張 進(jìn)

(北京國電智深控制技術(shù)有限公司， 北京 102211)

在現(xiàn)代化工業(yè)技術(shù)的迅速發(fā)展下，火電設(shè)備不斷走向大型化、集成化和自動化[1]。磨煤機(jī)作為火電機(jī)組重要的輔機(jī)之一，是電站鍋爐制粉系統(tǒng)的核心設(shè)備，其運(yùn)行狀況直接影響鍋爐的穩(wěn)定運(yùn)行[2]。電廠的總體性能和可靠性在很大程度上取決于機(jī)組的停機(jī)時間。如果沒有煤粉用于燃燒，則會導(dǎo)致設(shè)備降負(fù)荷甚至停機(jī)。電廠無法產(chǎn)生電網(wǎng)所需的功率時，會導(dǎo)致經(jīng)濟(jì)損失，并影響電網(wǎng)信譽(yù)[3]。磨煤機(jī)運(yùn)行在惡劣環(huán)境中時，會經(jīng)常出現(xiàn)故障。目前，電廠為了保證穩(wěn)定性與經(jīng)濟(jì)性，仍然主要采用計劃檢修。然而，傳統(tǒng)的檢修模式很難實現(xiàn)全面的狀態(tài)監(jiān)測和及時的故障預(yù)警，無法滿足現(xiàn)代電力發(fā)展要求，磨煤機(jī)過高的運(yùn)行負(fù)荷和故障率已然成為引人關(guān)注的問題[4]。因此，對磨煤機(jī)進(jìn)行狀態(tài)檢測及故障預(yù)警對維持機(jī)組正常運(yùn)行具有重要意義。

磨煤機(jī)的運(yùn)行參數(shù)是典型的分布參數(shù)，具有很強(qiáng)的非線性和耦合性，對其系統(tǒng)動態(tài)特性進(jìn)行研究具有很高的難度[5]。隨著人工智能及神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，設(shè)備運(yùn)行監(jiān)測與故障預(yù)警領(lǐng)域出現(xiàn)了新的研究熱點(diǎn)，即基于數(shù)據(jù)驅(qū)動的建模方法逐漸優(yōu)化和替代傳統(tǒng)的建模方法，通過選取有效的設(shè)備特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入與輸出數(shù)據(jù)，建立輸入數(shù)據(jù)到參考輸出數(shù)據(jù)之間的非線性映射關(guān)系。訓(xùn)練后的網(wǎng)絡(luò)模型可用于設(shè)備的狀態(tài)監(jiān)測，并通過網(wǎng)絡(luò)輸出與實際輸出的殘差序列判斷設(shè)備的運(yùn)行狀態(tài)，實現(xiàn)故障預(yù)警。

然而，傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)算法具有結(jié)構(gòu)復(fù)雜，容易陷入局部最優(yōu)、收斂速度慢等問題，并且傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)算法為了提高擬合效果，大多采用迭代的方法降低擬合誤差，大大增加了建模的時間和計算量，這些問題限制了神經(jīng)網(wǎng)絡(luò)在實際工程應(yīng)用中的表現(xiàn)。傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)及長短期記憶網(wǎng)絡(luò)(LSTM)都具有較好的時間序列學(xué)習(xí)能力，但其結(jié)構(gòu)太過復(fù)雜且權(quán)值參數(shù)過多，導(dǎo)致采用梯度下降法學(xué)習(xí)的收斂速度很慢。減少隱含層的層數(shù)和節(jié)點(diǎn)數(shù)可以加快訓(xùn)練速度，卻也影響了網(wǎng)絡(luò)的使用效果。

JAEGER H[6]在2001年提出回聲狀態(tài)網(wǎng)絡(luò)(ESN)，ESN是一種全新結(jié)構(gòu)的遞歸神經(jīng)網(wǎng)絡(luò)，具有良好的短期記憶能力、快速的學(xué)習(xí)能力和強(qiáng)大的非線性擬合能力。ESN有一個具有許多稀疏神經(jīng)元的儲存池結(jié)構(gòu)，在初始化之后，不調(diào)整輸入層權(quán)值及儲存池神經(jīng)元間的權(quán)值，僅通過調(diào)整輸出層權(quán)值來進(jìn)行訓(xùn)練。劉穎等[7]通過改進(jìn)的ESN實現(xiàn)高爐煤氣生成量的預(yù)測。SKOWRONSKI M D等[8]將ESN用于自動語音識別且得到了更好的魯棒性。SONG Q S等[9]提出基于ESN的負(fù)荷預(yù)測算法，能夠獲得比傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確的預(yù)測結(jié)果。

筆者提出了基于ESN的磨煤機(jī)斷煤故障預(yù)警方法，利用ESN建立磨煤機(jī)正常運(yùn)行模型，通過比較網(wǎng)絡(luò)輸出數(shù)據(jù)與實際輸出數(shù)據(jù)得到殘差，再通過小波分解分析殘差實現(xiàn)磨煤機(jī)的斷煤故障預(yù)警。

1 磨煤機(jī)斷煤故障分析

1.1 運(yùn)行參數(shù)

1.1.1 出口一次風(fēng)溫度

磨煤機(jī)出口一次風(fēng)溫度是監(jiān)測磨煤機(jī)運(yùn)行狀況的重要參數(shù)，可反映磨煤機(jī)的干燥能力。過高的溫度可能導(dǎo)致爆炸；過低的溫度會影響煤粉的干燥，導(dǎo)致燃燒效率降低。磨煤機(jī)出口一次風(fēng)溫度主要受風(fēng)煤比及原煤水分含量的影響：風(fēng)煤比越大，干燥能力越強(qiáng)，出口一次風(fēng)溫度越高；原煤水分含量越高，需要的干燥風(fēng)越多，出口一次風(fēng)溫度越低。

1.1.2 一次風(fēng)進(jìn)出口壓差

磨煤機(jī)存煤量影響了磨煤機(jī)工作的經(jīng)濟(jì)性，也是影響磨煤機(jī)安全的重要參數(shù)，常用磨煤機(jī)進(jìn)出口壓差來表征和控制[10]。在一次風(fēng)流量不變的情況下，磨煤機(jī)存煤量越多，一次風(fēng)的流通阻力越大，出口一次風(fēng)壓力越低，一次風(fēng)進(jìn)出口壓差越大。

1.2 斷煤故障分析

磨煤機(jī)發(fā)生少煤或斷煤故障時，磨煤機(jī)一次風(fēng)進(jìn)出口壓差隨即降低，少量的濕煤無法吸收一次風(fēng)帶來的過多熱量，導(dǎo)致磨煤機(jī)出口一次風(fēng)溫度升高，磨煤機(jī)一次風(fēng)進(jìn)出口溫差降低，熱一次風(fēng)門將自動關(guān)小，冷一次風(fēng)門自動開大。由于磨輥和磨盤直接接觸，金屬間發(fā)生摩擦并使磨煤機(jī)出現(xiàn)機(jī)械振動[11]。

煤質(zhì)對斷煤的影響主要是原煤水分含量過高有可能導(dǎo)致落煤管堵塞，筆者通過部分輸入輸出特性來實現(xiàn)斷煤故障的預(yù)警，即使沒有煤質(zhì)數(shù)據(jù)，也可較好地對斷煤故障進(jìn)行判斷，而且目前沒有辦法對煤質(zhì)實現(xiàn)實時監(jiān)測，因此筆者在本文中不考慮煤質(zhì)的變化。

1.3 實際數(shù)據(jù)分析

以某330 MW火電機(jī)組磨煤機(jī)為研究對象，圖1為該磨煤機(jī)發(fā)生斷煤故障時相關(guān)參數(shù)的變化趨勢。

圖1 磨煤機(jī)斷煤故障中各參數(shù)變化趨勢

由圖1可見：磨煤機(jī)發(fā)生斷煤故障時，磨煤機(jī)電流下降，出口一次風(fēng)溫度升高，熱一次風(fēng)門開度降低，冷一次風(fēng)門開度增大，一次風(fēng)流量先升高再降低，給煤量降低。

2 ESN算法模型

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

ESN由輸入層、儲存池、輸出層組成，其網(wǎng)絡(luò)結(jié)構(gòu)見圖2。

Win—輸入層到儲存池連接的權(quán)值矩陣；W—儲存池內(nèi)部神經(jīng)元連接的權(quán)值矩陣；Wback—輸出層到儲存池連接的權(quán)值矩陣；Wout—儲存池到輸出層連接的權(quán)值矩陣。

假設(shè)有K個輸入節(jié)點(diǎn)，N個儲存池節(jié)點(diǎn)，L個輸出節(jié)點(diǎn)，則輸入向量u(n)=[u1(n),…,uK(n)]，儲存池狀態(tài)向量為x(n)=[x1(n),…,xN(n)]，輸出向量y(n)=[y1(n),…,yL(n)]，其中，n為迭代次數(shù)。

ESN的基本方程為：

x(n)=f(Woutu(n-1)+Wx(n-1)+

Wbacky(n-1))

(1)

y(n)=fout(Wout·[x(n);u(n)])

(2)

式中：f和fout分別為儲存池神經(jīng)元和輸出層的激活函數(shù)，一般選擇tanhx=(e2x-1)/(e2x+1)。在ESN中，Win、W、Wback均為訓(xùn)練前隨機(jī)生成并且不再進(jìn)行調(diào)整，Wout是唯一需要進(jìn)行更新的矩陣。

2.2 主要參數(shù)

ESN的核心特點(diǎn)在于儲存池，因此儲存池的參數(shù)選擇對網(wǎng)絡(luò)的性能有很大的影響[12]。儲存池可調(diào)整的主要參數(shù)有儲存池節(jié)點(diǎn)數(shù)、譜半徑、稀疏系數(shù)、輸入單元尺度。

2.2.1 儲存池節(jié)點(diǎn)數(shù)

儲存池節(jié)點(diǎn)數(shù)反映網(wǎng)絡(luò)擬合能力，節(jié)點(diǎn)越多，預(yù)測精度越高；但訓(xùn)練效率會降低，過多的節(jié)點(diǎn)還會導(dǎo)致過擬合現(xiàn)象。

2.2.2 譜半徑

譜半徑是W的最大特征值的絕對值，是影響網(wǎng)絡(luò)穩(wěn)定的重要參數(shù)。如何選取譜半徑影響到網(wǎng)絡(luò)的穩(wěn)定性，一般將譜半徑選為0.8～0.9。

2.2.3 稀疏系數(shù)

ESN的儲存池神經(jīng)元之間是稀疏連接的，在一般的神經(jīng)網(wǎng)絡(luò)中，N個神經(jīng)元全連接的權(quán)值總數(shù)是N2；而ESN的連接總數(shù)遠(yuǎn)遠(yuǎn)小于N2。

2.2.4 輸入單元尺度

輸入層進(jìn)入儲存池之前需要乘以一個尺度因子，即輸入單元尺度。由于激活函數(shù)的有效區(qū)間是有限的，因此需要通過輸入單元尺度來將輸入數(shù)據(jù)變換為需要的范圍。

2.3 學(xué)習(xí)過程

2.3.1 網(wǎng)絡(luò)初始化

網(wǎng)絡(luò)初始化包括各個權(quán)值矩陣的初始化和儲存池狀態(tài)向量的初始化。Win和Wback為一定范圍隨機(jī)值的全連接矩陣；W要滿足網(wǎng)絡(luò)穩(wěn)定性條件，即保證W的譜半徑嚴(yán)格小于1。儲存池狀態(tài)向量可以設(shè)定為初始值全為0的狀態(tài)。

2.3.2 更新儲存池狀態(tài)向量

將M個樣本的數(shù)據(jù)進(jìn)行處理后，根據(jù)式(1)更新網(wǎng)絡(luò)的儲存池記憶狀態(tài)。第1步計算時，輸出向量沒有定義，將輸出向量中的元素全部定義為0。

2.3.3 收集狀態(tài)向量

由于網(wǎng)絡(luò)初始狀態(tài)為0狀態(tài)，因此儲存池的初期狀態(tài)受初始權(quán)值矩陣的干擾，不從第1步開始收集，假設(shè)從第M0步開始收集儲存池狀態(tài)向量組成狀態(tài)矩陣S=[X(M0),…,X(M)]T，其中，X(i)=[x(i);u(i)]T，同時收集相應(yīng)的輸出向量組成輸出向量空間Y=[y(M0),…,y(M)]。

2.3.4 計算Wout

式(2)可簡化為：

y(n)=fout(WoutX(n))

(3)

則fout的逆函數(shù)fout,inv為：

fout,inv(y(n))=WoutX(n)

(4)

式(4)代入S和Y，可得到：

Wout=[S-1fout,inv(Y)]T

(5)

3 基于ESN的磨煤機(jī)故障預(yù)警

筆者提出一種基于ESN的磨煤機(jī)故障預(yù)警方法。磨煤機(jī)發(fā)生斷煤時，其輸出參數(shù)會發(fā)生明顯的變化，通過分析磨煤機(jī)輸出參數(shù)的異常變化趨勢即可實現(xiàn)磨煤機(jī)的斷煤故障預(yù)警。

基于ESN的磨煤機(jī)故障預(yù)警方法分為2個部分：

(1)離線訓(xùn)練。離線部分采集磨煤機(jī)正常運(yùn)行的歷史數(shù)據(jù)，經(jīng)過預(yù)處理后用于訓(xùn)練ESN模型，利用ESN建立磨煤機(jī)正常運(yùn)行狀態(tài)的輸入輸出模型。

(2)在線測試。在線部分將實時的輸入數(shù)據(jù)經(jīng)過預(yù)處理后送給訓(xùn)練好的ESN，再用預(yù)測輸出數(shù)據(jù)與實際輸出數(shù)據(jù)比較得到殘差。當(dāng)磨煤機(jī)發(fā)生故障時，磨煤機(jī)的實際輸出數(shù)據(jù)與預(yù)測輸出數(shù)據(jù)將出現(xiàn)較大的偏差，再利用小波分解分析殘差實現(xiàn)故障的提前預(yù)警。

圖3為基于ESN的磨煤機(jī)故障預(yù)警方法的流程圖。

圖3 基于ESN的磨煤機(jī)故障預(yù)警方法的流程圖

4 結(jié)果與分析

4.1 模型訓(xùn)練

利用測試集數(shù)據(jù)驗證模型準(zhǔn)確性，結(jié)果見圖4。以該機(jī)組為對象，選取7 000組磨煤機(jī)正常運(yùn)行數(shù)據(jù)，數(shù)據(jù)采樣時間為1 s，包含一天中不同時間段。為了方便ESN模型的計算，對數(shù)據(jù)進(jìn)行預(yù)處理，將不同量綱的數(shù)據(jù)變換為0～1的標(biāo)量作為ESN的訓(xùn)練數(shù)據(jù)。抽取5 000組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，2 000組數(shù)據(jù)作為測試數(shù)據(jù)。選擇入口一次風(fēng)壓力、入口一次風(fēng)溫度、一次風(fēng)質(zhì)量流量、熱一次風(fēng)門開度、冷一次風(fēng)門開度、給煤質(zhì)量流量，磨煤機(jī)電流作為輸入數(shù)據(jù)，磨煤機(jī)出口一次風(fēng)的溫度和壓力作為參考輸出訓(xùn)練ESN。儲存池節(jié)點(diǎn)數(shù)為100，稀疏系數(shù)為10%，激活函數(shù)為tanhx。

圖4 實際值與預(yù)測值的對比

由圖4可得：測試數(shù)據(jù)的預(yù)測值與實際值吻合度較好，說明基于ESN建立的模型是準(zhǔn)確可靠的。

4.2 獲取殘差數(shù)據(jù)

選取500組故障數(shù)據(jù)進(jìn)行測試，得到預(yù)測值與實際值的曲線見圖5和圖6。

圖5 磨煤機(jī)出口一次風(fēng)溫度曲線

圖6 磨煤機(jī)出口一次風(fēng)壓力曲線

由圖5和圖6可得：當(dāng)磨煤機(jī)發(fā)生斷煤故障時，磨煤機(jī)動態(tài)特性發(fā)生巨大改變，導(dǎo)致實際值與預(yù)測值之間出現(xiàn)極大偏差，可以表征出磨煤機(jī)故障。

4.3 小波分解及故障預(yù)警

利用小波分解處理殘差，即可實現(xiàn)故障的早期預(yù)警，其原理為利用小波分解對殘差進(jìn)行趨勢提取，通過曲線斜率檢測突變點(diǎn)，正常運(yùn)行工況下和發(fā)生故障工況下小波分析圖像分別見圖7和圖8。

圖7 正常工況小波分析圖像

圖8 發(fā)生故障工況小波分析圖像

由圖7與圖8可得：當(dāng)磨煤機(jī)發(fā)生斷煤故障時，殘差變大，殘差曲線斜率出現(xiàn)異常突變。

選取k=0.05，并利用故障數(shù)據(jù)比較筆者所提出的方法的故障預(yù)警信號與實際斷煤信號，具體見圖9。由圖9可得：基于ESN的磨煤機(jī)故障預(yù)警方法輸出的故障預(yù)警信號能夠稍微提前于電廠的實際斷煤信號，可以實現(xiàn)故障的早期預(yù)警。

圖9 電廠實際斷煤信號與故障預(yù)警信號對比

5 結(jié)語

筆者基于ESN建立了磨煤機(jī)正常運(yùn)行工況的輸入輸出模型，并通過仿真驗證了模型的準(zhǔn)確性和泛化性。在此基礎(chǔ)上，通過比較預(yù)測輸出數(shù)據(jù)與實際輸出數(shù)據(jù)得到了殘差，并通過小波分解殘差實現(xiàn)了磨煤機(jī)的故障預(yù)警。仿真結(jié)果表明：基于ESN的磨煤機(jī)故障預(yù)警方法輸出的故障預(yù)警信號能夠稍微提前于電廠的實際斷煤信號，可以實現(xiàn)故障的早期預(yù)警。