[发明专利]一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法

权利要求书

1.一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法，其特征在于，包括以下步骤：

(1)建立磨煤机动态数学模型，所述的磨煤机动态数学模型的建模包括如下方程：

对磨内原煤质量m_C和煤粉质量m_pf建立微分方程：

对出口煤粉的质量流量q_m,pf、煤粉的质量m_pf、磨煤机进出口压差Δp_a、进出口压差Δp_a、磨煤机内存煤质量M_coal、进口一次风质量流量q_m,air建立数学方程：q_m,pf＝K₂Δp_am_pf,M_coal＝m_C+m_pf。

对煤粉水分含量建立微分方程：

对原煤水分蒸发量原煤含水量θ_CM、磨煤机出口温度t_out建立数学方程：

建立磨煤机出口温度t_out的微分方程：式中，磨煤机电流I为：I＝K₁₃m_pf+K₁₄m_C+K₁₅。

其中，模型的输入参数为磨煤机原煤质量流量q_m,C、入口一次空气质量流量q_m,air、原煤含水量θ_CM和入口一次风温度t_in；模型的输出参数为磨煤机出口温度t_out、磨煤机电流I和进出口压差Δp_a；状态参数为磨内原煤质量m_C、煤粉质量m_pf、磨煤机出口温度t_out、煤水分含量γ_res；

(2)在不同负荷下，提取磨煤机在每种典型状态下的四个特征参数：磨煤机出口温度t_out，磨机电流I、进出口压差Δp_a和一次风煤比R构成故障特征参数向量X＝[x₁,x₂,x₃,x₄]^T。所述典型状态包括正常运行状态、少煤状态、多煤状态、堵塞状态；

(3)选取某一负荷条件下的4中典型状态样本作为故障知识库来训练最小二乘支持向量机(LS-SVM)模型。以特征参数向量的征兆向量作为LS-SVM的输入向量，第j个输入向量中第i个元素μ_j(x_i)为：

其中i＝1,2,3,4；(x_i0-A,x_i0+A)为故障特征参数的变化范围。，x_i0是在该负荷情况下的故障特征变量x_i的正常运行值，其中x₁,x₂,x₃,x₄分别表示磨煤机出口温度t_out，磨机电流I、进出口压差Δp_a和一次风煤比R四个故障特征参数，A_i(i＝1,2,3,4)是故障特征变量x_i(i＝1,2,3,4)在不同故障模式下的最大变化宽度，本发明中取A_i＝x_i0

所述的LS-SVM的核函数是高斯核函数：

式中，x_j＝[u_j(x₁),u_j(x₂),u_j(x₃),u_j(x₄)]^T为4维输入向量，σ是高斯核函数的方差；

LS-SVM的输出为：

式中α_m是第m个输入映射到输出的权重，N为4，代表了故障知识库中的4种典型状态，b_k是N维偏差向量b的第k维,其中k＝1,2,3,4。y_k是输出向量y的第k维，其中k＝1,2,3,4。α和b_k通过如下方程求得：

式中，y＝[y₁,y₂,…y_N]^T,α＝[α₁,α₂,…α_N]^T，I是N*N维单位矩阵。γ为惩罚因子；

(4)利用训练好的LS-SVM模型，结合缩放因子搜索进行实时故障诊断，具体包括以下步骤：

(4.1)从火电厂现场实时数据库或DCS系统(或其仿真器)中获取多个参数向量x＝[x₁,x₂,x₃,x₄]^T，并计算每个参数向量相应的故障特征征兆向量μ＝[μ₁(x₁),μ₁(x₂),μ₁(x₃),μ₁(x₄)]^T。

(4.2)初始化缩放因子z＝1，对实时数据的故障模式进行判断，如果其四个故障征兆参数与典型故障样本征兆参数的正负符号均相同，则匹配为相应的故障模式。

(4.3)故障模式匹配之后，对故障严重程度进行初步判断，从四个故障征兆参数中任选其一，如果比对应典型故障样本的故障征兆绝对值大，则故障缩放因子z朝减小的方向搜索，Δz＝-0.001，反之，z往增大的方向进行搜索，Δz＝0.001。更新故障征兆缩放因子z＝z+Δz和故障特征征兆向量μ＝z·μ

(4.4)利用步骤(3)训练好的LS-SVM模型进行故障诊断，更新后的故障征兆向量μ作为LS-SVM的输入，判断LS-SVM的故障分离度(FSD)是否达到设定值，FSD为LS-SVM的最大输出和其第二大输出之间的差值。

(4.5)如果FSD达到设定值要求，则诊断结束，故障征兆缩放因子越大，表示故障越严重；否则，返回至(4.3)。