基于聚類分析的磨煤機斷煤過渡狀態(tài)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(fā)電有限公司，漢川431614）

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

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

目前對于磨煤機正常運行狀態(tài)到故障狀態(tài)中過渡狀態(tài)的識別研究較少。文獻[2]利用小波分析和D-S 證據(jù)理論辨識出磨煤機的臨界堵塞狀態(tài)。但是在構(gòu)造某一證據(jù)對某一目標模式的折扣加權(quán)系數(shù)時，需要由海量的歷史數(shù)據(jù)統(tǒng)計得出，在數(shù)據(jù)樣本不足的情況下，得出的結(jié)果可能會略有偏差，從而影響到診斷結(jié)果。

聚類分析特別適用于無法獲得故障數(shù)據(jù)樣本或故障數(shù)據(jù)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(xiàn)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(tài)，在生產(chǎn)過程中可有效提高安全性和生產(chǎn)效率。

模糊C 均值（fuzzy c-means，F(xiàn)CM）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(tài)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(shù)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(tǒng)可分為中間儲倉式和直吹式兩種。在直吹式制粉系統(tǒng)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(huán)上，在離心力的作用下，原煤運動至碾磨滾道上，在磨環(huán)上形成一層煤床，通過磨輥進行碾磨，一次風經(jīng)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(jīng)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(huán)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(tài)下，內(nèi)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(nèi)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(yōu)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(shù)的最小值：

式中：模糊性加權(quán)指數(shù)m（m>1）是用來控制聚類結(jié)果模糊程度的常數(shù)，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(shù)據(jù)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(shù)C（2≤C≤N）、模糊性加權(quán)指數(shù)m、矩陣A 和一個適當小的迭代停止閾值ε；

步驟2設(shè)置初始模糊分類矩陣U（s），令迭代次數(shù)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(jié)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(shù)據(jù)分析前先根據(jù)磨煤機故障機理對磨煤機的運行參數(shù)進行篩選，然后采集各特征參數(shù)在正常運行階段、過渡階段、故障階段的數(shù)據(jù)，歸一化后進行模糊C 均值聚類分析，得到故障狀態(tài)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(shù)

在實際運行過程中，為了監(jiān)測磨煤機的運行狀態(tài)，會在各部分安置傳感器采集數(shù)據(jù)，若將這些參數(shù)都作為聚類分析的輸入?yún)?shù)則不僅會嚴重影響計算速度，還會影響數(shù)據(jù)分析結(jié)果。所以在進行統(tǒng)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(shù)進行屬性約簡，篩選出對磨煤機斷煤故障敏感的特征參數(shù)，本文采用的篩選方法是磨煤機斷煤故障機理分析。

根據(jù)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(shù)作為聚類分析的輸入?yún)?shù)。

3.2 數(shù)據(jù)歸一化

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

式中：x′為歸一化后的數(shù)據(jù)；x 為原始數(shù)據(jù)；xmin為原始數(shù)據(jù)中的最小值；xmax為原始數(shù)據(jù)中的最大值。

3.3 FCM 聚類分析

設(shè)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(jù)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(shù)據(jù)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(tài)識別模型。

4 實例分析

4.1 模型訓練

現(xiàn)有漢川電廠5 號機組C 磨煤機從正常運行到磨煤機發(fā)生斷煤故障并關(guān)機的數(shù)據(jù)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(tài)數(shù)據(jù)224組，過渡狀態(tài)數(shù)據(jù)30 組，故障狀態(tài)數(shù)據(jù)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(shù)據(jù)用于模型訓練，又能客觀驗證模型的診斷效果[8]?，F(xiàn)從總樣本中隨機抽取72 組數(shù)據(jù)作為測試樣本，其中正常狀態(tài)數(shù)據(jù)58 組，過渡狀態(tài)數(shù)據(jù)6 組，斷煤故障數(shù)據(jù)8組，其余數(shù)據(jù)作為訓練樣本，如表1 所示。

表1 數(shù)據(jù)樣本劃分Tab.1 Data sample division

根據(jù)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?yún)?shù)，設(shè)定C=3，歸一化后經(jīng)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(shù)據(jù)全部劃分到了正常類中，24 組過渡數(shù)據(jù)全部劃分到了過渡類中，25 組故障數(shù)據(jù)全部分到了故障類中。結(jié)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(tài)和斷煤故障完全區(qū)分開來。

圖2 訓練樣本聚類結(jié)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(jù)擇近原則，距離哪類聚類中心近，驗證組數(shù)據(jù)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(tǒng)計結(jié)果如表4 所示，測試數(shù)據(jù)一共72 組，其中58 組正常數(shù)據(jù)，6 組過渡數(shù)據(jù)，8 組故障數(shù)據(jù)。58組正常數(shù)據(jù)全部劃分到正常類；6 組過渡數(shù)據(jù)中，2組被劃分到正常類，4 組被劃分到過渡類；8 組故障數(shù)據(jù)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(jié)果Tab.4 Verification results of test samples

5 結(jié)語

模糊C 均值作為無監(jiān)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(tài)的模式識別，準確率可達97.2%，對于故障的發(fā)生和預防具有重要意義。