基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统
阅读说明：本技术 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 (Medium-speed coal mill fault early warning method and system based on least square support vector machine algorithm ) 是由 王远鑫 许文良 陈俊 徐民 吴万范 程时鹤 于 2021-05-10 设计创作，主要内容包括：本发明提供了基于最小二乘支持向量机算法的中速磨煤机故障预警系统,包括：(1)采集磨煤机历史数据,对数据预处理,根据皮尔逊相关系数,选取与目标回归参数相关性较大的参数；(2)将选取历史参数录入LS-SVM算法进行训练,获取最佳回归结果模型；(3)将实际参数输入训练好的算法得到实际值回归结果,计算自适应阈值区间,判断实际值是否处于自适应阈值区间,连续15s超过自适应阈值区间认为参数出现异常,对异常状态进行预警。本方法可根据不同参数预测不同故障。(The invention provides a medium speed coal mill fault early warning system based on a least square support vector machine algorithm, which comprises the following steps: (1) acquiring historical data of a coal mill, preprocessing the data, and selecting a parameter with larger correlation with a target regression parameter according to a Pearson correlation coefficient; (2) recording the selected historical parameters into an LS-SVM algorithm for training to obtain an optimal regression result model; (3) inputting the actual parameters into a trained algorithm to obtain an actual value regression result, calculating a self-adaptive threshold interval, judging whether the actual values are in the self-adaptive threshold interval, and early warning the abnormal state when the parameters are considered abnormal when the actual values continuously exceed the self-adaptive threshold interval for 15 s. The method can predict different faults according to different parameters.)
技术领域
本发明涉及设备故障预警
技术领域
，具体涉及基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统。背景技术
火力发电厂磨煤机作为辅机设备是影响锅炉安全运行的重要因素，随着信息技术发展，电厂DCS系统产生大量设备运行参数，如何高效处理、分析这些数据资源是进一步提高电站管理水平、保障安全运行的重要手段。
设备的异常或故障是在设备运行过程中通过运行参数的变化表现出来的，以设备运行过程出现的主要异常或故障为线索，获得反映设备状态的特征参数，可以有效评估设备的运行状态。
因火电厂燃用煤质复杂多变，中速磨煤机在运行中存在振动异常、堵磨、粉管爆燃、异物进入磨煤机导致磨本体异常等运行故障，严重影响磨煤机安全运行。火电厂对上述常见的运行安全风险监测手段主要是间歇式人工就地巡检与集控室表盘监控，两者对故障风险往往不能做到及时发现与预警。中速磨煤机是直吹式磨煤机，煤粉在磨煤机内停留时间较短不存煤粉，磨煤机参数能够反映实时状态。而这个特性目前并没有在中速磨煤机的故障预警方面被很好的利用。
如申请号为CN201510170470.7公开的中速磨煤机振动故障诊断方法，该方法首先对磨煤机振动进行故障特征分析，得出磨煤机电流是磨煤机振动故障分析的重要监测参数，随后通过历史数据的相关性从分析筛选出了磨出口风压、给煤机给煤量、磨入口一次风量和磨出口温度四个辅助变量，以这四个辅助变量来预测电流，并用实测电流与预测电流作差，取磨煤机电流残差序列构造磨振动量的方法，对磨电流残差序列进行三层小波包分解，获得8个频带的能量比，统计分析两种故障的能量比，得出磨辊磨损严重和磨内进异物两种故障的特征量区分明显，所述诊断方法具有诊断准确度高、测试效果好的特点。该方法仅对磨煤机电流进行预测，根据预测结果判定磨煤机振动故障，无法利用其它参数预测其它故障。
发明内容
本发明所要解决的技术问题在于通过磨煤机各实时参数联系，预测多种故障。
本发明通过以下技术手段实现解决上述技术问题的：
基于最小二乘支持向量机算法的中速磨煤机故障预警方法，包括以下步骤：
步骤1.采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关系统，选取与目标参数相关性大的参数；
步骤2.将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；
步骤3.将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；
步骤4.判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
本发明针对中速磨煤机，通过皮尔逊相关系数，选取与目标参数相关性高的参数使用LS-SVM算法回归目标参数，比对回归目标参数与当前目标参数，对回归参数设置阈值上下限，对比实时目标参数与阈值上下限区间，避免了经历不同变工况阶段辅机的运行状态会不同程度偏离正常状态造成的阈值区间失真。
进一步的，所述步骤1具体为：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
其中x(t)表示各参数t时刻的实际值，为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
进一步的，所述步骤2具体为：以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
分别对ω，b，et，at求导等于0：
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
进一步的，所述步骤3具体为：
步骤31.根据当前输入参数，由公式其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
与上述方法对应的，本发明还提供一种基于最小二乘支持向量机算法的中速磨煤机故障预警系统，包括：
预处理模块，采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关系统，选取与目标参数相关性大的参数；
模型训练模块，将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；
自适应阈值区间计算模块，将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；
判断模块，判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
进一步的，所述预处理模块执行过程具体为：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
其中x(t)表示各参数t时刻的实际值，为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
进一步的，所述模型训练模块执行过程具体为：以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
分别对ω，b，et，at求导等于0：
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
进一步的，所述自适应阈值区间计算模块执行过程具体为：
步骤31.根据当前输入参数，由公式其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
本发明还提供一种处理设备，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
本发明的优点在于：
本发明针对中速磨煤机，通过皮尔逊相关系数，选取与目标参数相关性高的参数使用LS-SVM算法回归目标参数，比对回归目标参数与当前目标参数，对回归参数设置阈值上下限，对比实时目标参数与阈值上下限区间，避免了经历不同变工况阶段辅机的运行状态会不同程度偏离正常状态造成的阈值区间失真。
本发明对中速磨煤机主要参数，如电流、进口风量、出口风压、出口温度、粉管风速、磨本体差压等，进行回归预测，预警诊断磨煤机除振动故障外多种故障(磨煤机断煤、堵磨、粉管漏粉等)。
附图说明
图1为本发明实施例中基于最小二乘支持向量机算法的中速磨煤机故障预警算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，基于最小二乘支持向量机算法的中速磨煤机故障预警方法，包括以下步骤：
步骤1.采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关系统，选取与目标参数相关性大的参数；具体为：
以磨煤机电流为例，采集磨煤机历史数据，对采集数据进行标准化处理，根据皮尔逊相关系数计算与磨煤机电流相关性较大的参数；
选取的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈共计20项。
对采集历史数据各参数进行标准化处理，标准化公式如下：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
其中x(t)表示各参数t时刻的实际值，为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
与电流相关性较大的参数包括：煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压。
步骤2.将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；具体为：以电流为目标值，煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压为输入参数，以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
分别对ω，b，et，at求导等于0：
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
步骤3.将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；具体为：向训练好的LS-SVM模型输入实际输入值，回归实际电流值，根据回归结果，计算自适应阈值区间：
步骤31.根据当前输入参数，由公式其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
步骤4.判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。本实施例规定连续15s超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
本发明针对中速磨煤机，通过皮尔逊相关系数，选取与目标参数相关性高的参数使用LS-SVM算法回归目标参数，比对回归目标参数与当前目标参数，对回归参数设置阈值上下限，对比实时目标参数与阈值上下限区间，避免了经历不同变工况阶段辅机的运行状态会不同程度偏离正常状态造成的阈值区间失真。
本发明对中速磨煤机主要参数，如电流、进口风量、出口风压、出口温度、粉管风速、磨本体差压等，进行回归预测，预警诊断磨煤机除振动故障外多种故障(磨煤机断煤、堵磨、粉管漏粉等)。
与上述方法对应的，本发明还提供一种基于最小二乘支持向量机算法的中速磨煤机故障预警系统，其特征在于，包括：
预处理模块，采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关系统，选取与目标参数相关性大的参数；以磨煤机电流为例，采集磨煤机历史数据，对采集数据进行归一化处理，根据皮尔逊相关系数计算与磨煤机电流相关性较大的参数；
选取的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈共计20项。
对采集历史数据各参数进行标准化处理，标准化公式如下：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
其中x(t)表示各参数t时刻的实际值，为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
与电流相关性较大的参数包括：煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压。
模型训练模块，将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；具体执行过程为：
以电流为目标值，煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压为输入参数，以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
分别对ω，b，et，at求导等于0：
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
自适应阈值区间计算模块，将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；具体为：向训练好的LS-SVM模型输入实际输入值，回归实际电流值，根据回归结果，计算自适应阈值区间：
步骤31.根据当前输入参数，由公式其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
判断模块，判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警，具体执行上述步骤4.
本发明还提供一种处理设备，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。