬實驗系統(tǒng)進行相關(guān)條件的模擬與測試，實驗系統(tǒng)如圖1所示。

圖1 除塵器模擬實驗系統(tǒng)

實驗系統(tǒng)主要包括脈沖噴吹除塵器主體、LSC-100型定量給粉機、空氣壓縮包(19.4 L)、DMF-Z-25型電磁脈沖閥、LC-PDC-ZC10D脈沖控制儀、變頻風(fēng)機(4-72No.2.8A型風(fēng)機)。數(shù)據(jù)采集系統(tǒng)包括激光粉塵濃度在線檢測儀、風(fēng)速測量儀、壓差傳感器及壓力計。除塵器過濾室尺寸長×寬×高為 1 225 mm×750 mm×1 100 mm，內(nèi)部豎直安裝濾芯，尺寸為 320 mm(外徑)×240 mm(內(nèi)徑)×660 mm(高)，過濾面積6.8 m2，聚酯纖維濾料。

正常模擬實驗過程：設(shè)定風(fēng)機頻率45 Hz(對應(yīng)入口風(fēng)量約為3.87 m3/min)，調(diào)節(jié)產(chǎn)塵儀轉(zhuǎn)速使得入口粉塵質(zhì)量濃度為10 g/m3，氣包壓力0.5 MPa，脈沖噴吹時間寬度0.15 s。

故障模擬實驗過程：在模擬正常實驗過程的基礎(chǔ)上，通過濾料人為開孔(?10 mm)模擬濾料破損；通過入口加入3 200 mL/min水霧模擬粉塵濾料堵塞[10]；通過降低氣包壓力至0.2 MPa模擬清灰失效；通過設(shè)定收塵抽屜底部漏風(fēng)面積9 cm2模擬卸灰故障。

所測實驗樣本數(shù)據(jù)見表1。其中，壓縮空氣用量ΔQ，由式(1)計算得出：

(1)

式中:V為空氣壓縮包容積，m3;p0、p1分別為絕壓條件下噴吹初始氣包壓力、噴吹末態(tài)氣包壓力，MPa；pa為標(biāo)準大氣壓，MPa；k為絕熱指數(shù)，k=cp/cV，對空氣取k=1.4;cp、cV分別為空氣比定壓熱容、空氣比定容熱容。

表1 實驗樣本數(shù)據(jù)

4 BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[11]。其實現(xiàn)過程的特征可簡要歸納為：信號前向傳遞，誤差反向傳播。同時，在整個網(wǎng)絡(luò)的構(gòu)建過程中，都存在著信息正向傳播和誤差反向傳播的動作，通過不斷調(diào)整各層權(quán)值，以達到最佳訓(xùn)練效果。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖2所示。

4.1 網(wǎng)絡(luò)的建立

為了量化故障發(fā)生的類型，將故障類型采用0、1向量化處理(其中0代表不發(fā)生，1代表發(fā)生)：

濾芯破損：(1，0，0，0)；

清灰失效：(0，1，0，0)；

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的故障類型診斷模型

濾芯堵塞：(0，0，1，0)；

卸灰故障：(0，0，0，1)。

BP網(wǎng)絡(luò)的輸入、輸出層的神經(jīng)元數(shù)目，是由輸入、輸出向量的維數(shù)確定的，在該網(wǎng)絡(luò)模型中，排放濃度、入口風(fēng)量、漏風(fēng)率、過濾阻力和壓縮空氣用量為輸入向量，濾芯破損、濾料堵塞、清灰失效和卸灰故障4種故障類型為輸出向量，因此建立的BP網(wǎng)絡(luò)模型的輸入及輸出層神經(jīng)元數(shù)目m、n分別為5、4。

4.2 數(shù)據(jù)預(yù)處理

大部分樣本集中不可避免存在著奇異樣本，這是一種相較于其他輸入樣本明顯偏大或偏小的樣本矢量數(shù)據(jù)，奇異樣本點的存在會帶來訓(xùn)練時間增加或無法收斂等后果，因此實際訓(xùn)練前須將樣本進行歸一化處理，采用式(2)進行計算：

(2)

式中：T為歸一化后數(shù)值；xmax、xmin分別為歸化組數(shù)據(jù)的最大值、最小值；ymax、ymin分別為歸一化后值域區(qū)間上、下限，分別設(shè)定為1、0。

數(shù)據(jù)歸一化處理結(jié)果見表2。

表2 歸一化后網(wǎng)絡(luò)輸入輸出變量數(shù)據(jù)

4.3 網(wǎng)絡(luò)訓(xùn)練

在已確定的網(wǎng)絡(luò)輸入、輸出中，輸入層神經(jīng)元 5個，輸出層神經(jīng)元4個，單層隱含層，隱含層神經(jīng)元數(shù)目范圍根據(jù)以下經(jīng)驗公式[12]計算：

(3)

式中：a∈[1,10];n為輸入層神經(jīng)元個數(shù);m為輸出層神經(jīng)元個數(shù)。

計算后，確定n0的取值范圍為4～13。為確定隱含層神經(jīng)元數(shù)目，逐漸提高n0的取值對所有測試組樣本進行反復(fù)訓(xùn)練，得到的訓(xùn)練步數(shù)穩(wěn)定、且計算精度無明顯提高，所對應(yīng)的隱含層神經(jīng)元數(shù)目為10。

設(shè)定200次為網(wǎng)絡(luò)的訓(xùn)練次數(shù)，訓(xùn)練目標(biāo)10-5，學(xué)習(xí)率0.5。由于0、1為本次訓(xùn)練的輸出模式，采用應(yīng)用效果較好[13-15]的S型正切函數(shù)Tansig作為隱含層神經(jīng)元的激勵函數(shù)，輸出層采用S型對數(shù)函數(shù)Logsig。

對比Scaled Conjugate Gradient(trainscg)、Levenberg Marquardt(trainlm)、Resilient Propagation Training(trainrp)、BFGS-擬牛頓法(trainbfg)等常用的訓(xùn)練方法[12]進行訓(xùn)練，得到不同訓(xùn)練過程曲線，如圖3所示。

(a)trainscg算法的訓(xùn)練過程曲線

(b)trainlm算法的訓(xùn)練過程曲線

(c)trainrp算法的訓(xùn)練過程曲線

(d)trainbfg算法的訓(xùn)練過程曲線

對比可知，采用Levenberg-Marquardt算法收斂速度最快，訓(xùn)練的精度最高，僅需8步訓(xùn)練就能達到預(yù)期的訓(xùn)練效果。

因此，訓(xùn)練函數(shù)采用Levenberg-Marquardt，隱含層神經(jīng)元個數(shù)選為10個，輸入、輸出層神經(jīng)元數(shù)目分別為5、4，隱含層采用S型正切函數(shù)，輸出層采用S型對數(shù)函數(shù)。至此，已確定用于故障預(yù)測的多參數(shù)BP網(wǎng)絡(luò)模型。

網(wǎng)絡(luò)訓(xùn)練的均方根誤差按式(4)計算：

(4)

根據(jù)式(4)，計算得出該網(wǎng)絡(luò)均方根誤差僅為(0.000 17，0.000 28，0.000 12，0.000 25)，訓(xùn)練的結(jié)果十分接近期望的輸出，可認為網(wǎng)絡(luò)找到了輸入、輸出之間的映射關(guān)系。

4.4 網(wǎng)絡(luò)的測試

將表3中的5個測試樣本原始數(shù)據(jù)按同樣方法進行歸一化處理；然后輸入到已訓(xùn)練好的網(wǎng)絡(luò)，即可得到故障類型的預(yù)測結(jié)果，見表4。

表3 測試樣本及其歸一化數(shù)據(jù)

表4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實際比較

4.5 診斷結(jié)果與分析

在測試樣本中濾芯破損、濾芯堵塞、清灰失效、卸灰故障、正常各有一組，相對誤差e均小于5%，預(yù)測正確率為100%，預(yù)測效果良好。在誤差允許的范圍內(nèi)，神經(jīng)網(wǎng)絡(luò)預(yù)測的故障類型與期望的故障類型相一致，說明將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷是可行的。

5 基于RBF神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果

RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)都屬于非線性多層前向神經(jīng)網(wǎng)絡(luò)、通用逼近模型。鑒于此，采用RBF神經(jīng)網(wǎng)絡(luò)進行對比分析預(yù)測。訓(xùn)練過程中RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：均方誤差目標(biāo)(Mean Squard Error Goal)為0.0；徑向基函數(shù)的擴展速度為1；神經(jīng)元的最大數(shù)目為5；兩次顯示之間所添加的神經(jīng)元數(shù)目為25，測試結(jié)果見表5。另外，BP與RBF神經(jīng)網(wǎng)絡(luò)與預(yù)測誤差見圖4。

表5 RBF神經(jīng)網(wǎng)絡(luò)測試樣本測試結(jié)果

圖4 預(yù)測結(jié)果誤差對比柱狀圖

對比BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測誤差可以看出，BP神經(jīng)網(wǎng)絡(luò)的平均誤差為0.111 6%，RBF平均誤差為2.502 2%。RBF神經(jīng)網(wǎng)絡(luò)對濾芯破損、濾芯堵塞的識別效果明顯較差，整體而言，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測能力顯著高于RBF神經(jīng)網(wǎng)絡(luò)，具有更好的故障診斷性能。

6 結(jié)論與展望

鑒于目前除塵器故障檢測多基于人工經(jīng)驗與停機檢查相結(jié)合，存在科學(xué)性與自動化水平不足、診斷效率低等問題，分析了除塵器濾芯破損、清灰失效、濾芯堵塞、卸灰障礙4個主要故障類型和粉塵排放濃度、過濾阻力、入口風(fēng)量、漏風(fēng)率、耗氣量5個診斷參數(shù)，建立了除塵器故障診斷的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

基于BP神經(jīng)網(wǎng)絡(luò)的診斷模型，優(yōu)選隱含層 10層、S型Tansing為隱層神經(jīng)元激勵函數(shù)、S型Logsig輸出層函數(shù)、Levenberg Marquardt算法訓(xùn)練，收斂速度快、診斷結(jié)果準確，對濾芯破損、清灰失效、濾芯堵塞、卸灰故障的平均診斷誤差分別為：0.035%、0.110%、0.118%、0.215%。BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型預(yù)測結(jié)果準確性優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于除塵器故障診斷是可行的，具有良好的應(yīng)用前景。

本文的分析基于實驗室數(shù)據(jù)，將神經(jīng)網(wǎng)絡(luò)模型推廣至現(xiàn)場應(yīng)用時需注意：由于除塵器款式型號等差異，預(yù)測模型的參數(shù)會發(fā)生變化，需收集現(xiàn)場數(shù)據(jù)并輸入神經(jīng)網(wǎng)絡(luò)進行再次訓(xùn)練，以實現(xiàn)特定除塵系統(tǒng)的故障診斷。在下一步研究工作中將開展基于神經(jīng)網(wǎng)絡(luò)故障診斷的現(xiàn)場應(yīng)用，以優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，提高故障診斷的準確性和普適性。