一種基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法
【專利摘要】本發(fā)明公開了一種基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法，將快速遺傳算法和灰箱模型相結合，得到一種新型磨煤機故障診斷方法，包括離線模型辨識和在線故障判斷這兩個過程。本發(fā)明不需要獲取磨煤機的故障數據就能進行故障類型的判斷。由于考慮了磨煤機內部物理過程的機理特性，比常規(guī)的故障診斷方法具有更高的精度。采用快速遺傳算法對模型進行辨識，有效地減少了辨識過程的時間開銷。
【專利說明】
一種基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法
技術領域
[0001] 本發(fā)明涉及火力發(fā)電廠控制領域，特別是涉及一種基于快速遺傳算法和灰箱模型 的磨煤機故障診斷方法。
【背景技術】
[0002] 目前我國電力工業(yè)經過一個快速發(fā)展階段，火電廠的數目和裝機容量已經達到了 非常巨大的數量。2015年7月份，全國全月發(fā)電達到了4536.85億千瓦時，日均發(fā)電146.35億 千瓦時，最大日發(fā)電152.81億千瓦時（7月12日），年累計發(fā)電達28089.47億千瓦時。雖然燃 煤機組的技術在不斷地發(fā)展;但與此同時，火電廠一些關鍵設備的可靠性、可用性、可維修 性與安全性的問題也日益突出。
[0003] 電站磨煤機是鍋爐燃燒制粉系統(tǒng)的核心設備，其工作狀況對整個電廠系統(tǒng)運行的 安全和經濟性具有重要的影響。如磨煤機的碾磨壓力，通風量，磨煤機中的載荷等，它們的 大小和異常都將影響生產效率。在生產過程中要盡量避免這些狀態(tài)發(fā)生異常，狀態(tài)的異常 一方面會影響生產率，另一方面也將造成設備的故障，引起更大的損失。因此及時發(fā)現設備 異常，及時維護設備，顯得尤為重要。例如，磨煤機的性能下降時，應及時進行維護，以減小 磨制粉能耗，避免磨煤機出力不足造成機組功率下降；當運行的磨煤機發(fā)生故障時，應及時 進行檢修，避免由于磨煤機故障造成機組停運的事故。磨煤機通常必須在惡劣環(huán)境下工作， 其工作過程是一個復雜的過程。因此實現電站磨煤機設備的狀態(tài)監(jiān)測和故障診斷是一項具 有挑戰(zhàn)性的工作。這也一直是火電廠磨煤生產亟待解決的問題。
[0004] 目前國內外研究的磨煤機故障診斷方法主要可以分為兩類:基于模型的診斷方法 和基于故障模式分類的診斷方法。二者的主要區(qū)別在于是否需要建立設備的動態(tài)參考模 型。
[0005] 若采用基于故障模式分類的方法，必須同時擁有磨煤機的故障模式數據和正常模 式數據才能夠用分類器區(qū)分不同的故障類型。磨煤機正常模式的數據能夠很容易得到，但 是故障時的數據必須在磨煤機發(fā)生故障時才能取得，因此對于尚未發(fā)生故障的磨煤機，這 種方法難以判斷出故障的類型。
[0006] 采用基于模型的故障診斷方法首先要建立磨煤機正常運行模式的參考模型。再根 據參考模型輸出值和實測值的殘差進行故障診斷。這樣，即使沒有磨煤機故障時的數據也 能根據殘差的分析結果得出殘差的類型。在國內，基于灰箱模型的方法尚未被應用于磨煤 機的故障診斷。灰箱模型結合了機理和數據，能夠反映磨煤機內部真實的物理過程，比純數 據建模的方法具有更高的精度。因此采用灰箱模型能夠提高故障診斷的精度。
[0007] 傳統(tǒng)的遺傳算法在辨識灰箱模型時，時間開銷非常大，常常要計算一整天才能給 出辨識結果。

【發(fā)明內容】

[0008] 發(fā)明目的:本發(fā)明的目的是提供一種能夠有效節(jié)省辨識時間的基于快速遺傳算法 和灰箱模型的磨煤機故障診斷方法。
[0009] 技術方案:為達到此目的，本發(fā)明采用以下技術方案：
[0010] 本發(fā)明所述的基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法，包括離線模 型辨識和在線故障判斷；
[0011] 基于遺傳算法的離線模型辨識包括以下的步驟：
[0012] S1:基于磨煤機內部煤的質量平衡，建立磨煤機內部原煤質量和煤粉質量的微分 方程：
[0013] m( =qMJ. (1)
[0014] mp, =Kwmc~qmpf (〇 }
[0015]式（1)、（2)中，mc為磨煤機內部的原煤質量，qm,c為磨煤機入口煤質量流量，m pf為磨 煤機內部煤粉質量，qm, pf為磨煤機出口煤粉質量流量；
[0016] 磨煤機出口煤粉質量流量qm, Pf按照式(3)來計算：
[0017] qm,Pf = Kn A pamPf (3)
[0018]式(3)中，Apa*-次風機產生的壓差，按照式(4)來計算；
(4)
[0020] 式(4)中，tin為磨煤機入口一次風溫度，qm,air為磨煤機入口一次風的質量流量；
[0021] S2:計算磨煤機內部水分蒸發(fā)量:
(5>
[0023]式(5)中，9cm為原煤水分含量，且也M =_0 ;
[0024] S3:計算磨煤機內部能量平衡方程： L=(KA +K2)qmdh.+K,qnUc -{KAtom + -K^；T +Kl2tuid
[0025] (6)
[0026] 式(6)中，為磨煤機出口 一次風溫度，I為磨煤機電流，I按照式(7)進行計算：
[0027] I =K6mPf+K7mc+K8 (7)
[0028] S4:計算磨煤機出口壓力方程：
[0029] _ (尤1:6. + 表 1.3 魂).€?1政 + 馬.8.辨C8.)
[0030] 以上心~1(18均為待辨識參數；
[0031] S5:從電廠的DCS系統(tǒng)中采集如下測點的數據:磨煤機入口煤質量流量qm,c、磨煤機 入口一次風的質量流量qm, air、磨煤機出口一次風溫度tcmt、磨煤機電流I和磨煤機出口壓力 P；
[0032] S6:設置遺傳算法的初始參數，包括代溝、交叉率、種群維數、變異率、最大遺傳代 數和種群個體數目；然后設置遺傳算法搜索矩陣的上限和下限；種群中每個個體的參數是 一個一維矩陣，該一維矩陣共有22個自由度，前4個自由度是磨煤機內部的原煤質量m。、磨 煤機內部煤粉質量m Pf、原煤水分含量0cm和磨煤機出口一次風溫度Uut，后18個自由度是待 辨識參數心~1(18,種群中個體參數的初始值在遺傳算法搜索矩陣的上限和下限范圍內隨機 取值；
[0033] S7:初始化遺傳算法的初代種群，計算初代種群的每個個體的適應度函數值:將從 DCS采集的磨煤機入口煤質量流量qm,。、磨煤機入口一次風的質量流量qm, air以及種群中個體 參數的初始值輸入到式（1)一式(8)中，得到磨煤機電流I和磨煤機出口壓力P，然后按照式 (9)計算適應度函數：
[0035] 式(9)中，W^WdPWs為人為設定的權值，N為從DCS采集的數據樣本數，為Uut的 實測值，f為I的實測值，多為P的實測值，^"為^的最大值，f*為7的最大值，為》的 最大值；
[0036] S8:將選擇、重組、變異算子作用于群體，得到子代種群；
[0037] S9:計算子代種群中所有個體的適應度函數值；
[0038] S10:對子代種群執(zhí)行重插入操作，判斷遺傳代數是否達到設定的最大值:如果未 達到，則轉至步驟S8;如果達到，則離線辨識過程結束。
[0039]在線故障診斷包括以下步驟：
[0040] S11:將離線辨識過程中通過遺傳算法得到的適應度函數最小的種群中個體參數 帶入式(1) 一式(8)中；
[0041] S12:設置采樣時間，每隔采樣時間從電廠DCS系統(tǒng)中采集一次磨煤機輸入端數據 和輸出端數據;磨煤機輸入端數據包括磨煤機入口煤質量流量qm,。、磨煤機入口一次風溫度 tin和磨煤機入口一次風的質量流量qm,air，磨煤機輸出端數據包括磨煤機出口一次風溫度 t?t、磨煤機出口煤粉質量流量qm,Pf、磨煤機電流I和磨煤機出口壓力P;
[0042] S13:把采集到的磨煤機輸入端數據輸入到式(1)一式(8)中進行求解；
[0043 ] S14:把式（1)-式(8)的輸出值和從DCS采集的磨煤機輸出端數據進行比較，求出 二者的殘差ek，然后把ek和設定好的故障閾值進行比較，若ek大于設定的閾值，則認為系統(tǒng) 發(fā)生了故障。
[0044] 進一步，所述步驟S9為:依次計算子代種群中各個個體的適應度函數值，如果計算 得到某個個體的適應度函數值達到如式（10)所示的上限值Q，則停止計算該個體的適應度 函數值，并將該個體的適應度函數值作為上限值Q，然后繼續(xù)計算剩余個體的適應度函數 值；
[0045] Error = \ toM\ +W2 \ Ioul\ +W3 \P-P\) < il ( A-l, 2, 3-N) (10)〇
[0046] 進一步，所述步驟S5中，數據采集的采樣時間設置為ls，每個測點采集10000組數 據。
[0047]有益效果:本發(fā)明不需要獲取磨煤機的故障數據就能進行故障類型的判斷。由于 考慮了磨煤機內部物理過程的機理特性，比常規(guī)的故障診斷方法具有更高的精度。采用快 速遺傳算法對模型進行辨識，有效地減少了辨識過程的時間開銷。
【附圖說明】
[0048]圖1為本發(fā)明的離線模型辨識的流程圖；
[0049]圖2為本發(fā)明的在線故障判斷的流程圖；
[0050]圖3為采用本發(fā)明方法進行離線模型辨識得到的電流的模型輸出值與測量值的對 比圖；
[0051]圖4為采用本發(fā)明方法進行離線模型辨識得到的溫度的模型輸出值與測量值的對 比圖；
[0052] 圖5為采用本發(fā)明方法進行離線模型辨識得到的壓力的模型輸出值與測量值的對 比圖；
[0053] 圖6為采用本發(fā)明方法進行在線故障判斷得到的電流的模型輸出值與測量值的對 比圖；
[0054]圖7為采用本發(fā)明方法進行在線故障判斷得到的電流的模型輸出值與測量值之間 的殘差和閾值的對比圖；
[0055]圖8為采用本發(fā)明方法進行在線故障判斷得到的溫度的模型輸出值與測量值的對 比圖；
[0056]圖9為采用本發(fā)明方法進行在線故障判斷得到的溫度的模型輸出值與測量值之間 的殘差和閾值的對比圖；
[0057] 圖10為采用本發(fā)明方法進行在線故障判斷得到的壓力的模型輸出值與測量值的 對比圖；
[0058] 圖11為采用本發(fā)明方法進行在線故障判斷得到的壓力的模型輸出值與測量值之 間的殘差和閾值的對比圖。
【具體實施方式】
[0059] 下面結合【具體實施方式】對本發(fā)明的技術方案作進一步的介紹。
[0060] 本發(fā)明公開了一種基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法，包括離 線模型辨識和在線故障判斷；
[0061] 離線模型辨識包括以下的步驟：
[0062] S1:基于磨煤機內部煤的質量平衡，建立磨煤機內部原煤質量和煤粉質量的微分 方程：
[0063] iii, =q"tJ ~Kwmc.
[0064] lkPi =Kl0mc-qmr/ ( 2)
[0065]式（1)、（2)中，mc為磨煤機內部的原煤質量，qm,c為磨煤機入口煤質量流量，m pf為磨 煤機內部煤粉質量，qm, pf為磨煤機出口煤粉質量流量；
[0066] 磨煤機出口煤粉質量流量qm,Pf按照式(3)來計算：
[0067] qm,Pf = Kn A pamPf (3)
[0068]式(3)中，Apa*-次風機產生的壓差，按照式(4)來計算； (4)
[0070]式(4)中，tin為磨煤機入口一次風溫度，qm,air為磨煤機入口一次風的質量流量； [0071 ] S2:計算磨煤機內部水分蒸發(fā)量
(5)
[0073]式(5)中，9cm為原煤水分含量，且疼 [0074] S3:計算磨煤機內部能量平衡方程： L = + K^air + - (Kjout + +qmJ + KJ- K14W^ + Kl2tm(
[0075] (6)
[0076]式(6)中，t?t為磨煤機出口一次溫度，I為磨煤機電流，I按照式(7)進行計算：
[0077] I =K6mPf+K7mc+K8 (7)
[0078] S4:計算磨煤機出口壓力方程：
[0079] P = {Klt% + KvmL + KXfmpfq：mair (g)
[0080] 以上均為待辨識參數；
[0081 ] S5:從電廠的DCS系統(tǒng)中采集如下測點的數據:磨煤機入口煤質量流量qm,c、磨煤機 入口一次風的質量流量qm,air、磨煤機出口一次風溫度tcmt、磨煤機電流I和磨煤機出口壓力 P；
[0082] S6:設置遺傳算法的初始參數：
[0083] 代溝為0.8;
[0084] 交叉率為1;
[0085] 種群維數為22,其中前4維為灰箱模型的初始狀態(tài)值，后15維為遺傳算法參數；
[0086] 變異率為1/22;
[0087]最大遺傳代數為40;
[0088] 個體數目為20;
[0089] 然后設置遺傳算法搜索矩陣的上限和下限：
[0090] 算法搜索矩陣上限為：
[0091] [50,20,100,15,0.0035,0.25,0.015,0.0055,0.12,0.3,1,30,0.05,0.55, 0.008,-0.045,0.01,0.3,0.2,6,0.075,0.025]；
[0092]算法搜索矩陣下限為：
[0093] [10,5,30,5,0.002,0.05,0.006,0.0008,0.07,0.1,0.7,5,0.01,0.3,0.0004,- 0.09,0.006,0.05,0.05,4,0.055,0.01]；
[0094] 種群中每個個體的參數是一個一維矩陣，該一維矩陣共有22個自由度，前4個自由 度是磨煤機內部的原煤質量m。、磨煤機內部煤粉質量m pf、原煤水分含量9cm和磨煤機出口一 次風溫度tout，后18個自由度是待辨識參數心~!^，種群中個體參數的初始值在遺傳算法搜 索矩陣的上限和下限范圍內隨機取值；
[0095] S7:初始化遺傳算法的初代種群，計算初代種群的每個個體的適應度函數值:將從 DCS采集的磨煤機入口煤質量流量qm,。、磨煤機入口一次風的質量流量qm, air以及種群中個體 參數的初始值輸入到式（1)一式(8)中，得到磨煤機電流I和磨煤機出口壓力P，然后按照式 (9)計算適應度函數：
[0097] 式(9)中，W^WdPWs為人為設定的權值，N為從DCS采集的數據樣本數，^為tout的實 測值J為I的實測值，多為p的實測值為乙的最大值，丨_為:^的最大值，為|>的最 大值；
[0098] S8:將選擇、重組、變異算子作用于群體，得到子代種群；
[0099] S9:計算子代種群中所有個體的適應度函數值；
[0100] S10:對子代種群執(zhí)行重插入操作，判斷遺傳代數是否達到設定的最大值:如果未 達到，則轉至步驟S8;如果達到，則結束。
[0101] 模型辨識結果如表1所示。
[0102] 表1模型辨識結果
[0104]離線模型辨識的驗證結果如圖3、4和5所示，可見，采用本發(fā)明進行離線模型辨識 的精度很高，基本和電廠DCS實測數據吻合。
[0105] 在線故障診斷包括以下步驟：
[0106] S11:將離線辨識過程中通過遺傳算法得到的適應度函數最小的種群中個體參數 帶入式(1) 一式(8)中；
[0107] S12:設置采樣時間，每隔采樣時間從電廠DCS系統(tǒng)中采集一次磨煤機輸入端數據 和輸出端數據;磨煤機輸入端數據包括磨煤機入口煤質量流量qm,。、磨煤機入口一次風溫度 tin和磨煤機入口一次風的質量流量qm,air，磨煤機輸出端數據包括磨煤機出口一次風溫度 t?t、磨煤機出口煤粉質量流量qm,Pf、磨煤機電流I和磨煤機出口壓力P;
[0108] S13:把采集到的磨煤機輸入端數據輸入到式(1)一式(8)中進行求解；
[0109 ] S14:把式（1)-式(8)的輸出值和從DCS采集的磨煤機輸出端數據進行比較，求出 二者的殘差ek，然后把郎和設定好的故障閾值進行比較，若郎大于設定的閾值，則認為系統(tǒng) 發(fā)生了故障。
[0110]在磨煤機正常運行時，磨煤機輸出測量值和模型輸出值的殘差在較小的范圍內變 動。當出現故障時，該殘差會超出設定的閾值。根據殘差的特征可以判斷故障類型。以下給 出了磨煤機最常見的三種突發(fā)性故障診斷方法，分別是:磨煤機入口斷煤故障，如圖6和圖7 所示;磨煤機煤粉著火故障，如圖8和圖9所示;磨煤機堵粉故障，如圖10和圖11所示。
[0111]從圖中可以看出，當故障發(fā)生時，殘差產生趨勢性變化，只要設置一定的殘差閾 值，就可以診斷故障的發(fā)生，并根據殘差類型判斷故障的類型。若有多種故障發(fā)生，或未知 故障發(fā)生，都可以根據殘差進行判斷。因此本發(fā)明能夠有效地診斷磨煤機的故障類型。
【主權項】
1. 一種基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法，其特征在于:包括離線 模型辨識和在線故障判斷； 基于遺傳算法的離線模型辨識包括以下的步驟： S1:基于磨煤機內部煤的質量平衡，建立磨煤機內部原煤質量和煤粉質量的微分方程：式（1)、（2)中，m。為磨煤機內部的原煤質量，qm,。為磨煤機入口煤質量流量，mPf為磨煤機 內部煤粉質量，qm,Pf為磨煤機出口煤粉質量流量； 磨煤機出口煤粉質量流量qm, Pf按照式(3)來計算： Qm,pf = Kll Δ Palllpf (3) 式(3)中，△ pa*-次風機產生的壓差，按照式(4)來計算；式(4 )中，tin為磨煤機入口 一次風溫度，qm, air為磨煤機入口 一次風的質量流量； S2:計算磨煤機內部水分蒸發(fā)量％: ?式(5)中，Θ(Μ為原煤水分含量，且= 〇 ; S3:計算磨煤機內部能量平衡方程：式(6)中，tcmt為磨煤機出口 一次風溫度，I為磨煤機電流，I按照式(7)進行計算： I=K6mPf+K7mc+K8 (7) S4:計算磨煤機出口壓力方程：以上心~1(18均為待辨識參數； S5:從電廠的DCS系統(tǒng)中采集如下測點的數據:磨煤機入口煤質量流量CK。、磨煤機入口 一次風的質量流量qm,air、磨煤機出口一次風溫度tcmt、磨煤機電流I和磨煤機出口壓力P; S6:設置遺傳算法的初始參數，包括代溝、交叉率、種群維數、變異率、最大遺傳代數和 種群個體數目；然后設置遺傳算法搜索矩陣的上限和下限；種群中每個個體的參數是一個 一維矩陣，該一維矩陣共有22個自由度，前4個自由度是磨煤機內部的原煤質量m。、磨煤機 內部煤粉質量m Pf、原煤水分含量Θ?和磨煤機出口一次風溫度Uut，后18個自由度是待辨識 參數心~1(18，種群中個體參數的初始值在遺傳算法搜索矩陣的上限和下限范圍內隨機取 值； S7 :初始化遺傳算法的初代種群，計算初代種群的每個個體的適應度函數值:將從DCS 采集的磨煤機入口煤質量流量qm, C、磨煤機入口一次風的質量流量qm, air以及種群中個體參 數的初始值輸入到式（1)一式(8)中，得到磨煤機電流I和磨煤機出口壓力P，然后按照式(9) 計算適應度函數：式(9)中，W^WdPWs為人為設定的權值，N為從DCS采集的數據樣本數，^4為1_的實測 值，1為I的實測值，I?為P的實測值，為。的最大值，f"為?的最大值，/"為> 的最大 值； S8:將選擇、重組、變異算子作用于群體，得到子代種群； S9:計算子代種群中所有個體的適應度函數值； S10:對子代種群執(zhí)行重插入操作，判斷遺傳代數是否達到設定的最大值:如果未達到， 則轉至步驟S8;如果達到，則離線辨識過程結束。 在線故障診斷包括以下步驟： S11:將離線辨識過程中通過遺傳算法得到的適應度函數最小的種群中個體參數帶入 式(1) 一式(8)中； S12:設置采樣時間，每隔采樣時間從電廠DCS系統(tǒng)中采集一次磨煤機輸入端數據和輸 出端數據;磨煤機輸入端數據包括磨煤機入口煤質量流量qm,。、磨煤機入口一次風溫度tin和 磨煤機入口一次風的質量流量qm, air，磨煤機輸出端數據包括磨煤機出口一次風溫度tcmt、磨 煤機出口煤粉質量流量qm, Pf、磨煤機電流I和磨煤機出口壓力P; S13:把采集到的磨煤機輸入端數據輸入到式(1)一式(8)中進行求解； S14:把式（1) 一式(8)的輸出值和從DCS采集的磨煤機輸出端數據進行比較，求出二者 的殘差ek，然后把ek和設定好的故障閾值進行比較，若ek大于設定的閾值，則認為系統(tǒng)發(fā)生 了故障。2. 根據權利要求1所述的基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法，其特 征在于:所述步驟S9為:依次計算子代種群中各個個體的適應度函數值，如果計算得到某個 個體的適應度函數值達到如式（10)所示的上限值Ω，則停止計算該個體的適應度函數值， 并將該個體的適應度函數值作為上限值Ω，然后繼續(xù)計算剩余個體的適應度函數值；3. 根據權利要求1所述的基于快速遺傳算法和灰箱模型的磨煤機故障診斷方法，其特 征在于:所述步驟S5中，數據采集的采樣時間設置為ls，每個測點采集10000組數據。
【文檔編號】G06N3/12GK105930302SQ201610209933
【公開日】2016年9月7日
【申請日】2016年4月6日
【發(fā)明人】梁修凡, 沈炯, 李益國, 劉西陲, 吳嘯, 潘蕾
【申請人】東南大學