孫同敏

(國電內蒙古東勝熱電有限公司，內蒙古 東勝 017000)

磨煤機是燃煤機組的重要輔助設備之一，其運行狀況直接關系到機組的安全穩(wěn)定運行。磨煤機故障會給火力發(fā)電企業(yè)造成巨大的經濟損失，降低電力系統(tǒng)的安全性和穩(wěn)定性。通過對磨煤機的有效故障預警和診斷來保證火電廠的正常運行是非常必要的[1]。

Agrawal[2]將故障診斷方法分為三類：基于模型、基于信號以及基于歷史運行數(shù)據(jù)的故障診斷方法?；谀Ｐ偷墓收显\斷方法需要建立磨煤機的數(shù)學模型。Odgaard[3]使用簡化的能量平衡方程來監(jiān)測和診斷磨煤機中的異常能量流。Andersen[4]設計了卡爾曼濾波器來估計進入和存在于磨煤機中煤的水分，以確定磨煤機中的能量是否處于正常狀態(tài)?；谀Ｐ偷墓收显\斷方法通過分析實際對象的數(shù)學模型進行故障診斷，物理意義是明確的。但在實際應用中往往難以建立精確的模型[5-7]，此方法的可操作性差。

磨煤機運行過程中，許多高頻信號會發(fā)生變化，如磨煤機電流、一次風差壓等。文獻[8]通過對磨煤機的振動信號進行小波分析并將其轉換為能量振幅，來發(fā)現(xiàn)磨煤機故障與振動信號之間的關系。Collura[9]利用模型識別和信號處理技術，開發(fā)了基于煤粉細度實時檢測的磨煤機性能監(jiān)控工具?；谛盘柕墓收显\斷方法不需要建立復雜的對象模型，通過對收集的數(shù)據(jù)進行分析發(fā)現(xiàn)系統(tǒng)中的故障。但此方法通常需要安裝大量傳感器來收集信號，會提高實施和維護成本。

基于歷史運行數(shù)據(jù)的故障診斷主要是通過分析正常運行數(shù)據(jù)和故障運行數(shù)據(jù)之間的差異來確定磨煤機的健康狀態(tài)。文獻[10]提出了一種基于模糊決策聚類的故障診斷方法，并利用單層神經網絡實現(xiàn)了磨煤機的三種故障識別。文獻[11]利用磨煤機的異常運行數(shù)據(jù)建立專家系統(tǒng)，通過比較模型輸出和專家系統(tǒng)的趨勢來確定磨煤機的運行狀態(tài)?；跀?shù)據(jù)的故障分析方法是一種數(shù)據(jù)驅動的方法，即使是不熟悉系統(tǒng)的研究人員也可以使用相關算法進行分析。但火電機組海量歷史運行數(shù)據(jù)中的故障類型和故障數(shù)據(jù)集并不完整和充足，同時從大量歷史數(shù)據(jù)中逐一選擇故障數(shù)據(jù)非常困難[12，13]。

綜上可知，三種故障診斷方法在磨煤機故障診斷中進行應用各有優(yōu)缺點，單獨應用某種方法難以在磨煤機故障診斷中取得良好的應用效果?；诖?，本文提出了一種基于模型的數(shù)據(jù)驅動故障診斷方法，首先，在簡化磨煤機機理模型基礎上，通過分析磨煤機的故障原理，模擬磨煤機的故障運行狀態(tài)，得到了磨煤機的大量故障數(shù)據(jù)。隨后，基于深度學習理論，建立了堆疊式自動編碼器(stacked auto-encoder)多層神經網絡，并通過引入稀疏約束對算法加以改進，最后將得到的故障模擬數(shù)據(jù)送入網絡進行訓練。所建立的網絡能夠準確地學習各種故障的本質特征，大大提高磨煤機故障診斷的準確性，同時也可以為運行人員提供故障預警，從而保障火電廠的安全運行。

1 磨煤機系統(tǒng)數(shù)學模型

本文以MPS180-HP-Ⅱ型中速磨煤機制粉系統(tǒng)作為研究對象，具體的研究工作基于文獻[14]所建立的數(shù)學模型基礎上進行，該文基于質量平衡和能量平衡建立了三入三出的制粉系統(tǒng)模型，見式(1)。

在式(1)中，模型的控制量為uL、uH和Wc；模型的輸出量為Wair、Tout、Wpf；Ki和Tj(i=1，2，…15，j=1，2)是要識別的模型參數(shù)，其值見表1。

2 基于模型的磨煤機故障仿真

本文基于簡化的磨煤機模型，通過對其故障機理的分析，模擬了三種典型的磨煤機故障(斷煤、堵煤和自燃)。為了保證仿真實驗在閉環(huán)調節(jié)下進行，使得仿真實驗得到的故障數(shù)據(jù)能夠更加接近磨煤機的實際運行狀態(tài)?；跀U展狀態(tài)空間預測控制器(Model Predictive Controller Based State Space，SMPC)設計了如圖1所示的控制方案，SMPC具有對模型精度要求較低、魯棒性強和運算效率高等優(yōu)點[15]，其進一步降低了整個診斷系統(tǒng)對機理模型精度的要求，同時也為工程實際在線診斷打下基礎。SMPC控制器參數(shù)見表2。

圖1 磨煤機故障模擬的控制方案

表1 模型參數(shù)

表2 SMPC控制參數(shù)

2.1 斷煤故障模擬

斷煤模擬過程如下，在磨煤機穩(wěn)定運行時，在給煤量控制回路(控制量)上疊加一個負階躍信號，使進入磨煤機的煤量快速減少到0。通過調整模型設定值使模型在其他工況下運行，并重復上述步驟記錄故障數(shù)據(jù)，可以獲得大量的故障樣本。

為了驗證斷煤模擬實驗的有效性，選擇在斷煤過程中變化顯著以及快速的變量(磨煤機出口煤粉流量、磨煤機出口溫度、磨煤機電流、一次風壓差)，任意選取一組實驗數(shù)據(jù)繪制變化曲線如圖2所示。從圖2可知，斷煤故障減少了進入磨煤機的煤量，進而減少磨煤機的出口煤粉流量。同時，磨煤機入口一次風流經磨煤機的熱量消耗減少，導致磨煤機出口溫度呈上升趨勢，然后冷風門迅速打開，熱風門配合關小，從而使磨煤機出口溫度下降，因為冷風門動作較快，熱風門動作較慢，一次風流量升高后下降，磨煤機差壓隨之有小幅增大然后降低。儲存在磨煤機中煤量的減少導致磨煤機電流減小。故障模擬曲線變化情況與理論分析相一致。

圖2 磨煤機斷煤故障模擬

為進一步驗證故障模擬的有效性，以內蒙古東勝電廠MPS型中速磨煤機為例，結合電廠運行記錄，從磨煤機的歷史運行數(shù)據(jù)獲得了某次斷煤的故障數(shù)據(jù)集，并繪制關鍵變量的變化曲線如圖3所示。從圖3可知，當發(fā)生斷煤故障時，磨煤機的出口溫度升高，磨煤機的電流降低，一次風差壓略有升高后降低。變化趨勢與本文故障模擬的結果類似。因此圖2所示數(shù)據(jù)可作為斷煤故障數(shù)據(jù)集。

圖3 磨煤機斷煤實際故障數(shù)據(jù)

2.2 堵煤故障模擬

磨煤機堵煤模擬即在給煤量控制回路的設定值上疊加一個正階躍信號，使磨煤機內的原煤存儲量迅速達到上限(上限設定為60kg)。同樣隨機選擇一組實驗數(shù)據(jù)的結果繪制相關變量(磨內原煤量、磨煤機電流、一次風差壓、磨出口煤粉流量)變化曲線如圖4所示。從圖4可知，磨煤機出口煤粉流量設定值突然增大，導致磨煤機內原煤量持續(xù)上升，磨煤機內阻力增大，導致一次風差壓增大。同時，磨煤機的工作負荷也相應增加，使得磨煤機的電流也隨之增加。當原煤的存量達到一定程度時，研磨效率顯著下降，從而降低了磨煤機的電流。直到磨煤機內原煤量達到上限，磨煤機出口煤粉流量降至0，此時一次風管堵塞，煤粉無法吹出。

圖4 磨煤機堵煤故障模擬

2.3 自燃故障模擬

發(fā)生磨自燃故障時，最直接的表現(xiàn)的是磨煤機出口溫度急劇升高，導致控制器一系列動作。因此磨自燃故障模擬是在磨出口溫度引入一個大的階躍(本文選取100℃)，相關變量(磨出口煤粉流量、磨出口溫度、磨煤機電流、一次風差壓)變化曲線如圖5所示。

圖5 磨煤機自燃故障模擬

從圖5中可知，發(fā)生自燃故障時，為降低磨出口溫度，冷風門迅速開大，直至100%開度，熱風門配合開小。但可以看到磨出口溫度降低幅度其實有限，實際上當磨自燃故障嚴重時，僅靠冷風門調節(jié)是不夠的。因為冷風門動作比熱風門快，一次風流量先上升，從而磨出口煤粉量上升，當冷風門開度到達限值時，熱風門繼續(xù)關小使一次風量下降，磨出口煤粉流量隨即下降。而自燃不影響煤碾磨過程，磨煤機電流、一次風差壓變化較小。

3 基于改進堆疊自動編碼器的故障診斷

3.1 數(shù)據(jù)獲取和處理

根據(jù)第2節(jié)所述故障模擬方法，以MATLAB腳本調用simulink模型形式自動循環(huán)進行模擬實驗(不同工況點)，獲得4種數(shù)據(jù)樣本(磨煤機斷煤、堵煤、自燃以及正常狀態(tài))共8000組實驗數(shù)據(jù)。為了便于訓練深度學習模型，對這四種狀態(tài)進行了標簽處理，見表3。將8000組數(shù)據(jù)隨機分為訓練數(shù)據(jù)和測試數(shù)據(jù)(表4)，并進行了兩組實驗。

表3 磨煤機故障標簽定義

表4 仿真實驗數(shù)據(jù)劃分

3.2 改進堆疊自動編碼器模型

式中，等號右側第一部分為重構誤差，第二部分為正則化項，λ為正則化系數(shù)，用來抑制過擬合現(xiàn)象，通過式(3)獲取神經元的激活值。

a(l+1)=f[z(l+1])=f[w(l)a(l)+b(l)]

(3)

本文激活函數(shù)選取sigmoid函數(shù)。如式(4)所示：

確定稀疏自動編碼器的損失函數(shù)后，接下來利用BP反向傳播算法求得其偏導數(shù)。在一個三層稀疏自編碼機中，其隱藏層和輸出層節(jié)點的誤差計算為：

隨后利用梯度下降法求得優(yōu)化更新后的權重。

W(1)J(W，b;x，y)=δ(l+1)(a(l))T

b(l)J(W，b;x，y)=δ(l+1)

(9)

SAE模型結構圖如圖6所示，ISAE即SAE在進行無監(jiān)督訓練和微調訓練 時，損失函數(shù)加入KL散度。

圖6 SAE模型結構圖

3.3 ISAE模型參數(shù)優(yōu)化

最優(yōu)ISAE模型能夠有效提高故障識別的準確率。在文獻[17，18]中，通過優(yōu)化模型參數(shù)，如輸入層和隱藏層節(jié)點數(shù)、稀疏參數(shù)和網絡訓練次數(shù)等，ISAE的無監(jiān)督學習效果得到有效提高。根據(jù)第2節(jié)的分析，磨煤機故障期間顯著變化的變量包括一次風差壓、磨煤機出口溫度和磨煤機電流，因此選擇這三個變量作為ISAE模型的輸入節(jié)點。以實驗1的訓練數(shù)據(jù)為樣本進行相關實驗以確定ISAE模型的最佳參數(shù)。損失函數(shù)是ISAE模型第一層的重構誤差，即為式(2)右側第一部分。實驗結果如圖7—圖9所示。

圖7 輸入層節(jié)點對無監(jiān)督重構誤差的影響

圖8 隱藏層節(jié)點對無監(jiān)督重構誤差的影響

圖9 稀疏因子對無監(jiān)督重構誤差的影響

當輸入層中的節(jié)點數(shù)量較大時，ISAE模型可以從數(shù)據(jù)中學習到更多特征信息。但為兼顧計算效率，輸入層節(jié)點數(shù)不能任意增加。從圖7可知，當輸入層節(jié)點數(shù)(即數(shù)據(jù)時序長度)從40增加到110時，網絡的重構誤差不斷減小。此后隨著輸入節(jié)點數(shù)進一步增加重建誤差基本保持不變。使用第一層ISAE進行實驗，在確定最優(yōu)輸入節(jié)點(120)后，通過實驗分析繼續(xù)確定合適的隱藏層參數(shù)。如圖8所示，當隱藏層節(jié)點數(shù)小于輸入層節(jié)點數(shù)時，重構誤差在一個小范圍內波動，即隱藏層節(jié)點數(shù)較少時，原始數(shù)據(jù)可以獲得較好的壓縮效果，有利于網絡學習數(shù)據(jù)特征。在兼顧網絡結構復雜性和計算效率基礎上，將隱藏層數(shù)設置為3層，每層節(jié)點數(shù)分別為100、60和30。圖9表明，當ρ的值在0.05和0.15之間時，網絡的重構誤差繼續(xù)減小，表明對神經元的抑制作用是適當?shù)?。隨著ρ值的增大，對神經元的抑制作用過大，重構誤差迅速增大。

結合上述分析，ISAE模型的關鍵參數(shù)見表5。輸入層節(jié)點分配見表6，各節(jié)點均為每次故障模擬所得數(shù)據(jù)經分時截斷而成，即在故障模擬整個過程中，各變量分別截取前40時刻的故障數(shù)據(jù)，本文模型采樣時間為1s。

表5 網絡結構參數(shù)和超參數(shù)

表6 輸入節(jié)點分配

4 仿真驗證

在確定ISAE的參數(shù)后，用故障模擬實驗得到的訓練數(shù)據(jù)對ISAE網絡進行訓練，然后將測試數(shù)據(jù)送入網絡，測試ISAE模型的故障識別結果，如圖10所示，實驗1的故障識別準確率為94.6%。仿真結果表明，在260組測試樣本中，誤診斷的樣本絕大多數(shù)來自正常運行數(shù)據(jù)。兩組正常運行樣本被誤診斷為斷煤，九組正常樣本被誤診斷為堵煤，另有一組正常樣本被誤診為自燃故障。為了分析實驗結果，選取某組被誤診的測試樣本正常數(shù)據(jù)繪制曲線如圖11所示。圖11中矩形框中正常數(shù)據(jù)被誤診為斷煤。而這一時期的一次風壓差減小(先略有上升)、磨煤機出口溫度升高、磨煤機電流減小。這些趨勢與發(fā)生斷煤故障時磨煤機的特征一致。因此，當正常運行樣本不足時，ISAE無法充分判別兩種類型數(shù)據(jù)之間的差異，并將正常運行數(shù)據(jù)錯誤地診斷為斷煤故障。

圖10 實驗1測試數(shù)據(jù)故障識別結果

圖11 正常數(shù)據(jù)誤診曲線

同樣，圖11中橢圓框所包含的數(shù)據(jù)中變化趨勢與煤堵(一次風壓差上升、磨煤機出口溫度下降、磨煤機電流下降(故障后半段趨勢))的特點相似。因此，ISAE可能會將正常運行數(shù)據(jù)錯誤地診斷為堵煤故障。為了提高ISAE故障診斷的準確性，將正常運行的訓練樣本增加到2000組，并再次進行實驗(實驗2)。圖8顯示，盡管仍存在部分誤診，但ISAE的故障診斷準確率已提高到98.46%。因此，如果訓練樣本繼續(xù)增加，理論上ISAE的最終診斷準確率將接近100%。

圖12 實驗二測試數(shù)據(jù)故障識別結果

為了說明改進算法的有效性，比較了算法改進前后以及深度BP(網路結構與ISAE一致)、支持向量機(SVM)的故障診斷準確率。訓練和測試樣本來自實驗2中的數(shù)據(jù)，對比結果見表7(取測試20次的平均結果)。從表中可知，加入稀疏約束后，算法效率得到了提升，同時與BP和SVM相比，ISAE由于數(shù)據(jù)特征提取的優(yōu)越性以及稀疏約束的加入，在最終的故障診斷結果上，具有更高準確率。

表7 不同算法故障診斷對比

磨煤機是大時延系統(tǒng)，通過檢測磨煤機出口煤粉流量的變化來發(fā)現(xiàn)磨煤機運行故障，往往不能建立有效的預警。通過實時監(jiān)測一次風差壓、磨煤機出口溫度、磨煤機電流這三種快速變化信號，訓練好的ISAE可以提前發(fā)現(xiàn)磨煤機運行故障。以斷煤故障為例，如圖13所示，人工模擬發(fā)生斷煤故障，磨煤機的出口煤粉流量在110s內降至0，而ISAE的輸出在75s內從正常運行狀態(tài)跳至斷煤故障，網絡提前35s預測磨煤機故障。隨著SMPC控制器的調整，磨煤機出口煤粉流量逐漸上升，并在160s內回到安全范圍內，此時故障診斷的結果恢復正常。因此，基于深度學習的故障識別方法可以在磨煤機故障診斷中發(fā)揮重要作用。

圖13 算法故障預警效果

5 結 語

針對磨煤機的故障診斷問題，本文提出了一種基于模型的深度學習算法，很好地結合了兩種故障診斷方法的優(yōu)勢?；谀ッ簷C的簡化機理模型，以SMPC為控制器構建了閉環(huán)仿真系統(tǒng)，以最接近于系統(tǒng)實際運行情況下，對磨煤機的斷煤、堵煤以及自燃故障進行模擬仿真，得到了大量故障數(shù)據(jù)，解決了實際火電廠運行中磨煤機故障數(shù)據(jù)集不足以及難以整理提取的問題。通過對深度網絡引入稀疏約束改進了SAE的性能，提高了對磨煤機故障數(shù)據(jù)本質特征的提取能力，同時探索了超參數(shù)的調整規(guī)律，確定了最優(yōu)的網絡參數(shù)，最終在參數(shù)一致的情況下，與深度BP、未改進的SAE相比，診斷準確率更高。同時ISAE選取能快速響應磨煤機故障的變量作為輸入訓練網絡，在準確診斷磨煤機故障的同時達到了磨煤機故障預警的效果，以斷煤故障為例，ISAE能提前35s預測磨煤機故障。所提出的方法大大提高了磨煤機故障診斷的準確性，對確保電廠的安全運行具有重要意義。