基于PCA-GRNN磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型

陳 波，徐文韜，黃亞繼，曹歌瀚，管詩駢，岳峻峰

(1.江蘇方天電力技術(shù)有限公司，江蘇 南京 211102；2.東南大學(xué) 能源熱轉(zhuǎn)換及其過程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096)

0 引 言

2020年10月，國(guó)家能源局發(fā)布了全國(guó)電力工業(yè)統(tǒng)計(jì)數(shù)據(jù)[1]，指出全國(guó)使用火電電量累計(jì)達(dá)121 579萬kWh，遠(yuǎn)高于水電、核電及風(fēng)電的用電量，火電廠在全國(guó)發(fā)電廠中依然占據(jù)主導(dǎo)地位。而近幾年，我國(guó)火電站頻發(fā)鍋爐爆炸、受熱面爆管、水冷壁腐蝕等重大事故[2-4]，磨煤機(jī)作為鍋爐運(yùn)行的重要輔助設(shè)備，其性能安全直接影響火電廠運(yùn)行。為加快2030年碳達(dá)峰步伐，實(shí)現(xiàn)2060年碳中和目標(biāo)，在加快能源轉(zhuǎn)型的道路上，將舊火電廠改造為能源節(jié)約型、高品質(zhì)排放型和經(jīng)濟(jì)安全型火電廠成為重要研究方向。

20世紀(jì)90年代，國(guó)內(nèi)外許多學(xué)者基于人工智能和神經(jīng)網(wǎng)絡(luò)提出磨煤機(jī)故障識(shí)別與預(yù)警方法。FAN等[6]提出了一種基于專家系統(tǒng)的磨煤機(jī)故障檢測(cè)和生產(chǎn)過程的控制方法。在此基礎(chǔ)上，田亮等[7]提出基于典型樣本數(shù)據(jù)融合方法的鍋爐制粉系統(tǒng)故障診斷方法。ODGAARD等[8]提出基于觀測(cè)器的故障檢測(cè)方法,通過對(duì)變量殘差進(jìn)行分析來判斷故障。趙薇等[9]提出將故障分析樹應(yīng)用于電廠鍋爐制粉系統(tǒng)實(shí)現(xiàn)對(duì)制粉系統(tǒng)的故障診斷。曾德良等[10]提出一種基于灰色關(guān)聯(lián)和D-S組合規(guī)則的磨煤機(jī)故障診斷方法。隨人工智能和神經(jīng)網(wǎng)絡(luò)的深入發(fā)展，人工智能在電廠設(shè)備運(yùn)行監(jiān)測(cè)與故障預(yù)警方面的發(fā)展成為目前檢測(cè)診斷設(shè)備故障的主要方向。為此，國(guó)內(nèi)許多學(xué)者基于人工智能和神經(jīng)網(wǎng)絡(luò)提出多種磨煤機(jī)故障識(shí)別與預(yù)警方法。其中，基于人工智能方法，魯雪艷等[11]提出基于模糊聚類分析和D-S證據(jù)理論的磨煤機(jī)故障診斷方法。趙明等[12]基于小波包頻帶順序分解技術(shù)提取不同球徑配比的特征量，再利用統(tǒng)計(jì)分析對(duì)球徑配比做出診斷。此外，焦嵩鳴[13]提出一種具有自學(xué)習(xí)能力的基于融合相似度的健康指數(shù)計(jì)算與故障診斷方法，實(shí)現(xiàn)制粉系統(tǒng)在線健康監(jiān)視與故障診斷。胡杰等[14]采用多元狀態(tài)估計(jì)技術(shù)對(duì)制粉系統(tǒng)設(shè)備狀態(tài)進(jìn)行在線監(jiān)測(cè)和健康診斷，實(shí)現(xiàn)了對(duì)電廠制粉系統(tǒng)的狀態(tài)評(píng)估和預(yù)警。基于優(yōu)化算法，張文濤等[15]采取基于粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)方法對(duì)磨煤機(jī)運(yùn)行進(jìn)行故障診斷，該方法訓(xùn)練時(shí)間較短且具有較好的泛化能力。陳渭文[16]建立基于信號(hào)分析的磨煤機(jī)堵煤故障診斷模型，通過神經(jīng)網(wǎng)絡(luò)優(yōu)化算法對(duì)特征參數(shù)的權(quán)重進(jìn)行訓(xùn)練,得到最終磨煤機(jī)堵煤故障的診斷模型。基于神經(jīng)網(wǎng)絡(luò)方法，張進(jìn)[17]提出基于回聲狀態(tài)網(wǎng)絡(luò)的磨煤機(jī)故障預(yù)警方法，提前感知磨煤機(jī)斷煤信號(hào)，實(shí)現(xiàn)磨煤機(jī)故障的早期預(yù)警。王天堃[18]提出故障癥狀縮放因子搜索法與LS-SVM故障診斷模型相結(jié)合的磨煤機(jī)運(yùn)行故障辨識(shí)和診斷方法。

上述故障診斷方法能夠?qū)崿F(xiàn)制粉系統(tǒng)中某一故障的監(jiān)測(cè)與識(shí)別。然而磨煤機(jī)內(nèi)部運(yùn)行參數(shù)眾多且具有強(qiáng)非線性強(qiáng)耦合特征，單個(gè)參數(shù)的變化會(huì)引起其他參數(shù)變化，對(duì)磨煤機(jī)設(shè)備進(jìn)行單個(gè)故障辨識(shí)往往忽略其他參數(shù)變化造成的負(fù)面影響，單個(gè)故障診斷方法缺乏全面性。因此，筆者基于磨煤機(jī)的歷史性能評(píng)估，提出基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型。首先，采用主成分分析法(PCA)[19-21]將高度相關(guān)的高維變量轉(zhuǎn)換為線性無關(guān)的低維變量，在保留原始數(shù)據(jù)特征信息的基礎(chǔ)上，縮減神經(jīng)網(wǎng)絡(luò)輸入端參數(shù)，提高神經(jīng)網(wǎng)絡(luò)計(jì)算速度；其次，以PCA中主成分為預(yù)測(cè)模型輸入數(shù)據(jù)，磨煤機(jī)設(shè)備歷史運(yùn)行數(shù)據(jù)對(duì)應(yīng)的歷史專家評(píng)分為預(yù)測(cè)模型輸出數(shù)據(jù)，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型；最后，比較基于BP、PCA-BP、GRNN和PCA-GRNN神經(jīng)網(wǎng)絡(luò)磨煤機(jī)安全性預(yù)測(cè)模型的平均相對(duì)誤差和訓(xùn)練時(shí)間成本，驗(yàn)證方法有效性。

1 磨煤機(jī)故障因素分析

磨煤機(jī)常見故障主要包括磨煤機(jī)振動(dòng)和磨煤機(jī)系統(tǒng)著火。磨煤機(jī)振動(dòng)原因主要有：① 磨煤機(jī)內(nèi)部基礎(chǔ)部件松動(dòng)或脫落；② 磨煤機(jī)磨輥或噴嘴環(huán)磨損嚴(yán)重；③ 磨煤機(jī)滿煤或磨煤機(jī)煤量太少；④ 磨煤機(jī)自動(dòng)加載液壓系統(tǒng)故障；⑤ 磨煤機(jī)電機(jī)、連軸器或軸承損壞。磨煤機(jī)系統(tǒng)著火原因主要有：① 磨煤機(jī)出口溫度呈跳躍式升高；② 磨煤機(jī)冷風(fēng)量與熱風(fēng)量不平衡輸入；③ 磨煤機(jī)進(jìn)出口壓差迅速變化。

1.1 磨煤機(jī)進(jìn)出口一次風(fēng)溫度

磨煤機(jī)進(jìn)出口一次風(fēng)溫度是監(jiān)測(cè)磨煤機(jī)運(yùn)行狀態(tài)最重要參數(shù)，磨煤機(jī)進(jìn)出口一次風(fēng)溫度過高，若一次風(fēng)量調(diào)整不及時(shí)，容易導(dǎo)致干燥煤粉堆積，甚至引起磨煤機(jī)起火。磨煤機(jī)進(jìn)出口一次風(fēng)溫度過低，磨煤機(jī)出口風(fēng)粉混合物攜帶濕度較大的煤粉，降低煤粉干燥能力，導(dǎo)致燃煤效率降低。

1.2 磨煤機(jī)冷熱一次風(fēng)擋板開度

通過自動(dòng)控制調(diào)節(jié)磨煤機(jī)冷一次風(fēng)擋板開度和熱一次風(fēng)擋板開度，調(diào)節(jié)送往磨煤機(jī)冷熱風(fēng)量。磨煤機(jī)冷熱風(fēng)量除了可攜帶研磨煤粉送出磨煤機(jī)，還可平衡磨煤機(jī)內(nèi)研磨后煤粉溫度，使磨煤機(jī)出口煤粉溫度適宜，從而提高鍋爐燃煤效率。

1.3 磨煤機(jī)進(jìn)出口一次風(fēng)壓差

磨煤機(jī)進(jìn)出口一次風(fēng)壓差是影響磨煤機(jī)設(shè)備安全運(yùn)行重要參數(shù)之一，磨煤機(jī)存煤量過多，阻礙磨煤機(jī)進(jìn)口一次風(fēng)流通，導(dǎo)致磨煤機(jī)出口一次風(fēng)壓降低。

1.4 磨煤機(jī)磨碗上下壓差

磨煤機(jī)磨碗上下壓差是監(jiān)測(cè)磨煤機(jī)設(shè)備安全運(yùn)行另一重要參數(shù)，磨煤機(jī)設(shè)備內(nèi)發(fā)生堵煤、磨煤機(jī)研磨能力較差、動(dòng)態(tài)分離器轉(zhuǎn)速太高及一次風(fēng)量太低等問題時(shí)，磨碗壓差偏高。

1.5 動(dòng)態(tài)分離器頻率

磨煤機(jī)動(dòng)態(tài)旋轉(zhuǎn)分離器主要作用是將煤粉進(jìn)行粗細(xì)分離，將不合格的粗粉送往磨碾繼續(xù)研磨直至達(dá)到粒度合格的煤粉。動(dòng)態(tài)分離器頻率直接影響研磨煤粉粗細(xì)程度。

基于磨煤機(jī)設(shè)備產(chǎn)生故障的機(jī)理，筆者以600 MW燃煤電廠磨煤機(jī)為研究對(duì)象，從SIS系統(tǒng)采集磨煤機(jī)磨碗上下壓差P、磨煤機(jī)瞬時(shí)進(jìn)煤量G、一次風(fēng)量M、磨煤機(jī)冷一次風(fēng)門擋板開度φcool、熱一次風(fēng)門擋板開度φhot、磨煤機(jī)進(jìn)口一次風(fēng)溫Tin、出口風(fēng)粉溫度Tout、磨煤機(jī)進(jìn)口一次風(fēng)壓Pin、出口風(fēng)粉壓力Pout和磨煤機(jī)動(dòng)態(tài)分離器頻率fsep等參數(shù)的歷史運(yùn)行數(shù)據(jù)及相應(yīng)歷史專家評(píng)分s，具體見表1。

表1 磨煤機(jī)設(shè)備的歷史運(yùn)行數(shù)據(jù)及歷史專家評(píng)分Table 1 Historical operation data of coal mill and historical expert scores

2 主成分分析建模

由磨煤機(jī)設(shè)備故障案例可知，影響磨煤機(jī)設(shè)備運(yùn)行狀態(tài)的變量較多，且變量間具有強(qiáng)非線性強(qiáng)耦合特征，極大增加了分析磨煤機(jī)運(yùn)行狀態(tài)的復(fù)雜程度。主成分分析的核心思想為將高維的相關(guān)變量轉(zhuǎn)換為低維的互不相關(guān)且能代表原始數(shù)據(jù)大部分信息的新綜合變量?；贛ATLAB仿真平臺(tái)進(jìn)行主成分分析，主成分分析流程如圖1所示。各影響因素間相關(guān)系數(shù)見表2。

圖1 主成分分析流程Fig.1 Flow chart of principal component analysis

表2 影響因素間相關(guān)系數(shù)矩陣Table 2 Correlation coefficient matrix among influencing factors

由表2可知，磨煤機(jī)磨碗上下壓差與磨煤機(jī)瞬時(shí)給煤量相關(guān)系數(shù)最高為0.64，其次，磨碗上下壓差與出口風(fēng)粉溫度相關(guān)系數(shù)為-0.59；磨碗上下壓差與冷風(fēng)一次風(fēng)調(diào)節(jié)擋板開度相關(guān)系數(shù)為-0.47；給煤機(jī)瞬時(shí)進(jìn)煤量與磨煤機(jī)出口風(fēng)粉溫度相關(guān)系數(shù)達(dá)-0.83；磨煤機(jī)進(jìn)口一次風(fēng)量與磨煤機(jī)出口風(fēng)粉溫度相關(guān)系數(shù)為0.12；給煤機(jī)瞬時(shí)進(jìn)煤量過高，若一次風(fēng)量調(diào)節(jié)不及時(shí)或折向門開度太小，導(dǎo)致磨煤機(jī)堵煤，此時(shí)，磨碗上下壓差升高，磨煤機(jī)出口溫度和進(jìn)口一次風(fēng)量降低。磨煤機(jī)進(jìn)口風(fēng)溫與磨煤機(jī)動(dòng)態(tài)分離器頻率相關(guān)系數(shù)為0.57；動(dòng)態(tài)分離器頻率是磨煤機(jī)生產(chǎn)合格細(xì)度煤粉的重要保障，動(dòng)態(tài)分離器故障時(shí)，磨煤機(jī)進(jìn)出口壓差降低，磨煤機(jī)出口溫度發(fā)生相應(yīng)變化。結(jié)果表明：眾多影響因素之間具有強(qiáng)相關(guān)性。因此，在建立磨煤機(jī)設(shè)備性能評(píng)估預(yù)測(cè)模型前，需采用PCA技術(shù)消除各影響因素間相關(guān)性。

PCA主成分分析核心思想是從原始數(shù)據(jù)空間依次找出相互正交的坐標(biāo)軸，坐標(biāo)軸的選取由原始數(shù)據(jù)方差決定。首先，選擇原始數(shù)據(jù)中方差最大的方向?yàn)榈?個(gè)新坐標(biāo)，其次，選擇與第一坐標(biāo)軸相互正交且在剩余數(shù)據(jù)中方差最大的方向?yàn)榈诙鴺?biāo)軸，依次類推，直到無法再獲取正交坐標(biāo)軸算法停止。具體實(shí)施：原數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)化后與相關(guān)系數(shù)矩陣的特征向量求積獲得新矩陣，使新矩陣的各個(gè)變量間互不相關(guān)。主成分分析后各成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率如圖2所示。

圖2 各主成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率Fig.2 Contribution rate and cumulative contribution rate of each principal component

由圖2可知，前3種成分累計(jì)貢獻(xiàn)率達(dá)96.552 9%，超過95%滿足作為主成分的條件，因此，選取前3個(gè)成分作為主成分F1、F2及F3，并將主成分作為磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型的輸入層變量，由原來10維因子減少為3維因子，消除影響因子間相關(guān)性，縮減神經(jīng)網(wǎng)絡(luò)輸入變量，提高神經(jīng)網(wǎng)絡(luò)計(jì)算速度，即降低所建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型的規(guī)模。

3 PCA-GRNN神經(jīng)網(wǎng)絡(luò)建模及預(yù)測(cè)

基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)具有收斂速度快、訓(xùn)練時(shí)間短、不容易陷入局部小且預(yù)測(cè)精度高[22]等特征，提出基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型，原始數(shù)據(jù)見表1，將PCA處理后的主成分作為神經(jīng)網(wǎng)絡(luò)輸入變量，對(duì)應(yīng)的專家歷史評(píng)分作為網(wǎng)絡(luò)輸出變量。GRNN模型結(jié)構(gòu)如圖3所示。

圖3 GRNN結(jié)構(gòu)Fig.3 Structure of GRNN

GRNN神經(jīng)網(wǎng)絡(luò)模型分為輸入層、隱含層和輸出層。其中，輸入層將樣本數(shù)據(jù)送往隱含層；設(shè)置隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)與GRNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本個(gè)數(shù)相同，隱含層輸入節(jié)點(diǎn)函數(shù)采用歐氏距離函數(shù)，隱含層輸出節(jié)點(diǎn)函數(shù)采用徑向基函數(shù)(Gaussian函數(shù))；輸出層為線性映射關(guān)系，其權(quán)函數(shù)采用nprod函數(shù)。

3.1 GRNN神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型

1)隱含層神經(jīng)元徑向基函數(shù)中心。

(1)

(2)

其中，P為訓(xùn)練集樣本輸入矩陣；T為輸出矩陣；Pij為第j個(gè)訓(xùn)練樣本的第i個(gè)輸入變量；tij為第j個(gè)訓(xùn)練樣本的第i個(gè)輸出變量；R為輸入變量維數(shù)；S為輸出變量維數(shù)；Q為訓(xùn)練集樣本數(shù)。隱含層神經(jīng)元個(gè)數(shù)與訓(xùn)練集輸入樣本數(shù)相同，隱含層每個(gè)神經(jīng)元對(duì)應(yīng)1個(gè)訓(xùn)練樣本。

隱含層神經(jīng)元對(duì)應(yīng)的徑向基函數(shù)中心如式(3)所示：

C=P′。

(3)

2)隱含層神經(jīng)元閾值。

b1=[b11,b12,b13,…，b1Q],

(4)

式中，向量b1所有元素設(shè)置為0.832 6與向基函數(shù)的擴(kuò)展速度比值，擴(kuò)展速度設(shè)為0.05。

3)隱含層與輸出層之間的權(quán)值。

ai=exp(-[dist(C,Pi)]2·b1),i=1,2,…，Q，

(5)

式中，Pi為第i個(gè)訓(xùn)練樣本向量；C為隱含層對(duì)應(yīng)的徑向基函數(shù)中心；b1為隱含層神經(jīng)元閾值；ai為第i個(gè)訓(xùn)練樣本下隱含層節(jié)點(diǎn)輸出向量。

4)輸出層神經(jīng)元輸出計(jì)算。將隱含層與輸出層間連接權(quán)值和隱含層輸出節(jié)點(diǎn)向量帶入GRNN神經(jīng)網(wǎng)絡(luò)輸出層的nprod函數(shù),獲得網(wǎng)絡(luò)輸出向量，再將網(wǎng)絡(luò)輸出向量輸入到線性傳遞函數(shù)獲得網(wǎng)絡(luò)輸出。

(6)

式中，ni為網(wǎng)絡(luò)輸出向量；yi為網(wǎng)絡(luò)輸出；W2，1為隱含層與輸出層間連接權(quán)值。

隱含層中神經(jīng)元激活函數(shù)類型選用非線性類高斯函數(shù)；輸出層神經(jīng)元激活函數(shù)設(shè)計(jì)為線性函數(shù)；連接權(quán)值和閾值完全由神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入矩陣和輸出矩陣唯一決定；學(xué)習(xí)速率和期望誤差為網(wǎng)絡(luò)默認(rèn)值。

3.2 PCA-GRNN建模

查閱磨煤機(jī)設(shè)備故障案例及磨煤機(jī)運(yùn)行機(jī)理，初選磨煤機(jī)磨碗上下差壓、磨煤機(jī)瞬時(shí)進(jìn)煤量、磨煤機(jī)進(jìn)口一次風(fēng)量、磨煤機(jī)進(jìn)口風(fēng)壓和進(jìn)口風(fēng)溫、磨煤機(jī)出口壓力和風(fēng)粉溫度、冷一次風(fēng)擋板開度、熱一次風(fēng)擋板開度及磨煤機(jī)動(dòng)態(tài)分離器頻率等參數(shù)作為影響磨煤機(jī)運(yùn)行安全性的因素。然而，磨煤機(jī)運(yùn)行安全性的影響參數(shù)繁多，極大增加了建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型的難度。傳統(tǒng)的磨煤機(jī)安全性評(píng)估方法為聘請(qǐng)鍋爐安全性評(píng)價(jià)專家對(duì)磨煤機(jī)設(shè)備的歷史運(yùn)行數(shù)據(jù)評(píng)分，滯后性強(qiáng)，對(duì)安全性專家依賴性強(qiáng)，無法針對(duì)磨煤機(jī)實(shí)時(shí)運(yùn)行數(shù)據(jù)及時(shí)評(píng)判。基于GRNN人工神經(jīng)網(wǎng)絡(luò)強(qiáng)映射能力、良好泛化能力、善于處理“黑箱”問題的能力和PCA快速高效提取主成分的能力，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型。

由主成分分析可以看出，主成分F1、F2及F3已最大程度地代替全部成分信息，以主成分為磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型輸入?yún)?shù)，對(duì)應(yīng)的歷史專家評(píng)分為安全性預(yù)測(cè)模型輸出參數(shù)。GRNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法采用“留一法”，首先，取出1組樣本，用剩余樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將取出樣本作為測(cè)試樣本，用于測(cè)試網(wǎng)絡(luò)性能；其次，將取出的樣本放回原樣本數(shù)據(jù)，取出另1組樣本，再用其余樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，再對(duì)取出樣本測(cè)試網(wǎng)絡(luò)性能，如此往復(fù)，直至所有樣本均能完成1次訓(xùn)練和預(yù)測(cè)。相比“二分法”，“留一法”能有效提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能。基于GRNN和PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型如圖4所示。

圖4 基于GRNN與PCA-GRNN神經(jīng)網(wǎng)絡(luò)磨煤機(jī)運(yùn)行評(píng)估預(yù)測(cè)模型Fig.4 Prediction models of coal mill operation evaluation based on GRNN and PCA-GRNN neural network

3.3 PCA-GRNN模型預(yù)測(cè)

表1為原始數(shù)據(jù)，前10列數(shù)據(jù)表示影響磨煤機(jī)安全性的因素，基于表1數(shù)據(jù)獲取主成分，并將其作為PCA-GRNN神經(jīng)網(wǎng)絡(luò)輸入變量，最后一列數(shù)據(jù)代表相應(yīng)的歷史專家評(píng)分，將其作為神經(jīng)網(wǎng)絡(luò)輸出變量。先將輸入數(shù)據(jù)和輸出數(shù)據(jù)標(biāo)準(zhǔn)化，消除參數(shù)量綱對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的影響，神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點(diǎn)為3，輸出層神經(jīng)元節(jié)點(diǎn)為1，隱含層輸出節(jié)點(diǎn)采用Gaussian函數(shù)，輸出層輸出節(jié)點(diǎn)采用Purelin函數(shù)。

為更好驗(yàn)證PCA-GRNN神經(jīng)網(wǎng)絡(luò)所建立的磨煤機(jī)安全性預(yù)測(cè)模型的有效性，采用PCA-BP神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)時(shí)，設(shè)置隱含層層數(shù)為2，其節(jié)點(diǎn)數(shù)分別設(shè)置為8和4，隱含層激活函數(shù)分別采用Tansig函數(shù)和Purelin函數(shù)；輸出層函數(shù)采用Trainlm函數(shù)；學(xué)習(xí)速率設(shè)為0.9；選取表1第1～190組樣本作為訓(xùn)練樣本，第191～200組樣本作為檢驗(yàn)樣本，用于測(cè)試BP神經(jīng)網(wǎng)絡(luò)性能。

基于PCA-GRNN和GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性評(píng)估預(yù)測(cè)結(jié)果如圖5所示。

圖5 基于PCA-GRNN和GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性評(píng)估預(yù)測(cè)結(jié)果Fig.5 Pridiction results of coal mill operation safety evaluation based on PCA-GRNN and GRNN neural network

由圖5 (a)和5(b)可知，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)模型建立的磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型，極少數(shù)測(cè)試樣本評(píng)分預(yù)測(cè)值與專家歷史評(píng)分實(shí)際值間殘差平方和高于0.5(重合程度較大)，基于GRNN神經(jīng)網(wǎng)絡(luò)建立的磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型，多數(shù)測(cè)試樣本評(píng)分預(yù)測(cè)值與專家歷史評(píng)分實(shí)際值間殘差平方和高于0.5(重合程度較小)。采用“留一法”設(shè)計(jì)GRNN神經(jīng)網(wǎng)絡(luò)，所有樣本均有一次機(jī)會(huì)作為測(cè)試樣本用以檢驗(yàn)GRNN神經(jīng)網(wǎng)絡(luò)性能，因此，測(cè)試樣本為整個(gè)磨煤機(jī)設(shè)備運(yùn)行安全性樣本。

圖5(c)表示基于PCA-GRNN和GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型預(yù)測(cè)值與歷史評(píng)分實(shí)際值間絕對(duì)誤差。采用基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型對(duì)磨煤機(jī)安全性進(jìn)行預(yù)測(cè)時(shí)，大部分測(cè)試樣本的安全性預(yù)測(cè)值與實(shí)際值間絕對(duì)誤差維持在±0.2，極少數(shù)測(cè)試樣本的安全性預(yù)測(cè)值與實(shí)際值間絕對(duì)誤差超過0.5；基于GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型獲得的磨煤機(jī)安全性預(yù)測(cè)值與實(shí)際值間絕對(duì)誤差明顯高于基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性評(píng)估預(yù)測(cè)模型得到的磨煤機(jī)安全性預(yù)測(cè)值與實(shí)際值的絕對(duì)誤差。經(jīng)計(jì)算，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差不超過3%，基于GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差達(dá)4.2%，結(jié)果表明：基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型效果優(yōu)于GRNN神經(jīng)網(wǎng)絡(luò)磨煤機(jī)安全性預(yù)測(cè)模型。

基于BP和PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)值與實(shí)際值對(duì)比情況如圖6所示。BP神經(jīng)網(wǎng)絡(luò)采用反向誤差傳播不斷調(diào)節(jié)網(wǎng)絡(luò)閾值和權(quán)值，促使網(wǎng)絡(luò)具有較強(qiáng)非線性映射能力，第1～190組訓(xùn)練樣本BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和實(shí)際值完全重合。而針對(duì)第191～200組測(cè)試樣本，PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)值與實(shí)際值更接近。

圖6 運(yùn)行安全性預(yù)測(cè)值與真實(shí)值對(duì)比Fig.6 Comparison of predicted value and real value of coal mill operation safety

PCA-BP與BP預(yù)測(cè)模型誤差對(duì)比如圖7所示。由圖7可知，采用BP網(wǎng)絡(luò)訓(xùn)練和PCA-BP網(wǎng)絡(luò)訓(xùn)練均使訓(xùn)練樣本預(yù)測(cè)值與實(shí)際值絕對(duì)誤差為0，由測(cè)試樣本可知，基于PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型獲得的預(yù)測(cè)誤差小于基于BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型得到的預(yù)測(cè)誤差。經(jīng)計(jì)算,基于PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型獲得的平均相對(duì)誤差達(dá)2.7%，基于BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型得到的平均相對(duì)誤差達(dá)5.7%。表明基于PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型性能優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型性能。

圖7 PCA-BP與BP預(yù)測(cè)模型誤差對(duì)比Fig.7 Comparison of errors between PCA-BP and BP prediction models

筆者分別采用BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)、PCA-GRNN網(wǎng)絡(luò)和PCA-BP神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型，各預(yù)測(cè)模型所消耗時(shí)間成本如下：BP模型0.90 s；PCA-BP模型1.82 s；GRNN模型0.35 s；PCA-GRNN模型1.27 s。由于引入PCA技術(shù)，基于BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)建立的磨煤機(jī)安全性預(yù)測(cè)模型耗時(shí)成本低于其他2類預(yù)測(cè)模型耗時(shí)成本?；赑CA-BP神經(jīng)網(wǎng)絡(luò)建立的磨煤機(jī)安全性預(yù)測(cè)模型消耗的時(shí)間成本高于基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型耗費(fèi)的時(shí)間成本。

為比較PCA-GRNN和PCA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能，選取第191～200組樣本測(cè)試2個(gè)預(yù)測(cè)模型性能，預(yù)測(cè)結(jié)果見表3，由表3可知，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立的磨煤機(jī)安全性預(yù)測(cè)模型獲得的平均相對(duì)誤差為0.95%，遠(yuǎn)小于基于PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型得到的平均相對(duì)誤差。綜上所述，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型優(yōu)于基于PCA-BP、BP和GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型。

表3 PCA-GRNN和PCA-BP預(yù)測(cè)模型相對(duì)誤差Table 3 Relative errors of PCA-GRNN and PCA-BP prediction models

4 結(jié) 論

1)采用PCA對(duì)影響磨煤機(jī)安全性的眾多變量進(jìn)行有效降維，將原始高維相關(guān)變量轉(zhuǎn)換為低維不相關(guān)變量。由PCA結(jié)果知，PCA提取3個(gè)主成分F1、F2及F3的方差貢獻(xiàn)率達(dá)96.55%，以F1、F2及F3代替原來眾多變量，在保留大部分原始信息的基礎(chǔ)上，簡(jiǎn)化樣本數(shù)據(jù)結(jié)構(gòu)。

2) 基于PCA-GRNN和GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型?；赑CA-GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差不超過3%，基于GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差達(dá)4.2%，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型優(yōu)于采用GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)性能預(yù)測(cè)模型。

3) 在相同測(cè)試樣本條件下，基于PCA-BP、BP和PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型。基于PCA-BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差不超過2.7%，基于BP神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差達(dá)到5.7%，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)的磨煤機(jī)安全性預(yù)測(cè)模型平均相對(duì)誤差不超過0.95%，基于PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立的磨煤機(jī)安全性預(yù)測(cè)模型優(yōu)于采用PCA-BP、BP神經(jīng)網(wǎng)絡(luò)建立的磨煤機(jī)安全性預(yù)測(cè)模型。

4) 采用PCA-GRNN神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型耗費(fèi)的時(shí)間成本低于采用PCA-BP神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)安全性預(yù)測(cè)模型耗費(fèi)的時(shí)間成本。