【摘 要】本文提出了基于支持向量機（SVM）的鍋爐常見故障的判別診斷新思路，對于火電廠主要設備鍋爐的常見故障，能夠通過具有一些典型特征的小樣本歷史數(shù)據(jù)，結(jié)合實時監(jiān)控的信息，判斷是否發(fā)生故障。該模型先利用主成分分析法提取出能夠反映故障特征的幾個主要變量，再將其作為輸入值送入支持向量機中，并由聚類結(jié)果判斷是否發(fā)生故障。通過鍋爐過熱器故障數(shù)據(jù)仿真實驗驗證了該方法的可行性。

【關鍵詞】支持向量機；鍋爐；故障診斷；分類方法

Abstract：This paper presents a new idea discriminating diagnosis based on support vector machine （SVM） common boiler failure， common faults for the main equipment of thermal power plant boiler， through small sample of historical data has some typical characteristics， combined with real-time monitoring information to determine whether failure.

Keyword：Classification， Support vector machines， Fault diagnosis， Boiler

一、基于支持向量機的鍋爐故障診斷建模

（一）支持向量機實現(xiàn)故障判別的數(shù)學原理

支持向量機（Support Vector Machine ，以下簡稱SVM）是一種基于統(tǒng)計學習理論的模式識別方法。在模式識別等領域獲得了廣泛的應用。其主要思想是：找到一個超平面，使得它能夠盡可能多的將兩類數(shù)據(jù)點正確地分開，同時使分開的兩類數(shù)據(jù)點距離分類面最遠，如圖1（b）。

記n個已知觀測樣本為。其中，分為（有故障）和（無故障）兩類。

找一個最優(yōu)分類面，滿足如下條件：

的樣本稱為支持向量。

要使兩類總體到分類面的距離最大，則有

建立SVM 的數(shù)學模型：

（二）建立支持向量機診斷模型

1.樣本數(shù)據(jù)標準化。這一步主要是消除樣本的量綱和幅值。

2.選擇合適的核函數(shù)與相應的參數(shù)，多次實驗，確定選擇徑向基函數(shù)作為核函數(shù)最優(yōu)。徑向基函數(shù)：

二、鍋爐過熱器故障診斷仿真

（一）數(shù)據(jù)預處理與累計貢獻率計算

文獻[1]給出了鍋爐過熱器故障的一些樣本。分別是主蒸汽溫度、主蒸汽壓力、爐膛負壓、高溫過熱器出口煙溫、引風機電流、主蒸汽流量、給水量。代表鍋爐過熱器故障是否嚴重，1代表嚴重，0代表不嚴重或無故障。

（二）利用支持向量機進行故障嚴重程度判別

我們采用兩個并聯(lián)的支持向量機實現(xiàn)對鍋爐過熱器是否有故障及故障嚴重程度的判斷。

仿真表明，當選取的主成分個數(shù)為4時，仿真結(jié)果與實際結(jié)果均相同。當分類類別較多時，可以采用二叉樹法實現(xiàn)多級歸類。

三、結(jié)論

本文提出的基于支持向量機的鍋爐故障診斷方法，并以過熱器為例，實現(xiàn)了在小樣本的情況下的故障診斷仿真。通過合理地設計多級支持向量機，不僅可以實現(xiàn)對鍋爐過熱器是否存在故障進行判斷，也可實現(xiàn)對故障嚴重程度的診斷。此外，通過對該方法在煙道再燃燒故障等其他設備故障的檢驗，說明了該方法具有較強的通用性，可以廣泛應用于電廠鍋爐不同設備的故障診斷中。

參考文獻：

[1]何斌， 趙永生， 鄒江峰， 等. 基于神經(jīng)網(wǎng)絡的電站鍋爐故障診斷研究[J]. 華中電力， 2006， 19（1）：1-5，8.

[2]張曦， 閻威武， 劉振亞， 等. 基于核主元分析和鄰近支持向量機的汽輪機凝汽器過程監(jiān)控和故障診斷[J]. 中國電機工程學報， 2007， 27（14）：56-61.