[发明专利]基于模型自弈和典型样本的磨煤机故障诊断方法

权利要求书

1.一种基于历史数据挖掘及深度学习的故障诊断方法，其特征在于，包括：

步骤1：基于磨煤机运行机理和历史数据，并采用遗传算法辨识未知参数来构建磨煤机机理模型；

步骤2：通过调整磨煤机机理模型参数来模拟磨煤机不同故障从而产生大量典型故障样本数据；

步骤3：采用神经网络对大量典型故障样本数据进行训练和学习，得到神经网络故障诊断模型；

步骤4：采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，在故障发生的早期进行故障预警和故障识别。

2.根据权利要求1所述故障诊断方法，其特征在于，所述构建磨煤机机理模型包括：

基于能量和质量平衡建立冷热风门和一次风的非线性动态方程；

考虑磨煤机内部存煤量的质量平衡，建立磨内存煤量的非线性方程；

根据磨煤机输入输出的能量平衡关系建立磨出口风粉混合物温度的非线性方程。

3.根据权利要求1所述故障诊断方法，其特征在于，所述采用遗传算法辨识未知参数使得模型输出量一次风流量、一次风温度、磨电流和磨出口温度的适应度函数最小。

4.根据权利要求1所述故障诊断方法，其特征在于，所述典型故障包括：磨断煤、磨满煤和磨自燃三种故障。

5.根据权利要求4所述故障诊断方法，其特征在于，所述磨断煤通过快速减少给煤量来模拟磨断煤故障；所述磨满煤通过增加给煤量、增大煤水分或减少一次风量来模拟磨满煤故障；所述磨自燃通过在磨煤机输入能量中加入煤粉自燃产生的热量来模拟磨自燃故障。

6.根据权利要求1所述故障诊断方法，其特征在于，所述步骤3包括：采用反向传播神经网络对磨煤机故障典型样本进行训练和学习，对典型样本加上标签作为训练的期望输出；所述反向传播神经网络分为输入层，隐含层和输出层；输入层采用相同时间长度的输入参数，将故障发生的早期数据输入模型中；隐含层采用sigmoid函数进行非线性处理，每层之间随机设置初始权值和阈值，并通过反向传播算法不断调整网络的权值和阈值，使网络的误差平方和最小，网络的误差平方和为网络训练输出与期望输出误差平方和；给定隐含层层数和每层节点个数，训练神经网络使误差平方和最小，得到训练好的神经网络故障诊断模型。

7.根据权利要求1所述故障诊断方法，其特征在于，所述采用滑动窗口法将电厂中的实际数据送入训练好的神经网络故障诊断模型，选择与反向传播神经网络训练输入相同时间长度的窗口大小，滑动检测电厂中的实时数据，在故障发生的早期进行故障预警和故障识别。