基于回聲狀態網絡的磨煤機故障預警

張 進

(北京國電智深控制技術有限公司， 北京 102211)

在現代化工業技術的迅速發展下，火電設備不斷走向大型化、集成化和自動化[1]。磨煤機作為火電機組重要的輔機之一，是電站鍋爐制粉系統的核心設備，其運行狀況直接影響鍋爐的穩定運行[2]。電廠的總體性能和可靠性在很大程度上取決于機組的停機時間。如果沒有煤粉用于燃燒，則會導致設備降負荷甚至停機。電廠無法產生電網所需的功率時，會導致經濟損失，并影響電網信譽[3]。磨煤機運行在惡劣環境中時，會經常出現故障。目前，電廠為了保證穩定性與經濟性，仍然主要采用計劃檢修。然而，傳統的檢修模式很難實現全面的狀態監測和及時的故障預警，無法滿足現代電力發展要求，磨煤機過高的運行負荷和故障率已然成為引人關注的問題[4]。因此，對磨煤機進行狀態檢測及故障預警對維持機組正常運行具有重要意義。

磨煤機的運行參數是典型的分布參數，具有很強的非線性和耦合性，對其系統動態特性進行研究具有很高的難度[5]。隨著人工智能及神經網絡技術的快速發展，設備運行監測與故障預警領域出現了新的研究熱點，即基于數據驅動的建模方法逐漸優化和替代傳統的建模方法，通過選取有效的設備特征參數作為神經網絡訓練的輸入與輸出數據，建立輸入數據到參考輸出數據之間的非線性映射關系。訓練后的網絡模型可用于設備的狀態監測，并通過網絡輸出與實際輸出的殘差序列判斷設備的運行狀態，實現故障預警。

然而，傳統的前饋神經網絡算法具有結構復雜，容易陷入局部最優、收斂速度慢等問題，并且傳統的前饋神經網絡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網絡在實際工程應用中的表現。傳統遞歸神經網絡如循環神經網絡(RNN)及長短期記憶網絡(LSTM)都具有較好的時間序列學習能力，但其結構太過復雜且權值參數過多，導致采用梯度下降法學習的收斂速度很慢。減少隱含層的層數和節點數可以加快訓練速度，卻也影響了網絡的使用效果。

JAEGER H[6]在2001年提出回聲狀態網絡(ESN)，ESN是一種全新結構的遞歸神經網絡，具有良好的短期記憶能力、快速的學習能力和強大的非線性擬合能力。ESN有一個具有許多稀疏神經元的儲存池結構，在初始化之后，不調整輸入層權值及儲存池神經元間的權值，僅通過調整輸出層權值來進行訓練。劉穎等[7]通過改進的ESN實現高爐煤氣生成量的預測。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的負荷預測算法，能夠獲得比傳統的前饋神經網絡更準確的預測結果。

筆者提出了基于ESN的磨煤機斷煤故障預警方法，利用ESN建立磨煤機正常運行模型，通過比較網絡輸出數據與實際輸出數據得到殘差，再通過小波分解分析殘差實現磨煤機的斷煤故障預警。

1 磨煤機斷煤故障分析

1.1 運行參數

1.1.1 出口一次風溫度

磨煤機出口一次風溫度是監測磨煤機運行狀況的重要參數，可反映磨煤機的干燥能力。過高的溫度可能導致爆炸；過低的溫度會影響煤粉的干燥，導致燃燒效率降低。磨煤機出口一次風溫度主要受風煤比及原煤水分含量的影響：風煤比越大，干燥能力越強，出口一次風溫度越高；原煤水分含量越高，需要的干燥風越多，出口一次風溫度越低。

1.1.2 一次風進出口壓差

磨煤機存煤量影響了磨煤機工作的經濟性，也是影響磨煤機安全的重要參數，常用磨煤機進出口壓差來表征和控制[10]。在一次風流量不變的情況下，磨煤機存煤量越多，一次風的流通阻力越大，出口一次風壓力越低，一次風進出口壓差越大。

1.2 斷煤故障分析

磨煤機發生少煤或斷煤故障時，磨煤機一次風進出口壓差隨即降低，少量的濕煤無法吸收一次風帶來的過多熱量，導致磨煤機出口一次風溫度升高，磨煤機一次風進出口溫差降低，熱一次風門將自動關小，冷一次風門自動開大。由于磨輥和磨盤直接接觸，金屬間發生摩擦并使磨煤機出現機械振動[11]。

煤質對斷煤的影響主要是原煤水分含量過高有可能導致落煤管堵塞，筆者通過部分輸入輸出特性來實現斷煤故障的預警，即使沒有煤質數據，也可較好地對斷煤故障進行判斷，而且目前沒有辦法對煤質實現實時監測，因此筆者在本文中不考慮煤質的變化。

1.3 實際數據分析

以某330 MW火電機組磨煤機為研究對象，圖1為該磨煤機發生斷煤故障時相關參數的變化趨勢。

圖1 磨煤機斷煤故障中各參數變化趨勢

由圖1可見：磨煤機發生斷煤故障時，磨煤機電流下降，出口一次風溫度升高，熱一次風門開度降低，冷一次風門開度增大，一次風流量先升高再降低，給煤量降低。

2 ESN算法模型

2.1 網絡結構

ESN由輸入層、儲存池、輸出層組成，其網絡結構見圖2。

Win—輸入層到儲存池連接的權值矩陣；W—儲存池內部神經元連接的權值矩陣；Wback—輸出層到儲存池連接的權值矩陣；Wout—儲存池到輸出層連接的權值矩陣。

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

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分別為儲存池神經元和輸出層的激活函數，一般選擇tanhx=(e2x-1)/(e2x+1)。在ESN中，Win、W、Wback均為訓練前隨機生成并且不再進行調整，Wout是唯一需要進行更新的矩陣。

2.2 主要參數

ESN的核心特點在于儲存池，因此儲存池的參數選擇對網絡的性能有很大的影響[12]。儲存池可調整的主要參數有儲存池節點數、譜半徑、稀疏系數、輸入單元尺度。

2.2.1 儲存池節點數

儲存池節點數反映網絡擬合能力，節點越多，預測精度越高；但訓練效率會降低，過多的節點還會導致過擬合現象。

2.2.2 譜半徑

譜半徑是W的最大特征值的絕對值，是影響網絡穩定的重要參數。如何選取譜半徑影響到網絡的穩定性，一般將譜半徑選為0.8～0.9。

2.2.3 稀疏系數

ESN的儲存池神經元之間是稀疏連接的，在一般的神經網絡中，N個神經元全連接的權值總數是N2；而ESN的連接總數遠遠小于N2。

2.2.4 輸入單元尺度

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

2.3 學習過程

2.3.1 網絡初始化

網絡初始化包括各個權值矩陣的初始化和儲存池狀態向量的初始化。Win和Wback為一定范圍隨機值的全連接矩陣；W要滿足網絡穩定性條件，即保證W的譜半徑嚴格小于1。儲存池狀態向量可以設定為初始值全為0的狀態。

2.3.2 更新儲存池狀態向量

將M個樣本的數據進行處理后，根據式(1)更新網絡的儲存池記憶狀態。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 收集狀態向量

由于網絡初始狀態為0狀態，因此儲存池的初期狀態受初始權值矩陣的干擾，不從第1步開始收集，假設從第M0步開始收集儲存池狀態向量組成狀態矩陣S=[X(M0),…,X(M)]T，其中，X(i)=[x(i);u(i)]T，同時收集相應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的磨煤機故障預警

筆者提出一種基于ESN的磨煤機故障預警方法。磨煤機發生斷煤時，其輸出參數會發生明顯的變化，通過分析磨煤機輸出參數的異常變化趨勢即可實現磨煤機的斷煤故障預警。

基于ESN的磨煤機故障預警方法分為2個部分：

(1)離線訓練。離線部分采集磨煤機正常運行的歷史數據，經過預處理后用于訓練ESN模型，利用ESN建立磨煤機正常運行狀態的輸入輸出模型。

(2)在線測試。在線部分將實時的輸入數據經過預處理后送給訓練好的ESN，再用預測輸出數據與實際輸出數據比較得到殘差。當磨煤機發生故障時，磨煤機的實際輸出數據與預測輸出數據將出現較大的偏差，再利用小波分解分析殘差實現故障的提前預警。

圖3為基于ESN的磨煤機故障預警方法的流程圖。

圖3 基于ESN的磨煤機故障預警方法的流程圖

4 結果與分析

4.1 模型訓練

利用測試集數據驗證模型準確性，結果見圖4。以該機組為對象，選取7 000組磨煤機正常運行數據，數據采樣時間為1 s，包含一天中不同時間段。為了方便ESN模型的計算，對數據進行預處理，將不同量綱的數據變換為0～1的標量作為ESN的訓練數據。抽取5 000組數據作為訓練數據，2 000組數據作為測試數據。選擇入口一次風壓力、入口一次風溫度、一次風質量流量、熱一次風門開度、冷一次風門開度、給煤質量流量，磨煤機電流作為輸入數據，磨煤機出口一次風的溫度和壓力作為參考輸出訓練ESN。儲存池節點數為100，稀疏系數為10%，激活函數為tanhx。

圖4 實際值與預測值的對比

由圖4可得：測試數據的預測值與實際值吻合度較好，說明基于ESN建立的模型是準確可靠的。

4.2 獲取殘差數據

選取500組故障數據進行測試，得到預測值與實際值的曲線見圖5和圖6。

圖5 磨煤機出口一次風溫度曲線

圖6 磨煤機出口一次風壓力曲線

由圖5和圖6可得：當磨煤機發生斷煤故障時，磨煤機動態特性發生巨大改變，導致實際值與預測值之間出現極大偏差，可以表征出磨煤機故障。

4.3 小波分解及故障預警

利用小波分解處理殘差，即可實現故障的早期預警，其原理為利用小波分解對殘差進行趨勢提取，通過曲線斜率檢測突變點，正常運行工況下和發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 發生故障工況小波分析圖像

由圖7與圖8可得：當磨煤機發生斷煤故障時，殘差變大，殘差曲線斜率出現異常突變。

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

圖9 電廠實際斷煤信號與故障預警信號對比

5 結語

筆者基于ESN建立了磨煤機正常運行工況的輸入輸出模型，并通過仿真驗證了模型的準確性和泛化性。在此基礎上，通過比較預測輸出數據與實際輸出數據得到了殘差，并通過小波分解殘差實現了磨煤機的故障預警。仿真結果表明：基于ESN的磨煤機故障預警方法輸出的故障預警信號能夠稍微提前于電廠的實際斷煤信號，可以實現故障的早期預警。