基于神經(jīng)網(wǎng)絡(luò)的電廠磨煤機(jī)運(yùn)行狀態(tài)智能分析技術(shù)

宿星會(huì)，張寶國(guó)，吳家偉，韓建剛，閆超

（華電國(guó)際十里泉發(fā)電廠，山東棗莊 277103）

近年來風(fēng)力發(fā)電、太陽(yáng)能發(fā)電等新能源發(fā)電技術(shù)的發(fā)展速度較快，應(yīng)用前景也較為廣闊。但火力發(fā)電作為我國(guó)目前的主要發(fā)電方式，目前仍占據(jù)著全國(guó)總發(fā)電量的70%以上[1]。發(fā)電廠中的設(shè)備產(chǎn)生故障將會(huì)中斷正常供電，損害社會(huì)經(jīng)濟(jì)效益。因此，對(duì)火力發(fā)電廠設(shè)備的運(yùn)行狀態(tài)進(jìn)行檢測(cè)和分析，是保證電網(wǎng)穩(wěn)定、可靠運(yùn)行的必要條件，也是電網(wǎng)技術(shù)改革的進(jìn)一步目標(biāo)[2]。

磨煤機(jī)作為電廠輔機(jī)，是發(fā)電系統(tǒng)的重點(diǎn)監(jiān)測(cè)對(duì)象之一。目前對(duì)于設(shè)備的狀態(tài)預(yù)測(cè)分析方法主要分為三類，即基于數(shù)學(xué)模型、基于信息處理和基于知識(shí)的方法。文獻(xiàn)[3]在電力設(shè)備狀態(tài)分析中，使用了振動(dòng)診斷法。但這種方法只適用于設(shè)備在故障已發(fā)生且故障狀態(tài)較為明顯的情況，并不能起到狀態(tài)預(yù)測(cè)的作用；文獻(xiàn)[4]將證據(jù)理論用于電子設(shè)備狀態(tài)分析，但該方法不能較好地處理兩個(gè)證據(jù)沖突時(shí)的情況，從而導(dǎo)致預(yù)測(cè)結(jié)果的可信度不高。而神經(jīng)網(wǎng)絡(luò)在具有迅速尋求最優(yōu)解能力的同時(shí)，還能夠根據(jù)歷史情況對(duì)數(shù)據(jù)的未來發(fā)展趨勢(shì)作出準(zhǔn)確預(yù)測(cè)。鑒于神經(jīng)網(wǎng)絡(luò)具有以上優(yōu)勢(shì)，該文將其應(yīng)用于電廠磨煤機(jī)運(yùn)行狀態(tài)分析領(lǐng)域。

1 磨煤機(jī)常見故障分析

研究對(duì)象選取的是由長(zhǎng)春發(fā)電設(shè)備總廠生產(chǎn)的MPS225HP-II 型中速磨煤機(jī)。該機(jī)組主要由基礎(chǔ)電機(jī)、齒輪減速機(jī)、動(dòng)態(tài)分離器、磨盤、液壓系統(tǒng)、送風(fēng)及密封系統(tǒng)、磨輥等部分組成。

1.1 主要監(jiān)測(cè)參數(shù)

1）磨出口溫度。其是指一次風(fēng)口處輸出物的溫度，是表示磨煤機(jī)干燥性能的一個(gè)特征參數(shù)。

2）磨煤機(jī)電流與排粉機(jī)電流[5]。這兩個(gè)電流的大小決定了輸出功率的大小，是表示磨出力情況的一個(gè)特征參數(shù)。

1.2 常見故障分析

在實(shí)際的復(fù)雜運(yùn)行條件下，導(dǎo)致磨煤機(jī)發(fā)生故障的原因眾多。文獻(xiàn)[6]中分析了磨煤機(jī)可能出現(xiàn)的常見故障，并結(jié)合某發(fā)電廠的磨煤機(jī)機(jī)組的大量實(shí)際數(shù)據(jù)對(duì)各種故障出現(xiàn)的概率進(jìn)行統(tǒng)計(jì)，如表1 所示。

表1 不同故障發(fā)生次數(shù)及概率

從表1 中可以看到，煤量異常和磨出口溫度過高這兩類故障發(fā)生次數(shù)超過了總故障次數(shù)的70%。因此著重對(duì)這兩種故障進(jìn)行分析，并從中確定典型的運(yùn)行特征參數(shù)以建立神經(jīng)網(wǎng)絡(luò)模型。

1）煤量異常[7]。發(fā)生煤量異常的情況有兩類：煤堵塞、少煤或斷煤，故障主要由風(fēng)量不足或傳送裝置故障導(dǎo)致。當(dāng)少煤或斷煤時(shí)，磨煤機(jī)電流相應(yīng)減??；機(jī)器內(nèi)部出現(xiàn)輕微煤堵塞時(shí)，磨煤機(jī)電流會(huì)相應(yīng)增大；但當(dāng)堵塞程度繼續(xù)增大至磨煤機(jī)不能工作時(shí)，磨煤機(jī)電流將會(huì)減小到0。因此，磨煤機(jī)電流變化足以實(shí)現(xiàn)對(duì)磨煤機(jī)運(yùn)行狀態(tài)的準(zhǔn)確分析[8]。

2）磨出口溫度過高[9]。引起磨出口溫度過高的原因有一次熱風(fēng)口開度過大、煤的初始濕度過低等。磨出口溫度過高可能造成煤粉堵塞，進(jìn)而引起煤粉自燃或爆炸。因此將磨出口溫度作為監(jiān)測(cè)變量來評(píng)估和預(yù)測(cè)系統(tǒng)的運(yùn)行狀態(tài)，對(duì)于磨煤機(jī)的安全、穩(wěn)定運(yùn)行是必要的。

2 基于神經(jīng)網(wǎng)絡(luò)的狀態(tài)分析方法

2.1 BP神經(jīng)網(wǎng)絡(luò)原理

考慮到神經(jīng)網(wǎng)絡(luò)在處理數(shù)據(jù)時(shí)具有強(qiáng)大的自學(xué)習(xí)能力，能夠通過對(duì)歷史數(shù)據(jù)的分析達(dá)到對(duì)數(shù)據(jù)未來的發(fā)展趨勢(shì)作出預(yù)測(cè)，因此適合處理狀態(tài)分析這種復(fù)雜非線性系統(tǒng)中的預(yù)測(cè)問題[10]。故在該節(jié)中，將從能夠反映上述兩種常見故障的典型運(yùn)行特征參數(shù)出發(fā)，搭建單個(gè)特征參數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

在目前種類繁多的神經(jīng)網(wǎng)絡(luò)中，當(dāng)屬BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，其尤其適用于智能故障診斷方面[11]。在結(jié)構(gòu)上，BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1 所示。其包括輸入層、隱藏層和輸出層，每一層均包含若干個(gè)神經(jīng)元。神經(jīng)元之間的連接代表著權(quán)值系數(shù)，權(quán)值系數(shù)是根據(jù)網(wǎng)絡(luò)的調(diào)整而不斷變化的。BP 神經(jīng)網(wǎng)絡(luò)的本質(zhì)思想是比較正向傳播過程計(jì)算得到的輸出與期望值之間的誤差。在不滿足誤差條件時(shí)，轉(zhuǎn)向反向傳播過程。將誤差逐層逆向傳播，從而不斷調(diào)節(jié)各節(jié)點(diǎn)的權(quán)值系數(shù)。通過多次迭代，不斷調(diào)整權(quán)值系數(shù)使輸出的誤差最小，得到相應(yīng)的模型，即完成了模型的訓(xùn)練。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.2.1 算法設(shè)計(jì)

最基礎(chǔ)的BP 算法在實(shí)際應(yīng)用中存在易于陷入局部極小值、收斂速度不夠快等缺點(diǎn)，從而導(dǎo)致網(wǎng)絡(luò)的泛化能力不足。因此該文采用LM（Levenberg-Marquardt）算法[12]對(duì)BP 算法進(jìn)行優(yōu)化，具體算法步驟包括：

1）初始化。將網(wǎng)絡(luò)中的權(quán)值系數(shù)、閾值及最大誤差允許量ε賦予初始值。

2）正向計(jì)算。利用已設(shè)條件計(jì)算網(wǎng)絡(luò)的輸出誤差E，當(dāng)E＜ε時(shí)，學(xué)習(xí)計(jì)算結(jié)束。

3）反向計(jì)算。若計(jì)算誤差大于ε，則需進(jìn)行反向誤差傳播計(jì)算。通過LM_BP 算法計(jì)算網(wǎng)絡(luò)的局域誤差、梯度和海塞矩陣確定搜索方向，進(jìn)而修正網(wǎng)絡(luò)參數(shù)并返回執(zhí)行正向計(jì)算，直至輸出滿足誤差要求。算法流程如圖2 所示。

圖2 LM_BP算法計(jì)算流程示意圖

2.2.2 數(shù)據(jù)處理與網(wǎng)絡(luò)結(jié)構(gòu)

1）樣本選取。該文將根據(jù)時(shí)間序列預(yù)測(cè)理論[13]，使選取的數(shù)據(jù)之間的相關(guān)性更強(qiáng)，實(shí)現(xiàn)更準(zhǔn)確的狀態(tài)預(yù)測(cè)。時(shí)間序列預(yù)測(cè)理論的基本原理是根據(jù)過去所獲得的數(shù)個(gè)樣本點(diǎn)擬合出下一時(shí)刻的數(shù)據(jù)值。再將預(yù)測(cè)值作為已知量用于下一點(diǎn)的擬合中，從而實(shí)現(xiàn)狀態(tài)的連續(xù)預(yù)測(cè)。所選取的樣本點(diǎn)數(shù)過少會(huì)造成部分特征丟失，而選取的樣本點(diǎn)數(shù)過多則會(huì)引入更多的噪聲，這兩種情況均使模型的預(yù)測(cè)精度降低。文中以磨出口溫度預(yù)測(cè)為例，將輸入數(shù)據(jù)長(zhǎng)度分別設(shè)為5、10、15、20點(diǎn)。其均方根誤差情況如圖3所示。

圖3 輸入數(shù)據(jù)長(zhǎng)度對(duì)預(yù)測(cè)結(jié)果的影響

由圖3 可知，在輸入數(shù)據(jù)長(zhǎng)度為10 點(diǎn)時(shí)，均方根誤差最小，效果最為理想。因此，可以將樣本數(shù)據(jù)按表2 所示劃分。

表2 訓(xùn)練樣本選取

2）歸一化處理。選取樣本后，對(duì)樣本進(jìn)行恰當(dāng)?shù)臄?shù)據(jù)預(yù)處理將成為網(wǎng)絡(luò)訓(xùn)練效果是否能達(dá)到預(yù)期的關(guān)鍵?？紤]到在神經(jīng)網(wǎng)絡(luò)中隱藏層與輸入層的傳遞函數(shù)將使用Sigmod 函數(shù)[14-15]，因此要將樣本進(jìn)行歸一化處理。采用Matlab 工具箱中的Mapminmax 函數(shù)進(jìn)行處理，其函數(shù)式可以表示為[Y,PS]=Mapminmax（X,0,1）。其中，X、Y分別為歸一化前后的數(shù)據(jù)；PS 為包含原數(shù)據(jù)峰值、谷值等特征信息的數(shù)據(jù)結(jié)構(gòu)體，可以用于數(shù)據(jù)的歸一化與逆歸一化。

3）網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)的選取。由于輸入數(shù)據(jù)長(zhǎng)度為10，故輸入層的節(jié)點(diǎn)數(shù)選為10 個(gè)；僅需預(yù)測(cè)下一個(gè)點(diǎn)的數(shù)據(jù)，故輸出層的節(jié)點(diǎn)數(shù)選為1 個(gè)；隱藏層的節(jié)點(diǎn)個(gè)數(shù)可以由式（1）和式（2）計(jì)算得到：

式中，m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)，α為1～10 內(nèi)的常數(shù)，i為所求隱藏層節(jié)點(diǎn)數(shù)。綜合考慮式（1）和式（2）后，可求得模型中隱藏層節(jié)點(diǎn)數(shù)為4。因此，文中所構(gòu)建的BP 神經(jīng)網(wǎng)絡(luò)為10-4-1結(jié)構(gòu)的三層網(wǎng)絡(luò)。最終在Matlab 中以Tansig 函數(shù)作為網(wǎng)絡(luò)傳遞函數(shù)；以Learngd 函數(shù)作為學(xué)習(xí)函數(shù)；以Trainlm 函數(shù)作為訓(xùn)練函數(shù)，完成BP 神經(jīng)網(wǎng)絡(luò)的構(gòu)建。

2.2.3 模型訓(xùn)練

構(gòu)建完成BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型后，為進(jìn)一步提高網(wǎng)絡(luò)的泛化能力，需要通過訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而調(diào)整網(wǎng)絡(luò)中的權(quán)值系數(shù)來優(yōu)化網(wǎng)絡(luò)模型以達(dá)到減小預(yù)測(cè)誤差的目的。神經(jīng)網(wǎng)絡(luò)中的各參數(shù)設(shè)置如下：學(xué)習(xí)率Lr=0.01，最大迭代次數(shù)Epochs=100，訓(xùn)練要求精度ε=0.001，動(dòng)量因子Mc=0.9。網(wǎng)絡(luò)的訓(xùn)練結(jié)果如圖4 所示。

由圖4 可知，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的均方根誤差結(jié)果在第60 次迭代后就趨于穩(wěn)定，且其誤差能夠滿足要求。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練均方根誤差圖

3 不同狀態(tài)下的模型預(yù)測(cè)及分析

3.1 磨出口溫度預(yù)測(cè)

在磨煤機(jī)正常運(yùn)行的情況下，對(duì)其進(jìn)行磨出口溫度預(yù)測(cè)。在100 min 的測(cè)量時(shí)間內(nèi)，共采集50 個(gè)數(shù)據(jù)點(diǎn)信息。將其中25 個(gè)數(shù)據(jù)按照2.2.2 節(jié)中所述的方法進(jìn)行處理，并將其作為訓(xùn)練樣本輸入。通過磨出口溫度預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖5 所示。另外，25 個(gè)數(shù)據(jù)點(diǎn)構(gòu)成的曲線代表在測(cè)量過程中得到的實(shí)際值?？梢钥吹?，預(yù)測(cè)值與實(shí)測(cè)值的變化趨勢(shì)是相同的。

圖5 磨出口溫度預(yù)測(cè)結(jié)果

3.2 磨出口溫度預(yù)測(cè)模型誤差分析

利用均方根誤差法[16]對(duì)預(yù)測(cè)模型的準(zhǔn)確度進(jìn)行分析。均方根誤差（RMSE）的計(jì)算方法如下：

式中，Xobs,i為第i個(gè)點(diǎn)的實(shí)測(cè)值，Xmodel,i為第i個(gè)點(diǎn)的預(yù)測(cè)值，n為測(cè)點(diǎn)數(shù)量。計(jì)算可得，磨出口溫度預(yù)測(cè)模型的預(yù)測(cè)值與實(shí)測(cè)值的均方根誤差RMSE（T）=0.23 ℃。測(cè)量值的平均溫度Xobs,av=95.12 ℃，根據(jù)均方根誤差率的計(jì)算方法：

可以得到，磨出口溫度預(yù)測(cè)模型的均方根誤差率γ（T）=0.24%。因此基于該文提出的狀態(tài)分析方法所建立的神經(jīng)網(wǎng)絡(luò)模型，可以準(zhǔn)確地預(yù)測(cè)正常工作情況下的磨出口溫度的狀態(tài)變化。

3.3 煤量異常預(yù)測(cè)

上述磨出口溫度預(yù)測(cè)模型所用數(shù)據(jù)樣本是在正常工況下得到的，只能說明該文提出的狀態(tài)分析方法能夠準(zhǔn)確預(yù)測(cè)磨煤機(jī)在正常工作時(shí)的未來狀態(tài)，并不能說明該方法是否能根據(jù)早期問題數(shù)據(jù)準(zhǔn)確判斷磨煤機(jī)將要發(fā)生的故障。因此，有必要再建立一個(gè)故障狀態(tài)下的預(yù)測(cè)模型。

在檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)故障的能力時(shí)，需要使磨煤機(jī)在故障狀態(tài)下持續(xù)工作以獲得相應(yīng)實(shí)測(cè)數(shù)據(jù)作為評(píng)判標(biāo)準(zhǔn)?？紤]到少煤情況對(duì)磨煤機(jī)的損壞相對(duì)較小，故該實(shí)驗(yàn)將模擬少煤故障。為了兼顧故障持續(xù)時(shí)間和樣本采集量，將采樣頻率變?yōu)樵瓉淼膬杀叮瑫r(shí)間則減少二分之一，采集點(diǎn)數(shù)量不發(fā)生改變。采用同樣的神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行處理和訓(xùn)練，得到結(jié)果如圖6 所示。

圖6 少煤故障預(yù)測(cè)結(jié)果

3.4 煤量異常預(yù)測(cè)模型誤差分析

當(dāng)進(jìn)煤量減少為正常煤量的3/4 時(shí)，磨煤機(jī)電流也變?yōu)轭~定情況下的約3/4，預(yù)測(cè)結(jié)果的趨勢(shì)與實(shí)際情況是相符合的。通過計(jì)算可以得到少煤故障模型預(yù)測(cè)的均方根誤差RMSE（I）=1.17 A，測(cè)量點(diǎn)的平均電流為Xobs,av（I）=74.59 A，模型的均方根誤差 率γ（I）=1.57%。相比于正常運(yùn)行狀態(tài)下，模型的均方根誤差率雖有所增大，但仍小于2%。因此，該模型可以準(zhǔn)確預(yù)測(cè)煤量異常故障狀態(tài)下的磨煤機(jī)電流變化。

4 結(jié)束語(yǔ)

該文以MPS225HP-II 型中速磨煤機(jī)為研究對(duì)象，選取正常運(yùn)行狀態(tài)下的磨出口溫度和少煤故障狀態(tài)下的磨煤機(jī)電流作為運(yùn)行特征參數(shù)。以時(shí)間序列預(yù)測(cè)理論和LM_BP 算法為基礎(chǔ)，完成BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建[17]。將樣本數(shù)據(jù)經(jīng)過重構(gòu)與預(yù)處理輸入到已訓(xùn)練的預(yù)測(cè)模型中得到訓(xùn)練結(jié)果，使用均方根誤差法分析模型預(yù)測(cè)的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，無(wú)論是對(duì)于正常狀態(tài)的預(yù)測(cè)還是故障狀態(tài)的預(yù)測(cè)，模型的誤差率均在2%以內(nèi)。因此該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以對(duì)磨煤機(jī)的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)分析，從而對(duì)未來狀態(tài)作出正確判斷。

基于該文的研究方法所建立的模型雖能較好地對(duì)磨煤機(jī)的運(yùn)行狀態(tài)進(jìn)行分析，但選取的單個(gè)特征參數(shù)難以做到全面地反映整個(gè)制粉系統(tǒng)的運(yùn)行狀態(tài)。具體到電廠磨煤機(jī)中則體現(xiàn)為影響因素更復(fù)雜的少煤故障狀態(tài)預(yù)測(cè)模型所產(chǎn)生的誤差率要大于正常溫度狀態(tài)預(yù)測(cè)模型[18]。所以要實(shí)現(xiàn)更為精確的運(yùn)行狀態(tài)預(yù)測(cè)，必須盡可能多地考慮系統(tǒng)中多個(gè)特征參數(shù)對(duì)于運(yùn)行狀態(tài)的影響。建立更為全面的多物理量預(yù)測(cè)模型，將是進(jìn)一步的研究方向。