基于ISAE的磨煤機(jī)故障預(yù)測(cè)與診斷方法研究

孫同敏

(國(guó)電內(nèi)蒙古東勝熱電有限公司，內(nèi)蒙古 東勝 017000)

磨煤機(jī)是燃煤機(jī)組的重要輔助設(shè)備之一，其運(yùn)行狀況直接關(guān)系到機(jī)組的安全穩(wěn)定運(yùn)行。磨煤機(jī)故障會(huì)給火力發(fā)電企業(yè)造成巨大的經(jīng)濟(jì)損失，降低電力系統(tǒng)的安全性和穩(wěn)定性。通過(guò)對(duì)磨煤機(jī)的有效故障預(yù)警和診斷來(lái)保證火電廠的正常運(yùn)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(hào)以及基于歷史運(yùn)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(jī)的數(shù)學(xué)模型。Odgaard[3]使用簡(jiǎn)化的能量平衡方程來(lái)監(jiān)測(cè)和診斷磨煤機(jī)中的異常能量流。Andersen[4]設(shè)計(jì)了卡爾曼濾波器來(lái)估計(jì)進(jìn)入和存在于磨煤機(jī)中煤的水分，以確定磨煤機(jī)中的能量是否處于正常狀態(tài)?；谀Ｐ偷墓收显\斷方法通過(guò)分析實(shí)際對(duì)象的數(shù)學(xué)模型進(jìn)行故障診斷，物理意義是明確的。但在實(shí)際應(yīng)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(jī)運(yùn)行過(guò)程中，許多高頻信號(hào)會(huì)發(fā)生變化，如磨煤機(jī)電流、一次風(fēng)差壓等。文獻(xiàn)[8]通過(guò)對(duì)磨煤機(jī)的振動(dòng)信號(hào)進(jìn)行小波分析并將其轉(zhuǎn)換為能量振幅，來(lái)發(fā)現(xiàn)磨煤機(jī)故障與振動(dòng)信號(hào)之間的關(guān)系。Collura[9]利用模型識(shí)別和信號(hào)處理技術(shù)，開發(fā)了基于煤粉細(xì)度實(shí)時(shí)檢測(cè)的磨煤機(jī)性能監(jiān)控工具?；谛盘?hào)的故障診斷方法不需要建立復(fù)雜的對(duì)象模型，通過(guò)對(duì)收集的數(shù)據(jù)進(jìn)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(lái)收集信號(hào)，會(huì)提高實(shí)施和維護(hù)成本。

基于歷史運(yùn)行數(shù)據(jù)的故障診斷主要是通過(guò)分析正常運(yùn)行數(shù)據(jù)和故障運(yùn)行數(shù)據(jù)之間的差異來(lái)確定磨煤機(jī)的健康狀態(tài)。文獻(xiàn)[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(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了磨煤機(jī)的三種故障識(shí)別。文獻(xiàn)[11]利用磨煤機(jī)的異常運(yùn)行數(shù)據(jù)建立專家系統(tǒng)，通過(guò)比較模型輸出和專家系統(tǒng)的趨勢(shì)來(lái)確定磨煤機(jī)的運(yùn)行狀態(tài)?；跀?shù)據(jù)的故障分析方法是一種數(shù)據(jù)驅(qū)動(dòng)的方法，即使是不熟悉系統(tǒng)的研究人員也可以使用相關(guān)算法進(jìn)行分析。但火電機(jī)組海量歷史運(yùn)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(shí)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(jī)故障診斷中進(jìn)行應(yīng)用各有優(yōu)缺點(diǎn)，單獨(dú)應(yīng)用某種方法難以在磨煤機(jī)故障診斷中取得良好的應(yīng)用效果。基于此，本文提出了一種基于模型的數(shù)據(jù)驅(qū)動(dòng)故障診斷方法，首先，在簡(jiǎn)化磨煤機(jī)機(jī)理模型基礎(chǔ)上，通過(guò)分析磨煤機(jī)的故障原理，模擬磨煤機(jī)的故障運(yùn)行狀態(tài)，得到了磨煤機(jī)的大量故障數(shù)據(jù)。隨后，基于深度學(xué)習(xí)理論，建立了堆疊式自動(dòng)編碼器(stacked auto-encoder)多層神經(jīng)網(wǎng)絡(luò)，并通過(guò)引入稀疏約束對(duì)算法加以改進(jìn)，最后將得到的故障模擬數(shù)據(jù)送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。所建立的網(wǎng)絡(luò)能夠準(zhǔn)確地學(xué)習(xí)各種故障的本質(zhì)特征，大大提高磨煤機(jī)故障診斷的準(zhǔn)確性，同時(shí)也可以為運(yùn)行人員提供故障預(yù)警，從而保障火電廠的安全運(yùn)行。

1 磨煤機(jī)系統(tǒng)數(shù)學(xué)模型

本文以MPS180-HP-Ⅱ型中速磨煤機(jī)制粉系統(tǒng)作為研究對(duì)象，具體的研究工作基于文獻(xiàn)[14]所建立的數(shù)學(xué)模型基礎(chǔ)上進(jìn)行，該文基于質(zhì)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(shí)別的模型參數(shù)，其值見表1。

2 基于模型的磨煤機(jī)故障仿真

本文基于簡(jiǎn)化的磨煤機(jī)模型，通過(guò)對(duì)其故障機(jī)理的分析，模擬了三種典型的磨煤機(jī)故障(斷煤、堵煤和自燃)。為了保證仿真實(shí)驗(yàn)在閉環(huán)調(diào)節(jié)下進(jìn)行，使得仿真實(shí)驗(yàn)得到的故障數(shù)據(jù)能夠更加接近磨煤機(jī)的實(shí)際運(yùn)行狀態(tài)?；跀U(kuò)展?fàn)顟B(tài)空間預(yù)測(cè)控制器(Model Predictive Controller Based State Space，SMPC)設(shè)計(jì)了如圖1所示的控制方案，SMPC具有對(duì)模型精度要求較低、魯棒性強(qiáng)和運(yùn)算效率高等優(yōu)點(diǎn)[15]，其進(jìn)一步降低了整個(gè)診斷系統(tǒng)對(duì)機(jī)理模型精度的要求，同時(shí)也為工程實(shí)際在線診斷打下基礎(chǔ)。SMPC控制器參數(shù)見表2。

圖1 磨煤機(jī)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(guò)程如下，在磨煤機(jī)穩(wěn)定運(yùn)行時(shí)，在給煤量控制回路(控制量)上疊加一個(gè)負(fù)階躍信號(hào)，使進(jìn)入磨煤機(jī)的煤量快速減少到0。通過(guò)調(diào)整模型設(shè)定值使模型在其他工況下運(yùn)行，并重復(fù)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(yàn)證斷煤模擬實(shí)驗(yàn)的有效性，選擇在斷煤過(guò)程中變化顯著以及快速的變量(磨煤機(jī)出口煤粉流量、磨煤機(jī)出口溫度、磨煤機(jī)電流、一次風(fēng)壓差)，任意選取一組實(shí)驗(yàn)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(jìn)入磨煤機(jī)的煤量，進(jìn)而減少磨煤機(jī)的出口煤粉流量。同時(shí)，磨煤機(jī)入口一次風(fēng)流經(jīng)磨煤機(jī)的熱量消耗減少，導(dǎo)致磨煤機(jī)出口溫度呈上升趨勢(shì)，然后冷風(fēng)門迅速打開，熱風(fēng)門配合關(guān)小，從而使磨煤機(jī)出口溫度下降，因?yàn)槔滹L(fēng)門動(dòng)作較快，熱風(fēng)門動(dòng)作較慢，一次風(fēng)流量升高后下降，磨煤機(jī)差壓隨之有小幅增大然后降低。儲(chǔ)存在磨煤機(jī)中煤量的減少導(dǎo)致磨煤機(jī)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(jī)斷煤故障模擬

為進(jìn)一步驗(yàn)證故障模擬的有效性，以內(nèi)蒙古東勝電廠MPS型中速磨煤機(jī)為例，結(jié)合電廠運(yùn)行記錄，從磨煤機(jī)的歷史運(yùn)行數(shù)據(jù)獲得了某次斷煤的故障數(shù)據(jù)集，并繪制關(guān)鍵變量的變化曲線如圖3所示。從圖3可知，當(dāng)發(fā)生斷煤故障時(shí)，磨煤機(jī)的出口溫度升高，磨煤機(jī)的電流降低，一次風(fēng)差壓略有升高后降低。變化趨勢(shì)與本文故障模擬的結(jié)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(jī)斷煤實(shí)際故障數(shù)據(jù)

2.2 堵煤故障模擬

磨煤機(jī)堵煤模擬即在給煤量控制回路的設(shè)定值上疊加一個(gè)正階躍信號(hào)，使磨煤機(jī)內(nèi)的原煤存儲(chǔ)量迅速達(dá)到上限(上限設(shè)定為60kg)。同樣隨機(jī)選擇一組實(shí)驗(yàn)數(shù)據(jù)的結(jié)果繪制相關(guān)變量(磨內(nèi)原煤量、磨煤機(jī)電流、一次風(fēng)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(jī)出口煤粉流量設(shè)定值突然增大，導(dǎo)致磨煤機(jī)內(nèi)原煤量持續(xù)上升，磨煤機(jī)內(nèi)阻力增大，導(dǎo)致一次風(fēng)差壓增大。同時(shí)，磨煤機(jī)的工作負(fù)荷也相應(yīng)增加，使得磨煤機(jī)的電流也隨之增加。當(dāng)原煤的存量達(dá)到一定程度時(shí)，研磨效率顯著下降，從而降低了磨煤機(jī)的電流。直到磨煤機(jī)內(nèi)原煤量達(dá)到上限，磨煤機(jī)出口煤粉流量降至0，此時(shí)一次風(fēng)管堵塞，煤粉無(wú)法吹出。

圖4 磨煤機(jī)堵煤故障模擬

2.3 自燃故障模擬

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

圖5 磨煤機(jī)自燃故障模擬

從圖5中可知，發(fā)生自燃故障時(shí)，為降低磨出口溫度，冷風(fēng)門迅速開大，直至100%開度，熱風(fēng)門配合開小。但可以看到磨出口溫度降低幅度其實(shí)有限，實(shí)際上當(dāng)磨自燃故障嚴(yán)重時(shí)，僅靠冷風(fēng)門調(diào)節(jié)是不夠的。因?yàn)槔滹L(fēng)門動(dòng)作比熱風(fēng)門快，一次風(fēng)流量先上升，從而磨出口煤粉量上升，當(dāng)冷風(fēng)門開度到達(dá)限值時(shí)，熱風(fēng)門繼續(xù)關(guān)小使一次風(fēng)量下降，磨出口煤粉流量隨即下降。而自燃不影響煤碾磨過(guò)程，磨煤機(jī)電流、一次風(fēng)差壓變化較小。

3 基于改進(jìn)堆疊自動(dòng)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(diào)用simulink模型形式自動(dòng)循環(huán)進(jìn)行模擬實(shí)驗(yàn)(不同工況點(diǎn))，獲得4種數(shù)據(jù)樣本(磨煤機(jī)斷煤、堵煤、自燃以及正常狀態(tài))共8000組實(shí)驗(yàn)數(shù)據(jù)。為了便于訓(xùn)練深度學(xué)習(xí)模型，對(duì)這四種狀態(tài)進(jìn)行了標(biāo)簽處理，見表3。將8000組數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)(表4)，并進(jìn)行了兩組實(shí)驗(yàn)。

表3 磨煤機(jī)故障標(biāo)簽定義

表4 仿真實(shí)驗(yàn)數(shù)據(jù)劃分

3.2 改進(jìn)堆疊自動(dòng)編碼器模型

式中，等號(hào)右側(cè)第一部分為重構(gòu)誤差，第二部分為正則化項(xiàng)，λ為正則化系數(shù)，用來(lái)抑制過(guò)擬合現(xiàn)象，通過(guò)式(3)獲取神經(jīng)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(dòng)編碼器的損失函數(shù)后，接下來(lái)利用BP反向傳播算法求得其偏導(dǎo)數(shù)。在一個(gè)三層稀疏自編碼機(jī)中，其隱藏層和輸出層節(jié)點(diǎn)的誤差計(jì)算為：

隨后利用梯度下降法求得優(yōu)化更新后的權(quán)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(jié)構(gòu)圖如圖6所示，ISAE即SAE在進(jìn)行無(wú)監(jiān)督訓(xùn)練和微調(diào)訓(xùn)練 時(shí)，損失函數(shù)加入KL散度。

圖6 SAE模型結(jié)構(gòu)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(shí)別的準(zhǔn)確率。在文獻(xiàn)[17，18]中，通過(guò)優(yōu)化模型參數(shù)，如輸入層和隱藏層節(jié)點(diǎn)數(shù)、稀疏參數(shù)和網(wǎng)絡(luò)訓(xùn)練次數(shù)等，ISAE的無(wú)監(jiān)督學(xué)習(xí)效果得到有效提高。根據(jù)第2節(jié)的分析，磨煤機(jī)故障期間顯著變化的變量包括一次風(fēng)差壓、磨煤機(jī)出口溫度和磨煤機(jī)電流，因此選擇這三個(gè)變量作為ISAE模型的輸入節(jié)點(diǎn)。以實(shí)驗(yàn)1的訓(xùn)練數(shù)據(jù)為樣本進(jìn)行相關(guān)實(shí)驗(yàn)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(gòu)誤差，即為式(2)右側(cè)第一部分。實(shí)驗(yàn)結(jié)果如圖7—圖9所示。

圖7 輸入層節(jié)點(diǎn)對(duì)無(wú)監(jiān)督重構(gòu)誤差的影響

圖8 隱藏層節(jié)點(diǎn)對(duì)無(wú)監(jiān)督重構(gòu)誤差的影響

圖9 稀疏因子對(duì)無(wú)監(jiān)督重構(gòu)誤差的影響

當(dāng)輸入層中的節(jié)點(diǎn)數(shù)量較大時(shí)，ISAE模型可以從數(shù)據(jù)中學(xué)習(xí)到更多特征信息。但為兼顧計(jì)算效率，輸入層節(jié)點(diǎn)數(shù)不能任意增加。從圖7可知，當(dāng)輸入層節(jié)點(diǎn)數(shù)(即數(shù)據(jù)時(shí)序長(zhǎng)度)從40增加到110時(shí)，網(wǎng)絡(luò)的重構(gòu)誤差不斷減小。此后隨著輸入節(jié)點(diǎn)數(shù)進(jìn)一步增加重建誤差基本保持不變。使用第一層ISAE進(jìn)行實(shí)驗(yàn)，在確定最優(yōu)輸入節(jié)點(diǎn)(120)后，通過(guò)實(shí)驗(yàn)分析繼續(xù)確定合適的隱藏層參數(shù)。如圖8所示，當(dāng)隱藏層節(jié)點(diǎn)數(shù)小于輸入層節(jié)點(diǎn)數(shù)時(shí)，重構(gòu)誤差在一個(gè)小范圍內(nèi)波動(dòng)，即隱藏層節(jié)點(diǎn)數(shù)較少時(shí)，原始數(shù)據(jù)可以獲得較好的壓縮效果，有利于網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)特征。在兼顧網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性和計(jì)算效率基礎(chǔ)上，將隱藏層數(shù)設(shè)置為3層，每層節(jié)點(diǎn)數(shù)分別為100、60和30。圖9表明，當(dāng)ρ的值在0.05和0.15之間時(shí)，網(wǎng)絡(luò)的重構(gòu)誤差繼續(xù)減小，表明對(duì)神經(jīng)元的抑制作用是適當(dāng)?shù)?。隨著ρ值的增大，對(duì)神經(jīng)元的抑制作用過(guò)大，重構(gòu)誤差迅速增大。

結(jié)合上述分析，ISAE模型的關(guān)鍵參數(shù)見表5。輸入層節(jié)點(diǎn)分配見表6，各節(jié)點(diǎn)均為每次故障模擬所得數(shù)據(jù)經(jīng)分時(shí)截?cái)喽?，即在故障模擬整個(gè)過(guò)程中，各變量分別截取前40時(shí)刻的故障數(shù)據(jù)，本文模型采樣時(shí)間為1s。

表5 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和超參數(shù)

表6 輸入節(jié)點(diǎn)分配

4 仿真驗(yàn)證

在確定ISAE的參數(shù)后，用故障模擬實(shí)驗(yàn)得到的訓(xùn)練數(shù)據(jù)對(duì)ISAE網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后將測(cè)試數(shù)據(jù)送入網(wǎng)絡(luò)，測(cè)試ISAE模型的故障識(shí)別結(jié)果，如圖10所示，實(shí)驗(yàn)1的故障識(shí)別準(zhǔn)確率為94.6%。仿真結(jié)果表明，在260組測(cè)試樣本中，誤診斷的樣本絕大多數(shù)來(lái)自正常運(yùn)行數(shù)據(jù)。兩組正常運(yùn)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(shí)驗(yàn)結(jié)果，選取某組被誤診的測(cè)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(shí)期的一次風(fēng)壓差減小(先略有上升)、磨煤機(jī)出口溫度升高、磨煤機(jī)電流減小。這些趨勢(shì)與發(fā)生斷煤故障時(shí)磨煤機(jī)的特征一致。因此，當(dāng)正常運(yùn)行樣本不足時(shí)，ISAE無(wú)法充分判別兩種類型數(shù)據(jù)之間的差異，并將正常運(yùn)行數(shù)據(jù)錯(cuò)誤地診斷為斷煤故障。

圖10 實(shí)驗(yàn)1測(cè)試數(shù)據(jù)故障識(shí)別結(jié)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(shì)與煤堵(一次風(fēng)壓差上升、磨煤機(jī)出口溫度下降、磨煤機(jī)電流下降(故障后半段趨勢(shì)))的特點(diǎn)相似。因此，ISAE可能會(huì)將正常運(yùn)行數(shù)據(jù)錯(cuò)誤地診斷為堵煤故障。為了提高ISAE故障診斷的準(zhǔn)確性，將正常運(yùn)行的訓(xùn)練樣本增加到2000組，并再次進(jìn)行實(shí)驗(yàn)(實(shí)驗(yàn)2)。圖8顯示，盡管仍存在部分誤診，但I(xiàn)SAE的故障診斷準(zhǔn)確率已提高到98.46%。因此，如果訓(xùn)練樣本繼續(xù)增加，理論上ISAE的最終診斷準(zhǔn)確率將接近100%。

圖12 實(shí)驗(yàn)二測(cè)試數(shù)據(jù)故障識(shí)別結(jié)果

為了說(shuō)明改進(jìn)算法的有效性，比較了算法改進(jìn)前后以及深度BP(網(wǎng)路結(jié)構(gòu)與ISAE一致)、支持向量機(jī)(SVM)的故障診斷準(zhǔn)確率。訓(xùn)練和測(cè)試樣本來(lái)自實(shí)驗(yàn)2中的數(shù)據(jù)，對(duì)比結(jié)果見表7(取測(cè)試20次的平均結(jié)果)。從表中可知，加入稀疏約束后，算法效率得到了提升，同時(shí)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(jié)果上，具有更高準(zhǔn)確率。

表7 不同算法故障診斷對(duì)比

磨煤機(jī)是大時(shí)延系統(tǒng)，通過(guò)檢測(cè)磨煤機(jī)出口煤粉流量的變化來(lái)發(fā)現(xiàn)磨煤機(jī)運(yùn)行故障，往往不能建立有效的預(yù)警。通過(guò)實(shí)時(shí)監(jiān)測(cè)一次風(fēng)差壓、磨煤機(jī)出口溫度、磨煤機(jī)電流這三種快速變化信號(hào)，訓(xùn)練好的ISAE可以提前發(fā)現(xiàn)磨煤機(jī)運(yùn)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(jī)的出口煤粉流量在110s內(nèi)降至0，而ISAE的輸出在75s內(nèi)從正常運(yùn)行狀態(tài)跳至斷煤故障，網(wǎng)絡(luò)提前35s預(yù)測(cè)磨煤機(jī)故障。隨著SMPC控制器的調(diào)整，磨煤機(jī)出口煤粉流量逐漸上升，并在160s內(nèi)回到安全范圍內(nèi)，此時(shí)故障診斷的結(jié)果恢復(fù)正常。因此，基于深度學(xué)習(xí)的故障識(shí)別方法可以在磨煤機(jī)故障診斷中發(fā)揮重要作用。

圖13 算法故障預(yù)警效果

5 結(jié) 語(yǔ)

針對(duì)磨煤機(jī)的故障診斷問(wèn)題，本文提出了一種基于模型的深度學(xué)習(xí)算法，很好地結(jié)合了兩種故障診斷方法的優(yōu)勢(shì)。基于磨煤機(jī)的簡(jiǎn)化機(jī)理模型，以SMPC為控制器構(gòu)建了閉環(huán)仿真系統(tǒng)，以最接近于系統(tǒng)實(shí)際運(yùn)行情況下，對(duì)磨煤機(jī)的斷煤、堵煤以及自燃故障進(jìn)行模擬仿真，得到了大量故障數(shù)據(jù)，解決了實(shí)際火電廠運(yùn)行中磨煤機(jī)故障數(shù)據(jù)集不足以及難以整理提取的問(wèn)題。通過(guò)對(duì)深度網(wǎng)絡(luò)引入稀疏約束改進(jìn)了SAE的性能，提高了對(duì)磨煤機(jī)故障數(shù)據(jù)本質(zhì)特征的提取能力，同時(shí)探索了超參數(shù)的調(diào)整規(guī)律，確定了最優(yōu)的網(wǎng)絡(luò)參數(shù)，最終在參數(shù)一致的情況下，與深度BP、未改進(jìn)的SAE相比，診斷準(zhǔn)確率更高。同時(shí)ISAE選取能快速響應(yīng)磨煤機(jī)故障的變量作為輸入訓(xùn)練網(wǎng)絡(luò)，在準(zhǔn)確診斷磨煤機(jī)故障的同時(shí)達(dá)到了磨煤機(jī)故障預(yù)警的效果，以斷煤故障為例，ISAE能提前35s預(yù)測(cè)磨煤機(jī)故障。所提出的方法大大提高了磨煤機(jī)故障診斷的準(zhǔn)確性，對(duì)確保電廠的安全運(yùn)行具有重要意義。