基于神經網絡的電廠磨煤機運行狀態智能分析技術

宿星會，張寶國，吳家偉，韓建剛，閆超

（華電國際十里泉發電廠，山東棗莊 277103）

近年來風力發電、太陽能發電等新能源發電技術的發展速度較快，應用前景也較為廣闊。但火力發電作為我國目前的主要發電方式，目前仍占據著全國總發電量的70%以上[1]。發電廠中的設備產生故障將會中斷正常供電，損害社會經濟效益。因此，對火力發電廠設備的運行狀態進行檢測和分析，是保證電網穩定、可靠運行的必要條件，也是電網技術改革的進一步目標[2]。

磨煤機作為電廠輔機，是發電系統的重點監測對象之一。目前對于設備的狀態預測分析方法主要分為三類，即基于數學模型、基于信息處理和基于知識的方法。文獻[3]在電力設備狀態分析中，使用了振動診斷法。但這種方法只適用于設備在故障已發生且故障狀態較為明顯的情況，并不能起到狀態預測的作用；文獻[4]將證據理論用于電子設備狀態分析，但該方法不能較好地處理兩個證據沖突時的情況，從而導致預測結果的可信度不高。而神經網絡在具有迅速尋求最優解能力的同時，還能夠根據歷史情況對數據的未來發展趨勢作出準確預測。鑒于神經網絡具有以上優勢，該文將其應用于電廠磨煤機運行狀態分析領域。

1 磨煤機常見故障分析

研究對象選取的是由長春發電設備總廠生產的MPS225HP-II 型中速磨煤機。該機組主要由基礎電機、齒輪減速機、動態分離器、磨盤、液壓系統、送風及密封系統、磨輥等部分組成。

1.1 主要監測參數

1）磨出口溫度。其是指一次風口處輸出物的溫度，是表示磨煤機干燥性能的一個特征參數。

2）磨煤機電流與排粉機電流[5]。這兩個電流的大小決定了輸出功率的大小，是表示磨出力情況的一個特征參數。

1.2 常見故障分析

在實際的復雜運行條件下，導致磨煤機發生故障的原因眾多。文獻[6]中分析了磨煤機可能出現的常見故障，并結合某發電廠的磨煤機機組的大量實際數據對各種故障出現的概率進行統計，如表1 所示。

表1 不同故障發生次數及概率

從表1 中可以看到，煤量異常和磨出口溫度過高這兩類故障發生次數超過了總故障次數的70%。因此著重對這兩種故障進行分析，并從中確定典型的運行特征參數以建立神經網絡模型。

1）煤量異常[7]。發生煤量異常的情況有兩類：煤堵塞、少煤或斷煤，故障主要由風量不足或傳送裝置故障導致。當少煤或斷煤時，磨煤機電流相應減??；機器內部出現輕微煤堵塞時，磨煤機電流會相應增大；但當堵塞程度繼續增大至磨煤機不能工作時，磨煤機電流將會減小到0。因此，磨煤機電流變化足以實現對磨煤機運行狀態的準確分析[8]。

2）磨出口溫度過高[9]。引起磨出口溫度過高的原因有一次熱風口開度過大、煤的初始濕度過低等。磨出口溫度過高可能造成煤粉堵塞，進而引起煤粉自燃或爆炸。因此將磨出口溫度作為監測變量來評估和預測系統的運行狀態，對于磨煤機的安全、穩定運行是必要的。

2 基于神經網絡的狀態分析方法

2.1 BP神經網絡原理

考慮到神經網絡在處理數據時具有強大的自學習能力，能夠通過對歷史數據的分析達到對數據未來的發展趨勢作出預測，因此適合處理狀態分析這種復雜非線性系統中的預測問題[10]。故在該節中，將從能夠反映上述兩種常見故障的典型運行特征參數出發，搭建單個特征參數的神經網絡預測模型。

在目前種類繁多的神經網絡中，當屬BP（Back Propagation）神經網絡應用最為廣泛，其尤其適用于智能故障診斷方面[11]。在結構上，BP 神經網絡的結構如圖1 所示。其包括輸入層、隱藏層和輸出層，每一層均包含若干個神經元。神經元之間的連接代表著權值系數，權值系數是根據網絡的調整而不斷變化的。BP 神經網絡的本質思想是比較正向傳播過程計算得到的輸出與期望值之間的誤差。在不滿足誤差條件時，轉向反向傳播過程。將誤差逐層逆向傳播，從而不斷調節各節點的權值系數。通過多次迭代，不斷調整權值系數使輸出的誤差最小，得到相應的模型，即完成了模型的訓練。

圖1 BP神經網絡結構示意圖

2.2 BP神經網絡模型構建

2.2.1 算法設計

最基礎的BP 算法在實際應用中存在易于陷入局部極小值、收斂速度不夠快等缺點，從而導致網絡的泛化能力不足。因此該文采用LM（Levenberg-Marquardt）算法[12]對BP 算法進行優化，具體算法步驟包括：

1）初始化。將網絡中的權值系數、閾值及最大誤差允許量ε賦予初始值。

2）正向計算。利用已設條件計算網絡的輸出誤差E，當E＜ε時，學習計算結束。

3）反向計算。若計算誤差大于ε，則需進行反向誤差傳播計算。通過LM_BP 算法計算網絡的局域誤差、梯度和海塞矩陣確定搜索方向，進而修正網絡參數并返回執行正向計算，直至輸出滿足誤差要求。算法流程如圖2 所示。

圖2 LM_BP算法計算流程示意圖

2.2.2 數據處理與網絡結構

1）樣本選取。該文將根據時間序列預測理論[13]，使選取的數據之間的相關性更強，實現更準確的狀態預測。時間序列預測理論的基本原理是根據過去所獲得的數個樣本點擬合出下一時刻的數據值。再將預測值作為已知量用于下一點的擬合中，從而實現狀態的連續預測。所選取的樣本點數過少會造成部分特征丟失，而選取的樣本點數過多則會引入更多的噪聲，這兩種情況均使模型的預測精度降低。文中以磨出口溫度預測為例，將輸入數據長度分別設為5、10、15、20點。其均方根誤差情況如圖3所示。

圖3 輸入數據長度對預測結果的影響

由圖3 可知，在輸入數據長度為10 點時，均方根誤差最小，效果最為理想。因此，可以將樣本數據按表2 所示劃分。

表2 訓練樣本選取

2）歸一化處理。選取樣本后，對樣本進行恰當的數據預處理將成為網絡訓練效果是否能達到預期的關鍵。考慮到在神經網絡中隱藏層與輸入層的傳遞函數將使用Sigmod 函數[14-15]，因此要將樣本進行歸一化處理。采用Matlab 工具箱中的Mapminmax 函數進行處理，其函數式可以表示為[Y,PS]=Mapminmax（X,0,1）。其中，X、Y分別為歸一化前后的數據；PS 為包含原數據峰值、谷值等特征信息的數據結構體，可以用于數據的歸一化與逆歸一化。

3）網絡節點數的選取。由于輸入數據長度為10，故輸入層的節點數選為10 個；僅需預測下一個點的數據，故輸出層的節點數選為1 個；隱藏層的節點個數可以由式（1）和式（2）計算得到：

式中，m為輸入層節點數，n為輸出層節點數，α為1～10 內的常數，i為所求隱藏層節點數。綜合考慮式（1）和式（2）后，可求得模型中隱藏層節點數為4。因此，文中所構建的BP 神經網絡為10-4-1結構的三層網絡。最終在Matlab 中以Tansig 函數作為網絡傳遞函數；以Learngd 函數作為學習函數；以Trainlm 函數作為訓練函數，完成BP 神經網絡的構建。

2.2.3 模型訓練

構建完成BP 神經網絡的預測模型后，為進一步提高網絡的泛化能力，需要通過訓練樣本對網絡進行訓練，從而調整網絡中的權值系數來優化網絡模型以達到減小預測誤差的目的。神經網絡中的各參數設置如下：學習率Lr=0.01，最大迭代次數Epochs=100，訓練要求精度ε=0.001，動量因子Mc=0.9。網絡的訓練結果如圖4 所示。

由圖4 可知，神經網絡訓練的均方根誤差結果在第60 次迭代后就趨于穩定，且其誤差能夠滿足要求。

圖4 神經網絡訓練均方根誤差圖

3 不同狀態下的模型預測及分析

3.1 磨出口溫度預測

在磨煤機正常運行的情況下，對其進行磨出口溫度預測。在100 min 的測量時間內，共采集50 個數據點信息。將其中25 個數據按照2.2.2 節中所述的方法進行處理，并將其作為訓練樣本輸入。通過磨出口溫度預測的神經網絡訓練結果如圖5 所示。另外，25 個數據點構成的曲線代表在測量過程中得到的實際值?？梢钥吹?，預測值與實測值的變化趨勢是相同的。

圖5 磨出口溫度預測結果

3.2 磨出口溫度預測模型誤差分析

利用均方根誤差法[16]對預測模型的準確度進行分析。均方根誤差（RMSE）的計算方法如下：

式中，Xobs,i為第i個點的實測值，Xmodel,i為第i個點的預測值，n為測點數量。計算可得，磨出口溫度預測模型的預測值與實測值的均方根誤差RMSE（T）=0.23 ℃。測量值的平均溫度Xobs,av=95.12 ℃，根據均方根誤差率的計算方法：

可以得到，磨出口溫度預測模型的均方根誤差率γ（T）=0.24%。因此基于該文提出的狀態分析方法所建立的神經網絡模型，可以準確地預測正常工作情況下的磨出口溫度的狀態變化。

3.3 煤量異常預測

上述磨出口溫度預測模型所用數據樣本是在正常工況下得到的，只能說明該文提出的狀態分析方法能夠準確預測磨煤機在正常工作時的未來狀態，并不能說明該方法是否能根據早期問題數據準確判斷磨煤機將要發生的故障。因此，有必要再建立一個故障狀態下的預測模型。

在檢驗模型預測故障的能力時，需要使磨煤機在故障狀態下持續工作以獲得相應實測數據作為評判標準?？紤]到少煤情況對磨煤機的損壞相對較小，故該實驗將模擬少煤故障。為了兼顧故障持續時間和樣本采集量，將采樣頻率變為原來的兩倍，時間則減少二分之一，采集點數量不發生改變。采用同樣的神經網絡對樣本進行處理和訓練，得到結果如圖6 所示。

圖6 少煤故障預測結果

3.4 煤量異常預測模型誤差分析

當進煤量減少為正常煤量的3/4 時，磨煤機電流也變為額定情況下的約3/4，預測結果的趨勢與實際情況是相符合的。通過計算可以得到少煤故障模型預測的均方根誤差RMSE（I）=1.17 A，測量點的平均電流為Xobs,av（I）=74.59 A，模型的均方根誤差 率γ（I）=1.57%。相比于正常運行狀態下，模型的均方根誤差率雖有所增大，但仍小于2%。因此，該模型可以準確預測煤量異常故障狀態下的磨煤機電流變化。

4 結束語

該文以MPS225HP-II 型中速磨煤機為研究對象，選取正常運行狀態下的磨出口溫度和少煤故障狀態下的磨煤機電流作為運行特征參數。以時間序列預測理論和LM_BP 算法為基礎，完成BP 神經網絡預測模型的構建[17]。將樣本數據經過重構與預處理輸入到已訓練的預測模型中得到訓練結果，使用均方根誤差法分析模型預測的準確度。實驗結果表明，無論是對于正常狀態的預測還是故障狀態的預測，模型的誤差率均在2%以內。因此該神經網絡預測模型可以對磨煤機的運行狀態進行實時分析，從而對未來狀態作出正確判斷。

基于該文的研究方法所建立的模型雖能較好地對磨煤機的運行狀態進行分析，但選取的單個特征參數難以做到全面地反映整個制粉系統的運行狀態。具體到電廠磨煤機中則體現為影響因素更復雜的少煤故障狀態預測模型所產生的誤差率要大于正常溫度狀態預測模型[18]。所以要實現更為精確的運行狀態預測，必須盡可能多地考慮系統中多個特征參數對于運行狀態的影響。建立更為全面的多物理量預測模型，將是進一步的研究方向。