摘要：一般而言，火電機組磨煤機運行環(huán)境十分惡劣，在整個運行過程當中，故障頻發(fā)。在對火電機組磨煤機典型故障預警技術的分析與應用下，能夠有效提高火電機組運行安全?；诖?，本文就將針對火電機組磨煤機典型故障預警技術及其應用展開詳細的分析與探討。

關鍵詞：磨煤機;故障預警; DBSCAN 聚類;半監(jiān)督學習方法;

中圖分類號：TM315

引言

火力發(fā)電是現(xiàn)在電力發(fā)展的主力軍，在當前社會運轉(zhuǎn)下，循環(huán)經(jīng)濟環(huán)境作為主流，在提高火電技術的同時，也考慮電力對于環(huán)境的影響以及對不可再生能源的影響，發(fā)電廠可謂是社會不可缺少的能源供應基地。在火電廠中，火電機組磨煤機的結(jié)構(gòu)十分復雜，并且其運行環(huán)境相當惡劣，在日常的工作運行中多變的狀況時有發(fā)生，以至于故障頻發(fā)。目前，對于磨煤機典型故障預警技術方面的研究較少，需要在實踐與分析當中一步一步的探尋。

一、火電機組磨煤機典型故障潛在特性分析

火電機組磨煤機典型故障可以分為設備故障以及工藝類故障。設備故障涵蓋磨煤機震動、風管堵才磨煤機、出力不足、磨煤機漏粉、主軸承過熱、磨煤機自燃及靜壓軸承油壓產(chǎn)生異常狀態(tài);而在工藝類故障中，涵蓋磨煤機滿煤、磨煤機斷煤、磨煤機自燃現(xiàn)象以及風管堵塞故障，這些都歸屬于運行參數(shù)偏離正常值所引發(fā)的故障。而在這之中，火電機組磨煤機斷煤故障與自燃故障是最為典型的兩大故障。

1.火電機組磨煤機斷煤故障分析

火電機組磨煤機斷煤故障產(chǎn)生的原因多半是由于落煤管或者是給煤管發(fā)生了堵塞現(xiàn)象，當出現(xiàn)給煤機斷煤、一次風管堵塞、一次風量過小時，這樣的情況都會造成磨煤機出現(xiàn)斷煤故障。在磨煤機內(nèi)存煤量不斷降低時，就會導致磨煤機發(fā)生斷煤故障。故障產(chǎn)生的整個環(huán)節(jié)中，少量濕煤無法吸入一次風中過大量的熱，從而引發(fā)磨煤機出口上方的溫度不斷增高。當系統(tǒng)自動運轉(zhuǎn)時，給煤機的運轉(zhuǎn)速度不斷增高，但是進煤量卻不斷降低，一次風量伴隨給煤機轉(zhuǎn)速的信號持續(xù)增長，最終導致排粉機功能消耗過大，而磨煤機中的煤料卻少之又少，最終能源消耗過大，斷煤故障隨即產(chǎn)生。

2.火電機組磨煤機自燃故障分析

火電機組磨煤機自燃故障中，磨煤機的出口溫度增高，導致磨煤機產(chǎn)生自燃故障。造成磨煤機出口溫度增高的主要原因有;磨煤機出現(xiàn)斷煤，導致磨煤機無法有效吸入一次風熱量，磨煤機的入口熱風堆積過多、冷風與熱風的比例失調(diào)等。當磨煤機已經(jīng)產(chǎn)生自然故障之后，磨煤機出口溫度不斷增長，系統(tǒng)內(nèi)部運行時，熱風門開度關至到零的狀態(tài)，冷風門就會全部打開，以至于一次風流量不斷降低，磨煤機出入口差壓與風壓下降。

二、半監(jiān)督學習方法的磨煤機典型故障預警技術

基于火電機組磨煤機典型故障預警技術，提出半監(jiān)督學習方法的磨煤機故障預警技術，主要是應用DBSCAN聚類方法來構(gòu)建出磨煤機的故障預警模型，結(jié)合集成機器學習算法來實現(xiàn)磨煤機典型故障的預警，并有效對剩余可應用時間進行詳細的估算。

此外，該技術方法中包括從歷史數(shù)據(jù)中選擇與磨煤機運作狀態(tài)相符合的歷史數(shù)據(jù)，涵蓋相似數(shù)據(jù)，還會對數(shù)據(jù)采取標準化預設處理，按照運行日志與運行的經(jīng)驗，選擇磨煤機多種故障的歷史數(shù)據(jù)進行對比，隨后選用DBSCAN聚類算法對歷史數(shù)據(jù)進行聚

類分析，需要結(jié)合不同的故障狀態(tài)數(shù)據(jù)，標出排序，即故障發(fā)生的時間線。

1.數(shù)據(jù)標準化分析處理

在此次數(shù)據(jù)標準化的分析處理中，選擇z-score的標準化數(shù)據(jù)預設處理方法，其中對涵蓋的m個樣本所蘊含的特征xi進行抽取，計算均值與標準差，隨后根據(jù)公式將數(shù)據(jù)的映射條件釋放的新的范圍中，可列舉公式：

2.DBSCAN聚類磨煤機故障分析

DBSCAN聚類算法可以算是一種基于密度的聚類方法，參照不同的數(shù)據(jù)樣本在樣本獨有空間內(nèi)分析數(shù)據(jù)的緊密程度，并將樣本劃分為不同簇，這樣的方式聚類的十分迅速，能夠有效處理各類異常的數(shù)據(jù)信息。

在DBSCAN聚類算法的應用中，首先要參照擬定的領域參數(shù)∈與MinPts來找出所在內(nèi)容中心的所有核心對象，隨后可選擇隨機核心對象作為基礎出發(fā)點，探索出密度達標的樣本，最后生成聚類簇，直至核心對象均勻的被訪問到。

另外，磨煤機的絕大部分故障都存在一個逐漸發(fā)展的過程，如果故障的特征較為薄弱，那么磨煤機的相關環(huán)節(jié)參數(shù)就開始逐漸轉(zhuǎn)向正常運行的數(shù)值，現(xiàn)在有絕大多數(shù)的故障預警技術，更偏向于研究故障的監(jiān)控與檢測，面向不同故障的類型和設備的剩余可用時間缺少細致和系統(tǒng)的研究，對于磨煤機產(chǎn)生的不同故障條件，設備整個過程，其參數(shù)、空間、時間都潛在一定的差別。當考慮到故障發(fā)展一般要經(jīng)過一定的時間周期，就可利用不同故障發(fā)展過程中的不同演變趨勢，對故障的類型以及設備剩余可用時長進行估算。可在歷史數(shù)據(jù)庫中選擇磨煤機正常運行狀態(tài)與故障狀態(tài)下的歷史數(shù)據(jù)，在選擇適合變量并進行標準化分配的數(shù)據(jù)進行詳細處理，利用地DBSCAN聚類對故障數(shù)據(jù)展開故障分離，隨后經(jīng)過不同故障階段的劃分，對于每個故障環(huán)節(jié)所分配的序類進行排列，有效統(tǒng)計出設備在不同階段的剩余可用時長。

3.集成機器學習算法的預警模型

集成機器學習算法技術也稱為隨機森林，主要是基于決策樹的一種方法，在傳統(tǒng)的決策樹選擇劃分屬性時，主要是在當前節(jié)點的d個屬性集合中挑選一個最為優(yōu)質(zhì)的決策樹。在應用集成機器學習算法時，根據(jù)決策樹的每個節(jié)點，以節(jié)點屬性集合，隨機選擇一個包括k個屬性的子集，在根據(jù)數(shù)據(jù)分析從子集中挑選一個最為優(yōu)質(zhì)的屬性用于后續(xù)的分類。

此外，在對比單分類器時，集成機器學習算法中具有泛化能力以及高質(zhì)量的準確程度，相比于其他的集成分類器而言，集成機器學習算法更為簡單、靈活，并且其有關數(shù)據(jù)技術的計算量較小。

經(jīng)過DBSCAN聚類對磨煤機的歷史數(shù)據(jù)進行研究和分析，獲取到了帶有類別標記的歷史數(shù)據(jù)。采用集成機器學習算法，對帶有類別標記的歷史數(shù)據(jù)進行了分類學習，有效區(qū)分不同標記下的數(shù)據(jù)，并對新的數(shù)據(jù)采取預測和分類。通過集成機器學習算法，對實時數(shù)據(jù)展開了詳細的預測和分類，能夠判斷出磨煤機在當前運行狀態(tài)下的不同變化趨勢，這種趨勢的測算和評估，可建立預警模型，從模型中分析性能測試數(shù)據(jù)的最終驗證結(jié)果，在結(jié)果中給出故障預測，可進一步的對設備的剩余可用時間進行計算。如果故障預警系統(tǒng)給出的狀態(tài)評估與運行人員所判斷的不相同，需要重新建立新的故障預警模型。

三、磨煤機典型故障預警技術的應用

1.仿真試驗應用

在仿真試驗的應用中以某100mw火電機組的歷史數(shù)據(jù)為例，從該歷史數(shù)據(jù)中提取與磨煤機運行過程有關的參數(shù)，文章上述所提出的各種方法進行應用后，選取和故障相關的變量，具體結(jié)果參數(shù)詳見表1，故障數(shù)據(jù)集合的基本信息詳見表2。

在對歷史數(shù)據(jù)提取的過程中，要選擇磨煤機在正常狀態(tài)下與故障狀態(tài)下運行的數(shù)據(jù)，該數(shù)據(jù)的提取年限在一年以內(nèi)，提取采樣時間為1s。

面對仿真試驗的整個環(huán)節(jié)中，根據(jù)上表描述，將I組正常運行數(shù)據(jù)與Ⅲ組故障數(shù)據(jù)作為訓練數(shù)據(jù)的集合，并建立有效的預警技術模型，將斷煤故障Ⅲ數(shù)據(jù)測試數(shù)據(jù)的集合當訓練數(shù)據(jù)集合占據(jù)數(shù)據(jù)集合的84%，需要建立磨煤機故障預警技術模型。而測試數(shù)據(jù)集合占據(jù)數(shù)據(jù)集合的16%.需要采用評價估測的預警技術模型。

2.磨煤機運行狀態(tài)的DBSCAN聚類

DBSCAN聚類相關的參數(shù)∈和MinPts并沒有相互通用的確定方法，需要按照所分析數(shù)據(jù)的基本特征進行選擇。其中，MinPts的取值一旦很小就會產(chǎn)生很多的簇，這就可以應用ln（n）進行確定，并且n是數(shù)據(jù)的點數(shù)，通過這些聚類線索分析磨煤機運行狀態(tài)屬于正常還是故障即可。

與此同時，在故障數(shù)據(jù)的集中整合中，最終簇類數(shù)是9，用類標記序列來描述各種故障的類標記分配狀態(tài)，在這之中異常數(shù)據(jù)I類類標記為-1，正常運行數(shù)據(jù)1類被標記為0，斷煤故障I數(shù)據(jù)3類標記序列是1、2、3排序，斷煤故障II數(shù)據(jù)是3類標記序列則是1、6、7，自然故障數(shù)據(jù)為2類標記序列數(shù)是4和5。同時，較為細致的統(tǒng)計各種故障下設備剩余可用時長與各類數(shù)據(jù)所涵蓋的樣本，通過樣本的聚類結(jié)果獲悉磨煤機的斷沒故障或自燃故障情況。

結(jié)束語：綜上所述，針對火電機組磨煤機典型故障預警技術主要利用DBSCAN方法對磨煤機故障進行詳細的聚類分析，能夠有效將磨煤機發(fā)生故障的整個過程劃分為不同類別，便于闡述故障發(fā)展的不同階段，利用半監(jiān)督學習方法將很好的觀察到磨煤機在運行中的故障狀態(tài)，在通過仿真試驗中的技術應用，了解火電機組磨煤機典型故障在不同階段的變化趨勢，根據(jù)預警故障狀態(tài)有效應對故障帶來的損壞和影響。

參考文獻：

[1]孫同敏.基于ISAE的磨煤機故障預測與診斷方法研究[J].煤炭工程，2021，53（05）：148-155.

[2]馮普鋒，張寶國，吳家偉，高憲賓，劉行行.電廠磨煤機故障智能監(jiān)測系統(tǒng)的設計與實現(xiàn)[J].電子元器件與信息技術，2020，4（11）：115-116.

[3]陳星宇.基于多元狀態(tài)估計的中速磨煤機運行狀態(tài)診斷和故障預警研究[D].浙江大學，2021.

[4]牛玉廣，李曉彬，張佳輝.基于多元狀態(tài)估計與自適應閩值的電站輔機故障預警[J].動力工程學報，2019，39（09）：717-724.

[5]邱天，許楊旸.磨煤機緩變故障預警研究[A].中國自動化學會.2018中國自動化大會（CAC2018）論文集[C].中國自動化學會：中國自動化學會，2018：6.

王昕（1986.10.8），男，漢族，寧夏吳忠，本科，工程師，中國神華能源股份有限公司惠州熱電分公司，研究方向：火電機組智慧運行