張 力，李江生，李建龍，陳怡瀟

(南昌大學(xué) 資源環(huán)境與化工學(xué)院，江西 南昌 330031)

我國(guó)的環(huán)保法律法規(guī)日臻嚴(yán)格，對(duì)工礦企業(yè)污染物排放的標(biāo)準(zhǔn)也日趨嚴(yán)格[1]。顆粒物是我國(guó)大部分城市的首要大氣污染物，其中微細(xì)顆粒物對(duì)人類健康和環(huán)境危害最為嚴(yán)重。袋式除塵器除塵效率高[2]，特別是對(duì)細(xì)小顆粒物捕獲優(yōu)勢(shì)突出，其應(yīng)用數(shù)量約占所有除塵器類型的60%～70%[2]。同時(shí)，作為一種大型機(jī)械設(shè)備，除塵器在實(shí)際使用過(guò)程中故障時(shí)有發(fā)生，嚴(yán)重制約著工業(yè)生產(chǎn)的高效、安全與穩(wěn)定運(yùn)行。

已有許多研究者采用結(jié)構(gòu)分析、故障樹分析等方法診斷除塵器的故障。孟晶悅[3]從除塵器的設(shè)計(jì)結(jié)構(gòu)入手，對(duì)除塵器的各組成部分進(jìn)行獨(dú)立分析，研究各部位在實(shí)際應(yīng)用中可能發(fā)生的故障，并提出了優(yōu)化方法；王丹丹等[4]運(yùn)用事故樹分析法，繪制出袋式除塵器濾袋的失效事故樹(故障樹)，從頂上事件(濾袋過(guò)濾失效)著手，自上而下，直到找出基本故障。這些方法提升了診斷的科學(xué)性，但依然未能擺脫停機(jī)檢查的不足。并且，單一工況參數(shù)的異?？捎刹煌收项愋驮斐?，診斷流程復(fù)雜。如過(guò)濾阻力異常升高，可能是糊袋、氣包壓力不足、外部漏風(fēng)加劇等原因。

近年來(lái)，人工智能的發(fā)展給工業(yè)設(shè)備故障診斷提供了良好思路，其中最具代表性的有人工神經(jīng)網(wǎng)絡(luò)技術(shù)，其利用仿生學(xué)原理模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)與功能，已廣泛應(yīng)用于各種機(jī)械設(shè)備的故障檢測(cè)，以及數(shù)據(jù)預(yù)測(cè)方面[5-8]。然而，使用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)除塵器進(jìn)行故障診斷的研究尚未見報(bào)道。

為此，筆者首先分析除塵器的主要故障類型，選取主要診斷技術(shù)參數(shù)，基于實(shí)驗(yàn)?zāi)M測(cè)試數(shù)據(jù)，構(gòu)建了BP和RBF神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于除塵器故障診斷分析。研究成果可豐富和發(fā)展工業(yè)除塵器故障診斷技術(shù)，促進(jìn)粉塵凈化設(shè)備領(lǐng)域自動(dòng)化和智能化水平的提高。

1 除塵器主要故障類型

基于文獻(xiàn)資料分析[1-2,9]，選取下列常見除塵器故障類型：

1)濾芯破損。過(guò)濾風(fēng)流和粉塵、反向噴吹氣流對(duì)濾芯的沖擊作用，以及濾芯之間的相互摩擦，粉塵中酸、堿性成分對(duì)濾芯的腐蝕，高溫?zé)煔鈱?duì)濾芯的灼燒等，均會(huì)使濾芯遭到不同程度的破損。濾芯破損是袋式除塵器最常見的故障，由此造成的維修費(fèi)用高達(dá)總維修費(fèi)用的70%以上[9]。

2)清灰失效。脈沖噴吹閥故障或氣包壓力不足，會(huì)導(dǎo)致附著于濾芯上的“頑強(qiáng)粉塵”難以脫落，引起清灰失效故障，也是除塵器容易發(fā)生的故障之一[1]。

3)濾芯堵塞。一方面，含有過(guò)細(xì)、黏性強(qiáng)的粉塵易導(dǎo)致濾芯堵塞；另一方面，濾袋本身清洗不良、受潮會(huì)導(dǎo)致糊袋。特別是高溫?zé)煔庠谶M(jìn)入除塵器后降至100 ℃以下，煙氣中水蒸氣將會(huì)液化成水，使得塵餅附著在除塵袋表面，難以脫落。

4)卸灰故障。卸灰機(jī)構(gòu)易磨損變形，密封性變差，加上機(jī)械動(dòng)作不到位，容易產(chǎn)生滲灰、漏灰現(xiàn)象。粉塵潮濕結(jié)塊、灰斗貯灰量過(guò)多也會(huì)造成卸灰故障，在除塵器故障中占有較大比例[2]。

2 診斷參數(shù)的選取

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，必須選擇蘊(yùn)含故障發(fā)生的重要信息的變量作為輸入向量，預(yù)測(cè)的結(jié)果才能更接近真實(shí)情況。結(jié)合除塵器運(yùn)行的一般性能參數(shù)，確定如下5個(gè)工況參數(shù)作為故障診斷模型輸入變量：

1)排放濃度。粉塵排放濃度是檢驗(yàn)除塵器性能的重要指標(biāo)，排放濃度異常蘊(yùn)含著多種故障信息，濾芯破損、濾芯堵塞、清灰失效、卸灰故障都會(huì)對(duì)排放濃度有直接的影響。

2)過(guò)濾阻力。濾芯破損會(huì)導(dǎo)致含塵氣流短路，過(guò)濾阻力降低；而濾芯堵塞，則過(guò)濾阻力升高。若清灰失效，則濾芯表面的殘留粉塵逐漸增多，將直接導(dǎo)致過(guò)濾阻力升高。卸灰裝置的泄漏，一方面會(huì)加劇外部漏風(fēng)，過(guò)濾風(fēng)速增加，過(guò)濾阻力升高；另一方面，卸灰裝置泄漏會(huì)引起灰斗內(nèi)落塵卷起形成二次揚(yáng)塵，增加粉塵負(fù)荷，也會(huì)導(dǎo)致過(guò)濾阻力升高。因此，過(guò)濾阻力蘊(yùn)含多種故障類型的信息。

3)入口風(fēng)量(處理風(fēng)量)。濾芯破損會(huì)導(dǎo)致除塵器內(nèi)部漏風(fēng)增加，運(yùn)行阻力降低，使入口風(fēng)量顯著增大。濾芯堵塞則導(dǎo)致運(yùn)行阻力升高，降低入口風(fēng)量。而卸灰故障一般導(dǎo)致外部漏風(fēng)增加，會(huì)降低除塵器的入口風(fēng)量。可見入口風(fēng)量的變化也可由多種故障類型造成。

4)漏風(fēng)率。濾芯破損引起除塵器內(nèi)部漏風(fēng)加劇，而卸灰密封不嚴(yán)則直接導(dǎo)致除塵器外部漏風(fēng)加劇。濾芯堵塞和清灰失效，導(dǎo)致過(guò)濾阻力增大。根據(jù)并聯(lián)風(fēng)路原理可知，過(guò)濾阻力的增大會(huì)在既有內(nèi)部漏風(fēng)通道的基礎(chǔ)上增大內(nèi)部漏風(fēng)量?？梢?，漏風(fēng)率與入口風(fēng)量具有不同的診斷信息。

5)壓縮空氣用量。壓縮空氣用于除塵器的脈沖反向噴吹清灰，由于清灰裝置故障可能導(dǎo)致壓縮空氣消耗異常，濾芯破損或堵塞引起過(guò)濾阻力變化也會(huì)導(dǎo)致壓縮空氣消耗異常。實(shí)際應(yīng)用中，壓縮空氣用量也可以用壓縮空氣耗電量替代。

3 模擬實(shí)驗(yàn)及結(jié)果

為獲取預(yù)測(cè)樣本，采用除塵器模擬實(shí)驗(yàn)系統(tǒng)進(jìn)行相關(guān)條件的模擬與測(cè)試，實(shí)驗(yàn)系統(tǒng)如圖1所示。

圖1 除塵器模擬實(shí)驗(yàn)系統(tǒng)

實(shí)驗(yàn)系統(tǒng)主要包括脈沖噴吹除塵器主體、LSC-100型定量給粉機(jī)、空氣壓縮包(19.4 L)、DMF-Z-25型電磁脈沖閥、LC-PDC-ZC10D脈沖控制儀、變頻風(fēng)機(jī)(4-72No.2.8A型風(fēng)機(jī))。數(shù)據(jù)采集系統(tǒng)包括激光粉塵濃度在線檢測(cè)儀、風(fēng)速測(cè)量?jī)x、壓差傳感器及壓力計(jì)。除塵器過(guò)濾室尺寸長(zhǎng)×寬×高為 1 225 mm×750 mm×1 100 mm，內(nèi)部豎直安裝濾芯，尺寸為 320 mm(外徑)×240 mm(內(nèi)徑)×660 mm(高)，過(guò)濾面積6.8 m2，聚酯纖維濾料。

正常模擬實(shí)驗(yàn)過(guò)程：設(shè)定風(fēng)機(jī)頻率45 Hz(對(duì)應(yīng)入口風(fēng)量約為3.87 m3/min)，調(diào)節(jié)產(chǎn)塵儀轉(zhuǎn)速使得入口粉塵質(zhì)量濃度為10 g/m3，氣包壓力0.5 MPa，脈沖噴吹時(shí)間寬度0.15 s。

故障模擬實(shí)驗(yàn)過(guò)程：在模擬正常實(shí)驗(yàn)過(guò)程的基礎(chǔ)上，通過(guò)濾料人為開孔(?10 mm)模擬濾料破損；通過(guò)入口加入3 200 mL/min水霧模擬粉塵濾料堵塞[10]；通過(guò)降低氣包壓力至0.2 MPa模擬清灰失效；通過(guò)設(shè)定收塵抽屜底部漏風(fēng)面積9 cm2模擬卸灰故障。

所測(cè)實(shí)驗(yàn)樣本數(shù)據(jù)見表1。其中，壓縮空氣用量ΔQ，由式(1)計(jì)算得出：

(1)

式中:V為空氣壓縮包容積，m3;p0、p1分別為絕壓條件下噴吹初始?xì)獍鼔毫?、噴吹末態(tài)氣包壓力，MPa；pa為標(biāo)準(zhǔn)大氣壓，MPa；k為絕熱指數(shù)，k=cp/cV，對(duì)空氣取k=1.4;cp、cV分別為空氣比定壓熱容、空氣比定容熱容。

表1 實(shí)驗(yàn)樣本數(shù)據(jù)

4 BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[11]。其實(shí)現(xiàn)過(guò)程的特征可簡(jiǎn)要?dú)w納為：信號(hào)前向傳遞，誤差反向傳播。同時(shí)，在整個(gè)網(wǎng)絡(luò)的構(gòu)建過(guò)程中，都存在著信息正向傳播和誤差反向傳播的動(dòng)作，通過(guò)不斷調(diào)整各層權(quán)值，以達(dá)到最佳訓(xùn)練效果。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。

4.1 網(wǎng)絡(luò)的建立

為了量化故障發(fā)生的類型，將故障類型采用0、1向量化處理(其中0代表不發(fā)生，1代表發(fā)生)：

濾芯破損：(1，0，0，0)；

清灰失效：(0，1，0，0)；

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的故障類型診斷模型

濾芯堵塞：(0，0，1，0)；

卸灰故障：(0，0，0，1)。

BP網(wǎng)絡(luò)的輸入、輸出層的神經(jīng)元數(shù)目，是由輸入、輸出向量的維數(shù)確定的，在該網(wǎng)絡(luò)模型中，排放濃度、入口風(fēng)量、漏風(fēng)率、過(guò)濾阻力和壓縮空氣用量為輸入向量，濾芯破損、濾料堵塞、清灰失效和卸灰故障4種故障類型為輸出向量，因此建立的BP網(wǎng)絡(luò)模型的輸入及輸出層神經(jīng)元數(shù)目m、n分別為5、4。

4.2 數(shù)據(jù)預(yù)處理

大部分樣本集中不可避免存在著奇異樣本，這是一種相較于其他輸入樣本明顯偏大或偏小的樣本矢量數(shù)據(jù)，奇異樣本點(diǎn)的存在會(huì)帶來(lái)訓(xùn)練時(shí)間增加或無(wú)法收斂等后果，因此實(shí)際訓(xùn)練前須將樣本進(jìn)行歸一化處理，采用式(2)進(jìn)行計(jì)算：

(2)

式中：T為歸一化后數(shù)值；xmax、xmin分別為歸化組數(shù)據(jù)的最大值、最小值；ymax、ymin分別為歸一化后值域區(qū)間上、下限，分別設(shè)定為1、0。

數(shù)據(jù)歸一化處理結(jié)果見表2。

表2 歸一化后網(wǎng)絡(luò)輸入輸出變量數(shù)據(jù)

4.3 網(wǎng)絡(luò)訓(xùn)練

在已確定的網(wǎng)絡(luò)輸入、輸出中，輸入層神經(jīng)元 5個(gè)，輸出層神經(jīng)元4個(gè)，單層隱含層，隱含層神經(jīng)元數(shù)目范圍根據(jù)以下經(jīng)驗(yàn)公式[12]計(jì)算：

(3)

式中：a∈[1,10];n為輸入層神經(jīng)元個(gè)數(shù);m為輸出層神經(jīng)元個(gè)數(shù)。

計(jì)算后，確定n0的取值范圍為4～13。為確定隱含層神經(jīng)元數(shù)目，逐漸提高n0的取值對(duì)所有測(cè)試組樣本進(jìn)行反復(fù)訓(xùn)練，得到的訓(xùn)練步數(shù)穩(wěn)定、且計(jì)算精度無(wú)明顯提高，所對(duì)應(yīng)的隱含層神經(jīng)元數(shù)目為10。

設(shè)定200次為網(wǎng)絡(luò)的訓(xùn)練次數(shù)，訓(xùn)練目標(biāo)10-5，學(xué)習(xí)率0.5。由于0、1為本次訓(xùn)練的輸出模式，采用應(yīng)用效果較好[13-15]的S型正切函數(shù)Tansig作為隱含層神經(jīng)元的激勵(lì)函數(shù)，輸出層采用S型對(duì)數(shù)函數(shù)Logsig。

對(duì)比Scaled Conjugate Gradient(trainscg)、Levenberg Marquardt(trainlm)、Resilient Propagation Training(trainrp)、BFGS-擬牛頓法(trainbfg)等常用的訓(xùn)練方法[12]進(jìn)行訓(xùn)練，得到不同訓(xùn)練過(guò)程曲線，如圖3所示。

(a)trainscg算法的訓(xùn)練過(guò)程曲線

(b)trainlm算法的訓(xùn)練過(guò)程曲線

(c)trainrp算法的訓(xùn)練過(guò)程曲線

(d)trainbfg算法的訓(xùn)練過(guò)程曲線

對(duì)比可知，采用Levenberg-Marquardt算法收斂速度最快，訓(xùn)練的精度最高，僅需8步訓(xùn)練就能達(dá)到預(yù)期的訓(xùn)練效果。

因此，訓(xùn)練函數(shù)采用Levenberg-Marquardt，隱含層神經(jīng)元個(gè)數(shù)選為10個(gè)，輸入、輸出層神經(jīng)元數(shù)目分別為5、4，隱含層采用S型正切函數(shù)，輸出層采用S型對(duì)數(shù)函數(shù)。至此，已確定用于故障預(yù)測(cè)的多參數(shù)BP網(wǎng)絡(luò)模型。

網(wǎng)絡(luò)訓(xùn)練的均方根誤差按式(4)計(jì)算：

(4)

根據(jù)式(4)，計(jì)算得出該網(wǎng)絡(luò)均方根誤差僅為(0.000 17，0.000 28，0.000 12，0.000 25)，訓(xùn)練的結(jié)果十分接近期望的輸出，可認(rèn)為網(wǎng)絡(luò)找到了輸入、輸出之間的映射關(guān)系。

4.4 網(wǎng)絡(luò)的測(cè)試

將表3中的5個(gè)測(cè)試樣本原始數(shù)據(jù)按同樣方法進(jìn)行歸一化處理；然后輸入到已訓(xùn)練好的網(wǎng)絡(luò)，即可得到故障類型的預(yù)測(cè)結(jié)果，見表4。

表3 測(cè)試樣本及其歸一化數(shù)據(jù)

表4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際比較

4.5 診斷結(jié)果與分析

在測(cè)試樣本中濾芯破損、濾芯堵塞、清灰失效、卸灰故障、正常各有一組，相對(duì)誤差e均小于5%，預(yù)測(cè)正確率為100%，預(yù)測(cè)效果良好。在誤差允許的范圍內(nèi)，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的故障類型與期望的故障類型相一致，說(shuō)明將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷是可行的。

5 基于RBF神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果

RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)都屬于非線性多層前向神經(jīng)網(wǎng)絡(luò)、通用逼近模型。鑒于此，采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析預(yù)測(cè)。訓(xùn)練過(guò)程中RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：均方誤差目標(biāo)(Mean Squard Error Goal)為0.0；徑向基函數(shù)的擴(kuò)展速度為1；神經(jīng)元的最大數(shù)目為5；兩次顯示之間所添加的神經(jīng)元數(shù)目為25，測(cè)試結(jié)果見表5。另外，BP與RBF神經(jīng)網(wǎng)絡(luò)與預(yù)測(cè)誤差見圖4。

表5 RBF神經(jīng)網(wǎng)絡(luò)測(cè)試樣本測(cè)試結(jié)果

圖4 預(yù)測(cè)結(jié)果誤差對(duì)比柱狀圖

對(duì)比BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差可以看出，BP神經(jīng)網(wǎng)絡(luò)的平均誤差為0.111 6%，RBF平均誤差為2.502 2%。RBF神經(jīng)網(wǎng)絡(luò)對(duì)濾芯破損、濾芯堵塞的識(shí)別效果明顯較差，整體而言，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力顯著高于RBF神經(jīng)網(wǎng)絡(luò)，具有更好的故障診斷性能。

6 結(jié)論與展望

鑒于目前除塵器故障檢測(cè)多基于人工經(jīng)驗(yàn)與停機(jī)檢查相結(jié)合，存在科學(xué)性與自動(dòng)化水平不足、診斷效率低等問(wèn)題，分析了除塵器濾芯破損、清灰失效、濾芯堵塞、卸灰障礙4個(gè)主要故障類型和粉塵排放濃度、過(guò)濾阻力、入口風(fēng)量、漏風(fēng)率、耗氣量5個(gè)診斷參數(shù)，建立了除塵器故障診斷的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

基于BP神經(jīng)網(wǎng)絡(luò)的診斷模型，優(yōu)選隱含層 10層、S型Tansing為隱層神經(jīng)元激勵(lì)函數(shù)、S型Logsig輸出層函數(shù)、Levenberg Marquardt算法訓(xùn)練，收斂速度快、診斷結(jié)果準(zhǔn)確，對(duì)濾芯破損、清灰失效、濾芯堵塞、卸灰故障的平均診斷誤差分別為：0.035%、0.110%、0.118%、0.215%。BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型預(yù)測(cè)結(jié)果準(zhǔn)確性優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于除塵器故障診斷是可行的，具有良好的應(yīng)用前景。

本文的分析基于實(shí)驗(yàn)室數(shù)據(jù)，將神經(jīng)網(wǎng)絡(luò)模型推廣至現(xiàn)場(chǎng)應(yīng)用時(shí)需注意：由于除塵器款式型號(hào)等差異，預(yù)測(cè)模型的參數(shù)會(huì)發(fā)生變化，需收集現(xiàn)場(chǎng)數(shù)據(jù)并輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行再次訓(xùn)練，以實(shí)現(xiàn)特定除塵系統(tǒng)的故障診斷。在下一步研究工作中將開展基于神經(jīng)網(wǎng)絡(luò)故障診斷的現(xiàn)場(chǎng)應(yīng)用，以優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，提高故障診斷的準(zhǔn)確性和普適性。