[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

说明书

本发明针对火电厂辅机设备结构复杂、设备之间耦合性强、运行工况复杂多变，完备的故障样本知识库不易获取的特点，提出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，可以有效的简化故障样本知识库，使故障诊断更加快速精准。本发明利用最小二乘支持向量机(LS‑SVM)的在小样本学习上的优势，通过某一典型工况下的典型故障样本，离线训练LS‑SVM学习模型；在一定负荷变化范围内，故障特征参数随故障程度近似呈单调线性变化，这构成了征兆缩放因子搜索技术的基础，将待诊断故障的故障特征参数乘以故障缩放因子以达到与训练样本的模式匹配，产生最大的故障分离度。

技术领域

本发明涉及故障火电厂辅机设备故障诊断领域，尤其涉及一种基于设备动态的数学模型建模的故障诊断特征提取及不同运行条件下不同程度的故障诊断的分析方法。

背景技术

辅机设备是火电机组的重要组成部分，对辅机设备的实时监测和故障诊断的研究具有重要的应用价值。这是因为辅机设备故障的发生不仅会直接影响整个机组的安全、经济运行，甚至还可能会给现场人员带来安全危害。然而，对辅机设备在多工况运行条件下的故障诊断并不是一件容易的事。原因是火电厂辅机设备结构复杂、设备之间耦合性强，当一个设备发生故障时，不仅会影响其自身的参数，而且还可能会影响其它关联设备的参数。要准确地定位和分离故障，必须要发掘不同故障情况下的相关特征参数的变化规律。

支持向量机(SVM)已经成功应用于故障诊断。然而，大多数应用只考虑一个单一的工况(通常是额定负荷)。很少有不同故障程度在不同工况下的故障诊断的研究。故障本身是复杂的，故障程度的程度可能是大的。现有的故障诊断方法，包括支持向量机、神经网络等方法，基本上是典型故障的模式识别和匹配过程，这给故障知识库中标准故障样本的选择带来困难。如果程度严重的故障作为标准训练样本，微弱和早期故障的识别能力将会降低；如果训练样本是微弱和早期故障，当诊断样本为较严重故障时，两者之间的相似性的差异会增加，也会使诊断效果降低。传统的多工况多严重程度的故障诊断方法，是尽可能的完全包含多个典型的故障样本。然而在实际的故障诊断系统中，过多的故障样本会使样本知识库过于复杂，而且完全从火电厂中获得不同运行工况下不同严重程度的故障样本并不实际。

本发明通过对火电厂制粉系统不同运行工况下不同严重程度故障的相似性规律的总结，提出了一种基于故障缩放因子搜索技术的故障诊断新方法。只需对一种典型工况下几类典型故障样本进行离线训练，大大简化了样本知识库复杂程度和最小二乘支持向量机(LS-SVM)结构，故障征兆的计算和缩放因子搜索用于在线故障识别，使故障诊断和识别更快，更稳定。

本发明通过辅机设备之一磨煤机作为一个实例，通过建立磨煤机动态数学模型分析其运行参数在不同负荷条件下随故障程度的变化规律，选择了3种典型的故障和4个故障特征参数，包括出口温度、进出口压差、磨煤机电流和风煤比，在建立的动态模型上进行不同负荷条件不同故障程度的模拟。结果表明，针对同一种故障，在故障发生不改变系统拓扑结构前提下，故障特征参数随着故障程度的增加，近似呈线性增加或减少。该规律构成了症状缩放因子搜索技术的基础。症状缩放因子搜索方法的关键是对特征参数缩放因子的合理选择，与故障诊断模型相结合组成一个优化问题，其基本原理是使故障分离程度(FSD)最佳。

发明内容

针对现有技术的不足，本发明的目的在于提供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。

本发明是通过以下技术手段实现的：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，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：